CN114462723A - 基于高空风资源影响的云层迁移分钟级光伏功率预测方法 - Google Patents
基于高空风资源影响的云层迁移分钟级光伏功率预测方法 Download PDFInfo
- Publication number
- CN114462723A CN114462723A CN202210378247.1A CN202210378247A CN114462723A CN 114462723 A CN114462723 A CN 114462723A CN 202210378247 A CN202210378247 A CN 202210378247A CN 114462723 A CN114462723 A CN 114462723A
- Authority
- CN
- China
- Prior art keywords
- cloud
- cloud layer
- predicted
- photovoltaic
- migration
- 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.)
- Granted
Links
- 238000013508 migration Methods 0.000 title claims abstract description 173
- 230000005012 migration Effects 0.000 title claims abstract description 162
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000001228 spectrum Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 238000013475 authorization Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static 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
- 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
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)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Power Engineering (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种基于高空风资源影响的云层迁移分钟级光伏功率预测方法、装置、计算机设备。所述方法包括：获取待预测光伏场站在第一时间点的第一云量图谱；获取待预测光伏场站在第二时间点的第二云量图谱；第二云量图谱对应的区域范围由待预测光伏场站的所处位置的高空风资源信息和预设时间间隔所确定；根据目标云层区块与迁移后云层区块的相对位置差异，确定待预测光伏场站的所处位置的云层迁移数据；根据云层迁移数据，生成包含云量信息的预设时间精度级天气数据，并采用预设时间精度级天气数据进行光伏功率预测，得到待预测光伏场站的预设时间精度级光伏功率预测结果。采用本方法能够预测出光伏出力的高频波动成分，提升了预测准确度。
Description
技术领域
本申请涉及电力新能源领域，特别是涉及一种基于高空风资源影响的云层迁移分钟级光伏功率预测方法、装置、计算机设备、存储介质。
背景技术
在大规模的新能源并网时，由于新能源出力受气象和地形等因素影响，具有较强的随机性、波动性，将对电力系统安全稳定运行带来挑战，而功率预测是解决新能源并网的关键措施之一。
目前，采用传统方法预测光伏功率，时间颗粒度大，且受云层遮挡的影响，光伏出力会表现出相关功率突变，导致了光伏功率预测不准确。
因此，相关技术中存在光伏功率预测准确度低的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够解决上述问题的基于高空风资源影响的云层迁移分钟级光伏功率预测方法、装置、计算机设备、存储介质。
第一方面，本申请提供了一种基于高空风资源影响的云层迁移分钟级光伏功率预测方法，所述方法包括：
获取待预测光伏场站在第一时间点的第一云量图谱；所述第一云量图谱包括目标云层区块；
获取所述待预测光伏场站在第二时间点的第二云量图谱；所述第二云量图谱包括与所述目标云层区块相匹配的迁移后云层区块，所述第二云量图谱对应的区域范围由所述待预测光伏场站的所处位置的高空风资源信息和预设时间间隔所确定；
根据所述目标云层区块与所述迁移后云层区块的相对位置差异，确定所述待预测光伏场站的所处位置的云层迁移数据；
根据所述云层迁移数据，生成包含云量信息的预设时间精度级天气数据，并采用所述预设时间精度级天气数据进行光伏功率预测，得到所述待预测光伏场站的预设时间精度级光伏功率预测结果。
在其中一个实施例中，所述获取所述待预测光伏场站在第二时间点的第二云量图谱，包括：
根据所述第一时间点和所述预设时间间隔，确定第二时间点；
针对所述第二时间点，获取所述待预测光伏场站的所处位置的云层迁移信息；所述云层迁移信息用于指示所述第二云量图谱对应的区域范围；
以所述待预测光伏场站的所处位置为中心，根据所述区域范围，得到所述第二云量图谱。
在其中一个实施例中，所述针对所述第二时间点，获取所述待预测光伏场站的所处位置的云层迁移信息，包括：
获取所述待预测光伏场站的所处位置的高空风资源信息；所述高空风资源信息包括高空风速；
根据所述高空风速和所述预设时间间隔，得到针对所述第二时间点的云层迁移范围，作为所述云层迁移信息。
在其中一个实施例中，所述第一云量图谱和所述第二云量图谱均为网格化图谱，所述根据所述目标云层区块与所述迁移后云层区块的相对位置差异，确定所述待预测光伏场站的所处位置的云层迁移数据，包括：
在所述第二云量图谱中对所述目标云层区块进行区块匹配，确定所述迁移后云层区块；
根据所述目标云层区块的网格位置和所述迁移后云层区块的网格位置的差异，得到所述云层迁移数据；所述云层迁移数据包括云层迁移方向和云层迁移速度。
在其中一个实施例中，所述第二云量图谱包括多个候选云层区块，所述在所述第二云量图谱中对所述目标云层区块进行区块匹配，确定所述迁移后云层区块，包括：
在所述第二云量图谱中，将所述目标云层区块和多个候选云层区块进行逐一比对，得到所述目标云层区块与任一所述候选云层区块对应的特征距离；
将最小特征距离对应的候选云层区块，作为所述迁移后云层区块。
在其中一个实施例中，所述采用所述预设时间精度级天气数据进行光伏功率预测，得到所述待预测光伏场站的预设时间精度级光伏功率预测结果，包括：
采用所述预设时间精度级天气数据和样本光伏功率信息，构建光伏功率预测模型；
根据所述光伏功率预测模型对所述待预测光伏场站进行光伏功率预测，得到所述预设时间精度级光伏功率预测结果。
第二方面，本申请还提供了一种基于高空风资源影响的云层迁移分钟级光伏功率预测装置，所述装置包括：
第一云量图谱获取模块，用于获取待预测光伏场站在第一时间点的第一云量图谱；所述第一云量图谱包括目标云层区块；
第二云量图谱获取模块，用于获取所述待预测光伏场站在第二时间点的第二云量图谱；所述第二云量图谱包括与所述目标云层区块相匹配的迁移后云层区块，所述第二云量图谱对应的区域范围由所述待预测光伏场站的所处位置的高空风资源信息和预设时间间隔所确定；
云层迁移数据确定模块，用于根据所述目标云层区块与所述迁移后云层区块的相对位置差异，确定所述待预测光伏场站的所处位置的云层迁移数据；
光伏功率预测模块，用于根据所述云层迁移数据，生成包含云量信息的预设时间精度级天气数据，并采用所述预设时间精度级天气数据进行光伏功率预测，得到所述待预测光伏场站的预设时间精度级光伏功率预测结果。
在其中一个实施例中，所述第二云量图谱获取模块包括：
第二时间点确定子模块，用于根据所述第一时间点和所述预设时间间隔，确定第二时间点；
云层迁移信息获取子模块，用于针对所述第二时间点，获取所述待预测光伏场站的所处位置的云层迁移信息；所述云层迁移信息用于指示所述第二云量图谱对应的区域范围；
第二云量图谱得到子模块，用于以所述待预测光伏场站的所处位置为中心，根据所述区域范围，得到所述第二云量图谱。
在其中一个实施例中，所述云层迁移信息获取子模块包括：
高空风资源信息获取单元，用于获取所述待预测光伏场站的所处位置的高空风资源信息；所述高空风资源信息包括高空风速；
云层迁移范围确定单元，用于根据所述高空风速和所述预设时间间隔，得到针对所述第二时间点的云层迁移范围，作为所述云层迁移信息。
在其中一个实施例中，所述第一云量图谱和所述第二云量图谱均为网格化图谱，所述云层迁移数据确定模块包括：
区块匹配子模块，用于在所述第二云量图谱中对所述目标云层区块进行区块匹配，确定所述迁移后云层区块；
网格位置差异确定子模块，用于根据所述目标云层区块的网格位置和所述迁移后云层区块的网格位置的差异，得到所述云层迁移数据；所述云层迁移数据包括云层迁移方向和云层迁移速度。
在其中一个实施例中，所述第二云量图谱包括多个候选云层区块，所述区块匹配子模块包括：
特征距离计算单元，用于在所述第二云量图谱中，将所述目标云层区块和多个候选云层区块进行逐一比对，得到所述目标云层区块与任一所述候选云层区块对应的特征距离；
匹配区块确定单元，用于将最小特征距离对应的候选云层区块，作为所述迁移后云层区块。
在其中一个实施例中，所述光伏功率预测模块包括：
预测模型构建子模块，用于采用所述预设时间精度级天气数据和样本光伏功率信息，构建光伏功率预测模型；
预测结果得到子模块，用于根据所述光伏功率预测模型对所述待预测光伏场站进行光伏功率预测，得到所述预设时间精度级光伏功率预测结果。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上所述的基于高空风资源影响的云层迁移分钟级光伏功率预测方法的步骤。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的基于高空风资源影响的云层迁移分钟级光伏功率预测方法的步骤。
上述一种基于高空风资源影响的云层迁移分钟级光伏功率预测方法、装置、计算机设备、存储介质，通过获取待预测光伏场站在第一时间点的第一云量图谱，第一云量图谱包括目标云层区块，并获取待预测光伏场站在第二时间点的第二云量图谱，第二云量图谱包括与目标云层区块相匹配的迁移后云层区块，第二云量图谱对应的区域范围由待预测光伏场站的所处位置的高空风资源信息和预设时间间隔所确定，然后根据目标云层区块与迁移后云层区块的相对位置差异，确定待预测光伏场站的所处位置的云层迁移数据，进而根据云层迁移数据，生成包含云量信息的预设时间精度级天气数据，并采用预设时间精度级天气数据进行光伏功率预测，得到待预测光伏场站的预设时间精度级光伏功率预测结果，实现了考虑高空风资源影响云层迁移的光伏功率预测，能够预测出光伏出力的高频波动成分，提升了光伏功率预测准确度。
附图说明
图1为一个实施例中一种基于高空风资源影响的云层迁移分钟级光伏功率预测方法的流程示意图；
图2为一个实施例中一种云量二维图谱的示意图；
图3a为一个实施例中一种t时刻云量图谱的示意图；
图3b为一个实施例中一种t+15分钟时刻云量图谱的示意图；
图4a为一个实施例中一种预测结果曲线的示意图；
图4b为一个实施例中一种预测结果曲线细节的示意图；
图5为一个实施例中另一种基于高空风资源影响的云层迁移分钟级光伏功率预测方法的流程示意图；
图6为一个实施例中一种基于高空风资源影响的云层迁移分钟级光伏功率预测装置的结构框图；
图7为一个实施例中一种计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于展示的数据、分析的数据等），均为经用户授权或者经过各方充分授权的信息和数据；对应的，本申请还提供有相应的用户授权入口，供用户选择授权或者选择拒绝。
在一个实施例中，如图1所示，提供了一种基于高空风资源影响的云层迁移分钟级光伏功率预测方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
步骤101，获取待预测光伏场站在第一时间点的第一云量图谱；所述第一云量图谱包括目标云层区块；
其中，针对待预测光伏场站，可以根据预设时间间隔获取不同时间点的云量图谱，如可以根据15分钟间隔，获取t时刻的云量图谱，作为第一时间点的第一云量图谱，然后可以获取t+15分钟时刻的云量图谱，作为第二时间点的第二云量图谱。
作为一示例，第一云量图谱和第二云量图谱可以均为网格化图谱，可以从第一云量图谱中确定一网格区域，该网格区域可以包括多个网格块，作为目标云层区块，如可以将一个3*3的网格区域作为待匹配的目标云层区块。
在实际应用中，可以根据预设时间间隔前后的网格化云量图谱，识别待预测光伏场站所处位置的云层迁移情况，通过获取待预测光伏场站在第一时间点的第一云量图谱，作为预设时间间隔前的云量图谱，进而可以在第一云量图谱中确定待匹配的目标云层区块，以进一步基于该目标云层区块，在预设时间间隔后的云量图谱中进行区块匹配。
在一示例中，如图2所示，可以针对待预测光伏场站，构建以待预测光伏场站所处位置为中心的网格化云量二维图谱，例如，以待预测光伏场站所处位置为中心，根据相应的长度和宽度（如15*15的网格）建立网格化的云量二维图谱，网格中可以采用不同颜色深浅（如图2中0-0.5的数值条）表示对应位置的云量大小，如颜色数值越小可以表征对应位置的云量越多，还可以采用其它设置方式，在本实施例中不作具体限制。
步骤102，获取所述待预测光伏场站在第二时间点的第二云量图谱；所述第二云量图谱包括与所述目标云层区块相匹配的迁移后云层区块，所述第二云量图谱对应的区域范围由所述待预测光伏场站的所处位置的高空风资源信息和预设时间间隔所确定；
作为一示例，高空风资源信息可以包括高空风速和高空风向，可以根据相同位置的低空风资源信息（如低空风速和低空风向）计算出云层所在高空的风速和风向，进而可以根据高空风速和高空风向确定云层迁移范围。
在具体实现中，针对在第一时间点所获取的第一云量图谱，可以获取待预测光伏场站在第二时间点的第二云量图谱，作为预设时间间隔后的云量图谱，进而可以根据第一云量图谱中的目标云层区块，在第二云量图谱中进行区块匹配，得到与目标云层区块相匹配的迁移后云层区块。
例如，可以在第一云量图谱中，以待预测光伏场站所处位置为中心，选取一个3*3的匹配块（即目标云层区块），然后可以将该匹配块与第二云量图谱中的各3*3网格矩阵块逐一匹配，计算出对应的欧式距离，进而可以筛选出欧式距离最小的一个网格矩阵块，作为所匹配到的区块（即迁移后云层区块）。
步骤103，根据所述目标云层区块与所述迁移后云层区块的相对位置差异，确定所述待预测光伏场站的所处位置的云层迁移数据；
在确定目标云层区块和迁移后云层区块后，可以基于目标云层区块在第一云量图谱中的网格位置，以及迁移后云层区块后在第二云量图谱中的网格位置，通过对比两者网格位置的差异得到网格移动距离，作为待预测光伏场站的所处位置的云层迁移数据。
具体地，可以根据预设时间间隔（如15分钟间隔）前后的云量图谱，通过对比匹配出的两个网格矩阵块的相对位置（即目标云层区块与迁移后云层区块的相对位置差异），可以识别出云层的迁移方向和迁移速度，即待预测光伏场站的所处位置的云层迁移数据。
步骤104，根据所述云层迁移数据，生成包含云量信息的预设时间精度级天气数据，并采用所述预设时间精度级天气数据进行光伏功率预测，得到所述待预测光伏场站的预设时间精度级光伏功率预测结果。
作为一示例，预设时间精度级天气数据可以为分钟级数值天气预报数据，其可以包括分钟级云量信息和分钟级天气数据。
在得到云层迁移数据后，通过基于预设时间精度级对云层迁移数据进行细化，可以生成包含云量信息的预设时间精度级天气数据，进而可以采用该预设时间精度级天气数据，对待预测光伏场站所处位置进行光伏功率预测，得到预设时间精度级光伏功率预测结果，如分钟级光伏功率预测结果。
在一示例中，可以针对云层迁移数据，进一步细化分钟级时间尺度下的云团所在位置，进而可以生成包含云量信息的分钟级的数值天气预报数据，作为预设时间精度级天气数据，以根据分钟级数值天气预报数据进行分钟级光伏功率预测。
例如，可以假设在15分钟内云层以匀速方式迁移，然后可以根据云层的迁移速度和方向，计算出15分钟内各个时间段的云层迁移位置，进而可以得到待预测光伏场站所处位置的分钟级云量信息和分钟级天气数据，作为预设时间精度级天气数据。
在一个可选实施例中，为了使本领域技术人员能够更好地理解上述步骤，以下通过一个例子对本申请实施例加以示例性说明，但应当理解的是，本申请实施例并不限于此。
以预设时间间隔15分钟为例进行说明，可以采用如下步骤：
1、建立低空风速与高空风速的映射关系；
2、构建以待预测光伏场站所处位置为中心的网格化云量二维图谱；
3、根据15分钟间隔前后的云量图谱（即第一云量图谱和第二云量图谱），识别云层的迁移方向和速度（即待预测光伏场站的所处位置的云层迁移数据）；
4、根据15分钟内的云层迁移方向和速度，得到分钟级的云层迁移规律；
5、根据分钟级的数值天气预报数据（即预设时间精度级天气数据）预测分钟级的光伏出力（即预设时间精度级光伏功率预测结果）。
由于新能源出力受气象和地形等因素影响，具有较强的随机性、波动性，受云层遮挡时光伏出力会表现出分钟级的功率突变，相较于传统方法基于云团图像识别云团位移，其未考虑到风速对云团迁移的影响，且云团迁移过程中形状发生改变，会导致图像识别准确率降低。本实施例的技术方案，通过根据低空风速风向信息计算出云层所处高空的风速风向变化规律，可以根据高空风速风向确定云层迁移的大致范围，然后可以根据15分钟前后的网格化云量图谱，通过网格块匹配方式，精确地识别出云团移动方向和移动距离，进而通过进一步细化分钟级时间尺度下的云团所在位置，可以生成包含云量信息的分钟级的数值天气预报数据，并根据分钟级数值天气预报数据进行分钟级光伏功率预测，从而能够预测出光伏出力的高频波动成分，具有较好的工程应用价值。
上述基于高空风资源影响的云层迁移分钟级光伏功率预测方法中，通过获取待预测光伏场站在第一时间点的第一云量图谱，并获取待预测光伏场站在第二时间点的第二云量图谱，然后根据目标云层区块与迁移后云层区块的相对位置差异，确定待预测光伏场站的所处位置的云层迁移数据，进而根据云层迁移数据，生成包含云量信息的预设时间精度级天气数据，并采用预设时间精度级天气数据进行光伏功率预测，得到待预测光伏场站的预设时间精度级光伏功率预测结果，实现了考虑高空风资源影响云层迁移的光伏功率预测，能够预测出光伏出力的高频波动成分，提升了光伏功率预测准确度。
在一个实施例中，所述获取所述待预测光伏场站在第二时间点的第二云量图谱，可以包括如下步骤：
根据所述第一时间点和所述预设时间间隔，确定第二时间点；针对所述第二时间点，获取所述待预测光伏场站的所处位置的云层迁移信息；所述云层迁移信息用于指示所述第二云量图谱对应的区域范围；以所述待预测光伏场站的所处位置为中心，根据所述区域范围，得到所述第二云量图谱。
在实际应用中，可以根据第一时间点和预设时间间隔，确定第二时间点，如针对第一时间点t时刻，可以确定第二时间点为t+15分钟时刻，然后可以结合待预测光伏场站所处位置的高空风资源信息和预设时间间隔，计算出云层迁移的大致范围，即待预测光伏场站的所处位置的云层迁移信息，进而可以根据该云层迁移信息确定第二云量图谱对应的区域范围，并以待预测光伏场站的所处位置为中心，结合该区域范围，获取待预测光伏场站在第二时间点的第二云量图谱。
本实施例中，通过根据第一时间点和预设时间间隔，确定第二时间点，然后针对第二时间点，获取待预测光伏场站的所处位置的云层迁移信息，进而以待预测光伏场站的所处位置为中心，根据区域范围，得到第二云量图谱，可以考虑到风速对云团迁移的影响，为精确地识别出云团移动方向和移动距离提供了数据支持。
在一个实施例中，所述针对所述第二时间点，获取所述待预测光伏场站的所处位置的云层迁移信息，可以包括如下步骤：
获取所述待预测光伏场站的所处位置的高空风资源信息；所述高空风资源信息包括高空风速；根据所述高空风速和所述预设时间间隔，得到针对所述第二时间点的云层迁移范围，作为所述云层迁移信息。
在具体实现中，高空风资源信息可以包括高空风速，其可以根据相同位置的低空风资源信息（如低空风速）计算出云层所在高空的风速，进而可以根据高空风速和预设时间间隔，计算出针对第二时间点的云层迁移范围，作为云层迁移信息，高空风资源信息还可以包括高空风向。
在一示例中，可以建立低空风速与高空风速的映射关系，如高空风速V可以采用如下表示：
V = V0(H/H0)n
其中，V0可以为低空风速，H0可以为低空处的海拔高度，H可以为云层所处的高空海拔高度，n可以为摩擦系数，其可以根据云层所处位置选取不同取值，如取值在0.1~0.4之间。
本实施例中，通过获取待预测光伏场站的所处位置的高空风资源信息，进而根据高空风速和预设时间间隔，得到针对第二时间点的云层迁移范围，作为云层迁移信息，可以基于云层所处高空风速对云团迁移的影响，确定云层迁移的大致范围，有助于精确识别出云团移动方向和移动距离。
在一个实施例中，第一云量图谱和第二云量图谱可以均为网格化图谱，所述根据所述目标云层区块与所述迁移后云层区块的相对位置差异，确定所述待预测光伏场站的所处位置的云层迁移数据，可以包括如下步骤：
在所述第二云量图谱中对所述目标云层区块进行区块匹配，确定所述迁移后云层区块；根据所述目标云层区块的网格位置和所述迁移后云层区块的网格位置的差异，得到所述云层迁移数据；所述云层迁移数据包括云层迁移方向和云层迁移速度。
在一示例中，由于第一云量图谱和第二云量图谱可以均为网格化图谱，针对第一云量图谱中的目标云层区块，如3*3的网格区域，可以在第二云量图谱中对目标云层区块进行区块匹配，将所匹配到的3*3网格区域作为迁移后云层区块，进而通过对比两个3*3网格区域各自对应的网格位置的差异，可以基于网格移动距离计算出云层迁移数据，如云层迁移方向和云层迁移速度。
本实施例中，通过在第二云量图谱中对目标云层区块进行区块匹配，确定迁移后云层区块，进而根据目标云层区块的网格位置和迁移后云层区块的网格位置的差异，得到云层迁移数据，能够精确地识别出云团移动方向和移动距离，提高了识别准确度。
在一个实施例中，第二云量图谱可以包括多个候选云层区块，所述在所述第二云量图谱中对所述目标云层区块进行区块匹配，确定所述迁移后云层区块，可以包括如下步骤：
在所述第二云量图谱中，将所述目标云层区块和多个候选云层区块进行逐一比对，得到所述目标云层区块与任一所述候选云层区块对应的特征距离；将最小特征距离对应的候选云层区块，作为所述迁移后云层区块。
其中，特征距离可以为欧式距离。
在实际应用中，如图3a所示，可以在第一云量图谱中，以待预测光伏场站所处位置为中心，选取一个3*3的匹配块（即目标云层区块），然后可以将该匹配块与第二云量图谱中的各3*3网格矩阵块逐一匹配，计算出对应的欧式距离，进而可以筛选出欧式距离最小的一个网格矩阵块，作为所匹配到的区块（即迁移后云层区块），如图3b所示。
在一示例中，图3a为t时刻云量图谱，其中，虚线框表征的匹配块为以待预测光伏场站的所处位置为中心的3*3网格区域，图3b为t+15分钟时刻的云量图谱，其中，虚线框表征的匹配块为与t时刻云量图谱中匹配度最高的3*3网格区域，结合图3a和图3b可以看出，云层在15分钟内的迁移情况为（-3，-1），其中，-3代表向左（如地理西）迁移了3个网格，-1代表向下（如地理南）迁移了1个网格。
本实施例中，通过在第二云量图谱中，将目标云层区块和多个候选云层区块进行逐一比对，得到目标云层区块与任一候选云层区块对应的特征距离，进而将最小特征距离对应的候选云层区块，作为迁移后云层区块，能够在云量图谱中准确匹配出迁移区块，以精确得到云层迁移方向和速度。
在一个实施例中，所述采用所述预设时间精度级天气数据进行光伏功率预测，得到所述待预测光伏场站的预设时间精度级光伏功率预测结果，可以包括如下步骤：
采用所述预设时间精度级天气数据和样本光伏功率信息，构建光伏功率预测模型；根据所述光伏功率预测模型对所述待预测光伏场站进行光伏功率预测，得到所述预设时间精度级光伏功率预测结果。
在一示例中，可以根据分钟级的数值天气预报数据（即预设时间精度级天气数据）建立光伏功率预测模型，以进一步针对待预测光伏场站预测分钟级的光伏出力，即得到预设时间精度级光伏功率预测结果。
在又一示例中，以预测5分钟时间尺度的光伏出力为例，可以得到如图4a所示的功率预测曲线，其中，连续平滑曲线为根据15分钟数值天气预报数据预测的光伏功率，曲线中波动部分为根据本方法预测出的5分钟级的光伏出力，如图4b所示的细节可以看出，采用本方法能够预测出光伏出力的高频波动成分，具有较好的工程应用价值。
本实施例中，通过采用预设时间精度级天气数据和样本光伏功率信息，构建光伏功率预测模型，进而根据光伏功率预测模型对待预测光伏场站进行光伏功率预测，得到预设时间精度级光伏功率预测结果，能够预测出光伏出力的高频波动成分，提升了光伏功率预测准确度。
在一个实施例中，如图5所示，提供了另一种基于高空风资源影响的云层迁移分钟级光伏功率预测方法的流程示意图。本实施例中，该方法包括以下步骤：
在步骤501中，获取待预测光伏场站在第一时间点的第一云量图谱；第一云量图谱包括目标云层区块。在步骤502中，获取待预测光伏场站在第二时间点的第二云量图谱；第二云量图谱包括与目标云层区块相匹配的迁移后云层区块。在步骤503中，第二云量图谱包括多个候选云层区块，在第二云量图谱中，将目标云层区块和多个候选云层区块进行逐一比对，得到目标云层区块与任一候选云层区块对应的特征距离。在步骤504中，将最小特征距离对应的候选云层区块，作为迁移后云层区块。在步骤505中，根据目标云层区块的网格位置和迁移后云层区块的网格位置的差异，得到云层迁移数据；云层迁移数据包括云层迁移方向和云层迁移速度。在步骤506中，根据云层迁移数据，生成包含云量信息的预设时间精度级天气数据。在步骤507中，采用预设时间精度级天气数据和样本光伏功率信息，构建光伏功率预测模型。在步骤508中，根据光伏功率预测模型对待预测光伏场站进行光伏功率预测，得到预设时间精度级光伏功率预测结果。需要说明的是，上述步骤的具体限定可以参见上文对一种基于高空风资源影响的云层迁移分钟级光伏功率预测方法的具体限定，在此不再赘述。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的基于高空风资源影响的云层迁移分钟级光伏功率预测方法的基于高空风资源影响的云层迁移分钟级光伏功率预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个基于高空风资源影响的云层迁移分钟级光伏功率预测装置实施例中的具体限定可以参见上文中对于基于高空风资源影响的云层迁移分钟级光伏功率预测方法的限定，在此不再赘述。
在一个实施例中，如图6所示，提供了一种基于高空风资源影响的云层迁移分钟级光伏功率预测装置，包括：
第一云量图谱获取模块601，用于获取待预测光伏场站在第一时间点的第一云量图谱；所述第一云量图谱包括目标云层区块；
第二云量图谱获取模块602，用于获取所述待预测光伏场站在第二时间点的第二云量图谱；所述第二云量图谱包括与所述目标云层区块相匹配的迁移后云层区块，所述第二云量图谱对应的区域范围由所述待预测光伏场站的所处位置的高空风资源信息和预设时间间隔所确定；
云层迁移数据确定模块603，用于根据所述目标云层区块与所述迁移后云层区块的相对位置差异，确定所述待预测光伏场站的所处位置的云层迁移数据；
光伏功率预测模块604，用于根据所述云层迁移数据，生成包含云量信息的预设时间精度级天气数据，并采用所述预设时间精度级天气数据进行光伏功率预测，得到所述待预测光伏场站的预设时间精度级光伏功率预测结果。
在一个实施例中，所述第二云量图谱获取模块602包括：
第二时间点确定子模块，用于根据所述第一时间点和所述预设时间间隔，确定第二时间点；
云层迁移信息获取子模块，用于针对所述第二时间点，获取所述待预测光伏场站的所处位置的云层迁移信息；所述云层迁移信息用于指示所述第二云量图谱对应的区域范围；
第二云量图谱得到子模块，用于以所述待预测光伏场站的所处位置为中心，根据所述区域范围，得到所述第二云量图谱。
在一个实施例中，所述云层迁移信息获取子模块包括：
高空风资源信息获取单元，用于获取所述待预测光伏场站的所处位置的高空风资源信息；所述高空风资源信息包括高空风速；
云层迁移范围确定单元，用于根据所述高空风速和所述预设时间间隔，得到针对所述第二时间点的云层迁移范围，作为所述云层迁移信息。
在一个实施例中，所述第一云量图谱和所述第二云量图谱均为网格化图谱，所述云层迁移数据确定模块603包括：
区块匹配子模块，用于在所述第二云量图谱中对所述目标云层区块进行区块匹配，确定所述迁移后云层区块；
网格位置差异确定子模块，用于根据所述目标云层区块的网格位置和所述迁移后云层区块的网格位置的差异，得到所述云层迁移数据；所述云层迁移数据包括云层迁移方向和云层迁移速度。
在一个实施例中，所述第二云量图谱包括多个候选云层区块，所述区块匹配子模块包括：
特征距离计算单元，用于在所述第二云量图谱中，将所述目标云层区块和多个候选云层区块进行逐一比对，得到所述目标云层区块与任一所述候选云层区块对应的特征距离；
匹配区块确定单元，用于将最小特征距离对应的候选云层区块，作为所述迁移后云层区块。
在一个实施例中，所述光伏功率预测模块604包括：
预测模型构建子模块，用于采用所述预设时间精度级天气数据和样本光伏功率信息，构建光伏功率预测模型；
预测结果得到子模块，用于根据所述光伏功率预测模型对所述待预测光伏场站进行光伏功率预测，得到所述预设时间精度级光伏功率预测结果。
上述基于高空风资源影响的云层迁移分钟级光伏功率预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC（近场通信）或其他技术实现。该计算机程序被处理器执行时以实现一种基于高空风资源影响的云层迁移分钟级光伏功率预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取待预测光伏场站在第一时间点的第一云量图谱；所述第一云量图谱包括目标云层区块；
获取所述待预测光伏场站在第二时间点的第二云量图谱；所述第二云量图谱包括与所述目标云层区块相匹配的迁移后云层区块，所述第二云量图谱对应的区域范围由所述待预测光伏场站的所处位置的高空风资源信息和预设时间间隔所确定；
根据所述目标云层区块与所述迁移后云层区块的相对位置差异，确定所述待预测光伏场站的所处位置的云层迁移数据；
根据所述云层迁移数据，生成包含云量信息的预设时间精度级天气数据，并采用所述预设时间精度级天气数据进行光伏功率预测，得到所述待预测光伏场站的预设时间精度级光伏功率预测结果。
在一个实施例中，处理器执行计算机程序时还实现上述其他实施例中的基于高空风资源影响的云层迁移分钟级光伏功率预测方法的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取待预测光伏场站在第一时间点的第一云量图谱；所述第一云量图谱包括目标云层区块；
获取所述待预测光伏场站在第二时间点的第二云量图谱；所述第二云量图谱包括与所述目标云层区块相匹配的迁移后云层区块，所述第二云量图谱对应的区域范围由所述待预测光伏场站的所处位置的高空风资源信息和预设时间间隔所确定；
根据所述目标云层区块与所述迁移后云层区块的相对位置差异，确定所述待预测光伏场站的所处位置的云层迁移数据；
根据所述云层迁移数据，生成包含云量信息的预设时间精度级天气数据，并采用所述预设时间精度级天气数据进行光伏功率预测，得到所述待预测光伏场站的预设时间精度级光伏功率预测结果。
在一个实施例中，计算机程序被处理器执行时还实现上述其他实施例中的基于高空风资源影响的云层迁移分钟级光伏功率预测方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于高空风资源影响的云层迁移分钟级光伏功率预测方法，其特征在于，所述方法包括：
获取待预测光伏场站在第一时间点的第一云量图谱；所述第一云量图谱包括目标云层区块；
获取所述待预测光伏场站在第二时间点的第二云量图谱；所述第二云量图谱包括与所述目标云层区块相匹配的迁移后云层区块，所述第二云量图谱对应的区域范围由所述待预测光伏场站的所处位置的高空风资源信息和预设时间间隔所确定；
根据所述目标云层区块与所述迁移后云层区块的相对位置差异，确定所述待预测光伏场站的所处位置的云层迁移数据；
根据所述云层迁移数据，生成包含云量信息的预设时间精度级天气数据，并采用所述预设时间精度级天气数据进行光伏功率预测，得到所述待预测光伏场站的预设时间精度级光伏功率预测结果。
2.根据权利要求1所述的方法，其特征在于，所述获取所述待预测光伏场站在第二时间点的第二云量图谱，包括：
根据所述第一时间点和所述预设时间间隔，确定第二时间点；
针对所述第二时间点，获取所述待预测光伏场站的所处位置的云层迁移信息；所述云层迁移信息用于指示所述第二云量图谱对应的区域范围；
以所述待预测光伏场站的所处位置为中心，根据所述区域范围，得到所述第二云量图谱。
3.根据权利要求2所述的方法，其特征在于，所述针对所述第二时间点，获取所述待预测光伏场站的所处位置的云层迁移信息，包括：
获取所述待预测光伏场站的所处位置的高空风资源信息；所述高空风资源信息包括高空风速；
根据所述高空风速和所述预设时间间隔，得到针对所述第二时间点的云层迁移范围，作为所述云层迁移信息。
4.根据权利要求1所述的方法，其特征在于，所述第一云量图谱和所述第二云量图谱均为网格化图谱，所述根据所述目标云层区块与所述迁移后云层区块的相对位置差异，确定所述待预测光伏场站的所处位置的云层迁移数据，包括：
在所述第二云量图谱中对所述目标云层区块进行区块匹配，确定所述迁移后云层区块；
根据所述目标云层区块的网格位置和所述迁移后云层区块的网格位置的差异，得到所述云层迁移数据；所述云层迁移数据包括云层迁移方向和云层迁移速度。
5.根据权利要求4所述的方法，其特征在于，所述第二云量图谱包括多个候选云层区块，所述在所述第二云量图谱中对所述目标云层区块进行区块匹配，确定所述迁移后云层区块，包括：
在所述第二云量图谱中，将所述目标云层区块和多个候选云层区块进行逐一比对，得到所述目标云层区块与任一所述候选云层区块对应的特征距离；
将最小特征距离对应的候选云层区块，作为所述迁移后云层区块。
6.根据权利要求1至5任一项所述的方法，其特征在于，所述采用所述预设时间精度级天气数据进行光伏功率预测，得到所述待预测光伏场站的预设时间精度级光伏功率预测结果，包括：
采用所述预设时间精度级天气数据和样本光伏功率信息，构建光伏功率预测模型；
根据所述光伏功率预测模型对所述待预测光伏场站进行光伏功率预测，得到所述预设时间精度级光伏功率预测结果。
7.一种基于高空风资源影响的云层迁移分钟级光伏功率预测装置，其特征在于，所述装置包括：
第一云量图谱获取模块，用于获取待预测光伏场站在第一时间点的第一云量图谱；所述第一云量图谱包括目标云层区块；
第二云量图谱获取模块，用于获取所述待预测光伏场站在第二时间点的第二云量图谱；所述第二云量图谱包括与所述目标云层区块相匹配的迁移后云层区块，所述第二云量图谱对应的区域范围由所述待预测光伏场站的所处位置的高空风资源信息和预设时间间隔所确定；
云层迁移数据确定模块，用于根据所述目标云层区块与所述迁移后云层区块的相对位置差异，确定所述待预测光伏场站的所处位置的云层迁移数据；
光伏功率预测模块，用于根据所述云层迁移数据，生成包含云量信息的预设时间精度级天气数据，并采用所述预设时间精度级天气数据进行光伏功率预测，得到所述待预测光伏场站的预设时间精度级光伏功率预测结果。
8.根据权利要求7所述的装置，其特征在于，所述第二云量图谱获取模块包括：
第二时间点确定子模块，用于根据所述第一时间点和所述预设时间间隔，确定第二时间点；
云层迁移信息获取子模块，用于针对所述第二时间点，获取所述待预测光伏场站的所处位置的云层迁移信息；所述云层迁移信息用于指示所述第二云量图谱对应的区域范围；
第二云量图谱得到子模块，用于以所述待预测光伏场站的所处位置为中心，根据所述区域范围，得到所述第二云量图谱。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210378247.1A CN114462723B (zh) | 2022-04-12 | 2022-04-12 | 基于高空风资源影响的云层迁移分钟级光伏功率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210378247.1A CN114462723B (zh) | 2022-04-12 | 2022-04-12 | 基于高空风资源影响的云层迁移分钟级光伏功率预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114462723A true CN114462723A (zh) | 2022-05-10 |
| CN114462723B CN114462723B (zh) | 2022-07-29 |
Family
ID=81416984
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210378247.1A Active CN114462723B (zh) | 2022-04-12 | 2022-04-12 | 基于高空风资源影响的云层迁移分钟级光伏功率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114462723B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115049171A (zh) * | 2022-08-17 | 2022-09-13 | 国能日新科技股份有限公司 | 一种基于特征迁移的光伏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 (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013105244A1 (ja) * | 2012-01-12 | 2013-07-18 | 株式会社日立製作所 | 影位置予測システム及び影位置予測方法 |
| CN105303254A (zh) * | 2015-10-26 | 2016-02-03 | 国网浙江省电力公司电力科学研究院 | 一种对光伏电站接收辐射进行预测的方法及装置 |
| CN111815038A (zh) * | 2020-06-24 | 2020-10-23 | 山东大学 | 一种光伏超短期预测方法及系统 |
| CN112085260A (zh) * | 2020-08-17 | 2020-12-15 | 浙江工业大学 | 一种基于云图预测的光伏功率超短期预测方法 |
| CN112132364A (zh) * | 2020-11-02 | 2020-12-25 | 西安热工研究院有限公司 | 一种受云层影响的光伏电站功率预测方法、介质及设备 |
| CN112288129A (zh) * | 2020-09-18 | 2021-01-29 | 浙江大学 | 一种基于迁移学习和地基云图的超短期光伏功率预测模型 |
| US20210158010A1 (en) * | 2018-05-31 | 2021-05-27 | Siemens Aktiengesellschaft | Solar irradiation prediction using deep learning with end-to-end training |
| WO2021204226A1 (zh) * | 2020-04-09 | 2021-10-14 | 国网江苏省电力有限公司苏州供电分公司 | 基于雷云轨迹跟踪的雷电条件下的光伏功率预测方法 |
| CN113936041A (zh) * | 2021-10-27 | 2022-01-14 | 浙江科技学院 | 一种面向光伏发电的云团跟踪及运动趋势预测方法 |
-
2022
- 2022-04-12 CN CN202210378247.1A patent/CN114462723B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013105244A1 (ja) * | 2012-01-12 | 2013-07-18 | 株式会社日立製作所 | 影位置予測システム及び影位置予測方法 |
| CN105303254A (zh) * | 2015-10-26 | 2016-02-03 | 国网浙江省电力公司电力科学研究院 | 一种对光伏电站接收辐射进行预测的方法及装置 |
| US20210158010A1 (en) * | 2018-05-31 | 2021-05-27 | Siemens Aktiengesellschaft | Solar irradiation prediction using deep learning with end-to-end training |
| WO2021204226A1 (zh) * | 2020-04-09 | 2021-10-14 | 国网江苏省电力有限公司苏州供电分公司 | 基于雷云轨迹跟踪的雷电条件下的光伏功率预测方法 |
| CN111815038A (zh) * | 2020-06-24 | 2020-10-23 | 山东大学 | 一种光伏超短期预测方法及系统 |
| CN112085260A (zh) * | 2020-08-17 | 2020-12-15 | 浙江工业大学 | 一种基于云图预测的光伏功率超短期预测方法 |
| CN112288129A (zh) * | 2020-09-18 | 2021-01-29 | 浙江大学 | 一种基于迁移学习和地基云图的超短期光伏功率预测模型 |
| CN112132364A (zh) * | 2020-11-02 | 2020-12-25 | 西安热工研究院有限公司 | 一种受云层影响的光伏电站功率预测方法、介质及设备 |
| CN113936041A (zh) * | 2021-10-27 | 2022-01-14 | 浙江科技学院 | 一种面向光伏发电的云团跟踪及运动趋势预测方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115049171A (zh) * | 2022-08-17 | 2022-09-13 | 国能日新科技股份有限公司 | 一种基于特征迁移的光伏功率预测方法及系统 |
| CN115049171B (zh) * | 2022-08-17 | 2022-10-28 | 国能日新科技股份有限公司 | 一种基于特征迁移的光伏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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114462723B (zh) | 2022-07-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114462723B (zh) | 基于高空风资源影响的云层迁移分钟级光伏功率预测方法 | |
| CN114359563B (zh) | 模型训练方法、装置、计算机设备和存储介质 | |
| CN114493052B (zh) | 多模型融合自适应新能源功率预测方法和系统 | |
| CN108805174A (zh) | 聚类方法及装置 | |
| CN115689018A (zh) | 物资需求预测方法、装置、设备、存储介质和程序产品 | |
| CN113570122A (zh) | 预测风速的方法、装置、计算机设备和存储介质 | |
| US10444062B2 (en) | Measuring and diagnosing noise in an urban environment | |
| Murcio et al. | Urban transfer entropy across scales | |
| CN111651411A (zh) | 一种复杂地形遥感土壤水分产品降尺度方法 | |
| CN116187554A (zh) | 流域的处理方法和装置、电子设备 | |
| US20140142912A1 (en) | Automating weather model configurations | |
| CN113269379B (zh) | 资源对象属性的确定方法、装置、存储介质和计算机设备 | |
| KR20220088946A (ko) | 방사 예측 처리 방법, 스택 일반화 모델 훈련 방법 및 장치 | |
| Yang et al. | Solar irradiance monitoring network design using the variance quadtree algorithm | |
| CN116191398A (zh) | 负荷预测方法、装置、计算机设备和存储介质 | |
| Zhang et al. | Modelling urban expansion with cellular automata supported by urban growth intensity over time | |
| CN110489510B (zh) | 道路数据的处理方法、装置、可读存储介质和计算机设备 | |
| CN114418243A (zh) | 分布式新能源云端网格预测方法与系统 | |
| CN115237097A (zh) | 自动驾驶仿真测试方法、装置、计算机设备和存储介质 | |
| CN115061222A (zh) | 一种气候预测方法、计算机设备及存储介质 | |
| CN114492905A (zh) | 基于多模型融合的客诉率预测方法、装置和计算机设备 | |
| CN116541479B (zh) | 瓦块数据编译方法、装置、计算机设备和存储介质 | |
| CN116885689A (zh) | 光伏发电功率预测方法、装置、计算机设备和存储介质 | |
| CN115810012B (zh) | 输电杆塔倾斜检测方法、装置、设备和存储介质 | |
| CN116758047A (zh) | 光伏资源预测方法、装置、计算机设备和存储介质 |
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 |