CN113988491B - 光伏短期功率预测方法、装置、电子设备及存储介质 - Google Patents
光伏短期功率预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113988491B CN113988491B CN202111626931.9A CN202111626931A CN113988491B CN 113988491 B CN113988491 B CN 113988491B CN 202111626931 A CN202111626931 A CN 202111626931A CN 113988491 B CN113988491 B CN 113988491B
- Authority
- CN
- China
- Prior art keywords
- power
- irradiance
- historical
- maximum
- predicted
- 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 50
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000001105 regulatory effect Effects 0.000 claims description 8
- 239000004576 sand Substances 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010248 power generation Methods 0.000 abstract description 7
- 230000002159 abnormal effect Effects 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 238000013277 forecasting method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training 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
- 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
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请提供一种光伏短期功率预测方法、装置、电子设备及存储介质,所述方法包括:获取预报辐照度和预测日期;基于所述预测日期通过预先构建的最大辐照度模型计算得到预测最大辐照度,其中,所述最大辐照度模型是基于历史年辐照度数据集和历史日期构建得到的;根据所述预报辐照度、所述预测最大辐照度和最优稳定功率计算得到短期预测功率,其中,所述最优稳定功率是基于所述历史日期、预定功率数据集和所述最大辐照度模型计算得到的。本申请利用光伏发电呈现出的日周期性和年周期性的特点,通过最大辐照度模型和最优稳定功率减少了光伏短期功率预测值的波动和其他异常值出现的概率,提高了光伏发电功率预测结果的稳定性。
Description
技术领域
本申请涉及光伏功率预测技术领域,尤其涉及一种光伏短期功率预测方法、装置、电子设备及存储介质。
背景技术
光伏电站群集中并网发电是太阳能大规模开发利用的重要途径,随着光伏电站装机容量的不断增加,高渗透率光伏功率的波动将会对电网造成一系列消极的影响。对光伏短期功率的准确预测是研究光伏并网相关问题的基础。
目前市面上大多数光伏短期预测直接采用机器学习或深度学习模型进行预测,预测结果时好时坏,且预测结果跟所使用得训练数据的长短,时段等都有关系,上述方法存在过拟合的风险,且对数据质量要求较高。
发明内容
有鉴于此,本申请的目的在于提出一种光伏短期功率预测方法、装置、电子设备及存储介质用以解决或部分解决上述技术问题。
基于上述目的,本申请提供了一种光伏短期功率预测方法,包括:
获取预报辐照度和预测日期;
基于所述预测日期通过预先构建的最大辐照度模型计算得到预测最大辐照度,其中,所述最大辐照度模型是基于历史年辐照度数据集和历史日期构建得到的;
根据所述预报辐照度、所述预测最大辐照度和最优稳定功率计算得到短期预测功率,其中,所述最优稳定功率是基于所述历史日期、预定功率数据集和所述最大辐照度模型计算得到的。
进一步的,所述最大辐照度模型为基于历史年辐照度数据集和历史日期构建得到,包括:
将所述历史年辐照度数据集按照预定天数划分为数据组集;
计算所述数据组集中每一个数据组的最大值,得到最大值序列;
基于所述最大值序列与所述历史日期构建所述最大辐照度模型。
进一步的,所述基于所述最大值序列与所述历史日期构建所述最大辐照度模型,包括:
构建预定多项式系数集和预定多项式;
根据所述预定多项式、所述预定多项式系数集和所述历史日期计算历史最大值序列;
对所述预定多项式系数集进行调整直至所述历史最大值序列与所述最大值序列的误差小于预设的第一阈值;
将所述预定多项式及调整后的所述多项式系数集作为所述最大辐照度模型。
进一步的,所述最优稳定功率为基于所述历史日期、预定功率数据集和所述最大辐照度模型计算得到,包括:
从所述历史年辐照度数据集中获取与所述预定天数对应的历史辐照度集;
根据所述历史辐照度集、所述历史日期、所述预定功率数据集和所述最大辐照度模型计算得到稳定功率;
基于所述稳定功率采用预定算法进行计算,得到所述最优稳定功率。
进一步的,所述根据所述历史辐照度集、所述历史日期、所述预定功率数据集和所述最大辐照度模型计算得到稳定功率,包括:
从所述预定功率数据集中获取单日功率曲线对应的功率数据集;
根据下式计算所述稳定功率:
其中,Pzc为稳定功率,Emax1为将所述历史日期输入所述最大辐照度模型得到的历史最大辐照度,Py为所述功率数据集,Ey为所述历史辐照度集。
进一步的,所述基于所述稳定功率采用预定算法进行计算,得到所述最优稳定功率,包括:
基于所述稳定功率通过计算得到所述功率数据集对应的第一功率集;
计算所述第一功率集与所述功率数据集之间的误差;
对所述稳定功率进行调整直到所述误差小于预设的第二阈值;
将调整后的所述稳定功率作为最优稳定功率。
进一步的,所述基于所述预测日期通过预先构建的最大辐照度模型计算得到预测最大辐照度,包括:
基于所述预测日期、所述所述预定多项式和调整后的多项式系数集计算得到所述预测最大辐照度。
进一步的,所述根据所述预报辐照度、所述预测最大辐照度和所述最优稳定功率计算得到短期预测功率,包括:
根据下式计算所述短期预测功率:
其中,Pyc为所述短期预测功率,Emax2为所述预测最大辐照度,Eyc为所述预报辐照度,Ps为所述最优稳定功率。
基于同一发明构思,本申请还提供一种光伏短期功率预测装置,包括:
数据获取模块,用于获取预报辐照度和预测日期;
最大辐照度获取模块,用于根据所述预测日期和最大辐照度模型计算预测最大辐照度,其中,最大辐照度模型为基于年辐照度数据集构建得到;
预测功率模块,用于根据所述预报辐照度、所述预测最大辐照度和所述最优稳定功率计算得到短期预测功率,其中,所述最优稳定功率为基于历史日期、预定功率数据集和所述最大辐照度模型计算得到。
基于同一发明构思,本申请还提供一种电子设备,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计算机程序,其特征在于,所述处理器执行所述程序时实现如上所述的方法。
从上面所述可以看出,本申请提供的光伏短期功率预测方法、装置、电子设备及存储介质,基于传统的辐照度统计方法,同时结合光伏电站的背景数据,通过对年辐照度数据集进行分组并采用多项式拟合的方法获取预测时段对应的最大辐照度数据,不存在数据过拟合风险。然后采用预测系数=最优稳定功率/历史每天最大辐照度这一线性模型对预测时段的光伏发电功率进行计算,原理简单易实现。针对不同光伏电站的特点,最优稳定功率的获取可以有多种方式,扩展了功率预测方法的应用场景。利用光伏发电呈现出的日周期性和年周期性的特点,通过最大辐照度模型和最优稳定功率减少了光伏短期功率预测值的波动和其他异常值出现的概率,提高了光伏发电功率预测结果的稳定性。
附图说明
为了更清楚地说明本申请或相关技术中的技术方案,下面将对实施例或相关技术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申请的实施例,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为本申请实施例的光伏短期功率预测方法的流程示意图;
图2为本申请实施例的最大辐照度模型获取的流程示意图;
图3为本申请实施例的预定多项式获取的流程示意图;
图4为本申请实施例的最优稳定功率获取的流程示意图;
图5为本申请实施例的光伏短期功率预测装置的结构示意图;
图6为本申请实施例的电子设备硬件结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本申请进一步详细说明。
需要说明的是,除非另外定义,本申请实施例使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。本申请实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。
以下结合附图来详细说明本申请的实施例。
本申请提供了一种光伏短期功率预测方法,参考图1,包括以下几个步骤:
步骤S101、获取预报辐照度和预测日期。对光伏发电功率进行预测首先需要获取光伏电站在预测日期的天气预报数据,通过提取天气预报数据中的预报辐照度,为后续的预测算法提供了数据基础。同时,只需要天气预报数据中预报辐照度作为后续预测算法的输入,简化了光伏短期功率预测方法的应用过程,提高了光伏短期功率预测方法的适应性。
步骤S102、基于所述预测日期通过预先构建的最大辐照度模型计算得到预测最大辐照度,其中,所述最大辐照度模型是基于历史年辐照度数据集和历史日期构建得到的。由于光照资源存在日周期性和年周期性的特点,所以基于历史年辐照度数据集和历史日期构建最大辐照度模型可以实现对预测日期对应的辐照度的正确计算,为后续光伏短期功率预测方法提供准确的预测最大辐照度。
步骤S103、根据所述预报辐照度、所述预测最大辐照度和最优稳定功率计算得到短期预测功率,其中,所述最优稳定功率是基于所述历史日期、预定功率数据集和所述最大辐照度模型计算得到的。最优稳定功率的获取可以针对不同的光伏电站采用不同的方法,这样就扩展了光伏短期功率预测方法的适用范围。利用预报辐照度、预测最大辐照度和最优稳定功率形成的线性模型计算得到预测日期对应的短期预测功率,基于上述简单的线性模型,简化了光伏短期功率预测方法的原理,同时线性模型具有天然的稳定性,不会出现非线性模型在计算过程中发生的震荡问题,而且基于统计数据的线性模型也避免了基于大数据的人工智能算法带来的过拟合风险。
在一些实施例中,所述最大辐照度模型为基于历史年辐照度数据集和历史日期构建得到,参考图2,包括以下步骤:
步骤S201、将所述历史年辐照度数据集按照预定天数划分为数据组集。例如,历史年辐照度数据集是由闰年中366天的日辐照度数据集构成,每天的日辐照度数据集由采样密度为15分钟的辐照度数据集构成,然后将历史年辐照度数据集按照10天为一组划分为37个数据组。通过将辐照度数据集进行分组操作,可以避免时间跨度在预定天数范围内的天气变化所带来的辐照度波动,减少光伏短期功率预测值的波动和其他异常值出现的概率,这样提高了光伏短期功率预测的稳定性。
步骤S202、计算所述数据组集中每一个数据组的最大值,得到最大值序列。例如,计算上述37个数据组构成的数据组集中每一个数据组的最大值,得到包含37个最大值的最大值序列。
步骤S203、基于所述最大值序列与所述历史日期构建所述最大辐照度模型。例如,建立37个最大值与366个日期之间的最大辐照度模型,后续可以将预测日期输入到最大辐照度模型中,得到预测日期对应的预测最大辐照度。
在一些实施例中,所述基于所述最大值序列与所述历史日期构建所述最大辐照度模型,参考图3,包括以下步骤:
步骤S301、构建预定多项式系数集和预定多项式。例如,选择k1x8+ k2x7+ k3x6+k4x5+ k5x4+ k6x3+ k7x2+ k8x+ k9作为预定多项式,则对应的预定多项式系数集为,k1,k2,k3,k4,k5,k6,k7,k8,k9,其中x为历史日期在闰年中对应的数据组序号,例如2月3日对应第4组。
步骤S302、根据所述预定多项式、所述预定多项式系数集和所述历史日期计算历史最大值序列。例如,2月3日对应的x=4,当预定多项式系数集为k1=1×10-8,k2=1×10-7,k3=1×10-6,k4=1×10-5,k5=1×10-4,k6=1×10-3,k7=0.01,k8=0.1,k9=1时,根据预定多项式计算得到历史最大值为6.6。
步骤S303、对所述预定多项式系数集进行调整直至所述历史最大值序列与所述最大值序列的误差小于预设的第一阈值。例如,第4组对应的最大值为5,然后计算剩余数据组对应的历史最大值,得到历史最大值序列,则通过调整预定多项式系数集,使得历史最大值序列与最大值序列的误差小于0.4W/m2,其中,0.4W/m2为历史最大值序列中辐照度与最大值序列中辐照度的差值和。
步骤S304、将所述预定多项式及调整后的所述多项式系数集作为所述最大辐照度模型。由于光照资源存在日周期性和年周期性的特点,所以基于历史年辐照度数据集和历史日期构建最大辐照度模型可以实现对预测日期对应的辐照度的正确计算,为后续光伏短期功率预测方法提供准确的预测最大辐照度。
在一些实施例中,所述最优稳定功率为基于所述历史日期、预定功率数据集和所述最大辐照度模型计算得到,参考图4,包括以下步骤:
步骤S401、从所述历史年辐照度数据集中获取与所述预定天数对应的历史辐照度集。
步骤S402、根据所述历史辐照度集、所述历史日期、所述预定功率数据集和所述最大辐照度模型计算得到稳定功率。
步骤S403、基于所述稳定功率采用预定算法进行计算,得到所述最优稳定功率。
具体的,为了得到光伏短期功率预测方法中的最优稳定功率,需要基于光伏电站在预定天数对应的历史辐照度集和预定功率数据集进行计算,然后通过预定算法对计算结果进行调整以得到最优稳定功率。这样根据统计数据得到的最优稳定功率实现了光伏短期功率预测方法的线性化。
在一些实施例中,所述根据所述历史辐照度集、所述历史日期、所述预定功率数据集和所述最大辐照度模型计算得到稳定功率,包括:
从所述预定功率数据集中获取单日功率曲线对应的功率数据集;
根据下式计算所述稳定功率:
其中,Pzc为稳定功率,Emax1为将所述历史日期输入所述最大辐照度模型得到的历史最大辐照度,Py为所述功率数据集,Ey为所述历史辐照度集。
在一些实施例中,所述基于所述稳定功率采用预定算法进行计算,得到所述最优稳定功率,包括:
基于所述稳定功率通过计算得到所述功率数据集对应的第一功率集;计算所述第一功率集与所述功率数据集之间的误差;对所述稳定功率进行调整直到所述误差小于预设的第二阈值;将调整后的所述稳定功率作为最优稳定功率。
具体的,例如,可以采用二分法查找和递归算法对稳定功率进行调整直至误差小于0.1p.u.,也可以通过曲线图拟合对稳定功率进行调整直至误差小于0.1p.u.,其中,0.1p.u.为第一功率集的功率标幺值和与功率数据集的功率标幺值和的差值。同时,对于新建的光伏电站,没有预定功率数据集和历史辐照度集,本实施例中的最优稳定功率可以设置为装机容量的0.83倍,或者设置为0.5~1倍。通过最优稳定功率的计算,为后续光伏短期功率预测方法提供了数据基础。
在一些实施例中,所述基于所述预测日期通过预先构建的最大辐照度模型计算得到预测最大辐照度,包括:基于所述预测日期、所述所述预定多项式和调整后的多项式系数集计算得到所述预测最大辐照度。
在一些实施例中,所述根据所述预报辐照度、所述预测最大辐照度和所述最优稳定功率计算得到短期预测功率,包括:
根据下式计算所述短期预测功率:
其中,Pyc为所述短期预测功率,Emax2为所述预测最大辐照度,Eyc为所述预报辐照度,Ps为所述最优稳定功率。
需要说明的是,本申请实施例的方法可以由单个设备执行,例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下,由多台设备相互配合来完成。在这种分布式场景的情况下,这多台设备中的一台设备可以只执行本申请实施例的方法中的某一个或多个步骤,这多台设备相互之间会进行交互以完成所述的方法。
需要说明的是,上述对本申请的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
基于同一发明构思,与上述任意实施例方法相对应的,本申请还提供了一种光伏短期功率预测装置。
参考图5,所述光伏短期功率预测装置,包括:
数据获取模块501,用于获取预报辐照度和预测日期;
最大辐照度获取模块502,用于基于所述预测日期通过预先构建的最大辐照度模型计算得到预测最大辐照度,其中,所述最大辐照度模型是基于历史年辐照度数据集和历史日期构建得到的;
预测功率模块503,用于根据所述预报辐照度、所述预测最大辐照度和所述最优稳定功率计算得到短期预测功率,其中,所述最优稳定功率为基于历史日期、预定功率数据集和所述最大辐照度模型计算得到。
进一步的,所述最大辐照度模型为基于历史年辐照度数据集和历史日期构建得到,包括:
将所述历史年辐照度数据集按照预定天数划分为数据组集;
计算所述数据组集中每一个数据组的最大值,得到最大值序列;
基于所述最大值序列与所述历史日期构建所述最大辐照度模型。
进一步的,所述基于所述最大值序列与所述历史日期构建所述最大辐照度模型,包括:
构建预定多项式系数集和预定多项式;
根据所述预定多项式、所述预定多项式系数集和所述历史日期计算历史最大值序列;
对所述预定多项式系数集进行调整直至所述历史最大值序列与所述最大值序列的误差小于预设的第一阈值;
将所述预定多项式及调整后的所述多项式系数集作为所述最大辐照度模型。
进一步的,所述最优稳定功率为基于所述历史日期、预定功率数据集和所述最大辐照度模型计算得到,包括:
从所述历史年辐照度数据集中获取与所述预定天数对应的历史辐照度集;
根据所述历史辐照度集、所述历史日期、所述预定功率数据集和所述最大辐照度模型计算得到稳定功率;
基于所述稳定功率采用预定算法进行计算,得到所述最优稳定功率。
进一步的,所述根据所述历史辐照度集、所述历史日期、所述预定功率数据集和所述最大辐照度模型计算得到稳定功率,包括:
从所述预定功率数据集中获取单日功率曲线对应的功率数据集;
根据下式计算所述稳定功率:
其中,Pzc为稳定功率,Emax1为将所述历史日期输入所述最大辐照度模型得到的历史最大辐照度,Py为所述功率数据集,Ey为所述历史辐照度集。
进一步的,所述基于所述稳定功率采用预定算法进行计算,得到所述最优稳定功率,包括:
基于所述稳定功率通过计算得到所述功率数据集对应的第一功率集;
计算所述第一功率集与所述功率数据集之间的误差;
对所述稳定功率进行调整直到所述误差小于预设的第二阈值;
将调整后的所述稳定功率作为最优稳定功率。
进一步的,所述基于所述预测日期通过预先构建的最大辐照度模型计算得到预测最大辐照度,包括:
基于所述预测日期、所述所述预定多项式和调整后的多项式系数集计算得到所述预测最大辐照度。
进一步的,所述根据所述预报辐照度、所述预测最大辐照度和所述最优稳定功率计算得到短期预测功率,包括:
根据下式计算所述短期预测功率:
其中,Pyc为所述短期预测功率,Emax2为所述预测最大辐照度,Eyc为所述预报辐照度,Ps为所述最优稳定功率。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本申请时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述任一实施例中相应的光伏短期功率预测方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
基于同一发明构思,与上述任意实施例方法相对应的,本申请还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计算机程序,所述处理器执行所述程序时实现上任意一实施例所述的光伏短期功率预测方法。
图6示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图,该设备可以包括:处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线 1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit,中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory,只读存储器)、RAM(Random AccessMemory,随机存取存储器)、静态存储设备,动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器1020中,并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块,以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出),也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等,输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出),以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路,在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是,尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050,但是在具体实施过程中,该设备还可以包括实现正常运行所必需的其他组件。此外,本领域的技术人员可以理解的是,上述设备中也可以仅包含实现本说明书实施例方案所必需的组件,而不必包含图中所示的全部组件。
上述实施例的电子设备用于实现前述任一实施例中相应的光伏短期功率预测方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
基于同一发明构思,与上述任意实施例方法相对应的,本申请还提供了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存储计算机指令,所述计算机指令用于使所述计算机执行如上任一实施例所述的光伏短期功率预测方法。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的光伏短期功率预测方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本申请的范围(包括权利要求)被限于这些例子;在本申请的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本申请实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。
另外,为简化说明和讨论,并且为了不会使本申请实施例难以理解,在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外,可以以框图的形式示出装置,以便避免使本申请实施例难以理解,并且这也考虑了以下事实,即关于这些框图装置的实施方式的细节是高度取决于将要实施本申请实施例的平台的(即,这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如,电路)以描述本申请的示例性实施例的情况下,对本领域技术人员来说显而易见的是,可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本申请实施例。因此,这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本申请的具体实施例对本申请进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如,其它存储器架构(例如,动态RAM(DRAM))可以使用所讨论的实施例。
本申请实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本申请实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (8)
1.一种光伏短期功率预测方法,其特征在于,包括:
获取预报辐照度和预测日期;
基于所述预测日期通过预先构建的最大辐照度模型计算得到预测最大辐照度,其中,将历史年辐照度数据集按照预定天数划分为数据组集;
计算所述数据组集中每一个数据组的最大值,得到最大值序列;
构建预定多项式系数集和预定多项式;
根据所述预定多项式、所述预定多项式系数集和历史日期计算历史最大值序列;
对所述预定多项式系数集进行调整直至所述历史最大值序列与所述最大值序列的误差小于预设的第一阈值;
将所述预定多项式及调整后的所述多项式系数集作为所述最大辐照度模型;
根据所述预报辐照度、所述预测最大辐照度和最优稳定功率计算得到短期预测功率,其中,所述最优稳定功率是基于所述历史日期、预定功率数据集和所述最大辐照度模型计算得到的。
2.根据权利要求1所述的方法,其特征在于,所述最优稳定功率为基于所述历史日期、预定功率数据集和所述最大辐照度模型计算得到,包括:
从所述历史年辐照度数据集中获取与所述预定天数对应的历史辐照度集;
根据所述历史辐照度集、所述历史日期、所述预定功率数据集和所述最大辐照度模型计算得到稳定功率;
基于所述稳定功率采用预定算法进行计算,得到所述最优稳定功率。
4.根据权利要求2所述的方法,其特征在于,所述基于所述稳定功率采用预定算法进行计算,得到所述最优稳定功率,包括:
基于所述稳定功率通过计算得到所述功率数据集对应的第一功率集;
计算所述第一功率集与所述功率数据集之间的误差;
对所述稳定功率进行调整直到所述误差小于预设的第二阈值;
将调整后的所述稳定功率作为最优稳定功率。
5.根据权利要求1所述的方法,其特征在于,所述基于所述预测日期通过预先构建的最大辐照度模型计算得到预测最大辐照度,包括:
基于所述预测日期、所述预定多项式和调整后的多项式系数集计算得到所述预测最大辐照度。
7.一种光伏短期功率预测装置,其特征在于,包括:
数据获取模块,用于获取预报辐照度和预测日期;
最大辐照度获取模块,用于基于所述预测日期通过预先构建的最大辐照度模型计算得到预测最大辐照度,其中,将历史年辐照度数据集按照预定天数划分为数据组集;
计算所述数据组集中每一个数据组的最大值,得到最大值序列;
构建预定多项式系数集和预定多项式;
根据所述预定多项式、所述预定多项式系数集和历史日期计算历史最大值序列;
对所述预定多项式系数集进行调整直至所述历史最大值序列与所述最大值序列的误差小于预设的第一阈值;
将所述预定多项式及调整后的所述多项式系数集作为所述最大辐照度模型;
预测功率模块,用于根据所述预报辐照度、所述预测最大辐照度和最优稳定功率计算得到短期预测功率,其中,所述最优稳定功率为基于历史日期、预定功率数据集和所述最大辐照度模型计算得到。
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计算机程序,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至6任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111626931.9A CN113988491B (zh) | 2021-12-29 | 2021-12-29 | 光伏短期功率预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111626931.9A CN113988491B (zh) | 2021-12-29 | 2021-12-29 | 光伏短期功率预测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113988491A CN113988491A (zh) | 2022-01-28 |
CN113988491B true CN113988491B (zh) | 2022-04-01 |
Family
ID=79734808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111626931.9A Active CN113988491B (zh) | 2021-12-29 | 2021-12-29 | 光伏短期功率预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113988491B (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10554170B2 (en) * | 2015-10-08 | 2020-02-04 | Con Edison Battery Storage, Llc | Photovoltaic energy system with solar intensity prediction |
US10564610B2 (en) * | 2015-10-08 | 2020-02-18 | Con Edison Battery Storage, Llc | Photovoltaic energy system with preemptive ramp rate control |
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 |
CN110365059B (zh) * | 2019-08-15 | 2021-11-02 | 阳光电源股份有限公司 | 一种光功率预测方法及装置 |
CN110751326B (zh) * | 2019-10-17 | 2022-10-28 | 江苏远致能源科技有限公司 | 一种光伏日前功率预测方法、装置以及存储介质 |
-
2021
- 2021-12-29 CN CN202111626931.9A patent/CN113988491B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113988491A (zh) | 2022-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20180240048A1 (en) | Method and device for modeling a long-time-scale photovoltaic output time sequence | |
Constantinescu et al. | A computational framework for uncertainty quantification and stochastic optimization in unit commitment with wind power generation | |
CN107204615B (zh) | 一种实现功率预测的方法及系统 | |
US20190064392A1 (en) | Forecasting solar power output | |
CN112508118B (zh) | 针对数据偏移的目标对象行为预测方法及其相关设备 | |
CN107133190A (zh) | 一种机器学习系统的训练方法和训练系统 | |
CN114330935B (zh) | 基于多种结合策略集成学习的新能源功率预测方法和系统 | |
EP3961384A1 (en) | Automatic derivation of software engineering artifact attributes from product or service development concepts | |
CN109670648A (zh) | 能源数据预测模型的训练、能源数据的预测方法及装置 | |
CN115225520B (zh) | 一种基于元学习框架的多模态网络流量预测方法及装置 | |
CN116167581A (zh) | 电池需求量预估方法、装置、调度方法和计算机设备 | |
Bouguera et al. | A novel solar energy predictor for communicating sensors | |
CN114330934A (zh) | 一种模型参数自适应的gru新能源短期发电功率预测方法 | |
JP2017011780A (ja) | 発電量予測制御装置、発電量予測方法および発電量予測プログラム | |
CN115689061B (zh) | 风电超短期功率预测方法及相关设备 | |
CN113988491B (zh) | 光伏短期功率预测方法、装置、电子设备及存储介质 | |
CN116307632B (zh) | 水电站经济负荷分配方法、装置、电子设备及存储介质 | |
CN111798263A (zh) | 一种交易趋势的预测方法和装置 | |
CN116937560A (zh) | 新能源出力预测方法、装置、设备及可读存储介质 | |
CN113723712B (zh) | 风电功率预测方法、系统、设备及介质 | |
CN111091138A (zh) | 辐照预报的处理方法、堆叠泛化模型的训练方法及装置 | |
CN116316537A (zh) | 输电线路运行控制方法、装置、设备、介质和程序产品 | |
CN112036607B (zh) | 基于出力水平的风电出力波动预测方法、装置及存储介质 | |
CN113850427A (zh) | 时间序列的预测方法和电子设备,及计算机存储介质 | |
CN114444820B (zh) | 基于气象-功率特性的新能源功率预测限电数据识别方法 |
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 |