CN116742624B - 一种光伏发电量预测方法及系统 - Google Patents
一种光伏发电量预测方法及系统 Download PDFInfo
- Publication number
- CN116742624B CN116742624B CN202311000339.7A CN202311000339A CN116742624B CN 116742624 B CN116742624 B CN 116742624B CN 202311000339 A CN202311000339 A CN 202311000339A CN 116742624 B CN116742624 B CN 116742624B
- Authority
- CN
- China
- Prior art keywords
- power generation
- photovoltaic power
- weather data
- data
- 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.)
- Active
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 113
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000001556 precipitation Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Power Engineering (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种光伏发电量预测方法及系统,包括:对多个时间段的历史气象数据进行聚类,得到多个典型气象数据;基于当前时段气象数据和对应历史时段气象数据,预测后续时段气象数据分别所属多个典型气象数据的概率;所述对应历史时段气象数据是指历年的当前时段气象数据和待预测的后续时段气象数据;基于所述后续时段气象数据所属的典型气象数据的概率,确定后续时段的光伏发电量;以通过确定后续时段气象数据所属的典型气象数据的概率,对光伏发电量进行预测,降低预测的气象数据的不确定性,提高预测的高光伏发电量的准确度。
Description
技术领域
本发明涉及光伏发电技术领域,具体而言,涉及一种光伏发电量预测方法及系统。
背景技术
光伏发电是一种清洁的可再生能源。光伏发电使用太阳能作为能源,不使用化石燃料,因此可以降低温室气体排放,对环境友好,是未来能源发展的趋势。随着光伏发电的技术的不断提高和创新,太阳能电池的转化效率、材料的稳定性、构建的成本等方面都在不断被改善和推广。现有发电系统为多能源发电系统,即由传统的火力发电和新能源发电组成。由于光伏发电的输出电量与光照、风速等天气条件有关,因此它的电量会存在较大的波动性和瞬时性,这对于电力系统的稳定性和可靠性提出了极大的挑战,因此,电力系统需要采取相应的措施,如备用电源,以确保系统能够应对光伏发电的不确定性。另外,由于光伏发电在发电时与电网同步交互,这也给电力系统的稳定运行带来了安全隐患,如过电流、过电压、大规模的设备故障等问题。因此,需要提前预知光伏发电量,以做好应对准备,现有技术中通过天气预报预测光伏发电量,但由于天气预报也存在极大不确定性,因此,预测得到的光伏发电量与实际光伏发电量存在较大差异。
有鉴于此,本发明提出了一种光伏发电量预测方法及系统,以通过确定后续时段气象数据所属的典型气象数据的概率,对光伏发电量进行预测,降低预测的气象数据的不确定性,提高预测的高光伏发电量的准确度。
发明内容
本发明的目的在于提供一种光伏发电量预测方法,包括:对多个时间段的历史气象数据进行聚类,得到多个典型气象数据;基于当前时段气象数据和对应历史时段气象数据,预测后续时段气象数据分别所属多个典型气象数据的概率;所述对应历史时段气象数据是指历年的当前时段气象数据和待预测的后续时段气象数据;基于所述后续时段气象数据所属的典型气象数据的概率,确定后续时段的光伏发电量。
进一步的,所述气象数据至少包括日照强度、能见度、气温、降水强度和风力强度。
进一步的,所述对多个时间段的历史气象数据进行聚类,得到多个典型气象数据,包括:确定聚类个数;基于所述聚类个数,确定初始簇中心;确定所述多个时间段的历史气象数据到各个初始簇中心的距离;基于所述距离,确定新的聚类簇;基于所述新的聚类簇,确定新的簇中心;直到新的簇中心与前一簇中心的总差值小于预设簇中心阈值,将最后一组簇中心作为所述典型气象数据。
进一步的,求解所述聚类个数的表达式为:
其中,表示取极大值;i表示聚类个数变量;/>表示聚类个数;/>表示属于第i个簇的历史气象数据;/>表示第i个簇;/>表示多个时间段的历史气象数据的均值。
进一步的,确定初始簇中心,包括:将与多个时间段的历史气象数据的均值距离最近的历史气象数据作为初始簇中心,并将所有历史气象数据作为初始聚类簇;选取两个历史气象数据作为更新后的初始簇中心,并基于其他历史气象数据与更新后的初始簇中心的距离,确定两个更新后的初始聚类簇;分别计算每个初始聚类簇中多个历史气象数据和对应的初始簇中心的方差,并对方差最小的初始聚类簇的初始簇中心和初始聚类簇进行更新,得到三个更新后的初始簇中心和初始聚类簇;重复簇中心和聚类簇更新操作,直到得到k个初始簇中心和k个初始聚类簇。
进一步的,所述选取两个历史气象数据作为更新后的初始簇中心的表达式为:
其中,表示取极大值;n表示气象数据中的参数总数;j表示气象数据中的参数变量;/>表示一个历史气象数据的第j个参数值;/>表示另一个历史气象数据的第j个参数值。
进一步的,通过气象数据预测模型,预测所述后续时段气象数据分别所属多个典型气象数据的概率,包括:构建气象训练样本和气象标签;所述气象训练样本包括当前时段训练气象数据和历史时段训练气象数据;所述气象标签是指待预测的后续时段气象数据实际所属的典型气象数据;将所述气象训练样本输入初始气象数据预测模型;基于所述初始气象数据预测模型的输出和所述气象标签的差值构建气象损失函数;基于所述气象损失函数更新所述初始气象数据预测模型的参数,得到训练好的气象数据预测模型;将当前时段气象数据和对应历史时段气象数据输入所述气象数据预测模型,气象数据预测模型输出后续时段气象数据分别所属多个典型气象数据的概率。
进一步的,通过光伏发电量预测模型,确定后续时段的光伏发电量,包括:获取光伏训练样本和光伏标签;所述光伏训练样本为气象数据所属的典型气象数据的概率;所述光伏标签为该时段的实际光伏发电量;将所述光伏训练样本输入初始光伏发电量预测模型;基于所述初始光伏发电量预测模型的输出和所述光伏标签,构建光伏损失函数;基于所述光伏损失函数更新所述初始光伏发电量预测模型的参数,得到训练好的光伏发电量预测模型;将所述后续时段气象数据所属的典型气象数据的概率输入所述光伏发电量预测模型,光伏发电量预测模型输出所述后续时段的光伏发电量。
进一步的,所述光伏损失函数的表达式为:
其中,表示损失值;/>表示训练标签变量;/>表示当前所使用的训练样本的总数;G表示所有训练样本的总数;/>表示光伏标签;/>表示初始光伏发电量预测模型的输出;/>表示后续时段的光伏发电量;/>表示后续时段的光伏发电最小量;/>表示后续时段的光伏发电最大量。
本发明的目的在于提供一种光伏发电量预测系统,包括聚类模块、概率确定模块、光伏发电量确定模块;所述聚类模块用于对多个时间段的历史气象数据进行聚类,得到多个典型气象数据;所述概率确定模块用于基于当前时段气象数据和对应历史时段气象数据,预测后续时段气象数据分别所属多个典型气象数据的概率;所述对应历史时段气象数据是指历年的当前时段气象数据和待预测的后续时段气象数据;所述光伏发电量确定模块用于基于所述后续时段气象数据所属的典型气象数据的概率,确定后续时段的光伏发电量。
本发明的技术方案至少具有如下优点和有益效果:
本发明提供的一种光伏发电量预测方法,通过当前时段气象数据和对应历史时段气象数据,预测后续时段气象数据所属的典型气象数据的概率,通过概率预测后续时段的光伏发电量可以提高预测的准确度。
本发明通过将历史气象数据聚类为多种典型气象数据,然后基于典型气象数据,确定后续时段的光伏发电量,可以减少数据计算量。
本发明通过当前时段气象数据和对应历史时段气象数据,预测后续时段气象数据分别所述多个典型气象数据的概率,可以根据自然规律约束后续时段气象数据的预测,减小预测误差。
附图说明
图1为本发明提供的一种光伏发电量预测方法的示例性流程图;
图2为本发明提供的一种光伏发电量预测系统的示例性模块图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明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。
图1为本发明提供的一种光伏发电量预测方法的示例性流程图。流程100可以由系统200执行。如图1所示,流程100包括以下内容:
步骤110,对多个时间段的历史气象数据进行聚类,得到多个典型气象数据。步骤110可以由聚类模块210执行。
气象数据可以说是指与天气相关的各种数据。例如,所述气象数据至少可以包括日照强度、能见度、气温、降水强度和风力强度等。历史气象数据可以是指实际的气象数据。例如,前10年内的气象数据。可以按时间长短对历史气象数据进行分割,得到多个时间段的历史气象数据。例如,可以按小时或天对历史气象数据进行分割,得到每小时或每天的历史气象数据。可以根据气象数据的变化程度确定时间段的长短。
典型气象数据可以是指具有代表性的气象数据。同属于同一典型气象数据的气象数据,其光伏发电量的差值在预设光伏发电差值阈值内;所述预设光伏发电差值阈值是指同一典型气象数据内,多个气象数据之间的最大差值。
可以对多个时间段的历史气象数据进行聚类,得到多个典型气象数据,包括:确定聚类个数;基于所述聚类个数,确定初始簇中心;确定所述多个时间段的历史气象数据到各个初始簇中心的距离;基于所述距离,确定新的聚类簇;基于所述新的聚类簇,确定新的簇中心;直到新的簇中心与前一簇中心的总差值小于预设簇中心阈值,将最后一组簇中心作为所述典型气象数据。
求解所述聚类个数的表达式为:
其中,表示取极大值;i表示聚类个数变量;/>表示聚类个数;/>表示属于第i个簇的历史气象数据;/>表示第i个簇;/>表示多个时间段的历史气象数据的均值。
确定初始簇中心,包括:将与多个时间段的历史气象数据的均值距离最近的历史气象数据作为初始簇中心,并将所有历史气象数据作为初始聚类簇;选取两个历史气象数据作为更新后的初始簇中心,并基于其他历史气象数据与更新后的初始簇中心的距离,确定两个更新后的初始聚类簇;分别计算每个初始聚类簇中多个历史气象数据和对应的初始簇中心的方差,并对方差最小的初始聚类簇的初始簇中心和初始聚类簇进行更新,得到三个更新后的初始簇中心和初始聚类簇;重复簇中心和聚类簇更新操作,直到得到k个初始簇中心和k个初始聚类簇。
所述选取两个历史气象数据作为更新后的初始簇中心的表达式为:
其中,表示取极大值;n表示气象数据中的参数总数;j表示气象数据中的参数变量;/>表示一个历史气象数据的第j个参数值;/>表示另一个历史气象数据的第j个参数值。
预设簇中心阈值可以是指预先设置的前后簇中心的最大差值。例如,可以分别获取前一簇中心中每个簇中心与后一簇中心中各簇中心的差值,并判断多个差值的和是否小于预设簇中心阈值,若是,则将后一簇中心作为最终的簇中心;否则,重复簇中心的更新操作。
步骤120,基于当前时段气象数据和对应历史时段气象数据,预测后续时段气象数据分别所属多个典型气象数据的概率;所述对应历史时段气象数据是指历年的当前时段气象数据和待预测的后续时段气象数据。步骤120可以由概率确定模块220执行。
当前时段气象数据可以是指当前时间段的气象数据。例如,时间段可以为1h,当前时间段可以为从当前时间开始向前的1h,当前时段气象数据为该前1h的气象数据。例如,对于当前1h的气象数据,其对应历史时段气象数据可以是指历年该月该日该时段的气象数据和历年该月该日该时段后一时段的气象数据。后续时段气象数据可以是指待预测的气象数据。例如,对于当前1h的气象数据,后续时段气象数据是指从当前时间开始往后1h内的气象数据。
可以通过气象数据预测模型,预测所述后续时段气象数据分别所属多个典型气象数据的概率,包括:构建气象训练样本和气象标签;所述气象训练样本包括当前时段训练气象数据和历史时段训练气象数据;所述气象标签是指待预测的后续时段气象数据实际所属的典型气象数据;将所述气象训练样本输入初始气象数据预测模型;基于所述初始气象数据预测模型的输出和所述气象标签的差值构建气象损失函数;基于所述气象损失函数更新所述初始气象数据预测模型的参数,得到训练好的气象数据预测模型;将当前时段气象数据和对应历史时段气象数据输入所述气象数据预测模型,气象数据预测模型输出后续时段气象数据分别所属多个典型气象数据的概率。
初始气象数据预测模型可以为各种机器学习模型,包括但不限于逻辑回归模型、支持向量机和朴素贝叶斯等。当前时段训练气象数据、历史时段训练气象数据和待预测的后续时段气象数据类似于当前时段气象数据、历史时段气象数据和后续时段气象数据。区别在于标签中的待预测的后续时段气象数据有已知的实际值。气象损失函数可以包括各种用于机器学习的损失函数。
步骤130,基于所述后续时段气象数据所属的典型气象数据的概率,确定后续时段的光伏发电量。步骤130可以由光伏发电量确定模块230执行。
可以通过光伏发电量预测模型,确定后续时段的光伏发电量,包括:获取光伏训练样本和光伏标签;所述光伏训练样本为气象数据所属的典型气象数据的概率;所述光伏标签为该时段的实际光伏发电量;将所述光伏训练样本输入初始光伏发电量预测模型;基于所述初始光伏发电量预测模型的输出和所述光伏标签,构建光伏损失函数;基于所述光伏损失函数更新所述初始光伏发电量预测模型的参数,得到训练好的光伏发电量预测模型;将所述后续时段气象数据所属的典型气象数据的概率输入所述光伏发电量预测模型,光伏发电量预测模型输出所述后续时段的光伏发电量。
光伏训练样本可以通过将历史气象数据输入气象数据预测模型中得到。初始光伏发电量预测模型可以为长短时记忆(LSTM)模型,所述长短时记忆模型的参数通过随机初始化得到。光伏损失函数的表达式可以为:
其中,表示损失值;/>表示当前所使用的训练样本的总数;G表示所有训练样本的总数;/>表示光伏标签;/>表示初始光伏发电量预测模型的输出;/>表示后续时段的光伏发电量;/>表示后续时段的光伏发电最小量;/>表示后续时段的光伏发电最大量。
图2为本发明提供的一种光伏发电量预测系统的示例性模块图。如图2所示,系统200包括聚类模块210、概率确定模块220、光伏发电量确定模块230。
聚类模块210用于对多个时间段的历史气象数据进行聚类,得到多个典型气象数据。关于聚类模块210的更多内容,参见图1及其相关描述。
概率确定模块220用于基于当前时段气象数据和对应历史时段气象数据,预测后续时段气象数据分别所属多个典型气象数据的概率;所述对应历史时段气象数据是指历年的当前时段气象数据和待预测的后续时段气象数据。关于概率确定模块220的更多内容,参见图1及其相关描述。
光伏发电量确定模块230用于基于所述后续时段气象数据所属的典型气象数据的概率,确定后续时段的光伏发电量。关于光伏发电量确定模块230的更多内容参见图1及其相关描述。
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)
1.一种光伏发电量预测方法,其特征在于,包括:
对多个时间段的历史气象数据进行聚类,得到多个典型气象数据;
基于当前时段气象数据和对应历史时段气象数据,预测后续时段气象数据分别所属多个典型气象数据的概率;所述对应历史时段气象数据是指历年的当前时段气象数据和待预测的后续时段气象数据;
基于所述后续时段气象数据所属的典型气象数据的概率,确定后续时段的光伏发电量,包括:
获取光伏训练样本和光伏标签;所述光伏训练样本为气象数据所属的典型气象数据的概率;所述光伏标签为该时段的实际光伏发电量;
将所述光伏训练样本输入初始光伏发电量预测模型;
基于所述初始光伏发电量预测模型的输出和所述光伏标签,构建光伏损失函数;
基于所述光伏损失函数更新所述初始光伏发电量预测模型的参数,得到训练好的光伏发电量预测模型;
将所述后续时段气象数据所属的典型气象数据的概率输入所述光伏发电量预测模型,光伏发电量预测模型输出所述后续时段的光伏发电量。
2.根据权利要求1所述的光伏发电量预测方法,其特征在于,所述气象数据至少包括日照强度、能见度、气温、降水强度和风力强度。
3.根据权利要求1所述的光伏发电量预测方法,其特征在于,所述对多个时间段的历史气象数据进行聚类,得到多个典型气象数据,包括:
确定聚类个数;
基于所述聚类个数,确定初始簇中心;
确定所述多个时间段的历史气象数据到各个初始簇中心的距离;
基于所述距离,确定新的聚类簇;
基于所述新的聚类簇,确定新的簇中心;
直到新的簇中心与前一簇中心的总差值小于预设簇中心阈值,将最后一组簇中心作为所述典型气象数据。
4.根据权利要求3所述的光伏发电量预测方法,其特征在于,求解所述聚类个数的表达式为:
其中,表示取极大值;i表示聚类个数变量;/>表示聚类个数;/>表示属于第i个簇的历史气象数据;/>表示第i个簇;/>表示多个时间段的历史气象数据的均值。
5.根据权利要求4所述的光伏发电量预测方法,其特征在于,确定初始簇中心,包括:
将与多个时间段的历史气象数据的均值距离最近的历史气象数据作为初始簇中心,并将所有历史气象数据作为初始聚类簇;
选取两个历史气象数据作为更新后的初始簇中心,并基于其他历史气象数据与更新后的初始簇中心的距离,确定两个更新后的初始聚类簇;
分别计算每个初始聚类簇中多个历史气象数据和对应的初始簇中心的方差,并对方差最小的初始聚类簇的初始簇中心和初始聚类簇进行更新,得到三个更新后的初始簇中心和初始聚类簇;
重复簇中心和聚类簇更新操作,直到得到k个初始簇中心和k个初始聚类簇。
6.根据权利要求5所述的光伏发电量预测方法,其特征在于,所述选取两个历史气象数据作为更新后的初始簇中心的表达式为:
其中,表示取极大值;n表示气象数据中的参数总数;j表示气象数据中的参数变量;/>表示一个历史气象数据的第j个参数值;/>表示另一个历史气象数据的第j个参数值。
7.根据权利要求1所述的光伏发电量预测方法,其特征在于,通过气象数据预测模型,预测所述后续时段气象数据分别所属多个典型气象数据的概率,包括:
构建气象训练样本和气象标签;所述气象训练样本包括当前时段训练气象数据和历史时段训练气象数据;所述气象标签是指待预测的后续时段气象数据实际所属的典型气象数据;
将所述气象训练样本输入初始气象数据预测模型;
基于所述初始气象数据预测模型的输出和所述气象标签的差值构建气象损失函数;
基于所述气象损失函数更新所述初始气象数据预测模型的参数,得到训练好的气象数据预测模型;
将当前时段气象数据和对应历史时段气象数据输入所述气象数据预测模型,气象数据预测模型输出后续时段气象数据分别所属多个典型气象数据的概率。
8.根据权利要求1所述的光伏发电量预测方法,其特征在于,所述光伏损失函数的表达式为:
其中,表示损失值;/>表示训练标签变量;/>表示当前所使用的训练样本的总数;G表示所有训练样本的总数;/>表示光伏标签;/>表示初始光伏发电量预测模型的输出;/>表示后续时段的光伏发电量;/>表示后续时段的光伏发电最小量;/>表示后续时段的光伏发电最大量。
9.一种光伏发电量预测系统,其特征在于,包括聚类模块、概率确定模块、光伏发电量确定模块;
所述聚类模块用于对多个时间段的历史气象数据进行聚类,得到多个典型气象数据;
所述概率确定模块用于基于当前时段气象数据和对应历史时段气象数据,预测后续时段气象数据分别所属多个典型气象数据的概率;所述对应历史时段气象数据是指历年的当前时段气象数据和待预测的后续时段气象数据;
所述光伏发电量确定模块用于基于所述后续时段气象数据所属的典型气象数据的概率,确定后续时段的光伏发电量;所述确定后续时段的光伏发电量,包括:
获取光伏训练样本和光伏标签;所述光伏训练样本为气象数据所属的典型气象数据的概率;所述光伏标签为该时段的实际光伏发电量;
将所述光伏训练样本输入初始光伏发电量预测模型;
基于所述初始光伏发电量预测模型的输出和所述光伏标签,构建光伏损失函数;
基于所述光伏损失函数更新所述初始光伏发电量预测模型的参数,得到训练好的光伏发电量预测模型;
将所述后续时段气象数据所属的典型气象数据的概率输入所述光伏发电量预测模型,光伏发电量预测模型输出所述后续时段的光伏发电量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311000339.7A CN116742624B (zh) | 2023-08-10 | 2023-08-10 | 一种光伏发电量预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311000339.7A CN116742624B (zh) | 2023-08-10 | 2023-08-10 | 一种光伏发电量预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116742624A CN116742624A (zh) | 2023-09-12 |
CN116742624B true CN116742624B (zh) | 2023-11-03 |
Family
ID=87915422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311000339.7A Active CN116742624B (zh) | 2023-08-10 | 2023-08-10 | 一种光伏发电量预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116742624B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108053149A (zh) * | 2018-01-05 | 2018-05-18 | 东南大学 | 一种考虑气象因素的光伏电站并网风险评估方法 |
CN111091139A (zh) * | 2019-11-18 | 2020-05-01 | 特变电工西安电气科技有限公司 | 相似日聚类的光伏预测方法、装置、设备及可读存储介质 |
US11070056B1 (en) * | 2020-03-13 | 2021-07-20 | Dalian University Of Technology | Short-term interval prediction method for photovoltaic power output |
CN114117713A (zh) * | 2020-08-25 | 2022-03-01 | 中国电力科学研究院有限公司 | 一种区域光伏出力预测方法及装置 |
CN114511127A (zh) * | 2020-11-17 | 2022-05-17 | 中国电力科学研究院有限公司 | 基于神经网络的区域光伏出力特征长期预测方法及系统 |
CN115099511A (zh) * | 2022-07-07 | 2022-09-23 | 济南大学 | 基于优化copula的光伏功率概率估计方法及系统 |
CN115115125A (zh) * | 2022-07-13 | 2022-09-27 | 西安理工大学 | 基于深度学习融合模型的光伏功率区间概率预测方法 |
CN115689017A (zh) * | 2022-10-31 | 2023-02-03 | 长江慧控科技(武汉)有限公司 | 光伏发电量预测方法、装置、设备及存储介质 |
CN116187506A (zh) * | 2022-12-05 | 2023-05-30 | 国网新疆电力有限公司电力科学研究院 | 考虑气象分类的短期风电功率组合概率预测方法及系统 |
CN116470491A (zh) * | 2023-04-18 | 2023-07-21 | 济南大学 | 基于copula函数的光伏功率概率预测方法及系统 |
-
2023
- 2023-08-10 CN CN202311000339.7A patent/CN116742624B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108053149A (zh) * | 2018-01-05 | 2018-05-18 | 东南大学 | 一种考虑气象因素的光伏电站并网风险评估方法 |
CN111091139A (zh) * | 2019-11-18 | 2020-05-01 | 特变电工西安电气科技有限公司 | 相似日聚类的光伏预测方法、装置、设备及可读存储介质 |
US11070056B1 (en) * | 2020-03-13 | 2021-07-20 | Dalian University Of Technology | Short-term interval prediction method for photovoltaic power output |
CN114117713A (zh) * | 2020-08-25 | 2022-03-01 | 中国电力科学研究院有限公司 | 一种区域光伏出力预测方法及装置 |
CN114511127A (zh) * | 2020-11-17 | 2022-05-17 | 中国电力科学研究院有限公司 | 基于神经网络的区域光伏出力特征长期预测方法及系统 |
CN115099511A (zh) * | 2022-07-07 | 2022-09-23 | 济南大学 | 基于优化copula的光伏功率概率估计方法及系统 |
CN115115125A (zh) * | 2022-07-13 | 2022-09-27 | 西安理工大学 | 基于深度学习融合模型的光伏功率区间概率预测方法 |
CN115689017A (zh) * | 2022-10-31 | 2023-02-03 | 长江慧控科技(武汉)有限公司 | 光伏发电量预测方法、装置、设备及存储介质 |
CN116187506A (zh) * | 2022-12-05 | 2023-05-30 | 国网新疆电力有限公司电力科学研究院 | 考虑气象分类的短期风电功率组合概率预测方法及系统 |
CN116470491A (zh) * | 2023-04-18 | 2023-07-21 | 济南大学 | 基于copula函数的光伏功率概率预测方法及系统 |
Non-Patent Citations (2)
Title |
---|
"Short-term predictability of photovoltaic production over Italy";Matteo De Felice 等;《Renewable Energy》(第80期);197-204 * |
基于相似时刻的光伏出力概率分布估计方法;程泽;刘冲;刘力;;电网技术(第02期);448-455 * |
Also Published As
Publication number | Publication date |
---|---|
CN116742624A (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Han et al. | A PV power interval forecasting based on seasonal model and nonparametric estimation algorithm | |
CN108879793B (zh) | 一种风光蓄能水电站互补的离网式混合能源系统优化方法 | |
CN110729764B (zh) | 一种含光伏发电系统的优化调度方法 | |
CN111695736B (zh) | 一种基于多模型融合的光伏发电短期功率预测方法 | |
CN110880789A (zh) | 一种风电、光伏联合发电系统经济调度方法 | |
CN115796393B (zh) | 基于多能互动的能源网管理优化方法、系统及存储介质 | |
CN103955521A (zh) | 一种风电场机群划分方法 | |
CN115425680A (zh) | 一种多能源联合发电系统的功率预测模型构建及预测方法 | |
CN115912351A (zh) | 光伏日内日前模型预测方法、系统、设备及介质 | |
CN115796004A (zh) | 一种基于SLSTM和MLSTNet模型的光伏电站超短期功率智能预测方法 | |
CN110909310A (zh) | 一种基于模型参数优化的光伏短期发电量预测方法及系统 | |
CN113128786A (zh) | 一种基于空间网格搜索的风光水互补容量与选址优化方法 | |
CN115759467A (zh) | 一种误差修正的分时刻集成学习光伏预测方法 | |
CN116402210A (zh) | 一种综合能源系统多目标优化方法、系统、设备和介质 | |
Liu et al. | A weight-varying ensemble method for short-term forecasting PV power output | |
CN116742624B (zh) | 一种光伏发电量预测方法及系统 | |
KR102572167B1 (ko) | 탄소중립을 위해 신재생 에너지를 이용하여 첨두 전력을 줄일 수 있는 발전제어 시스템 | |
CN117013522A (zh) | 考虑分布式电源和气电协同的综合能源系统调度优化方法 | |
CN116484998A (zh) | 基于气象相似日的分布式光伏电站功率预测方法及系统 | |
Huang et al. | Power prediction method of distributed photovoltaic digital twin system based on GA-BP | |
Deng et al. | A survey of the researches on grid-connected solar power generation systems and power forecasting methods based on ground-based cloud atlas | |
CN113159437B (zh) | 一种短期光伏发电输出功率的预测方法 | |
CN116128211A (zh) | 基于风光不确定性预报场景的风光水联合短期优化调度方法 | |
CN114282637A (zh) | 一种适用于光伏电站发电量预测方法 | |
CN111178593A (zh) | 一种光伏系统输出功率预测方法及装置 |
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 |