CN114626622A - 一种光伏功率预测方法、系统、装置及存储介质 - Google Patents
一种光伏功率预测方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN114626622A CN114626622A CN202210290527.7A CN202210290527A CN114626622A CN 114626622 A CN114626622 A CN 114626622A CN 202210290527 A CN202210290527 A CN 202210290527A CN 114626622 A CN114626622 A CN 114626622A
- Authority
- CN
- China
- Prior art keywords
- irradiance
- photovoltaic power
- prediction
- data
- prediction method
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000004590 computer program Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 abstract description 8
- 230000002349 favourable effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 10
- 210000004027 cell Anatomy 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 238000010248 power generation Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification 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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- 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
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Probability & Statistics with Applications (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Power Engineering (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明公开了一种光伏功率预测方法、系统、装置及存储介质,通过获取气象预测数据,并将气象预测数据输入到预设的地表辐照度预测模型中,获得地表辐照度;基于地表辐照度计算得到倾斜面辐照度;基于倾斜面辐照度计算得到预测光伏功率,解决了数据来源困难的问题,提高了光伏预测功率的精度。有利于在新型电力系统背景下提高园区内综合能源系统的运行效率,同时完善园区的能源优化调度管理系统,提高能源利用率。
Description
技术领域
本发明属于新能源技术领域,具体涉及一种光伏功率预测方法、系统、装置及存储介质。
背景技术
在全球性能源资源短缺、环境污染等大背景下,构建以新能源为主体的新型电力系统。新型电力系统是以不可控、间歇性的风电和光伏发电为主力电源,园区中具有随机性的光伏发电装置的大量增加,加大了园区的用能管理难度。现亟须园区以用能更精准化的服务来提高园区管理水平,需要更为精细化、准确的光伏功率预测方法作为支撑,实现园区内更智慧地资源优化调度,助力新型电力系统顺利转型。
检索发现,现有专利的光伏出力预测主要分为间接预测和直接预测。其中,直接预测基于光伏电站的历史出力情况与气象预报数据进行建模,具有建模方便等特点,成为广泛应用的光伏功率预测方法,但受天气因素的不确定性,此类预测方法的精度在天气变化较大的情况下显著降低。现有研究基于天气类型识别提高预测精确度,但受辐照度数据的限制,导致预测模型的精度的提高有限。
发明内容
本发明的目的在于提供一种光伏功率预测方法、系统、装置及存储介质,以解决现有技术中,光伏功率预测精度低的问题。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一方面,提供了一种光伏功率预测方法,包括如下步骤:
获取气象预报数据;
将气象预报数据输入预设的地表辐照度预测模型中,获得地表辐照度预测数据;
基于所述地表辐照度计算得到倾斜面辐照度;
基于所述倾斜面辐照度计算得到预测光伏功率。
可选的,日前通过天气数据API服务获取气象预报数据;日内以15分钟为分辨率根据实时变化的气象预报数据实时更新地表辐照度预测数据。
可选的,利用LSTM算法建立地表辐照度预测模型,方式如下:
获取地表辐照度和历史气象数据;
通过K-means++算法对历史气象数据以天气类型进行聚类分析,分别得到不同天气类型的数据集;
基于所述地表辐照度和不同天气类型的数据集,分别训练得到对应不同天气类型的地表辐照度预测模型。
可选的,获取地表辐照度预测模型后,采用均方根误差评估地表辐照度预测模型的精度;如果模型精度不满足预设标准,则修改迭代次数以及LSTM神经网络结构重新训练模型,直到预测精度达到要求。
可选的,基于所述地表辐照度计算得到倾斜面辐照度,具体为:利用预测的地表辐照度数据,采用各向同性的Liu-Jordan模型计算斜面辐照度。
可选的,预测光伏功率的计算方式如下:
P=(1-η)ηPVSE[1-0.005(T+kE+25)]
式中,η为功率衰减系数,ηPV为光伏电池转换效率;S为光伏电池板的面积;E为光伏电池板接收的太阳辐照度;T为气温,k为温度系数。
可选的,获得预测光伏功率后,还计算设定时间段内实际光伏功率与预测光伏功率的误差值,根据误差值对功率衰减系数进行修正,直至误差值在预设范围内。
本发明的第二方面,提供了一种用于所述光伏功率预测方法的系统,包括:
获取模块,用于获取气象预报数据;
预测模块,用于将气象预报数据输入预设的地表辐照度预测模型中,获得地表辐照度;
第一计算模块,用于基于所述地表辐照度计算得到倾斜面辐照度;
第二计算模块,用于基于所述倾斜面辐照度计算得到预测光伏功率。
本发明的第三方面,提供了一种计算机装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述光伏功率预测方法。
本发明的第四方面,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,实现上述光伏功率预测方法。
本发明的有益效果如下:
(1)本发明实施例提供的光伏功率预测方法,通过获取气象预测数据,并将气象预测数据输入到预设的地表辐照度预测模型中,获得地表辐照度;基于地表辐照度计算得到倾斜面辐照度;基于倾斜面辐照度计算得到预测光伏功率,解决了数据来源困难的问题,提高了光伏预测功率的精度。有利于在新型电力系统背景下提高园区内综合能源系统的运行效率,同时完善园区的能源优化调度管理系统,提高能源利用率。
(2)本发明实施例提供的光伏功率预测方法,依据多类型的历史气象数据建立地表辐照度预测模型,采集15分钟为分辨率的气象预报数据,将气象预报数据进行聚类分析,并作为对应模型的输入得到预测的地表辐照度,进而计算倾斜面辐照度;利用倾斜面辐照度以及采集的温度数据进行光功率预测;定时更新光伏功率预测模型的功率衰减系数,以日前预测加日内优化的方式提高复杂天气类型下的光伏功率预测精度。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例光伏功率预测方法流程框图。
图2为本发明实施例中基于K-mean++聚类的LSTM预测建模流程图。
图3为本发明实施例中LSTM神经网络结构原理图。
图4为本发明实施例中随机选取五日测试集的预测结果对比图。
图5为本发明实施例中预测模型误差统计图。
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
以下详细说明均是示例性的说明,旨在对本发明提供进一步的详细说明。除非另有指明,本发明所采用的所有技术术语与本申请所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式,而并非意图限制根据本发明的示例性实施方式。
本发明的第一方面,提供了一种基于天气类型分类与实时优化的光伏功率预测方法,通过气象预报数据对倾斜面辐照度进行预测,通过光伏电站运行参数及功率衰减特性实现光伏功率预测。提高了光伏功率的预测精度,缓解乃至解决园区内的弃光现象,实现新型电力系统下园区内资源更为智慧的优化调度,提高资源利用率与电网安全稳定性。。
如图1所示,本发明实施例中的光伏功率预测方法包括如下步骤:
S1、获取日前的气象预报数据。
作为本发明实施例的一种示例,通过天气数据API服务获取气象预报数据。
应用于本发明的实施例,获取日前的气象预报数据后,先将气象预报数据归一化处理。
作为本发明实施例的一种示例,归一化所用数学模型如下:
式中,Xnorm为归一化后的数据,X为原始数据,Xmax、Xmin分别为原始数据的最大值和最小值。
S2、将归一化处理后的气象预报数据,输入预设的地表辐照度预测模型中,地表辐照度预测模型输出地表辐照度预测数据。
应用于本发明的实施例,在日内以15分钟为分辨率根据实时变化的气象预报数据实时更新地表辐照度预测数据。
应用于本发明的实施例,将日前获取的气象预报数据输入预设的地表辐照度预测模型之前,先对利用K-means++算法气象预报数据进行聚类分析,确定预测日所属的LSTM预测模型(地表辐照度预测模型)种类,将气象预报数据输入对应的天气类型的地表辐照度预测模型中进行预测。
作为本发明实施例的一种示例,利用K-means++算法实现对气象数据的分类,分为晴天、有云、阴雨三种类型天气。天气类型划分标准为:
如图2所示,利用LSTM算法建立地表辐照度预测模型,方式如下:
S21、获取地表辐照度和历史气象数据,将地表辐照度及历史气象数据归一化,为建立地表辐照度预测模型提供高质量的训练数据。
S22、通过K-means++算法对历史气象数据以天气类型进行聚类分析,分别得到不同天气类型的数据集;具体方式如下:
(1)从输入的数据点集合中随机选择一个点作为第一个聚类中心;
(2)对于数据集中的每一个点,计算它与最近聚类中心(指已选择的聚类中心)的距离;
(3)选择一个新的数据点作为新的聚类中心,选择的原则是:距离已选择聚类中心较远的点,被选取作为聚类中心的概率较大;
(4)重复(2)和(3)直到k个(本文k=3)聚类中心被选出来;
(5)利用这k个初始的聚类中心作为数据分类的标准。
S23、基于所述地表辐照度和不同天气类型的数据集,分别利用LSTM神经网络建立对应不同天气类型的地表辐照度预测模型,LSTM模型能够有效提高时间序列信息的预测精度。
作为本发明的示例,LSTM结构原理如图3所示。输入层延网络正向传播,其中包括,ft(遗忘门)、it(输入门)、ct(当前时刻状态单元)、(当前输入状态单元)、ot(输出门)、ht(当前时刻输出状态)六个向量,其向量计算公式为
式中:σ为sigmod激励函数;Wf、Wi、Wc、Wo分别为遗忘门权重、输入门权重、当前输入状态单元权重和输出门权重;ht-1、xt分别为上一时刻输出和当前时刻输入;bf、bi、bc、bo分别为遗忘门偏置、输入门偏置、当前输入状态单元偏置和输出门偏置。
S24、获取地表辐照度预测模型后,利用测试数据计算训练好的地标辐照度预测模型精度,采用均方根误差(RMSE)评估地表辐照度预测模型的精度。
作为本发明的示例,RMSE为:
S25、根据均方根误差判断预测模型建立是否达标,如果是,则地表度照度预测模型建立完成,如果模型精度不满足预设标准,则修改迭代次数以及LSTM神经网络结构重新训练模型,直到预测精度达到要求。
S3、基于所述地表辐照度计算得到倾斜面辐照度;具体方式如下:
基于所述地表辐照度计算得到倾斜面辐照度,具体为:利用预测的地表辐照度数据,采用各向同性的Liu-Jordan模型计算斜面辐照度。
应用于本发明的实施例,Liu-Jordan模型如下:
式中,IT为倾斜面辐照度,Ib为地表直射辐照度,Id为地表散射辐照度,I为地表总辐照度,ρ为地表反照率,本文取0.2,Rb为倾斜面直射辐照度与地表直射辐照度的比值。
S4、基于所述倾斜面辐照度计算得到预测光伏功率。
应用于本发明实施例,根据光伏电站的光伏板面积、光伏电池转换效率、倾斜面辐照度、温度等运行参数计算预测光伏功率,预测光伏功率的计算方式如下:
P=(1-η)ηPVSE[1-0.005(T+kE+25)]
式中,η为功率衰减系数,ηPV为光伏电池转换效率;S为光伏电池板的面积;E为光伏电池板接收的太阳辐照度;T为气温;k为温度系数,本文取典型值0.03。
作为优选实施例,获得预测光伏功率后,日内还以15分钟为分辨率计算设定时间段内实际光伏功率与预测光伏功率的误差值,根据误差值对功率衰减系数进行修正,直至误差值在预设范围内,提高复杂天气情况下的功率预测精度。
作为本发明的一种示例,根据一小时内获取的实际光伏功率与预测值的误差值,不断更新下一小时内光伏功率预测模型的功率衰减系数,提高模型预测精度。预测模型的功率衰减系数根据前一小时功率预测误差情况,即以15分钟为分辨率的4个功率预测值的误差情况,更新下一小时内的功率衰减系数,达到提高预测模型对不同天气类型下的适应能力。
验证实施例
图4为随机选取五日测试集的预测结果对比图。通过采集保定地区某光伏实验平台实测发电数据、气象数据,来验证基于天气类型分类与实时优化的光伏功率预测方法的有效性。通过Python搭建辐照度预测模型、K-means++与LSTM预测模型,在不同天气类型下分别进行模型训练与参数调节。本发明所用单层LSTM神经网络,设置96个神经元;采用relu激活函数;步长为24;学习率为0.01。为检验天气类型分类与实时优化方法能否有效提高预测精度,随机选取5日的预测结果对比,如图4所示。
图5中显示为随机选取的5日预测结果的误差统计,误差区间在0.3%—13.8%,极大提高了现有光伏功率预测模型的精度,验证了所提基于天气类型分类与实时优化的光伏功率预测方法的有效性。
本发明的第二方面,提供了一种用于所述光伏功率预测方法的系统,包括:
获取模块,用于获取气象预报数据;
预测模块,用于将气象预报数据输入预设的地表辐照度预测模型中,获得地表辐照度;
第一计算模块,用于基于所述地表辐照度计算得到倾斜面辐照度;
第二计算模块,用于基于所述倾斜面辐照度计算得到预测光伏功率。
本发明的第三方面,提供了一种计算机装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述光伏功率预测方法。
本发明的第四方面,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,实现上述光伏功率预测方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请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,本申请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。
本申请是参照根据本申请实施例的方法、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,使得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,仅为本发明较佳的具体运行机制方式,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,可轻易想到的变化或替换,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该以权利要求的保护范围为准。
由技术常识可知,本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。因此,上述公开的实施方案,就各方面而言,都只是举例说明,并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。
Claims (10)
1.一种光伏功率预测方法,其特征在于,包括如下步骤:
获取气象预报数据;
将气象预报数据输入预设的地表辐照度预测模型中,获得地表辐照度预测数据;
基于所述地表辐照度计算得到倾斜面辐照度;
基于所述倾斜面辐照度计算得到预测光伏功率。
2.根据权利要求1所述的光伏功率预测方法,其特征在于,日前通过天气数据API服务获取气象预报数据;日内以15分钟为分辨率根据实时变化的气象预报数据实时更新地表辐照度预测数据。
3.根据权利要求1所述的光伏功率预测方法,其特征在于,利用LSTM算法建立地表辐照度预测模型,方式如下:
获取地表辐照度和历史气象数据;
通过K-means++算法对历史气象数据以天气类型进行聚类分析,分别得到不同天气类型的数据集;
基于所述地表辐照度和不同天气类型的数据集,分别训练得到对应不同天气类型的地表辐照度预测模型。
4.根据权利要求3所述的光伏功率预测方法,其特征在于,获取地表辐照度预测模型后,采用均方根误差评估地表辐照度预测模型的精度;如果模型精度不满足预设标准,则修改迭代次数以及LSTM神经网络结构重新训练模型,直到预测精度达到要求。
5.根据权利要求3所述的光伏功率预测方法,其特征在于,基于所述地表辐照度计算得到倾斜面辐照度,具体为:利用预测的地表辐照度数据,采用各向同性的Liu-Jordan模型计算斜面辐照度。
6.根据权利要求1所述的光伏功率预测方法,其特征在于,预测光伏功率的计算方式如下:
P=(1-η)ηPVSE[1-0.005(T+kE+25)]
式中,η为功率衰减系数,ηPV为光伏电池转换效率;S为光伏电池板的面积;E为光伏电池板接收的太阳辐照度;T为气温,k为温度系数。
7.根据权利要求6所述的光伏功率预测方法,其特征在于,获得预测光伏功率后,还计算设定时间段内实际光伏功率与预测光伏功率的误差值,根据误差值对功率衰减系数进行修正,直至误差值在预设范围内。
8.一种用于所述光伏功率预测方法的系统,其特征在于,包括:
获取模块,用于获取气象预报数据;
预测模块,用于将气象预报数据输入预设的地表辐照度预测模型中,获得地表辐照度;
第一计算模块,用于基于所述地表辐照度计算得到倾斜面辐照度;
第二计算模块,用于基于所述倾斜面辐照度计算得到预测光伏功率。
9.一种计算机装置,包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现如权利要求1至7任一项所述的光伏功率预测方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现如权利要求1至7任一项所述的光伏功率预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210290527.7A CN114626622A (zh) | 2022-03-23 | 2022-03-23 | 一种光伏功率预测方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210290527.7A CN114626622A (zh) | 2022-03-23 | 2022-03-23 | 一种光伏功率预测方法、系统、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114626622A true CN114626622A (zh) | 2022-06-14 |
Family
ID=81903596
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210290527.7A Pending CN114626622A (zh) | 2022-03-23 | 2022-03-23 | 一种光伏功率预测方法、系统、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114626622A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116760031A (zh) * | 2023-08-17 | 2023-09-15 | 北京弘象科技有限公司 | 基于气象数据的高时间分辨率光伏功率预测方法和装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112862630A (zh) * | 2021-03-08 | 2021-05-28 | 海南省电力学校(海南省电力技工学校) | 基于天气类型指数区间的光伏功率预测方法、终端及介质 |
-
2022
- 2022-03-23 CN CN202210290527.7A patent/CN114626622A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112862630A (zh) * | 2021-03-08 | 2021-05-28 | 海南省电力学校(海南省电力技工学校) | 基于天气类型指数区间的光伏功率预测方法、终端及介质 |
Non-Patent Citations (2)
Title |
---|
李芬等: "新型天气分型方法及其在光伏功率预测中的应用", 《上海交通大学学报》, vol. 55, no. 12, 28 December 2021 (2021-12-28), pages 1510 - 1519 * |
赵书强等: "基于长短期记忆神经网络的地表太阳辐照度预测", 《太阳能学报》, vol. 42, no. 3, 28 March 2021 (2021-03-28), pages 383 - 388 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116760031A (zh) * | 2023-08-17 | 2023-09-15 | 北京弘象科技有限公司 | 基于气象数据的高时间分辨率光伏功率预测方法和装置 |
CN116760031B (zh) * | 2023-08-17 | 2023-10-27 | 北京弘象科技有限公司 | 基于气象数据的高时间分辨率光伏功率预测方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102930358B (zh) | 一种光伏电站发电功率的神经网络预测方法 | |
CN107766990B (zh) | 一种光伏电站发电功率的预测方法 | |
CN109002915B (zh) | 基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法 | |
CN105631558A (zh) | 基于相似日的bp神经网络光伏发电系统功率预测方法 | |
CN111555355B (zh) | 水光蓄联合发电的调度策略及其优化方法 | |
CN109002948B (zh) | 基于cda-bp的微电网短期光伏发电功率预测方法 | |
CN109934395B (zh) | 一种基于分时分区气象数据的多小水电地区短期电力负荷预测方法 | |
CN105139264A (zh) | 一种基于粒子群算法小波神经网络的光伏发电量的预测方法 | |
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 | |
CN112215428B (zh) | 基于误差修正和模糊逻辑的光伏发电功率预测方法及系统 | |
JP2017135964A (ja) | 太陽光発電システムの動作 | |
CN114511132A (zh) | 一种光伏出力短期预测方法及预测系统 | |
CN104362681A (zh) | 一种考虑随机性的孤岛微电网容量优化配置方法 | |
CN111242355A (zh) | 一种基于贝叶斯神经网络的光伏概率预测方法及系统 | |
Teferra et al. | Fuzzy-based prediction of solar PV and wind power generation for microgrid modeling using particle swarm optimization | |
CN110866633A (zh) | 一种基于svr支持向量回归的微电网超短期负荷预测方法 | |
CN114626622A (zh) | 一种光伏功率预测方法、系统、装置及存储介质 | |
CN116167465A (zh) | 基于多变量时间序列集成学习的太阳辐照度预测方法 | |
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 | |
CN116128211A (zh) | 基于风光不确定性预报场景的风光水联合短期优化调度方法 | |
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 | |
CN112633565B (zh) | 一种光伏功率集合区间预测方法 | |
CN115544871A (zh) | 考虑可再生电源空间相关性的分布鲁棒型储能规划方法 | |
CN114372615A (zh) | 一种考虑空间相关性的短期光伏功率预测方法及系统 | |
Cao et al. | Research On Regional Traffic Flow Prediction Based On MGCN-WOALSTM |
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 |