CN113837426A - 一种基于天气分型的光伏功率预测方法 - Google Patents
一种基于天气分型的光伏功率预测方法 Download PDFInfo
- Publication number
- CN113837426A CN113837426A CN202011366059.4A CN202011366059A CN113837426A CN 113837426 A CN113837426 A CN 113837426A CN 202011366059 A CN202011366059 A CN 202011366059A CN 113837426 A CN113837426 A CN 113837426A
- Authority
- CN
- China
- Prior art keywords
- weather
- weather type
- radiation
- photovoltaic power
- scf
- 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 40
- 238000013179 statistical model Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000003745 diagnosis Methods 0.000 claims abstract description 5
- 230000009467 reduction Effects 0.000 claims abstract description 5
- 238000000513 principal component analysis Methods 0.000 claims abstract description 4
- 230000005855 radiation Effects 0.000 claims description 68
- 238000012937 correction Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 230000004907 flux Effects 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000013136 deep learning model Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 3
- 238000010248 power generation Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 239000005431 greenhouse gas Substances 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000002834 transmittance Methods 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
- 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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明涉及一种基于天气分型的光伏功率预测方法,包括:S1:获取当地历史数据;S2:针对历史数据根据数据中的总云量进行分类,总云量低于或等于2成的分为天气类型1,总云量大于2成的进一步进行分类;S3:针对需要进一步分类的对应部分数据,利用数据中的日照百分率、直射比和修正大气清晰度指数计算得到天气类型指数SCF,并按照SCF的大小范围进一步划分为天气类型2、天气类型3和天气类型4;S4:4种天气类型进行输入因子诊断分析后选用不同的输入因子;S5:对输入变量进行主成分分析降维后,使用统计学模型区分天气类型进行训练建模,继而进行光伏出力预测。本发明具有减小光伏功率预测的误差,精度高,天气类型的识别效果更好等优点。
Description
技术领域
本发明涉及光伏预测技术领域,尤其是涉及一种基于天气分型的光伏功率预测方法。
背景技术
我国提出将继续推进能源结构改革,始终坚持绿色低碳的战略方向,着力提高清洁能源消费比重,逐步实现对现有主体能源即化石能源的替代。传统化石燃料的燃烧是温室气体的主要来源,利用可再生能源替代传统化石能源可以有效减少温室气体排放。在电力绿色发展的时代大潮下,我国电力行业立足风能、太阳能资源较为丰富的能源资源特点,大力推动可再生能源发展,形成了风电、光伏发电、水电等可再生能源多元化发展的局面。其中,太阳能资源潜力巨大,正受到越来越多的关注。根据相关部门统计,2020年上半年,全国新增光伏发电装机1278万千瓦,其中集中式光伏新增装机708.2万千瓦,分布式光伏新增装机443.5万千瓦。截止6月底,光伏发电累计装机达到2.16亿千瓦,其中集中式光伏1.49亿千瓦,分布式光伏6707万千瓦。2020年上半年,全国光伏发电量1278亿千瓦时,同比增长20%;全国光伏利用小时数595小时,同比增长19小时。
目前,国内外学者对光伏发电功率预测的研究较多,而关于天气分型方法的相关研究较少。从太阳能的周期性和波动性特点以及目前的开发前景来看,合理的天气分型方法可以进一步细化光伏功率预测模型。有的做法利用机器学习从澳大利亚光伏系统实测数据集中获取可用的天气特征,并将这些天气特征数据用于功率预测。有的做法考虑了太阳光谱效应、入射角和污染因子提出了12种组合预测模型,并区分天气类型比较了各组合模型的预测精度。有的做法在分析辐照度变化规律基础上,综合考虑分类总数、类型代表性和分布均衡性,针对气象专业天气类型进行归纳合并,得到4种广义天气类型,并给出了光伏发电功率分类预测的基本框架。还有的做法分析了天气类型对光伏发电出力的影响,基于BP神经网络,建立了计及天气类型指数的光伏发电短期出力预测模型。
我们的前期工作表明,利用清晰度指数或修正清晰度指数与总云量交叉划分天气类型的方法,可以显著提高水平面“直散分离”(即从水平面总辐射中分离出散射辐射、直接辐射)的预测精度。
综上所述,区分天气类型或考虑气象环境因素的影响是当前提高光伏功率预测准确性的重要思路。
然而,目前的相关做法仍有以下缺点:
1、现有的天气分型方法大多选择单一指标,而气象状况较为复杂难以使用单一指标进行描述。
2、现有的天气分型方法中分类指标的选择缺乏统一标准。
3、目前已有的天气分型方法对各天气类型的描述物理意义不够明确,不同天气类型下光伏出力的差异性不够明显。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于天气分型的光伏功率预测方法。
本发明的目的可以通过以下技术方案来实现:
一种基于天气分型的光伏功率预测方法,该方法包括以下步骤:
步骤1:获取当地历史数据,包括辐射数据和气象数据,其中辐射数据包括水平面总辐射、散射辐射、直接辐射以及反射辐射等;气象数据包括总云量、能见度等,对数据进行筛选和质量控制,剔除异常数据,并且根据水平面辐射观测值和天文地理因子计算出来地外水平面总辐射及修正清晰度指数等;
步骤2:针对历史数据根据数据中的总云量进行分类,总云量低于或等于2成的分为天气类型1,总云量大于2成的进一步进行分类;
步骤3:针对需要进一步分类的对应部分数据,利用数据中的日照百分率、直射比和修正大气清晰度指数计算得到天气类型指数SCF,并按照SCF的大小范围进一步划分为天气类型2、天气类型3和天气类型4,其中天气类型2条件次好,为多云转晴或晴转多云等;天气类型3条件较差,为阴;天气类型4条件最差,主要包括雨雪雾霾等恶劣天气;
步骤4:4种天气类型进行输入因子诊断分析后选用不同的输入因子;
步骤5:对输入变量进行主成分分析降维后,使用统计学模型区分天气类型进行训练建模,如多元线性回归模型、BP神经网络模型、SVR支持向量回归模型等,继而进行光伏出力预测。进一步地,所述步骤4中的统计学模型包括多元线性回归模型、BP神经网络模型、SVR支持向量回归模型或深度学习模型。
进一步地,所述步骤4中的统计学模型包括多元线性回归模型、BP神经网络模型、SVR支持向量回归模型或深度学习模型。
进一步地,所述步骤2中的天气类型1为晴,所述步骤3中按照SCF的大小范围进一步划分为天气类型2、天气类型3和天气类型4的过程具体包括:
当0.44<SCF≤0.74时,对应的天气类型2为多云转晴或晴转多云;
当0.18<SCF≤0.44时,对应的天气类型3为多云转晴或晴转多云;
当0<SCF≤0.18时,对应的天气类型4为恶劣天气,包括雨雪雾霾等。
进一步地,所述步骤3中的天气类型指数SCF,其计算公式为:
SCF=ω1Hsun+ω2k′T+ω3Bd
式中,SCF为天气类型指数SCF,ω1、ω2和ω3为权重系数,3个权重系数与输出交流的相关系数成正比且总和为1,Hsun为日照百分率,k'T为修正大气清晰度指数,Bd为水平面直射比。
进一步地,所述修正大气清晰度指数,其计算公式为:
式中,kT为修正前的大气清晰度指数,m为大气质量。
进一步地,所述修正前的大气清晰度指数,其计算公式为:
进一步地,所述赤纬角,其计算公式为:
式中,n为所求日期该天在一年中的日序数。
进一步地,所述日地距离变化引起大气层上界的太阳辐射通量的修正值,其计算公式为:
式中,n为所求日期该天在一年中的日序数。
进一步地,所述步骤4中针对经过步骤2和步骤3结合得到的4种天气类型进行输入因子诊断分析后选用不同的输入因子的过程具体包括:
针对天气类型1,最终选用的输入因子为:水平面散射辐射、直接辐射、反射辐射、日照百分率、直射比、大气浑浊度TG、修正大气清晰度指数、气温和水平能见度;
针对天气类型2,最终选用的输入因子为:水平面散射辐射、直接辐射、反射辐射、日照百分率、直射比、平均风速和气压;
针对天气类型3,最终选用的输入因子为:水平面散射辐射、反射辐射、日照百分率、修正大气清晰度指数、气温、平均风速、大气质量和总云量;
针对天气类型4,最终选用的输入因子为:水平面散射辐射、反射辐射、修正大气清晰度指数、气温、水平能见度和总云量。
进一步地,所述大气浑浊度TG,其计算公式为:
式中,TG为大气浑浊度TG,Ph和Ps分别为本站气压和标准大气压,In和ISC分别为水平面法向辐射和太阳常数,δmol为干洁大气的光学厚度,m为大气质量。
与现有技术相比,本发明具有以下优点:
(1)本方法综合考虑多个变量如总云量、日照百分率、修正清晰度指数和直射比等进行天气分型,不同天气类型的光伏出力表现出显著的差异性,天气类型的识别效果更好。
(2)按本方法进行天气分型后,不同天气类型下太阳辐射、光伏出力的气象环境影响因子不同,因子诊断分析后不同天气类型的输入变量不同。
(3)天气类型1中消除了总云量的耦合影响,可以单独分析研究大气对太阳辐射及光伏出力的影响;天气类型4中剔除了与太阳直射相关的因子(如日照百分率、直散比、直接透射率等),减少了输入变量,降低了模型复杂度。
(4)利用本方法进行天气分型后可以减小光伏功率预测的误差,提高预测准确度。
附图说明
图1为本发明的方法流程图;
图2为各天气类型下的光伏出力特征示意图;
图3为本发明实施例中应用本发明预测方法与为采用本发明预测方法的光伏功率预测误差对比结果示意图,其中,图3(a)为最终采用多元线性回归作为统计学模型进行训练建模得到的对比结果示意图,图3(b)为最终采用BP神经网络作为统计学模型进行训练建模得到的对比结果示意图,图3(c)为最终采用SVR支持向量机回归模型作为统计学模型进行训练建模得到的对比结果示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
实施例
如图1所示,本发明涉及一种新型天气分型方法及其在光伏功率预测中的应用,包括以下步骤:
1)获取当地历史数据,其中辐射数据包括水平面总辐射、散射辐射、直接辐射以及反射辐射等;气象数据包括总云量、能见度等,对数据进行筛选和质量控制,剔除异常数据,并且根据水平面辐射观测值和天文地理因子计算出来地外水平面总辐射及修正清晰度指数等;
2)根据总云量进行分类,总云量低于或等于2成的分为天气类型1,总云量大于2成的进一步进行分类;
3)利用日照百分率、直射比和修正大气清晰度指数计算天气类型指数SCF,按SCF的大小范围,将总云量大于2成的数据划分为3种天气类型,分别为天气类型2、天气类型3、天气类型4,其中天气类型2条件次好,为多云转晴或晴转多云;天气类型3条件较差,为阴;天气类型4条件最差,主要包括雨雪雾霾等恶劣天气,如表1所示;
表1:天气分型
4)4种天气类型进行输入因子诊断分析后选用不同的输入因子,如图2所示;
5)对输入变量进行主成分分析降维后,使用统计学模型区分天气类型进行训练建模,分别使用统计学模型进行训练建模,如多元线性回归算法、BP神经网络、SVR支持向量回归或深度学习等智能算法,对应图3(a)、图3(b)和图3(c),继而进行光伏出力预测。
不同天气类型选用不同的输入因子具体为:
天气类型1:水平面散射辐射、直接辐射、反射辐射,日照百分率,直射比,大气浑浊度TG,修正大气清晰度指数,气温,水平能见度;
天气类型2:水平面散射辐射、直接辐射、反射辐射,日照百分率,直射比,平均风速,气压;
天气类型3:水平面散射辐射、反射辐射,日照百分率,修正大气清晰度指数,气温,平均风速,大气质量,总云量;
天气类型4:水平面散射辐射、反射辐射,修正大气清晰度指数,气温,水平能见度,总云量。
本发明方法中的天气分型相关参数计算过程及方式如下:
清晰度指数表示大气的透明程度,与天气状况及太阳辐射密切相关,其公式为:
其中,赤纬角,其计算公式为:
式中,n为所求日期该天在一年中的日序数。
日地距离变化引起大气层上界的太阳辐射通量的修正值,其计算公式为:
式中,n为所求日期该天在一年中的日序数。
然而清晰度指数不仅与气象条件相关,而且与天空中太阳位置有关。为了降低太阳高度角对清晰度指数的影响,对其进行修正如下:
式中,kT为修正前的大气清晰度指数,m为大气质量。
大气浑浊度TG是除云滴、雨滴、冰晶之外大气悬浮物对太阳辐射消减强弱的一种量度,其定义为总的大气光学厚度与干洁大气的光学厚度之比,具体表达式为:
式中,TG为大气浑浊度TG,Ph和Ps分别为本站气压和标准大气压,In和ISC分别为水平面法向辐射和太阳常数,δmol为干洁大气的光学厚度,m为大气质量。
表2:各主要影响因子与光伏出力的相关性分析
天气类型指数SCF(sky condiction factors)是进行天气分型的计算指标。由表2可知,日照百分率Hsun、修正清晰度指数k'T和水平面直射比Bd与光伏出力的相关性较强,因此选取这3个变量计算SCF。SCF的具体计算方法如下:
SCF=ω1Hsun+ω2k′T+ω3Bd
式中,SCF为天气类型指数SCF,ω1、ω2和ω3为权重系数,3个权重系数与输出交流的相关系数成正比且总和为1,Hsun为日照百分率,k'T为修正大气清晰度指数,Bd为水平面直射比。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于天气分型的光伏功率预测方法,其特征在于,该方法包括以下步骤:
步骤1:获取当地历史数据,包括辐射数据和气象数据;
步骤2:针对历史数据根据数据中的总云量进行分类,总云量低于或等于2成的分为天气类型1,总云量大于2成的进一步进行分类;
步骤3:针对需要进一步分类的对应部分数据,利用数据中的日照百分率、直射比和修正大气清晰度指数计算得到天气类型指数SCF,并按照SCF的大小范围进一步划分为天气类型2、天气类型3和天气类型4;
步骤4:针对4种天气类型进行输入因子诊断分析后选用不同的输入因子;
步骤5:对输入因子进行主成分分析降维后,分别用统计学模型进行训练建模,继而进行光伏出力预测。
2.根据权利要求1所述的一种基于天气分型的光伏功率预测方法,其特征在于,所述步骤5中的统计学模型包括多元线性回归模型、BP神经网络模型、SVR支持向量回归模型或深度学习模型。
3.根据权利要求1所述的一种基于天气分型的光伏功率预测方法,其特征在于,所述步骤2中的天气类型1为晴,所述步骤3中按照SCF的大小范围进一步划分为天气类型2、天气类型3和天气类型4的过程具体包括:
当0.44<SCF≤0.74时,对应的天气类型2为多云转晴或晴转多云;
当0.18<SCF≤0.44时,对应的天气类型3为阴;
当0<SCF≤0.18时,对应的天气类型4为恶劣天气,包括雨雪雾霾。
4.根据权利要求1所述的一种基于天气分型的光伏功率预测方法,其特征在于,所述步骤3中的天气类型指数SCF,其计算公式为:
SCF=ω1Hsun+ω2k′T+ω3Bd
式中,SCF为天气类型指数SCF,ω1、ω2和ω3为权重系数,3个权重系数与输出交流的相关系数成正比且总和为1,Hsun为日照百分率,k'T为修正大气清晰度指数,Bd为水平面直射比。
9.根据权利要求1所述的一种基于天气分型的光伏功率预测方法,其特征在于,所述步骤4中针对4种天气类型进行输入因子诊断分析后选用不同的输入因子的过程具体包括:
针对天气类型1,最终选用的输入因子为:水平面散射辐射、直接辐射、反射辐射、日照百分率、直射比、大气浑浊度TG、修正大气清晰度指数、气温和水平能见度;
针对天气类型2,最终选用的输入因子为:水平面散射辐射、直接辐射、反射辐射、日照百分率、直射比、平均风速和气压;
针对天气类型3,最终选用的输入因子为:水平面散射辐射、反射辐射、日照百分率、修正大气清晰度指数、气温、平均风速、大气质量和总云量;
针对天气类型4,最终选用的输入因子为:水平面散射辐射、反射辐射、修正大气清晰度指数、气温、水平能见度和总云量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011366059.4A CN113837426A (zh) | 2020-11-29 | 2020-11-29 | 一种基于天气分型的光伏功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011366059.4A CN113837426A (zh) | 2020-11-29 | 2020-11-29 | 一种基于天气分型的光伏功率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113837426A true CN113837426A (zh) | 2021-12-24 |
Family
ID=78962455
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011366059.4A Pending CN113837426A (zh) | 2020-11-29 | 2020-11-29 | 一种基于天气分型的光伏功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113837426A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115529002A (zh) * | 2022-11-28 | 2022-12-27 | 天津海融科技有限公司 | 一种多种天气条件下的光伏发电功率预测方法 |
CN117175569A (zh) * | 2023-09-06 | 2023-12-05 | 国网上海市电力公司 | 一种基于精细化天气分型的光伏预测方法和系统 |
CN117200200A (zh) * | 2023-09-06 | 2023-12-08 | 国网上海市电力公司 | 一种光伏功率预测模型的训练方法 |
CN117713218A (zh) * | 2023-12-29 | 2024-03-15 | 浙江大学 | 一种基于知识与数据融合驱动的光伏出力预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685257A (zh) * | 2018-12-13 | 2019-04-26 | 国网青海省电力公司 | 一种基于支持向量机回归的光伏发电功率预测方法 |
CN110133755A (zh) * | 2019-04-19 | 2019-08-16 | 上海电力学院 | 基于gra-lmbp权重的多天气类型下直散分离建模预测控制方法 |
CN111815021A (zh) * | 2020-06-04 | 2020-10-23 | 上海电力大学 | 一种基于太阳辐射气候特征识别的光伏功率预测方法 |
CN111815020A (zh) * | 2020-06-04 | 2020-10-23 | 上海电力大学 | 一种基于太阳辐射气候特征识别的南墙辐射预测方法 |
-
2020
- 2020-11-29 CN CN202011366059.4A patent/CN113837426A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685257A (zh) * | 2018-12-13 | 2019-04-26 | 国网青海省电力公司 | 一种基于支持向量机回归的光伏发电功率预测方法 |
CN110133755A (zh) * | 2019-04-19 | 2019-08-16 | 上海电力学院 | 基于gra-lmbp权重的多天气类型下直散分离建模预测控制方法 |
CN111815021A (zh) * | 2020-06-04 | 2020-10-23 | 上海电力大学 | 一种基于太阳辐射气候特征识别的光伏功率预测方法 |
CN111815020A (zh) * | 2020-06-04 | 2020-10-23 | 上海电力大学 | 一种基于太阳辐射气候特征识别的南墙辐射预测方法 |
Non-Patent Citations (1)
Title |
---|
宋美蓉: ""智能气象站业务数据收集与传输监控软件设计与应用"", 《中国优秀硕士学位论文全文数据库基础科学辑》, pages 009 - 22 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115529002A (zh) * | 2022-11-28 | 2022-12-27 | 天津海融科技有限公司 | 一种多种天气条件下的光伏发电功率预测方法 |
CN117175569A (zh) * | 2023-09-06 | 2023-12-05 | 国网上海市电力公司 | 一种基于精细化天气分型的光伏预测方法和系统 |
CN117200200A (zh) * | 2023-09-06 | 2023-12-08 | 国网上海市电力公司 | 一种光伏功率预测模型的训练方法 |
CN117175569B (zh) * | 2023-09-06 | 2024-03-22 | 国网上海市电力公司 | 一种基于精细化天气分型的光伏预测方法和系统 |
CN117713218A (zh) * | 2023-12-29 | 2024-03-15 | 浙江大学 | 一种基于知识与数据融合驱动的光伏出力预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113837426A (zh) | 一种基于天气分型的光伏功率预测方法 | |
CN109002915B (zh) | 基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法 | |
CN112257941B (zh) | 基于改进型Bi-LSTM的光伏电站短期功率预测方法 | |
CN106447098B (zh) | 一种光伏超短期功率预测方法及装置 | |
CN111369070B (zh) | 一种基于包络线聚类的多模融合光伏功率预测方法 | |
CN106600060B (zh) | 基于相似日晴朗系数修正的太阳辐照量预测方法 | |
CN104021427A (zh) | 一种基于因子分析的并网光伏电站日发电量预测方法 | |
CN113496311A (zh) | 光伏电站发电功率预测方法及系统 | |
CN109948281B (zh) | 基于天气类型有效识别和组合预测的直散分离建模方法 | |
CN106022538B (zh) | 基于k均值聚类改进广义天气的光伏发电预测方法 | |
CN112070311A (zh) | 基于相似日聚类和气象因子赋权的日前光功率预测方法 | |
CN111626473A (zh) | 一种考虑误差修正的两阶段光伏功率预测方法 | |
CN115829105A (zh) | 基于历史数据特征搜索的光伏功率预测方法 | |
CN112990558A (zh) | 一种基于深度迁移学习的气象温度、光照的预测方法 | |
CN114021420A (zh) | 一种分布式光伏超短期发电功率预测方法及系统 | |
CN115441447B (zh) | 一种新能源发电功率预测方法 | |
CN116029419A (zh) | 基于深度学习的长期新能源日均发电功率预测方法及系统 | |
CN110909310A (zh) | 一种基于模型参数优化的光伏短期发电量预测方法及系统 | |
CN117060407A (zh) | 一种基于相似日划分的风电集群功率预测方法及系统 | |
CN110766296B (zh) | 一种地面电站价值评估模型构建系统 | |
CN111815020A (zh) | 一种基于太阳辐射气候特征识别的南墙辐射预测方法 | |
CN115860797B (zh) | 一种适应新电价改革形势的电量需求预测方法 | |
CN110796292A (zh) | 计及雾霾影响的光伏功率短期预测方法 | |
CN116484998A (zh) | 基于气象相似日的分布式光伏电站功率预测方法及系统 | |
CN113437938B (zh) | 考虑因地域差异的现场特征的光伏阵列输出功率计算方法 |
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 |