CN116231644A - 一种集中式光伏发电量预测方法、系统、计算机及介质 - Google Patents

一种集中式光伏发电量预测方法、系统、计算机及介质 Download PDF

Info

Publication number
CN116231644A
CN116231644A CN202310284846.1A CN202310284846A CN116231644A CN 116231644 A CN116231644 A CN 116231644A CN 202310284846 A CN202310284846 A CN 202310284846A CN 116231644 A CN116231644 A CN 116231644A
Authority
CN
China
Prior art keywords
power generation
month
value
obtaining
generation amount
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.)
Granted
Application number
CN202310284846.1A
Other languages
English (en)
Other versions
CN116231644B (zh
Inventor
王吉超
段瑞龙
由梓默
郑权
史立志
刘畅
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.)
Hebei Branch Of Huaneng New Energy Co ltd
Original Assignee
Hebei Branch Of Huaneng New Energy 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 Hebei Branch Of Huaneng New Energy Co ltd filed Critical Hebei Branch Of Huaneng New Energy Co ltd
Priority to CN202310284846.1A priority Critical patent/CN116231644B/zh
Publication of CN116231644A publication Critical patent/CN116231644A/zh
Application granted granted Critical
Publication of CN116231644B publication Critical patent/CN116231644B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Power Engineering (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Photovoltaic Devices (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种集中式光伏发电量预测方法、系统、计算机及介质，涉及光伏发电预测技术领域，其目的是提升光伏发电量预测的准确性，包括获取每个月份的实际日均发电量在过去y年的平均值；获取当年每个月份的光照预测补偿值；获取当年每个月份的日均发电量的初步预测值；获取当年每个月份的误差预测补偿值；计算当年每个月份日均发电量的最终预测值。本发明具有预测更精准的优点。

Description

一种集中式光伏发电量预测方法、系统、计算机及介质
技术领域
本发明涉及光伏发电预测技术领域，具体而言，涉及一种集中式光伏发电量预测方法、系统、计算机及介质。
背景技术
光伏发电是利用半导体界面的光生伏特效应而将光能直接转变为电能的一种技术，其利用太阳光这种取之不尽用之不竭的可再生能源，具有充分的清洁性、绝对的安全性、相对的广泛性。
光伏发电站为了规划需要提前预测发电量，但是由于依赖太阳光这种特殊性，光伏发电的发电量受气候环境的影响较大，为发电量的预测造成了一定的影响，通常的做法是预测的时候需要将气候变化包括光照度等因素纳入考量按照不同季节或者月份进行预测，但是纳入的参数越多导致误差的因素也就越多，所以会存在一定的估算误差。
综上所述，为了提升光伏发电量预测的准确性，需要对一次性预测结果进行修正。
发明内容
本发明的目的在于提供一种集中式光伏发电量预测方法、系统、计算机及介质，其目的是提升光伏发电量预测的准确性。
本发明的实施例通过以下技术方案实现：
一种集中式光伏发电站发电量预测方法，包括以下步骤：
获取每个月份的实际日均发电量在过去y年的平均值
Figure BDA0004139479090000021
m＝1,2,…,12；
获取当年每个月份的光照预测补偿值Δgm；
获取当年每个月份的日均发电量的初步预测值
Figure BDA0004139479090000022
Figure BDA0004139479090000023
获取当年每个月份的误差预测补偿值μm；
计算当年每个月份日均发电量的最终预测值
Figure BDA0004139479090000024
Figure BDA0004139479090000025
优选地，所述获取每个月份的光照预测补偿值Δgm的方法为：
获取当年每个月份的日均光照度预测值
Figure BDA0004139479090000026
获取过去y年每个月的日均光照度平均值
Figure BDA0004139479090000027
获取当年每个月份的光照预测补偿值Δgm：
Figure BDA0004139479090000028
优选地，所述获取当年每个月份的日均光照度预测值的方法为根据历史气象数据和历史日均光照度数据通过神经网络进行预测。
优选地，所述获取当年每个月份的误差预测补偿值μm的方法为：
获取过去x年每个月份的日均发电量的实际值
Figure BDA0004139479090000029
日均发电量的初步预测值/>
Figure BDA00041394790900000210
和日均发电量的最终预测值/>
Figure BDA00041394790900000211
n具体代表过去x年中的第n年；
获取当年每个月份的误差预测补偿值μm：
Figure BDA00041394790900000212
α+β＝1；
其中α和β分别为第一权重系数和第二权重系数。
优选地，所述第一权重系数α的值为0.7，所述第二权重系数β的值为0.3。
优选地，所述过去y年的总年份y取值为15。
本发明还提供了一种集中式光伏发电站发电量预测系统，应用于前面任意一项所述一种集中式光伏发电站发电量预测方法，包括：
平均发电量获取计算模块，用于获取每个月份的实际日均发电量在过去y年的平均值
Figure BDA0004139479090000031
光照预测补偿计算模块，获取当年每个月份的光照预测补偿值Δgm；
初步预测计算模块，用于根据
Figure BDA0004139479090000032
和Δgm获取当年每个月份的日均发电量的初步预测值/>
Figure BDA0004139479090000033
误差预测补偿计算模块，用于获取当年每个月份的误差预测补偿值μm；
最终预测值计算模块，用于根据
Figure BDA0004139479090000034
和μm计算当年每个月份日均发电量的最终预测值/>
Figure BDA0004139479090000035
本发明还提供了一种计算机，包括存储器和处理器，所述存储器中存储计算机程序，所述处理器用于执行所述计算机程序时实现如前面任一项所述一种集中式光伏发电站发电量预测方法。
本发明还提供了一种可读存储介质，其特征在于，所述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前面任一项所述一种集中式光伏发电站发电量预测方法。
本发明实施例的技术方案至少具有如下优点和有益效果：
本发明通过神经网络预测光照度，再根据光照度计算出初步预测值，计算方便；
本发明根据往年的实际数据和预测值的差异性对初步预测值进行了修正，提升了预测的准确性；
本发明对初步预测值进行修正的时候同时参考了往年初步预测值和实际值的差以及最终预测值和实际值的差，做了两次修正处理，进一步提升预测的准确性；
本发明方法灵活，涉及的数据都易于获取，计算方式也不复杂，预测结果既高效又准确。
本发明设计合理、逻辑过程易于实施，计算消耗的性价比很高，便于推广和应用。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的六氟化硫气体管漏气监测装置的主视结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。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他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中，需要说明的是，若出现术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该申请产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，若出现术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参阅图1，本实施例提供了一种集中式光伏发电站发电量预测方法，包括以下步骤：
步骤S1：获取每个月份的实际日均发电量在过去y年的平均值
Figure BDA0004139479090000051
m＝1,2,…,12；
步骤S2：获取当年每个月份的光照预测补偿值Δgm；
步骤S3：获取当年每个月份的日均发电量的初步预测值
Figure BDA0004139479090000061
Figure BDA0004139479090000062
步骤S4：获取当年每个月份的误差预测补偿值μm；
步骤S5：计算当年每个月份日均发电量的最终预测值
Figure BDA0004139479090000063
/>
Figure BDA0004139479090000064
优选地，所述过去y年的总年份y取值可以为15。
本实施例的方法核心思想如下：
光伏发电是一种利用太阳的光能进行发电的技术，应用越来越广泛，诸多的集中式光伏发电站逐渐建立，通常为了更好地统筹和规划集中式光伏发电站，需要对其发电量进行一个提前的预测判断。但是在实际的发电量预测中会遇到很多问题以导致发电量的预测值不准确。
首先，由于光伏发电收日照变化影响大，所以每个季节和月份的表现都较为不同，因此本实施例将以月份为单位进行日期分组，进而对每个月的日均发电量进行预测。
所以先获取了每个月份的实际日均发电量在过去y年的平均值
Figure BDA0004139479090000065
然后获取光照预测补偿值Δgm，这个光照预测补偿值Δgm以/>
Figure BDA0004139479090000066
为基础进行计算，然后进行补偿，以作为初步预测值/>
Figure BDA0004139479090000067
常规方法至此即可得出预测值，但是这里对初步预测值
Figure BDA0004139479090000068
进行了进一步的误差补偿计算。
由于每一年的预测值和实际值都有差，所以可以参考以往的预测值和实际值的差来估算计算误差，以实现预测值的进一步修正，得到更精准的最终预测值。
实施例2
本实施例基于实施例1的技术方案，对步骤S2中获取每个月的光照预测补偿值Δgm的方法进行进一步说明。
在本实施例中，所述获取每个月份的光照预测补偿值Δgm的方法为：
获取当年每个月份的日均光照度预测值
Figure BDA0004139479090000071
获取过去y年每个月的日均光照度平均值
Figure BDA0004139479090000072
获取当年每个月份的光照预测补偿值Δgm：
Figure BDA0004139479090000073
以上计算方法的思想为：
以每个月实际日均发电量在过去y年的平均值
Figure BDA0004139479090000074
为基准进行修正，所以需要获取过去y年每个月的日均光照度平均值/>
Figure BDA0004139479090000075
然后根据当年每个月份的日均光照度预测值/>
Figure BDA0004139479090000076
和/>
Figure BDA0004139479090000077
的差值与/>
Figure BDA0004139479090000078
的比例关系，去推算这个误差预测补偿值μm。
进一步地，所述获取当年每个月份的日均光照度预测值的方法为根据历史气象数据和历史日均光照度数据通过神经网络进行预测。
根据神经网络预测是较为成熟的技术手段，具体可以为建立过去气象数据和实际日均光照度的关系模型，然后根据多年的气象数据变化曲线推测当年的气象数据，也就是做一个气象预测，然后根据气象预测的结果和过去气象数据和实际日均光照度的关系模型估算当年的日均光照度情况，同样对每个月分开处理。
实施例3
本实施例基于实施1的技术方案，对步骤S4中当年每个月份的误差预测补偿值μm的方法进行进一步说明。
作为本实施例的优选方案，所述获取当年每个月份的误差预测补偿值μm的方法为：
获取过去x年每个月份的日均发电量的实际值
Figure BDA0004139479090000079
日均发电量的初步预测值/>
Figure BDA00041394790900000710
和日均发电量的最终预测值/>
Figure BDA00041394790900000711
n具体代表过去x年中的第n年；
获取当年每个月份的误差预测补偿值μm：
Figure BDA0004139479090000081
α+β＝1；
其中α和β分别为第一权重系数和第二权重系数。
进一步地，所述第一权重系数α的值为0.7，所述第二权重系数β的值为0.3。
本实施例的核心思想主要是对初步预测的结构进行一个误差估算的补偿，这里的误差可能是多方面影响造成的，例如计算误差，实际用电导致的发电量误差等。
本实施例的误差估算主要是默认干扰因素不变化进而基于过往年份的预测值和实际值的差异来进行估算。而过往的数值也实际有初步预测值和最终预测值两种，这里赋予不同的权重系数同时纳入计算来获取一个补偿值，实现更优的补偿。由于初步预测值的误差会更大，所以赋予其更大的权重系数。
而为了便于使用，这里在一开始进行预测时候，就会进行一个初始化，直接根据历史数据按照本实施的方法获取第一次预测之前过往每一年的初始预测值和最终预测值，这样在刚开始使用该方法进行预测的第一年就有足够的样本进行计算。这里x的取值可以选择和y一致。
特别说明的是，由于这里的计算的每一年的最终预测值是基于往年的初步预测值和最终预测值，因而在初始化刚开始几年的时候可能存在开始几年只能计算得到初步预测值没有办法为后续提供最终预测值的情况，此时可以将最终预测值和初步预测值视为一致。
实施例4
本实施例还提供了一种集中式光伏发电站发电量预测系统，应用于前面任意一个实施例所述一种集中式光伏发电站发电量预测方法，包括：
平均发电量获取计算模块，用于获取每个月份的实际日均发电量在过去y年的平均值
Figure BDA0004139479090000091
光照预测补偿计算模块，获取当年每个月份的光照预测补偿值Δgm；
初步预测计算模块，用于根据
Figure BDA0004139479090000092
和Δgm获取当年每个月份的日均发电量的初步预测值/>
Figure BDA0004139479090000093
误差预测补偿计算模块，用于获取当年每个月份的误差预测补偿值μm；
最终预测值计算模块，用于根据
Figure BDA0004139479090000094
和μm计算当年每个月份日均发电量的最终预测值/>
Figure BDA0004139479090000095
特别说明的是，以上所有模块的功能执行和互相配合的统筹都可以通过一个中央处理器来实现。
实施例5
本实施例提供了一种计算机，包括存储器和处理器，所述存储器中存储计算机程序，所述处理器用于执行所述计算机程序时实现如前面任一项实施例所述一种集中式光伏发电站发电量预测方法。
计算机具体可以采用常规计算机，不限于台式机或笔记本电脑等，用户可以通过外围设备例如鼠标和键盘灯进行操作。实现数据和命令的键入等操作，进而实现人机交互，利用计算机其中的存储器和处理器的配合完成实施例所需要实现的一种集中式光伏发电站发电量预测方法。
本发明还提供了一种可读存储介质，其特征在于，所述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前面任一项实施例所述一种集中式光伏发电站发电量预测方法。
这里的存储介质可以采用计算机本身内置的存储器，也可以采用外接的外围存储器例如移动硬盘和U盘等。存储介质既可以存储用于执行一种集中式光伏发电站发电量预测方法的计算机程序，也用于存储一种集中式光伏发电站发电量预测方法处理过程涉及的所有输入数据、输出数据和中间缓存数据。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种集中式光伏发电站发电量预测方法，其特征在于，包括以下步骤：
获取每个月份的实际日均发电量在过去y年的平均值
Figure FDA0004139479070000011
m代表月份，m＝1,2,…,12；
获取当年每个月份的光照预测补偿值Δgm；
获取当年每个月份的日均发电量的初步预测值
Figure FDA0004139479070000012
Figure FDA0004139479070000013
获取当年每个月份的误差预测补偿值μm；
计算当年每个月份日均发电量的最终预测值
Figure FDA0004139479070000014
Figure FDA0004139479070000015
2.根据权利要求1所述的一种集中式光伏发电站发电量预测方法，其特征在于，所述获取每个月份的光照预测补偿值Δgm的方法为：
获取当年每个月份的日均光照度预测值
Figure FDA0004139479070000016
获取过去y年每个月的日均光照度平均值
Figure FDA0004139479070000017
获取当年每个月份的光照预测补偿值Δgm：
Figure FDA0004139479070000018
3.根据权利要求2所述的一种集中式光伏发电站发电量预测方法，其特征在于：所述获取当年每个月份的日均光照度预测值的方法为根据历史气象数据和历史日均光照度数据通过神经网络进行预测。
4.根据权利要求1所述的一种集中式光伏发电站发电量预测方法，其特征在于，所述获取当年每个月份的误差预测补偿值μm的方法为：
获取过去x年每个月份的日均发电量的实际值
Figure FDA0004139479070000019
日均发电量的初步预测值/>
Figure FDA00041394790700000110
和日均发电量的最终预测值/>
Figure FDA00041394790700000111
n具体代表过去x年中的第n年；
获取当年每个月份的误差预测补偿值μm：
Figure FDA0004139479070000021
α+β＝1；
其中α和β分别为第一权重系数和第二权重系数。
5.根据权利要求4所述的一种集中式光伏发电站发电量预测方法，其特征在于：所述第一权重系数α的值为0.7，所述第二权重系数β的值为0.3。
6.根据权利要求1所述的一种集中式光伏发电站发电量预测方法，其特征在于：所述过去y年的总年份y取值为15。
7.一种集中式光伏发电站发电量预测系统，应用于权利要求1-6任意一项所述一种集中式光伏发电站发电量预测方法，其特征在于，包括：
平均发电量获取计算模块，用于获取每个月份的实际日均发电量在过去y年的平均值
Figure FDA0004139479070000022
/>
光照预测补偿计算模块，获取当年每个月份的光照预测补偿值Δgm；
初步预测计算模块，用于根据
Figure FDA0004139479070000023
和Δgm获取当年每个月份的日均发电量的初步预测值
Figure FDA0004139479070000024
误差预测补偿计算模块，用于获取当年每个月份的误差预测补偿值μm；
最终预测值计算模块，用于根据
Figure FDA0004139479070000025
和μm计算当年每个月份日均发电量的最终预测值
Figure FDA0004139479070000026
8.一种计算机，其特征在于，包括存储器和处理器，所述存储器中存储计算机程序，所述处理器用于执行所述计算机程序时实现如权利要求1至6任一项所述一种集中式光伏发电站发电量预测方法。
9.一种可读存储介质，其特征在于，所述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6中任一项所述一种集中式光伏发电站发电量预测方法。
CN202310284846.1A 2023-03-22 2023-03-22 一种集中式光伏发电量预测方法、系统、计算机及介质 Active CN116231644B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310284846.1A CN116231644B (zh) 2023-03-22 2023-03-22 一种集中式光伏发电量预测方法、系统、计算机及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310284846.1A CN116231644B (zh) 2023-03-22 2023-03-22 一种集中式光伏发电量预测方法、系统、计算机及介质

Publications (2)

Publication Number Publication Date
CN116231644A true CN116231644A (zh) 2023-06-06
CN116231644B CN116231644B (zh) 2023-11-03

Family

ID=86576926

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310284846.1A Active CN116231644B (zh) 2023-03-22 2023-03-22 一种集中式光伏发电量预测方法、系统、计算机及介质

Country Status (1)

Country Link
CN (1) CN116231644B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105701556A (zh) * 2015-11-05 2016-06-22 衢州职业技术学院 一种光伏电站超短时功率预测修正方法
US20180046924A1 (en) * 2015-08-31 2018-02-15 Guangzhou Institute Of Energy Conversion, Chinese Academy Of Sciences Whole-life-cycle power output classification prediction system for photovoltaic systems
CN110110918A (zh) * 2019-04-30 2019-08-09 旻投电力发展有限公司 一种基于机器学习的光伏年发电量计算方法
CN110598896A (zh) * 2019-07-26 2019-12-20 陕西省水利电力勘测设计研究院 基于预测误差校正的光伏功率预测方法
CN112003278A (zh) * 2020-08-21 2020-11-27 国核电力规划设计研究院重庆有限公司 一种分布式光伏自用电比例预测的实现方法及系统
CN112016186A (zh) * 2020-07-09 2020-12-01 中国农业大学 一种基于随机场景构建的年度弃风、弃光率计算方法
CN112508245A (zh) * 2020-11-26 2021-03-16 郑州迈拓信息技术有限公司 基于人工智能光伏电池板玻璃破损发电量预测方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180046924A1 (en) * 2015-08-31 2018-02-15 Guangzhou Institute Of Energy Conversion, Chinese Academy Of Sciences Whole-life-cycle power output classification prediction system for photovoltaic systems
CN105701556A (zh) * 2015-11-05 2016-06-22 衢州职业技术学院 一种光伏电站超短时功率预测修正方法
CN110110918A (zh) * 2019-04-30 2019-08-09 旻投电力发展有限公司 一种基于机器学习的光伏年发电量计算方法
CN110598896A (zh) * 2019-07-26 2019-12-20 陕西省水利电力勘测设计研究院 基于预测误差校正的光伏功率预测方法
CN112016186A (zh) * 2020-07-09 2020-12-01 中国农业大学 一种基于随机场景构建的年度弃风、弃光率计算方法
CN112003278A (zh) * 2020-08-21 2020-11-27 国核电力规划设计研究院重庆有限公司 一种分布式光伏自用电比例预测的实现方法及系统
CN112508245A (zh) * 2020-11-26 2021-03-16 郑州迈拓信息技术有限公司 基于人工智能光伏电池板玻璃破损发电量预测方法及系统

Also Published As

Publication number Publication date
CN116231644B (zh) 2023-11-03

Similar Documents

Publication Publication Date Title
Benda et al. PV cells and modules–State of the art, limits and trends
CN110598898B (zh) 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
Yongsheng et al. A Short‐Term Power Output Forecasting Model Based on Correlation Analysis and ELM‐LSTM for Distributed PV System
CN107482992A (zh) 一种考虑经济因素的电站级光伏倾角优化方法
Velik The influence of battery storage size on photovoltaics energy self-consumption for grid-connected residential buildings
CN110909958A (zh) 一种计及光伏并网功率的短期负荷预测方法
Alam et al. Shockley–Queisser triangle predicts the thermodynamic efficiency limits of arbitrarily complex multijunction bifacial solar cells
CN112615366A (zh) 光伏功率突变预测方法及系统
Tummalieh et al. Holistic design improvement of the PV module frame: Mechanical, optoelectrical, cost, and life cycle analysis
CN116247719A (zh) 一种基于阶梯碳交易的微电网两阶段鲁棒优化配置方法
Bai et al. Investigation on photovoltaic array modeling and the MPPT control method under partial shading conditions
CN116231644B (zh) 一种集中式光伏发电量预测方法、系统、计算机及介质
CN108268963B (zh) 一种自修正检验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
CN109783894B (zh) 一种基于信息再修正的负荷协调预测方法
Popel’ et al. Modern development trends in photovoltaics
CN115456265A (zh) 一种分布式光伏用户发电功率短期预测方法及装置
CN109636041B (zh) 一种适于大规模复杂电网的机组检修模拟方法及系统
Chiu et al. Maximum Power Exploitation of Photovoltaic System under Fast‐Varying Solar Irradiation and Local Shading
CN117060491B (zh) 风光混合储能系统的运行优化方法、系统、介质及设备
Zong et al. Reliability Analysis for PV Power Plant Based on the Cleamess Index and Variability Characteristic
CN117148875B (zh) 基于储能配合的光伏板转角控制方法、系统及存储介质
JP7021384B1 (ja) 発電制御装置、発電制御方法及びプログラム
CN115996016B (zh) 基于bipv的充发电一体能源存储管理系统及方法
CN110401219B (zh) 分布式能源和用户群体交直流配用电系统智能运行方法

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