CN112925824A - 针对极端天气类型的光伏功率预测方法及系统 - Google Patents

针对极端天气类型的光伏功率预测方法及系统 Download PDF

Info

Publication number
CN112925824A
CN112925824A CN202110210718.3A CN202110210718A CN112925824A CN 112925824 A CN112925824 A CN 112925824A CN 202110210718 A CN202110210718 A CN 202110210718A CN 112925824 A CN112925824 A CN 112925824A
Authority
CN
China
Prior art keywords
weather
predicted
day
prediction
photovoltaic power
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110210718.3A
Other languages
English (en)
Inventor
孙波
郑刚
李建靖
张承慧
于彬彬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University
Original Assignee
Shandong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong University filed Critical Shandong University
Priority to CN202110210718.3A priority Critical patent/CN112925824A/zh
Publication of CN112925824A publication Critical patent/CN112925824A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Databases & Information Systems (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本公开提供了一种针对极端天气类型的光伏功率预测方法及系统，获取待预测日之前的极端天气历史功率数据；将获取的历史功率数据输入到预设分类模型中，得到带有天气类型标签的历史功率数据；以待预测日之前预设时间段的同天气类型的历史功率数据、待预测日的辐照度预测值以及天气类型预测结果为输入，结合预设光伏功率预测模型，得到待预测日的功率预测结果；本公开改变了传统单一的时间序列预测建模，采用先分类再预测的方法，通过针对性的天气类型分类模型，将训练样本分类并分别建模，使得预测模型的映射关系为同一天气类型，提高了预测结果的准确性。

Description

针对极端天气类型的光伏功率预测方法及系统
技术领域
本公开涉及功率预测技术领域，特别涉及一种针对极端天气类型的光伏功率预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成现有技术。
近些年来，传统的化石燃料为主的发电方式给生态环境带来了巨大的压力，而太阳能作为一种安全清洁的可持续再生能源，能够有效应对当前的能源危机和环境污染问题，因而光伏发电技术得到了迅速发展。然而，光伏出力波动性和随机性的特点给电网调度和规划带来了巨大的困难。因此，准确的光伏出力预测，尤其是日前预测对光伏发电技术的发展具有重要意义。
日前预测是预测下一天6点到18点的功率，对分辨率的要求为15分钟，共计60个点。目前的短期光伏功率预测通常使用的是神经网络，支持向量机这类的人工智能算法。这些模型通常是学习历史功率数据特征，结合天气预报信息来预测未来的功率趋势，设计十分简单，因此得到了广泛使用。
发明人发现，现有技术中大多使用的是单一时间序列预测模型，依赖历史功率和预报的辐照度数据来进行预测，在晴天下的精度尚可，但一旦遭遇阴雨和一些其他极端天气，精度便无法得到保证。
发明内容
为了解决现有技术的不足，本公开提供了一种针对极端天气类型的光伏功率预测方法及系统，改变了传统单一的时间序列预测建模，采用先分类再预测的方法，通过针对性的天气类型分类模型，将训练样本分类并分别建模，使得预测模型的映射关系为同一天气类型，提高了预测结果的准确性。
为了实现上述目的，本公开采用如下技术方案：
本公开第一方面提供了一种针对极端天气类型的光伏功率预测方法。
一种针对极端天气类型的光伏功率预测方法，包括以下步骤：
获取待预测日之前的极端天气历史功率数据；
将获取的历史功率数据输入到预设分类模型中，得到带有天气类型标签的历史功率数据；
以待预测日之前预设时间段的同天气类型的历史功率数据、待预测日的辐照度预测值以及天气类型预测结果为输入，结合预设光伏功率预测模型，得到待预测日的功率预测结果。
作为可选的一些实现方式，根据获取的极端天气下的历史功率数据，利用VAE模型学习不同天气状态下的历史功率数据的分布状况，对历史功率数据进行扩充。
作为可选的一些实现方式，天气类型至少包括晴天、阴天、雨天、暴雨天和雪天。
作为可选的一些实现方式，光伏功率预测模型采用长短期记忆网络模型，利用带有天气类型标签的历史功率数据，分别训练得到不同天气类型下的长短期记忆网络模型。
作为进一步的限定，根据光伏电站的数值天气预报，得到待预测日的辐照度预测值以及天气类型。
作为可选的一些实现方式，预测结果的评估，包括：计算每一日预测结果的均方根误差、均方误差和平均绝对误差，以月为单位，计算均方根误差、均方误差和平均绝对误差三个性能指标的平均值。
作为可选的一些实现方式，以ResNeSt作为分类模型，将扩充后的样本数据输入到ResNeSt进行分类，得到带有天气类型标签的历史功率数据。
本公开第二方面提供了一种针对极端天气类型的光伏功率预测系统。
一种针对极端天气类型的光伏功率预测系统，包括：
数据获取模块，被配置为：获取待预测日之前的极端天气历史功率数据；
数据分类模块，被配置为：将获取的历史功率数据输入到预设分类模型中，得到带有天气类型标签的历史功率数据；
功率预测模块，被配置为：以待预测日之前预设时间段的同天气类型的历史功率数据、待预测日的辐照度预测值以及天气类型预测结果为输入，结合预设光伏功率预测模型，得到待预测日的功率预测结果。
本公开第三方面提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的针对极端天气类型的光伏功率预测方法中的步骤。
本公开第四方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开第一方面所述的针对极端天气类型的光伏功率预测方法中的步骤。
与现有技术相比，本公开的有益效果是：
本公开所述的方法、系统、介质或电子设备，考虑了不同天气类型下的预测建模，可以有效针对非理想天气下的功率预测，进一步提高整体的预测精度。
本公开所述的方法、系统、介质或电子设备，改变了传统单一的时间序列预测建模，采用先分类再预测的思想，通过针对性的天气类型分类模型，将训练样本分类并分别建模，使得预测模型的映射关系为同一天气类型，提升了预测的针对性和准确性。
本公开附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1为本公开实施例1提供的针对极端天气类型的光伏功率预测方法的流程示意图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
实施例1：
如图1所示，本公开实施例1提供了一种针对极端天气类型的光伏功率预测方法，运用VAE(Variational Auto-encoder)模型学习不同天气状态下的历史功率数据的分布状况，根据这种分布生成新的功率数据，扩大训练集，然后通过ResNeSt(Split-AttentionNetworks)提取数据特征，建立起天气分类模型，输入一维的时间序列功率数据，输出对应的天气类型，从而得到大量的含天气类型标签的历史数据。之后建立不同天气类型下的LSTM(Long Short-Term Memory)预测模型，输入数值天气预报下的未来天气类型和辐照度数据，得到日前功率预测结果。
具体的，包括以下步骤：
S1：利用VAE扩充样本数据
VAE作为一种无监督的生成网络模型，主要由编码器和译码器组成，其中编码器的主要功能是学习样本数据的分布并产生数据压缩值，解码器负责对压缩后的数据进行重构，构造高质量的数据来干扰最初的样本数据。如此反复迭代便可以得到高质量的生成数据。
本实施例选取光伏电站中存储的过去一年共365天的历史功率数据，每天以15分钟为分辨率，取6点～18点一共60个点的数据，前275天数据作为训练集，后90天数据作为测试集，一共生成5000个样本数据作为后续的分类模型输入，同时使用标准差(STD)和欧氏距离(EDD)来评估生成的数据质量。
S2：利用ResNeSt提取数据特征，建立天气分类模型
ResNet属于残差学习网络，利用残差学习，解决了网络精度随网络深度增加而饱和退化的问题，应用于解决分类问题具有良好的效果，ResNeSt作为其改进版，能利用更少的网络达到更高的精度。
通过对历史功率数据扩充得到无天气类型标签的5000个样本数据，将扩充后的样本数据输入到ResNeSt进行分类学习。本实施例将光伏电站可能遇到的天气类型分为5类：晴、阴、雨、暴雨、雪，针对不同天气类型下的功率数据进行分类训练，最后得到含有5类天气类型标签的历史功率数据，用于之后的不同天气类型下的预测建模训练。
S3：建立不同天气类型下的预测模型
本实施例采用LSTM网络进行预测，对5类天气类型分别建模，利用之前分类得到的数据集进行训练，从而得到5种对应天气的预测模型。根据光伏电站的数值天气预报，得到未来1天的辐照度预测值以及天气类型，以过往10天同类型的历史功率数据、未来1天的辐照度预测以及天气类型作为输入，输出为日前的功率预测结果。
S4：预测结果评估
本实施例采用采用均方根误差(MAE)、平方绝对误差(RMSE)和相关系数(COR)三个有效指标来评估日前预测模型的性能，其中RMSE和MAE值越小，COR的值越大表明预测的效果越好。
实施例2：
本公开实施例2提供了一种针对极端天气类型的光伏功率预测系统，包括：
数据获取模块，被配置为：获取待预测日之前的极端天气历史功率数据；
数据分类模块，被配置为：将获取的历史功率数据输入到预设分类模型中，得到带有天气类型标签的历史功率数据；
功率预测模块，被配置为：以待预测日之前预设时间段的同天气类型的历史功率数据、待预测日的辐照度预测值以及天气类型预测结果为输入，结合预设光伏功率预测模型，得到待预测日的功率预测结果。
所述系统的工作方法与实施例1提供的针对极端天气类型的光伏功率预测方法相同，这里不再赘述。
实施例3：
本公开实施例3提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开实施例1所述的针对极端天气类型的光伏功率预测方法中的步骤，所述步骤为：
获取待预测日之前的极端天气历史功率数据；
将获取的历史功率数据输入到预设分类模型中，得到带有天气类型标签的历史功率数据；
以待预测日之前预设时间段的同天气类型的历史功率数据、待预测日的辐照度预测值以及天气类型预测结果为输入，结合预设光伏功率预测模型，得到待预测日的功率预测结果。
详细步骤与实施例1提供的针对极端天气类型的光伏功率预测方法相同，这里不再赘述。
实施例4：
本公开实施例4提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例1所述的针对极端天气类型的光伏功率预测方法中的步骤，所述步骤为：
获取待预测日之前的极端天气历史功率数据；
将获取的历史功率数据输入到预设分类模型中，得到带有天气类型标签的历史功率数据；
以待预测日之前预设时间段的同天气类型的历史功率数据、待预测日的辐照度预测值以及天气类型预测结果为输入，结合预设光伏功率预测模型，得到待预测日的功率预测结果。
详细步骤与实施例1提供的针对极端天气类型的光伏功率预测方法相同，这里不再赘述。
本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

1.一种针对极端天气类型的光伏功率预测方法，其特征在于：包括以下步骤：
获取待预测日之前的极端天气历史功率数据；
将获取的历史功率数据输入到预设分类模型中，得到带有天气类型标签的历史功率数据；
以待预测日之前预设时间段的同天气类型的历史功率数据、待预测日的辐照度预测值以及天气类型预测结果为输入，结合预设光伏功率预测模型，得到待预测日的功率预测结果。
2.如权利要求1所述的针对极端天气类型的光伏功率预测方法，其特征在于：
根据获取的极端天气下的历史功率数据，利用VAE模型学习不同天气状态下的历史功率数据的分布状况，对历史功率数据进行扩充。
3.如权利要求1所述的针对极端天气类型的光伏功率预测方法，其特征在于：
天气类型至少包括晴天、阴天、雨天、暴雨天和雪天。
4.如权利要求1所述的针对极端天气类型的光伏功率预测方法，其特征在于：
光伏功率预测模型采用长短期记忆网络模型，利用带有天气类型标签的历史功率数据，分别训练得到不同天气类型下的长短期记忆网络模型。
5.如权利要求4所述的针对极端天气类型的光伏功率预测方法，其特征在于：
根据光伏电站的数值天气预报，得到待预测日的辐照度预测值以及天气类型。
6.如权利要求1所述的针对极端天气类型的光伏功率预测方法，其特征在于：
预测结果的评估，包括：计算每一日预测结果的均方根误差、均方误差和平均绝对误差，以月为单位，计算均方根误差、均方误差和平均绝对误差三个性能指标的平均值。
7.如权利要求1所述的针对极端天气类型的光伏功率预测方法，其特征在于：
以ResNeSt作为分类模型，将扩充后的样本数据输入到ResNeSt进行分类，得到带有天气类型标签的历史功率数据。
8.一种针对极端天气类型的光伏功率预测系统，其特征在于：包括：
数据获取模块，被配置为：获取待预测日之前的极端天气历史功率数据；
数据分类模块，被配置为：将获取的历史功率数据输入到预设分类模型中，得到带有天气类型标签的历史功率数据；
功率预测模块，被配置为：以待预测日之前预设时间段的同天气类型的历史功率数据、待预测日的辐照度预测值以及天气类型预测结果为输入，结合预设光伏功率预测模型，得到待预测日的功率预测结果。
9.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的针对极端天气类型的光伏功率预测方法中的步骤。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的针对极端天气类型的光伏功率预测方法中的步骤。
CN202110210718.3A 2021-02-25 2021-02-25 针对极端天气类型的光伏功率预测方法及系统 Pending CN112925824A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110210718.3A CN112925824A (zh) 2021-02-25 2021-02-25 针对极端天气类型的光伏功率预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110210718.3A CN112925824A (zh) 2021-02-25 2021-02-25 针对极端天气类型的光伏功率预测方法及系统

Publications (1)

Publication Number Publication Date
CN112925824A true CN112925824A (zh) 2021-06-08

Family

ID=76171751

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110210718.3A Pending CN112925824A (zh) 2021-02-25 2021-02-25 针对极端天气类型的光伏功率预测方法及系统

Country Status (1)

Country Link
CN (1) CN112925824A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114970359A (zh) * 2022-06-06 2022-08-30 支付宝(杭州)信息技术有限公司 建立时间序列预测模型的方法、时间序列预测方法和装置
CN115619047A (zh) * 2022-12-19 2023-01-17 广东采日能源科技有限公司 光伏功率预测方法、装置及电子设备
CN117313958A (zh) * 2023-11-28 2023-12-29 山东大学 基于迁移学习的低压分布式光伏功率预测方法及系统
CN117390005A (zh) * 2023-10-23 2024-01-12 广东产品质量监督检验研究院（国家质量技术监督局广州电气安全检验所、广东省试验认证研究院、华安实验室） 基于大数据的检验预测方法、装置、计算机设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107944604A (zh) * 2017-11-10 2018-04-20 中国电力科学研究院有限公司 一种用于光伏功率预测的天气类型识别方法和装置
CN109615131A (zh) * 2018-12-07 2019-04-12 国能日新科技股份有限公司 光伏功率预测方法和装置
CN110929953A (zh) * 2019-12-04 2020-03-27 国网山东省电力公司电力科学研究院 基于聚类分析的光伏电站超短期出力预测方法
CN111091139A (zh) * 2019-11-18 2020-05-01 特变电工西安电气科技有限公司 相似日聚类的光伏预测方法、装置、设备及可读存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107944604A (zh) * 2017-11-10 2018-04-20 中国电力科学研究院有限公司 一种用于光伏功率预测的天气类型识别方法和装置
CN109615131A (zh) * 2018-12-07 2019-04-12 国能日新科技股份有限公司 光伏功率预测方法和装置
CN111091139A (zh) * 2019-11-18 2020-05-01 特变电工西安电气科技有限公司 相似日聚类的光伏预测方法、装置、设备及可读存储介质
CN110929953A (zh) * 2019-12-04 2020-03-27 国网山东省电力公司电力科学研究院 基于聚类分析的光伏电站超短期出力预测方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114970359A (zh) * 2022-06-06 2022-08-30 支付宝(杭州)信息技术有限公司 建立时间序列预测模型的方法、时间序列预测方法和装置
CN114970359B (zh) * 2022-06-06 2024-05-31 支付宝(杭州)信息技术有限公司 建立时间序列预测模型的方法、时间序列预测方法和装置
CN115619047A (zh) * 2022-12-19 2023-01-17 广东采日能源科技有限公司 光伏功率预测方法、装置及电子设备
CN115619047B (zh) * 2022-12-19 2023-02-28 广东采日能源科技有限公司 光伏功率预测方法、装置及电子设备
CN117390005A (zh) * 2023-10-23 2024-01-12 广东产品质量监督检验研究院（国家质量技术监督局广州电气安全检验所、广东省试验认证研究院、华安实验室） 基于大数据的检验预测方法、装置、计算机设备及存储介质
CN117313958A (zh) * 2023-11-28 2023-12-29 山东大学 基于迁移学习的低压分布式光伏功率预测方法及系统
CN117313958B (zh) * 2023-11-28 2024-02-20 山东大学 基于迁移学习的低压分布式光伏功率预测方法及系统

Similar Documents

Publication Publication Date Title
CN110070226B (zh) 基于卷积神经网络与元学习的光伏功率预测方法及系统
CN112925824A (zh) 针对极端天气类型的光伏功率预测方法及系统
CN106779223B (zh) 一种光伏系统发电功率实时预测方法及装置
CN109543901A (zh) 基于信息融合卷积神经网络模型的短期电力负荷预测方法
CN109412161B (zh) 一种电力系统概率潮流计算方法及系统
Sogabe et al. Optimization of decentralized renewable energy system by weather forecasting and deep machine learning techniques
CN115994325B (zh) 基于TimeGAN深度学习方法的风机覆冰发电功率数据增强方法
CN112100911A (zh) 一种基于深度bisltm的太阳辐射预测方法
CN112836876B (zh) 一种基于深度学习的配电网线路负荷预测方法
CN116307291B (zh) 一种基于小波分解的分布式光伏发电预测方法及预测终端
CN118100171B (zh) 能源转换系统的功率预测方法、系统和电子设备
CN117477551A (zh) 基于领域知识嵌入模型的光伏发电功率预测方法及系统
Obiora et al. Effective Implementation of Convolutional Long Short-Term Memory (ConvLSTM) Network in Forecasting Solar Irradiance
CN109993335A (zh) 一种用于风电功率的概率预报方法及系统
CN117154680A (zh) 一种基于非平稳Transformer模型的风电功率预测方法
CN108427742B (zh) 一种基于低秩矩阵的配电网可靠性数据修复方法及系统
CN115907000A (zh) 一种用于电力系统最优潮流预测的小样本学习方法
Bantupalli et al. Wind Speed forecasting using empirical mode decomposition with ANN and ARIMA models
CN114492944A (zh) 基于TLBO-Elman的光伏电站短期发电功率预测方法、装置及存储介质
Mahin et al. Advanced Forecasting of Wind Energy Generation Through Integration of AE-CLSTM
CN114219118A (zh) 一种d-s证据理论的智能电表寿命预测方法及系统
Peng et al. Medium and Long Term Scenario Generation Method Based on Autoencoder and Generation Adversarial Network
CN115860281B (zh) 基于跨实体注意力的能源系统多实体负载预测方法和装置
Han et al. Data-driven Mid-Term Load Forecasting Based on Topological Data Analysis
CN117748500B (zh) 光伏功率预测方法、装置、设备及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20210608

RJ01 Rejection of invention patent application after publication