CN115034472A - 一种分布式光伏运行智能预测管理系统 - Google Patents

一种分布式光伏运行智能预测管理系统 Download PDF

Info

Publication number
CN115034472A
CN115034472A CN202210653069.9A CN202210653069A CN115034472A CN 115034472 A CN115034472 A CN 115034472A CN 202210653069 A CN202210653069 A CN 202210653069A CN 115034472 A CN115034472 A CN 115034472A
Authority
CN
China
Prior art keywords
illumination
value
data
power generation
discrete
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
CN202210653069.9A
Other languages
English (en)
Inventor
管仁静
余爱斌
谈俊
宫兴龙
李健
李玮
朱文慧
江祖旺
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.)
State Grid Anhui Electric Power Co Ltd Wuhu Wanhe District Power Supply Co
Original Assignee
State Grid Anhui Electric Power Co Ltd Wuhu Wanhe District Power Supply Co
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 State Grid Anhui Electric Power Co Ltd Wuhu Wanhe District Power Supply Co filed Critical State Grid Anhui Electric Power Co Ltd Wuhu Wanhe District Power Supply Co
Priority to CN202210653069.9A priority Critical patent/CN115034472A/zh
Publication of CN115034472A publication Critical patent/CN115034472A/zh
Pending legal-status Critical Current

Links

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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • 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
    • 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)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Pure & Applied Mathematics (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本发明公开了一种分布式光伏运行智能预测管理系统，涉及能源预测技术领域，解决了未根据多组分段数据对不同的光照条件下的能源产生进行预测的技术问题；从天气数据内获取对应的光照时长占比，从存储单元内提取对应的点值区间以及线性区间，将光照时长占比与区间进行比对，对光照时长占比所属区间进行确认，提取对应的传导因子，根据传导因子以及光照时长，对光伏组件的发电功率进行预测，改变传统的预测方式，将光伏组件的发电数据以及光照数据进行分段分点处理，将处于一个线性发电规律的区间进行限定，不处于同一线性发电规律内的数值进行分区处理，便可有效提取功率预测数值的准确性，提升数值准确度。

Description

一种分布式光伏运行智能预测管理系统
技术领域
本发明属于能源预测技术领域，具体是一种分布式光伏运行智能预测管理系统。
背景技术
由于能源消费的快速增长，环境问题日益严峻，因此，大力开发太阳能、风能、地热能和海洋能等可再生能源利用技术将成为减少环境污染的重要措施，同时也是保证我国能源供应安全和可持续发展的必然选择，太阳能是一种可利用的非常宝贵的可再生能源。
专利公开号为CN108280546A发明专利公开了一种光伏发电功率预测方法，包括获取光伏发电系统的历史运行数据并进行分类；将分类后的历史运行数据进行处理并建立光伏发电功率预测模型；获取需要预测的光伏发电系统的预测数据信息；将获取的预测数据信息与历史运行数据信息进行对比并将预测数据信息归入分类；采用分类对应的光伏发电功率预测模型对光伏发电系统进行功率预测，本专利还公开了实现所述光伏发电功率预测方法的预测系统。本专利通过历史数据建立多类型光伏发电功率预测模型，并根据现实数据选取特定的预测模型进行光伏发电功率的预测，因此能够对用于微电网的光伏发电功率进行精准预测，从而为电网的运行提供有效的数据支撑；此外，本发明简单可靠，科学性好。
对太阳能进行利用时，需采用对应的分布式光伏太阳能组件进行发电处理，太阳能组件进行能源生成时，根据某个时间段所生成的能源，对下一个处于同样的光照条件下的时间段所产生的能源进行预测，此种预测方式过于单一，却依然存在以下问题：
在进行预测时，未对已有数据进行分段处理，若根据多组分段数据对不同的光照条件下的能源产生进行预测，便可再一步提升能源预测数据的准确性。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一；为此，本发明提出了一种分布式光伏运行智能预测管理系统，用于解决未根据多组分段数据对不同的光照条件下的产生能源进行预测的技术问题。
为实现上述目的，根据本发明的第一方面的实施例提出一种分布式光伏运行智能预测管理系统，包括数值获取端、智能预测端以及天气数据端；
所述智能预测端包括光照数据处理单元、数据离散单元、存储单元以及预测单元；
所述数值获取端用于对光伏组件的光伏数据进行获取，并将所获取的光伏数据输送至智能预测端内，所述智能预测端将光伏数据进行分时间段处理，并将不同时间段的数据进行排列处理，再将排列后的数据进行离散处理，离散处理得到多组离散区间，将离散区间输送至存储单元内，预测单元根据天气数据端内部的天气数据和存储单元内部的离散数据以及天气数据，对光伏组件的发电功率进行预测。
优选的，所述光伏数据包括发电功率值以及光照时长。
优选的，所述光照数据处理单元，对光伏数据内部的光照时长进行预处理，其中预处理步骤如下；
S1、以当前时刻为校准时刻，获取前180天的光伏数据，将单天划分为24个时间段，并将光照时长按照时间段划分，得到若干个光照时长，并将光照时长标记为Gi，其中i代表不同的时间段；
S2、采用
Figure BDA0003686604800000031
得到光照占比GZi，将光照占比GZi与预设值Y进行比对，预设值Y取值0.083；
S3、当光照占比GZi≤预设值Y，获取对应i值，直接剔除相对应的时间段，当光照占比GZi＞预设值Y，获取对应i值，根据i值获取对应时间段，并将对应时间段标记为待处理时间段，并将待处理时间段的发电功率值进行获取，并标记为FDi；
S4、将待处理时间段内部的光照占比GZi以及发电功率值FDi进行捆绑并生成捆绑数据包，并将捆绑数据包传输至数据离散单元内。
优选的，数据离散单元对捆绑数据包内部的光照占比GZi以及发电功率值FDi进行离散处理，其中离散处理步骤为：
W1、从捆绑数据包内提取相同数值的光照占比GZi，通过光照占比GZi获取到多个发电功率值FDi，将多个发电功率值FDi进行均值处理得到光照占比发电均值JDi；
W2、将若干个光照占比GZi按数值从小到达进行排列，得到排列序列，并将排列后的光照占比GZi标记为待处理光照占比序列GZk，k＝1、2、……、n，通过排列序列将光照占比发电均值JDi进行归整，得到归整光照占比发电均值并标记为JDk；
W3、采用
Figure BDA0003686604800000032
得到第一组传导因子
Figure BDA0003686604800000033
采用同样的公式对多组相对应的待处理光照占比序列和归整光照占比发电均值进行处理，得到多组传导因子
Figure BDA0003686604800000034
W4、采用
Figure BDA0003686604800000035
得到离散参数LSi，其中
Figure BDA0003686604800000036
为多组传导因子
Figure BDA0003686604800000037
的均值，其中j∈k；
W5、令j＝1，得到第一组离散值LS1，将离散值LS1与预设值X1进行比对，当LS1＜X1时，令j值加1，直至LSj大于X1时停止，并将[1,j-1]标记为线性区间，并提取此线性区间所对应的传导因子
Figure BDA0003686604800000041
当LS1＞X1时，直接生成点值区间，并提取对应的传导因子
Figure BDA0003686604800000042
使点值区间与传导因子
Figure BDA0003686604800000043
进行捆绑；
W6、从j值开始计算，重复步骤W5中的处理方式，便得到多个点值区间以及线性区间，并将对应的传导因子
Figure BDA0003686604800000044
进行提取，并生成捆绑数据包，将多组捆绑数据包输送至存储单元内进行存储。
优选的，所述智能预测端从天气数据端内，提取后一天的天气情况，并对不同时间段的光照时长进行提取，对光照时长按照步骤S2中的方式进行处理，得到预测光照占比GYZi。
优选的，预测单元将预测光照占比GYZi与存储单元内部所存储的点值区间以及线性区间进行比对，查看预测光照占比GYZi所属的区间，并提取对应区间的传导因子
Figure BDA0003686604800000045
采用
Figure BDA0003686604800000046
得到对应光照占比GYZi所产生发电功率值PYi，将多个时间段内的发电功率值PYi采用同样的方式进行处理，便得到多组若干个发电功率值PYi。
与现有技术相比，本发明的有益效果是：预先对光伏组件被光照的光照时长和发电功率值进行提取，对光照时长进行分时段处理，得到若干个光照占比数值，将较小的光照占比数值删除，通过光照占比数值获取相对应的时间段，并删除对应的时间段，其中，从不同光照占比数值内提取对应的发电功率值，将不同光照占比数值以及发电功率值进行离散处理，便得到多组相对应的点值区间以及线性区间，其中点值区间以及线性区间与相对应的传导因子进行捆绑，生成捆绑数据包，捆绑数据包存储于存储单元内；
智能预测端预先从天气数据端内提取对应的天气数据，从天气数据内获取对应的光照时长占比，预测单元直接从存储单元内提取对应的点值区间以及线性区间，将光照时长占比与区间进行比对，对光照时长占比所属区间进行确认，并通过确认数值，提取对应的传导因子，根据传导因子以及光照时长，对光伏组件的发电功率进行预测，改变传统的预测方式，将光伏组件的发电数据以及光照数据进行分段分点处理，将处于一个线性发电规律的区间进行限定，不处于同一线性发电规律内的数值进行分区处理，便可有效提取功率预测数值的准确性，提升数值准确度。
附图说明
图1为本发明原理框架示意图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例一
请参阅图1，本申请提供了一种分布式光伏运行智能预测管理系统，包括数值获取端、智能预测端以及天气数据端；
所述数值获取端输出端与智能预测端输入端电性连接，所述天气数据端与智能预测端之间双向连接；
所述智能预测端包括光照数据处理单元、数据离散单元、存储单元以及预测单元，所述光照数据处理单元输出端与数据离散单元输入端电性连接，所述数据离散单元输出端与存储单元输入端电性连接，所述存储单元输出端与预测单元输入端电性连接；
所述数值获取端，用于对光伏组件的光伏数据进行获取，并将所获取的光伏数据输送至智能预测端内，所述智能预测端根据所获取的光伏数据，将光伏数据进行分时间段处理，并将不同时间段的数据进行排列处理，将排列后的数据进行离散处理，离散处理得到多组离散区间，将离散区间输送至存储单元内，预测单元根据天气数据端内部的天气数据，预测单元根据存储单元内部的离散数据以及天气数据，对光伏组件的发电功率进行预测；
所述光伏数据，包括发电功率值以及光照时长；
所述光照数据处理单元，对光伏数据内部的光照时长进行预处理，其中预处理步骤如下；
S1、以当前时刻为校准时刻，获取前180天的光伏数据，将单天划分为24个时间段，并将光照时长按照时间段划分，得到若干个光照时长，并将光照时长标记为Gi，其中i代表不同的时间段(光照时长单位为分钟)；
S2、采用
Figure BDA0003686604800000061
得到光照占比GZi，将光照占比GZi与预设值Y进行比对，预设值Y取值0.083；
S3、当光照占比GZi≤预设值Y，获取对应i值，直接剔除相对应的时间段，当光照占比GZi＞预设值Y，获取对应i值，根据i值获取对应时间段，并将对应时间段标记为待处理时间段，并将待处理时间段的发电功率值进行获取，并标记为FDi；
S4、将待处理时间段内部的光照占比GZi以及发电功率值FDi进行捆绑并生成捆绑数据包，并将捆绑数据包传输至数据离散单元内。
数据离散单元，对捆绑数据包内部的光照占比GZi以及发电功率值FDi进行离散处理，其中离散处理步骤为：
W1、从捆绑数据包内提取相同数值的光照占比GZi，通过光照占比GZi获取到多个发电功率值FDi，将多个发电功率值FDi进行均值处理得到光照占比发电均值JDi(光照占比存在多个相同的数值，但多个相同的数值所对应的发电功率值却不同，故需要对多个不同的发电功率值进行均值处理，便于后续的数据计算)；
W2、将若干个光照占比GZi按数值从小到达进行排列，得到排列序列，并将排列后的光照占比GZi标记为待处理光照占比序列GZk，k＝1、2、……、n，k＝1时，为数值最小的光照占比数值，通过排列序列将光照占比发电均值JDi进行归整，得到归整光照占比发电均值并标记为JDk；
W3、采用
Figure BDA0003686604800000071
得到第一组传导因子
Figure BDA0003686604800000072
采用同样的公式对多组相对应的待处理光照占比序列和归整光照占比发电均值进行处理，得到多组传导因子
Figure BDA0003686604800000073
W4、采用
Figure BDA0003686604800000074
得到离散参数LSi，其中
Figure BDA0003686604800000075
为多组传导因子
Figure BDA0003686604800000076
的均值，其中j∈k；
W5、令j＝1，得到第一组离散值LS1，将离散值LS1与预设值X1进行比对，当LS1＜X1时，令j值加1，直至LSj大于X1时停止，并将[1,j-1]标记为线性区间，并提取此线性区间所对应的传导因子
Figure BDA0003686604800000077
当LS1＞X1时，直接生成点值区间，并提取对应的传导因子
Figure BDA0003686604800000078
使点值区间与传导因子
Figure BDA0003686604800000079
进行捆绑；
W6、从j值开始计算，重复步骤W5中的处理方式，便得到多个点值区间以及线性区间，并将对应的传导因子
Figure BDA00036866048000000710
进行提取，并生成捆绑数据包，将多组捆绑数据包输送至存储单元内进行存储。
智能预测端从天气数据端内，提取后一天的天气情况，并对不同时间段的光照时长进行提取，对光照时长按照步骤S2中的方式进行处理，得到预测光照占比GYZi；
预测单元，将预测光照占比GYZi与存储单元内部所存储的点值区间以及线性区间进行比对，查看预测光照占比GYZi所属的区间，并提取对应区间的传导因子
Figure BDA0003686604800000081
采用
Figure BDA0003686604800000082
得到对应光照占比GYZi所产生发电功率值PYi，将多个时间段内的发电功率值PYi采用同样的方式进行处理，便得到多组若干个发电功率值PYi，便完成光伏组件发电功率预测工作。
实施例二
作为本发明的实施例二，本申请在具体实施时，相较于实施例一，与其区别仅在于本实施例中步骤S2中Y取值为0.166，步骤S1中，获取前90天的光伏数据。
实验
某厂家根据上述实施例进行了功率预测，其中功率预测准确度如下表所示：
实施例一 实施例二
准确度 87.6％ 83.2％
由表中数据可知，实施例一的功率预测准确度较高。
上述公式中的部分数据均是去除量纲取其数值计算，公式是由采集的大量数据经过软件模拟得到最接近真实情况的一个公式；公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者通过大量数据模拟获得。
本发明的工作原理：通过数值获取端，预先对光伏组件被光照的光照时长和发电功率值进行提取，对光照时长进行分时段处理，得到若干个光照占比数值，将较小的光照占比数值删除，通过光照占比数值获取相对应的时间段，并删除对应的时间段，其中，从不同光照占比数值内提取对应的发电功率值，将不同光照占比数值以及发电功率值进行离散处理，便得到多组相对应的点值区间以及线性区间，其中点值区间以及线性区间与相对应的传导因子进行捆绑，生成捆绑数据包，捆绑数据包存储于存储单元内；
智能预测端预先从天气数据端内提取对应的天气数据，从天气数据内获取对应的光照时长占比，预测单元直接从存储单元内提取对应的点值区间以及线性区间，将光照时长占比与区间进行比对，对光照时长占比所属区间进行确认，并通过确认数值，提取对应的传导因子，根据传导因子以及光照时长，对光伏组件的发电功率进行预测，改变传统的预测方式，将光伏组件的发电数据以及光照数据进行分段分点处理，将处于一个线性发电规律的区间进行限定，不处于同一线性发电规律内的数值进行分区处理，便可有效提取功率预测数值的准确性，提升数值准确度。
以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。

Claims (6)

1.一种分布式光伏运行智能预测管理系统，其特征在于，包括数值获取端、智能预测端以及天气数据端；
所述智能预测端包括光照数据处理单元、数据离散单元、存储单元以及预测单元；
所述数值获取端用于对光伏组件的光伏数据进行获取，并将所获取的光伏数据输送至智能预测端内，所述智能预测端将光伏数据进行分时间段处理，并将不同时间段的数据进行排列处理，再将排列后的数据进行离散处理，离散处理得到多组离散区间，将离散区间输送至存储单元内，预测单元根据天气数据端内部的天气数据和存储单元内部的离散数据以及天气数据，对光伏组件的发电功率进行预测。
2.根据权利要求1所述的一种分布式光伏运行智能预测管理系统，其特征在于，所述光伏数据包括发电功率值以及光照时长。
3.根据权利要求2所述的一种分布式光伏运行智能预测管理系统，其特征在于，所述光照数据处理单元，对光伏数据内部的光照时长进行预处理，其中预处理步骤如下；
S1、以当前时刻为校准时刻，获取前180天的光伏数据，将单天划分为24个时间段，并将光照时长按照时间段划分，得到若干个光照时长，并将光照时长标记为Gi，其中i代表不同的时间段；
S2、采用
Figure FDA0003686604790000011
得到光照占比GZi，将光照占比GZi与预设值Y进行比对，预设值Y取值0.083；
S3、当光照占比GZi≤预设值Y，获取对应i值，直接剔除相对应的时间段，当光照占比GZi＞预设值Y，获取对应i值，根据i值获取对应时间段，并将对应时间段标记为待处理时间段，并将待处理时间段的发电功率值进行获取，并标记为FDi；
S4、将待处理时间段内部的光照占比GZi以及发电功率值FDi进行捆绑并生成捆绑数据包，并将捆绑数据包传输至数据离散单元内。
4.根据权利要求3所述的一种分布式光伏运行智能预测管理系统，其特征在于，数据离散单元对捆绑数据包内部的光照占比GZi以及发电功率值FDi进行离散处理，其中离散处理步骤为：
W1、从捆绑数据包内提取相同数值的光照占比GZi，通过光照占比GZi获取到多个发电功率值FDi，将多个发电功率值FDi进行均值处理得到光照占比发电均值JDi；
W2、将若干个光照占比GZi按数值从小到达进行排列，得到排列序列，并将排列后的光照占比GZi标记为待处理光照占比序列GZk，k＝1、2、……、n，通过排列序列将光照占比发电均值JDi进行归整，得到归整光照占比发电均值并标记为JDk；
W3、采用
Figure FDA0003686604790000021
得到第一组传导因子
Figure FDA0003686604790000022
采用同样的公式对多组相对应的待处理光照占比序列和归整光照占比发电均值进行处理，得到多组传导因子
Figure FDA0003686604790000023
W4、采用
Figure FDA0003686604790000024
得到离散参数LSi，其中
Figure FDA0003686604790000025
为多组传导因子
Figure FDA0003686604790000026
的均值，其中j∈k；
W5、令j＝1，得到第一组离散值LS1，将离散值LS1与预设值X1进行比对，当LS1＜X1时，令j值加1，直至LSj大于X1时停止，并将[1,j-1]标记为线性区间，并提取此线性区间所对应的传导因子
Figure FDA0003686604790000027
当LS1＞X1时，直接生成点值区间，并提取对应的传导因子
Figure FDA0003686604790000028
使点值区间与传导因子
Figure FDA0003686604790000029
进行捆绑；
W6、从j值开始计算，重复步骤W5中的处理方式，便得到多个点值区间以及线性区间，并将对应的传导因子
Figure FDA0003686604790000031
进行提取，并生成捆绑数据包，将多组捆绑数据包输送至存储单元内进行存储。
5.根据权利要求4所述的一种分布式光伏运行智能预测管理系统，其特征在于，所述智能预测端从天气数据端内，提取后一天的天气情况，并对不同时间段的光照时长进行提取，对光照时长按照步骤S2中的方式进行处理，得到预测光照占比GYZi。
6.根据权利要求5所述的一种分布式光伏运行智能预测管理系统，其特征在于，预测单元将预测光照占比GYZi与存储单元内部所存储的点值区间以及线性区间进行比对，查看预测光照占比GYZi所属的区间，并提取对应区间的传导因子
Figure FDA0003686604790000032
采用
Figure FDA0003686604790000033
得到对应光照占比GYZi所产生发电功率值PYi，将多个时间段内的发电功率值PYi采用同样的方式进行处理，便得到多组若干个发电功率值PYi。
CN202210653069.9A 2022-06-09 2022-06-09 一种分布式光伏运行智能预测管理系统 Pending CN115034472A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210653069.9A CN115034472A (zh) 2022-06-09 2022-06-09 一种分布式光伏运行智能预测管理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210653069.9A CN115034472A (zh) 2022-06-09 2022-06-09 一种分布式光伏运行智能预测管理系统

Publications (1)

Publication Number Publication Date
CN115034472A true CN115034472A (zh) 2022-09-09

Family

ID=83123031

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210653069.9A Pending CN115034472A (zh) 2022-06-09 2022-06-09 一种分布式光伏运行智能预测管理系统

Country Status (1)

Country Link
CN (1) CN115034472A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115207925A (zh) * 2022-09-15 2022-10-18 四川中电启明星信息技术有限公司 分布式光伏发电智能管理系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115207925A (zh) * 2022-09-15 2022-10-18 四川中电启明星信息技术有限公司 分布式光伏发电智能管理系统

Similar Documents

Publication Publication Date Title
CN106992523B (zh) 一种用于含光伏和热负荷的电力系统的潮流计算方法
CN110649883B (zh) 清洗方法、装置和计算机设备
EP2360487A1 (en) Model-based power estimation of photovoltaic power generation system
CN105552938B (zh) 一种三相不对称配电网络电压暂降评估方法
CN111859283B (zh) 一种考虑多能源荷时序性、相关性的场景生成方法
CN111859812A (zh) 天气影响下的海上风电场及柔直并网系统可靠性评估方法
CN103018611B (zh) 一种基于电流分解的非侵入式负载监测方法及系统
CN115034472A (zh) 一种分布式光伏运行智能预测管理系统
CN115759467A (zh) 一种误差修正的分时刻集成学习光伏预测方法
Bugała et al. Statistical analysis of the electric energy production from photovoltaic conversion using mobile and fixed constructions
CN113131515A (zh) 智能微电网ai故障检测及网络优化重构系统及方法
CN110190990B (zh) 一种低压配电台区网络拓扑结构的自动辨识方法及装置
CN104283208A (zh) 大型电网概率性可用输电能力的分解协调计算方法
CN103065049A (zh) 一种基于coif5小波实时分解的风电功率实时预测计算方法
CN115207925A (zh) 分布式光伏发电智能管理系统
CN115392560A (zh) 一种基于决策树的变流器故障预测方法和系统
Hernández-Callejo et al. Analysis of the influence of DC optimizers on photovoltaic production
CN114662922A (zh) 考虑光伏不确定性的居民需求响应潜力评估方法及系统
Femin et al. Modeling the temporal variations in the output of large solar PV power plants
CN110619436A (zh) 主动配电网规划方法
CN111126772A (zh) 一种模拟电力现货市场平衡的方法及系统
Liu et al. Study on theoretical power improvement calculation of new energy power station and optimal ratio of wind and solar capacity
CN113408193B (zh) 新能源消纳能力评估方法、装置、终端设备及存储介质
CN117540859B (zh) 一种基于神经网络的光伏电站发电量的预估方法及系统
CN114547160B (zh) 一种应用于电力并网的涉外数据子站整合系统

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