CN117477563A - 一种光伏发电功率预测用样本日搜索方法、系统及设备 - Google Patents
一种光伏发电功率预测用样本日搜索方法、系统及设备 Download PDFInfo
- Publication number
- CN117477563A CN117477563A CN202311813032.9A CN202311813032A CN117477563A CN 117477563 A CN117477563 A CN 117477563A CN 202311813032 A CN202311813032 A CN 202311813032A CN 117477563 A CN117477563 A CN 117477563A
- Authority
- CN
- China
- Prior art keywords
- day
- history
- comprehensive
- difference degree
- sharing
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000010248 power generation Methods 0.000 title claims abstract description 32
- 238000012216 screening Methods 0.000 claims abstract description 33
- 230000001174 ascending effect Effects 0.000 claims abstract description 7
- 238000004590 computer program Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Power Engineering (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Marketing (AREA)
- Geometry (AREA)
- Algebra (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明属于光伏发电功率预测技术领域,具体涉及一种光伏发电功率预测用样本日搜索方法、系统及设备,方法包括获取预测日和历史日气象数据集,对气象数据集归一化处理后,选定影响发电功率的多个气象指标及其权重系数,遍历出气象数据集中对应各气象指标的指标值,计算各历史日与预测日指标值的综合误差;结合各气象指标的权重系数以及综合误差,确定各历史日相对预测日中各指标值的综合差异度;基于选定的气象指标确定差异度筛选条件,对完成筛选后的各历史日中综合差异度进行升序排列,选取综合差异度最小的历史日作为样本日;本发明中搜索方法对应样本日搜索的准确度高、执行速度快、实用性强、易于工程实现,从而提高光伏发电功率预测精度。
Description
技术领域
本发明属于光伏发电功率预测技术领域,具体涉及一种光伏发电功率预测用样本日搜索方法、系统及设备。
背景技术
光伏发电具有间歇性、随机性、波动性等特点,光伏电站属于能量密度低、稳定性差、调节能力弱的电源,其输出功率受天气及地域的影响较大,光照资源的瞬时变化会引起光伏电站输出功率的急剧变化。
如何提高光伏电站输出功率规律及光伏电站发电功率预测准确率,从而有效对光伏电站输出功率进行监测和预测,以便合理安排光伏发电计划、提高光伏发电能力。提高光伏发电功率预测的准确度,对于实现电力系统准确调度、多能互补和电力系统安全可靠运行具有重要意义,而如何获得光伏功率预测的样本数据,以及如何搜索确定光伏功率预测的样本日对于提高光伏功率预测精度至关重要。
发明内容
本发明的目的就在于提供一种光伏发电功率预测用样本日搜索方法、系统及设备,以解决背景技术中提出的问题。
本发明通过以下技术方案来实现上述目的:
第一方面、本发明提供了一种光伏发电功率预测用样本日搜索方法,方法包括:
S1、获取预测日当天分时气象数据,以形成当天分时气象数据集;遍历出预测日前设定天数的历史分时气象数据,以形成历史分时气象数据集;
S2、在对当天分时气象数据集和历史分时气象数据集归一化处理后,选定影响发电功率的多个气象指标及其权重系数,遍历出当天分时气象数据集和历史分时气象数据集中对应各气象指标的指标值,计算各历史日与预测日所述指标值的综合误差;
S3、结合各气象指标的权重系数以及所述综合误差,确定各历史日相对预测日中各指标值的综合差异度;
S4、基于选定的气象指标确定差异度筛选条件,结合所述差异度筛选条件对各历史日综合差异度进行筛选,对完成筛选后的各历史日中综合差异度进行升序排列,选取综合差异度最小的历史日作为样本日。
作为本发明的进一步优化方案,步骤S1中,所述分时气象数据基于预测日当天或各历史日当天的N个分时节点获取,设定获取周期为Mmin,则。
作为本发明的进一步优化方案,选定的多个气象指标包括辐照度、温度,其中,i∈(1,L),t∈(1,N),L为设定天数,所述综合误差包括平均误差/>、峰值误差/>和差值误差/>;步骤S2包括:
S201、逐一计算各历史日的辐照度与预测日的辐照度/>的平均误差;
S202、逐一计算各历史日的辐照度与预测日的辐照度/>的峰值误差;
S203、逐一计算各历史日的辐照度与预测日的辐照度/>的差值误差;
逐一计算各历史日的温度与预测日的温度/>的平均误差;
S205、逐一计算各历史日的温度与预测日的温度/>的峰值误差;
S206、逐一计算各历史日的温度与预测日的温度/>的差值误差;
作为本发明的进一步优化方案,步骤S3中,结合所述辐照度的权重系数为Rw,所述温度/>的权重系数为Tw,计算各个历史日的分时气象历史数据与预测日分时气象数据中气象指标的综合差异度F:
。
作为本发明的进一步优化方案,步骤S4中,基于气象指标中辐照度确定所述差异度筛选条件,包括逐日计算各个历史日与预测日的每个分时节点的辐照度偏差系数;
设定偏差系数上限Lm,偏差系数越限最大允许个数M;
所述差异度筛选条件为:当历史日中的N个分时节点中偏差系数大于偏差系数上限Lm的个数超过M,则将该日的综合差异度F设置为最大,并剔除该历史日。
第二方面、本发明提供了一种光伏发电功率预测用样本日搜索系统,用于实施上述任一项所述搜索方法,系统包括:
采集模块,用于获取预测日当天分时气象数据,以形成当天分时气象数据集;遍历出预测日前设定天数的历史分时气象数据,以形成历史分时气象数据集;
误差确定模块,用于在对当天分时气象数据集和历史分时气象数据集归一化处理后,选定影响发电功率的多个气象指标及其权重系数,遍历出当天分时气象数据集和历史分时气象数据集中对应各气象指标的指标值,计算各历史日与预测日所述指标值的综合误差;
差异度确定模块,用于结合各气象指标的权重系数以及所述综合误差,确定各历史日相对预测日中各指标值的综合差异度;
样本日确定模块,用于基于选定的气象指标确定差异度筛选条件,结合所述差异度筛选条件对各历史日综合差异度进行筛选,对完成筛选后的各历史日中综合差异度进行升序排列,选取综合差异度最小的历史日作为样本日。
第三方面、本发明提供了一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述搜索方法。
本发明的有益效果在于:
本发明提供了一种光伏发电功率预测用样本日搜索方法,该方法对应样本日搜索的准确度高、执行速度快、实用性强、易于工程实现,从而提高光伏发电功率预测精度。
附图说明
图1是本发明中搜索方法步骤的执行流程示意图;
图2是本发明具体实施方式提供的搜索方法实施的结构框图。
具体实施方式
下面结合附图对本申请作进一步详细描述,有必要在此指出的是,以下具体实施方式只用于对本申请进行进一步的说明,不能理解为对本申请保护范围的限制,该领域的技术人员可以根据上述申请内容对本申请作出一些非本质的改进和调整。
实施例1
如图1-2所示,本实施方式中提供了一种光伏发电功率预测用样本日搜索方法,方法包括:
S1、获取预测日当天分时气象数据,以形成当天分时气象数据集;遍历出预测日前设定天数的历史分时气象数据,以形成历史分时气象数据集;
S2、在对当天分时气象数据集和历史分时气象数据集归一化处理后,选定影响发电功率的多个气象指标及其权重系数,遍历出当天分时气象数据集和历史分时气象数据集中对应各气象指标的指标值,计算各历史日与预测日所述指标值的综合误差;
S3、结合各气象指标的权重系数以及所述综合误差,确定各历史日相对预测日中各指标值的综合差异度;
S4、基于选定的气象指标确定差异度筛选条件,结合所述差异度筛选条件对各历史日综合差异度进行筛选,对完成筛选后的各历史日中综合差异度进行升序排列,选取综合差异度最小的历史日作为样本日。
作为优选的,步骤S1中,所述分时气象数据基于预测日当天或各历史日当天的N个分时节点获取,设定获取周期为,具体实施时,设定天数为30天,M为15min,则N为96个分时节点。即每天分时节点为96,每15分钟取一个气象数据。
作为优选的,选定的多个气象指标包括辐照度、温度/>,其中,i∈(1,30),t∈(1,96),L为设定天数,所述综合误差包括平均误差/>、峰值误差/>和差值误差/>;步骤S2包括:
S201、逐一计算各历史日的辐照度与预测日的辐照度/>的平均误差;
S202、逐一计算各历史日的辐照度与预测日的辐照度/>的峰值误差;
S203、逐一计算各历史日的辐照度与预测日的辐照度/>的差值误差;
S204、逐一计算各历史日的温度与预测日的温度/>的平均误差;
S205、逐一计算各历史日的温度与预测日的温度/>的峰值误差;
S206、逐一计算各历史日的温度与预测日的温度/>的差值误差。
本实施例中,考虑到影响光伏发电功率的主要气象因素是太阳辐照度和温度,其他如风速、风向、气压、湿度等对光伏功率的影响微乎其微,本方法也适用于其他气象因素,只需设置对应的权重很小即可。在工程实践中,考虑降低计算量和工程实现难度,其他气象因素可以忽略。
作为优选的,步骤S3中,结合所述辐照度的权重系数为Rw,所述温度/>的权重系数为Tw,当选定气象指标为太阳辐照度和温度时,设置Rw=0.9,Tw=0.1,计算各个历史日的分时气象历史数据与预测日分时气象数据中气象指标的综合差异度F:
。
作为优选的,步骤S4中,基于气象指标中辐照度确定所述差异度筛选条件,包括逐日计算各个历史日与预测日的每个分时节点的辐照度偏差系数;设定偏差系数上限Lm,偏差系数越限最大允许个数M;其中,Lm可取0.3,M可取10。
所述差异度筛选条件为:当历史日中的N个分时节点中偏差系数大于偏差系数上限Lm的个数超过M,则将该历史日的综合差异度F设置为最大,并剔除该历史日。当历史日中96个分时节点中偏差系数大于偏差系数上限0.3,且个数超过10个,则该历史日的差异度设置为最大,即剔除该历史日;再对各历史日的综合差异度按从小到大排序,取综合差异度最小的前K个历史日作为样本日,其中K大于等于5。
实施例2
基于同一发明构思,本实施例中还提供了与搜索方法对应的搜索系统,由于本公开实施例中的系统解决问题的原理与本公开实施例上述搜索方法相似,因此系统的实施可以参见方法的实施,重复之处不再赘述。一种光伏发电功率预测用样本日搜索系统,用于实施以上所述搜索方法,系统包括:
采集模块,用于获取预测日当天分时气象数据,以形成当天分时气象数据集;遍历出预测日前设定天数的历史分时气象数据,以形成历史分时气象数据集;
误差确定模块,用于在对当天分时气象数据集和历史分时气象数据集归一化处理后,选定影响发电功率的多个气象指标及其权重系数,遍历出当天分时气象数据集和历史分时气象数据集中对应各气象指标的指标值,计算各历史日与预测日所述指标值的综合误差;
差异度确定模块,用于结合各气象指标的权重系数以及所述综合误差,确定各历史日相对预测日中各指标值的综合差异度;
样本日确定模块,用于基于选定的气象指标确定差异度筛选条件,结合所述差异度筛选条件对各历史日综合差异度进行筛选,对完成筛选后的各历史日中综合差异度进行升序排列,选取综合差异度最小的历史日作为样本日。
实施例3
本实施方式提供了一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如以上所述搜索方法。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络,或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD),或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件,或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
另外,在本申请各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能模块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,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明实施例中所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不驱使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (7)
1.一种光伏发电功率预测用样本日搜索方法,其特征在于,方法包括:
S1、获取预测日当天分时气象数据,以形成当天分时气象数据集;遍历出预测日前设定天数的历史分时气象数据,以形成历史分时气象数据集;
S2、在对当天分时气象数据集和历史分时气象数据集归一化处理后,选定影响发电功率的多个气象指标及其权重系数,遍历出当天分时气象数据集和历史分时气象数据集中对应各气象指标的指标值,计算各历史日与预测日所述指标值的综合误差;
S3、结合各气象指标的权重系数以及所述综合误差,确定各历史日相对预测日中各指标值的综合差异度;
S4、基于选定的气象指标确定差异度筛选条件,结合所述差异度筛选条件对各历史日综合差异度进行筛选,对完成筛选后的各历史日中综合差异度进行升序排列,选取综合差异度最小的历史日作为样本日。
2.根据权利要求1所述的一种光伏发电功率预测用样本日搜索方法,其特征在于:步骤S1中,所述分时气象数据基于预测日当天或各历史日当天的N个分时节点获取,设定获取周期为Mmin,则。
3.根据权利要求2所述的一种光伏发电功率预测用样本日搜索方法,其特征在于:选定的多个气象指标包括辐照度、温度/>,其中,/>,L为设定天数,所述综合误差包括平均误差/>、峰值误差/>和差值误差/>;步骤S2包括:
S201、逐一计算各历史日的辐照度与预测日的辐照度/>的平均误差;
S202、逐一计算各历史日的辐照度与预测日的辐照度/>的峰值误差;
S203、逐一计算各历史日的辐照度与预测日的辐照度/>的差值误差;
S204、逐一计算各历史日的温度与预测日的温度/>的平均误差;
S205、逐一计算各历史日的温度与预测日的温度/>的峰值误差;
S206、逐一计算各历史日的温度与预测日的温度/>的差值误差。
4.根据权利要求3所述的一种光伏发电功率预测用样本日搜索方法,其特征在于:步骤S3中,结合所述辐照度的权重系数为Rw,所述温度/>的权重系数为Tw,计算各个历史日的分时气象历史数据与预测日分时气象数据中气象指标的综合差异度F:。
5.根据权利要求1所述的一种光伏发电功率预测用样本日搜索方法,其特征在于:步骤S4中,基于气象指标中辐照度确定所述差异度筛选条件,包括逐日计算各个历史日与预测日的每个分时节点的辐照度偏差系数;设定偏差系数上限Lm,偏差系数越限最大允许个数M;
所述差异度筛选条件为:当历史日中的N个分时节点中偏差系数大于偏差系数上限Lm的个数超过M,则将该日的综合差异度F设置为最大,并剔除该历史日。
6.一种光伏发电功率预测用样本日搜索系统,用于实施权利要求1-5任一项所述搜索方法,其特征在于:系统包括:
采集模块,用于获取预测日当天分时气象数据,以形成当天分时气象数据集;遍历出预测日前设定天数的历史分时气象数据,以形成历史分时气象数据集;
误差确定模块,用于在对当天分时气象数据集和历史分时气象数据集归一化处理后,选定影响发电功率的多个气象指标及其权重系数,遍历出当天分时气象数据集和历史分时气象数据集中对应各气象指标的指标值,计算各历史日与预测日所述指标值的综合误差;
差异度确定模块,用于结合各气象指标的权重系数以及所述综合误差,确定各历史日相对预测日中各指标值的综合差异度;
样本日确定模块,用于基于选定的气象指标确定差异度筛选条件,结合所述差异度筛选条件对各历史日综合差异度进行筛选,对完成筛选后的各历史日中综合差异度进行升序排列,选取综合差异度最小的历史日作为样本日。
7.一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-5任一项所述搜索方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311813032.9A CN117477563B (zh) | 2023-12-27 | 2023-12-27 | 一种光伏发电功率预测用样本日搜索方法、系统及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311813032.9A CN117477563B (zh) | 2023-12-27 | 2023-12-27 | 一种光伏发电功率预测用样本日搜索方法、系统及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117477563A true CN117477563A (zh) | 2024-01-30 |
CN117477563B CN117477563B (zh) | 2024-05-24 |
Family
ID=89636525
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311813032.9A Active CN117477563B (zh) | 2023-12-27 | 2023-12-27 | 一种光伏发电功率预测用样本日搜索方法、系统及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117477563B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106251008A (zh) * | 2016-07-25 | 2016-12-21 | 南京工程学院 | 一种基于组合权重相似日选取的光伏功率预测方法 |
JP2017220050A (ja) * | 2016-06-08 | 2017-12-14 | 株式会社東芝 | 電力量予測装置 |
CN107480832A (zh) * | 2017-09-05 | 2017-12-15 | 国网山东省电力公司汶上县供电公司 | 短期电量预测方法、装置及电子设备 |
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 |
CN114385962A (zh) * | 2021-10-20 | 2022-04-22 | 许继集团有限公司 | 一种基于相似日的日前光伏发电功率预测方法及系统 |
CN115775053A (zh) * | 2022-12-21 | 2023-03-10 | 福州大学 | 一种基于改进相似时刻法的分布式光伏功率短期预测方法 |
CN116128150A (zh) * | 2023-03-02 | 2023-05-16 | 南京邮电大学 | 一种基于两级优化的光伏智能出力预测方法 |
CN117117859A (zh) * | 2023-10-20 | 2023-11-24 | 华能新能源股份有限公司山西分公司 | 基于神经网络的光伏发电功率预测方法及系统 |
-
2023
- 2023-12-27 CN CN202311813032.9A patent/CN117477563B/zh active Active
Patent Citations (8)
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 |
JP2017220050A (ja) * | 2016-06-08 | 2017-12-14 | 株式会社東芝 | 電力量予測装置 |
CN106251008A (zh) * | 2016-07-25 | 2016-12-21 | 南京工程学院 | 一种基于组合权重相似日选取的光伏功率预测方法 |
CN107480832A (zh) * | 2017-09-05 | 2017-12-15 | 国网山东省电力公司汶上县供电公司 | 短期电量预测方法、装置及电子设备 |
CN114385962A (zh) * | 2021-10-20 | 2022-04-22 | 许继集团有限公司 | 一种基于相似日的日前光伏发电功率预测方法及系统 |
CN115775053A (zh) * | 2022-12-21 | 2023-03-10 | 福州大学 | 一种基于改进相似时刻法的分布式光伏功率短期预测方法 |
CN116128150A (zh) * | 2023-03-02 | 2023-05-16 | 南京邮电大学 | 一种基于两级优化的光伏智能出力预测方法 |
CN117117859A (zh) * | 2023-10-20 | 2023-11-24 | 华能新能源股份有限公司山西分公司 | 基于神经网络的光伏发电功率预测方法及系统 |
Non-Patent Citations (2)
Title |
---|
吉锌格 等: "基于MIE-LSTM的短期光伏功率预测", 《电力系统保护与控制》, no. 07, 1 April 2020 (2020-04-01), pages 50 - 57 * |
张磊 等: "基于相似日重组的分布式光伏电源发电功率预测", 《电气技术》, no. 02, 15 February 2016 (2016-02-15), pages 62 - 66 * |
Also Published As
Publication number | Publication date |
---|---|
CN117477563B (zh) | 2024-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113315171B (zh) | 新能源消纳能力评估方法、装置、计算机设备和存储介质 | |
JP6003247B2 (ja) | 情報処理装置、情報処理装置の制御方法及びプログラム | |
CN111709569A (zh) | 风电场输出功率预测修正方法及装置 | |
CN115526429A (zh) | 风电功率预测误差解耦分析方法、处理器及存储介质 | |
CN113746425B (zh) | 光伏逆变器参数异常分析方法、系统 | |
Kim et al. | Transformer based prediction method for solar power generation data | |
CN112580844A (zh) | 气象数据处理方法、装置、设备及计算机可读存储介质 | |
CN117477563B (zh) | 一种光伏发电功率预测用样本日搜索方法、系统及设备 | |
CN113033136B (zh) | 简化的光伏电池物理参数提取优化方法及系统 | |
JP2019091335A (ja) | 発電量予測装置、発電量予測システム、発電量予測方法及び発電量予測プログラム | |
CN107909096A (zh) | 一种基于二分k‑均值聚类的逆变器故障预警判据实现方法 | |
Yang et al. | Data‐driven modeling for fatigue loads of large‐scale wind turbines under active power regulation | |
Quan et al. | An Ensemble Model of Wind Speed Forecasting Based on Variational Mode Decomposition and Bare‐Bones Fireworks Algorithm | |
CN116454874A (zh) | 风电功率的预测方法、风电功率的预测装置和电子装置 | |
CN116561502A (zh) | 一种风电场风速数据的插补方法、装置、设备及存储介质 | |
Hong et al. | Deep‐Learning‐Assisted Topology Identification and Sensor Placement for Active Distribution Network | |
CN117420471B (zh) | 一种移动电源的性能测试方法、系统、设备及其存储介质 | |
CN117748482B (zh) | 发电功率预测方法、装置、电子设备及存储介质 | |
CN115983663B (zh) | 基于新能源的发电分析方法及相关设备 | |
CN111181200B (zh) | 一种发电可行域实用分析方法、装置及系统 | |
KR20240096139A (ko) | 에너지 변환효율계수에 기초한 태양광 발전 설비의 이상 상태 탐지 및 발전량 예측 방법 | |
CN118316023A (zh) | 一种区域风电概率预测方法、装置、电子设备及存储介质 | |
CN115545562A (zh) | 一种电力系统电力平衡风险评估方法及装置 | |
CN117649118A (zh) | 风电并网系统供电可靠性的评估方法、系统、设备及介质 | |
Zhengyu et al. | Wind Power Probabilistic Prediction Optimization Algorithm Based on Working Condition Identification |
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 |