CN112926653B - 基于小时级天气类型校正的光伏功率短期预测方法及系统 - Google Patents
基于小时级天气类型校正的光伏功率短期预测方法及系统 Download PDFInfo
- Publication number
- CN112926653B CN112926653B CN202110211277.9A CN202110211277A CN112926653B CN 112926653 B CN112926653 B CN 112926653B CN 202110211277 A CN202110211277 A CN 202110211277A CN 112926653 B CN112926653 B CN 112926653B
- Authority
- CN
- China
- Prior art keywords
- prediction
- result
- light irradiation
- power
- irradiation intensity
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012937 correction Methods 0.000 title claims abstract description 34
- 238000013507 mapping Methods 0.000 claims abstract description 30
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 230000002068 genetic effect Effects 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000012986 modification Methods 0.000 claims description 4
- 230000004048 modification Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 6
- 238000003860 storage Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Power Engineering (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种基于小时级天气类型校正的光伏功率短期预测方法,获取待预测日的光辐照强度预报结果和天气类型预报结果;将获取的光辐照强度预报结果输入到预设的基于极限学习机构建的映射模型中,得到待预测日的第一功率预测结果;将获取的天气类型预报结果输入到预设的基于门控循环单元神经网络的预测模型中,得到待预测日的第二功率预测结果;根据预设的遗传算法模型得到第一功率预测结果和第二功率预测结果权重系数,进而得到最终的功率预测结果;本公开充分考虑了电站在极端天气条件下普遍存在的预测精度不足的问题,在保证模型通用性的基础上同时充分考虑了极端天气的特性情况,在兼顾稳定性的情况下提高了预测的精度。
Description
技术领域
本公开涉及光伏功率预测技术领域,特别涉及一种基于小时级天气类型校正的光伏功率短期预测方法及系统。
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。
迫于气候变化、环境污染、化石能源枯竭等各种压力,我国能源供给结构正发生深刻变化,严峻事实无疑促进了可再生能源技术的快速发展和整合,如太阳能光伏发电,2019年全球新增光伏装机量约123GW,较去年增长11.2%,2020年预计增长率更高。作为光伏第一大市场,截至2019年底,中国光伏新增装机量达到30.1GW,同比增长17.1%,累计光伏并网装机量达到204.3GW,因此光伏发展在中国还有更大潜力。作为新能源光伏电站系统中不可或缺的一部分,光伏电站时间多尺度发电功率预测是降低光伏电源随机性对电力调控系统影响的重要手段。
发明人发现,随着底层算法技术的不断突破,光伏功率预测方法也历经数理统计模型、BP神经网络、支持向量机等传统算法模型的不断革新,预测准确度不断提升,但在电站实际需求中存在稳定性与精度难以兼得的情况,无法实现稳定的精准预测。
发明内容
为了解决现有技术的不足,本公开提供了一种基于小时级天气类型校正的光伏功率短期预测方法及系统,充分考虑了电站在极端天气条件下普遍存在的预测精度不足的问题,通过光辐照预报值的变换建立适应性与鲁棒性较强的主映射模型,通过小时级的功率差值校正量反馈到主模型中,在保证模型通用性的基础上同时充分考虑了极端天气的特性情况,在兼顾稳定性的情况下提高了预测的精度。
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基于小时级天气类型校正的光伏功率短期预测方法。
一种基于小时级天气类型校正的光伏功率短期预测方法,包括以下步骤:
获取待预测日的光辐照强度预报结果和天气类型预报结果;
将获取的光辐照强度预报结果输入到预设的基于极限学习机构建的映射模型中,得到待预测日的第一功率预测结果;
将获取的天气类型预报结果输入到预设的基于门控循环单元神经网络的预测模型中,得到待预测日的第二功率预测结果;
根据预设的遗传算法模型得到第一功率预测结果和第二功率预测结果权重系数,进而得到最终的功率预测结果。
本公开第二方面提供了一种基于小时级天气类型校正的光伏功率短期预测系统。
一种基于小时级天气类型校正的光伏功率短期预测系统,包括:
数据获取模块,被配置为:获取待预测日的光辐照强度预报结果和天气类型预报结果;
第一预测模块,被配置为:将获取的光辐照强度预报结果输入到预设的基于极限学习机构建的映射模型中,得到待预测日的第一功率预测结果;
第二预测模块,被配置为:将获取的天气类型预报结果输入到预设的基于门控循环单元神经网络的预测模型中,得到待预测日的第二功率预测结果;
预测融合模块,被配置为:根据预设的遗传算法模型得到第一功率预测结果和第二功率预测结果权重系数,进而得到最终的功率预测结果。
本公开第三方面提供了一种介质,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基于小时级天气类型校正的光伏功率短期预测方法中的步骤。
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基于小时级天气类型校正的光伏功率短期预测方法中的步骤。
与现有技术相比,本公开的有益效果是:
1、本公开所述的方法、系统、介质或电子设备,充分考虑了电站在极端天气条件下普遍存在的预测精度不足的问题,首先通过光辐照预报值的变换建立适应性与鲁棒性较强的主映射模型,其次通过小时级的功率差值校正量反馈到主模型中,在保证模型通用性的基础上同时充分考虑了极端天气的特性情况。
2、本公开所述的方法、系统、介质或电子设备,针对人工智能算法在光伏电站预测应用时存在的稳定性与鲁棒性问题,通过建立小时级天气类型校正网络并作用于每日光辐照度-功率输出ELM映射模型,解决了在极端天气类型下存在的稳定性难题,提升了模型总体鲁棒性能。
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提供的辐照度预报信息修正示意图。
图2为本公开实施例1提供的ELM映射网络结构示意图。
图3为本公开实施例1提供的GRU辅助校正模型示意图。
图4为本公开实施例1提供的光伏功率短期预测整体方法框架示意图。
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,以下详细说明都是例示性的,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1-4所示,本公开实施例1提供了一种基于小时级天气类型校正的光伏功率短期预测方法,包括以下步骤:
获取待预测日的光辐照强度预报结果和天气类型预报结果;
将获取的光辐照强度预报结果输入到预设的基于极限学习机构建的映射模型中,得到待预测日的第一功率预测结果;
将获取的天气类型预报结果输入到预设的基于门控循环单元神经网络的预测模型中,得到待预测日的第二功率预测结果;
根据预设的遗传算法模型得到第一功率预测结果和第二功率预测结果权重系数,进而得到最终的功率预测结果。
具体的,包括以下内容:
首先根据第三方气象预报信息机构获得的该地每日小时级光辐照强度进行数据插值扩充,由24点小时光辐照强度通过interp1d函数插值扩充为15分钟级96点数据;
接下来通过电站一年内气象站采集光辐照强度的实际值与所存一年光辐照强度预报值进行对比误差分析。
在不同天气类型下,基于误差统计分析校正下一日光辐照强度值,得到适用于该站点的辐照度预报趋势。
随后基于ELM建立电站每日光辐照度-功率输出映射模型,通过验证集,交叉验证或弃一法交叉验证(ELM中最有效)来找到神经元的最佳数量,确定最佳映射模型。
由于每日光辐照强度呈现弧线趋势,在极端天气类型下的准确度很低并无法提供可靠的趋势参考。
若输出样本通过使用极限学习机以零误差逼近,过程表示为公式(1):
其中,L表示隐含层的节点个数,βj为隐含层与输出层之间的权重向量,g(·)表示的是激活函数,ωj表示输入层与隐含层之间的权重向量,bj为隐含曾第j个神经节点的阈值,如下式:
Y=Hβ (2)
其中,β=[β1,β2,…,βL]表示权重矩阵,Y=[y1,y2,…,yN]代表目标输出矩阵,H为隐含层的输出矩阵。
然而,节点数L远小于训练样本的数量N,同时输出权重矩阵又是一个非奇异矩阵,极限学习机不可能以零误差逼近目标输出。
因此根据下式采用Moore-Penrose广义逆运算来获取近似的输出权重β*,其中H+代表输出矩阵的广义逆:
β*=H+Y (4)
其次,通过小时级的天气类型(晴、阴、雨)将模糊情况具体化,形成输入信息为天气类型和输出为历史功率趋势的GRU深度网络模型,依靠其对历史功率趋势的深度挖掘能力,建立服务于主体ELM映射模型的校正神经网络,模型输入为天气类型预测信息。
如下式所示:
zt=σ(Vxzxt+Whzht-1+pz) (5)
rt=σ(Vxrxt+Whrht-1+pr) (6)
ct=tanh(Vxcxt+Whc(rt⊙ht-1)+pc) (7)
ht=(1-zt)⊙ht-1+zt⊙ct (8)
σ(t)=1/(1+e-t) (9)
tanh(t)=(et-e-t)/(et+e-t) (10)
其中,xt表示时间序列样本中的第t个样本,ct表示侯选状态,ht表示隐藏状态的输出,σ为更新门和复位门的激活函数,tanh是候选状态的激活函数,⊙表示点积操作,Vxz,Vxr和Vxc分别表示输入层、更新门、复位门与候选状态之间的权重向量,Whz、Whr和Whc代表循环连接的权重向量,pz、pr和pc是相应的偏置。
通过校正网络的不断更新优化,得到的校正结果与映射主体模型输出。最终借助遗传算法优化两输出的权重比,使得两种预测功率输出在不同气象类型下保证较好的通用性,具体流程图如图4所示。
本实施例所述的方法充分考虑了电站在极端天气条件下普遍存在的预测精度不足的问题,首先通过光辐照预报值的变换建立适应性与鲁棒性较强的主映射模型,其次通过小时级的功率差值校正量反馈到主模型中,在保证模型通用性的基础上同时充分考虑了极端天气的特性情况。
实施例2:
本公开实施例2提供了一种基于小时级天气类型校正的光伏功率短期预测系统,包括:
数据获取模块,被配置为:获取待预测日的光辐照强度预报结果和天气类型预报结果;
第一预测模块,被配置为:将获取的光辐照强度预报结果输入到预设的基于极限学习机构建的映射模型中,得到待预测日的第一功率预测结果;
第二预测模块,被配置为:将获取的天气类型预报结果输入到预设的基于门控循环单元神经网络的预测模型中,得到待预测日的第二功率预测结果;
预测融合模块,被配置为:根据预设的遗传算法模型得到第一功率预测结果和第二功率预测结果权重系数,进而得到最终的功率预测结果。
所述系统的工作方法与实施例1提供的基于小时级天气类型校正的光伏功率短期预测方法相同,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所述的基于小时级天气类型校正的光伏功率短期预测方法中的步骤,所述步骤为:
获取待预测日的光辐照强度预报结果和天气类型预报结果;
将获取的光辐照强度预报结果输入到预设的基于极限学习机构建的映射模型中,得到待预测日的第一功率预测结果;
将获取的天气类型预报结果输入到预设的基于门控循环单元神经网络的预测模型中,得到待预测日的第二功率预测结果;
根据预设的遗传算法模型得到第一功率预测结果和第二功率预测结果权重系数,进而得到最终的功率预测结果。
详细步骤与实施例1提供的基于小时级天气类型校正的光伏功率短期预测方法相同,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所述的基于小时级天气类型校正的光伏功率短期预测方法中的步骤,所述步骤为:
获取待预测日的光辐照强度预报结果和天气类型预报结果;
将获取的光辐照强度预报结果输入到预设的基于极限学习机构建的映射模型中,得到待预测日的第一功率预测结果;
将获取的天气类型预报结果输入到预设的基于门控循环单元神经网络的预测模型中,得到待预测日的第二功率预测结果;
根据预设的遗传算法模型得到第一功率预测结果和第二功率预测结果权重系数,进而得到最终的功率预测结果。
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 (8)
1.一种基于小时级天气类型校正的光伏功率短期预测方法,其特征在于:包括以下步骤:
获取待预测日的光辐照强度预报结果和天气类型预报结果;获取每日小时级光辐照强度数据,由小时级光辐照强度数据插值扩充为15分钟级光辐照强度数据作为映射模型的输入;获取预设时间段内的光辐照强度的实际值与预报值并进行误差分析,利用误差分析结果校正待预测日的光辐照强度值,得到最终的待预测日的光辐照强度预报结果;
将获取的光辐照强度预报结果输入到预设的基于极限学习机构建的映射模型中,得到待预测日的第一功率预测结果;将获取的天气类型预报结果输入到预设的基于门控循环单元神经网络的预测模型中,得到待预测日的第二功率预测结果;
根据预设的遗传算法模型得到第一功率预测结果和第二功率预测结果权重系数,进而得到最终的功率预测结果;通过光辐照预报值的变换建立主映射模型,再通过小时级的功率差值校正量反馈到主映射模型中。
2.如权利要求1所述的基于小时级天气类型校正的光伏功率短期预测方法,其特征在于:
通过interp1d函数将小时级光辐照强度数据插值扩充为15分钟级光辐照强度数据。
3.如权利要求1所述的基于小时级天气类型校正的光伏功率短期预测方法,其特征在于:
采用Moore-Penrose广义逆运算获取基于极限学习机构建的映射模型的输出权重。
4.如权利要求1所述的基于小时级天气类型校正的光伏功率短期预测方法,其特征在于:
天气类型至少包括阴天、晴天和雨天。
5.如权利要求1所述的基于小时级天气类型校正的光伏功率短期预测方法,其特征在于:
通过验证集,交叉验证或弃一法交叉验证找到映射模型中神经元的最佳数量,确定最佳映射模型。
6.一种基于小时级天气类型校正的光伏功率短期预测系统,其特征在于:包括:
数据获取模块,被配置为:获取待预测日的光辐照强度预报结果和天气类型预报结果;获取每日小时级光辐照强度数据,由小时级光辐照强度数据插值扩充为15分钟级光辐照强度数据作为映射模型的输入;获取预设时间段内的光辐照强度的实际值与预报值并进行误差分析,利用误差分析结果校正待预测日的光辐照强度值,得到最终的待预测日的光辐照强度预报结果;
第一预测模块,被配置为:将获取的光辐照强度预报结果输入到预设的基于极限学习机构建的映射模型中,得到待预测日的第一功率预测结果;第二预测模块,被配置为:将获取的天气类型预报结果输入到预设的基于门控循环单元神经网络的预测模型中,得到待预测日的第二功率预测结果;
预测融合模块,被配置为:根据预设的遗传算法模型得到第一功率预测结果和第二功率预测结果权重系数,进而得到最终的功率预测结果;通过光辐照预报值的变换建立主映射模型,再通过小时级的功率差值校正量反馈到主映射模型中。
7.一种介质,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1-5任一项所述的基于小时级天气类型校正的光伏功率短期预测方法中的步骤。
8.一种电子设备,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1-5任一项所述的基于小时级天气类型校正的光伏功率短期预测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110211277.9A CN112926653B (zh) | 2021-02-25 | 2021-02-25 | 基于小时级天气类型校正的光伏功率短期预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110211277.9A CN112926653B (zh) | 2021-02-25 | 2021-02-25 | 基于小时级天气类型校正的光伏功率短期预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112926653A CN112926653A (zh) | 2021-06-08 |
CN112926653B true CN112926653B (zh) | 2022-08-26 |
Family
ID=76171805
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110211277.9A Active CN112926653B (zh) | 2021-02-25 | 2021-02-25 | 基于小时级天气类型校正的光伏功率短期预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112926653B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115222024B (zh) * | 2022-09-05 | 2023-01-24 | 广东电网有限责任公司湛江供电局 | 基于深度特征选择网络的短期光伏发电预测方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108280551A (zh) * | 2018-02-02 | 2018-07-13 | 华北电力大学 | 一种利用长短期记忆网络的光伏发电功率预测方法 |
CN108985521A (zh) * | 2018-08-02 | 2018-12-11 | 广东工业大学 | 光伏发电系统的输出功率预测方法、装置、设备及介质 |
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 |
CN111242371A (zh) * | 2020-01-10 | 2020-06-05 | 华北电力大学 | 一种基于非迭代多模型的光伏发电短期预测校正方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110322364B (zh) * | 2019-06-19 | 2020-08-25 | 山东大学 | 一种短期光伏发电预测方法及系统 |
CN110334870B (zh) * | 2019-07-09 | 2022-05-31 | 福州大学 | 基于门控循环单元网络的光伏电站短期功率预测方法 |
CN110705789A (zh) * | 2019-09-30 | 2020-01-17 | 国网青海省电力公司经济技术研究院 | 一种光伏电站短期功率预测方法 |
-
2021
- 2021-02-25 CN CN202110211277.9A patent/CN112926653B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108280551A (zh) * | 2018-02-02 | 2018-07-13 | 华北电力大学 | 一种利用长短期记忆网络的光伏发电功率预测方法 |
CN108985521A (zh) * | 2018-08-02 | 2018-12-11 | 广东工业大学 | 光伏发电系统的输出功率预测方法、装置、设备及介质 |
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 |
CN111242371A (zh) * | 2020-01-10 | 2020-06-05 | 华北电力大学 | 一种基于非迭代多模型的光伏发电短期预测校正方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112926653A (zh) | 2021-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111008728A (zh) | 一种用于分布式光伏发电系统短期出力的预测方法 | |
CN113128793A (zh) | 一种基于多源数据融合的光伏功率组合预测方法及系统 | |
CN112733462B (zh) | 一种结合气象因素的超短期风电场功率预测方法 | |
CN111091139A (zh) | 相似日聚类的光伏预测方法、装置、设备及可读存储介质 | |
CN109002948B (zh) | 基于cda-bp的微电网短期光伏发电功率预测方法 | |
CN110232476B (zh) | 一种基于深度学习的微电网负荷预测方法 | |
CN109978283B (zh) | 一种基于分支进化神经网络的光伏发电功率预测方法 | |
CN104978613A (zh) | 一种考虑组件温度的光伏出力短期预测方法 | |
CN111367349A (zh) | 一种基于预测模型的光伏mppt控制方法及系统 | |
CN106920014A (zh) | 一种短时负荷预测方法及装置 | |
CN105447509A (zh) | 一种光伏发电系统的短期功率预测方法 | |
CN110729764A (zh) | 一种含光伏发电系统的优化调度方法 | |
Huang et al. | A novel spline model guided maximum power point tracking method for photovoltaic systems | |
CN106779175B (zh) | 一种考虑分时段的非线性光伏出力预测方法 | |
CN105426989A (zh) | 基于eemd和组合核rvm的光伏功率短期预测方法 | |
CN114792156A (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和系统 | |
CN112926653B (zh) | 基于小时级天气类型校正的光伏功率短期预测方法及系统 | |
CN115115127A (zh) | 一种基于深度学习的低压台区智能调控方法及系统 | |
CN110866633A (zh) | 一种基于svr支持向量回归的微电网超短期负荷预测方法 | |
CN112508279A (zh) | 基于空间相关性的区域分布式光伏预测方法及系统 | |
CN115906408A (zh) | 基于建筑负荷预测的能源调度系统及方法 | |
Choulli et al. | Hybrid optimization based on the analytical approach and the particle swarm optimization algorithm (Ana-PSO) for the extraction of single and double diode models parameters | |
CN109447843B (zh) | 一种光伏出力预测方法及装置 | |
CN116167508B (zh) | 一种基于气象因素分解的短期光伏出力快速预测方法及系统 | |
CN113205228A (zh) | 一种短期风力发电输出功率的预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20210608 Assignee: AOTAI ELECTRIC Co.,Ltd. Assignor: SHANDONG University Contract record no.: X2023980037504 Denomination of invention: A short-term prediction method and system for photovoltaic power based on hourly weather type correction Granted publication date: 20220826 License type: Exclusive License Record date: 20230704 |