CN116050636A - 光伏电站的出力预测方法、装置、设备及介质 - Google Patents
光伏电站的出力预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116050636A CN116050636A CN202310092113.8A CN202310092113A CN116050636A CN 116050636 A CN116050636 A CN 116050636A CN 202310092113 A CN202310092113 A CN 202310092113A CN 116050636 A CN116050636 A CN 116050636A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic power
- total output
- historical
- output value
- power station
- 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
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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Photovoltaic Devices (AREA)
Abstract
本申请公开了一种光伏电站的出力预测方法、装置、设备及介质,属于光伏发电的技术领域,通过待定分类数量和获取到的在预设历史时长内各光伏电站的历史预报辐照度和所有光伏电站的历史总出力值,确定各个分类类别中的代表电站;通过历史总出力值和代表电站的历史预报辐照度建立任一时刻预报辐照度与总出力值之间的第一预测模型,并通过第一预测模型预测得到预设未来时长内预设区域内所有光伏电站的未来总出力值;通过不同待定分类数量的未来总出力值确定得到最优分类数量,并确定最优分类数量对应的未来总出力值为预设未来时长内预设区域内所有所述光伏电站的目标总出力值。为区域分布式光伏电站的预测提供了一种稳定而准确的预测方法。
Description
技术领域
本申请涉及光伏发电的技术领域,尤其涉及一种光伏电站的出力预测方法、光伏电站的出力预测装置、光伏电站的出力预测设备及计算机可读存储介质。
背景技术
针对分布式光伏电站,不太关心每个光伏电站的未来实际出力情况,往往比较关心某一区域所有分布式光伏电站的未来总体实际出力。为了准确的了解某一区域(如县或省)所有分布式光伏电站未来总体实际出力情况,往往采用以下方法:1.累加法。获取该区域内所有分布式光伏电站未来单独实际出力并加和,以此作为该区域内所有分布式光伏电站总出力情况。该方法的缺陷是很多分布式光伏电站无法收集实际功率和实际辐照度数据,导致很难获取该区域内所有分布式光伏电站未来单独实际出力,所以该方法理论可行,但实际上并不可行。2.统计升尺度法。获取在该区域内某个或某些光伏电站的未来实际出力,再通过一定的比例关系升尺度到整个区域的所有分布式光伏电站未来的总体实际出力。该方法的缺陷仍然是很多分布式光伏的实际功率数据和实际辐照度数据很难收集,尤其是户外分布式光伏电站,有些地区90%以上的分布式电站都是无法收集实际功率和实际辐照度的,进而导致获取到的某个或某些光伏电站的未来实际出力不稳定、不可靠、不准确。
发明内容
本申请的主要目的在于提供一种光伏电站的出力预测方法、光伏电站的出力预测装置、光伏电站的出力预测设备及计算机可读存储介质,旨在解决现有技术中难以准确预测某一区域所有分布式光伏发电站未来发电出力的技术问题。
为实现上述目的,本申请提供一种光伏电站的出力预测方法,所述光伏电站包括分布于预设区域内的所有光伏电站,所述光伏电站的出力预测方法,包括以下步骤:
获取在预设历史时长内各所述光伏电站的历史预报辐照度和所有所述光伏电站的历史总出力值,并基于所述历史预报辐照度、所述历史总出力值和待定分类数量确定各分类类别中的代表电站;
基于所述历史总出力值和所述代表电站的所述历史预报辐照度建立任一时刻预报辐照度与总出力值之间的第一预测模型,并基于所述第一预测模型预测得到预设未来时长内预设区域内所有所述光伏电站的未来总出力值;
基于不同所述待定分类数量的所述未来总出力值确定得到最优分类数量,并确定所述最优分类数量对应的未来总出力值为预设未来时长内预设区域内所有所述光伏电站的目标总出力值。
示例性的,所述基于所述历史预报辐照度、所述历史总出力值和待定分类数量确定各分类类别中的代表电站的步骤,包括:
基于所述历史预报辐照度和待定分类数量对所有所述光伏电站进行分类,基于所述历史预报辐照度和所述历史总出力值选取各分类类别中的代表电站。
示例性的,所述基于所述历史预报辐照度和待定分类数量对所有所述光伏电站进行分类的步骤,包括:
计算不同所述光伏电站之间所述历史预报辐照度的第一相关系数,基于所述第一相关系数和待定分类数量将所有所述光伏电站进行分类。
示例性的,所述基于所述历史预报辐照度和所述历史总出力值选取各分类类别中的代表电站的步骤,包括:
计算所述历史总出力值和各分类类别中的所述光伏电站所述历史预报辐照度之间的第二相关系数,选取最大所述第二相关系数对应的所述光伏电站为代表电站。
示例性的,所述基于不同所述待定分类数量的所述未来总出力值确定得到最优分类数量的步骤,包括:
在预设分类数量范围内选取不同的所述待定分类数量,基于所述第一预测模型预测得到各所述待定分类数量对应的未来总出力值,并基于各所述待定分类数量对应的未来总出力值选取得到最优分类数量。
示例性的,所述历史总出力值包括用于建立所述第一预测模型的第一总出力值和用于确定最优分类数量的第二总出力值,所述基于各所述待定分类数量对应的未来总出力值选取得到最优分类数量的步骤,包括:
计算所述未来总出力值和所述第二总出力值之间的日均方误差以及所述日均方误差之间的波动方差,选取最低所述波动方差对应的所述待定分类数量为最优分类数量。
示例性的,所述光伏电站的出力预测方法,还包括:
获取除预报辐照度之外影响光伏电站总出力值的相关环境因素;
将所述相关环境因素和所述历史预报辐照度共同作为特征变量,确定预设未来时长内预设区域内所有所述光伏电站的目标总出力值。
示例性的,所述将所述相关环境因素和所述历史预报辐照度共同作为特征变量,确定预设未来时长内预设区域内所有所述光伏电站的目标总出力值的步骤,包括:
基于所述历史总出力值和所述代表电站的特征变量建立任一时刻预报辐照度和总出力值之间的第二预测模型,并基于所述第二预测模型预测得到预设未来时长内预设区域内所有所述光伏电站的未来总出力值。
示例性的,所述获取在预设历史时长内各所述光伏电站的历史预报辐照度的步骤,还包括:
获取各所述光伏电站的经纬度坐标,基于所述经纬度坐标对应的天气预报数据获取在预设历史时长内各所述光伏电站的历史预报辐照度。
此外,为实现上述目的,本申请还提供一种光伏电站的出力预测装置,所述光伏电站包括分布于预设区域内的所有光伏电站,所述光伏电站的出力预测装置,包括:
代表电站确定模块,用于获取在预设历史时长内各所述光伏电站的历史预报辐照度和所有所述光伏电站的历史总出力值,并基于所述历史预报辐照度、所述历史总出力值和待定分类数量确定各分类类别中的代表电站;
未来总出力值预测模块,用于基于所述历史总出力值和所述代表电站的所述历史预报辐照度建立任一时刻预报辐照度与总出力值之间的第一预测模型,并基于所述第一预测模型预测得到预设未来时长内预设区域内所有所述光伏电站的未来总出力值;
目标总出力值确定模块,用于基于不同所述待定分类数量的所述未来总出力值确定得到最优分类数量,并确定所述最优分类数量对应的未来总出力值为预设未来时长内预设区域内所有所述光伏电站的目标总出力值。
此外,为实现上述目的,本申请还提供一种光伏电站的出力预测设备,所述光伏电站的出力预测设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序配置为实现如上所述的光伏电站的出力预测方法的步骤。
此外,为实现上述目的,本申请还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的光伏电站的出力预测方法的步骤。
本申请实施例提出的一种光伏电站的出力预测方法、光伏电站的出力预测装置、光伏电站的出力预测设备及计算机可读存储介质,获取在预设历史时长内各所述光伏电站的历史预报辐照度和所有所述光伏电站的历史总出力值,并基于所述历史预报辐照度、所述历史总出力值和待定分类数量确定各分类类别中的代表电站;基于所述历史总出力值和所述代表电站的所述历史预报辐照度建立任一时刻预报辐照度与总出力值之间的第一预测模型,并基于所述第一预测模型预测得到预设未来时长内预设区域内所有所述光伏电站的未来总出力值;基于不同所述待定分类数量的所述未来总出力值确定得到最优分类数量,并确定所述最优分类数量对应的未来总出力值为预设未来时长内预设区域内所有所述光伏电站的目标总出力值。
首先,通过待定分类数量和获取到的在预设历史时长内各光伏电站的历史预报辐照度和所有光伏电站的历史总出力值,确定各个分类类别中的代表电站;然后,通过历史总出力值和代表电站的历史预报辐照度建立任一时刻预报辐照度与总出力值之间的第一预测模型,并通过第一预测模型预测得到预设未来时长内预设区域内所有光伏电站的未来总出力值;最后,通过不同待定分类数量的未来总出力值确定得到最优分类数量,并确定最优分类数量对应的未来总出力值为预设未来时长内预设区域内所有所述光伏电站的目标总出力值。
由于分布式光伏电站一般装机都比较小,分布比较分散,不具备集中式电站的集中管理条件;但随着分布式光伏装机量的不断增加,整个电力体系也越来越重视分布式光伏出力的影响,所以如何准确的预测分布式光伏未来时长如24小时的出力情况显得越来越重要;由于分布式光伏管理混乱,导致大部分分布式光伏无法收集现场的实际功率和实际预报辐照度,所以很难对每一个光伏电站建立预测模型。恰好整个电力体系也不太关注每个分布式电站的出力情况,而是关注某一区域所有分布式光伏的整体出力情况。鉴于这两点,在本申请中提出将某一区域所有分布式光伏电站作为一个整体,仅选取一定数量的气象代表坐标点产生气象数据,以及选取区域总的实际出力,建立模型,直接预测出未来24h区域总的出力。从而避开了对每个电站进行建模预测的过程,通过对该区域作为一个整体进行建模预测整体出力,避免了单个电站数据不全、质量差带来的模型不稳定和预测精度差的问题。最终,为区域分布式光伏电站的预测提供了一种稳定而准确的预测方法。
附图说明
图1是本申请实施例方案涉及的硬件运行环境的运行设备的结构示意图;
图2是本申请一种光伏电站的出力预测方法一实施例的流程示意图;
图3是本申请一种光伏电站的出力预测方法另一实施例的流程示意图;
图4是本申请一种光伏电站的出力预测方法一实施例的应用示意图;
图5是本申请一种光伏电站的出力预测方法一实施例的装置示意图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
参照图1,图1为本申请实施例方案涉及的硬件运行环境的运行设备的结构示意图。
如图1所示,该运行设备可以包括:处理器1001,例如中央处理器(CentralProcessing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对运行设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及计算机程序。
在图1所示的运行设备中,网络接口1004主要用于与其他设备进行数据通信;用户接口1003主要用于与用户进行数据交互;本申请运行设备中的处理器1001、存储器1005可以设置在运行设备中,所述运行设备通过处理器1001调用存储器1005中存储的计算机程序,并执行以下操作:
所述光伏电站包括分布于预设区域内的所有光伏电站,获取在预设历史时长内各所述光伏电站的历史预报辐照度和所有所述光伏电站的历史总出力值,并基于所述历史预报辐照度、所述历史总出力值和待定分类数量确定各分类类别中的代表电站;
基于所述历史总出力值和所述代表电站的所述历史预报辐照度建立任一时刻预报辐照度与总出力值之间的第一预测模型,并基于所述第一预测模型预测得到预设未来时长内预设区域内所有所述光伏电站的未来总出力值;
基于不同所述待定分类数量的所述未来总出力值确定得到最优分类数量,并确定所述最优分类数量对应的未来总出力值为预设未来时长内预设区域内所有所述光伏电站的目标总出力值。
在一实施例中,处理器1001可以调用存储器1005中存储的计算机程序,还执行以下操作:
所述基于所述历史预报辐照度、所述历史总出力值和待定分类数量确定各分类类别中的代表电站的步骤,包括:
基于所述历史预报辐照度和待定分类数量对所有所述光伏电站进行分类,基于所述历史预报辐照度和所述历史总出力值选取各分类类别中的代表电站。
在一实施例中,处理器1001可以调用存储器1005中存储的计算机程序,还执行以下操作:
所述基于所述历史预报辐照度和待定分类数量对所有所述光伏电站进行分类的步骤,包括:
计算不同所述光伏电站之间所述历史预报辐照度的第一相关系数,基于所述第一相关系数和待定分类数量将所有所述光伏电站进行分类。
在一实施例中,处理器1001可以调用存储器1005中存储的计算机程序,还执行以下操作:
所述基于所述历史预报辐照度和所述历史总出力值选取各分类类别中的代表电站的步骤,包括:
计算所述历史总出力值和各分类类别中的所述光伏电站所述历史预报辐照度之间的第二相关系数,选取最大所述第二相关系数对应的所述光伏电站为代表电站。
在一实施例中,处理器1001可以调用存储器1005中存储的计算机程序,还执行以下操作:
所述基于不同所述待定分类数量的所述未来总出力值确定得到最优分类数量的步骤,包括:
在预设分类数量范围内选取不同的所述待定分类数量,基于所述第一预测模型预测得到各所述待定分类数量对应的未来总出力值,并基于各所述待定分类数量对应的未来总出力值选取得到最优分类数量。
在一实施例中,处理器1001可以调用存储器1005中存储的计算机程序,还执行以下操作:
所述历史总出力值包括用于建立所述第一预测模型的第一总出力值和用于确定最优分类数量的第二总出力值,所述基于各所述待定分类数量对应的未来总出力值选取得到最优分类数量的步骤,包括:
计算所述未来总出力值和所述第二总出力值之间的日均方误差以及所述日均方误差之间的波动方差,选取最低所述波动方差对应的所述待定分类数量为最优分类数量。
在一实施例中,处理器1001可以调用存储器1005中存储的计算机程序,还执行以下操作:
所述光伏电站的出力预测方法,还包括:
获取除预报辐照度之外影响光伏电站总出力值的相关环境因素;
将所述相关环境因素和所述历史预报辐照度共同作为特征变量,确定预设未来时长内预设区域内所有所述光伏电站的目标总出力值。
在一实施例中,处理器1001可以调用存储器1005中存储的计算机程序,还执行以下操作:
所述将所述相关环境因素和所述历史预报辐照度共同作为特征变量,确定预设未来时长内预设区域内所有所述光伏电站的目标总出力值的步骤,包括:
基于所述历史总出力值和所述代表电站的特征变量建立任一时刻预报辐照度和总出力值之间的第二预测模型,并基于所述第二预测模型预测得到预设未来时长内预设区域内所有所述光伏电站的未来总出力值。
在一实施例中,处理器1001可以调用存储器1005中存储的计算机程序,还执行以下操作:
所述获取在预设历史时长内各所述光伏电站的历史预报辐照度的步骤,还包括:
获取各所述光伏电站的经纬度坐标,基于所述经纬度坐标对应的天气预报数据获取在预设历史时长内各所述光伏电站的历史预报辐照度。
参照图2,图2是本申请一种光伏电站的出力预测方法一实施例的流程示意图。本申请实施例提供了一种光伏电站的出力预测方法,所述光伏电站包括分布于预设区域内的所有光伏电站,本实施例中,所述光伏电站的出力预测方法,包括以下步骤:
步骤S10:获取在预设历史时长内各所述光伏电站的历史预报辐照度和所有所述光伏电站的历史总出力值,并基于所述历史预报辐照度、所述历史总出力值和待定分类数量确定各分类类别中的代表电站。
预设区域可以是某县、某市或者某省,预设历史时长可以是一月、一季度或者一年的时长,在本实施例中,选取预设区域为某省,选取预设历史时长为过去一年。在实际应用中,待定分类数量是根据专家经验而设定的一个数值,可以为预设区域内所有分布式光伏电站数量的一个比例值,在本实施例中,选取待定分类数量为50。其中,预设区域内可以有集中式光伏电站,也可以包括分布式光伏电站。
收集过去一年某省各分布式光伏电站的历史预报辐照度,收集过去一年某省所有分布式光伏电站的总的实际出力(功率)曲线,其中,历史预报辐照度和该曲线的时间分辨率均为15min、彼此一一互相对应,并通过该曲线获取到历史总出力值。最后,基于历史预报辐照度、历史总出力值和待定分类数量确定各分类类别中的代表电站。其中,将所有分布式光伏电站分成K个分类类别,K=1,2,3,…,N。其中,K为可选的待定分类数量,N为待定分类数量的上限。在选定待定分类数量之后,基于历史预报辐照度、历史总出力值和待定分类数量确定各分类类别中的代表电站,其中,代表电站为其所属的分类类别中的最突出、最典型的气象代表电站。
示例性的,所述获取在预设历史时长内各所述光伏电站的历史预报辐照度的步骤,还包括:
获取各所述光伏电站的经纬度坐标,基于所述经纬度坐标对应的天气预报数据获取在预设历史时长内各所述光伏电站的历史预报辐照度。
在获取预设历史时长内各光伏电站的历史预报辐照度时,可以通过获取各光伏电站的经纬度坐标,然后基于经纬度坐标对应的天气预报数据获取在预设历史时长内各光伏电站的历史预报辐照度。在一实施例中,如果存在天气数据的监测、存储设备,也可以是基于所述经纬度坐标对应的历史实际天气数据获取在预设历史时长内各所述光伏电站的历史预报辐照度。但实际上不需要历史实际天气数据,天气预报数据就可以满足后续处理过程的数据要求。
步骤S20:基于所述历史总出力值和所述代表电站的所述历史预报辐照度建立任一时刻预报辐照度与总出力值之间的第一预测模型,并基于所述第一预测模型预测得到预设未来时长内预设区域内所有所述光伏电站的未来总出力值。
预设未来时长可以是未来24、48、72甚至240小时,具体预设未来时长的选取取决于气象预报的长度,在本实施例中,选取预设未来时长为未来24小时。
在根据历史预报辐照度、历史总出力值和待定分类数量确定各分类类别中的代表电站之后,基于历史总出力值和代表电站的历史预报辐照度建立任一时刻预报辐照度与总出力值之间的第一预测模型,通过预设历史时长内将代表电站的历史预报辐照度作为模型输入,将预设历史时长内历史总出力值作为模型输出,得到任意同一时刻输入和输出之间的函数映射关系,即第一预测模型。从而,确定模型的输入为某一时刻的预报辐照度,确定模型的输出为同一时刻的实际功率,根据代表电站对应的最精准的自变量(预报辐照度)和因变量(实际功率),得到最精准的预测模型。
其中,在时间维度上,输入:预报辐照度数据和输出:实际功率都是变化的,在一实施例中,若时间分辨率均为15min,则一天为96个采样点,就包括96个预报辐照度和对应的96个实际功率,因此,实际上存在任意同一时刻输入和输出之间的函数映射关系。在下文中均为同一时刻下的执行步骤,不再对参数和数据在时间上进行赘述限定。
在确定了预测模型的自变量:预报辐照度和因变量:实际功率之间的函数对应映射关系之后,其余非代表电站也可以根据其预报辐照度输入预测模型后得到对应的实际功率,从而基于第一预测模型预测得到预设未来时长内预设区域内所有光伏电站(某个代表电站以及其余非代表电站)的未来总出力值。
步骤S30:基于不同所述待定分类数量的所述未来总出力值确定得到最优分类数量,并确定所述最优分类数量对应的未来总出力值为预设未来时长内预设区域内所有所述光伏电站的目标总出力值。
在提出了确定某一个待定分类数量大小对应的代表电站的方法、确定某一个待定分类数量大小对应的预测模型的方法、确定某一个待定分类数量大小对应的未来总出力值的方法之后,通过调整改变待定分类数量的大小,确定得到不同待定分类数量的未来总出力值,并通过不同待定分类数量的未来总出力值确定得到最优分类数量,最终确定最优分类数量对应的未来总出力值为预设未来时长内预设区域内所有光伏电站的目标总出力值。
在本实施例中,获取在预设历史时长内各所述光伏电站的历史预报辐照度和所有所述光伏电站的历史总出力值,并基于所述历史预报辐照度、所述历史总出力值和待定分类数量确定各分类类别中的代表电站;基于所述历史总出力值和所述代表电站的所述历史预报辐照度建立任一时刻预报辐照度与总出力值之间的第一预测模型,并基于所述第一预测模型预测得到预设未来时长内预设区域内所有所述光伏电站的未来总出力值;基于不同所述待定分类数量的所述未来总出力值确定得到最优分类数量,并确定所述最优分类数量对应的未来总出力值为预设未来时长内预设区域内所有所述光伏电站的目标总出力值。
首先,通过待定分类数量和获取到的在预设历史时长内各光伏电站的历史预报辐照度和所有光伏电站的历史总出力值,确定各个分类类别中的代表电站;然后,通过历史总出力值和代表电站的历史预报辐照度建立任一时刻预报辐照度与总出力值之间的第一预测模型,并通过第一预测模型预测得到预设未来时长内预设区域内所有光伏电站的未来总出力值;最后,通过不同待定分类数量的未来总出力值确定得到最优分类数量,并确定最优分类数量对应的未来总出力值为预设未来时长内预设区域内所有所述光伏电站的目标总出力值。
在本实施例中,为了准确的了解某一区域内所有分布式光伏电站未来时长内的总体实际出力情况,提出“虚拟电站法”来预测该区域的所有分布式光伏电站未来总的实际出力。所谓虚拟电站法就是把该区域所有光伏电站“集中”起来,当作一个电站来预测该区域所有分布式光伏电站未来总体实际出力。相较于累加法中很难为每一个分布式光伏电站建立模型做出预测的缺陷,以及统计升尺度法中代表场站不具有代表性,进而导致预测准确率不稳定和偏低的缺陷,在本实施例中,不需要收集该区域任何一个分布式光伏电站的实际功率和实际预报辐照度数据,仅需要收集该区域各分布式光伏电站的预报辐照度数据,以及该区域所有分布式光伏电站总的实际出力,而这两类数据是比较容易获得的。
在本实施例中,通过摒弃从每个具体电站的预测,再通过升尺度或者累加法得到整个区域预测的思路,放弃了收集每个电站的实际出力数据或者代表电站的实际出力数据,提出了将该区域所有分布式光伏电站当作一个整体虚拟电站的思路,从而更有利于对整体区域上气象生产的代表场站的选取,及对实际出力总体趋势的整体把握,忽略了具体某个电站实际数据缺失和不稳定的因素,有效提高了气象预测的代表性,进而提高了该区域分布式光伏电站预测的稳定性和准确性。
由于分布式光伏电站一般装机都比较小,分布比较分散,不具备集中式电站的集中管理条件;但随着分布式光伏装机量的不断增加,整个电力体系也越来越重视分布式光伏出力的影响,所以如何准确的预测分布式光伏未来时长如24小时的出力情况显得越来越重要;由于分布式光伏管理混乱,导致大部分分布式光伏无法收集现场的实际功率和实际预报辐照度,所以很难对每一个光伏电站建立预测模型。恰好整个电力体系也不太关注每个分布式电站的出力情况,而是关注某一区域所有分布式光伏电站的整体出力情况。鉴于这两点,在本实施例中,提出将某一区域所有分布式光伏电站作为一个整体,仅选取一定数量的气象代表坐标点产生气象数据,以及选取区域总的实际出力,建立模型,直接预测出未来24h区域总的出力。从而避开了对每个电站进行建模预测的过程,通过对该区域作为一个整体进行建模预测整体出力,避免了单个电站数据不全、质量差带来的模型不稳定和预测精度差的问题。最终,为区域分布式光伏电站的预测提供了一种稳定而准确的预测方法。
参照图3,图3是本申请一种光伏电站的出力预测方法另一实施例的流程示意图。在本申请一种光伏电站的出力预测方法的另一实施例中,所述基于所述历史预报辐照度、所述历史总出力值和待定分类数量确定各分类类别中的代表电站的步骤,包括:
步骤S10A,基于所述历史预报辐照度和待定分类数量对所有所述光伏电站进行分类,基于所述历史预报辐照度和所述历史总出力值选取各分类类别中的代表电站。
在本实施例中,提出一种在预设区域的光伏电站中确定不同分类类别中的代表电站的方法。在获取到在预设历史时长内各光伏电站的历史预报辐照度和所有光伏电站的历史总出力值之后,便可以基于历史预报辐照度、历史总出力值和待定分类数量确定各分类类别中的代表电站。在本实施例中,首先,基于历史预报辐照度和待定分类数量对所有光伏电站进行分类,然后,基于历史预报辐照度和历史总出力值选取各分类类别中的代表电站。
示例性的,所述基于所述历史预报辐照度和待定分类数量对所有所述光伏电站进行分类的步骤,包括:
步骤S10A1,计算不同所述光伏电站之间所述历史预报辐照度的第一相关系数,基于所述第一相关系数和待定分类数量将所有所述光伏电站进行分类。
在本实施例中,提出一种衡量变量X和变量Y之间正负相关性的方法。在本实施例中,把变量X或变量Y的方差从对协方差的影响中剔除掉,这样协方差剩余的部分就能看出变量X和变量Y之间相关性的强烈程度。在本实施例中,通过协方差除以变量X、变量Y的标准差进行剔除,得出的结果为相关系数。参照如下公式计算相关系数:
其中,r(X,Y)为相关系数,Cov(X,Y)为X与Y的协方差,Var[X]为X的方差,Var[Y]为Y的方差。
在本实施例中,计算不同光伏电站之间历史预报辐照度的第一相关系数,基于第一相关系数和待定分类数量将所有光伏电站进行分类。即:(不同坐标位置光伏电站产生的历史预报辐照度)→第一相关系数,然后将第一相关系数构成一个相关系数矩阵,基于相关系数矩阵采用层次聚类法将所有分布式光伏电站分成K类,K=1,2,3,…,N。其中,K为待定分类数量,N为待定分类数量的上限。在本实施例中,变量X是指光伏电站的历史预报辐照度、变量Y也是指光伏电站的历史预报辐照度,计算得到的第一相关系数用于对光伏电站进行分类。在本实施例中,采用相关系数及层次聚类来选取K个代表电站,其他任何方法和形式来选取代表电站都是本申请所覆盖的方案,本实施例不限定对光伏电站进行分类的分类算法。
示例性的,所述基于所述历史预报辐照度和所述历史总出力值选取各分类类别中的代表电站的步骤,包括:
步骤S10A2,计算所述历史总出力值和各分类类别中的所述光伏电站所述历史预报辐照度之间的第二相关系数,选取最大所述第二相关系数对应的所述光伏电站为代表电站。
在本实施例中,计算历史总出力值和各分类类别中的光伏电站历史预报辐照度之间的第二相关系数,选取最大第二相关系数对应的光伏电站为代表电站。即:(各分类类别中的光伏电站历史预报辐照度,所有光伏电站的历史总出力值)→第二相关系数,然后选取最大第二相关系数对应的光伏电站为代表电站,从而得到K个代表电站。在本实施例中,变量X是指各分类类别中的光伏电站历史预报辐照度、变量Y是指所有光伏电站的历史总出力值,计算得到的第二相关系数用于选取各个分类类别中的代表电站。
在本申请一种光伏电站的出力预测方法的另一实施例中,所述基于不同所述待定分类数量的所述未来总出力值确定得到最优分类数量的步骤,包括:
在预设分类数量范围内选取不同的所述待定分类数量,基于所述第一预测模型预测得到各所述待定分类数量对应的未来总出力值,并基于各所述待定分类数量对应的未来总出力值选取得到最优分类数量。
在提出了确定某一个待定分类数量大小对应的代表电站的方法、确定某一个待定分类数量大小对应的预测模型的方法、确定某一个待定分类数量大小对应的未来总出力值的方法之后,通过在预设分类数量范围内调整改变待定分类数量的大小、选取不同的待定分类数量,基于第一预测模型预测得到不同待定分类数量的未来总出力值,并通过不同待定分类数量的未来总出力值确定得到最优分类数量,最终确定最优分类数量对应的未来总出力值为预设未来时长内预设区域内所有光伏电站的目标总出力值。
示例性的,所述历史总出力值包括用于建立所述第一预测模型的第一总出力值和用于确定最优分类数量的第二总出力值,所述基于各所述待定分类数量对应的未来总出力值选取得到最优分类数量的步骤,包括:
计算所述未来总出力值和所述第二总出力值之间的日均方误差以及所述日均方误差之间的波动方差,选取最低所述波动方差对应的所述待定分类数量为最优分类数量。
在本实施例中,通过未来总出力值和第二总出力值之间的日均方误差(误差)和日均方误差之间的波动方差(误差的方差)两个指标确定出最优分类数量,通过选取最低波动方差对应的待定分类数量为最优分类数量。
在一实施例中,选取预设历史时长为一年,一年的历史总出力值的前2/3、前8个月的第一总出力值的数据用于第一预测模型的训练,后1/3、后4个月的第二总出力值的数据用于第一预测模型的测试、同时用于确定各待定分类数量中的最优分类数量。未来总出力值为预测数据,第二总出力值为测试数据、未来实际数据,根据预测数据和测试数据之间的波动方差,选取波动方差最低的待定分类数量为最优分类数量。在本实施例中,对日均方误差和波动方差的计算过程不做赘述。
在本申请的一种光伏电站的出力预测方法另一实施例中,所述光伏电站的出力预测方法,还包括:
获取除预报辐照度之外影响光伏电站总出力值的相关环境因素;
将所述相关环境因素和所述历史预报辐照度共同作为特征变量,确定预设未来时长内预设区域内所有所述光伏电站的目标总出力值。
在本实施例中,除了考虑预报辐照度之外,再增加考虑一些其他影响光伏电站总出力值的相关环境因素的变量,比如温度,云量等,进行预测模型的建立和模型优化,最终预测出预设未来时长预设区域内所有分布式光伏电站的总出力值。
示例性的,所述将所述相关环境因素和所述历史预报辐照度共同作为特征变量,确定预设未来时长内预设区域内所有所述光伏电站的目标总出力值的步骤,包括:
基于所述历史总出力值和所述代表电站的特征变量建立任一时刻预报辐照度和总出力值之间的第二预测模型,并基于所述第二预测模型预测得到预设未来时长内预设区域内所有所述光伏电站的未来总出力值。
在本实施例中,把每个代表电站的温度和云量等变量也作为特征变量,从而基于历史总出力值和代表电站的特征变量建立任一时刻预报辐照度和总出力值之间的第二预测模型,因为光伏发电主要与预报辐照度有关,但与温度和云量等因素也有一定关系,因此通过建立综合考虑影响因素的第二预测模型,增加模型的解释力,进一步提高预测准确率。
需要说明的是,虽然特征变量用于建立更准确的预测模型,但不用于更准确的分类,分类只需要基于预报辐照度进行即可,因为出力值和预报辐照度的关系是绝对相关,二者相关性达到90%甚至更高,因此对光伏电站进行分类时无需考虑温度和云量等其它参数,多考虑的参数所带来的分类准确性提升不足以弥补其带来的分类复杂度和所需的分类处理时间的代价。但在对光伏电站的未来总出力值进行预测时,由于需要更好的预测准确性而不关注准确性和代价开销之间的关系,因此,需要考虑温度和云量等因素而获得更准确的预测模型。
参照图4,图4是本申请一种光伏电站的出力预测方法一实施例的应用示意图。本申请实施例一种光伏电站的出力预测方法的一应用实例中,提出将某一区域所有分布式光伏电站作为一个整体,仅选取一定数量的气象代表坐标点产生气象数据,以及选取区域总的实际出力,建立模型,直接预测出未来24h区域总的出力。从而避开了对每个电站进行建模预测的过程,通过对该区域作为一个整体进行建模预测整体出力,避免了单个电站数据不全、质量差带来的模型不稳定和预测精度差的问题。最终,为区域分布式光伏电站的预测提供了一种稳定而准确的预测方法。
Step1:收集某一区域(以山东省为例)所有分布式光伏电站坐标(经纬度);收集山东省所有分布式光伏电站总的实际出力(功率)曲线(最近一年,时间分辨率为15min)。
Step2:根据所有分布式光伏电站坐标产生(获取)历史最近1年的天气预报数据(主要指标为预报辐照度),时间上和该区域总的实际出力保持一致(和step1中收集到的实际出力曲线时间保持一致)。
Step3:获取所有分布式光伏电站坐标下的历史最近一年的预报辐照度数据后,求解所有位置预报辐照度数据之间的第一相关系数,构成相关系数矩阵R_solar_location。
Step4:根据相关系数矩阵,采用层次聚类法将所有分布式光伏电站分成K类K=1,2,3,…,N;计算每个类别中的所有分布式光伏电站预报辐照度数据与实际功率求解第二相关系数;取最大的第二相关系数的分布式光伏电站作为对应类别的气象代表坐标点、代表电站;依次计算出K个类别里气象坐标代表点,得到K个气象坐标代表点集合。
Step5:根据选择出的K个代表坐标点结合对应的预报辐照度数据,构成K维输入矩阵I,结合实际功率建立神经网络模型,预测未来24h的该区域所有分布式光伏电站总的实际出力。通过K*n维的输入矩阵I和区域所有分布式光伏总实际出力Y,建立BP神经网络模型,进行预测未来24h的分布式光伏出力。
Step6:重复Step4和Step5,依次计算出当K=1,2,3,…,N时,各自预测得到总的实际出力、各自的预测功率;计算预测功率和实际功率的日MSE(均方误差),再计算日MSE的波动情况方差S,给出不同分类情况下,建立的模型预测得到的结果,通过均方根误差和误差的方差两个指标来选择最优的分类数K。
Step7:确定好最优的分类数K后,并获取了K个气象坐标代表点集合,除了考虑预报辐照度之外,再增加一些其他变量,比如温度,云量等,进行BP神经网络的建立,模型优化。最终预测出未来24h该区域所有分布式光伏电站的总出力。原来是通过选取的K个气象代表坐标点,产生气象数据;在确定K的过程中仅使用了预报辐照度数据构成K*n维的输入矩阵;现在再把每个气象代表坐标点的温度和云量也作为特征,进行建模预测,因为光伏发电主要与预报辐照度有关,与温度和云量也有一定关系,增加模型的解释力,进一步提高预测准确率。
此外,参照图5,本申请实施例还提供一种光伏电站的出力预测装置,所述光伏电站包括分布于预设区域内的所有光伏电站,所述光伏电站的出力预测装置,包括:
代表电站确定模块M1,用于获取在预设历史时长内各所述光伏电站的历史预报辐照度和所有所述光伏电站的历史总出力值,并基于所述历史预报辐照度、所述历史总出力值和待定分类数量确定各分类类别中的代表电站;
未来总出力值预测模块M2,用于基于所述历史总出力值和所述代表电站的所述历史预报辐照度建立任一时刻预报辐照度与总出力值之间的第一预测模型,并基于所述第一预测模型预测得到预设未来时长内预设区域内所有所述光伏电站的未来总出力值;
目标总出力值确定模块M3,用于基于不同所述待定分类数量的所述未来总出力值确定得到最优分类数量,并确定所述最优分类数量对应的未来总出力值为预设未来时长内预设区域内所有所述光伏电站的目标总出力值。
示例性的,所述代表电站确定模块还用于:
基于所述历史预报辐照度和待定分类数量对所有所述光伏电站进行分类,基于所述历史预报辐照度和所述历史总出力值选取各分类类别中的代表电站。
示例性的,所述代表电站确定模块还用于:
计算不同所述光伏电站之间所述历史预报辐照度的第一相关系数,基于所述第一相关系数和待定分类数量将所有所述光伏电站进行分类。
示例性的,所述代表电站确定模块还用于:
计算所述历史总出力值和各分类类别中的所述光伏电站所述历史预报辐照度之间的第二相关系数,选取最大所述第二相关系数对应的所述光伏电站为代表电站。
示例性的,所述目标总出力值确定模块还用于:
在预设分类数量范围内选取不同的所述待定分类数量,基于所述第一预测模型预测得到各所述待定分类数量对应的未来总出力值,并基于各所述待定分类数量对应的未来总出力值选取得到最优分类数量。
示例性的,所述历史总出力值包括用于建立所述第一预测模型的第一总出力值和用于确定最优分类数量的第二总出力值,所述目标总出力值确定模块还用于:
计算所述未来总出力值和所述第二总出力值之间的日均方误差以及所述日均方误差之间的波动方差,选取最低所述波动方差对应的所述待定分类数量为最优分类数量。
示例性的,所述光伏电站的出力预测装置还包括准确度提升模块,用于:
获取除预报辐照度之外影响光伏电站总出力值的相关环境因素;
将所述相关环境因素和所述历史预报辐照度共同作为特征变量,确定预设未来时长内预设区域内所有所述光伏电站的目标总出力值。
示例性的,所述准确度提升模块还用于:
基于所述历史总出力值和所述代表电站的特征变量建立任一时刻预报辐照度和总出力值之间的第二预测模型,并基于所述第二预测模型预测得到预设未来时长内预设区域内所有所述光伏电站的未来总出力值。
示例性的,所述代表电站确定模块还用于:
获取各所述光伏电站的经纬度坐标,基于所述经纬度坐标对应的天气预报数据获取在预设历史时长内各所述光伏电站的历史预报辐照度。
本申请提供的光伏电站的出力预测装置,采用上述实施例中的光伏电站的出力预测方法,解决现有技术中难以准确预测某一区域所有分布式光伏发电站未来发电出力的技术问题。与现有技术相比,本申请实施例提供的光伏电站的出力预测装置的有益效果与上述实施例提供的光伏电站的出力预测方法的有益效果相同,且该光伏电站的出力预测装置中的其他技术特征与上述实施例方法公开的特征相同,在此不做赘述。
此外,本申请实施例还提供一种光伏电站的出力预测设备,所述光伏电站的出力预测设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序配置为实现如上所述的光伏电站的出力预测方法的步骤。
此外,本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的光伏电站的出力预测方法的步骤。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本申请各个实施例所述的方法。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (12)
1.一种光伏电站的出力预测方法,其特征在于,所述光伏电站包括分布于预设区域内的所有光伏电站,所述光伏电站的出力预测方法,包括以下步骤:
获取在预设历史时长内各所述光伏电站的历史预报辐照度和所有所述光伏电站的历史总出力值,并基于所述历史预报辐照度、所述历史总出力值和待定分类数量确定各分类类别中的代表电站;
基于所述历史总出力值和所述代表电站的所述历史预报辐照度建立任一时刻预报辐照度与总出力值之间的第一预测模型,并基于所述第一预测模型预测得到预设未来时长内预设区域内所有所述光伏电站的未来总出力值;
基于不同所述待定分类数量的所述未来总出力值确定得到最优分类数量,并确定所述最优分类数量对应的未来总出力值为预设未来时长内预设区域内所有所述光伏电站的目标总出力值。
2.如权利要求1所述的光伏电站的出力预测方法,其特征在于,所述基于所述历史预报辐照度、所述历史总出力值和待定分类数量确定各分类类别中的代表电站的步骤,包括:
基于所述历史预报辐照度和待定分类数量对所有所述光伏电站进行分类,基于所述历史预报辐照度和所述历史总出力值选取各分类类别中的代表电站。
3.如权利要求2所述的光伏电站的出力预测方法,其特征在于,所述基于所述历史预报辐照度和待定分类数量对所有所述光伏电站进行分类的步骤,包括:
计算不同所述光伏电站之间所述历史预报辐照度的第一相关系数,基于所述第一相关系数和待定分类数量将所有所述光伏电站进行分类。
4.如权利要求2所述的光伏电站的出力预测方法,其特征在于,所述基于所述历史预报辐照度和所述历史总出力值选取各分类类别中的代表电站的步骤,包括:
计算所述历史总出力值和各分类类别中的所述光伏电站所述历史预报辐照度之间的第二相关系数,选取最大所述第二相关系数对应的所述光伏电站为代表电站。
5.如权利要求1所述的光伏电站的出力预测方法,其特征在于,所述基于不同所述待定分类数量的所述未来总出力值确定得到最优分类数量的步骤,包括:
在预设分类数量范围内选取不同的所述待定分类数量,基于所述第一预测模型预测得到各所述待定分类数量对应的未来总出力值,并基于各所述待定分类数量对应的未来总出力值选取得到最优分类数量。
6.如权利要求5所述的光伏电站的出力预测方法,其特征在于,所述历史总出力值包括用于建立所述第一预测模型的第一总出力值和用于确定最优分类数量的第二总出力值,所述基于各所述待定分类数量对应的未来总出力值选取得到最优分类数量的步骤,包括:
计算所述未来总出力值和所述第二总出力值之间的日均方误差以及所述日均方误差之间的波动方差,选取最低所述波动方差对应的所述待定分类数量为最优分类数量。
7.如权利要求1所述的光伏电站的出力预测方法,其特征在于,所述光伏电站的出力预测方法,还包括:
获取除预报辐照度之外影响光伏电站总出力值的相关环境因素;
将所述相关环境因素和所述历史预报辐照度共同作为特征变量,确定预设未来时长内预设区域内所有所述光伏电站的目标总出力值。
8.如权利要求7所述的光伏电站的出力预测方法,其特征在于,所述将所述相关环境因素和所述历史预报辐照度共同作为特征变量,确定预设未来时长内预设区域内所有所述光伏电站的目标总出力值的步骤,包括:
基于所述历史总出力值和所述代表电站的特征变量建立任一时刻预报辐照度和总出力值之间的第二预测模型,并基于所述第二预测模型预测得到预设未来时长内预设区域内所有所述光伏电站的未来总出力值。
9.如权利要求1所述的光伏电站的出力预测方法,其特征在于,所述获取在预设历史时长内各所述光伏电站的历史预报辐照度的步骤,还包括:
获取各所述光伏电站的经纬度坐标,基于所述经纬度坐标对应的天气预报数据获取在预设历史时长内各所述光伏电站的历史预报辐照度。
10.一种光伏电站的出力预测装置,其特征在于,所述光伏电站包括分布于预设区域内的所有光伏电站,所述光伏电站的出力预测装置,包括:
代表电站确定模块,用于获取在预设历史时长内各所述光伏电站的历史预报辐照度和所有所述光伏电站的历史总出力值,并基于所述历史预报辐照度、所述历史总出力值和待定分类数量确定各分类类别中的代表电站;
未来总出力值预测模块,用于基于所述历史总出力值和所述代表电站的所述历史预报辐照度建立任一时刻预报辐照度与总出力值之间的第一预测模型,并基于所述第一预测模型预测得到预设未来时长内预设区域内所有所述光伏电站的未来总出力值;
目标总出力值确定模块,用于基于不同所述待定分类数量的所述未来总出力值确定得到最优分类数量,并确定所述最优分类数量对应的未来总出力值为预设未来时长内预设区域内所有所述光伏电站的目标总出力值。
11.一种光伏电站的出力预测设备,其特征在于,所述光伏电站的出力预测设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序配置为实现如权利要求1至9中任一项所述的光伏电站的出力预测方法的步骤。
12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至9中任一项所述的光伏电站的出力预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310092113.8A CN116050636A (zh) | 2023-02-01 | 2023-02-01 | 光伏电站的出力预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310092113.8A CN116050636A (zh) | 2023-02-01 | 2023-02-01 | 光伏电站的出力预测方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116050636A true CN116050636A (zh) | 2023-05-02 |
Family
ID=86123632
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310092113.8A Pending CN116050636A (zh) | 2023-02-01 | 2023-02-01 | 光伏电站的出力预测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116050636A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116432874A (zh) * | 2023-06-14 | 2023-07-14 | 青岛鼎信通讯科技有限公司 | 一种基于特征功率的分布式光伏功率预测方法 |
-
2023
- 2023-02-01 CN CN202310092113.8A patent/CN116050636A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116432874A (zh) * | 2023-06-14 | 2023-07-14 | 青岛鼎信通讯科技有限公司 | 一种基于特征功率的分布式光伏功率预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dong et al. | Wind power day-ahead prediction with cluster analysis of NWP | |
CN109919353B (zh) | 一种基于空间相关性的arima模型的分布式光伏预测方法 | |
Li et al. | Machine learning for solar irradiance forecasting of photovoltaic system | |
WO2021213192A1 (zh) | 一种基于通用分布的负荷预测方法及负荷预测系统 | |
CN102945508B (zh) | 一种基于模型校正的风电功率预测预报方法 | |
CN108388962B (zh) | 一种风电功率预测系统及方法 | |
CN110008982B (zh) | 一种基于光伏发电出力聚类的气象监测点选择方法 | |
Khan et al. | Genetic algorithm based optimized feature engineering and hybrid machine learning for effective energy consumption prediction | |
CN112285807B (zh) | 一种气象信息预测方法及装置 | |
CN111932402A (zh) | 一种基于相似日和lstm的短期电力负荷双向组合预测方法 | |
CN113496311A (zh) | 光伏电站发电功率预测方法及系统 | |
CN106600037B (zh) | 一种基于主成分分析的多参量辅助负荷预测方法 | |
CN109978242A (zh) | 基于统计升尺度的光伏发电集群功率预测方法及装置 | |
CN105184388A (zh) | 一种城市电力负荷短期预测的非线性回归方法 | |
CN111985701A (zh) | 一种基于供电企业大数据模型库的用电预测方法 | |
CN113255973A (zh) | 电力负荷预测方法、装置、计算机设备和存储介质 | |
CN110705771A (zh) | 区域电网新能源发电功率预测优化方法和装置 | |
CN114372360A (zh) | 用于电力负荷预测的方法、终端及存储介质 | |
CN116227637A (zh) | 一种面向有源配电网的精细化负荷预测方法和系统 | |
Yu et al. | Load forecasting based on smart meter data and gradient boosting decision tree | |
CN111222700A (zh) | 基于动态网络分位数模型的日前电价概率预测方法 | |
CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
CN116050636A (zh) | 光伏电站的出力预测方法、装置、设备及介质 | |
CN115481918A (zh) | 一种基于源网荷储的单元状态主动感知及预测分析系统 | |
CN108256693A (zh) | 一种光伏发电功率预测方法、装置及系统 |
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 |