CN115441447B - 一种新能源发电功率预测方法 - Google Patents
一种新能源发电功率预测方法 Download PDFInfo
- Publication number
- CN115441447B CN115441447B CN202211299523.1A CN202211299523A CN115441447B CN 115441447 B CN115441447 B CN 115441447B CN 202211299523 A CN202211299523 A CN 202211299523A CN 115441447 B CN115441447 B CN 115441447B
- Authority
- CN
- China
- Prior art keywords
- power
- curve
- predicted
- power supply
- image information
- 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 55
- 238000010248 power generation Methods 0.000 title claims abstract description 28
- 230000005855 radiation Effects 0.000 claims abstract description 67
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 23
- 229910052739 hydrogen Inorganic materials 0.000 claims description 23
- 239000001257 hydrogen Substances 0.000 claims description 23
- 238000004146 energy storage Methods 0.000 claims description 11
- 239000000126 substance Substances 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013211 curve analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005868 electrolysis reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- 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
- 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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Power Engineering (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Primary Health Care (AREA)
- Multimedia (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明涉及新能源技术领域,具体公开了一种新能源发电功率预测方法,所述方法包括:步骤一、对光伏电源进行周期划分;根据预测气象信息及光伏电源所处位置确定下个周期的预测辐射量曲线;步骤二、在下个周期开始时获取第一云系图像信息,在设定间隔时长后获取第二云系图像信息,通过第一云系图像信息、第二云系图像信息及其变化状态对预测辐射量曲线进行调整,获得调整辐射量曲线;步骤三、根据温度预测变化曲线及调整辐射量曲线获得预测光伏电源馈入功率;该方法在预测气象信息的基础上根据光伏电源馈电周期的初始时段的实际状况综合判断,进而能够提高预测结果的准确性。
Description
技术领域
本发明涉及新能源技术领域,具体为一种新能源发电功率预测方法。
背景技术
随着新能源技术的快速发展,通过太阳能、风能等途径能够获得绿色、清洁的能源,新能源发电与传统的火力发电不同,其发电功率具有波动性和随机性,与环境气候因素呈较高的关联性,具有非常高的不确定性;例如,光伏发电只有在白天才有功率输出,因此光伏大面积并网会给电力系统带来巨大的干扰。所以,为了减少光伏并网对电力系统的危害,对光伏发电功率进行准确的预测,对整个电网的安全稳定运行具有重大的意义。
现有技术中,对新能源发电功率的预测主要在光伏硬件状态、光伏组件所处地域、位置的基础上,根据预测的气候环境状态进行判断,此种方式判断的准确性与气候预测准确性呈正相关,因此导致判断的最终结果与实际馈电功率存在差别。
发明内容
本发明的目的在于提供一种新能源发电功率预测方法,解决以下技术问题:
如何提高新能源发电功率预测的准确性。
本发明的目的可以通过以下技术方案实现:
一种新能源发电功率预测方法,所述方法包括:
步骤一、对光伏电源进行周期划分;根据预测气象信息及光伏电源所处位置确定下个周期的预测辐射量曲线;
步骤二、在下个周期开始时获取第一云系图像信息,在设定间隔时长后获取第二云系图像信息,通过第一云系图像信息、第二云系图像信息及其变化状态对预测辐射量曲线进行调整,获得调整辐射量曲线;
步骤三、根据温度预测变化曲线及调整辐射量曲线获得预测光伏电源馈入功率。
于一实施例中,调整辐射量曲线获取的过程为:
获取气候状况,所述气候状况包括晴天和非晴天;
非晴天状态下,按预设的最低发电功率曲线作为预测光伏电源馈入功率曲线;
晴天状态下,对第一云系图像信息及第二云系图像信息进行识别,识别出云层区域面积S;
于一实施例中,所述预测辐射量曲线调整的方式为:
于一实施例中,所述方法还包括对风力电源进行预测,所述风力电源馈入功率的预测过程为:
获取风力电源所处位置的预测风力状况,所述预测风力状况包括风速及风向角随时间变化曲线;
获取风力电源所处位置的预测温度变化曲线;
以特定时间间隔采集风速、风向角及温度数据,将风速、风向角及温度数据输入至分析模型中,获取每个时间点的预测发电功率,将所有时间点的预测发电功率数值连接,获取预测风力电源馈入功率曲线;
所述分析模型根据历史数据训练获得。
于一实施例中,根据光伏电源及风力电源的馈入功率及实时馈入功率调整氢储能策略。
于一实施例中,所述氢储能策略调整的方法包括:
其中,L(t)为预测光伏电源馈入功率曲线;W(t)为预测风力电源馈入功率曲线;min()为最小值函数,[]为取整符号,p为单个电解槽制氢所需最低功率。
于一实施例中,所述氢储能策略调整的方法还包括:
于一实施例中,比对方法为:
于一实施例中,比对方法还包括:
本发明的有益效果:
(1)本发明不仅通过预测气象信息对下个周期的预测辐射量进行判断,还结合下个周期的云系图像信息对预测辐射量曲线进行调整,显然,调整后的辐射量曲线在预测气象信息的基础上根据光伏电源馈电周期的初始时段的实际状况综合判断,进而能够提高预测结果的准确性。
(2)本发明通过对新能源电源的供电功率进行预测,根据预测的供电功率来分配对应数量的电解槽,能够保证运行电解槽数量的合理性,减少电解槽数量反复开启关闭对其寿命造成的影响,同时保证了制氢过程的稳定性;另外由于电解槽的运行数量与预测的状态相匹配,因此需要电网的馈电量较少,馈电功率较低,所以制氢过程对电网造成的压力较低。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明新能源发电功率预测方法的步骤流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中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作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。
请参阅图1所示,在一个实施例中,提供了一种新能源发电功率预测方法,所述方法包括:
步骤一、对光伏电源进行周期划分;根据预测气象信息及光伏电源所处位置确定下个周期的预测辐射量曲线;
步骤二、在下个周期开始时获取第一云系图像信息,在设定间隔时长后获取第二云系图像信息,通过第一云系图像信息、第二云系图像信息及其变化状态对预测辐射量曲线进行调整,获得调整辐射量曲线;
步骤三、根据温度预测变化曲线及调整辐射量曲线获得预测光伏电源馈入功率。
通过上述技术方案,在光伏硬件状态、光伏组件所处地域、位置确定的基础上,不仅通过预测气象信息对下个周期的预测辐射量进行判断,还结合下个周期的云系图像信息对预测辐射量曲线进行调整,显然,调整后的辐射量曲线在预测气象信息的基础上根据光伏电源馈电周期的初始时段的实际状况综合判断,进而能够提高预测结果的准确性。
需要说明的是,光伏电源的馈电周期为一天,设定间隔时长≤1小时,因此第一云系图像信息与第二云系图像信息获取时间点之间的时段馈电功率较大,不予考虑。
作为本发明的一种实施方式,调整辐射量曲线获取的过程为:
获取气候状况,所述气候状况包括晴天和非晴天;
非晴天状态下,按预设的最低发电功率曲线作为预测光伏电源馈入功率曲线;
晴天状态下,对第一云系图像信息及第二云系图像信息进行识别,识别出云层区域面积S;
通过上述技术方案,本实施例给出了一种预测光伏电源馈入功率随时间变化曲线
的方法,首先通过获取气象信息判断天气状况,显然,当为雨雪天、阴天等非晴天状态时,光
伏电源的馈入功率较低,因此按预设的最低发电功率曲线;当为晴天状态时,由于光伏电源
的发电功率会随着云系对光线的遮挡而发生影响,因此,本实施例通过采集天空图像信息
并对图像信息中的云层区域进行识别,进而判断天空中的云系状态,另外,由于云系的变化
速率不同,其对光伏电源的影响也不相同,因此,本实施例通过采集两个时间点的图像信
息,通过公式获取云层占比变化速率,通过及的大小对第二时间点后
的预测辐射量曲线进行调整,进而获得更为准确的调整辐射量曲线,根据温度预测变化曲
线及调整辐射量曲线获得预测光伏电源馈入功率曲线,实现光伏电源输出功率的准确判
断。
需要说明的是,预设辐射量曲线根据光伏电源所处的经纬度信息、海拔信息及光伏板的型号获得,另外,光伏电源的馈入功率和温度相关,因此通过获取温度预测变化曲线并结合调整辐射量曲线获取预测光伏电源馈入功率曲线,此过程中,预设辐射量曲线的设定及其结合温度预测变化曲线分析的过程均可通过光伏领域的现有技术实现,在此不作详述。
作为本发明的一种实施方式,所述预测辐射量曲线调整的方式为:
通过上述技术方案,本实施例给出了具体调整的方式,首先识别图像信息中云层
区域的浅云层区域面积和厚云层区域面积,将总面积与预设阈值进行比对,当且≤0,说明天空中云系较多但面积占比在变少,因此通过预测系数
进行调整,当且>0,说明天空中云系较多且面积占比在增加,此时会
严重影响光伏的发电量,因此按预设的最低发电功率曲线作为L(t);当且≤0时,说明天空云系较少且云系逐渐变小,云层对于光伏的影响效果可以忽略不计,因
此将第二时间点后的预设辐射量曲线作为调整辐射量曲线;当且>0
时,说明云系处于变多的过程,此时通过预测系数进行调整,由于预测系数,
因此通过,进而获得调整后的预设辐射量曲线。
上述方案中,通过公式计算预测系数,其中,由于
厚云层和浅云层对于光伏发电功率的影响程度不同,因此通过预设系数、进行调整,
其具体数值根据实际测试数据拟合获取;另外,数值及预测系数的公式均通过测试数
据分析获得。
作为本发明的一种实施方式,所述方法还包括对风力电源进行预测,所述风力电源馈入功率的预测过程为:
获取风力电源所处位置的预测风力状况,所述预测风力状况包括风速及风向角随时间变化曲线;
获取风力电源所处位置的预测温度变化曲线;
以特定时间间隔采集风速、风向角及温度数据,将风速、风向角及温度数据输入至分析模型中,获取每个时间点的预测发电功率,将所有时间点的预测发电功率数值连接,获取预测风力电源馈入功率曲线;
所述分析模型根据历史数据训练获得。
通过上述技术方案,本实施例通过获取风力电源所处位置的风速及风向角随时间变化曲线,及风力电源所处位置的预测温度变化曲线,通过以特定时间间隔采集风速、风向角及温度数据,进而能够对各个时间点的风力电源发电功率进行计算,进而通过将所有时间点的计算结果拟合,获取预测风力电源馈入功率曲线W(t)。
需要说明的是,风力电源所处位置的风速、风向角、温度状况随时间变化曲线均可通过连接气象网站Api端口获取,在此不作详述;分析模型根据历史数据训练获得,具体训练过程可通过常见的机器学习算法实现,例如通过卷积神经网络实现,在此不作详述。
作为本发明的一种实施方式,根据光伏电源及风力电源的馈入功率及实时馈入功率调整氢储能策略。
作为本发明的一种实施方式,所述氢储能策略调整的方法包括:
其中,L(t)为预测光伏电源馈入功率曲线;W(t)为预测风力电源馈入功率曲线;min()为最小值函数,[]为取整符号,p为单个电解槽制氢所需最低功率。
由于新能源电源产生的电能会随着环境产生波动,因此需要设置相关的储能策略,氢储能的方式能够通过电解水的方式制备氢能的方式,能够制备纯度较高的氢气,且在制备过程中对环境造成的影响较小,制备获得的氢气在使用过程中,可以做到无污染可再生;然而电解槽需要满足特定的功率方能稳定工作,因此当输入功率无法满足电解槽的最低功率需求时,会对电解槽的正常运行造成影响。
而本实施例基于新能源电源的预测功率来分配对应数量的电解槽,能够保证运行电解槽数量的合理性,减少电解槽数量反复开启关闭对其寿命造成的影响,同时保证了制氢过程的稳定性。
具体地,通过两种能源接入方式的设置,能够减少单种能源造成的功率波动,进而
提高了新能源电源整体输出功率的稳定性;同时对光伏电源馈入功率随时间变化曲线L(t)
进行预测,对风力电源馈入功率随时间变化曲线W(t)进行预测,通过公式计算获得电解槽的数量n,使得最低的电能功率输入即能满足所有的
电解槽的最低功率需求,具体的,单个电解槽制氢所需最低功率p可根据电解槽的具体性能
选定,通常电解槽稳定运行的最低功率为其总功率的22%~30%之间,另外,此种设定能够在
新能源电源功率提升时,提供了较大的运行空间,即当新能源电源功率提升时,减少了电解
槽增加数量的几率,进而减少了电解槽反复开启关闭的过程,保证了电解槽使用的寿命。
另外,在以获得数量的电解槽进行制氢时,即使出现需要通过电网进行辅助馈电的状态,由于电解槽的运行数量与预测的状态相匹配,所以产生较大偏差的几率较低,进而需要电网的馈电量较少,馈电功率较低,所以制氢过程对电网造成的压力较低。
还需要说明的是,新能源电源的输入已根据其具体的类型进行了转换器转换,此过程通过现有技术实现,在此不作详述。
作为本发明的一种实施方式,所述氢储能策略调整的方法还包括:
通过上述技术方案,根据光伏电源实时输出功率及风力电源实时输出功率
获取新能源电源总功率+,当时,说明新能源电源实时功率满足所有电解
槽的最低运行功率,因此此时不通过电网进行供电,当时,通过获得电网供电功率,通过电网的接入,保证电解槽运行的稳定性。
需要说明的是,本实施例中的方案虽然通过电网进行辅助供电,但相对常规的电网供电的方式,本实施例提前对新能源电源的功率进行了预测,因此能够大大减少电网的供电,因此不会给电网运行造成较大的压力。
通过上述技术方案,在预测功率数据与实际功率数据产生较大偏差时,本实施例
通过光伏电源实时输出功率及风力电源实时输出功率与电解槽设定功率值进行
比对,提前判断是否增加电解槽数量,其中,电解槽设定功率值小于电解槽的最大功率
值,因此通过对比,能够提前调整电解槽数量,减少电网功率输入。
作为本发明的一种实施方式,比对方法为:
具体地,本实施例提供了具体地对比方法,将+与进行比对,当时,说明新能源电源功率与电解槽运行数量较为匹配,因此保持当前电解
槽数量;当时,说明电解槽数量满足不了新能源电源的输入,因此通过增加个电解槽数量来提高制氢量,其中,。
作为本发明的一种实施方式,比对方法还包括:
以上对本发明的一个实施例进行了详细说明,但所述内容仅为本发明的较佳实施例,不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等,均应仍归属于本发明的专利涵盖范围之内。
Claims (8)
1.一种新能源发电功率预测方法,其特征在于,所述方法包括:
步骤一、对光伏电源进行周期划分;根据预测气象信息及光伏电源所处位置确定下个周期的预测辐射量曲线;
步骤二、在下个周期开始时获取第一云系图像信息,在设定间隔时长后获取第二云系图像信息,通过第一云系图像信息、第二云系图像信息及其变化状态对预测辐射量曲线进行调整,获得调整辐射量曲线;
步骤三、根据温度预测变化曲线及调整辐射量曲线获得预测光伏电源馈入功率;
调整辐射量曲线获取的过程为:
获取气候状况,所述气候状况包括晴天和非晴天;
非晴天状态下,按预设的最低发电功率曲线作为预测光伏电源馈入功率曲线;
晴天状态下,对第一云系图像信息及第二云系图像信息进行识别,识别出云层区域面积S;
所述预测辐射量曲线调整的方式为:
2.根据权利要求1所述的一种新能源发电功率预测方法,其特征在于,所述方法还包括对风力电源进行预测,所述风力电源馈入功率的预测过程为:
获取风力电源所处位置的预测风力状况,所述预测风力状况包括风速及风向角随时间变化曲线;
获取风力电源所处位置的预测温度变化曲线;
以特定时间间隔采集风速、风向角及温度数据,将风速、风向角及温度数据输入至分析模型中,获取每个时间点的预测发电功率,将所有时间点的预测发电功率数值连接,获取预测风力电源馈入功率曲线;
所述分析模型根据历史数据训练获得。
3.根据权利要求2所述的一种新能源发电功率预测方法,其特征在于,根据光伏电源及风力电源的馈入功率及实时馈入功率调整氢储能策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211299523.1A CN115441447B (zh) | 2022-10-24 | 2022-10-24 | 一种新能源发电功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211299523.1A CN115441447B (zh) | 2022-10-24 | 2022-10-24 | 一种新能源发电功率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115441447A CN115441447A (zh) | 2022-12-06 |
CN115441447B true CN115441447B (zh) | 2023-01-17 |
Family
ID=84252509
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211299523.1A Active CN115441447B (zh) | 2022-10-24 | 2022-10-24 | 一种新能源发电功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115441447B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116413509B (zh) * | 2023-06-05 | 2023-08-29 | 江苏扬子鑫福造船有限公司 | 一种大容量冷箱系统功率监测调节方法 |
CN117411088B (zh) * | 2023-12-13 | 2024-02-27 | 山东鼎鑫能源工程有限公司 | 一种光伏发电系统的运行控制方法及光伏发电系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102244483A (zh) * | 2011-03-22 | 2011-11-16 | 苏州市思玛特电力科技有限公司 | 基于气象信息的光伏发电有功功率在线评估方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011159199A (ja) * | 2010-02-03 | 2011-08-18 | Gifu Univ | 太陽光発電装置の発電量予測システム及び発電量予測方法 |
CN107133685B (zh) * | 2016-02-26 | 2020-07-28 | 华为技术有限公司 | 光伏发电系统发电量的预测方法及预测系统 |
CN106372749B (zh) * | 2016-08-29 | 2019-07-02 | 南京国电南自维美德自动化有限公司 | 基于云变分析的超短期光伏功率预测方法 |
CN110598898B (zh) * | 2019-07-30 | 2022-07-05 | 深圳供电局有限公司 | 一种基于开放获取天气数据的光伏预测方法、系统以及存储介质 |
CN113690938A (zh) * | 2021-08-31 | 2021-11-23 | 河北建投新能源有限公司 | 一种基于功率模型预测的制氢系统控制方法 |
CN115130785A (zh) * | 2022-08-10 | 2022-09-30 | 南京工程学院 | 一种可再生能源制氢系统容量优化配置方法 |
-
2022
- 2022-10-24 CN CN202211299523.1A patent/CN115441447B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102244483A (zh) * | 2011-03-22 | 2011-11-16 | 苏州市思玛特电力科技有限公司 | 基于气象信息的光伏发电有功功率在线评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115441447A (zh) | 2022-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115441447B (zh) | 一种新能源发电功率预测方法 | |
CN112257941B (zh) | 基于改进型Bi-LSTM的光伏电站短期功率预测方法 | |
Zhong et al. | Prediction of photovoltaic power generation based on general regression and back propagation neural network | |
CN104021427A (zh) | 一种基于因子分析的并网光伏电站日发电量预测方法 | |
CN110334870B (zh) | 基于门控循环单元网络的光伏电站短期功率预测方法 | |
CN108614612B (zh) | 太阳能光伏电池最大功率追踪方法和系统 | |
CN110781458B (zh) | 一种基于混合回归模型预测地表太阳辐照度的方法 | |
CN114021420A (zh) | 一种分布式光伏超短期发电功率预测方法及系统 | |
CN113837426A (zh) | 一种基于天气分型的光伏功率预测方法 | |
CN114091316B (zh) | 一种区域光伏发电量计算方法 | |
CN117060407B (zh) | 一种基于相似日划分的风电集群功率预测方法及系统 | |
CN109767353A (zh) | 一种基于概率分布函数的光伏发电功率预测方法 | |
CN116611702A (zh) | 一种面向楼宇综合能源管理的集成学习光伏发电预测方法 | |
CN111815020A (zh) | 一种基于太阳辐射气候特征识别的南墙辐射预测方法 | |
CN111082446A (zh) | 一种考虑电池自消耗的储能优化配置方法 | |
CN110796292A (zh) | 计及雾霾影响的光伏功率短期预测方法 | |
CN110598896A (zh) | 基于预测误差校正的光伏功率预测方法 | |
Miao et al. | Harnessing climate variables for predicting PV power output: A backpropagation neural network analysis in a subtropical climate region | |
CN112116127B (zh) | 一种基于气象过程与功率波动关联的光伏功率预测方法 | |
CN115544895A (zh) | 光伏电站年出力保证率模型优化方法 | |
CN113437938B (zh) | 考虑因地域差异的现场特征的光伏阵列输出功率计算方法 | |
CN111626645B (zh) | 一种未来年储能配置容量测算方法及系统 | |
CN109347434B (zh) | 一种计及老化时光伏发电功率的方法 | |
CN117669391B (zh) | 一种基于深度学习的短期光伏功率预测方法 | |
Zhiwen | Research on Prediction Model of Photovoltaic Power Generation Based on Nonlinear Regression Based on BP Neural Network |
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 |