TWI623890B - 由多個類神經網路組成的發電量預測系統與其方法 - Google Patents
由多個類神經網路組成的發電量預測系統與其方法 Download PDFInfo
- Publication number
- TWI623890B TWI623890B TW106122361A TW106122361A TWI623890B TW I623890 B TWI623890 B TW I623890B TW 106122361 A TW106122361 A TW 106122361A TW 106122361 A TW106122361 A TW 106122361A TW I623890 B TWI623890 B TW I623890B
- Authority
- TW
- Taiwan
- Prior art keywords
- data
- selected area
- power generation
- solar
- neural network
- Prior art date
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 197
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 137
- 238000000034 method Methods 0.000 title claims description 36
- 230000005855 radiation Effects 0.000 claims description 49
- 238000004364 calculation method Methods 0.000 claims description 24
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 238000013016 damping Methods 0.000 claims 1
- 230000002238 attenuated effect Effects 0.000 abstract description 20
- 230000005611 electricity Effects 0.000 abstract description 4
- 238000012549 training Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 101001107782 Homo sapiens Iron-sulfur protein NUBPL Proteins 0.000 description 6
- 101001046894 Homo sapiens Protein HID1 Proteins 0.000 description 6
- 102100021998 Iron-sulfur protein NUBPL Human genes 0.000 description 6
- 102100022877 Protein HID1 Human genes 0.000 description 6
- 101100072620 Streptomyces griseus ind2 gene Proteins 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000002699 waste material Substances 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
-
- 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
-
- 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
-
- 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
- H02J2300/28—The renewable source being wind energy
-
- 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
- H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
- H02J2310/10—The network having a local or delimited stationary reach
- H02J2310/12—The local stationary network supplying a household or a building
-
- 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
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
-
- 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
- Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
- Y04S40/20—Information technology specific aspects, e.g. CAD, simulation, modelling, system security
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Power Engineering (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Public Health (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一種由第一與第二類神經網路組成的發電量預測系統,其中第一與第二類神經網路彼此連接。第一類神經網路接收第一輸入資料,並據此產生量值預測資料,其中第一輸入資料用於決定該量值預測資料,且量值預測資料用於決定發電量預測資料。第二類神經網路接收量值預測資料,並據此計算出發電量預測資料。於一選定區域中之一元件衰減或重新安裝時,第二類神經網路重新進行調校訓練。
Description
本發明是關於發電量預測系統與其方法,且特別是關於由多個類神經網路(neural network)組成的發電量預測系統與其方法。
目前科技已經發展出多種不同的發電方式,例如,太陽能發電、風力發電、潮汐發電、洋流發電、地熱發電、燃煤發電、水力發電與核能發電。
燃煤發電與核能發電的發電量可以不受天氣與時間的影響,而由人為控制其發電量,因此兩者是屬於發電量較為穩定的發電方式。然而,太陽能發電與風力發電則容易受到天氣與時間的影響,導致其發電量較為不穩定。
電網中的調配端可對多個發電端產生的電力(亦即,發電量)進行調配,使得電力可有效地被用電終端所使用,而不會造成電力的浪費。然而,太陽能發電端與風力發電端的發電量並不穩定,因此,造成調配端不易有效地進行電力調配。總而言之,需要一種可以預測選定區域之未來發電量的發電量預測系統與方法,以使得調配端可以根據預測的發電量來有效地進行電力調配。
習知技術使用僅一個類神經網路來實現發電量預測系統與其方法。以太陽能發電為例,類神經網路會接收相關於預測發電量之所有輸入資料
(例如,由日射計獲得的日射量觀測資料),並根據接收的輸入資料產生預測發電量。然而,日射計可能會衰減或重新安裝,導致日射量觀測資料有所變化。因此,在日射計衰減或重新安裝時,程式設計人員需要對龐大的類神經網路重新進行調校訓練,導致耗費大量時間與對程式設計人員造成很大的不方便。
有鑑於上述習知技藝之問題,本發明之目的就是在提供由多個類神經網路組成的發電量預測系統與其方法,其可由具有一般計算能力的電子裝置配合特定軟體演算法來實現,或者,透過設計特殊應用積體電路(Application-Specific Integrated Circuit,ASIC)或現場可編程邏輯閘陣列(Field Programmable Gate Array,FPGA)所形成之具有多個硬體電路的電子裝置來實現。
根據本發明至少一目的,提出一種由多個類神經網路組成的發電量預測系統。此發電量預測系統包括第一與第二類神經網路,其中第一類神經網路連接第二類神經網路。第一類神經網路接收第一輸入資料,並據此產生量值預測資料,其中第一輸入資料用於決定量值預測資料,且量值預測資料用於決定發電量預測資料。第二類神經網路接收量值預測資料,並據此計算出發電量預測資料。於一選定區域中之一元件衰減或重新安裝時,第二類神經網路重新進行調校訓練。
根據本發明至少一目的,上述發電量預測系統還包括第三類神經網路,其中第三類神經網路連接第二類神經網路。第三類神經網路接收第二輸入資料,並據此產生發電模組參數預測資料,其中第二輸入資料用於決定發電
模組參數預測資料,且發電模組參數預測資料用於修正發電量預測資料。第二類神經網路接收發電模組參數預測資料,且更根據發電模組參數預測資料與量值預測資料計算出發電量預測資料。
根據本發明至少一目的,還提出一種由多個類神經網路組成的發電量預測系統來實現的發電量預測方法。此發電量預測方法包括以下步驟。透過第一類神經網路接收第一輸入資料,並據此產生量值預測資料,其中第一輸入資料用於決定量值預測資料,且量值預測資料用於決定發電量預測資料。透過第二類神經網路接收量值預測資料,並據此計算出發電量預測資料,其中第二類神經網路連接第一類神經網路。於一選定區域中之一元件衰減或重新安裝時,對第二類神經網路重新進行調校訓練。
透過第三類神經網路接收第二輸入資料,並據此產生發電模組參數預測資料,其中第二輸入資料用於決定發電模組參數預測資料,且發電模組參數預測資料用於修正發電量預測資料。更透過第二類神經網路接收發電模組參數預測資料,且更根據量值預測資料與發電模組參數預測資料計算出發電量預測資料,其中第三類神經網路連接第二類神經網路。
承上所述,依本發明提供之由多個類神經網路組成的發電量預測系統與其方法,其可具有一或多個下述優點:(1)於一選定區域中之某一元件衰減或重新安裝時,僅須對第二類神經網路重新進行調校訓練,故能減少重新進行調校訓練所需要耗費的時間;以及(2)由多個類神經網路組成,且於一選定區域中之某一元件衰減或重新安裝時,僅須對第二類神經網路重新進行調校訓練,對程式設計人員
來說,能夠方便進行調校訓練,而無須查看龐大的類神經網路,故給予程式設計人員較大的方便性。
1、1’‧‧‧發電量預測系統
11‧‧‧第一類神經網路
12‧‧‧第二類神經網路
13‧‧‧第三類神經網路
2‧‧‧類神經網路
A1~A4‧‧‧區域
IND1‧‧‧第一輸入資料
IND2‧‧‧第二輸入資料
IN1~IN3‧‧‧輸入節點
HID1~HID4‧‧‧隱藏節點
OUT1~OUT3‧‧‧輸出節點
PRED1‧‧‧量值預測資料
PRED2‧‧‧發電模組參數預測資料
PRED_OUT‧‧‧發電量預測資料
S‧‧‧選定區域
S31~S72‧‧‧步驟流程
第1A圖是本發明另一實施例之由多個類神經網路組成的發電量預測系統的方塊圖。
第1B圖是本發明另一實施例之由多個類神經網路組成的發電量預測系統的方塊圖。
第2圖是本發明實施例之類神經網路的示意圖。
第3圖是本發明實施例之太陽能發電量預測方法的流程圖。
第4圖是本發明實施例之選定區域與其周圍之設施所佔之面積與形狀的示意圖。
第5圖是本發明實施例之用以計算選定區域之日射量計算資料的流程圖。
第6圖是本發明另一實施例之用以計算選定區域之日射量計算資料的流程圖。
第7圖是本發明實施例之風力發電量預測方法的流程圖。
太陽能發電量與的日射量(solar irradiance)成正比,但日射量受到空氣中的物質所影響,例如雲層、雜質等物質,因此太陽能發電量通常為間歇性且時變性的能源,無法提供穩定的電力來源。若要注入電網中而未事先預
期可能的太陽能發電量,則將容易造成電力系統不穩定,且不易有效地進行電力調配,從而增加運轉投資與操作成本。因此,需要一種能夠預測選定區域之太陽能發電量的系統與方法。
本發明實施例提供了一種由多個類神經網路組成的發電量預測系統與其方法,其可以用來預測選定區域的太陽能發電量。由多個類神經網路組成的發電量預測系統與其方法並不限定僅用於太陽能發電量的預測,更可以用於其他類型的發電量預測,例如風力發電。以太陽能發電為例,日射計可能會有衰減或重新安裝的情況,導致其獲得的日射量觀測資料會不準確。因此,在預測太陽能發電量時,需要進一步地考量日射計衰減與重新安裝的情況,並對類神經網路重新進行調校訓練。
為了避免過度耗費時間與造成程式設計人員的不方便,前述由多個類神經網路組成的發電量預測系統基本上包括至少兩個類神經網路,其分別為第一與第二類神經網路。第一類神經網路的輸出節點連接第二類神經網路的輸入節點,且第二類神經網路在計算發電量預測資料時,會將元件的衰減與重新安裝等因素考量進去。因此,在元件衰減或重新安裝導致發電量轉換曲線有所變化時,程式設計人員僅需要重新調校訓練第二類神經網路,而無須更動第一類神經網路,以減少時間的耗費與增加程式設計人員處理的方便性。
於採用太陽能發電時,上述元件例如可以是日射計或太陽能發電設備(例如,多個太陽能板形成的光電轉換模組)的一部分或全部零件。另外,於採用風力發電時,上述元件例如是風力計或風力發電設備(例如,風力發電機)的一部分或全部零件(例如,風力發電機的扇葉)。總之,只要是任何元
件在重新安裝或衰減時,會影響發電量轉換曲線的情況下,第二類神經網路可以被重新調校訓練。
請參照第1A圖,第1A圖是本發明另一實施例之由多個類神經網路組成的發電量預測系統的方塊圖。發電量預測系統1’包括多個類神經網路,其分別為第一類神經網路11與第二類神經網路12,其中第一類神經網路11的輸出節點連接第二類神經網路12的輸入節點。發電量預測系統1’可以用於風力發電系統之選定區域的發電量預測,且本發明不以此為限制,亦即,還可以用於其他發電系統之選定區域的發電量預測。除此之外,發電量預測系統1’由計算裝置以軟體來實現,或者可以特定硬體電路來實現,且本發明不以此為限制。
請參照第1B圖,第1B圖是本發明另一實施例之由多個類神經網路組成的發電量預測系統的方塊圖。發電量預測系統1包括多個類神經網路,其分別為第一類神經網路11、第二類神經網路12與第三類神經網路13,其中第一類神經網路11與第三類神經網路13的輸出節點連接第二類神經網路12的輸入節點。發電量預測系統1可以用於太陽能發電系統之選定區域的發電量預測,且本發明不以此為限制,亦即,還可以用於其他發電系統之選定區域的發電量預測。
除此之外,發電量預測系統1由計算裝置以軟體來實現,或者可以特定硬體電路來實現,且本發明不以此為限制。
接著,請參照第2圖,第2圖是本發明實施例之類神經網路的示意圖。上述第1A與1B圖中的第一至第三類神經網路11~13可以透過第2圖的類神經網路2來實現,類神經網路2包括多個輸入節點IN1~IN3、多個隱藏節點HID1~HID4與多個輸出節點OUT1~OUT3。多個輸入節點IN1~IN3連接多個隱藏節點HID1~HID4,以及多個隱藏節點HID1~HID4連接多個輸出節點OUT1~OUT3。多個輸入節點IN1~IN3用以接收輸入資料,多個輸出節點OUT1~OUT3
用以輸出處理後的資料,以及多個隱藏節點HID1~HID4具有激勵函數,而可用以對資料進行處理。
在此請注意,雖然於此實施例中,隱藏節點HID1~HID4僅有一層,但本發明不以此為限。第2圖的類神經網路之架構僅是一種例示性的類神經網路,本發明所屬技術領域具有通常知識者當知,第2圖的類神經網路之架構並非用以限制上述第1圖中的第一至第三類神經網路11~13。
請繼續參照第1A圖。於第1A圖中,第一類神經網路11的輸入節點會接收第一輸入資料IND1,第一類神經網路11的隱藏節點會對第一輸入資料IND1進行處理,以產生量值預測資料PRED1,以及第一類神經網路11的輸出節點會輸出量值預測資料PRED1。在此請注意,第一輸入資料IND1包括任何會影響量值預測資料PRED1的資料,且量值預測資料PRED1可以用來決定發電量預測資料PRED_OUT。
更進一步地,發電量預測資料PRED_OUT中的不同時間點(例如,領先1到48小時,但不以此為限制)的多個預測發電量主要由量值預測資料PRED1中的不同時間點(例如,領先1到48小時,但不以此為限制)的多個預測量值決定。於風力發電的情況下,第一輸入資料IND1包括氣象資料與風量觀測資料,量值預測資料PRED1包括風量預測資料(亦即,預測量值是預測風量預測值),以及發電量預測資料PRED_OUT為風力發電量預測資料。
第二類神經網路12的輸入節點會接收量值預測資料PRED1,第二類神經網路12的隱藏節點會對量值預測資料PRED1進行處理,以產生發電量預測資料PRED_OUT,以及第二類神經網路12的輸出節點會輸出發電量預測資料PRED_OUT,以使電網中的調配端依據發電量預測資料PRED_OUT來調配各發電端的電力。
在此請注意,發電系統中的某些元件在隨時間衰減或重新安裝後,可能會導致發電模組之發電量與量值、發電模組參數之間的關係式有所改變(亦即,發電量轉換曲線有所改變),因此,需要對發電模組之發電量與量值、發電模組參數之間的關係式進行修正調整(亦即,修正調整發電量轉換曲線)。於本發明實施例中,第二類神經網路12考量了某些元件在隨時間衰減或重新安裝的因素,因此第二類神經網路12訓練學習出的近似函數可以建立出發電模組之發電量與量值、發電模組參數之間的精確關係式(換言之,可以透過重新調校第二類神經網路12來產生正確的發電量轉換曲線)。
由於,發電量預測系統1’由不至於太龐大的第一與第二類神經網路11、12組成,且僅在某些元件在隨時間衰減或重新安裝時,才需要對有第二類神經網路12重新進行調校訓練,以更新發電模組之發電量與量值、發電模組參數之間的精確關係式,因此,相較於傳統僅用一個類神經網路來實現的發電量系統來說,發電量預測系統1’可以減少程式設計人員在重新進行調校訓練所耗費的時間,且可以增加程式設計人員的方便性。
在此請注意,當上述發電系統是風力發電系統時,上述會隨時間衰減或需重新安裝的元件可以是風力計。由於風力計重新安裝或衰減時,量測出來的風量觀測資料可能會與未衰減或重新安裝時不同,因此,需要對第二類神經網路12重新進行調校訓練,從而調整發電模組之發電量與風量之間的關係式。
簡單地說,於風力發電的情況下,上述發電量轉換曲線為風速與發電量之間的關係曲線,且在風力計有所衰減時,風速與發電量之間的關係曲線會有變化,因此需要進一步地重新調校第二類神經網路12。當然,如前面所
述,風速與發電量之間的關係曲線也可能是在風力發電機之一部分或全部零件重新安裝或衰減時,會有所改變,故此時,也需要進一步地重新調校第二類神經網路12。
請繼續參照第1B圖,相較於第1A圖,第1B圖的發電量預測系統更多了第三類神經網路13。第1B圖的第一類神經網路11的功能相同於第1A圖得第一類神經網路11的功能,故不贅述。於太陽能發電的情況下,第1B圖中的第一輸入資料IND1包括氣象資料、日射量觀測資料與選定區域的日射量計算資料,量值預測資料PRED1包括日射量預測資料(亦即,預測量值是日射量預測值),以及發電量預測資料PRED_OUT為太陽能發電量預測資料。
於第1B圖,第三類神經網路13的輸入節點會接收第二輸入資料IND2,第三類神經網路13的隱藏節點會對第二輸入資料IND2進行處理,以產生發電模組參數預測資料PRED2,以及第三類神經網路13的輸出節點會輸出發電模組參數預測資料PRED2。在此請注意,第二輸入資料IND2包括任何會影響發電模組參數預測資料PRED2的資料,且發電模組參數預測資料PRED2可以用來修正發電量預測資料PRED_OUT。
更進一步地,發電量預測資料PRED_OUT中的不同時間點的多個預測發電量會被發電模組參數預測資料PRED2中的不同時間點(例如,領先1到48小時,但不以此為限制)的多個模組參數預測值所影響,但是影響的程度不及於前述的多個預測量值。因此,發電模組參數預測資料PRED2可以用來修正發電量預測資料PRED_OUT。於太陽能發電的情況下,第二輸入資料IND2包括氣象資料與溫度觀測資料,發電模組參數預測資料PRED2包括溫度預測資料(亦即,模組參數預測值是溫度預測值)。
當上述發電系統是太陽能發電系統時,上述會隨時間衰減或需重新安裝的元件可以是日射計。由於日射計重新安裝或衰減時,量測出來的日射量觀測資料可能會與未衰減或重新安裝時不同(亦即,會使發電量轉換曲線有所改變),因此,需要對第二類神經網路12重新進行調校訓練,從而調整發電模組之發電量與日射量、溫度之間的關係式(亦即,調整發電量轉換曲線)。
簡單地說,於太陽能發電的情況下,上述發電量轉換曲線為日射量與發電量之間的關係曲線,且在日射計有所衰減時,日射量與發電量之間的關係曲線會有變化,因此需要進一步地重新調校第二類神經網路12。當然,如前面所述,日射量與發電量之間的關係曲線也可能是在太陽能發電設備之一部分或全部零件重新安裝或衰減時,會有所改變,故此時,也需要進一步地重新調校第二類神經網路12。
接著,請參照第3圖,第3圖是本發明實施例之太陽能發電量預測方法的流程圖。此實施例的太陽能發電量預測方法係由上述第1B圖之發電量預測系統來實現,且包括如下的步驟。首先,於步驟S31中,第一類神經網路接收相關於日射量預測的第一輸入資料,並據此產生日射量預測資料,其中相關於日射量預測的第一輸入資料包括氣象資料、日射量觀測資料與選定區域的日射量計算資料。
上述氣象資料包括氣象雲圖資訊、溫度資訊與天氣資訊等,而日射量觀測資料包括選定區域內之各設施的日射量觀測值,例如,日射計直接量測的日射量觀測值、透過已知的發電端之發電量回推的日射量觀測值與氣象站依據輻射量算出的日射量觀測值等。另外,選定區域的日射量計算資料包括根據日射量觀測資料之多個日射量觀測值所計算出來之選定區域的日射量計算值,其計算方式可參照本案第4至6圖之說明,在此先略過不提。
接著,在步驟S32中,第三類神經網路接收相關於溫度預測的第二輸入資料,並據此產生溫度預測資料,其中相關於溫度預測的第二輸入資料包括氣象資料與溫度觀測資料。上述溫度觀測資料可以是選定區域之各設施的溫度觀測值,例如日射計、已知發電端或氣象站的溫度觀測值。太陽能發電模組的發電量大致上會與日射量呈現正相關,但是因為溫度的影響,轉換效率可能會有變化。因此,需要獲得溫度預測資料來修正發電量預測資料。
然後,在步驟S33中,第二類神經網路接收日射量預測資料與溫度預測資料,並據此產生發電量預測資料。另外,如前面所述,第二類神經網路的用以產生發電量預測資料的關係式僅有在日射計或太陽能發電設備的一部或或全部衰減或重新安裝時,才需要修正調整(亦即,重新校正訓練第二類神經網路)。
接著,請參照第4圖,第4圖是本發明實施例之選定區域與其周圍之太陽能設施所佔之面積與形狀的示意圖。選定區域S可以由系統自行選定或由調配端來選擇,選定區域S於此實施例中為圓形。選定區域S內的太陽能設施是指選定區域S有重疊之區域A1~A4的太陽能設施。於此實施例中,區域A1~A4內的太陽能設施可以是已知的太陽能發電端、氣象站或日射計,且本發明並不以此為限制。
接著,請同時參照第4圖與第5圖,第5圖是本發明實施例之用以計算選定區域之日射量計算資料的流程圖。首先,在步驟S51中,決定一選定區域的形狀、大小與位置(包括經度與緯度,甚至包括高度),例如透過調配端之用戶的操作決定選定區域S。在此請注意,上述決定一選定區域的形狀、大小與位置亦可以是由計算裝置自動決定,而非用用戶操作而決定。
然後,在步驟S52中,搜尋出選定區域S內已知的太陽能設施(例如,區域A1~A4的太陽能設施)的參考參數,並獲得選定區域S內已知的太陽
能設施的位置與有效範圍,其中上述參考參數可以是區域內已知之日射計的日射量、太陽能發電端的太陽能發電量、氣象站的輻射量與氣象站的氣象資料(例如,衛星雲圖)。
之後,在步驟S53中,依據所述選定區域S內的各已知太陽能設施的參考參數得到各已知太陽能設施的日射量觀測資料,也就是獲得區域A1~A4的日射量觀測資料。接著,在步驟S54中,計算選定區域S內之各已知太陽能設施的有效範圍與選定區域S的重疊面積,亦即計算各區域A1~A4與選定區域S的重疊面積。
接著,在步驟S55中,依據選定區域S內各已知太陽能設施的有效範圍(區域A1~A4)與選定區域S的重疊面積計算各已知太陽能設施的權重Wi=Oi/(O1+O2+O3+O4),其中Oi為區域Ai與選定區域S的重疊面積,i為1至4的整數。之後,在步驟56中,依據選定區域S內各已知太陽能設施的權重Wi與日射量觀測資料Ii(區域Ai的日射量觀測資料),計算出選定區域之日射量計算資料Is,其中Is=W1×I1+W2×I2+W3×I3+W4×I4。
接著,請同時參照第4圖與第6圖,第6圖是本發明另一實施例之用以計算選定區域之日射量計算資料的流程圖。不同於第5圖,第6圖用來計算選定區域之日射量計算資料的方法更考慮了區域S的位置(經度、緯度與高度,且特別是高度),並且根據選定區域S的高度來校正日射量觀測資料Ii,並根據校正後的日射量觀測資料Ii來計算選定區域S之日射量計算資料Is。
步驟S61~S63與第5圖之步驟S51~S53相同,故不再贅述。在步驟S64中,依據選定區域S內各已知太陽能設施的位置與選定區域S之位置來校正選定區域S內各已知太陽能設施的日射量觀測資料。一般來說,選定區域S與區域A1~A4的經度與緯度差異不至於會影響選定區域S之日射量計算資料Is,但是
區域A1~A4之日射計、太陽能發電端或氣象站的高度可能與選定區域S的高度不同,故需要對日射量觀測資料Ii校正。
步驟S65與S66相同於第5圖之步驟S54與S55相同,故不再贅述。
接著,在步驟S67中,依據選定區域S內各已知太陽能設施的權重Wi與校正後的日射量觀測資料Ii’,計算出選定區域之日射量計算資料Is,其中Is=W1×I1’+W2×I2’+W3×I3’+W4×I4’。在此請注意,上述計算選定區域S的日射量計算資料Is的兩實施例僅是本發明的其中兩種實現方式,其並非用以限制本發明。
本案的發電量預測方法除了用以預測太陽能發電量之外,更能用來預測風力發電量。請參照第7圖,第7圖是本發明實施例之風力發電量預測方法的流程圖。此實施例的風力發電量預測方法係由上述第1A圖之發電量預測系統來實現,且包括如下的步驟。於步驟S71中,第一類神經網路接收相關於風量預測的第一輸入資料,並據此產生風量預測資料,其中相關於風量預測的第一輸入資料包括氣象資料與風量觀測資料。
上述氣象資料包括風向與風速等,而風量觀測資料包括選定區域內之各設施的風量觀測值,例如,風力計直接量測的風量觀測值與透過已知的發電端之發電量回推的風量觀測值。
然後,在步驟S72中,第二類神經網路接收風量預測資料,並據此產生發電量預測資料。另外,如前面所述,第二類神經網路的用以產生發電量預測資料的關係式在風力計或風力發電機的一部分或全部零件衰減或重新安裝時,會進行修正調整(亦即,重新校正訓練第二類神經網路)。
在此請注意,上述發電量預測方法與系統雖以太陽能發電或風力發電為例說明,但本發明並不限定於此。再者,雖然上述以風力計與日射計的衰減或重新安裝來說明其會影響用以產生發電量預測資料的關係式,但是本發
明不限定於此。其他因衰減或重新安裝之元件會影響用以產生發電量預測資料的關係式者(亦即,重新安裝或有衰減會導致發電量轉換曲線改變的元件者),亦可以考量於第二類神經網路,亦即,上述其他元件在衰減或重新安裝時,可以透過重新調校訓練第二類神經網路,來調整校正用以產生發電量預測資料的關係式。
總而言之,本發明實施例提供了一種由多個類神經網路組成的發電量預測系統與其方法,其中一個類神經網路在計算發電預測資料時,其內部的權重值會相關於某個元件衰減或重新安裝的因素,以使此類神經網路計算發電量預測資料的關係式是正確的。如此,在元件衰減或重新安裝時,僅需要重新調教訓練一個類神經網路,而無須對全部的類神經網路重新進行調校訓練。換言之,上述發電量預測系統與其方法具有能夠減少程式設計師在重新進行調校訓練類神經網路所耗費的時間,且可以給予程式設計師更多的方便性。
Claims (12)
- 一種由多個類神經網路組成的發電量預測系統,包括:一第一類神經網路,接收一第一輸入資料,並據此產生一量值預測資料,其中該第一輸入資料包括一氣象資料,該第一輸入資料用於決定該量值預測資料,且該量值預測資料用於決定一發電量預測資料;一第二類神經網路,其連接該第一類神經網路,接收該量值預測資料,並據此計算出該發電量預測資料;以及一第三類神經網路,其連接該第二類神經網路,接收一第二輸入資料,並據此產生一發電模組參數預測資料,其中該第二輸入資料用於決定該發電模組參數預測資料,且該發電模組參數預測資料用於修正該發電量預測資料;其中該第二類神經網路更接收該發電模組參數預測資料,且該第二類神經網路根據該量值預測資料與該發電模組參數預測資料計算出該發電量預測資料;其中於一選定區域中之一元件衰減或重新安裝而影響該發電量轉換曲線時,該第二類神經網路重新進行調校訓練以更新該近似函數。
- 如申請專利範圍第1項所述之發電量預測系統,其中該選定區域係以太陽能發電,該第一輸入資料包括多個日射量觀測資料與該選定區域的一日射量計算資料,該第二輸入資料包括該氣象資料與多個溫度觀測資料,該發電模組參數預測資料包括一溫度預測資料,以及該元件為一日射計或一太陽能發電設備的一部分或全部零件。
- 如申請專利範圍第2項所述之發電量預測系統,其中計算該日射量計算資料包括:決定該選定區域的形狀、大小與位置;搜尋出該選定區域內各已知的太陽能設施的多個參考參數,並獲得該選定區域內各該已知的太陽能設施的位置與有效範圍;依據該選定區域內的各該已知太陽能設施的參考參數得到各該已知太陽能設施的日射量觀測資料;計算該選定區域內之各該已知太陽能設施的有效範圍與該選定區域的重疊面積;依據該選定區域內之各該已知太陽能設施的有效範圍與該選定區域的重疊面積計算各已知太陽能設施的權重;以及依據該選定區域內各該已知太陽能設施的權重與日射量觀測資料,計算出該選定區域之該日射量計算資料。
- 如申請專利範圍第2項所述之發電量預測系統,其中計算該日射量計算資料包括:決定該選定區域的形狀、大小與位置;搜尋出該選定區域內各已知的太陽能設施的多個參考參數,並獲得該選定區域內各該已知的太陽能設施的位置與有效範圍;依據該選定區域內的各該已知太陽能設施的參考參數得到各該已知太陽能設施的日射量觀測資料;依據該選定區域內各該已知太陽能設施的位置與該選定區域之位置來校正該選定區域內各該已知太陽能設施的日射量觀測資料;計算該選定區域內之各該已知太陽能設施的有效範圍與該選定區域的重疊面積;依據該選定區域內之各該已知太陽能設施的有效範圍與該選定區域的重疊面積計算各已知太陽能設施的權重;以及依據該選定區域內各該已知太陽能設施的權重與校正後的日射量觀測資料,計算出該選定區域之該日射量計算資料。
- 如申請專利範圍第4項所述之發電量預測系統,其中依據該選定區域內各該已知太陽能設施的高度與該選定區域之高度來校正該選定區域內各該已知太陽能設施的日射量觀測資料。
- 如申請專利範圍第1項所述之發電量預測系統,其中該選定區域係以風力發電,該第一輸入資料包括一氣象資料與一風量觀測資料,以及該元件為一風力計或一風力發電機的一部分或全部零件。
- 一種發電量預測方法,係由多個類神經網路組成的一發電預測系統實現,包括:透過一第一類神經網路接收一第一輸入資料,並據此產生一量值預測資料,其中該第一輸入資料包括一氣象資料,該第一輸入資料用於決定該量值預測資料,且該量值預測資料用於決定一發電量預測資料;透過一第二神經網路接收該量值預測資料,並據此計算出該發電量預測資料,其中該第二類神經網路連接該第一類神經網路;以及透過一第三類神經網路接收一第二輸入資料,並據此產生一發電模組參數預測資料,其中該第三類神經網路連接該第二類神經網路,該第二輸入資料用於決定該發電模組參數預測資料,且該發電模組參數預測資料用於修正該發電量預測資料;其中,該第二類神經網路更接收該發電模組參數預測資料,且根據該量值預測資料與該發電模組參數預測資料計算出該發電量預測資料;其中於一選定區域中之一元件衰減或重新安裝而影響該發電量轉換曲線時,對該第二類神經網路重新進行調校訓練以更新該近似函數。
- 如申請專利範圍第7項所述之發電量預測方法,其中該選定區域係以太陽能發電,該第一輸入資料包括多個日射量觀測資料與該選定區域的一日射量計算資料,該第二輸入資料包括該氣象資料與多個溫度觀測資料,該發電模組參數預測資料包括一溫度預測資料,以及該元件為一日射計或一太陽能發電設備的一部分或全部零件。
- 如申請專利範圍第8項所述之發電量預測方法,其中計算該日射量計算資料包括:決定該選定區域的形狀、大小與位置;搜尋出該選定區域內各已知的太陽能設施的多個參考參數,並獲得該選定區域內各該已知的太陽能設施的位置與有效範圍;依據該選定區域內的各該已知太陽能設施的參考參數得到各該已知太陽能設施的日射量觀測資料;計算該選定區域內之各該已知太陽能設施的有效範圍與該選定區域的重疊面積;依據該選定區域內之各該已知太陽能設施的有效範圍與該選定區域的重疊面積計算各已知太陽能設施的權重;以及依據該選定區域內各該已知太陽能設施的權重與日射量觀測資料,計算出該選定區域之該日射量計算資料。
- 如申請專利範圍第8項所述之發電量預測方法,其中計算該日射量計算資料包括:決定該選定區域的形狀、大小與位置;搜尋出該選定區域內各已知的太陽能設施的多個參考參數,並獲得該選定區域內各該已知的太陽能設施的位置與有效範圍;依據該選定區域內的各該已知太陽能設施的參考參數得到各該已知太陽能設施的日射量觀測資料;依據該選定區域內各該已知太陽能設施的位置與該選定區域之位置來校正該選定區域內各該已知太陽能設施的日射量觀測資料;計算該選定區域內之各該已知太陽能設施的有效範圍與該選定區域的重疊面積;依據該選定區域內之各該已知太陽能設施的有效範圍與該選定區域的重疊面積計算各已知太陽能設施的權重;以及依據該選定區域內各該已知太陽能設施的權重與校正後的日射量觀測資料,計算出該選定區域之該日射量計算資料。
- 如申請專利範圍第10項所述之發電量預測方法,其中依據該選定區域內各該已知太陽能設施的高度與該選定區域之高度來校正該選定區域內各該已知太陽能設施的日射量觀測資料。
- 如申請專利範圍第7項所述之發電量預測方法,其中該選定區域係以風力發電,以及該第一輸入資料包括一氣象資料與一風量觀測資料,以及該元件為一風力計或一風力發電機的一部分或全部零件。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW106122361A TWI623890B (zh) | 2017-07-04 | 2017-07-04 | 由多個類神經網路組成的發電量預測系統與其方法 |
US16/027,894 US10643128B2 (en) | 2017-07-04 | 2018-07-05 | Power generation prediction system and a method thereof |
US16/720,349 US11196380B2 (en) | 2017-07-04 | 2019-12-19 | Power generation prediction system and method thereof |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW106122361A TWI623890B (zh) | 2017-07-04 | 2017-07-04 | 由多個類神經網路組成的發電量預測系統與其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI623890B true TWI623890B (zh) | 2018-05-11 |
TW201907337A TW201907337A (zh) | 2019-02-16 |
Family
ID=62951439
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW106122361A TWI623890B (zh) | 2017-07-04 | 2017-07-04 | 由多個類神經網路組成的發電量預測系統與其方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US10643128B2 (zh) |
TW (1) | TWI623890B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111008726A (zh) * | 2019-10-28 | 2020-04-14 | 武汉理工大学 | 一种电力负荷预测中类图片转换方法 |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11009536B2 (en) * | 2016-10-05 | 2021-05-18 | Telecom Italia S.P.A. | Method and system for estimating energy generation based on solar irradiance forecasting |
US11196380B2 (en) * | 2017-07-04 | 2021-12-07 | Taiwan Power Company | Power generation prediction system and method thereof |
US11521142B2 (en) * | 2018-09-13 | 2022-12-06 | International Business Machines Corporation | Predictive asset maintenance |
EP3885860B1 (en) * | 2020-03-24 | 2024-04-24 | Siemens Aktiengesellschaft | Method, computer-implemented tool and power plant control device for detecting power production degradation of solar power plants |
CN111523807B (zh) * | 2020-04-24 | 2023-04-28 | 广西电网有限责任公司崇左供电局 | 一种基于时间序列和神经网络的电能替代潜力分析方法 |
CN111723908A (zh) * | 2020-06-11 | 2020-09-29 | 国网浙江省电力有限公司台州供电公司 | 一种基于深度学习的含风电电力系统实时调度模型 |
CN114066090A (zh) * | 2021-11-25 | 2022-02-18 | 清华大学 | 温度预测模型的训练方法、预测方法、装置、设备及介质 |
CN116316609B (zh) * | 2023-04-17 | 2024-04-09 | 泰州开泰电力设计有限公司 | 基于损耗应用的电量分配系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102103164A (zh) * | 2009-12-17 | 2011-06-22 | 深圳先进技术研究院 | 太阳能光伏电池发电能力预测系统及方法 |
TW201205492A (en) * | 2010-03-19 | 2012-02-01 | Toshiba Kk | Electricity generation forecasting device and method thereof and recording medium |
CN102403927A (zh) * | 2010-09-19 | 2012-04-04 | 国立虎尾科技大学 | 辅助安装太阳能板的导引系统及其导引方法 |
TW201635224A (zh) * | 2015-03-18 | 2016-10-01 | 聖約翰科技大學 | 智慧型短期電力發電量預測方法 |
CN106372745A (zh) * | 2016-08-27 | 2017-02-01 | 山东电力工程咨询院有限公司 | 一种基于模糊ebf网络的光伏发电量预测方法 |
CN106762453A (zh) * | 2016-12-07 | 2017-05-31 | 湖北民族学院 | 具有发电量预测及跟踪控制的风力发电智能网及控制方法 |
TWI587222B (zh) * | 2016-06-29 | 2017-06-11 | 台灣電力股份有限公司 | 基於類神經網路之水庫水位預測系統及方法 |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2941328B1 (fr) * | 2009-01-19 | 2012-11-02 | Commissariat Energie Atomique | Procede de prevision de la production electrique d'un dispositif photovoltaique |
WO2011031889A1 (en) * | 2009-09-11 | 2011-03-17 | Wattminder, Inc | System for and method of monitoring and diagnosing the performance of photovoltaic or other renewable power plants |
US20120035887A1 (en) * | 2010-08-03 | 2012-02-09 | Joseph Augenbraun | Shading analysis software |
US9230219B2 (en) * | 2010-08-23 | 2016-01-05 | Institute Of Nuclear Energy Research Atomic Energy Council, Executive Yuan | Wind energy forecasting method with extreme wind speed prediction function |
US8185331B2 (en) * | 2011-09-02 | 2012-05-22 | Onsemble LLC | Systems, methods and apparatus for indexing and predicting wind power output from virtual wind farms |
US20130085885A1 (en) * | 2011-09-29 | 2013-04-04 | Neozyte | System and method for a photovoltaic plant market exchange |
US9160172B2 (en) * | 2011-10-12 | 2015-10-13 | General Electric Company | Systems and methods for adaptive possible power determinaton in power generating systems |
JP5856866B2 (ja) * | 2012-02-10 | 2016-02-10 | 株式会社日立製作所 | 太陽光発電量推定システム、装置及び方法 |
CN102628876B (zh) * | 2012-02-13 | 2013-07-31 | 甘肃省电力公司风电技术中心 | 一种包含上下游效应实时监测的超短期预测方法 |
JP5567044B2 (ja) * | 2012-02-21 | 2014-08-06 | 三菱重工業株式会社 | ウインドファームの運転方法及びウインドファームの運転制御システム |
US20140188410A1 (en) * | 2012-12-28 | 2014-07-03 | Locus Energy, Llc | Methods for Photovoltaic Performance Disaggregation |
US20140195159A1 (en) * | 2013-01-09 | 2014-07-10 | Iteris, Inc. | Application of artificial intelligence techniques and statistical ensembling to forecast power output of a wind energy facility |
CN104021424B (zh) * | 2013-02-28 | 2018-12-07 | 乌托巴斯洞察公司 | 用于预测风场中的风机的输出功率的方法和装置 |
FR3008207B1 (fr) * | 2013-07-04 | 2016-12-02 | M Et R Energies | Unite et procede de regulation energetique d'un systeme de production et de consommation electrique |
US20160190984A1 (en) * | 2014-12-29 | 2016-06-30 | Also Energy, Inc. | System and method for performance analysis and classification of losses for solar power systems |
CN104915747B (zh) * | 2015-02-03 | 2019-02-01 | 远景能源(江苏)有限公司 | 一种发电机组的发电性能评估方法及设备 |
US11334834B2 (en) * | 2016-05-23 | 2022-05-17 | General Electric Company | System and method for controlling power production from a wind farm |
US10309372B2 (en) * | 2017-05-25 | 2019-06-04 | Hitachi, Ltd. | Adaptive power generation management |
-
2017
- 2017-07-04 TW TW106122361A patent/TWI623890B/zh active
-
2018
- 2018-07-05 US US16/027,894 patent/US10643128B2/en active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102103164A (zh) * | 2009-12-17 | 2011-06-22 | 深圳先进技术研究院 | 太阳能光伏电池发电能力预测系统及方法 |
TW201205492A (en) * | 2010-03-19 | 2012-02-01 | Toshiba Kk | Electricity generation forecasting device and method thereof and recording medium |
CN102403927A (zh) * | 2010-09-19 | 2012-04-04 | 国立虎尾科技大学 | 辅助安装太阳能板的导引系统及其导引方法 |
TW201635224A (zh) * | 2015-03-18 | 2016-10-01 | 聖約翰科技大學 | 智慧型短期電力發電量預測方法 |
TWI587222B (zh) * | 2016-06-29 | 2017-06-11 | 台灣電力股份有限公司 | 基於類神經網路之水庫水位預測系統及方法 |
CN106372745A (zh) * | 2016-08-27 | 2017-02-01 | 山东电力工程咨询院有限公司 | 一种基于模糊ebf网络的光伏发电量预测方法 |
CN106762453A (zh) * | 2016-12-07 | 2017-05-31 | 湖北民族学院 | 具有发电量预测及跟踪控制的风力发电智能网及控制方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111008726A (zh) * | 2019-10-28 | 2020-04-14 | 武汉理工大学 | 一种电力负荷预测中类图片转换方法 |
CN111008726B (zh) * | 2019-10-28 | 2023-08-29 | 武汉理工大学 | 一种电力负荷预测中类图片转换方法 |
Also Published As
Publication number | Publication date |
---|---|
US20190012598A1 (en) | 2019-01-10 |
US10643128B2 (en) | 2020-05-05 |
TW201907337A (zh) | 2019-02-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI623890B (zh) | 由多個類神經網路組成的發電量預測系統與其方法 | |
Yona et al. | Determination method of insolation prediction with fuzzy and applying neural network for long-term ahead PV power output correction | |
Kudo et al. | Forecasting electric power generation in a photovoltaic power system for an energy network | |
Lappalainen et al. | Effects of irradiance transition characteristics on the mismatch losses of different electrical PV array configurations | |
Yang et al. | A novel ARX-based multi-scale spatio-temporal solar power forecast model | |
CN104701880A (zh) | 基于调峰约束的电网接纳光伏最大容量的计算方法 | |
Sahu et al. | Numerical approach to estimate the maximum power point of a photovoltaic array | |
Issaadi | Control of a photovoltaic system by fuzzy logic, comparative studies with conventional controls: results, improvements and perspectives | |
Schmelas et al. | Photovoltaics energy prediction under complex conditions for a predictive energy management system | |
Kanchana et al. | PV Power Forecasting with Holt-Winters Method | |
Zhi et al. | A physical model with meteorological forecasting for hourly rooftop photovoltaic power prediction | |
Ramaswamy et al. | Forecasting PV power from solar irradiance and temperature using neural networks | |
CN105701556A (zh) | 一种光伏电站超短时功率预测修正方法 | |
Chang et al. | Study of impact on high PV-penetrated feeder voltage due to moving cloud shadows | |
Mohanty et al. | Optimization and design of grid connected rooftop solar power plant under various operating conditions | |
Hummon et al. | Variability of photovoltaic power in the state of Gujarat using high resolution solar data | |
Lau et al. | A review on the impacts of passing-clouds on distribution network connected with solar photovoltaic system | |
Anand et al. | FPGA based substantial power evolution controlling strategy for solar and wind forecasting grid connected system | |
CN103942620A (zh) | 采用复合数据源基于径向基核函数支持向量机的风电功率短期预测方法 | |
Memmel et al. | Simulation of vertical power flow at MV/HV transformers for quantification of curtailed renewable power | |
Ibraheem et al. | Impact of photovoltaic (PV) systems on distribution networks | |
Mohanty et al. | Influence of wind speed on solar PV plant power production—prediction model using decision-based artificial neural network | |
Yagli et al. | Solar forecast reconciliation and effects of improved base forecasts | |
CN114239910A (zh) | 户用光伏的功率预测方法及装置 | |
CN103942618A (zh) | 采用复合数据源的基于自学习多项式核函数支持向量机的光伏发电功率短期预测方法 |