CN114936590A - 一种光伏电站弃光数据识别方法、装置及存储介质 - Google Patents

一种光伏电站弃光数据识别方法、装置及存储介质 Download PDF

Info

Publication number
CN114936590A
CN114936590A CN202210420774.4A CN202210420774A CN114936590A CN 114936590 A CN114936590 A CN 114936590A CN 202210420774 A CN202210420774 A CN 202210420774A CN 114936590 A CN114936590 A CN 114936590A
Authority
CN
China
Prior art keywords
data
sample
photovoltaic power
power station
point set
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
Application number
CN202210420774.4A
Other languages
English (en)
Inventor
陈玉辰
沈茂亚
庞腊成
昌力
曹荣章
吴炳祥
臧振东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nari Technology Co Ltd
Original Assignee
Nari Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nari Technology Co Ltd filed Critical Nari Technology Co Ltd
Priority to CN202210420774.4A priority Critical patent/CN114936590A/zh
Publication of CN114936590A publication Critical patent/CN114936590A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Mathematics (AREA)
  • Public Health (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Water Supply & Treatment (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Photovoltaic Devices (AREA)
  • General Health & Medical Sciences (AREA)

Abstract

本发明公开了一种光伏电站弃光数据识别方法、装置及存储介质，包括：获取光伏电站的历史发电功率数据和对应的辐照数据并生成样本点集；对样本点集进行预处理；根据辐照数据将预处理后的样本点集划分为多个样本区域；根据3‑sigma法则对样本区域进行异常数据筛除；根据基于DBSCAN算法的二次聚类方法对异常数据筛除后的每个样本区域进行聚类分析获取弃光数据；本发明能够全自动、高效率的识别光伏电站弃光数据，为光伏电站发电预测提供更加合理、典型的历史数据。

Description

一种光伏电站弃光数据识别方法、装置及存储介质
技术领域
本发明涉及一种光伏电站弃光数据识别方法、装置及存储介质，属于电力系统技术领域。
背景技术
在大规模新能源发电并网的背景下，因人为(限制光伏并网)、自然因素(光伏板积灰、覆雪等)或装置故障引发的弃光问题不仅造成清洁能源的浪费，也对光伏电站的历史发电数据的规律性产生较大的破坏，从而严重影响后期光伏电站发电数据的分析和预测，因此，进行弃光数据的分析和识别，对于提高光伏发电预测准确率、为调度计划和现货市场提供准确的边界数据、降低电力调度成本具有重要意义。
当前针对弃光数据识别问题研究较少，通常采用两类方法：(1)采用3-sigma准则分析光伏发电功率自身波动规律，将离群点作为异常数据；(2)采用copula理论拟合辐照度-光伏发电功率的边界关系曲线，将边界外的样本点作为异常数据。
基于3-sigma准则识别光伏电站发电异常数据的方法仅考虑发电功率自身的规律性，未考虑外部因素对发电功率的影响，此外光伏发电规律受气象因素影响，仅在天气较为晴朗时发电功率近似正态分布，若只采用3-sigma准则对光伏发电数据进行识别，极容易造成识别不准确的情况。而基于copula理论得到光伏功率的条件概率分布对应的上下分位数取值的过程过度依赖原始样本的质量，当样本中存在高比例异常数据时，需要根据人工经验先行筛除一些“疑似”异常样本，否则将对copula函数模型拟合产生较大的干扰。综上所述，现有光伏电站弃光数据识别方法都较为依赖经验规律，甚至需要人工干涉，难以满足全自动、高效率的光伏电站弃光数据识别的要求。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种光伏电站弃光数据识别方法、装置及存储介质，能够全自动、高效率的识别光伏电站弃光数据。
为达到上述目的，本发明是采用下述技术方案实现的：
第一方面，本发明提供了一种光伏电站弃光数据识别方法，包括：
获取光伏电站的历史发电功率数据和对应的辐照数据并生成样本点集；
对样本点集进行预处理；
根据辐照数据将预处理后的样本点集划分为多个样本区域；
根据3-sigma法则对样本区域进行异常数据筛除；
根据基于DBSCAN算法的二次聚类方法对异常数据筛除后的每个样本区域进行聚类分析获取弃光数据。
可选的，所述获取光伏电站的历史发电功率数据和对应的辐照数据并生成样本点集包括：
数据获取：
从电网模型中获取光伏电站模型数据，所述光伏模型数据包括光伏电站ID、装机容量以及地理信息；根据光伏电站ID以预设的数量颗粒度获取所述光伏电站的历史发电功率数据；根据地理信息获取所述历史发电功率数据对应的辐照数据；
生成样本点集X：
X＝[x1,x2…xi…xn]
其中，xi为时刻i的样本点，xi＝(irri,pi)，irri和pi分别为时刻i的辐照数据和发电功率数据，n为样本点数量。
可选的，所述对样本点集进行预处理为：
对于任一样本点xi，发电功率数据pi低于光伏电站的装机容量1％或辐照数据irri低于0.1W/m2，则样本点xi从样本点集X中去除。
可选的，所述根据辐照数据将预处理后的样本点集划分为多个样本区域包括：
将预处理后的样本点集中的样本点按照辐照数据升序排列；
根据辐照数据的最大值和最小值划分出多个相等的间隔区间；
根据每个间隔区间中的样本点生成样本区域。
可选的，所述根据3-sigma法则对样本区域进行异常数据筛除包括：
计算样本区域中样本点的平均值μ和标准差σ，将满足|x-μ|>3σ的样本点x认定为典型离群点进行筛除。
可选的，所述根据基于DBSCAN算法的二次聚类方法对异常数据筛除后的样本区域进行聚类分析获取弃光数据包括：
采用DBSCAN算法对异常数据筛除后的样本区域中的样本点进行一次聚类，获取离散样本和若干样本簇；
计算每个样本簇的聚类中心，并记为{m1,m2…mj…mk}，k为样本簇数量，mj为第j个样本簇的聚类中心；
以样本点量最大的样本簇为基准簇，将基准簇的聚类中心记为mb；
计算聚类中心mb之外的聚类中心到聚类中心mb的距离：dj＝|mj-mb|,j≠b；
将距离dj与预设阈值S进行对比，若dj>S，则将聚类中心mj对应的样本簇中的样本点认定为弃光数据。
第二方面，本发明提供了一种光伏电站弃光数据识别装置，所述装置包括：
数据获取模块，用于获取光伏电站的历史发电功率数据和对应的辐照数据并生成样本点集；
预处理模块，用于对样本点集进行预处理；
数据划分模块，用于根据辐照数据将预处理后的样本点集划分为多个样本区域；
数据筛除模块，用于根据3-sigma法则对样本区域进行异常数据筛除；
数据识别模块，用于根据基于DBSCAN算法的二次聚类方法对异常数据筛除后的每个样本区域进行聚类分析获取弃光数据。
第三方面，本发明提供了一种光伏电站弃光数据识别装置，其特征在于，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据上述方法的步骤。
第四方面，本发明提供了计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现上述方法的步骤。
与现有技术相比，本发明所达到的有益效果：
本发明提供了一种光伏电站弃光数据识别方法、装置及存储介质，根据光伏电站的历史发电功率数据和对应的辐照数据进行预处理，去除密集的零值和零漂值；并基于3-sigma法则对典型离群点进行筛除；最后基于DBSCAN算法的二次聚类方法进行聚类分析获取弃光数据；相比传统方式，不依赖人工，实现识别自动化，且识别高效准确，为光伏发电预测提供更加合理的历史数据。
附图说明
图1是本发明实施例一提供的一种光伏电站弃光数据识别方法流程图；
图2是本发明实施例一提供的弃光数据识别后的辐照-功率散点图；
图3是本发明实施例一提供的弃光数据识别后的辐照、功率曲线对比图；
图4是本发明实施例一提供的弃光数据识别前后的光伏电站预测数据和实测数据对比图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例一：
如图1所示，本发明提供了一种光伏电站弃光数据识别方法，包括以下步骤：
1、获取光伏电站的历史发电功率数据和对应的辐照数据并生成样本点集；
1.1、数据获取：
从电网模型中获取光伏电站模型数据，光伏模型数据包括光伏电站ID、装机容量以及地理信息；根据光伏电站ID以预设的数量颗粒度获取光伏电站的历史发电功率数据；根据地理信息获取历史发电功率数据对应的辐照数据；在本实施例中，数据颗粒度设置为15min。
1.2、生成样本点集X：
X＝[x1,x2…xi…xn]
其中，xi为时刻i的样本点，xi＝(irri,pi)，irri和pi分别为时刻i的辐照数据和发电功率数据，n为样本点数量。
2、对样本点集进行预处理；
对于任一样本点xi，发电功率数据pi低于光伏电站的装机容量1％或辐照数据irri低于0.1W/m2，则样本点xi从样本点集X中去除。
由于光伏发电由太阳光照决定的特殊性，数据中存在密集的零值和零漂值，对数据的分布规律产生影响，因此需要预处理去除零值和零漂值。
3、根据辐照数据将预处理后的样本点集划分为多个样本区域；
3.1、将预处理后的样本点集中的样本点按照辐照数据升序排列；
3.2、根据辐照数据的最大值和最小值划分出多个相等的间隔区间；
3.3、根据每个间隔区间中的样本点生成样本区域。
4、根据3-sigma法则对样本区域进行异常数据筛除；
计算样本区域中样本点的平均值μ和标准差σ，将满足|x-μ|>3σ的样本点x认定为典型离群点进行筛除。
5、根据基于DBSCAN算法的二次聚类方法对异常数据筛除后的每个样本区域进行聚类分析获取弃光数据。
5.1、采用DBSCAN算法对异常数据筛除后的样本区域中的样本点进行一次聚类，获取离散样本和若干样本簇；
5.2、算每个样本簇的聚类中心，并记为{m1,m2…mj…mk}，k为样本簇数量，mj为第j个样本簇的聚类中心；
5.3、以样本点量最大的样本簇为基准簇，将基准簇的聚类中心记为mb；
5.4、计算聚类中心mb之外的聚类中心到聚类中心mb的距离：dj＝|mj-mb|,j≠b；
5.5、将距离dj与预设阈值S进行对比，若dj>S，则将聚类中心mj对应的样本簇中的样本点认定为弃光数据。在本实施例中，预设阈值S＝0.3mb。
本实施例的应用效果：
选择2018年1-7月某光伏电站的光伏发电数据，采用上述方法进行弃光异常数据识别，结果如图2所示，横坐标为辐照度，纵坐标为发电功率，圆点样本点为正常数据样本，加号样本点为弃光异常数据。将圆点样本点映射到发电功率曲线上，如图3所示，实线为辐照曲线，虚线为发电功率曲线，可以看出被本发明方法标记为弃光异常数据的样本点与实际弃光样本点一致。
分别采用经过本发明方法处理过的历史样本数据和未经处理的历史样本数据，预测2018年8月的光伏电站发电功率，结果如图4所示。其中虚线为实际发电功率曲线，实点线为基于未经处理的历史样本预测出的发电功率曲线，实线为基于经本发明方法处理过的历史样本数据预测出的发电功率曲线，可以看出相比实点线，实线明显更贴近实际发电功率曲线。
统计两个预测结果的平均预测准确率，平均准确率计算公式为：
Figure BDA0003607522040000061
其中，N为预测结果个数，C为装机容量，Pfore,i为第i个点的预测数据，Preal,i为第i个点的实测数据。
根据统计，基于未经处理的历史样本预测出的发电功率平均准确率为93.26％，基于本发明方法处理过的历史样本预测出的发电功率平均准确率为95.11％，平均准确率提高1.85％，本发明方法在识别出弃光异常数据，提高光伏发电预测准确率方面具有显著的效果和广泛的应用前景。
实施例二：
本发明实施例提供了一种光伏电站弃光数据识别装置，装置包括：
数据获取模块，用于获取光伏电站的历史发电功率数据和对应的辐照数据并生成样本点集；
预处理模块，用于对样本点集进行预处理；
数据划分模块，用于根据辐照数据将预处理后的样本点集划分为多个样本区域；
数据筛除模块，用于根据3-sigma法则对样本区域进行异常数据筛除；
数据识别模块，用于根据基于DBSCAN算法的二次聚类方法对异常数据筛除后的每个样本区域进行聚类分析获取弃光数据。
实施例三：
基于实施例一，本发明实施例提供了一种光伏电站弃光数据识别装置，其特征在于，包括处理器及存储介质；
存储介质用于存储指令；
处理器用于根据指令进行操作以执行根据上述方法的步骤。
实施例四：
基于实施例一，本发明实施例提供了计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现上述方法的步骤。
本发明的目的在于从光伏发电实际功率曲线和光伏发电所在区域的气象数据的数据分布特征入手，有效识别、清洗光伏电站因采集装置故障、人为因素、自然因素等原因产生的弃光数据。该方法不依赖于光伏组件的具体物理属性和人工维护的历史弃光信息，基于无监督算法实现各类型光伏电站异常数据的自动识别，为后期的光伏电站发电预测、区域光伏发电预测提供更加合理的数据样本，提高光伏发电预测精度，降低电力调度成本。在建设以新能源为主体的新型电力系统的背景下，具有实用的工程意义。
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。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (9)

1.一种光伏电站弃光数据识别方法，其特征在于，包括：
获取光伏电站的历史发电功率数据和对应的辐照数据并生成样本点集；
对样本点集进行预处理；
根据辐照数据将预处理后的样本点集划分为多个样本区域；
根据3-sigma法则对样本区域进行异常数据筛除；
根据基于DBSCAN算法的二次聚类方法对异常数据筛除后的每个样本区域进行聚类分析获取弃光数据。
2.根据权利要求1所述的一种光伏电站弃光数据识别方法，其特征在于，所述获取光伏电站的历史发电功率数据和对应的辐照数据并生成样本点集包括：
数据获取：
从电网模型中获取光伏电站模型数据，所述光伏模型数据包括光伏电站ID、装机容量以及地理信息；根据光伏电站ID以预设的数量颗粒度获取所述光伏电站的历史发电功率数据；根据地理信息获取所述历史发电功率数据对应的辐照数据；
生成样本点集X：
X＝[x1,x2…xi…xn]
其中，xi为时刻i的样本点，xi＝(irri,pi)，irri和pi分别为时刻i的辐照数据和发电功率数据，n为样本点数量。
3.根据权利要求2所述的一种光伏电站弃光数据识别方法，其特征在于，所述对样本点集进行预处理为：
对于任一样本点xi，发电功率数据pi低于光伏电站的装机容量1％或辐照数据irri低于0.1W/m2，则样本点xi从样本点集X中去除。
4.根据权利要求1所述的一种光伏电站弃光数据识别方法，其特征在于，所述根据辐照数据将预处理后的样本点集划分为多个样本区域包括：
将预处理后的样本点集中的样本点按照辐照数据升序排列；
根据辐照数据的最大值和最小值划分出多个相等的间隔区间；
根据每个间隔区间中的样本点生成样本区域。
5.根据权利要求1所述的一种光伏电站弃光数据识别方法，其特征在于，所述根据3-sigma法则对样本区域进行异常数据筛除包括：
计算样本区域中样本点的平均值μ和标准差σ，将满足|x-μ|＞3σ的样本点x认定为典型离群点进行筛除。
6.根据权利要求1所述的一种光伏电站弃光数据识别方法，其特征在于，所述根据基于DBSCAN算法的二次聚类方法对异常数据筛除后的样本区域进行聚类分析获取弃光数据包括：
采用DBSCAN算法对异常数据筛除后的样本区域中的样本点进行一次聚类，获取离散样本和若干样本簇；
计算每个样本簇的聚类中心，并记为{m1,m2…mj…mk}，k为样本簇数量，mj为第j个样本簇的聚类中心；
以样本点量最大的样本簇为基准簇，将基准簇的聚类中心记为mb；
计算聚类中心mb之外的聚类中心到聚类中心mb的距离：dj＝|mj-mb|,j≠b；
将距离dj与预设阈值S进行对比，若dj＞S，则将聚类中心mj对应的样本簇中的样本点认定为弃光数据。
7.一种光伏电站弃光数据识别装置，其特征在于，所述装置包括：
数据获取模块，用于获取光伏电站的历史发电功率数据和对应的辐照数据并生成样本点集；
预处理模块，用于对样本点集进行预处理；
数据划分模块，用于根据辐照数据将预处理后的样本点集划分为多个样本区域；
数据筛除模块，用于根据3-sigma法则对样本区域进行异常数据筛除；
数据识别模块，用于根据基于DBSCAN算法的二次聚类方法对异常数据筛除后的每个样本区域进行聚类分析获取弃光数据。
8.一种光伏电站弃光数据识别装置，其特征在于，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据权利要求1-6任一项所述方法的步骤。
9.计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-6任一项所述方法的步骤。
CN202210420774.4A 2022-04-21 2022-04-21 一种光伏电站弃光数据识别方法、装置及存储介质 Pending CN114936590A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210420774.4A CN114936590A (zh) 2022-04-21 2022-04-21 一种光伏电站弃光数据识别方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210420774.4A CN114936590A (zh) 2022-04-21 2022-04-21 一种光伏电站弃光数据识别方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN114936590A true CN114936590A (zh) 2022-08-23

Family

ID=82861654

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210420774.4A Pending CN114936590A (zh) 2022-04-21 2022-04-21 一种光伏电站弃光数据识别方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN114936590A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117353306A (zh) * 2023-12-06 2024-01-05 浙江浙石油综合能源销售有限公司 一种光储充放电调度方法、系统、电子设备、存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117353306A (zh) * 2023-12-06 2024-01-05 浙江浙石油综合能源销售有限公司 一种光储充放电调度方法、系统、电子设备、存储介质
CN117353306B (zh) * 2023-12-06 2024-03-22 浙江浙石油综合能源销售有限公司 一种光储充放电调度方法、系统、电子设备、存储介质

Similar Documents

Publication Publication Date Title
CN106779223B (zh) 一种光伏系统发电功率实时预测方法及装置
CN110518880B (zh) 一种光伏电站状态诊断方法及装置
CN107766990B (zh) 一种光伏电站发电功率的预测方法
CN110555785B (zh) 一种月度计划安全稳定校核方法及系统
CN104657791B (zh) 一种基于相关性分析的风电场群风速分布预测方法
CN108428017B (zh) 基于核极限学习机分位数回归的风电功率区间预测方法
CN110889088A (zh) 一种应用电力模型辅助的企业排污监管方法
CN111260503B (zh) 一种基于聚类中心优化的风电机组功率曲线离群点检测方法
CN108448625B (zh) 一种基于数据驱动的风机切入风速计算方法
CN106570790B (zh) 一种计及风速数据分段特性的风电场出力数据修复方法
CN109659972B (zh) 基于Pair-copula理论的多点光伏出力概率预测方法和系统
CN114897247A (zh) 一种基于大数据的智能电网配网调度运行管理方法
CN113515512B (zh) 一种工业互联网平台数据的质量治理及提升方法
CN111488896A (zh) 一种基于多源数据挖掘的配电线路时变故障概率计算方法
CN110110339B (zh) 一种日前水文预报误差校正方法及系统
CN114819374A (zh) 区域新能源超短期功率预测方法及系统
CN113052389A (zh) 基于多任务的分布式光伏电站超短期功率预测方法及系统
CN110991701A (zh) 一种基于数据融合的风电场风机风速预测方法及系统
CN114936590A (zh) 一种光伏电站弃光数据识别方法、装置及存储介质
CN115034485A (zh) 一种基于数据空间的风电功率区间预测方法及装置
CN112700050B (zh) 一种光伏电站超短期第1点功率预测方法及系统
CN113988398A (zh) 一种风电机组功率预测方法、装置、电子设备和存储介质
CN107909096A (zh) 一种基于二分k‑均值聚类的逆变器故障预警判据实现方法
CN114676931B (zh) 一种基于数据中台技术的电量预测系统
CN111144629A (zh) 一种水力发电站来水量预测方法及系统

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