CN116799796A - 一种光伏发电功率预测方法、装置、设备及介质 - Google Patents
一种光伏发电功率预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116799796A CN116799796A CN202310797868.8A CN202310797868A CN116799796A CN 116799796 A CN116799796 A CN 116799796A CN 202310797868 A CN202310797868 A CN 202310797868A CN 116799796 A CN116799796 A CN 116799796A
- Authority
- CN
- China
- Prior art keywords
- power generation
- bird
- photovoltaic power
- generation power
- weather
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 123
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 238000005457 optimization Methods 0.000 claims description 41
- 238000012549 training Methods 0.000 claims description 32
- 238000003860 storage Methods 0.000 claims description 31
- 230000002431 foraging effect Effects 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 27
- 238000004458 analytical method Methods 0.000 claims description 23
- 238000012360 testing method Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 18
- 230000019637 foraging behavior Effects 0.000 claims description 15
- 238000010998 test method Methods 0.000 claims description 15
- 230000006399 behavior Effects 0.000 claims description 10
- 230000014509 gene expression Effects 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 5
- 238000013459 approach Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 5
- 230000001149 cognitive effect Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 244000144992 flock Species 0.000 claims description 5
- 239000004459 forage Substances 0.000 claims description 5
- 238000013178 mathematical model Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000013508 migration Methods 0.000 claims description 5
- 230000005012 migration Effects 0.000 claims description 5
- 238000005375 photometry Methods 0.000 claims description 5
- 230000007704 transition Effects 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims 1
- 238000003064 k means clustering Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000007621 cluster analysis Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种光伏发电功率预测方法、装置、设备及介，该预测方法采用K‑means聚类算法进行天气分型，采用经验模态分解(EMD)将不同天气类型的光伏发电功率以及各个影响因素均分解为多个IMF分量与一个残差分量，采用鸟群算法(BSA)优化ELM的权值，并训练模型得到不同天气类型的光伏发电预测值；本发明的预测方法能够有效的反应光伏出力的波动性和随机性特点，预测光伏电站未来时刻的各种出力情况，为电力系统调度运行提供更充分、可靠的信息。
Description
技术领域
本发明属于电力能源技术领域，具体涉及一种光伏发电功率预测方法、装置、设备及介质，特别涉及一种基于经验模态分解的鸟群算法改进极限学习机光伏发电功率预测方法、装置、设备及介质。
背景技术
光伏发电是太阳能开发利用的主要形式之一，具有清洁、分布广泛等特点。然而，由于太阳能具有的波动性、间歇性等问题，大规模高比例光伏发电并网势必对电力系统的安全稳定运行带来极大风险。因此，精确可靠的光伏发电出力预测对于大规模光伏电站并网和电力系统的可靠运行具有重要意义。
发明内容
为了解决现有技术中存在的不足，本发明的目的是提供一种光伏发电功率预测方法、装置、设备及介质。该预测方法能够有效的反应光伏出力的波动性和随机性特点，预测光伏电站未来时刻的各种出力情况，为电力系统调度运行提供更充分、可靠的信息。
为了实现上述目的，本发明采用如下技术方案：一种光伏发电功率预测方法，包括如下步骤：
基于NWP数值天气数据采用K-means聚类算法对天气进行聚类分析，按照天气类型对光伏历史实际出力进行划分，得到不同类型的光伏发电数据；
对步骤S1中得到的不同类型的光伏发电数据，采用ADF检验法进行非平稳性分析，采用BDS检验法对原始测光数据和历史发电功率数据进行非线性分析；
对每个季节下的天气类型光伏发电功率时间序列均采用EMD分解获取更加稳定的IMF分量；
利用游程检验法进行IMF分量的重构，选取出不同季节下的天气类型光伏发电功率时间序列的高频、中频和低频分量；
对鸟群算法的各项参数进行初始化，利用选定的训练集进行BSA-ELM参数优化，利用优化获得的最佳权值与偏置构建极限学习机模型，将测试集输入极限学习机模型中进行预测，得到不同季节下的天气类型光伏发电的预测结果；
按照不同季节下的各种天气类型分组，将同组天气类型下的光伏发电功率时间序列高频、中频、低频预测结果进行叠加，得到该天气类型的最终的预测结果。
进一步的，所述预测方法在进行前还包含数据清洗和缺失值的插补。
进一步的，所述NWP数值天气数据包括总辐照度、法向直射辐照度、水平面散射辐照度、气温、气压和相对湿度。
进一步的，所述中EMD分解不同季节下的天气类型光伏发电功率时间序列的方法具体如下：
(1)确定原始光伏发电功率时间序列的上、下包络线；
(2)计算原始光伏发电功率时间序列上、下包络线的均值m(t)，即：
其中，u(t)是原始光伏发电功率时间序列的上包络线；l(t)是原始光伏发电功率时间序列的下包络线；
(3)将原始光伏发电功率时间序列x(t)减去上下包络线的均值m(t)得到分量d(t)，即：
d(t)＝x(t)-m(t) (2)
(4)若d(t)满足在整个时间范围内，局部极值点和过零点的数量相等或最多相差一个并且在任何时间点，局部最大包络和局部最小包络的平均值为0，则分量d(t)为EMD分解的第一个IMF分量，记为c1(t)＝d(t)，而第一个残差为r1(x)＝x(t)-c1(t)；若不满足则将d(t)代替原始序列x(t)，重复进行步骤(1)-(3)的操作，直至产生的分量满足IMF特征为止；
(5)将步骤4)中获得的残差ri(x)视为新的原始光伏发电功率时间序列x(t)，从重复进行步骤(1)-(4)，获取后续多个IMF分量，直至第n个残差rn(x)过渡失真或者成为单调函数无法分解为IMF分量为止；经过上述步骤，就可以将原始光伏发电功率时间序列分解为多个IMF分量和一个残差分量，IMF分量之间频率不同且相对稳定，分解结果可用如下公式来表示：
进一步的，所述鸟群算法各项参数包括初始化种群规模N、搜索空间维数D、最大迭代次数T、飞行间隔FQ、常量C、S、a1、a2、FL以及随机初始化鸟群个体空间位置。
进一步的，所述步骤S5中鸟群算法初始化参数具体如下：
规则一、鸟群中的每一只鸟可以随机选择处于觅食状态或者警戒状态，并且可以随机进行切换；
规则二、当处于觅食状态时，每一只鸟将会记录其经过的最佳觅食点的位置，并在改变位置之后进行更新，同时会将最佳觅食位置信息分享到整个种群之中；
规则三、当处于警戒状态时，每只鸟将会往鸟群中心靠近，不同鸟之间存在竞争关系，食物储存量大的鸟会有更大的概率飞往中心；
规则四、鸟群因为逃避追捕者或者觅食会定期迁移到其他区域，完成迁移之后每只鸟的身份将会产生变化，食物储存量大的变为生产者，食物储存量少得变为乞食者，食物储存量介于二者之间的随机变化生产者或者乞食者；
规则五、生产者将会积极觅食，而乞食者将会随机跟随一位生产者觅食；
根据上述五条规则构造数学模型，假设存在一个D维空间，其中存在N只鸟构成的鸟群在进行系列群体性活动，在第t次迭代时第i只鸟的位置可以用表示；
1)设置随机阈值P(P∈(0,1)),给每一只鸟分配任务时产生一个随机数n(n∈(0,1))，当n＜P时则这只鸟选择觅食行为，否则选择警戒行为；
2)鸟觅食行为都会参考自身以及整个鸟群共享的信息，觅食所对应的位置如下：
其中，i∈[1,...,N]表示种群中第i只鸟；j∈[1,...,D]，pi,j表示第i只鸟在第t次迭代中的最优位置；gj表示在第t次迭代中种群共享的最优位置；C为认知系数，S为社会加速系数，二者皆为正数；
3)处于警戒状态下时每只鸟试图向鸟群中心移动，但此时由于与鸟之间存在竞争关系，故单只鸟并不是直接向中心移动；鸟之间的间接性影响由鸟群适应度的平均值来描述，A1来描述间接性影响，A2描述鸟迁移到群体中心时所受到的直接影响；此时的运动用数学公式表示如下：
其中，meanj表示整个鸟群在第j维位置上的平均位置；k(k≠i)为正整数且取值范围为[1,N]；而A1与A2的表达式分别如下所示：
其中，a1与a2为区间[0,2]之间的常数；ε为一个极小的常量；pFiti和pFitk分别表示第i、k只鸟的适应度值；sumFit是种群中个体的最佳适应度值的总和；
4)根据规则四和规则五中，鸟群迁徙到新的地点之后会分为生产者与乞食者，其各自行为的数学表达式分别如下：
其中，randn(0,1)表示表示一个服从方差为1，期望为0的高斯分布的随机数，fl∈[0,1]表示了乞食者跟随生产者进行觅食的概率。
进一步的，所述BSA-ELM参数优化的具体方法如下：
1)BSA-ELM参数初始化；
2)计算适应度函数值：选择样本的预测值与实际值均方误差MSE作为适应度函数，判断是否达到设定的优化终止条件，若达到则停止并输出最佳位置，否则继续进行下一步；
3)更新种群位置：调整鸟群个体空间位置，计算适应度函数，并根据计算结果不断进行更新迭代并保留最佳位置信息，直至达到停止条件，输出优化结果；
4)训练优化后的BSA-ELM参数并进行测试：在进行优化后获得最佳输入权值矩阵与偏置向量，以此构建极限学习机模型，按照聚类的天气分型结果，将各组分为训练集与测试集，训练集输入BSA-ELM模型中进行训练，构建光伏出力预测模型，最后利用构建好的模型对测试集进行预测。
进一步的，一种光伏发电功率预测装置，包括：
不同类型光伏发电数据获取模块，基于NWP数值天气数据采用聚类算法对天气进行聚类分析，按照天气类型对光伏历史实际出力进行划分，获取不同类型的光伏发电数据；
数据分析模块，对所述不同类型的光伏发电数据，采用ADF检验法进行非平稳性分析，并采用BDS检验法对原始测光数据和历史发电功率数据进行非线性分析；
数据分解模块，对经过所述非平稳分析和非线性分析后的每个季节下的天气类型光伏发电功率时间序列均采用EMD分解获取稳定的IMF分量；利用游程检验法进行IMF分量的重构，选取出不同季节下的天气类型光伏发电功率时间序列的高频、中频和低频分量；
数据优化模块，对鸟群算法的各项参数进行初始化，利用选定的训练集进行BSA-ELM参数优化，利用优化获得的最佳权值与偏置构建极限学习机模型；
数据预测模块，将测试集输入极限学习机模型中进行预测，得到不同季节下的天气类型光伏发电的预测结果，再按照不同季节下的各种天气类型分组，将同组天气类型下的光伏发电功率时间序列高频、中频、低频预测结果进行叠加，得到该天气类型下的最终的光伏发电功率预测结果。
进一步的，所述数据分解模块采用EMD分解获取稳定的IMF分量的方法具体如下：
(1)确定原始光伏发电功率时间序列的上、下包络线；
(2)计算原始光伏发电功率时间序列上、下包络线的均值m(t)，即：
其中，u(t)是原始光伏发电功率时间序列的上包络线；l(t)是原始光伏发电功率时间序列的下包络线；
(3)将原始光伏发电功率时间序列x(t)减去上下包络线的均值m(t)得到分量d(t)：
d(t)＝x(t)-m(t) (2)
(4)若d(t)满足在整个时间范围内，局部极值点和过零点的数量相等或最多相差一个并且在任何时间点，局部最大包络和局部最小包络的平均值为0，则分量d(t)为EMD分解的第一个IMF分量，记为c1(t)＝d(t)，而第一个残差为r1(x)＝x(t)-c1(t)；若不满足则将d(t)代替原始序列x(t)，重复进行步骤(1)-(3)的操作，直至产生的分量满足IMF特征为止；
(5)将步骤(4)中获得的残差ri(x)视为新的原始光伏发电功率时间序列x(t)，从重复进行步骤(1)-(4)，获取后续多个IMF分量，直至第n个残差rn(x)过渡失真或者成为单调函数无法分解为IMF分量为止；将原始光伏发电功率时间序列分解为多个IMF分量和一个残差分量，IMF分量之间频率不同且相对稳定，分解结果通过如下公式来表示：
进一步的，所述鸟群算法的各项参数包括初始化种群规模N、搜索空间维数D、最大迭代次数T、飞行间隔FQ、常量C、S、a1、a2、FL以及随机初始化鸟群个体空间位置。
进一步的，所述数据优化模块对鸟群算法的各项参数进行初始化的规则，具体如下：
规则一、鸟群中的每一只鸟可以随机选择处于觅食状态或者警戒状态，并且可以随机进行切换；
规则二、当处于觅食状态时，每一只鸟将会记录其经过的最佳觅食点的位置，并在改变位置之后进行更新，同时会将最佳觅食位置信息分享到整个种群之中；
规则三、当处于警戒状态时，每只鸟将会往鸟群中心靠近，不同鸟之间存在竞争关系，食物储存量大的鸟会有更大的概率飞往中心；
规则四、鸟群因为逃避追捕者或者觅食会定期迁移到其他区域，完成迁移之后每只鸟的身份将会产生变化，食物储存量大的变为生产者，食物储存量少得变为乞食者，食物储存量介于二者之间的随机变化生产者或者乞食者；
规则五、生产者将会积极觅食，而乞食者将会随机跟随一位生产者觅食；
根据上述五条规则构造数学模型，假设存在一个D维空间，其中存在N只鸟构成的鸟群在进行系列群体性活动，在第t次迭代时第i只鸟的位置可以用表示；
1)设置随机阈值P(P∈(0,1)),给每一只鸟分配任务时产生一个随机数n(n∈(0,1))，当n＜P时则这只鸟选择觅食行为，否则选择警戒行为；
2)鸟觅食行为都会参考自身以及整个鸟群共享的信息，觅食所对应的位置如下：
其中，i∈[1,...,N]表示种群中第i只鸟；j∈[1,...,D]，pi,j表示第i只鸟在第t次迭代中的最优位置；gj表示在第t次迭代中种群共享的最优位置；C为认知系数，S为社会加速系数，二者皆为正数；
3)处于警戒状态下时每只鸟试图向鸟群中心移动，但此时由于与鸟之间存在竞争关系，故单只鸟并不是直接向中心移动；鸟之间的间接性影响由鸟群适应度的平均值来描述，A1来描述间接性影响，A2描述鸟迁移到群体中心时所受到的直接影响；此时的运动用数学公式表示如下：
其中，meanj表示整个鸟群在第j维位置上的平均位置；k(k≠i)为正整数且取值范围为[1,N]；而A1与A2的表达式分别如下所示：
其中，a1与a2为区间[0,2]之间的常数；ε为一个极小的常量；pFiti和pFitk分别表示第i、k只鸟的适应度值；sumFit是种群中个体的最佳适应度值的总和；
4)根据规则四和规则五中，鸟群迁徙到新的地点之后会分为生产者与乞食者，其各自行为的数学表达式分别如下：
其中，randn(0,1)表示表示一个服从方差为1，期望为0的高斯分布的随机数，fl∈[0,1]表示了乞食者跟随生产者进行觅食的概率。
进一步的，所述数据优化模块利用选定的训练集进行BSA-ELM参数优化的具体方法如下：
1)BSA-ELM参数初始化；
2)计算适应度函数值：选择样本的预测值与实际值均方误差MSE作为适应度函数，判断是否达到设定的优化终止条件，若达到则停止并输出最佳位置，否则继续进行下一步；
3)更新种群位置：调整鸟群个体空间位置，计算适应度函数，并根据计算结果不断进行更新迭代并保留最佳位置信息，直至达到停止条件，输出优化结果；
4)训练优化后的BSA-ELM参数并进行测试：在进行优化后获得最佳输入权值矩阵与偏置向量，以此构建极限学习机模型，按照聚类的天气分型结果，将各组分为训练集与测试集，训练集输入BSA-ELM模型中进行训练，构建光伏出力预测模型，最后利用构建好的模型对测试集进行预测。
进一步的，一种电子设备，包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序以实现如权利要求1至6中任意一项所述的光伏发电功率预测方法。
进一步的，一种计算机可读存储介质，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现如权利要求1至6中任意一项所述的光伏发电功率预测方法。
与现有技术相比，本发明具备的积极有益效果在于：
本发明通过考虑了光伏发电功率时间序列的分解，并且同时也考虑了气象因素，能够有效的反应光伏出力的波动性和随机性特点，预测光伏电站未来时刻的各种出力情况，为电力系统调度运行提供更充分、可靠的信息，提高了光伏发电功率预测的精度。
附图说明
图1是本发明基于经验模态分解的鸟群算法改进极限学习机光伏发电功率预测方法的流程图；
图2是本发明实施例中不同k值情况下k-means算法的误差图；
图3是本发明实施例中EMD-BSA-ELM短期光伏功率预测流程图；
图4是本发明实施例中预测结果与真实结果对比图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
实施例1
本发明提供基于经验模态分解的鸟群算法改进极限学习机光伏发电功率预测方法，流程如图1所示，具体包括如下步骤：
采用华中某省份光伏电站数据，时间跨度为2019年1月1日至2020年12月31日，其中，光伏电站数据中所包含的内容有：此光伏电站的历史发电功率、对应时间点的总辐照度、法相直射辐照度、水平面散射辐照度、气温、气压和相对湿度，时间分辨率为15分钟。
步骤S1、将最能反应光伏发电功率特性的辐照值作为聚类分析的特征参数。将每日的辐照数据进行运算，计算出当日辐照值的均值、方差、变异系数、峰度、偏度、极差和总辐照度作为聚类的输入特征向量。对四个季节分别使用肘部法则进行筛选，将聚类数量k设置为2-15，分别对春夏秋冬四个季节进行聚类分析，计算出每次聚类的误差平方和，将结果可视化，如图2所示。由四个图像可知，“手肘”的拐点相当明显，均在聚类数量为3时，即可知最佳的聚类数量是3，此时正好与前面光伏出力数据特征分析中的天气类型一致，为晴天、多云天气、雨雪天气。
确定聚类数量为3之后，分别对春夏秋冬四个季节进行聚类处理。聚类结果如表1所示。
表1 K-means聚类结果表
步骤S2、构建EMD-BSA-ELM短期光伏功率预测，具体流程图如图3所示。选取春季雨雪天气为例，如表2所示，表2为发电功率及其影响因素的各分量的游程数，其中也计算了剩余分量的游程总数。
表2春季雨雪天气发电功率及影响因素IMF分量游程数
步骤S3、BSA-ELM的训练与测试：首先对鸟群各项参数进行初始化，包括初始化种群规模N、搜索空间维数D、最大迭代次数T、飞行间隔FQ、常量C、S、a1、a2、FL以及随机初始化鸟群个体空间位置BSA算法的适应度函数选择均方误差MSE。利用选定的训练集进行BSA-ELM参数寻优，利用寻优之后获得的最佳权值与偏置构建极限学习机模型，将测试集输入模型之中进行预测，得到BSA-ELM预测模型的结果。
步骤S4、预测结果的叠加：按照不同季节下的各种天气类型分组，将同组即同季节同天气类型下的高频、中频、低频预测结果进行叠加，得到该天气类型的最终的预测结果。
春季雨雪情况下以高频分量为例，训练集随机选取高频分量数据的五分之四，因春季晴天共有55天，故训练集约有44天的数据。将总辐照、法相直射辐照、水平面散射辐照、气温、相对湿度的高频分量作为自变量，其对应的光伏发电功率高频分量作为因变量构建极限学习机模型。最后利用构建好的预测模型，预测测试集中44天的光伏发电功率，得到高频预测值。以相同的步骤对春季晴天的中频分量与低频分量进行预测，分别得到中频预测值以及低频分量预测值，最后将三个频率的预测值进行叠加，得到春季晴天的发电功率预测值。
春季雨雪天气情况下，EMD-BSA-ELM模型光伏发电功率预测结果如表3所示。
不同季节下、不同天气类型下的EMD-BSA-ELM光伏发电功率具体预测结果如表4所示。
表4 BSA-ELM模型预测结果
不同季节下、不同天气类型下的ELM、BSA-ELM和EMD-BSA-ELM光伏发电功率具体预测的精度如表5所示。
表5 ELM、BSA-ELM和EMD-BSA-ELM光伏发电功率预测的精度
由表5中的数据可以看出，将数据经过EMD分解和鸟群算法优化之后的ELM模型，较未经过EMD分解的模型和单纯的ELM模型的预测精度均有明显提升；而且通过图4的预测结果与真实结果对比图，可以看出本发明的预测结果拟合情况与真实结果很接近，说明利用本发明预测方法来预测光伏发电功率的结果较好的。
实施例2
基于与上述实施例1的同一发明构思，本申请还提供了一种光伏发电功率预测装置，包括：
不同类型光伏发电数据获取模块，基于NWP数值天气数据采用聚类算法对天气进行聚类分析，按照天气类型对光伏历史实际出力进行划分，获取不同类型的光伏发电数据；
数据分析模块，对所述不同类型的光伏发电数据，采用ADF检验法进行非平稳性分析，并采用BDS检验法对原始测光数据和历史发电功率数据进行非线性分析；
数据分解模块，对经过所述非平稳分析和非线性分析后的每个季节下的天气类型光伏发电功率时间序列均采用EMD分解获取稳定的IMF分量；利用游程检验法进行IMF分量的重构，选取出不同季节下的天气类型光伏发电功率时间序列的高频、中频和低频分量；
数据优化模块，对鸟群算法的各项参数进行初始化，利用选定的训练集进行BSA-ELM参数优化，利用优化获得的最佳权值与偏置构建极限学习机模型；
数据预测模块，将测试集输入极限学习机模型中进行预测，得到不同季节下的天气类型光伏发电的预测结果，再按照不同季节下的各种天气类型分组，将同组天气类型下的光伏发电功率时间序列高频、中频、低频预测结果进行叠加，得到该天气类型下的最终的光伏发电功率预测结果。
实施例3
数据分解模块具体用于：EMD分解不同季节下的天气类型光伏发电功率时间序列的方法具体如下：
(1)确定原始光伏发电功率时间序列的上、下包络线；
(2)计算原始光伏发电功率时间序列上、下包络线的均值m(t)，即：
其中，u(t)是原始光伏发电功率时间序列的上包络线；l(t)是原始光伏发电功率时间序列的下包络线；
(3)将原始光伏发电功率时间序列x(t)减去上下包络线的均值m(t)得到分量d(t)：
d(t)＝x(t)-m(t) (2)
(4)若d(t)满足在整个时间范围内，局部极值点和过零点的数量相等或最多相差一个并且在任何时间点，局部最大包络和局部最小包络的平均值为0，则分量d(t)为EMD分解的第一个IMF分量，记为c1(t)＝d(t)，而第一个残差为r1(x)＝x(t)-c1(t)；若不满足则将d(t)代替原始序列x(t)，重复进行步骤(1)-(3)的操作，直至产生的分量满足IMF特征为止；
(5)将步骤(4)中获得的残差ri(x)视为新的原始光伏发电功率时间序列x(t)，从重复进行步骤(1)-(4)，获取后续多个IMF分量，直至第n个残差rn(x)过渡失真或者成为单调函数无法分解为IMF分量为止；将原始光伏发电功率时间序列分解为多个IMF分量和一个残差分量，IMF分量之间频率不同且相对稳定，分解结果通过如下公式来表示：
实施例4
数据优化模块具体用于：对鸟群算法的各项参数进行初始化，具体如下：
规则一、鸟群中的每一只鸟可以随机选择处于觅食状态或者警戒状态，并且可以随机进行切换；
规则二、当处于觅食状态时，每一只鸟将会记录其经过的最佳觅食点的位置，并在改变位置之后进行更新，同时会将最佳觅食位置信息分享到整个种群之中；
规则三、当处于警戒状态时，每只鸟将会往鸟群中心靠近，不同鸟之间存在竞争关系，食物储存量大的鸟会有更大的概率飞往中心；
规则四、鸟群因为逃避追捕者或者觅食会定期迁移到其他区域，完成迁移之后每只鸟的身份将会产生变化，食物储存量大的变为生产者，食物储存量少得变为乞食者，食物储存量介于二者之间的随机变化生产者或者乞食者；
规则五、生产者将会积极觅食，而乞食者将会随机跟随一位生产者觅食；
根据上述五条规则构造数学模型，假设存在一个D维空间，其中存在N只鸟构成的鸟群在进行系列群体性活动，在第t次迭代时第i只鸟的位置可以用表示；
1)设置随机阈值P(P∈(0,1)),给每一只鸟分配任务时产生一个随机数n(n∈(0,1)，当n＜P时则这只鸟选择觅食行为，否则选择警戒行为；
2)鸟觅食行为都会参考自身以及整个鸟群共享的信息，觅食所对应的位置如下：
其中，i∈[1,...,N]表示种群中第i只鸟；j∈[1,...,D]，pi,j表示第i只鸟在第t次迭代中的最优位置；gj表示在第t次迭代中种群共享的最优位置；C为认知系数，S为社会加速系数，二者皆为正数；
3)处于警戒状态下时每只鸟试图向鸟群中心移动，但此时由于与鸟之间存在竞争关系，故单只鸟并不是直接向中心移动；鸟之间的间接性影响由鸟群适应度的平均值来描述，A1来描述间接性影响，A2描述鸟迁移到群体中心时所受到的直接影响；此时的运动用数学公式表示如下：
其中，meanj表示整个鸟群在第j维位置上的平均位置；k(k≠i)为正整数且取值范围为[1,N]；而A1与A2的表达式分别如下所示：
其中，a1与a2为区间[0,2]之间的常数；ε为一个极小的常量；pFiti和pFitk分别表示第i、k只鸟的适应度值；sumFit是种群中个体的最佳适应度值的总和；
4)根据规则四和规则五中，鸟群迁徙到新的地点之后会分为生产者与乞食者，其各自行为的数学表达式分别如下：
其中，randn(0,1)表示表示一个服从方差为1，期望为0的高斯分布的随机数，fl∈[0,1]表示了乞食者跟随生产者进行觅食的概率。
实施例5
数据优化模块具体用于：利用选定的训练集进行BSA-ELM参数优化的具体方法如下：1)BSA-ELM参数初始化；
2)计算适应度函数值：选择样本的预测值与实际值均方误差MSE作为适应度函数，判断是否达到设定的优化终止条件，若达到则停止并输出最佳位置，否则继续进行下一步；
3)更新种群位置：调整鸟群个体空间位置，计算适应度函数，并根据计算结果不断进行更新迭代并保留最佳位置信息，直至达到停止条件，输出优化结果；
4)训练优化后的BSA-ELM参数并进行测试：在进行优化后获得最佳输入权值矩阵与偏置向量，以此构建极限学习机模型，按照聚类的天气分型结果，将各组分为训练集与测试集，训练集输入BSA-ELM模型中进行训练，构建光伏出力预测模型，最后利用构建好的模型对测试集进行预测。
实施例6
本申请还提供一种用于实现一种光伏发电功率预测方法的电子设备；电子设备包括存储器、至少一个处理器、存储在存储器中并可在至少一个处理器上运行的计算机程序及至少一条通讯总线。存储器可用于存储计算机程序，处理器通过运行或执行存储在存储器内的计算机程序，以及调用存储在存储器内的数据，实现实施例1中一种光伏发电功率预测方法步骤。
存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据(比如音频数据)等。此外，存储器可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。
至少一个处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，处理器是电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分。
实施例7
电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器及只读存储器(ROM，Read-Only Memory)。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
都应当属应说明的是，以上实施例仅用以说明本申请的技术方案而非限制，尽管参照较佳实施例对本申请进行了详细说明，本领域的普通技术人员应当理解，可以对本申请的技术方案进行修改或者等同替换，而不脱离本申请技术方案的精神和范围，其均应涵盖在本申请的权利要求范围当中。
Claims (13)
1.一种光伏发电功率预测方法，其特征在于，包括如下步骤：
基于NWP数值天气数据采用聚类算法对天气进行聚类分析，按照天气类型对光伏历史实际出力进行划分，获取不同类型的光伏发电数据；
对所述不同类型的光伏发电数据，采用ADF检验法进行非平稳性分析，并采用BDS检验法对原始测光数据和历史发电功率数据进行非线性分析；
对经过所述非平稳分析和非线性分析后的每个季节下的天气类型光伏发电功率时间序列均采用EMD分解获取稳定的IMF分量；利用游程检验法进行IMF分量的重构，选取出不同季节下的天气类型光伏发电功率时间序列的高频、中频和低频分量；
对鸟群算法的各项参数进行初始化，利用选定的训练集进行BSA-ELM参数优化，利用优化获得的最佳权值与偏置构建极限学习机模型，将测试集输入极限学习机模型中进行预测，得到不同季节下的天气类型光伏发电的预测结果；
按照不同季节下的各种天气类型分组，将同组天气类型下的光伏发电功率时间序列高频、中频、低频预测结果进行叠加，得到该天气类型下的最终的光伏发电功率预测结果。
2.根据权利要求1所述光伏发电功率预测方法，其特征在于，所述NWP数值天气数据包括总辐照度、法向直射辐照度、水平面散射辐照度、气温、气压和相对湿度。
3.根据权利要求1所述基光伏发电功率预测方法，其特征在于，所述EMD分解不同季节下的天气类型光伏发电功率时间序列的方法具体如下：
(1)确定原始光伏发电功率时间序列的上、下包络线；
(2)计算原始光伏发电功率时间序列上、下包络线的均值m(t)，即：
其中，u(t)是原始光伏发电功率时间序列的上包络线；l(t)是原始光伏发电功率时间序列的下包络线；
(3)将原始光伏发电功率时间序列x(t)减去上下包络线的均值m(t)得到分量d(t)：
d(t)＝x(t)-m(t) (2)
(4)若d(t)满足在整个时间范围内，局部极值点和过零点的数量相等或最多相差一个并且在任何时间点，局部最大包络和局部最小包络的平均值为0，则分量d(t)为EMD分解的第一个IMF分量，记为c1(t)＝d(t)，而第一个残差为r1(x)＝x(t)-c1(t)；若不满足则将d(t)代替原始序列x(t)，重复进行步骤(1)-(3)的操作，直至产生的分量满足IMF特征为止；
(5)将步骤(4)中获得的残差ri(x)视为新的原始光伏发电功率时间序列x(t)，从重复进行步骤(1)-(4)，获取后续多个IMF分量，直至第n个残差rn(x)过渡失真或者成为单调函数无法分解为IMF分量为止；将原始光伏发电功率时间序列分解为多个IMF分量和一个残差分量，IMF分量之间频率不同且相对稳定，分解结果通过如下公式来表示：
4.根据权利要求1所述光伏发电功率预测方法，其特征在于，所述鸟群算法各项参数包括初始化种群规模N、搜索空间维数D、最大迭代次数T、飞行间隔FQ、常量C、S、a1、a2、FL以及随机初始化鸟群个体空间位置。
5.根据权利要求1所述光伏发电功率预测方法，其特征在于，所述鸟群算法初始化参数，具体如下：
规则一、鸟群中的每一只鸟可以随机选择处于觅食状态或者警戒状态，并且可以随机进行切换；
规则二、当处于觅食状态时，每一只鸟将会记录其经过的最佳觅食点的位置，并在改变位置之后进行更新，同时会将最佳觅食位置信息分享到整个种群之中；
规则三、当处于警戒状态时，每只鸟将会往鸟群中心靠近，不同鸟之间存在竞争关系，食物储存量大的鸟会有更大的概率飞往中心；
规则四、鸟群因为逃避追捕者或者觅食会定期迁移到其他区域，完成迁移之后每只鸟的身份将会产生变化，食物储存量大的变为生产者，食物储存量少得变为乞食者，食物储存量介于二者之间的随机变化生产者或者乞食者；
规则五、生产者将会积极觅食，而乞食者将会随机跟随一位生产者觅食；
根据上述五条规则构造数学模型，假设存在一个D维空间，其中存在N只鸟构成的鸟群在进行系列群体性活动，在第t次迭代时第i只鸟的位置可以用表示；
1)设置随机阈值P(P∈(0,1)),给每一只鸟分配任务时产生一个随机数n(n∈(0,1))，当n＜P时则这只鸟选择觅食行为，否则选择警戒行为；
2)鸟觅食行为都会参考自身以及整个鸟群共享的信息，觅食所对应的位置如下：
其中，i∈[1,...,N]表示种群中第i只鸟；j∈[1,...,D]，pi,j表示第i只鸟在第t次迭代中的最优位置；gj表示在第t次迭代中种群共享的最优位置；C为认知系数，S为社会加速系数，二者皆为正数；
3)处于警戒状态下时每只鸟试图向鸟群中心移动，但此时由于与鸟之间存在竞争关系，故单只鸟并不是直接向中心移动；鸟之间的间接性影响由鸟群适应度的平均值来描述，A1来描述间接性影响，A2描述鸟迁移到群体中心时所受到的直接影响；此时的运动用数学公式表示如下：
其中，meanj表示整个鸟群在第j维位置上的平均位置；k(k≠i)为正整数且取值范围为[1,N]；而A1与A2的表达式分别如下所示：
其中，a1与a2为区间[0,2]之间的常数；ε为一个极小的常量；pFiti和pFitk分别表示第i、k只鸟的适应度值；sumFit是种群中个体的最佳适应度值的总和；
4)根据规则四和规则五中，鸟群迁徙到新的地点之后会分为生产者与乞食者，其各自行为的数学表达式分别如下：
其中，randn(0,1)表示表示一个服从方差为1，期望为0的高斯分布的随机数，fl∈[0,1]表示了乞食者跟随生产者进行觅食的概率。
6.根据权利要求1所述光伏发电功率预测方法，其特征在于，所述BSA-ELM参数优化的具体方法如下：
1)BSA-ELM参数初始化；
2)计算适应度函数值：选择样本的预测值与实际值均方误差MSE作为适应度函数，判断是否达到设定的优化终止条件，若达到则停止并输出最佳位置，否则继续进行下一步；
3)更新种群位置：调整鸟群个体空间位置，计算适应度函数，并根据计算结果不断进行更新迭代并保留最佳位置信息，直至达到停止条件，输出优化结果；
4)训练优化后的BSA-ELM参数并进行测试：在进行优化后获得最佳输入权值矩阵与偏置向量，以此构建极限学习机模型，按照聚类的天气分型结果，将各组分为训练集与测试集，训练集输入BSA-ELM模型中进行训练，构建光伏出力预测模型，最后利用构建好的模型对测试集进行预测。
7.一种光伏发电功率预测装置，其特征在于，包括：
不同类型光伏发电数据获取模块，基于NWP数值天气数据采用聚类算法对天气进行聚类分析，按照天气类型对光伏历史实际出力进行划分，获取不同类型的光伏发电数据；
数据分析模块，对所述不同类型的光伏发电数据，采用ADF检验法进行非平稳性分析，并采用BDS检验法对原始测光数据和历史发电功率数据进行非线性分析；
数据分解模块，对经过所述非平稳分析和非线性分析后的每个季节下的天气类型光伏发电功率时间序列均采用EMD分解获取稳定的IMF分量；利用游程检验法进行IMF分量的重构，选取出不同季节下的天气类型光伏发电功率时间序列的高频、中频和低频分量；
数据优化模块，对鸟群算法的各项参数进行初始化，利用选定的训练集进行BSA-ELM参数优化，利用优化获得的最佳权值与偏置构建极限学习机模型；
数据预测模块，将测试集输入极限学习机模型中进行预测，得到不同季节下的天气类型光伏发电的预测结果，再按照不同季节下的各种天气类型分组，将同组天气类型下的光伏发电功率时间序列高频、中频、低频预测结果进行叠加，得到该天气类型下的最终的光伏发电功率预测结果。
8.根据权利要求7所述一种光伏发电功率预测装置，其特征在于，所述数据分解模块采用EMD分解获取稳定的IMF分量的方法具体如下：
(1)确定原始光伏发电功率时间序列的上、下包络线；
(2)计算原始光伏发电功率时间序列上、下包络线的均值m(t)，即：
其中，u(t)是原始光伏发电功率时间序列的上包络线；l(t)是原始光伏发电功率时间序列的下包络线；
(3)将原始光伏发电功率时间序列x(t)减去上下包络线的均值m(t)得到分量d(t)：
d(t)＝x(t)-m(t) (2)
(4)若d(t)满足在整个时间范围内，局部极值点和过零点的数量相等或最多相差一个并且在任何时间点，局部最大包络和局部最小包络的平均值为0，则分量d(t)为EMD分解的第一个IMF分量，记为c1(t)＝d(t)，而第一个残差为r1(x)＝x(t)-c1(t)；若不满足则将d(t)代替原始序列x(t)，重复进行步骤(1)-(3)的操作，直至产生的分量满足IMF特征为止；
(5)将步骤(4)中获得的残差ri(x)视为新的原始光伏发电功率时间序列x(t)，从重复进行步骤(1)-(4)，获取后续多个IMF分量，直至第n个残差rn(x)过渡失真或者成为单调函数无法分解为IMF分量为止；将原始光伏发电功率时间序列分解为多个IMF分量和一个残差分量，IMF分量之间频率不同且相对稳定，分解结果通过如下公式来表示：
9.根据权利要求7所述一种光伏发电功率预测装置，其特征在于，所述鸟群算法的各项参数包括初始化种群规模N、搜索空间维数D、最大迭代次数T、飞行间隔FQ、常量C、S、a1、a2、FL以及随机初始化鸟群个体空间位置。
10.根据权利要求7所述一种光伏发电功率预测装置，其特征在于，所述数据优化模块对鸟群算法的各项参数进行初始化的规则，具体如下：
规则一、鸟群中的每一只鸟可以随机选择处于觅食状态或者警戒状态，并且可以随机进行切换；
规则二、当处于觅食状态时，每一只鸟将会记录其经过的最佳觅食点的位置，并在改变位置之后进行更新，同时会将最佳觅食位置信息分享到整个种群之中；
规则三、当处于警戒状态时，每只鸟将会往鸟群中心靠近，不同鸟之间存在竞争关系，食物储存量大的鸟会有更大的概率飞往中心；
规则四、鸟群因为逃避追捕者或者觅食会定期迁移到其他区域，完成迁移之后每只鸟的身份将会产生变化，食物储存量大的变为生产者，食物储存量少得变为乞食者，食物储存量介于二者之间的随机变化生产者或者乞食者；
规则五、生产者将会积极觅食，而乞食者将会随机跟随一位生产者觅食；
根据上述五条规则构造数学模型，假设存在一个D维空间，其中存在N只鸟构成的鸟群在进行系列群体性活动，在第t次迭代时第i只鸟的位置可以用表示；
1)设置随机阈值P(P∈(0,1)),给每一只鸟分配任务时产生一个随机数n(n∈(0,1))，当n＜P时则这只鸟选择觅食行为，否则选择警戒行为；
2)鸟觅食行为都会参考自身以及整个鸟群共享的信息，觅食所对应的位置如下：
其中，i∈[1,...,N]表示种群中第i只鸟；j∈[1,...,D]，pi,j表示第i只鸟在第t次迭代中的最优位置；gj表示在第t次迭代中种群共享的最优位置；C为认知系数，S为社会加速系数，二者皆为正数；
3)处于警戒状态下时每只鸟试图向鸟群中心移动，但此时由于与鸟之间存在竞争关系，故单只鸟并不是直接向中心移动；鸟之间的间接性影响由鸟群适应度的平均值来描述，A1来描述间接性影响，A2描述鸟迁移到群体中心时所受到的直接影响；此时的运动用数学公式表示如下：
其中，meanj表示整个鸟群在第j维位置上的平均位置；k(k≠i)为正整数且取值范围为[1,N]；而A1与A2的表达式分别如下所示：
其中，a1与a2为区间[0,2]之间的常数；ε为一个极小的常量；pFiti和pFitk分别表示第i、k只鸟的适应度值；sumFit是种群中个体的最佳适应度值的总和；
4)根据规则四和规则五中，鸟群迁徙到新的地点之后会分为生产者与乞食者，其各自行为的数学表达式分别如下：
其中，randn(0,1)表示表示一个服从方差为1，期望为0的高斯分布的随机数，fl∈[0,1]表示了乞食者跟随生产者进行觅食的概率。
11.根据权利要求7所述一种光伏发电功率预测装置，其特征在于，所述数据优化模块利用选定的训练集进行BSA-ELM参数优化的具体方法如下：
1)BSA-ELM参数初始化；
2)计算适应度函数值：选择样本的预测值与实际值均方误差MSE作为适应度函数，判断是否达到设定的优化终止条件，若达到则停止并输出最佳位置，否则继续进行下一步；
3)更新种群位置：调整鸟群个体空间位置，计算适应度函数，并根据计算结果不断进行更新迭代并保留最佳位置信息，直至达到停止条件，输出优化结果；
4)训练优化后的BSA-ELM参数并进行测试：在进行优化后获得最佳输入权值矩阵与偏置向量，以此构建极限学习机模型，按照聚类的天气分型结果，将各组分为训练集与测试集，训练集输入BSA-ELM模型中进行训练，构建光伏出力预测模型，最后利用构建好的模型对测试集进行预测。
12.一种电子设备，其特征在于，包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序以实现如权利要求1至6中任意一项所述的光伏发电功率预测方法。
13.一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存储有至少一个指令，所述至少一个指令被处理器执行时实现如权利要求1至6中任意一项所述的光伏发电功率预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310797868.8A CN116799796A (zh) | 2023-06-30 | 2023-06-30 | 一种光伏发电功率预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310797868.8A CN116799796A (zh) | 2023-06-30 | 2023-06-30 | 一种光伏发电功率预测方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116799796A true CN116799796A (zh) | 2023-09-22 |
Family
ID=88047907
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310797868.8A Pending CN116799796A (zh) | 2023-06-30 | 2023-06-30 | 一种光伏发电功率预测方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116799796A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117252729A (zh) * | 2023-11-17 | 2023-12-19 | 北京恒信启华信息技术股份有限公司 | 一种基于大数据的光伏电站管理方法及系统 |
| CN117293826A (zh) * | 2023-11-27 | 2023-12-26 | 山东大学 | 一种分布式光伏缺失功率实时预测方法、系统、介质及设备 |
-
2023
- 2023-06-30 CN CN202310797868.8A patent/CN116799796A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117252729A (zh) * | 2023-11-17 | 2023-12-19 | 北京恒信启华信息技术股份有限公司 | 一种基于大数据的光伏电站管理方法及系统 |
| CN117252729B (zh) * | 2023-11-17 | 2024-04-16 | 北京恒信启华信息技术股份有限公司 | 一种基于大数据的光伏电站管理方法及系统 |
| CN117293826A (zh) * | 2023-11-27 | 2023-12-26 | 山东大学 | 一种分布式光伏缺失功率实时预测方法、系统、介质及设备 |
| CN117293826B (zh) * | 2023-11-27 | 2024-04-05 | 山东大学 | 一种分布式光伏缺失功率实时预测方法、系统、介质及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116799796A (zh) | 一种光伏发电功率预测方法、装置、设备及介质 | |
| Li et al. | An integrated missing-data tolerant model for probabilistic PV power generation forecasting | |
| CN112180471B (zh) | 天气预报方法、装置、设备及存储介质 | |
| CN112308281A (zh) | 一种温度信息预测方法及装置 | |
| CN112884236B (zh) | 一种基于vdm分解与lstm改进的短期负荷预测方法及系统 | |
| CN116596044B (zh) | 基于多源数据的发电负荷预测模型训练方法及装置 | |
| CN114676923A (zh) | 发电功率的预测方法、装置、计算机设备和存储介质 | |
| CN116702992A (zh) | 一种发电功率预测方法、装置、电子设备及存储介质 | |
| CN117543544A (zh) | 一种负荷预测方法、装置、设备及存储介质 | |
| Alrashidi et al. | Short-term PV output forecasts with support vector regression optimized by cuckoo search and differential evolution algorithms | |
| CN116245019A (zh) | 一种基于Bagging抽样及改进随机森林算法的负荷预测方法、系统、装置及存储介质 | |
| CN116706907B (zh) | 基于模糊推理的光伏发电预测方法和相关设备 | |
| Chen et al. | Short-term Wind Speed Forecasting Based on Singular Spectrum Analysis, Fuzzy C-Means Clustering, and Improved POABP | |
| Al-Hajj et al. | Estimating solar irradiance using genetic programming technique and meteorological records. | |
| CN116070728B (zh) | 光伏发电系统发电量预测方法、设备、系统及介质 | |
| CN116739172A (zh) | 一种基于爬坡识别的海上风电功率超短期预测方法及装置 | |
| CN111950752A (zh) | 光伏电站发电量预测方法、装置、系统及其存储介质 | |
| CN116706992A (zh) | 一种分布式光伏集群的自适应功率预测方法、装置和设备 | |
| CN114139783A (zh) | 基于非线性加权组合的风电短期功率预测方法及装置 | |
| Ogawa et al. | PV output forecasting by deep Boltzmann machines with SS‐PPBSO | |
| KR20230066927A (ko) | 발전량 예측 방법 및 장치 | |
| CN113723670A (zh) | 变时间窗口的光伏发电功率短期预测方法 | |
| CN113449904A (zh) | 多能负荷预测方法、装置及设备 | |
| CN111931994A (zh) | 一种短期负荷及光伏功率预测方法及其系统、设备、介质 | |
| CN112215383A (zh) | 一种分布式光伏发电功率预测方法和系统 |
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 |