CN114897268A - 一种基于fy-4观测和svm算法的超短期太阳总辐照度预报方法 - Google Patents
一种基于fy-4观测和svm算法的超短期太阳总辐照度预报方法 Download PDFInfo
- Publication number
- CN114897268A CN114897268A CN202210667867.7A CN202210667867A CN114897268A CN 114897268 A CN114897268 A CN 114897268A CN 202210667867 A CN202210667867 A CN 202210667867A CN 114897268 A CN114897268 A CN 114897268A
- Authority
- CN
- China
- Prior art keywords
- ghi
- total
- observation
- forecast
- sky
- 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
- 238000013277 forecasting method Methods 0.000 title claims abstract description 10
- 238000012706 support-vector machine Methods 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 238000005096 rolling process Methods 0.000 claims abstract description 5
- 230000003595 spectral effect Effects 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000010248 power generation Methods 0.000 description 9
- 230000005855 radiation Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012950 reanalysis Methods 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer 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
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J1/00—Photometry, e.g. photographic exposure meter
- G01J1/42—Photometry, e.g. photographic exposure meter using electric radiation detectors
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J1/00—Photometry, e.g. photographic exposure meter
- G01J1/42—Photometry, e.g. photographic exposure meter using electric radiation detectors
- G01J2001/4266—Photometry, e.g. photographic exposure meter using electric radiation detectors for measuring solar light
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Photometry And Measurement Of Optical Pulse Characteristics (AREA)
Abstract
本发明涉及一种基于FY‑4观测和SVM算法的超短期太阳总辐照度预报方法,该方法包括以下步骤:⑴确定预报地区的经纬度和海拔高度信息,并获得该地区太阳总辐照度观测数值GHIob;⑵获得到该地区晴天条件下的地表太阳总辐照度数值GHIclear‑sky;⑶利用风云4号卫星观测数据,针对预报地区进行云图裁剪、线性插值,得到相同时间间隔的不同通道反照率的区域平均值AVEal;⑷将GHIob、GHIclear‑sky和AVEal作为支持向量机模型的输入参数X,与对应预报时刻的观测数据建立预测模型,并对该支持向量机模型进行参数寻优和模型训练;⑸根据训练好的支持向量机模型,输入临近时刻的参数GHIclear‑sky、AVEal和GHIob,即可为未来0~4h的地表太阳总辐照度数值GHIall‑sky进行滚动预报。本发明可提高预报结果准确度。
Description
技术领域
本发明涉及光伏发电技术领域,尤其涉及一种基于FY-4观测和SVM算法的超短期太阳总辐照度预报方法。
背景技术
作为清洁可再生能源的代表,太阳能在全球能源科技和产业中具有重要的战略地位。截至2021年底,我国光伏产业累计装机容量已达3.06 亿千瓦,位于世界第一。然而,光伏发电在电网中的占比越高,对电网的冲击就越大。传统能源发电(例如煤炭发电)比较稳定,而光伏发电存在不稳定性和不确定性,季节的变化、昼夜变化以及气象条件的变化均会对发电产生重要影响。
未来大规模光伏发电接入电网后,由于其间歇性和波动性,加剧了电网管理的复杂性。电力调度部门需要光伏电站上报短期、超短期功率预报结果,以服务于电网调度计划的制定。如果预报结果的偏差较大,会导致一些地区的电网面临瘫痪。光伏阵列主要是利用地表太阳辐照度产生功率输出,准确的太阳辐照度预报是光伏功率预报中最关键的基础问题。因此,科学合理的太阳辐照度预报具有重要意义。
在一般的天气条件下,云对太阳辐照度的影响最大,我国的风云4号系列卫星(FY-4)是我国新一代静止气象卫星,总体技术上与国际同期静止气象卫星的水平相当。FY-4 系列具有更好地观测和描述云的物理特性和时空变化的能力。支持向量机算法可以模拟复杂的非线性关系。因此,建立基于卫星观测和支持向量机算法的超短期太阳总辐照度预报方法,对于更合理地利用光伏发电产能、增加电网对光伏的消纳能力、保障电网安全具有重要的现实意义。
发明内容
本发明所要解决的技术问题是提供一种提高预报结果准确度的基于FY-4观测和SVM算法的超短期太阳总辐照度预报方法。
为解决上述问题,本发明所述的一种基于FY-4观测和SVM算法的超短期太阳总辐照度预报方法,包括以下步骤:
⑴确定预报地区的经纬度和海拔高度信息,并获得该地区太阳总辐照度观测数值GHIob;
⑵确定适用于预报地区的晴空模型,结合所述经纬度和海拔高度信息以及再分析资料,得到该地区晴天条件下的地表太阳总辐照度数值GHIclear-sky;
⑶利用风云4号(FY-4)卫星观测数据,针对预报地区进行云图裁剪,获得不同通道反照率的区域平均值,并对其进行线性插值,得到相同时间间隔的不同通道反照率的区域平均值AVEal;
⑷将该地区太阳总辐照度观测数值GHIob、该地区晴天条件下的地表太阳总辐照度数值GHIclear-sky和相同时间间隔的不同通道反照率的区域平均值AVEal作为支持向量机模型(SVM)的输入参数X,与对应预报时刻的观测数据建立预测模型,并对该支持向量机模型进行参数寻优和模型训练;
⑸根据训练好的支持向量机模型,输入临近时刻的参数GHIclear-sky、AVEal和GHIob,即可为未来0~4h的地表太阳总辐照度数值GHIall-sky进行滚动预报。
所述步骤⑶中风云4号卫星观测数据是指L1一级数据,其分辨率为2 km × 2 km;所使用的通道共计7个通道,分别是光谱带宽为0.45 ~ 4.00μm的可见光通道、近红外通道、短波红外通道、中波红外通道。
所述步骤⑶中云图裁剪按照16像素×16像素进行,即32km×32km,预报点居中。
所述步骤⑷中支持向量机模型的参数寻优和模型训练按下述方法进行:
①由网站获取支持向量机模型的python数学软件工具箱;
②选取该地区晴天条件下的地表太阳总辐照度数值GHIclear-sky、卫星图像相同时间间隔的不同通道反照率的区域平均值AVEal以及该地区太阳总辐照度观测数值GHIob作为输入参量X,与对应预报时刻的观测数据建立预测模型;通过随机函数选取70%的数据作为训练,30%作为验证数据集;
③对支持向量机模型的核函数进行最优选择。
本发明与现有技术相比具有以下优点:
1、本发明利用风云卫星观测数据结合支持向量机模型,从而实现预报太阳总辐照度的目的。
2、本发明所需参数较少,需要的观测数据都是常规气象要素,因此,具有实际应用前景。
3、经实际应用,采用本发明方法后预报结果准确度较高,可有效拓展FY-4卫星的应用方法,改善对国外卫星信息的依赖,提升太阳辐射预报的自主能力。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明。
图1为本发明的流程图。
图2为本发明实施例提供的风云4号卫星云图示意图。
图3为本发明实施例提供的支持向量机核函数超参寻优结果示意图。
图4为本发明实施例提供的地表太阳总辐照度预报结果示意图。
具体实施方式
如图1所示,一种基于FY-4观测和SVM算法的超短期太阳总辐照度预报方法,包括以下步骤:
⑴确定预报地区的经纬度和海拔高度信息,并获得该地区太阳总辐照度观测数值GHIob(单位:W/m2)。
⑵确定适用于预报地区的晴空模型,结合经纬度和海拔高度信息以及再分析资料,得到该地区晴天条件下的地表太阳总辐照度数值GHIclear-sky(单位:W/m2)。具体过程如下:
在晴空模型(McClear)下输入经纬度和海拔高度信息,McClear晴空模型会自动获取该地区的再分析数据,即得该地区晴天条件下地表太阳总辐照度数值GHIclear-sky;如遇特殊天气类型(例如污染),则需要利用历史数据对晴空地表太阳辐照度数据进行修订,修订所用的方法是线性拟合。
⑶利用风云4号(FY-4)卫星观测数据,针对预报地区进行云图裁剪,获得不同通道反照率的区域平均值,并对其进行线性插值,得到相同时间间隔的不同通道反照率的区域平均值AVEal(无量纲)。
其中:风云4号卫星观测数据是指L1一级数据,其分辨率为2 km × 2 km;所使用的通道共计7个通道,分别是光谱带宽为0.45 ~ 4.00μm的可见光通道、近红外通道、短波红外通道、中波红外通道。
云图裁剪按照16像素×16像素进行,即32km×32km,预报点居中。
云图当中的每一个像素点的反照率,可通过定标系数表(每张云图均自带定标系数表)得到。
⑷将该地区太阳总辐照度观测数值GHIob、该地区晴天条件下的地表太阳总辐照度数值GHIclear-sky和相同时间间隔的不同通道反照率的区域平均值AVEal作为支持向量机模型(SVM)的输入参数X,与对应预报时刻的观测数据建立预测模型,并对该支持向量机模型进行参数寻优和模型训练。具体过程如下:
①由网站获取支持向量机模型的python数学软件工具箱。
支持向量机 (Support Vector Machines, 简称SVM)方法已被证实在解决非线性问题时具有更好的准确性和速度。
②选取该地区晴天条件下的地表太阳总辐照度数值GHIclear-sky、卫星图像相同时间间隔的不同通道反照率的区域平均值AVEal以及该地区太阳总辐照度观测数值GHIob作为输入参量X,与对应预报时刻的观测数据建立预测模型;通过python自带的random随机函数选取70%的数据作为训练,30%作为验证数据集。
③对支持向量机模型的核函数进行最优选择(主要包括Linear和rbf)。
核函数的本质是:将低维的样本特征映射到高维,使原本线性不可分的样本实现线性可分,以便可以继续使用SVM模型。
若核函数选择为rbf,则需要通过Python运行网格搜索方法(Grid Search)进行参数调优(主要包括C(惩罚系数)和gamma参数)。
Grid Search是一种调参手段;穷举搜索:在所有候选的参数选择中,通过循环遍历,尝试每一种可能性,表现最好的参数就是最终的结果。
⑸根据训练好的支持向量机模型,输入临近时刻的参数GHIclear-sky、AVEal和GHIob,即可为未来0~4h的地表太阳总辐照度数值GHIall-sky进行滚动预报。
实施例 选取位于甘肃省兰州市榆中区国家基本气象观测站为预报地区。预报点经纬度信息:104.15°E, 35.87°N。该观测点架设了地表太阳总辐射观测仪器,可以用于计算预报结果的准确度。
McClear模型是哥白尼大气监测服务公司(CAMs)在晴天条件下基于libRadtran辐射传输模型(RTM)的物理模型。输入经纬度及海拔高度信息,即可得到预报地区晴天条件下的地表太阳辐照度数值。该晴空模型基于查找表,大大减少了大量的计算时间和成本。McClear模型的结果可从cams服务网站(cams,http://www.soda-pro.com/web-services/radiation/cams-McClear)免费获得。
在污染天气(空气质量指数AQI>100)下,需要对McClear晴空模型进行修订,利用晴天历史资料(过去7天的)McClear模型计算值和观测值做线性拟合即可。
下载的风云4号卫星观测数据是指L1一级数据,分辨率是2 km × 2 km;所使用的通道是可见光通道、近红外通道、短波红外通道、中波红外通道,共7个通道(光谱带宽为0.45 ~ 4.00μm)。云图裁剪,按照16像素×16像素,即32km×32km,预报点居中。云图当中的每一个像素点的反照率,可通过定标系数表(每张云图均自带定标系数表)得到。下载的风云4号卫星观测资料的时间段为2019年7月至2020年6月。风云4号卫星云图如图2所示。
选取2019年7月至2020年6月McClear模型计算的晴天条件下的地表太阳总辐照度数值GHIclear-sky、卫星图像7个通道的反照率的区域平均值AVEal以及太阳总辐照度观测数值GHIob作为输入参量X,与对应预报时刻的观测数据建立预测模型;通过python自带的random随机函数选取70%的数据作为训练,30%作为验证数据集。
对支持向量机模型的核函数进行最优选择(主要包括线性核函数Linear和径向基核函数rbf);通过实验(图3中python所计算的结果显示),SVM模型进行核函数选择时各核函数得分来看,确定使用径向基核函数rbf。
当核函数选择为rbf,则需要通过Python运行网格搜索方法(Grid Search)进行参数调优(主要包括C(惩罚系数)和gamma参数)。由图3可以看出最终选择rbf核函数进行超参数调优后的预报效果明显提升。
通过选定超参寻优结果,利用支持向量机模型对未来0~4h的地表太阳总辐照度数值GHIall-sky进行滚动预报。
如图4所示,得到提前40分钟(时间间隔10min)的地表太阳总辐照度预报结果图。横坐标是实际的观测数值,纵坐标是模型的预报数值,样本个数是5931个。从图4可以看出,在考虑所有的天气类型下,该模型能够很好地预报太阳总辐射的变化,对观测值和预报值进行线性拟合,得到y=0.95x+21.87;可知拟合线很接近1:1线(斜率:0.95)。但该模型的预报结果比实际数值稍微偏高(nMBE为正值),但偏高的程度很小(nMBE只有1%)。由此可见,本发明方法具备实际应用价值。
以上对本发明所提供的技术方案进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (4)
1.一种基于FY-4观测和SVM算法的超短期太阳总辐照度预报方法,包括以下步骤:
⑴确定预报地区的经纬度和海拔高度信息,并获得该地区太阳总辐照度观测数值GHIob;
⑵确定适用于预报地区的晴空模型,结合所述经纬度和海拔高度信息以及再分析资料,得到该地区晴天条件下的地表太阳总辐照度数值GHIclear-sky;
⑶利用风云4号卫星观测数据,针对预报地区进行云图裁剪,获得不同通道反照率的区域平均值,并对其进行线性插值,得到相同时间间隔的不同通道反照率的区域平均值AVEal;
⑷将该地区太阳总辐照度观测数值GHIob、该地区晴天条件下的地表太阳总辐照度数值GHIclear-sky和相同时间间隔的不同通道反照率的区域平均值AVEal作为支持向量机模型的输入参数X,与对应预报时刻的观测数据建立预测模型,并对该支持向量机模型进行参数寻优和模型训练;
⑸根据训练好的支持向量机模型,输入临近时刻的参数GHIclear-sky、AVEal和GHIob,即可为未来0~4h的地表太阳总辐照度数值GHIall-sky进行滚动预报。
2.如权利要求1所述的一种基于FY-4观测和SVM算法的超短期太阳总辐照度预报方法,其特征在于:所述步骤⑶中风云4号卫星观测数据是指L1一级数据,其分辨率为2 km × 2km;所使用的通道共计7个通道,分别是光谱带宽为0.45 ~ 4.00μm的可见光通道、近红外通道、短波红外通道、中波红外通道。
3.如权利要求1所述的一种基于FY-4观测和SVM算法的超短期太阳总辐照度预报方法,其特征在于:所述步骤⑶中云图裁剪按照16像素×16像素进行,即32km×32km,预报点居中。
4.如权利要求1所述的一种基于FY-4观测和SVM算法的超短期太阳总辐照度预报方法,其特征在于:所述步骤⑷中支持向量机模型的参数寻优和模型训练按下述方法进行:
①由网站获取支持向量机模型的python数学软件工具箱;
②选取该地区晴天条件下的地表太阳总辐照度数值GHIclear-sky、卫星图像相同时间间隔的不同通道反照率的区域平均值AVEal以及该地区太阳总辐照度观测数值GHIob作为输入参量X,与对应预报时刻的观测数据建立预测模型;通过随机函数选取70%的数据作为训练,30%作为验证数据集;
③对支持向量机模型的核函数进行最优选择。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210667867.7A CN114897268A (zh) | 2022-06-14 | 2022-06-14 | 一种基于fy-4观测和svm算法的超短期太阳总辐照度预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210667867.7A CN114897268A (zh) | 2022-06-14 | 2022-06-14 | 一种基于fy-4观测和svm算法的超短期太阳总辐照度预报方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114897268A true CN114897268A (zh) | 2022-08-12 |
Family
ID=82728934
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210667867.7A Pending CN114897268A (zh) | 2022-06-14 | 2022-06-14 | 一种基于fy-4观测和svm算法的超短期太阳总辐照度预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114897268A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109543721A (zh) * | 2018-11-05 | 2019-03-29 | 中国科学院寒区旱区环境与工程研究所 | 一种晴间多云天气情况下的太阳辐照度超短期预报方法 |
CN112578478A (zh) * | 2021-01-05 | 2021-03-30 | 中国科学院西北生态环境资源研究院 | 基于风云4号卫星云图的地表太阳总辐射超短期预报方法 |
CN112801427A (zh) * | 2021-04-08 | 2021-05-14 | 国能日新科技股份有限公司 | 基于XGBoost的光伏辐照度预报方法及系统 |
-
2022
- 2022-06-14 CN CN202210667867.7A patent/CN114897268A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109543721A (zh) * | 2018-11-05 | 2019-03-29 | 中国科学院寒区旱区环境与工程研究所 | 一种晴间多云天气情况下的太阳辐照度超短期预报方法 |
CN112578478A (zh) * | 2021-01-05 | 2021-03-30 | 中国科学院西北生态环境资源研究院 | 基于风云4号卫星云图的地表太阳总辐射超短期预报方法 |
CN112801427A (zh) * | 2021-04-08 | 2021-05-14 | 国能日新科技股份有限公司 | 基于XGBoost的光伏辐照度预报方法及系统 |
Non-Patent Citations (1)
Title |
---|
DONGYU JIA等: "Evaluation of machine learning models for predicting daily global and diffuse solar radiation under different weather/pollution conditions", 《RENEWABLE ENERGY》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109886486B (zh) | 不依赖于设备的云层跟踪技术及小时内辐照度预测方法 | |
CN112578478B (zh) | 基于风云4号卫星云图的地表太阳总辐射超短期预报方法 | |
CN110781458B (zh) | 一种基于混合回归模型预测地表太阳辐照度的方法 | |
CN115049171B (zh) | 一种基于特征迁移的光伏功率预测方法及系统 | |
CN112559958B (zh) | 基于风云4号卫星反演地表太阳总辐射和直接辐射的方法 | |
CN114707688A (zh) | 基于卫星云图和时空神经网络的光伏功率超短期预测方法 | |
Helsen et al. | On the importance of the albedo parameterization for the mass balance of the Greenland ice sheet in EC-Earth | |
Hatanaka et al. | Diffusion models for high-resolution solar forecasts | |
CN112952818A (zh) | 一种基于出力互补性的风光水多能互补容量优化配置方法 | |
CN114881399A (zh) | 一种基于gf7遥感影像的光伏发电潜力与经济性评估方法 | |
CN114898228A (zh) | 基于卫星云图和随机森林模型的太阳总辐照度反演方法 | |
CN108008633A (zh) | 包含多种天气变化的辐照度与光伏组件坐标关联关系建立方法 | |
Özdemir et al. | SPAN: An open-source plugin for photovoltaic potential estimation of individual roof segments using point cloud data | |
Renné et al. | Solar resource assessment for Sri Lanka and Maldives | |
Elliston et al. | Spatio-temporal characterisation of extended low direct normal irradiance events over Australia using satellite derived solar radiation data | |
CN114897268A (zh) | 一种基于fy-4观测和svm算法的超短期太阳总辐照度预报方法 | |
Sahoo et al. | Energy forecasting for grid connected MW range solar PV system | |
Mialhe et al. | On the determination of coherent solar climates over a tropical island with a complex topography | |
Li | Short-term Photovoltaic Power Prediction Based on Moderate-resolution Imaging Spectroradiometer Clear Sky Data | |
Cai et al. | Short-term solar photovoltaic irradiation predicting using a nonlinear prediction method | |
CN112561181A (zh) | 一种基于Unet网络和地基云图的光伏发电预测系统 | |
Fu et al. | Photovoltaic Power Prediction Based on Gray-scale Satellite Cloud Image and Optimized LSTM | |
Fouilloy et al. | Regression trees and solar radiation forecasting: The boosting, bagging and ensemble learning cases | |
Bui et al. | Evaluating an Effectiveness of a Solar Power Plant Output Forecasting Model Based on LSTM Method Using Validation in Different Seasons of a Year in Vietnam | |
KR102675595B1 (ko) | 장기 태양광 발전량 예측 시스템 |
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 |