CN113496311A - 光伏电站发电功率预测方法及系统 - Google Patents
光伏电站发电功率预测方法及系统 Download PDFInfo
- Publication number
- CN113496311A CN113496311A CN202110713459.6A CN202110713459A CN113496311A CN 113496311 A CN113496311 A CN 113496311A CN 202110713459 A CN202110713459 A CN 202110713459A CN 113496311 A CN113496311 A CN 113496311A
- Authority
- CN
- China
- Prior art keywords
- data
- power
- photovoltaic power
- photovoltaic
- prediction
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000010248 power generation Methods 0.000 claims abstract description 65
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000005286 illumination Methods 0.000 claims abstract description 21
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 230000005855 radiation Effects 0.000 claims description 44
- 230000006870 function Effects 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 14
- 238000012417 linear regression Methods 0.000 claims description 11
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000011478 gradient descent method Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000005611 electricity Effects 0.000 abstract description 4
- 239000002699 waste material Substances 0.000 abstract description 4
- 238000005265 energy consumption Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 14
- 230000000875 corresponding effect Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 238000012360 testing method Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 4
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000443 aerosol Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000013215 result calculation Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
-
- 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
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W30/00—Technologies for solid waste management
- Y02W30/50—Reuse, recycling or recovery technologies
- Y02W30/82—Recycling of waste of electrical or electronic equipment [WEEE]
-
- 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
本发明提供一种光伏电站发电功率预测方法及系统,属于发电功率技术领域,采集光伏电站的当前发电功率影响因素数据,输入训练好的发电功率预测模型进行分析,预测得到光伏电站的发电功率;其中,所述发电功率预测模型利用多组数据训练得到;所述多组数据均包括发电功率影响因素历史数据以及标注该影响因素历史数据下的实际发电功率的标签;所述发电功率影响因素历史数据包括:组件温度、环境温度、光照辐射度、气压、相对湿度以及气象数据。本发明利用采集到的大量数据,将辐照强度的预测加入到了光伏发电功率的预测中,有效提高负荷预测的准确度,指导电力负荷调度,通过启停调节发电机组,保证光伏发电能源消纳,减少光伏弃光弃电等资源浪费。
Description
技术领域
本发明涉及发电功率预测技术领域,具体涉及一种光伏电站发电功率预测方法及系统。
背景技术
光伏发电较常规发电方式(火电、水电、核电),优势明显,安全可靠,无污染排放,资源分布广泛等优点,目前光伏发电已成为第二大发电方式,且技术成熟、发展最为迅速、前景广阔,同时光伏发电具有明显的间歇性和随机波动性,传统发电方式发电负荷稳定可控,在长期的发展与实践工作中也积累了较多负荷预测与管控的经验,新能源发电作为近年发展迅猛的新兴领域。
但是,光伏发电缺乏高效的负荷管控手段,光伏发电限荷也会导致弃光弃电等资源浪费,其负荷预测、管控经验尚浅,随着光伏发电的发展,光伏发电的负荷波动对电力负荷调度管理影响越来越大,成为发电调度管控的一大短板,大规模光伏发电接入给电网调度管理带来巨大挑战。如何在满足安全稳定约束的前提下,最大限度地消纳这些可再生能源,成为新能源电力系统的研究热点。光伏发电功率预测可有效提供光伏发电负荷数据,可有效指导电网负荷调度,是解决此问题的关键技术之一。
目前我国在已经投运的大规模并网型光伏电站当中,由于光伏发电的间歇性和强依赖于天气因素,其发电功率预测的功能不够完善,性能指标和预测精度有待提高,不能满足电网调度管理和优化运行的需要,亟待幵发适应我国电网实际情况的光伏电站发电功率预测系统。
发明内容
本发明的目的在于提供一种利用光伏电站现场采集到的数据,在光伏发电功率预测模型与方法研究基础上进行光伏发电功率预测,提高了发电功率预测准确度的光伏电站发电功率预测方法及系统,以解决上述背景技术中存在的至少一项技术问题。
为了实现上述目的,本发明采取了如下技术方案:
一方面,本发明提供的一种光伏电站发电功率预测方法,包括:
采集光伏电站的当前发电功率影响因素数据,输入训练好的发电功率预测模型进行分析,预测得到光伏电站的发电功率;其中,所述发电功率预测模型利用多组数据训练得到;
所述多组数据均包括发电功率影响因素历史数据以及标注该影响因素历史数据下的实际发电功率的标签;所述发电功率影响因素历史数据包括:组件温度、环境温度、光照辐射度、气压、相对湿度以及气象数据。
优选的,基于所述多组数据,采用线性回归方法,训练得到所述发电功率预测模型。
优选的,对数据集按照天气类型进行划分,对每一种天气类型采用线性回归方法进行发电功率预测模型训练。
优选的,基于所述多组数据,采用随机批量梯度下降方法对LSTM网络进行训练,不断地调整网络的权值和阈值,以使损失值达到最小,建立LSTM短期光伏功率预测模型,即为所述发电功率预测模型。
优选的,建立LSTM短期光伏功率预测模型包括:对多组数据中发电功率影响因素数据与实际发电功率进行相关性分析,并进行预处理;确定LSTM网络结构和相应的训练参数,建立用于预测光伏发电功率的LSTM深度学习网络;采用随机批量梯度下降方法对LSTM深度学习网络进行训练,持续不断地调整网络的权值和阈值,以使损失值达到最小,得到LSTM短期光伏功率预测模型。
优选的,确定相应的训练参数包括输入层维数、输入层时间步数、隐含层的数目、每个隐含层的维数、输出层的维数以及设置网络的激活函数、损失函数、优化器。
优选的,采集大气层外切平面太阳能辐射历史数据和地面气象监测站太阳能辐射历史数据,根据辐射关系式,进行近地面光照幅度预测,结合大气层外切平面太阳能辐射实测数据、地面气象监测站太阳能辐射实测数据以及光伏组件实时运行数据,进行基于近地面光照幅度的发电功率预测。
第二方面,本发明提供一种光伏电站发电功率预测系统,包括:
采集模块,用于采集光伏电站的当前发电功率影响因素数据,输入训练好的发电功率预测模型;
预测模块,用于训练好的发电功率预测模型对采集光伏电站的当前发电功率影响因素数据进行分析,预测得到光伏电站的发电功率;其中,所述发电功率预测模型利用多组数据训练得到;所述多组数据均包括发电功率影响因素历史数据以及标注该影响因素历史数据下的实际发电功率的标签;所述发电功率影响因素历史数据包括:组件温度、环境温度、光照辐射度、气压、相对湿度以及气象数据。
第三方面,本发明提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质包括用于执行如上所述的光伏电站发电功率预测方法的指令。
第四方面,本发明提供一种电子设备,包括如上所述的非暂态计算机可读存储介质;以及能够执行所述非暂态计算机可读存储介质的所述指令的一个或多个处理器。
本发明有益效果:利用采集到的大量数据,将辐照强度的预测加入到了光伏发电功率的预测中,有效提高负荷预测的准确度,指导电力负荷调度,通过启停调节发电机组,保证光伏发电能源消纳,减少光伏弃光弃电等资源浪费。
本发明附加的方面和优点将在下面的描述中部分给出,这些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
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例所述的总辐射度与发电功率关系示意图。
图2为本发明实施例所述的对数据集进行天气类型划分的流程示意图。
图3为本发明实施例所述的基于LSTM的预测模型的构建流程示意图。
图4为本发明实施例所述的LSTM神经网络结构示意图。
图5为本发明实施例所述的最优LSTM预测模型下训练阶段和测试阶段的损失函数与迭代次数关系图。
图6为本发明实施例所述的基于近地面光照幅度的预测模型构建流程图。
图7为本发明实施例所述的近地面太阳辐射度实测数据与大气层外切平面太阳辐射对比示意图。
图8为本发明实施例所述的大气外辐射与光伏电站实测数据拟合曲线示意图。
图9为本发明实施例所述的光伏电站发电功率预测模型构建流程示意图。
具体实施方式
下面详细叙述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。
还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件和/或它们的组。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
为便于理解本发明,下面结合附图以具体实施例对本发明作进一步解释说明,且具体实施例并不构成对本发明实施例的限定。
本领域技术人员应该理解,附图只是实施例的示意图,附图中的部件并不一定是实施本发明所必须的。
实施例1
本发明实施例1提供一种光伏电站发电功率预测系统,该系统包括:
采集模块,用于采集光伏电站的当前发电功率影响因素数据,输入训练好的发电功率预测模型;
预测模块,用于训练好的发电功率预测模型对采集光伏电站的当前发电功率影响因素数据进行分析,预测得到光伏电站的发电功率;其中,所述发电功率预测模型利用多组数据训练得到;所述多组数据均包括发电功率影响因素历史数据以及标注该影响因素历史数据下的实际发电功率的标签;所述发电功率影响因素历史数据包括:组件温度、环境温度、光照辐射度、气压、相对湿度以及气象数据。
利用上述的光伏电站发电功率预测系统实现了光伏电站发电功率预测方,该方法包括:
采集光伏电站的当前发电功率影响因素数据,输入训练好的发电功率预测模型进行分析,预测得到光伏电站的发电功率;其中,所述发电功率预测模型利用多组数据训练得到;
所述多组数据均包括发电功率影响因素历史数据以及标注该影响因素历史数据下的实际发电功率的标签;所述发电功率影响因素历史数据包括:组件温度、环境温度、光照辐射度、气压、相对湿度以及气象数据。
在本实施例中,数据集的建立包括:
在数据集方面,选取了某100MW集中式光伏站点,近4年全年数据,其中每天的采样区间设定为每隔15min进行一次采样。每个站点每天采集数据为96条数据,总数据集大小为140160条。数据集原始信息中含量:时间、组件温度、环境温度、光照辐射度、气压、相对湿度、实际发电功率等信息。同时我们从中国气象网站抓取了每个站点所在地区的天气信息,包括风力、天气类型、降水量等信息。最后将这些信息进行了整合,整合后的数据构成如下表1所示:
表1
在本实施例中,对影响因素进行相关性分析包括:
为了进一步分析原始数据集中各因素对光伏发电功率的影响程度,本实施例采用Pearson相关系数公式对其进行相关性分析,这是计算两变量之间关联程度的常用方法。其中Pearson相关系数公式表示如下:
选取100MW光伏电站4年记录的数据为例,应用Pearson相关系数公式计算光伏功率与上述各种气象因素之间的关联程度,计算结果如表2所示:
表2
总辐射和实际发电功率相关系数为:0.738417为强相关;组件温度和发电功率相关系数为:0.326672为弱相关;环境温度和发电功率相关系数为0.170288为弱相关。
在本实施例中,对数据预处理包括:
1)异常数据处理:
如图1所示,通过分析总光照幅度和发电功率的关系,可以发现有些数据在光照幅度很小时,发电功率却很大,这部分数据为异常数据需要去除。在处理方法上首先分析各因素在其在上下某一短时刻之内的变化基本上符合上一时刻的变化规律。
本实施例中,采用统计分析辨识法对异常数据进行分析处理。对计算获取的光伏功率影响因数历史统计数据的偏离水平进行分析比较,如果偏离水平小于1.5,那么就认为该组历史统计数据为合理可行数据,反之则认为该组数据为异常数据,需要对异常数据进行先剔除后填补。
2)缺失数据处理:
当要求数据具有连续性或者数据样本较小时,剔除缺失数据段会给预测精度带来较大影响,因而重构缺失数据很有必要。本实施例基于插值法,将缺失数据进行补全。
3)数据归一化:
由于光伏发电系统记录的历史数据中包含了较多的变量,每个变量具有不同的量纲而且大小不一,不利于进行数据特征的分析。为了消除数据之间由于量纲不同而产生的影响,同时避免运算节点进入饱和以及降低运算量,需要将不同表征的数据规约到一定的尺度内。本实施例中,将采用最大最小值归一化法将每条数据规约到[0,1]之间,归一化公式如下:
归一化后数据集如下表3所示。
表3
总辐射 | 组件温度 | 环境温度 | 气压 | 实际发电功率 | |
33 | 0.043150 | 0.045541 | 0.083333 | 0.774436 | 0.068302 |
34 | 0.124056 | 0.070209 | 0.099537 | 0.771930 | 0.095787 |
35 | 0.124056 | 0.102467 | 0.108796 | 0.776942 | 0.137280 |
36 | 0.207120 | 0.117647 | 0.122685 | 0.776942 | 0.180759 |
37 | 0.208198 | 0.174573 | 0.143519 | 0.776942 | 0.275729 |
- | - | - | - | - | - |
33929 | 0.303128 | 0.191651 | 0.219907 | 0.746867 | 0.675690 |
33930 | 0.325782 | 0.199241 | 0.224537 | 0.749373 | 0.693593 |
33931 | 0.350593 | 0.201139 | 0.226852 | 0.746867 | 0.716040 |
34917 | 0.006472 | 0.510436 | 0.613425 | 0.210526 | 0.154768 |
基于神经网络的光伏发电功率预测模型的评估方法有很多,在本实施例中,模型评估方法使用下面三种常用的计算方法对光伏功率预测模型进行效果评估:计算均方根误差(root-mean-squarederror,RMSE)方法、计算平均绝对误差(meanabsoluteerror,MAE)方法以及计算平均百分比误差(mean-absolute-percenterror,MAPE)方法。
在本实施例中,主要构建了三种预测模型,包括基于多元线性回归方法的预测模型、基于LSTM的预测模型以及基于近地面光照幅度的预测模型。
基于多元线性回归方法的预测模型:
1)建模流程:
太阳能光伏发电输出功率的影响因素有很多,所以线性回归模型通常会选择多元线性回归方法。多元回归的表达式如下所示:
y=β0+β1x1+β2x2+...+βixi,i=1,2,...,n;
构建预测模型,其中选取了光辐射、组件温度、相对湿度、天气、实际发电功率这5列数据。
将全年数据按照8:2的划分原则,选取80%数据作为训练集,20%数据进行测试。
此时基于全年数据的模型,在预测效果上并不理想,原因是改模型将晴天、阴天、雨天等天气状况的数据都放到了一起,照成预测效果并不理想。预测效果如下表4所示:
表4
预测数据 | RMSE | MAE | MAPE |
全年数据 | 0.376 | 0.334 | 0.383 |
2)模型优化:
由于在同一季节下,同类型天气有很大相似性,因此为了提高改模型的预测效果,本实施例采用如图2的方法有对数据集进行了详细的划分,按照各天气类型分别进行了数据集的划分。由于原始数据集天气类型繁多,包括大雨、小雨、中雨、小雪等天气,本文首先对天气类型归类整理。将天气类型统一表示为晴、晴转多云(多云转晴)、多云、阴、雨(雪)五种,分别用1、2、3、4、5表示。并对每一种天气类型进行模型训练。
本实施例中,以晴朗天气为例,数据集划分如下表5所示。
表5
通过对不同天气类型的数据集进行训练建模,各类型天气预测效果如下表6所示:
表6
通过分析发现基于多元线性回归预测方法在晴朗、阴天、多云状况下预测效果较好,其它天气状况,预测效果并不理想。进一步分析原因:这是由于晴朗天气下天气、温度、光照辐射等因素相对变化较少,多元线性模型可以进行拟合;而阴天和多云数据集较少,多元线性模型在进行小批量数据记上效果较好。而雨天天气状况,各影响因素变化较复杂,多元线性模型并不能很好的预测,这是由于在对天气进行合并时,雨天包括:小雨、中雨、大雨等多种数据类型。
基于LSTM的预测模型:
1)建模流程
如图3所示,建立LSTM短期光伏功率预测模型有两个关键的步骤:一个是数据集中气象及其他光伏功率影响因素的选取和预处理;另一个是模型结构和相应参数的确定。首先是数据预处理,从数据库中下载的数据还不可以直接使用,需要进行处理,先去除异常数据,再将数据集内的每个数据变量进行归一化到(0,1),使不同表征的数据规约到相同的尺度内,消除数据之间的量纲影响。然后建立用于预测光伏发电功率的LSTM深度学习网络。
LSTM模型需要确定5个参数:输入层维数、输入层时间步数、隐含层的数目、每个隐含层的维数、输出层的维数以及设置网络的激活函数、损失函数、优化器;最后是训练模型,先将预处理后的样本数据调整为LSTM网络所要求的格式,然后采用随机批量梯度下降方法对模型进行训练,持续不断地调整网络的权值和阈值,以使损失值达到最小。训练完成后还需要对模型进行测试和评估,使用测试数据集对训练得到的预测模型进行测试和效果评估,以确保所建立模型的有效性。保存模型,测试、评估合格的模型保存到计算机中,方便下次调用以进行发电功率的预测;预测光伏发电功率,从计算机存储单元中调用保存的光伏发电功率预测模型,计算得到光伏发电功率的预测值以进行相关的分析。
2)模型结构和参数设定
参考了国家电网短期负荷预测的规则,其一般是在当天预测第二天的负荷值,频率是每15分钟一个节点,一共96个节点。考虑到光伏发电的特性,采取在当天预测第二天5:00到19:00的功率值,预测频率为每15min一个节点,共96个节点的方式进行日前短期光伏发电功率预测。由于获取的数据集是每分钟一个数据点,需要将每10个数据点求一次平均值作为该时刻的数据。LSTM短期光伏功率预测模型的结构如图4所示,设输入时间步数为n1,输出时间步数为n2,则模型的输入数据为(T-n1)时刻到(T-1)时刻共n1个时间点的数据,特征数为历史功率和各气象特征共6个,即输入数据的维度为n1×6;输出数据为T时刻到(T+n2)时刻共n2个时间点的功率值,这里取n2=96,即输出数据的维度是1×6。输入数据经过LSTM层之后需要输入全连接层(Dense层)才能得到预测值,最后一Dense层的维度等于输出数据的维度。模型使用前n1个时间点的数据预测未来n2个时间点的输出功率值。
由于结构参数的设置并没有可靠的理论指导,只能通过实验结果进行调整。通过实验发现,模型结构参数的设置关键是对LSTM层数以及每层所含神经元数的设置,Dense层个数对精度的影响不大,但层数多会使训练速度变慢。对比实验结果后初定将Dense层数设置为1;LSTM层数设置为3,LSTM每层神经元数分别为50、32、16。通过进一步实验误差分析之后,再对网络结构进行优化。
3)预测效果分析
为了验证光伏发电功率LSTM深度学习模型的最终预测性能,本实施例使用该站点4年的光伏发电历史功率和对应的历史气象数据作为数据集,其中,的50%作为训练集,剩下的50%作为测试集,对LSTM模型进行多次训练和效果测试,选取性能最优的LSTM模型。基于LSTM深度学习模型预测效果如下表7所示:
表7
迭代次数 | RMSE | MAE | MAPE |
50 | 0.1251 | 0.0621 | 0.0496 |
最优模型下训练和测试阶段的损失函数如图5所示,纵轴为损失值,横轴为迭代次数。其中,基于LSTM对测试集中7天数据进行预测,对测试集中1个月数据进行预测。
从实验结果可知,基于LSTM的预测精度远高于基于多元线性回归的预测方法,同时当光伏电站数据集继续增大到10年左右规模时。效果将会更好,然而LSTM在基于小批量数据集上的预测时,发现预测效果反而不如多元线性回归方法,出现了欠拟合。
缺少太阳辐射数据下的功率预测模型:
目前国网调控系统各类系统中并不能找到光伏电站辐射数据,只有集中式光伏电站中,有光照幅度的采集装置,采集的信息是基于实时采集,并不能提前预知光照辐射信息,同时由于天气预报中也并不包含光照信息。同时光辐射数据对光伏电站功率的预测有重要意义。
基于上述问题,本实施例中,对缺少太阳辐射数据下的光伏电站的发电功率预测进行了方法的研究。
由于大气层外切平面的瞬时太阳辐射强度只与大气上界的太阳辐射强度和太阳辐射方向有关,这些都可以通过天文学有关公式精确计算得到。若知道近地面瞬时太阳辐射强度与大气层外切平面的瞬时太阳辐射强度之间的关系式,就可以实时推算出近地面的太阳辐射强度。光伏电站预测流程如图6所示。
1)大气层外辐射强度计算
在地球大气层上界平均日地距离处,垂直于太阳光方向单位面积上的太阳辐射能基本是一个常数,称之为太阳常数(Isc),其值约为1367W/m2。不同时间到达大气层上界的太阳辐射强度,可通过实际日地距离对太阳常数的修正来表示。
I=I0cosθ (公式4.6)
δ=23.45°sin[360°(284+N/365)] (3)
基于公式(1)到公式(6)计算出来大气外太阳辐射量。
2)辐射关系模型
通过上述公式计算某省某一地区某100MW集中式光伏电站。通过查询其中光伏电站所在地经纬度。计算该站2018年1月1日,6:00-18:00的大气层外切平面太阳辐射。取同一时间段的实测数据为样本,并与大气层外切平面太阳辐射进行对比,如图7所示。
以计算的大气外辐射结果数据集与光伏电站地面辐射实测数据,来进行多线式拟合,建立晴空幅射关系式y=ax2+bx+c,其中,y为自动监测站瞬时辐射数据,x为外切平面的瞬时太阳辐射强度、a、b、c为系数。
在数据选取方面,考虑到一年四个季节和天气情况,将一年的数据集分为春夏秋冬四个数据集,选取晴朗天气情况下数据分别进行拟合。由于太阳辐射量受天气类型、云量、气溶胶、大气颗粒状况等众多因素响应,因此在建模时,只对晴天天气状况进行了建模预测。其中大气外辐射与光伏电站实测数据拟合曲线如图8所示。
通过计算评估误差如下表8所示:
表8
天气类型 | RMSE | MAE | MAPE |
晴朗 | 9.126 | 7.634 | 7.187 |
该模型只考虑了晴朗天气状况进行了评估,由于影响太阳辐射的因素过多。同时太阳辐射受天气类型影响,因此只对晴天类型进行了建模预测。
综上所述,在本实施例中,光伏发电功率预测系统整个分析流程如图9所示。其中,离线模型的构建分析过程主要使用jupyter notebook来完成。
在本实施例中,构建的光伏电站发电功率预测系统功能是基于Web网站的来实现的,基于该系统实现了新能源站点的历史数据查看、报表交互式查询、自定义预测信息等功能。通过选择相应的站点可以查询相关站点的历史数据。同时系统提供了自定义预测功能,用户通过自定义模块选择相应的站点信息,填写相关天气、温度等数据后,点击数据提交后,web网站会调用响应的预测模型进行结果计算,并将预测结果返回。在用户交互方面,系统基于Echart的数据可视化展示。系统集成了echart的图标功能,并且提供了交互式的可视化展示功能。
该系统利用采集到的大量数据,合理的选用了近年来新出现的分析模型,有效提高了预测准确率。该系统采用了区别于常用的预测方法,将辐照强度的预测加入到了光伏发电功率的预测中,此方法对现有的预测方法是一个很好的补充和校正。
该光伏发电功率预测系统的预测精度,满足了国家下发的《光伏发电站功率预测系统技术要求(NB/T 32011-2013)》:7.1光伏发电站发电时段(不含出力受控时段)的短期预测月均方根误差应小于0.15,月合格率应大于80%;超短期预测第4小时月均方根误差应小于0.10,月合格率应大于85%。超过光伏发电站自身的预测精度。
该光伏发电功率预测系统可有效提高负荷预测的准确度,指导电力负荷调度,通过启停调节发电机组,保证光伏发电能源消纳,减少光伏弃光弃电等资源浪费。
该系统采集对应光伏电站的数据进行该光伏电站的发电功率的预测,对于任意一个光伏电站,在采集相应的数据后,自动训练适用于相应光伏电站的模型。也就是说,该系统适用于任何可采集到的相应数据的光伏电站。不仅如此,如果将分布式光伏数据进行整合处理,该系统同样适用于地区性的分布式光伏的发电功率预测。在将模型进行调整后,该系统也适用于风电、生物电等新能源场站的发电功率的预测。
实施例2
本实施例2提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质包括用于执行如上所述的光伏电站发电功率预测方法的指令。该方法包括:
采集光伏电站的当前发电功率影响因素数据,输入训练好的发电功率预测模型进行分析,预测得到光伏电站的发电功率;其中,所述发电功率预测模型利用多组数据训练得到;
所述多组数据均包括发电功率影响因素历史数据以及标注该影响因素历史数据下的实际发电功率的标签;所述发电功率影响因素历史数据包括:组件温度、环境温度、光照辐射度、气压、相对湿度以及气象数据。
实施例3
本实施例3提供一种电子设备,包括如实施例2所述的非暂态计算机可读存储介质;以及能够执行所述非暂态计算机可读存储介质的所述指令的一个或多个处理器。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、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,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。
以上所述仅为本公开的优选实施例,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。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本发明公开的技术方案的基础上,本领域技术人员在不需要付出创造性劳动即可做出的各种修改或变形,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种光伏电站发电功率预测方法,其特征在于,包括:
采集光伏电站的当前发电功率影响因素数据,输入训练好的发电功率预测模型进行分析,预测得到光伏电站的发电功率;其中,所述发电功率预测模型利用多组数据训练得到;
所述多组数据均包括发电功率影响因素历史数据以及标注该影响因素历史数据下的实际发电功率的标签;所述发电功率影响因素历史数据包括:组件温度、环境温度、光照辐射度、气压、相对湿度以及气象数据。
2.根据权利要求1所述的光伏电站发电功率预测方法,其特征在于,基于所述多组数据,采用线性回归方法,训练得到所述发电功率预测模型。
3.根据权利要求2所述的光伏电站发电功率预测方法,其特征在于,对数据集按照天气类型进行划分,对每一种天气类型采用线性回归方法进行发电功率预测模型训练。
4.根据权利要求1所述的光伏电站发电功率预测方法,其特征在于,基于所述多组数据,采用随机批量梯度下降方法对LSTM网络进行训练,不断地调整网络的权值和阈值,以使损失值达到最小,建立LSTM短期光伏功率预测模型,即为所述发电功率预测模型。
5.根据权利要求4所述的光伏电站发电功率预测方法,其特征在于,建立LSTM短期光伏功率预测模型包括:对多组数据中发电功率影响因素数据与实际发电功率进行相关性分析,并进行预处理;确定LSTM网络结构和相应的训练参数,建立用于预测光伏发电功率的LSTM深度学习网络;采用随机批量梯度下降方法对LSTM深度学习网络进行训练,持续不断地调整网络的权值和阈值,以使损失值达到最小,得到LSTM短期光伏功率预测模型。
6.根据权利要求5所述的光伏电站发电功率预测方法,其特征在于,确定相应的训练参数包括输入层维数、输入层时间步数、隐含层的数目、每个隐含层的维数、输出层的维数以及设置网络的激活函数、损失函数、优化器。
7.根据权利要求1所述的光伏电站发电功率预测方法,其特征在于,采集大气层外切平面太阳能辐射历史数据和地面气象监测站太阳能辐射历史数据,根据辐射关系式,进行近地面光照幅度预测,结合大气层外切平面太阳能辐射实测数据、地面气象监测站太阳能辐射实测数据以及光伏组件实时运行数据,进行基于近地面光照幅度的发电功率预测。
8.一种光伏电站发电功率预测系统,其特征在于,包括:
采集模块,用于采集光伏电站的当前发电功率影响因素数据,输入训练好的发电功率预测模型;
预测模块,用于训练好的发电功率预测模型对采集光伏电站的当前发电功率影响因素数据进行分析,预测得到光伏电站的发电功率;其中,所述发电功率预测模型利用多组数据训练得到;所述多组数据均包括发电功率影响因素历史数据以及标注该影响因素历史数据下的实际发电功率的标签;所述发电功率影响因素历史数据包括:组件温度、环境温度、光照辐射度、气压、相对湿度以及气象数据。
9.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质包括用于执行如权利要求1-7任一项所述的光伏电站发电功率预测方法的指令。
10.一种电子设备,其特征在于,包括如权利要求9所述的非暂态计算机可读存储介质;以及能够执行所述非暂态计算机可读存储介质的所述指令的一个或多个处理器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110713459.6A CN113496311A (zh) | 2021-06-25 | 2021-06-25 | 光伏电站发电功率预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110713459.6A CN113496311A (zh) | 2021-06-25 | 2021-06-25 | 光伏电站发电功率预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113496311A true CN113496311A (zh) | 2021-10-12 |
Family
ID=77998000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110713459.6A Pending CN113496311A (zh) | 2021-06-25 | 2021-06-25 | 光伏电站发电功率预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113496311A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114330934A (zh) * | 2022-03-09 | 2022-04-12 | 南方电网数字电网研究院有限公司 | 一种模型参数自适应的gru新能源短期发电功率预测方法 |
CN114493051A (zh) * | 2022-04-08 | 2022-05-13 | 南方电网数字电网研究院有限公司 | 基于组合预测的提升精度的光伏功率预测方法、装置 |
CN115085369A (zh) * | 2022-06-01 | 2022-09-20 | 深圳博浩远科技有限公司 | 一种光伏逆变器的智能光伏数据采集系统 |
CN115425680A (zh) * | 2022-08-31 | 2022-12-02 | 中国长江三峡集团有限公司 | 一种多能源联合发电系统的功率预测模型构建及预测方法 |
CN116029160A (zh) * | 2023-03-23 | 2023-04-28 | 南昌航空大学 | 光伏组件缺陷与发电效率损失的映射模型构建方法及系统 |
CN116418293A (zh) * | 2023-04-21 | 2023-07-11 | 攀枝花中电光伏发电有限公司 | 一种基于物联网大数据的光伏电站智慧诊断系统 |
CN116957223A (zh) * | 2023-06-14 | 2023-10-27 | 华能澜沧江水电股份有限公司 | 一种基于光照图像的光伏功率预测方法及装置 |
CN117318024A (zh) * | 2023-09-19 | 2023-12-29 | 华能澜沧江水电股份有限公司 | 基于cnn神经网络的光伏发电功率预测管理方法及系统 |
CN117350897A (zh) * | 2023-12-04 | 2024-01-05 | 旗星(天津)科技有限公司 | 一种考虑空气湿度的转换功率预测的方法和系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013164286A (ja) * | 2012-02-09 | 2013-08-22 | Toshiba Corp | 日射量予測方法、太陽光発電出力予測方法、及びシステム |
CN105631558A (zh) * | 2016-03-22 | 2016-06-01 | 国家电网公司 | 基于相似日的bp神经网络光伏发电系统功率预测方法 |
CN108268961A (zh) * | 2016-12-30 | 2018-07-10 | 中国电力科学研究院 | 一种基于天气类型的太阳辐射超短期预测方法 |
CN109284870A (zh) * | 2018-10-08 | 2019-01-29 | 南昌大学 | 基于长短期记忆神经网络的短期光伏发电量预测方法 |
CN111222674A (zh) * | 2019-10-08 | 2020-06-02 | 南昌大学 | 基于长短期记忆神经网络的短期光伏发电量预测方法 |
CN111369045A (zh) * | 2020-02-28 | 2020-07-03 | 南京邮电大学 | 一种短期光伏发电功率预测的方法 |
CN112257941A (zh) * | 2020-10-28 | 2021-01-22 | 福州大学 | 基于改进型Bi-LSTM的光伏电站短期功率预测方法 |
-
2021
- 2021-06-25 CN CN202110713459.6A patent/CN113496311A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013164286A (ja) * | 2012-02-09 | 2013-08-22 | Toshiba Corp | 日射量予測方法、太陽光発電出力予測方法、及びシステム |
CN105631558A (zh) * | 2016-03-22 | 2016-06-01 | 国家电网公司 | 基于相似日的bp神经网络光伏发电系统功率预测方法 |
CN108268961A (zh) * | 2016-12-30 | 2018-07-10 | 中国电力科学研究院 | 一种基于天气类型的太阳辐射超短期预测方法 |
CN109284870A (zh) * | 2018-10-08 | 2019-01-29 | 南昌大学 | 基于长短期记忆神经网络的短期光伏发电量预测方法 |
CN111222674A (zh) * | 2019-10-08 | 2020-06-02 | 南昌大学 | 基于长短期记忆神经网络的短期光伏发电量预测方法 |
CN111369045A (zh) * | 2020-02-28 | 2020-07-03 | 南京邮电大学 | 一种短期光伏发电功率预测的方法 |
CN112257941A (zh) * | 2020-10-28 | 2021-01-22 | 福州大学 | 基于改进型Bi-LSTM的光伏电站短期功率预测方法 |
Non-Patent Citations (3)
Title |
---|
程序;周海;王知嘉;丁宇宇;: "晴空工况光伏超短期功率预报方法", 可再生能源, no. 06, pages 148 - 151 * |
陆爽;徐伟明;刘维亮;马青;: "基于聚类再回归方法的光伏发电量短期预测", 浙江电力, no. 07, pages 53 - 57 * |
陈国栋;罗素芹;刘文斌;朱翔鸥;: "基于改进相似日的光伏系统日发电量预测", 照明工程学报, no. 03, pages 143 - 147143 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114330934A (zh) * | 2022-03-09 | 2022-04-12 | 南方电网数字电网研究院有限公司 | 一种模型参数自适应的gru新能源短期发电功率预测方法 |
CN114493051A (zh) * | 2022-04-08 | 2022-05-13 | 南方电网数字电网研究院有限公司 | 基于组合预测的提升精度的光伏功率预测方法、装置 |
CN115085369A (zh) * | 2022-06-01 | 2022-09-20 | 深圳博浩远科技有限公司 | 一种光伏逆变器的智能光伏数据采集系统 |
CN115425680A (zh) * | 2022-08-31 | 2022-12-02 | 中国长江三峡集团有限公司 | 一种多能源联合发电系统的功率预测模型构建及预测方法 |
CN115425680B (zh) * | 2022-08-31 | 2023-07-18 | 中国长江三峡集团有限公司 | 一种多能源联合发电系统的功率预测模型构建及预测方法 |
CN116029160A (zh) * | 2023-03-23 | 2023-04-28 | 南昌航空大学 | 光伏组件缺陷与发电效率损失的映射模型构建方法及系统 |
CN116418293A (zh) * | 2023-04-21 | 2023-07-11 | 攀枝花中电光伏发电有限公司 | 一种基于物联网大数据的光伏电站智慧诊断系统 |
CN116418293B (zh) * | 2023-04-21 | 2024-02-27 | 攀枝花中电光伏发电有限公司 | 一种基于物联网大数据的光伏电站智慧诊断系统 |
CN116957223A (zh) * | 2023-06-14 | 2023-10-27 | 华能澜沧江水电股份有限公司 | 一种基于光照图像的光伏功率预测方法及装置 |
CN116957223B (zh) * | 2023-06-14 | 2024-03-08 | 华能澜沧江水电股份有限公司 | 一种基于光照图像的光伏功率预测方法及装置 |
CN117318024A (zh) * | 2023-09-19 | 2023-12-29 | 华能澜沧江水电股份有限公司 | 基于cnn神经网络的光伏发电功率预测管理方法及系统 |
CN117350897A (zh) * | 2023-12-04 | 2024-01-05 | 旗星(天津)科技有限公司 | 一种考虑空气湿度的转换功率预测的方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113496311A (zh) | 光伏电站发电功率预测方法及系统 | |
CN110474339B (zh) | 一种基于深度发电负荷预测的电网无功控制方法 | |
CN110110912B (zh) | 一种光伏功率多模型区间预测方法 | |
CN106228278A (zh) | 光伏功率预测系统 | |
CN109376951B (zh) | 一种光伏概率预测方法 | |
CN110334870B (zh) | 基于门控循环单元网络的光伏电站短期功率预测方法 | |
CN112257941A (zh) | 基于改进型Bi-LSTM的光伏电站短期功率预测方法 | |
CN105787594B (zh) | 基于多元时间序列及回归分析的辐照预测方法 | |
Wang et al. | Comparative study of machine learning approaches for predicting short-term photovoltaic power output based on weather type classification | |
CN105069521A (zh) | 一种基于加权fcm聚类算法的光伏电站输出功率预测方法 | |
CN109978242A (zh) | 基于统计升尺度的光伏发电集群功率预测方法及装置 | |
CN110766134A (zh) | 基于循环神经网络的光伏电站短期功率预测方法 | |
CN114021420A (zh) | 一种分布式光伏超短期发电功率预测方法及系统 | |
KR102488667B1 (ko) | 머신러닝을 이용한 태양광 발전 예측 시스템 | |
CN108960522A (zh) | 一种光伏发电量预测分析方法 | |
Sun et al. | Solar power prediction in smart grid based on NWP data and an improved boosting method | |
CN112884601B (zh) | 一种基于天气区划策略的电力系统运行风险评估方法 | |
CN111275238B (zh) | 基于每时晴空指数的大规模电站光伏出力序列生成方法 | |
Matushkin et al. | Analysis of factors for forecasting electric power generation by solar power plants | |
KR102488669B1 (ko) | 구름 음영 효과를 적용한 태양광 발전 예측 시스템 | |
KR102488668B1 (ko) | 머신러닝을 이용한 태양광 발전 예측 시스템 및 방법 | |
CN111027816B (zh) | 一种基于数据包络分析的光伏发电效率计算方法 | |
CN114330923A (zh) | 一种基于公共气象数据的光伏发电功率预测方法 | |
Zhou et al. | PV power characteristic modeling based on multi-scale clustering and its application in generation prediction | |
Xiao et al. | A statistical photovoltaic power forecast model (spf) based on historical power and weather data |
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 |