CN113705887A - 一种数据驱动的光伏发电功率预测方法和系统 - Google Patents

一种数据驱动的光伏发电功率预测方法和系统 Download PDF

Info

Publication number
CN113705887A
CN113705887A CN202110992911.7A CN202110992911A CN113705887A CN 113705887 A CN113705887 A CN 113705887A CN 202110992911 A CN202110992911 A CN 202110992911A CN 113705887 A CN113705887 A CN 113705887A
Authority
CN
China
Prior art keywords
data
model
characteristic data
linear regression
power generation
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
CN202110992911.7A
Other languages
English (en)
Inventor
刘毅
马正阳
刘凯新
郑明凯
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.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202110992911.7A priority Critical patent/CN113705887A/zh
Publication of CN113705887A publication Critical patent/CN113705887A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P80/00—Climate change mitigation technologies for sector-wide applications
    • Y02P80/20—Climate change mitigation technologies for sector-wide applications using renewable energy

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Power Engineering (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

一种数据驱动的光伏发电功率预测方法，包括：1)获取数据，通过传感器进行多维天气特征数据的采集；2)特征重构，主成分分析算法对采集到的多维特征进行分析计算，将最相关的若干特征进行融合重构，获得新的较少维度的特征数据；3)建立模型，构建线性回归算法模型，针对主成分分析算法重构得到的天气特征数据，将其与光伏设备的发电功率建立映射关系，使模型对数据进行拟合；4)训练并预测，将所获取的多维天气特征数据通过主成分分析算法进行重构，并将重构后的特征数据送入线性回归模型中，使其进行充分地学习拟合，并将拟合数据后的模型用于光伏设备发电功率的预测。本发明还包括一种数据驱动的光伏发电功率预测系统。

Description

一种数据驱动的光伏发电功率预测方法和系统
技术领域
本发明涉及光伏发电功率预测技术领域，具体为一种数据驱动的光伏发电功率预测方法和系统。
背景技术
进入21世纪以来，随着人类社会的飞速发展，各国对能源的需求与日俱增。大规模的制造业，需要消耗大量的能源才能维持生产。作为世界工厂，中国对能源需求甚大。但是基于全球变暖的共识以及对环保和可持续发展的追求，我国正逐步降低传统化石能源的消耗占比，大力发展清洁能源。太阳能是一种取之不尽，用之不竭的清洁能源，对太阳能的收集是通过光伏设备来实现的。然而，太阳能虽然具有清洁无尽的特点，但在光伏设备的发电过程中，会因为当地的天气条件的变化而影响光伏发电的功率，造成波动。而对于光伏所接入的电网而言，这种波动会对电网的稳定性产生影响，造成电网的不稳定。因此，对光伏设备的发电功率进行准确预测可以有效地保障电网系统的安全性与稳定性，具有重要意义。
目前对光伏发电功率的预测方法大致分为机器学习和深度学习两类。基于深度学习的方法如长短期记忆网络算法，通过构建复杂的网络模型来对光伏设备运行过程中的天气特征进行建模分析，较为繁琐，不适合光伏功率预测的实际要求；基于机器学习的方法如决策树算法，通过树模型对各个特征进行分析并建模预测，但未考虑特征的繁杂性，尚未对光伏发电功率的影响因素进行降维降噪处理，这导致模型带有噪声，会降低模型的预测性能。
主成分分析算法是一种用于数据分析的算法，它可以从多个特征变量中找到对目标影响较大的若干个特征变量，从而达到数据简化的目的。在完成特征数据的选择融合后，可采用线性回归算法对处理后的特征数据进行建模预测。特征数据在通过降维降噪之后可具有更高的实用性，增强了数据质量，可大大提升预测模型的准确率，提升光伏发电功率预测效率。
发明内容
针对现有技术中存在的问题，本发明提供了可提高光伏发电功率预测准确度的一种数据驱动的光伏发电功率预测方法和系统。
本发明的技术方案如下：
一种数据驱动的光伏发电功率预测方法，其特征在于，包括如下步骤：
1)获取数据：光伏设备因其对太阳能的转化利用方式，其发电功率受天气状况的影响较大。通常来说，每日气温(摄氏度)、相对湿度、风速、光照度、总辐射度(瓦/平方米)等因素均有一定的影响。可通过相关传感器等进行多维天气特征数据的采集。
2)重构特征：所采集的多维天气特征数据，因其变量较多易对模型产生干扰，故使用主成分分析算法进行特征重构。主成分分析算法可对多维特征进行分析计算，将最相关的若干特征进行融合重构，获得新的较少维度的特征数据。
3)建立模型：构建线性回归算法模型，针对主成分分析算法重构得到的天气特征数据，将其与光伏设备的发电功率建立映射关系，使模型能够较好地对数据进行拟合。
4)训练并预测：将所获取的多维天气特征数据通过主成分分析算法进行重构，并将重构后的特征数据送入线性回归模型中，使其进行充分地学习拟合，并将拟合数据后的模型用于光伏设备发电功率的预测。
所述步骤1)具体包括：通过传感器等设备检测并获取当地气温(摄氏度)、相对湿度、风速、光照度、总辐射度(瓦/平方米)等特征数据，并将其作为组合模型的原始输入数据D＝{(x1,y1),(x2,y2),…,(xN,yN)}，N表示样本总数。
所述步骤2)具体包括：使用主成分分析算法对所获取的多维天气特征数据进行融合重构。主成分分析算法对特征的融合重构可基于最大投影方差来计算，即认为重要的特征的方差较大，越不重要(包含噪声越多)的特征其方差越小。首先需要对特征数据进行中心化处理，如下式所示：
Figure BDA0003233029640000021
在完成特征数据的中心化处理后，需要对样本的协方差矩阵XXT进行计算，并对协方差矩阵进行特征值分解。然后根据数据特点确定重构后的融合特征的个数M，即决定所选择的较大特征值所对应的特征向量的个数。将所选择的特征向量进行标准化后组成特征向量矩阵W。则对于每一个原始的特征数据xi，将其转化为新的融合特征数据zi的计算方法如下所示：
zi＝WTxi (2)
由此可得到新的重构特征数据
Figure BDA0003233029640000031
并将重构后的融合特征数据作为组合模型中线性回归算法的输入特征数据。
所述步骤3)具体包括：使用线性回归算法建立预测模型。线性回归模型通常建立如下映射关系f：
f(z)＝wz+b (3)
其中，w表示模型对不同特征数据赋予的权重，b表示常数项。
对于每个样本特征数据z(i)，线性回归算法会根据映射关系计算其预测值，并采用欧氏距离对模型的映射预测值与样本数据的真实标签值进行对比计算，模型的损失函数L如下式所示：
Figure BDA0003233029640000032
其中，y(i)表示每一个特征数据z(i)所对应的标签值。
通过对损失函数L进行求最小化操作，线性回归算法可以获得与样本特征数据的标签值最接近的映射预测值，即可完成建模过程。
所述步骤4)具体包括：首先使用主成分分析算法对原始特征数据进行特征的融合重构，生成新的效果更好的特征并将其输入线性回归算法中作为样本。然后使用线性回归算法对重构的融合特征进行映射建模。最后使用训练后的线性回归模型对光伏发电功率进行预测。采用拟合优度(R2)对模型的预测结果进行评估，公式如下：
Figure BDA0003233029640000033
其中，yi表示真实数据标签，
Figure BDA0003233029640000034
表示模型的预测值，
Figure BDA0003233029640000035
表示真实数据标签的平均值。
实施本发明的一种数据驱动的光伏发电功率预测方法的系统，包括依次连接的数据获取模块、特征重构模块、模型建立模块、训练并预测模块，其中，
数据获取模块通过传感器等进行多维天气特征数据的采集；
特征重构模块采用主成分分析算法对所采集的多维特征进行分析计算，将最相关的若干特征进行融合重构，获得新的较少维度的特征数据；
模型建立模块构建线性回归算法模型，针对主成分分析算法重构得到的天气特征数据，将其与光伏设备的发电功率建立映射关系，使模型能够较好地对数据进行拟合；
训练并预测模块将所获取的多维天气特征数据通过主成分分析算法进行重构，并将重构后的特征数据送入线性回归模型中，使其进行充分地学习拟合，并将拟合数据后的模型用于光伏设备发电功率的预测。
本发明的有益效果是：本发明将主成分分析算法和线性回归算法引入光伏发电功率预测领域，主成分分析算法可对繁杂的天气特征进行降维处理，提高模型的预测性能，线性回归算法无需复杂训练过程即可完成建模预测。该组合模型可通过特征降维提升模型的预测性能，采用线性回归模型可更适合于实际光伏工业预测过程。
附图说明
图1是本发明方法的流程图。
图2是本发明光伏发电功率预测的预测值与真实值的对比图。
具体实施方式
以下结合说明书附图及实施例，对本发明作进一步描述。
如图所示，一种数据驱动的光伏发电功率预测方法，包含以下步骤：
1)获取数据：光伏设备因其对太阳能的转化利用方式，其发电功率受天气状况的影响较大。通常来说，每日气温(摄氏度)、相对湿度、风速、光照度、总辐射度(瓦/平方米)等因素均有一定的影响。可通过相关传感器等进行多维天气特征数据的采集。
2)重构特征：所采集的多维天气特征数据，因其变量较多易对模型产生干扰，故使用主成分分析算法进行特征重构。主成分分析算法可对多维特征进行分析计算，将最相关的若干特征进行融合重构，获得新的较少维度的特征数据。
3)建立模型：构建线性回归算法模型，针对主成分分析算法重构得到的天气特征数据，将其与光伏设备的发电功率建立映射关系，使模型能够较好地对数据进行拟合。
4)训练并预测：将所获取的多维天气特征数据通过主成分分析算法进行重构，并将重构后的特征数据送入线性回归模型中，使其进行充分地学习拟合，并将拟合数据后的模型用于光伏设备发电功率的预测。
所述步骤1)具体包括：通过传感器等设备检测并获取当地气温(摄氏度)、相对湿度、风速、光照度、总辐射度(瓦/平方米)等特征数据，并将其作为组合模型的原始输入数据D＝{(x1,y1),(x2,y2),…,(xN,yN)}，N表示样本总数。
所述步骤2)具体包括：使用主成分分析算法对所获取的多维天气特征数据进行融合重构。主成分分析算法对特征的融合重构可基于最大投影方差来计算，即认为重要的特征的方差较大，越不重要(包含噪声越多)的特征其方差越小。首先需要对特征数据进行中心化处理，如下式所示：
Figure BDA0003233029640000051
在完成特征数据的中心化处理后，需要对样本的协方差矩阵XXT进行计算，并对协方差矩阵进行特征值分解。然后根据数据特点确定重构后的融合特征的个数M，即决定所选择的较大特征值所对应的特征向量的个数。将所选择的特征向量进行标准化后组成特征向量矩阵W。则对于每一个原始的特征数据xi，将其转化为新的融合特征数据zi的计算方法如下所示：
zi＝WTxi (2)
由此可得到新的重构特征数据
Figure BDA0003233029640000052
并将重构后的融合特征数据作为组合模型中线性回归算法的输入特征数据。
所述步骤3)具体包括：使用线性回归算法建立预测模型。线性回归模型通常建立如下映射关系f：
f(z)＝wz+b (3)
其中，w表示模型对不同特征数据赋予的权重，b表示常数项。
对于每个样本特征数据z(i)，线性回归算法会根据映射关系计算其预测值，并采用欧氏距离对模型的映射预测值与样本数据的真实标签值进行对比计算，模型的损失函数L如下式所示：
Figure BDA0003233029640000053
其中，y(i)表示每一个特征数据z(i)所对应的标签值。
通过对损失函数L进行求最小化操作，线性回归算法可以获得与样本特征数据的标签值最接近的映射预测值，即可完成建模过程。
所述步骤4)具体包括：首先使用主成分分析算法对原始特征数据进行特征的融合重构，生成新的效果更好的特征并将其输入线性回归算法中作为样本。然后使用线性回归算法对重构的融合特征进行映射建模。最后使用训练后的线性回归模型对光伏发电功率进行预测。采用拟合优度(R2)对模型的预测结果进行评估，公式如下：
Figure BDA0003233029640000061
其中，yi表示真实数据标签，
Figure BDA0003233029640000062
表示模型的预测值，
Figure BDA0003233029640000063
表示真实数据标签的平均值。
实施本发明的一种数据驱动的光伏发电功率预测方法的系统，包括依次连接的数据获取模块、特征重构模块、模型建立模块、训练并预测模块，其中数据获取模块、特征重构模块、模型建立模块、训练并预测模块分别包含本发明的步骤1)～步骤4)的内容。
实施例：
1)获取数据；
使用相关传感器等对当地的气温(摄氏度)、相对湿度、风速、光照度、总辐射度(瓦/平方米)等数据进行检测并保存数据作为模型的输入特征数据，同时记录光伏设备的发电功率作为输入特征数据的标签值。
2)重构特征；
使用主成分分析算法对所获取的多维天气特征进行融合重构，设定重构后生成的融合特征为2维，产生新的特征数据。
3)建立模型；
使用线性回归算法对主成分分析算法重构生成的融合特征数据进行线性映射，完成建模过程。
4)训练并预测；
将通过主成分分析算法重构生成的融合特征输入线性回归算法中进行训练，并采用R2作为指标对预测结果进行评估。表1是不同模型预测结果的评估情况，附图1是组合算法模型预测结果与真实值的对比。可以看出组合算法模型具有较好的预测性能。
表1 不同模型对光伏发电功率的预测结果
Figure BDA0003233029640000071
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (6)

1.一种数据驱动的光伏发电功率预测方法，其特征在于，包括如下步骤：
1)获取数据：通过传感器等进行多维天气特征数据的采集；
2)重构特征：采用主成分分析算法对所采集的多维特征进行分析计算，将最相关的若干特征进行融合重构，获得新的较少维度的特征数据；
3)建立模型：构建线性回归算法模型，针对主成分分析算法重构得到的天气特征数据，将其与光伏设备的发电功率建立映射关系，使模型能够较好地对数据进行拟合；
4)训练并预测：将所获取的多维天气特征数据通过主成分分析算法进行重构，并将重构后的特征数据送入线性回归模型中，使其进行充分地学习拟合，并将拟合数据后的模型用于光伏设备发电功率的预测。
2.根据权利要求1所述的一种数据驱动的光伏发电功率预测方法，其特征在：所述步骤1)具体包括：通过传感器等设备检测并获取当地气温(摄氏度)、相对湿度、风速、光照度、总辐射度(瓦/平方米)的特征数据，并将其作为组合模型的原始输入数据D＝{(x1,y1),(x2,y2),…,(xN,yN)}，N表示样本总数。
3.根据权利要求1所述的一种数据驱动的光伏发电功率预测方法，其特征在于：所述步骤2)具体包括：使用主成分分析算法对所获取的多维天气特征数据进行融合重构；主成分分析算法对特征的融合重构可基于最大投影方差来计算，即认为重要的特征的方差较大，越不重要(包含噪声越多)的特征其方差越小；首先需要对特征数据进行中心化处理，如下式所示：
Figure FDA0003233029630000011
在完成特征数据的中心化处理后，需要对样本的协方差矩阵XXT进行计算，并对协方差矩阵进行特征值分解；然后根据数据特点确定重构后的融合特征的个数M，即决定所选择的较大特征值所对应的特征向量的个数；将所选择的特征向量进行标准化后组成特征向量矩阵W；则对于每一个原始的特征数据xi，将其转化为新的融合特征数据zi的计算方法如下所示：
zi＝WTxi (2)
由此可得到新的重构特征数据
Figure FDA0003233029630000012
并将重构后的融合特征数据作为组合模型中线性回归算法的输入特征数据。
4.根据权利要求1所述的一种数据驱动的光伏发电功率预测方法，其特征在于：所述步骤3)具体包括：使用线性回归算法建立预测模型；线性回归模型通常建立如下映射关系f：
f(z)＝wz+b (3)
其中，w表示模型对不同特征数据赋予的权重，b表示常数项；
对于每个样本特征数据z(i)，线性回归算法会根据映射关系计算其预测值，并采用欧氏距离对模型的映射预测值与样本数据的真实标签值进行对比计算，模型的损失函数L如下式所示：
Figure FDA0003233029630000021
其中，y(i)表示每一个特征数据z(i)所对应的标签值；
通过对损失函数L进行求最小化操作，线性回归算法可以获得与样本特征数据的标签值最接近的映射预测值，即可完成建模过程。
5.根据权利要求1所述的一种数据驱动的光伏发电功率预测方法，其特征在于：所述步骤4)具体包括：首先使用主成分分析算法对原始特征数据进行特征的融合重构，生成新的效果更好的特征并将其输入线性回归算法中作为样本数据；然后使用线性回归算法对重构的融合特征进行映射建模；最后使用训练后的线性回归模型对光伏发电功率进行预测；采用拟合优度(R2)对模型的预测结果进行评估，公式如下：
Figure FDA0003233029630000022
其中，yi表示真实数据标签，
Figure FDA0003233029630000023
表示模型的预测值，
Figure FDA0003233029630000024
表示真实数据标签的平均值。
6.实施如权利要求1所述的一种数据驱动的光伏发电功率预测方法的系统，其特征在于：包括依次连接的数据获取模块、特征重构模块、模型建立模块、训练并预测模块，其中，
数据获取模块通过传感器等进行多维天气特征数据的采集；
特征重构模块采用主成分分析算法对所采集的多维特征进行分析计算，将最相关的若干特征进行融合重构，获得新的较少维度的特征数据；
模型建立模块构建线性回归算法模型，针对主成分分析算法重构得到的天气特征数据，将其与光伏设备的发电功率建立映射关系，使模型能够较好地对数据进行拟合；
训练并预测模块将所获取的多维天气特征数据通过主成分分析算法进行重构，并将重构后的特征数据送入线性回归模型中，使其进行充分地学习拟合，并将拟合数据后的模型用于光伏设备发电功率的预测。
CN202110992911.7A 2021-08-27 2021-08-27 一种数据驱动的光伏发电功率预测方法和系统 Pending CN113705887A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110992911.7A CN113705887A (zh) 2021-08-27 2021-08-27 一种数据驱动的光伏发电功率预测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110992911.7A CN113705887A (zh) 2021-08-27 2021-08-27 一种数据驱动的光伏发电功率预测方法和系统

Publications (1)

Publication Number Publication Date
CN113705887A true CN113705887A (zh) 2021-11-26

Family

ID=78655677

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110992911.7A Pending CN113705887A (zh) 2021-08-27 2021-08-27 一种数据驱动的光伏发电功率预测方法和系统

Country Status (1)

Country Link
CN (1) CN113705887A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114123200A (zh) * 2022-01-24 2022-03-01 国网山西省电力公司晋城供电公司 基于数据驱动的光伏电站动态建模方法、存储设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106779223A (zh) * 2016-12-21 2017-05-31 创维互联（北京）新能源科技有限公司 一种光伏系统发电功率实时预测方法及装置
CN111222290A (zh) * 2020-01-13 2020-06-02 浙江工业大学 一种基于多参数特征融合的大型设备剩余使用寿命预测方法
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106779223A (zh) * 2016-12-21 2017-05-31 创维互联（北京）新能源科技有限公司 一种光伏系统发电功率实时预测方法及装置
CN111222290A (zh) * 2020-01-13 2020-06-02 浙江工业大学 一种基于多参数特征融合的大型设备剩余使用寿命预测方法
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
史佳琪;张建华;: "基于深度学习的超短期光伏精细化预测模型研究", 电力建设, no. 06, pages 32 - 39 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114123200A (zh) * 2022-01-24 2022-03-01 国网山西省电力公司晋城供电公司 基于数据驱动的光伏电站动态建模方法、存储设备
CN114123200B (zh) * 2022-01-24 2022-04-12 国网山西省电力公司晋城供电公司 基于数据驱动的光伏电站动态建模方法、存储设备

Similar Documents

Publication Publication Date Title
CN108647716B (zh) 一种基于复合信息的光伏阵列故障诊断方法
CN109842373B (zh) 基于时空分布特性的光伏阵列故障诊断方法及装置
CN109002915B (zh) 基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法
CN111275367B (zh) 一种区域综合能源系统能效状态评价方法
CN107944622B (zh) 基于连续时段聚类的风电功率预测方法
CN110909919A (zh) 融合注意力机制的深度神经网络模型的光伏功率预测方法
CN111628494B (zh) 一种基于逻辑回归法的低压配电网拓扑识别方法及系统
CN110070102B (zh) 用于电能质量扰动类型识别的序列对序列模型建立方法
CN114970952B (zh) 一种考虑环境因素的光伏出力短期预测方法及系统
CN108090515B (zh) 一种基于数据融合的环境等级评估方法
CN113783527A (zh) 一种基于光伏组件温度和辐照度校验的数据挖掘方法
CN115099296A (zh) 基于深度学习算法的海浪高度预测方法
CN111539482B (zh) 基于rbf核函数的空间多维风电功率数据降维及重构方法
CN112925824A (zh) 针对极端天气类型的光伏功率预测方法及系统
CN107844872B (zh) 一种用于风力发电的短期风速预报方法
CN113705887A (zh) 一种数据驱动的光伏发电功率预测方法和系统
CN116995734B (zh) 面向电网的分布式能源电能质量监测控制评价系统
CN113642255A (zh) 基于多尺度卷积循环神经网络的光伏发电功率预测方法
CN112836876A (zh) 一种基于深度学习的配电网线路负荷预测方法
CN113595132A (zh) 基于全局最大功率点跟踪和混合优化算法的光伏在线参数辨识方法
CN111553434A (zh) 一种电力系统负荷分类方法及系统
CN116565864A (zh) 一种基于pca-rbf算法的光伏发电功率预报方法
CN112348700B (zh) 一种结合som聚类与ifou方程的线路容量预测方法
CN114818827A (zh) 基于seq2point网络的非侵入式负荷分解方法
CN115035962A (zh) 基于变分自编码器和生成对抗网络的虚拟样本生成及软测量建模方法

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