CN113159102B - 一种多时间尺度的光伏功率预测方法及系统 - Google Patents

一种多时间尺度的光伏功率预测方法及系统 Download PDF

Info

Publication number
CN113159102B
CN113159102B CN202110205598.8A CN202110205598A CN113159102B CN 113159102 B CN113159102 B CN 113159102B CN 202110205598 A CN202110205598 A CN 202110205598A CN 113159102 B CN113159102 B CN 113159102B
Authority
CN
China
Prior art keywords
prediction
power
predicted
time period
component
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
Application number
CN202110205598.8A
Other languages
English (en)
Other versions
CN113159102A (zh
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 CN202110205598.8A priority Critical patent/CN113159102B/zh
Publication of CN113159102A publication Critical patent/CN113159102A/zh
Application granted granted Critical
Publication of CN113159102B publication Critical patent/CN113159102B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas 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

Abstract

本公开公开的一种多时间尺度的光伏功率预测方法及系统，包括：获取历史功率数据；将历史功率数据输入训练好的功率预测模型中，输出待预测时刻的功率预测结果；将待预测时刻的功率预测结果作为训练好的功率预测模型的输入进行滚动预测，输出待预测时间段的预测功率。实现了同时输出光伏功率的超短期预测和短期预测结果。

Description

一种多时间尺度的光伏功率预测方法及系统
技术领域
本发明涉及光伏功率预测技术领域，尤其涉及一种多时间尺度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信息，不必然构成在先技术。
当今社会，随着化石燃料的逐渐枯竭和生态环境的不断恶化，充分利用太阳能、风能等清洁的可再生能源具有十分重大的意义。我国的光伏发电产业发展迅速，全国累计装机容量逐年增加，新增装机容量连续五年居于全球首位，但是光伏发电量在全国发电总量中的占比仍然很低，仅占3.1％左右，距离光伏发电大规模并网运行还存在一定的距离。
与传统能源不同的是，光伏发电因为受太阳辐射和其他气象条件的影响，呈现出随机性和不确定性的特点，因此要成功地将光伏发电并网运行，需要对发电量进行准确的预测，方便调度部门合理规划，确保光伏并网的稳定运行。
检索发现，已有的专利大多是单一时间尺度的预测方法，对于15分钟的分辨率，相同的数据集只能进行超短期预测(提前15分钟)或短期预测(提前4小时)，如果要同时实现，需要采集两套数据，效率较低；且已有的预测方法大多为点预测，无法体现出预测结果的不确定性，难以进行调度决策和风险评估。
发明内容
本公开为了解决上述问题，提出了一种多时间尺度的光伏功率预测方法及系统，在获得某一时刻预测结果的基础上，进行滚动预测，获得某一预测时间段的功率预测结果，实现了通过同一套数据集同时进行超短期预测和短期预测的技术效果。
为实现上述目的，本公开采用如下技术方案：
第一方面，提出了一种多时间尺度的光伏功率预测方法，包括：
获取历史功率数据；
将历史功率数据输入训练好的功率预测模型中，输出待预测时刻的功率预测结果；
将待预测时刻的功率预测结果作为训练好的功率预测模型的输入进行滚动预测，输出待预测时间段的预测功率。
进一步的，还包括获取待预测时间段的误差区间，根据待预测时间段的误差区间和待测时间段的预测功率，获得待测时间段的功率预测区间。
第二方面，提出了一种多时间尺度的光伏功率预测系统，包括：
数据采集模块，用于获取历史功率数据；
点预测结果获取模块，用于将历史功率数据输入训练好的功率预测模型中，输出待预测时刻的功率预测结果；
待预测时间段的预测功率获取模块，用于将待预测时刻的功率预测结果作为训练好的功率预测模型的输入进行滚动预测，输出待预测时间段的预测功率。
第三方面，提出了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成一种多时间尺度的光伏功率预测方法所述的步骤。
第四方面，提出了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成一种多时间尺度的光伏功率预测方法所述的步骤。
与现有技术相比，本公开的有益效果为：
1、本公开能够通过一套数据集，实现光伏功率的超短期预测和短期预测，提高了预测的效率。
2、本公开在输出功率预测结果的基础上，还可以输出功率预测区间，体现预测结果不确定性关系区间，更利于调度部门进行全方面的调度决策和风险评估。
3、本公开改变了传统使用单一机器学习模型进行功率预测的思想，将机器学习和统计学方法相结的方法，充分发挥两者的优势，机器学习方法进行点预测，统计学方法进行区间预测，使得预测结果具有更好的参考价值。
本发明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，或通过本发明的实践了解到。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1为本公开实施例1公开的短期预测流程图；
图2为本公开实施例1公开的功率预测区间预测流程图。
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，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请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申请的示例性实施方式。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。
在本公开中，术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，只是为了便于叙述本公开各部件或元件结构关系而确定的关系词，并非特指本公开中任一部件或元件，不能理解为对本公开的限制。
本公开中，术语如“固接”、“相连”、“连接”等应做广义理解，表示可以是固定连接，也可以是一体地连接或可拆卸连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员，可以根据具体情况确定上述术语在本公开中的具体含义，不能理解为对本公开的限制。
实施例1
在该实施例中，公开了一种多时间尺度的光伏功率预测方法，包括：
获取历史功率数据；
将历史功率数据输入训练好的功率预测模型中，输出待预测时刻的功率预测结果；
将待预测时刻的功率预测结果作为训练好的功率预测模型的输入进行滚动预测，输出待预测时间段的预测功率。
进一步的，功率预测模型包括小波分解算法、SVM模型和ARIMA模型，功率预测模型的数据出力过程包括：将历史功率数据经小波分解后获得趋势项分量和随机项分量，将趋势项分量输入SVM模型中，输出趋势项的预测分量，将随机项分量输入ARIMA模型中，输出随机项的预测分量，将趋势项的预测分量和随机项的预测分量叠加，获得待预测时刻的功率预测结果。
进一步的，趋势项分量为一项，随机项分量为多项，对每项随机项分量进行预测，输出每项随机项的预测分量。
进一步的，趋势项反映历史功率数据的总体变化趋势；随机项反映历史功率数据在局部的波动特性。
进一步的，选取预测日之前15天，每天6点-18点的功率数据作为历史功率数据，功率数据的时间分辨率为15分钟。
进一步的，还包括，获取待预测时间段的误差区间，根据待预测时间段的误差区间和待测时间段的预测功率，获得待测时间段的功率预测区间。
进一步的，获取待预测时间段的误差区间的过程为：
获取多个设定时间段的实际功率和预测功率；
根据实际功率和预测功率计算每个设定时间段的预测误差；
根据核函数对各设定时间段内的预测误差进行计算获得误差的概率密度和分布函数；
根据误差的分布函数获得预测时间段的误差区间。
结合图1、2对本实施例公开的一种多时间尺度的光伏功率预测方法进行详细说明。
获取历史功率数据，选择预测日之前15天，每天6点-18点的功率数据作为样本，功率数据的时间分辨率为15分钟，共900个数据点。
对历史功率数据进行分解，具体为：光伏功率数据具有随机性和波动性的特点，而小波分析可分析并表现出信号非线性、非平稳性的局部特性。为了保证分解之后再重构的结果与原始数据最为接近，采用dh4小波基，分解尺度设为3对历史功率数据进行分解，分解后共得到1个趋势项和3个随机项，趋势项分量曲线较为平缓，反映样本数据的总体变化趋势；而随机项分量曲线波动性较强，反映样本数据在局部的波动特性。
对于趋势项分量采用训练好的SVM模型进行预测，输出趋势项的预测分量，对于每项随机项采用提取信息能力强的训练好的ARIMA模型进行预测，输出每一项随机项的预测分量，将趋势项的预测分量和所有随机项的预测分量进行小波重构，叠加后形成待预测时刻的功率预测结果，由于功率数据的时间分辨率为15分钟，故此处输出未来15分钟的功率预测结果，实现超短期预测。
将获得待预测时刻的功率预测结果作为训练好的功率预测模型的输入进行滚动预测，输出待预测时间段的预测功率，实现短期预测，假设对未来4小时进行功率预测，则将功率预测模型滚动预测16次，每次滚动预测的预测值均作为功率预测模型新的输入得到未来4小时的功率预测结果。
故通过本实施例公开的一种多时间尺度的光伏功率预测方法，能够最终输出15分钟和4小时的多时间尺度点功率预测结果，实现了超短期预测和短期预测。
本公开在实现光伏功率的超短期预测和短期预测的基础上，还能够获得待测时间段的功率预测区间，如图2所示，具体为：
获取多个设定时间段的实际功率和预测功率，具体为：获取预测日前15天的实际功率和预测功率数据，将数据按照时间段划分为6点-9点，9点-12点，12点-15点，15点-18点四个时间段，其中设定时间段的预测功率数据由图1的方法获得。
根据实际功率和预测功率计算每个设定时间段的预测误差ei。
根据核函数求得预测误差e的概率密度
Figure BDA0002950403530000071
Figure BDA0002950403530000072
式中：N为样本总量；h为带宽；ei为第i个误差样本值；K(·)为核函数，常用的有高斯核，均匀核，三角核，本实施例采用的核函数为高斯核函数
Figure BDA0002950403530000081
误差的概率密度
Figure BDA0002950403530000082
计算获得误差的分布函数F(x)，从而获得置信度为1-α下的功率预测区间：
Figure BDA0002950403530000083
式中：
Figure BDA0002950403530000084
为待预测时间段的功率预测值，F-1(x)为F(x)的反函数。
模型性能评估：采用均方根误差(RMSE)、均方误差(MSE)和平均绝对误差(MAE)来评估功率预测模型的性能，三个值越小代表性能越好，采用预测区间覆盖率(PICP)来评估功率预测区间预测模型的性能，预测区间覆盖的实际功率样本越多，模型性能越好。
本实施例采用了基于小波变换和时间序列预测模型的方法进行点预测，为了降低数据波动性，通过小波变换将功率数据分解为随机项和趋势项，利用支持向量机(SupportVector Machine,SVM)模型预测趋势项，利用自回归移动平均(AutoregressiveIntegrated Moving Average model,ARIMA)模型预测随机项，最后将各分量的预测结果叠加得到点预测结果，通过滚动预测得到不同时间尺度的预测值；根据点预测结果，统计各时段的预测误差，采用核密度估计(kernel density estimation，KDE)计算误差分布，计算出误差区间，进而得到功率的预测区间，最后从可靠性核敏锐度两方面进行预测区间的评价，验证预测精度。
本实施例提出的一种基于多时间尺度的光伏功率预测方法，不仅可以输出点预测结果，还可以输出功率预测区间，同时体现预测结果不确定性关系区间。兼具超短期和短期两种时间尺度，更利于调度部门进行全方面的调度决策和风险评估。本发明改变了传统使用单一机器学习模型进行功率预测的思想，将机器学习和统计学方法相结的方法，充分发挥两者的优势，机器学习方法进行点预测，统计学方法进行区间预测，使得预测结果具有更好的参考价值。
实施例2
在该实施例中，公开了一种多时间尺度的光伏功率预测系统，包括：
数据采集模块，用于获取历史功率数据；
点预测结果获取模块，用于将历史功率数据输入训练好的功率预测模型中，输出待预测时刻的功率预测结果；
待预测时间段的预测功率获取模块，用于将待预测时刻的功率预测结果作为训练好的功率预测模型的输入进行滚动预测，输出待预测时间段的预测功率。
实施例3
在该实施例中，公开了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1公开的一种多时间尺度的光伏功率预测方法所述的步骤。
实施例4
在该实施例中，公开了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例1公开的一种多时间尺度的光伏功率预测方法所述的步骤。
以上仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请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、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、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。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (7)

1.一种多时间尺度的光伏功率预测方法，其特征在于，包括：
获取历史功率数据；
将历史功率数据输入训练好的功率预测模型中，输出待预测时刻的功率预测结果；功率预测模型的数据处理过程包括：历史功率数据经小波分解后获得趋势项分量和随机项分量，将趋势项分量输入SVM模型中，输出趋势项的预测分量，将随机项分量输入ARIMA模型中，输出随机项的预测分量，将趋势项的预测分量和随机项的预测分量叠加，获得待预测时刻的功率预测结果；
将待预测时刻的功率预测结果作为训练好的功率预测模型的输入进行滚动预测，输出待预测时间段的预测功率，可得到未来不同时刻的预测结果，即实现多时间尺度预测；
获取待预测时间段的误差区间，根据待预测时间段的误差区间和待测时间段的预测功率，获得待测时间段的功率预测区间；
获取待预测时间段的误差区间的过程为：
获取多个设定时间段的实际功率和预测功率；
根据实际功率和预测功率计算每个设定时间段的预测误差；
根据核函数对各设定时间段内的预测误差进行计算获得误差的概率密度和分布函数；求得的预测误差e的概率密度：
Figure FDA0003762347930000011
式中：N为样本总量；h为带宽；ei为第i个误差样本值；K(·)为核函数，采用高斯核函数
Figure FDA0003762347930000012
根据误差的分布函数获得待预测时间段的误差区间。
2.如权利要求1所述的一种多时间尺度的光伏功率预测方法，其特征在于，趋势项分量为一项，随机项分量为多项，对每项随机项分量进行预测，输出每项随机项的预测分量。
3.如权利要求1所述的一种多时间尺度的光伏功率预测方法，其特征在于，趋势项反映历史功率数据的总体变化趋势；随机项反映历史功率数据在局部的波动特性。
4.如权利要求1所述的一种多时间尺度的光伏功率预测方法，其特征在于，选取预测日之前15天，每天6点-18点的功率数据作为历史功率数据，功率数据的时间分辨率为15分钟。
5.一种多时间尺度的光伏功率预测系统，执行如权利要求1-4任一项所述的一种多时间尺度的光伏功率预测方法，其特征在于，包括：
数据采集模块，用于获取历史功率数据；
点预测结果获取模块，用于将历史功率数据输入训练好的功率预测模型中，输出待预测时刻的功率预测结果；
待预测时间段的预测功率获取模块，用于将待预测时刻的功率预测结果作为训练好的功率预测模型的输入进行滚动预测，输出待预测时间段的预测功率。
6.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-4任一项所述的一种多时间尺度的光伏功率预测方法的步骤。
7.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-4任一项所述的一种多时间尺度的光伏功率预测方法的步骤。
CN202110205598.8A 2021-02-24 2021-02-24 一种多时间尺度的光伏功率预测方法及系统 Active CN113159102B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110205598.8A CN113159102B (zh) 2021-02-24 2021-02-24 一种多时间尺度的光伏功率预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110205598.8A CN113159102B (zh) 2021-02-24 2021-02-24 一种多时间尺度的光伏功率预测方法及系统

Publications (2)

Publication Number Publication Date
CN113159102A CN113159102A (zh) 2021-07-23
CN113159102B true CN113159102B (zh) 2023-02-10

Family

ID=76883328

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110205598.8A Active CN113159102B (zh) 2021-02-24 2021-02-24 一种多时间尺度的光伏功率预测方法及系统

Country Status (1)

Country Link
CN (1) CN113159102B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114881341B (zh) * 2022-05-19 2023-04-07 中山大学 一种基于逆向预测历史数据集的光伏功率预测方法及系统
CN116404645B (zh) * 2023-06-07 2023-08-25 山东大学 考虑时空相关特性的分布式光伏短期功率预测方法及系统
CN117332901A (zh) * 2023-10-17 2024-01-02 南方电网数字电网研究院有限公司 采用分层时间聚合策略的新能源小时间尺度功率预测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110571850A (zh) * 2019-08-28 2019-12-13 中国农业大学 一种风电场功率波动轨迹预测和校正控制方法
WO2020143104A1 (zh) * 2019-01-08 2020-07-16 南京工程学院 一种考虑阻塞和储能分时电价的电网混合滚动调度方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105184679A (zh) * 2015-09-22 2015-12-23 国网山东省电力公司电力科学研究院 一种风电场功率多时间尺度联合预测方法
CN105760961A (zh) * 2016-03-08 2016-07-13 广州供电局有限公司 光伏输出功率预测方法和系统
CN107909227B (zh) * 2017-12-20 2022-07-15 北京金风慧能技术有限公司 超短期预测风电场功率的方法、装置及风力发电机组
CN108205717A (zh) * 2017-12-30 2018-06-26 国网江苏省电力公司无锡供电公司 一种光伏发电功率多时间尺度预测方法
CN111525552B (zh) * 2020-04-22 2023-06-09 大连理工大学 一种基于特征信息的三阶段短期风电场群功率预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020143104A1 (zh) * 2019-01-08 2020-07-16 南京工程学院 一种考虑阻塞和储能分时电价的电网混合滚动调度方法
CN110571850A (zh) * 2019-08-28 2019-12-13 中国农业大学 一种风电场功率波动轨迹预测和校正控制方法

Also Published As

Publication number Publication date
CN113159102A (zh) 2021-07-23

Similar Documents

Publication Publication Date Title
CN113159102B (zh) 一种多时间尺度的光伏功率预测方法及系统
Zhao et al. Multi-step wind speed and power forecasts based on a WRF simulation and an optimized association method
Tabone et al. Modeling variability and uncertainty of photovoltaic generation: A hidden state spatial statistical approach
CN102663513B (zh) 利用灰色关联度分析的风电场功率组合预测建模方法
CN112529282A (zh) 基于时空图卷积神经网络的风电场集群短期功率预测方法
CN107194495B (zh) 一种基于历史数据挖掘的光伏功率纵向预测方法
Sun et al. Research on ultra-short-term wind power prediction considering source relevance
CN106295899B (zh) 基于遗传算法与支持向量分位数回归的风电功率概率密度预测方法
CN112200377A (zh) 基于sarimax模型的光伏中长期发电量预报方法及装置
CN109255728B (zh) 混沌相空间优化重构的光伏发电功率神经网络预测法
CN108717579B (zh) 一种短期风电功率区间预测方法
CN111582551A (zh) 风电场短期风速预测方法、系统及电子设备
CN111242355A (zh) 一种基于贝叶斯神经网络的光伏概率预测方法及系统
CN112580874A (zh) 一种基于随机森林算法和tcn的短期风电功率预测方法
CN114819374A (zh) 区域新能源超短期功率预测方法及系统
CN115034485A (zh) 一种基于数据空间的风电功率区间预测方法及装置
CN114266416A (zh) 基于相似日的光伏发电功率短期预测方法、装置及存储介质
CN113837434A (zh) 太阳能光伏发电预测方法、装置、电子设备和存储介质
CN114154684A (zh) 基于数据挖掘和多核支持向量机的短期光伏功率预测方法
Feng et al. A novel hybrid model for short-term prediction of PV power based on KS-CEEMDAN-SE-LSTM
CN110555566B (zh) 一种基于b样条分位数回归的光电概率密度预测方法
Hu et al. Scenario reduction based on correlation sensitivity and its application in microgrid optimization
CN114282336A (zh) 一种新能源电站出力场景生成方法及系统
CN111612289A (zh) 基于新能源多场景风险特征导向的电力系统风险评估方法
CN116739172B (zh) 一种基于爬坡识别的海上风电功率超短期预测方法及装置

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