CN115423200B - 离线状态下补全太阳辐照进行光伏功率预测的方法 - Google Patents
离线状态下补全太阳辐照进行光伏功率预测的方法 Download PDFInfo
- Publication number
- CN115423200B CN115423200B CN202211128739.1A CN202211128739A CN115423200B CN 115423200 B CN115423200 B CN 115423200B CN 202211128739 A CN202211128739 A CN 202211128739A CN 115423200 B CN115423200 B CN 115423200B
- Authority
- CN
- China
- Prior art keywords
- solar radiation
- solar
- radiation
- data
- prediction
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 230000001502 supplementing effect Effects 0.000 title claims abstract description 16
- 230000005855 radiation Effects 0.000 claims abstract description 99
- 238000004364 calculation method Methods 0.000 claims abstract description 27
- 238000005286 illumination Methods 0.000 claims abstract description 6
- 238000012417 linear regression Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 7
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 4
- 230000003313 weakening effect Effects 0.000 claims description 3
- 238000002310 reflectometry Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Algebra (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Computational Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Quality & Reliability (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Photometry And Measurement Of Optical Pulse Characteristics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种离线状态下补全太阳辐照进行光伏功率预测的方法,获取离线前的气象数据,预处理后输入气象预测模型得到当地光照幅度,并计算得到倾斜表面上的直射光束太阳辐射Ibβ和反射辐射Iγ,采用贝叶斯决策理论对倾斜表面上的漫反射太阳辐射Idβ公式内的调整因子F进行修正,之后计算得到倾斜表面上的漫反射太阳辐射Idβ,计算得到太阳辐射强度IT,补全云量数据,将气象数据、太阳辐照数据和云量数据输入物理光伏出力预测框架pvlib中得出光伏出力预测;通过光伏预测系统本身已知的参数来计算倾斜表面的直射光束太阳辐射Ibβ、漫反射太阳辐射Idβ和太阳反射辐射Iγ,补全缺失的太阳辐照数据,提高了光伏预测系统在离线状态下进行出力预测的精准度。
Description
技术领域
本发明涉及光伏发电技术领域,具体涉及一种离线状态下补全太阳辐照进行光伏功率预测的方法。
背景技术
现今光伏预测技术多使用直接或间接预测法。直接预测法是通过构建神经网络模型,将历史发电数据和历史天气数据作为输入,经过模型训练后,再获取天气预报数据输入模型,得到未来时间段的光伏出力。而间接预测法则是通过构建光伏组件和逆变器的物理模型,再通过天气预报数据作为输入,通过光电转换效率得到光伏出力结果。因此不管是直接预测法还是间接预测法都是通过天气预报直接获取的天气数据才能进行光伏出力预测,一旦设备或系统处于离线状态则无法进行准确的光伏预测。
在此种情况下,大多数光伏预测系统只是通过经纬度,简单的计算直射太阳辐照来进行天气数据的补充,而不考虑漫射辐照和反射辐照对于光伏出力的影响,更没有考虑屋顶作为斜面需要结合各种外部因素来计算所接收的太阳辐照,但天气数据中对于光伏出力最有影响的参数就是太阳辐照度,这样会使得离线状态下的光伏预测准确率大大下降。
发明内容
本发明的目的在于提供一种离线状态下补全太阳辐照进行光伏功率预测的方法,以解决上述问题。
本发明所采用的技术方案为:
一种离线状态下补全太阳辐照进行光伏功率预测的方法,步骤如下:
步骤一:获取离线前当地的气象数据,所述气象数据包括太阳入射角θ、方位角Zs、倾斜角β、日期n、时间T、经度S、纬度φ;并对气象数据进行预处理计算得到天顶角θz,将得到的经过预处理的气象数据上传至光伏预测系统;
步骤二:将步骤一的气象数据输入光伏预测系统内的气象预测模型得到当地的太阳漫射辐照Id、太阳直射辐照Ib、太阳水平辐照IH,并计算得到倾斜表面上的直射光束太阳辐射Ibβ和反射辐射Iγ;
步骤三:倾斜表面上的漫反射太阳辐射Idβ的计算公式为:
其中,F为调整因子,采用贝叶斯决策理论对调整因子F进行修正,将修正后的调整因子F、步骤一和步骤二的数据代入公式(1)得到倾斜表面上的漫反射太阳辐射Idβ;
步骤四:倾斜表面上的太阳辐射强度IT的计算公式为:
IT=Idβ+Ibβ+Iγ----(2);
将步骤二、步骤三得到的倾斜表面上的漫反射太阳辐射Idβ、倾斜表面上的直射光束太阳辐射Ibβ和反射辐射Iγ的值代入公式(2)得到倾斜表面上的太阳辐射强度IT;
步骤五:将物理光伏出力预测框架pvlib框架在进行预测时对于天气数据中高中低云量的影响因子调弱并补全缺失的云量数据;
步骤六:将气象数据、倾斜表面上的太阳辐射强度IT、云量数据放入离线状态下的物理光伏出力预测框架pvlib中得出光伏出力预测结果。
作为本发明进一步改进的技术方案,调整因子F的计算公式为:
其中,Id为步骤二所得太阳漫射辐照,IH为太阳水平辐照,λ为决策系数,决策系数λ的计算公式为:
其中,Ici为漫反射太阳辐射预测值,Imi为漫反射太阳辐射实测值,为漫反射太阳辐射值预测的平均值,/>为漫反射太阳辐射实测值的平均值,N为整体样本数量值。
作为本发明进一步改进的技术方案,漫反射太阳辐射预测值Ici的计算公式为:
作为本发明进一步改进的技术方案,步骤一中所获取的气象数据还包括地表反射率ρg。
作为本发明进一步改进的技术方案,步骤二中,检测到离线后,将离线前7天的记录的当地光照幅度的历史数据——太阳漫射辐照Id、太阳直射辐照Ib、太阳水平辐照IH——放入ARIMA模型中进行训练,得到后一个时间点的太阳漫射辐照Id、太阳直射辐照Ib、太阳水平辐照IH。
作为本发明进一步改进的技术方案,倾斜表面上的直射光束太阳辐射Ibβ的计算公式为:
Ibβ=Ib×rb----(11),
其中,rb为反射辐照系数。
作为本发明进一步改进的技术方案,反射辐照系数rb的计算公式为:
作为本发明进一步改进的技术方案,反射辐射Iγ的计算公式为:
作为本发明进一步改进的技术方案,步骤五中,调取离线前的云量数据,放入已经训练好的Linear Regression模型中,根据决策系数λ的值,调用Linear Regression模型内的数据,补全当前所需要的云量数据。
作为本发明进一步改进的技术方案,所述Linear Regression模型在训练时根据光线强弱和三年的气象历史数据进行训练,共计训练4个晴天模型和4个阴雨天数据。
本发明所具有的有益效果为:
在离线状态下,通过光伏预测系统本身已知的参数来计算倾斜表面的直射光束太阳辐射Ibβ、漫反射太阳辐射Idβ和太阳反射辐射Iγ,补全缺失的太阳辐照数据,提高了光伏预测系统在离线状态下进行出力预测的精准度。
附图说明
图1是离线状态下补全太阳辐照进行光伏功率预测的方法的流程图。
具体实施方式
以下将结合附图所示的具体实施方式对本发明进行详细描述。但这些实施方式并不限制本发明,本领域的普通技术人员根据这些实施方式所做出的结构、方法、或功能上的变换均包含在本发明的保护范围内。
如果本发明在表述的时候涉及方位(例如,上、下、左、右、前、后、外、内等),则需要对涉及到的方位进行定义,例如“为清楚地表达本发明内所描述的位置与方向,以器械操作者作为参照,靠近操作者的一端为近端,远离操作者的一端为远端。”或者以纸面作为参照等进行定义。当然,如果在后续描述时,是通过相互参照来定义两者之间的位置关系的,则可不在此定义。
一种离线状态下补全太阳辐照进行光伏功率预测的方法,如图1所示,步骤如下:
步骤一:获取离线前当地的气象数据,所述气象数据包括太阳入射角θ、方位角Zs、倾斜角β、日期n、时间T、经度S、纬度φ,并对气象数据进行预处理计算得到天顶角,将得到的经过预处理的气象数据上传至光伏预测系统;
步骤二:将步骤一的气象数据输入光伏预测系统内的气象预测模型得到当地的太阳漫射辐照Id、太阳直射辐照Ib、太阳水平辐照IH,并计算得到倾斜表面上的直射光束太阳辐射Ibβ和反射辐射Iγ;
步骤三:倾斜表面上的漫反射太阳辐射Idβ的计算公式为:
其中,F为调整因子,采用贝叶斯决策理论对调整因子F进行修正,将修正后的调整因子F、步骤一和步骤二的数据代入公式(1)得到倾斜表面上的漫反射太阳辐射Idβ;
步骤四:倾斜表面上的太阳辐射强度IT的计算公式为:
IT=Idβ+Ibβ+Iγ----(2);
将步骤二、步骤三得到的倾斜表面上的漫反射太阳辐射Idβ、倾斜表面上的直射光束太阳辐射Ibβ和反射辐射Iγ的值代入公式(2)得到倾斜表面上的太阳辐射强度IT;
步骤五:将物理光伏出力预测框架pvlib框架在进行预测时对于天气数据中高中低云量的影响因子调弱并补全缺失的云量数据;
步骤六:将气象数据、倾斜表面上的太阳辐射强度IT、云量数据放入离线状态下的物理光伏出力预测框架pvlib中得出光伏出力预测结果。
具体地,调整因子F的计算公式为:
其中,Id为步骤二所得太阳漫射辐照,IH为太阳水平辐照,λ为决策系数。调整因子F将在阴天接近零,简化为Liu-Jordan模型。然而,在晴朗的天气时,调整因子F接近1,简化为Temp-Coulson模型。
由于天气信息的不准确性,对调整因子F这个不确定的决策参数采用贝叶斯理论去优化,因此引入决策系数λ,根据离线时的不同的天气状况,决策系数λ的值也会随之发生改变,该决策系数λ的取值一般在0到1之间,光线越暗时,决策系数λ越接近1,这样可以使预测结果更接近实际。通过算法初始模型下的经纬度和温度环境预测,只能随机得出在一定时间区间下光照强度的变化,多数检测仪器的光照强度实测通常为人为手动更新或采用段时间的更新频率,并不能为检测仪器提供实时的数据,因此针对离线状态下补全屋顶太阳辐照,加入太阳辐射的实测值的参数进行算法优化。
决策系数λ的计算公式为:
其中,Ici为漫反射太阳辐射预测值,为漫反射太阳辐射值预测的平均值,Imi为采用仪器测量所得的漫反射太阳辐射实测值,/>为漫反射太阳辐射实测值的平均值,N为整体样本数量值。
建立决策数据库,所述决策数据库内包含所采集的过去段时间的N个漫反射太阳辐射实测值Imi以及N个漫反射太阳辐射值预测Ici,基于离线前的决策数据库内的数据,计算得出当前决策系数λ的值。
漫反射太阳辐射预测值Ici是建立在无决策系数λ情况下的初始预测模型,根据forecast函数和已有的模型数据,依据线性回归代数,去预测未知的漫反射太阳辐射预测值Ici。漫反射太阳辐射预测值Ici的计算公式为:
步骤一中所获取的气象数据为:太阳入射角θ、方位角Zs、倾斜角β、日期n、时间T、经度S、纬度φ和地表反射率ρg,并对所述气象数据进行处理计算得到天顶角θz。
其中,计算天顶角θz首先需要计算得到太阳偏角δ和太阳时角ωs。
计算太阳偏角δ,太阳偏角δ是地球中心和太阳中心之间的线与地球赤道平面之间的角度。太阳偏角δ与所在的地方没有关系,只由日期n决定,太阳偏角δ的计算公式为:
其中,日期n为日期在一年中的序号。例如,1月1日时,n的取值是0,1月2日时,n的取值是1,……,12月31日时,n的取值是365。
计算太阳时角ωs,太阳时角ωs是指日面中心的时角,即从观测点天球子午圈沿天赤道量至太阳所在时圈的角距离,太阳时角ωs是由时间T和经度S决定的。无论在地球上的任何地方,在同一时间,只要是同一经度,太阳的时角都是一样的,太阳时角ωs的计算公式为:
ωS=(ST-12)×15°----(8)。
其中,S是经度,T是时间。在进行日照分析时,T应当采用当地时间。根据规定,正午的太阳时角ωs为0,这意味着上午的太阳时角ωs为负,下午的太阳时角ωs为正。
计算天顶角θz,天顶角θz是光线入射方向与天顶方向的夹角。天顶角θz是由太阳入射角θ、方位角Zs、倾斜角β、纬度太阳偏角δ、太阳时角ωs共同决定的。天顶角θz的计算公式如下:
一般情况下,如果系统中对于倾斜角β的数据未做设定,则可以默认倾斜角β为0,那么公式可以简化为:
具体地,步骤二中,检测到离线后,将离线前7天的记录的当地光照幅度的历史数据——太阳漫射辐照Id、太阳直射辐照Ib、太阳水平辐照IH——放入ARIMA模型中进行训练,得到后一个时间点的太阳漫射辐照Id、太阳直射辐照Ib、太阳水平辐照IH。随后将该时间点的数据再输入ARIMA模型中进行下一个时间点的预测,直到系统重新上线。
依据步骤二所得的太阳漫射辐照Id、太阳直射辐照Ib、太阳水平辐照IH计算倾斜表面上的直射光束太阳辐射Ibβ和反射辐射Iγ。
倾斜表面上的直射光束太阳辐射Ibβ的计算公式为:
Ibβ=Ib×rb----(11),
其中,rb为反射辐照系数,反射辐照系数rb的计算公式为:
反射辐射Iγ的计算公式为:
将公式(11)、(13)得到的结果代入公式(2),得到倾斜表面的太阳辐射IT。
具体地,步骤五中,调取离线前的云量数据,放入已经训练好的LinearRegression模型中,根据决策系数λ的值,调用Linear Regression模型内的数据,补全当前所需要的云量数据。
所述Linear Regression模型在训练时根据光线强弱和三年的气象历史数据进行训练,共计训练4个晴天模型和4个阴雨天数据,使用时,根据决策系数λ的值进行选择调用。
本发明所提供的技术方案,在离线状态下,通过光伏预测系统本身已知的参数来计算倾斜表面的直射光束太阳辐射Ibβ、漫反射太阳辐射Idβ和太阳反射辐射Iγ,补全缺失的太阳辐照数据,提高了光伏预测系统在离线状态下进行出力预测的精准度。
应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施方式中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明,它们并非是用以限制本发明的保护范围,凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围内。
Claims (9)
1.一种离线状态下补全太阳辐照进行光伏功率预测的方法,其特征在于,步骤如下:
步骤一:获取离线前当地的气象数据,所述气象数据包括太阳入射角θ、方位角Zs、倾斜角β、日期n、时间T、经度S、纬度φ;并对气象数据进行预处理计算得到天顶角θz,将得到的经过预处理的气象数据上传至光伏预测系统;
步骤二:将步骤一的气象数据输入光伏预测系统内的气象预测模型得到当地的太阳漫射辐照Id、太阳直射辐照Ib、太阳水平辐照IH,并计算得到倾斜表面上的直射光束太阳辐射Ibβ和反射辐射Iγ;
步骤三:倾斜表面上的漫反射太阳辐射Idβ的计算公式为:
其中,F为调整因子,采用贝叶斯决策理论对调整因子F进行修正,将修正后的调整因子F、步骤一和步骤二的数据代入公式(1)得到倾斜表面上的漫反射太阳辐射Idβ;
调整因子F的计算公式为:
其中,Id为步骤二所得太阳漫射辐照,IH为太阳水平辐照,λ为决策系数,决策系数λ的计算公式为:
其中,Ici为漫反射太阳辐射预测值,Imi为漫反射太阳辐射实测值,为漫反射太阳辐射值预测的平均值,/>为漫反射太阳辐射实测值的平均值,N为整体样本数量值;
步骤四:倾斜表面上的太阳辐射强度IT的计算公式为:
IT=Idβ+Ibβ+Iγ----(2);
将步骤二、步骤三得到的倾斜表面上的漫反射太阳辐射Idβ、倾斜表面上的直射光束太阳辐射Ibβ和反射辐射Iγ的值代入公式(2)得到倾斜表面上的太阳辐射强度IT;
步骤五:将物理光伏出力预测框架pvlib框架在进行预测时对于天气数据中高中低云量的影响因子调弱并补全缺失的云量数据;
步骤六:将气象数据、倾斜表面上的太阳辐射强度IT、云量数据放入离线状态下的物理光伏出力预测框架pvlib中得出光伏出力预测结果。
2.根据权利要求1所述的离线状态下补全太阳辐照进行光伏功率预测的方法,其特征在于:
漫反射太阳辐射预测值Ici的计算公式为:
3.根据权利要求2所述的离线状态下补全太阳辐照进行光伏功率预测的方法,其特征在于:
步骤一中所获取的气象数据还包括地表反射率ρg。
4.根据权利要求3所述的离线状态下补全太阳辐照进行光伏功率预测的方法,其特征在于:
步骤二中,检测到离线后,将离线前7天的记录的当地光照幅度的历史数据——太阳漫射辐照Id、太阳直射辐照Ib、太阳水平辐照IH——放入ARIMA模型中进行训练,得到后一个时间点的太阳漫射辐照Id、太阳直射辐照Ib、太阳水平辐照IH。
5.根据权利要求4所述的离线状态下补全太阳辐照进行光伏功率预测的方法,其特征在于:
倾斜表面上的直射光束太阳辐射Ibβ的计算公式为:
Ibβ=Ib×rb----(11),
其中,rb为反射辐照系数。
6.根据权利要求5所述的离线状态下补全太阳辐照进行光伏功率预测的方法,其特征在于:
反射辐照系数rb的计算公式为:
7.根据权利要求4所述的离线状态下补全太阳辐照进行光伏功率预测的方法,其特征在于:
反射辐射Iγ的计算公式为:
8.根据权利要求2所述的离线状态下补全太阳辐照进行光伏功率预测的方法,其特征在于:
步骤五中,调取离线前的云量数据,放入已经训练好的Linear Regression模型中,根据决策系数λ的值,调用Linear Regression模型内的数据,补全当前所需要的云量数据。
9.根据权利要求8所述的离线状态下补全太阳辐照进行光伏功率预测的方法,其特征在于:
所述Linear Regression模型在训练时根据光线强弱和三年的气象历史数据进行训练,共计训练4个晴天模型和4个阴雨天数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211128739.1A CN115423200B (zh) | 2022-09-16 | 2022-09-16 | 离线状态下补全太阳辐照进行光伏功率预测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211128739.1A CN115423200B (zh) | 2022-09-16 | 2022-09-16 | 离线状态下补全太阳辐照进行光伏功率预测的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115423200A CN115423200A (zh) | 2022-12-02 |
CN115423200B true CN115423200B (zh) | 2023-12-29 |
Family
ID=84204176
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211128739.1A Active CN115423200B (zh) | 2022-09-16 | 2022-09-16 | 离线状态下补全太阳辐照进行光伏功率预测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115423200B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012053582A (ja) * | 2010-08-31 | 2012-03-15 | Tokyo Electric Power Co Inc:The | 太陽光発電設備の出力予測装置 |
JP2013164286A (ja) * | 2012-02-09 | 2013-08-22 | Toshiba Corp | 日射量予測方法、太陽光発電出力予測方法、及びシステム |
CN103984991A (zh) * | 2014-05-12 | 2014-08-13 | 武汉东日科技有限公司 | 一种基于微气象数据的分布式太阳能辐射预测方法及系统 |
CN103996082A (zh) * | 2014-06-03 | 2014-08-20 | 华北电力大学(保定) | 一种基于双重随机理论的太阳辐射强度预测方法 |
JP2016031621A (ja) * | 2014-07-29 | 2016-03-07 | 日立造船株式会社 | 太陽光発電量予測方法および太陽光発電量予測システム |
KR20160064709A (ko) * | 2014-11-28 | 2016-06-08 | 재단법인 국가농림기상센터 | 이류효과 보정기법을 이용한 산악지대 일 최고기온 분포 추정 시스템 및 이를 이용한 산악지대 일 최고기온 분포 추정 방법 |
US9645180B1 (en) * | 2011-07-25 | 2017-05-09 | Clean Power Research, L.L.C. | System and method for estimating photovoltaic energy generation for use in photovoltaic fleet operation with the aid of a digital computer |
CN108388956A (zh) * | 2018-01-18 | 2018-08-10 | 华北电力大学 | 考虑辐射衰减的光伏功率预测方法 |
CN110598335A (zh) * | 2019-09-17 | 2019-12-20 | 阳光电源股份有限公司 | 一种超短期光伏功率预测的辐照修正方法 |
CN111047076A (zh) * | 2019-11-21 | 2020-04-21 | 国网甘肃省电力公司 | 一种基于葵花8号卫星云图的光伏短期功率预报方法 |
CN112200377A (zh) * | 2020-10-16 | 2021-01-08 | 国能日新科技股份有限公司 | 基于sarimax模型的光伏中长期发电量预报方法及装置 |
CN112270453A (zh) * | 2020-11-19 | 2021-01-26 | 国网北京市电力公司 | 含光伏负荷的广义负荷的结构解析方法、装置与处理器 |
CN112330032A (zh) * | 2020-11-09 | 2021-02-05 | 中国联合网络通信集团有限公司 | 一种光伏发电厂的有功出力的预测方法和装置 |
CN113205214A (zh) * | 2021-04-30 | 2021-08-03 | 南京邮电大学 | 一种基于并行树突状神经网络的光伏功率超短期预测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101307908B1 (ko) * | 2011-08-30 | 2013-09-26 | 강릉원주대학교산학협력단 | 지표면 도달 일사량 계산을 위한 단층 태양복사모델의 구성 방법 및 장치 |
US10255393B2 (en) * | 2014-06-20 | 2019-04-09 | Board Of Regents, The University Of Texas System | Optimally placing photovoltaic arrays to maximize value of energy production based on peak power production, local solar radiation, weather, electricity market prices and rate structures |
JP6584510B2 (ja) * | 2015-08-07 | 2019-10-02 | 三菱電機株式会社 | 太陽光発電量予測装置および太陽光発電量予測方法 |
CN105184404B (zh) * | 2015-08-31 | 2018-12-18 | 中国科学院广州能源研究所 | 适用于光伏系统全生命周期的输出功率分类预测系统 |
-
2022
- 2022-09-16 CN CN202211128739.1A patent/CN115423200B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012053582A (ja) * | 2010-08-31 | 2012-03-15 | Tokyo Electric Power Co Inc:The | 太陽光発電設備の出力予測装置 |
US9645180B1 (en) * | 2011-07-25 | 2017-05-09 | Clean Power Research, L.L.C. | System and method for estimating photovoltaic energy generation for use in photovoltaic fleet operation with the aid of a digital computer |
JP2013164286A (ja) * | 2012-02-09 | 2013-08-22 | Toshiba Corp | 日射量予測方法、太陽光発電出力予測方法、及びシステム |
CN103984991A (zh) * | 2014-05-12 | 2014-08-13 | 武汉东日科技有限公司 | 一种基于微气象数据的分布式太阳能辐射预测方法及系统 |
CN103996082A (zh) * | 2014-06-03 | 2014-08-20 | 华北电力大学(保定) | 一种基于双重随机理论的太阳辐射强度预测方法 |
JP2016031621A (ja) * | 2014-07-29 | 2016-03-07 | 日立造船株式会社 | 太陽光発電量予測方法および太陽光発電量予測システム |
KR20160064709A (ko) * | 2014-11-28 | 2016-06-08 | 재단법인 국가농림기상센터 | 이류효과 보정기법을 이용한 산악지대 일 최고기온 분포 추정 시스템 및 이를 이용한 산악지대 일 최고기온 분포 추정 방법 |
CN108388956A (zh) * | 2018-01-18 | 2018-08-10 | 华北电力大学 | 考虑辐射衰减的光伏功率预测方法 |
CN110598335A (zh) * | 2019-09-17 | 2019-12-20 | 阳光电源股份有限公司 | 一种超短期光伏功率预测的辐照修正方法 |
CN111047076A (zh) * | 2019-11-21 | 2020-04-21 | 国网甘肃省电力公司 | 一种基于葵花8号卫星云图的光伏短期功率预报方法 |
CN112200377A (zh) * | 2020-10-16 | 2021-01-08 | 国能日新科技股份有限公司 | 基于sarimax模型的光伏中长期发电量预报方法及装置 |
CN112330032A (zh) * | 2020-11-09 | 2021-02-05 | 中国联合网络通信集团有限公司 | 一种光伏发电厂的有功出力的预测方法和装置 |
CN112270453A (zh) * | 2020-11-19 | 2021-01-26 | 国网北京市电力公司 | 含光伏负荷的广义负荷的结构解析方法、装置与处理器 |
CN113205214A (zh) * | 2021-04-30 | 2021-08-03 | 南京邮电大学 | 一种基于并行树突状神经网络的光伏功率超短期预测方法 |
Non-Patent Citations (2)
Title |
---|
一种新型天气分型方法及其在光伏功率预测中的应用;李芬等;上海交通大学学报;第1510-1519页 * |
倾斜面太阳辐射量计算方法研究;王恩宇等;热科学与技术;第35-41页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115423200A (zh) | 2022-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Al-Dahidi et al. | Ensemble approach of optimized artificial neural networks for solar photovoltaic power prediction | |
Stefenon et al. | Photovoltaic power forecasting using wavelet neuro-fuzzy for active solar trackers | |
Mayer et al. | Pairing ensemble numerical weather prediction with ensemble physical model chain for probabilistic photovoltaic power forecasting | |
CN117077437B (zh) | 基于多源卫星的极区海表净辐射模型构建和确定方法 | |
Leva et al. | PV plant power nowcasting: A real case comparative study with an open access dataset | |
CN117526274A (zh) | 极端气候下新能源功率预测方法、电子设备和存储介质 | |
CN115375036A (zh) | 遥感、光能利用率模型与气象融合的作物成熟期预测方法 | |
CN115423200B (zh) | 离线状态下补全太阳辐照进行光伏功率预测的方法 | |
EP3940951A1 (en) | Single axis solar tracker management method and solar plant implementing said method | |
CN117848501A (zh) | 航空多光谱图像辐射校正方法、装置、设备及介质 | |
Padovani et al. | The ESO's Extremely Large Telescope Working Groups | |
Al-Abbadi et al. | Saudi Arabian solar radiation network operation data collection and quality assessment | |
CN116185616A (zh) | 一种fy-3d mersi l1b数据自动化再处理方法 | |
CN113608239B (zh) | 基于bp神经网络的gnss掩星对流层参数的修正方法 | |
CN115238967A (zh) | 一种结合云图和相邻电站集群的光伏功率预测方法及装置 | |
Barnard et al. | A float-based ocean color vicarious calibration program | |
CN107608008B (zh) | 一种基于广义大气浑浊度的晴空时段的检测方法 | |
Carrillo et al. | A computationally light data-driven alternative to cloud-motion prediction for pv forecasting | |
Myers et al. | Final Report for Annex II--Assessment of Solar Radiation Resources In Saudi Arabia, 1998-2000 | |
Kyliashkina et al. | Intelligent Systems as a Tool for Predicting Electrical Energy and Power Generation | |
CN118446558B (zh) | 基于机器学习的光伏发电功率预测方法及其应用 | |
Bulane | Development of solar radiation database and its integration into solar process applications in Lesotho | |
Wendlandt et al. | Photovoltaic Energy Yield Prediction Using An Irradiance Forecast Model Based On Machine Learning For Decentralized Energy Systems | |
KR102675597B1 (ko) | 단기 태양광 발전량 예측 시스템 | |
CN110610262B (zh) | 一种计及天气要素的长时间尺度光伏时序出力生成方法 |
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 |