TWI783605B - 太陽能系統發電量預測方法 - Google Patents
太陽能系統發電量預測方法 Download PDFInfo
- Publication number
- TWI783605B TWI783605B TW110128271A TW110128271A TWI783605B TW I783605 B TWI783605 B TW I783605B TW 110128271 A TW110128271 A TW 110128271A TW 110128271 A TW110128271 A TW 110128271A TW I783605 B TWI783605 B TW I783605B
- Authority
- TW
- Taiwan
- Prior art keywords
- power generation
- curves
- daily
- solar system
- curve
- Prior art date
Links
Images
Landscapes
- Photovoltaic Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本發明係有關於一種太陽能系統發電量預測方法,主要係用於預測明日的太陽能發電量;該方法首先根據每日太陽能發電量曲線之間的相似性,分析每日太陽能發電的模式,接著計算每個模式彼此之間轉換的機率,以判斷明日可能出現的太陽能發電模式,最後將所有明日可能出現的太陽能發電模式的機率各自分別乘以該太陽能發電模式的中心曲線的值,並予以相加總合,即計算得到明日發電模式的期望值,作為明日太陽能發電量的預測值。本發明所提供的預測方法與傳統模型相比,在超過80%的測試資料都可以得到較小的誤差。
Description
本發明係有關於一種太陽能系統發電量預測方法,尤其是指一種涉及針對太陽能發電日前發電量預測的創新方法。
當併網型太陽能發電系統的數量逐漸增加,太陽能發電量的預測越來越受到重視。過去,太陽能發電預測大多仰賴數值氣象預測所提供的資訊,這導致預測誤差很大程度地受到氣象預測結果的影響,此外,當氣象預測與發電預測的時間精度不同時,氣象預測對於發電預測的準確度提升有限。
相關文章大多是針對不同天氣類型分別建立模型,再根據明日天氣預測資料選擇較適當的模型預測太陽能發電量。然而,當預測的天氣類型與實際情況相差過大時,此方法無法得到較小的預測誤差。
期刊文獻(IEEE Trans. Ind. Appl. 48.3 (2012): 1064–1069)揭示一種太陽能發電系統的發電量預測模型,係考慮四種天氣類型,分別是晴天、陰天、 雨天及濃霧,並針對這四種天氣類型分別建立support vector machine (SVM),來降低預測誤差。
期刊文獻(IEEE Transactions on Sustainable Energy, vol. 5, no. 3, pp. 917-926, July 2014)揭示的太陽能發電系統的發電量預測模型,是基於台灣的中央氣象局提供的天氣預測為每3小時1筆資料,該預測模型將上午6點到晚上8點這段時間分成5個時段,每個時段分別建立一個support vector regression (SVR),每個SVR擁有不同的參數。此外,將氣象局的天氣預測資料輸入Fuzzy system,以判斷明日可能的天氣類型,藉此來降低預測誤差。
期刊文獻(IET Gener. Transm. Distrib. 9.14 (2015): 1874–1882)揭示的太陽能發電系統的發電量預測模型,係針對台灣的中央氣象局所預測的5種天氣類型,分別建立相對應的Radial basis function neural networks (RBFNNs),這些RBFNNs的差別在於參數的數值不同。首先,利用Fuzzy system根據預測的降雨機率及最大平均溫度判斷明日最有可能的天氣類型,接著,再利用相對應的RBFNNs預測明日的太陽能發電量。
有鑑於太陽能發電量預測的重要性,發明人乃積極並致力太陽能發電量預測的研究與發展,因而開發出本發明,提供另一種更準確的預測明日的太陽能發電量的方法。
本發明之主要目的,係提供一種太陽能系統發電量預測方法,係針對太陽能系統的日前發電量進行預測的方法。
本發明之目的及功效,係由以下技術實現:
一種太陽能系統發電量預測方法,其步驟包含:
第1步驟:匯入資料;匯入一太陽能系統的發電量歷史資料,該發電量歷史資料至少包含在複數天數之中該太陽能系統於每日各時間點的發電量,以及相對應的時間標記;
第2步驟:資料前處理;包含將該發電量歷史資料轉換為二維矩陣格式,所述二維矩陣的其中一維度為每日的所述時間點,另一維度為每日的日期,首先確認每日之中的每一段所述時間點是否有一筆該發電量歷史資料,若某一天的該發電量歷史資料遺失超過一預設筆數,則該某一天的該發電量歷史資料不予考慮;以及擷取每日相同數量與相同區間時段的該發電量歷史資料,其中,先分析該發電量歷史資料中該太陽能系統每日開始發電及停止發電的時間點,找出該太陽能系統最早開始發電及最晚停止發電的時間點,並擷取每日介於這兩個時間點之間相同區間時段的該發電量歷史資料,使擷取的每日該發電量歷史資料的資料點數目一致,根據擷取的每日的資料點建構出每日發電量曲線;
第3步驟:分析每日太陽能系統發電的模式;在建構的所有所述每日發電量曲線中隨機選取預設群集數量的所述每日發電量曲線,並將選取的所述每日發電量曲線做為各個所述預設群集的中心曲線,判斷所有所述每日發電量曲線與該些所述中心曲線之間的相似性,將所述每日發電量曲線歸入相似的所述中心曲線的群集(Cluster),使同一所述群集中的各所述每日發電量曲線都是相似的;接著,計算在同一所述群集中所有所述每日發電量曲線在每個時間點發電量的平均的值,以得到所述群集的最終中心曲線,每一個所述群集的中心曲線代表一種發電模式;
第4步驟:選取一部分資料作為訓練資料;係從每一個所述群集中選取一定比例的所述每日發電量曲線作為訓練資料;
第5步驟:計算每個發電模式的轉換機率矩陣(transition probability matrix);所述轉換機率矩陣是透過馬可夫鏈來描述在今日的發電模式已知的狀況下,每個發電模式(即每個群集的中心曲線)於明日出現的機率,此矩陣如下列方程式所示:
其中,
為在今日出現發電模式i的情況下,明日出現模式j的機率,N為發電模式的數目;此矩陣的列(row)對應到今日的發電模式,而欄(column)對應的是明日的發電模式,此矩陣中的每個元素代表的是機率,每個元素的值可能為正值或零,且每一列的元素總和必須要等於1;
第6步驟:計算明日所述太陽能系統發電量的預測值;太陽能系統發電量的預測值定義為明日所述太陽能系統發電模式的期望值,如下列方程式所示:
如上所述之太陽能系統發電量預測方法,其中,第3步驟判斷所有所述每日發電量曲線與該些所述中心曲線之間的相似性時,係經由計算各所述每日發電量曲線與該些所述中心曲線之間的距離得到,相似性越高,之間的距離越小。
如上所述之太陽能系統發電量預測方法,其中,在第3步驟分析每日太陽能系統發電的模式中,係採用k平均演算法(k-means algorithm)搭配計算每一條所述每日發電量曲線與所述中心曲線之間的距離進行所述群集的分群,其程序為:
第3-1步驟:隨機選取k條所述每日發電量曲線作為k個所述群集的中心曲線;
第3-2步驟:計算每條所述每日發電量曲線與所有所述中心曲線之間的距離,並將所述每日發電量曲線分類至與一所述中心曲線之間距離相對較小的所述群集中;
第3-3步驟:重新計算所述群集的中心曲線,以更新每個所述群集的中心曲線,新的所述中心曲線為每個所述群集之所有發電量曲線的平均;
第3-4步驟:重複步驟3-2及步驟3-3,直到所述中心曲線不再變動。
如上所述之太陽能系統發電量預測方法,其中,計算各個所述每日發電量曲線與所述中心曲線之間的距離係採用歐氏距離(Euclidean distance),如下列方程式所示:
為令本發明所運用之技術內容、發明目的及其達成之功效有更完整且清楚的揭露,茲於下詳細說明之,並請一併參閱所揭之圖式及圖號:
本發明之太陽能系統發電量預測方法,依序包含以下步驟:
第1步驟:匯入資料;匯入一太陽能系統的發電量歷史資料,該發電量歷史資料至少包含在複數天數之中該太陽能系統於每日各時間點的發電量,以及相對應的時間標記;其中,在較佳實施例中該時間點為每小時,即該發電量歷史資料為每日每小時的電量資料,將時間點設為每小時的原因是因為電力公司必須根據預測資料,計算隔日每一台發電機於每一個小時的發電量。當然該時間點也可以是每15分鐘或每30分鐘,該發電量歷史資料為每日每15分鐘的電量資料或每日每30分鐘的電量資料。
第2步驟:資料前處理;包含將匯入的發電量歷史資料轉換為二維矩陣格式以及擷取每日相同數量與相同時段的該發電量歷史資料。
在將匯入的發電量歷史資料轉換為二維矩陣格式的程序中,所述二維矩陣的其中一維度為每日的時間點,另一維度日為每日的日期,首先確認每日之中的每一段所述時間點是否都有一筆該發電量歷史資料,若某一天的該發電量歷史資料遺失超過一預設筆數,則該某一天的該發電量歷史資料不予考慮;在較佳實施例中,係設定某一天的太陽能發電量資料遺失超過10筆,則這一天的太陽能發電量資料不予考慮。
在擷取每日相同數量與相同時段的該發電量歷史資料的程序中,係先分析該發電量歷史資料中該太陽能系統每日開始發電及停止發電的時間點,找出該太陽能系統最早開始發電及最晚停止發電的時間點,並擷取每日介於這兩個時間點之間相同時段的該發電量歷史資料,使擷取的每日該發電量歷史資料的資料點數目一致,根據擷取的每日的資料點建構出每日發電量曲線。
第3步驟:分析每日太陽能系統發電的模式;在第2步驟中建構的所有所述每日發電量曲線中隨機選取對應預設群集數量的所述每日發電量曲線,並將所選取的該些每日發電量曲線做為各個預設群集的中心曲線,接著判斷所有所述每日發電量曲線與該些各個預設群集的所述中心曲線之間的相似性,以將所有所述每日發電量曲線分別歸入與之相似的所述中心曲線的群集(Cluster)中,使同一所述群集中的各所述每日發電量曲線都是相似的;接著,計算在同一所述群集中所有所述每日發電量曲線在每個時間點發電量的平均的值,以得到所述群集最終的中心曲線,每一個所述群集的中心曲線各代表一種發電模式。
在較佳實施例中,判斷所有所述每日發電量曲線與該些所述中心曲線之間的相似性,係經由計算每日發電量曲線與各中心曲線之間的距離進行判斷,當每日發電量曲線與中心曲線相似性越高時,每日發電量曲線與中心曲線之間的距離越小。
其中,計算每日發電量曲線與中心曲線之間的距離係採用歐氏距離(Euclidean distance),如下列方程式所示:
以第二圖為例,線A與線B分別對應至上述方程式的
及
,兩條發電量曲線皆有14個資料點,圖中3個標示處為線A與線B兩條曲線在8時、12時及15時的發電量差異,根據上述方程式的定義可得線A與線B兩條發電量曲線的歐氏距離。
在一較佳實施例中,分析每日太陽能系統發電的模式係採用k平均演算法(k-means algorithm)搭配計算每一條所述每日發電量曲線與所述中心曲線之間的距離進行所述群集的分群,其程序為:
第3-1步驟:隨機選取k條所述每日發電量曲線作為k個所述群集的中心曲線;
第3-2步驟:計算每條所述每日發電量曲線與所有所述中心曲線之間的距離,並將所述每日發電量曲線分類至與一所述中心曲線之間距離相對較小的所述群集中;
第3-3步驟:重新計算所述群集的中心曲線,以更新每個所述群集的中心曲線,新的所述中心曲線為每個所述群集之所有發電量曲線的平均;
第3-4步驟:重複步驟3-2及步驟3-3,直到所述中心曲線不再變動,即為該群集最終的中心曲線。
第4步驟:選取一部分資料作為訓練資料;係從每一個所述群集中選取一定比例的所述每日發電量曲線作為訓練資料;在一較佳實施例中,選取訓練資料所佔的比例為70%到90%。
第5步驟:計算每個發電模式的轉換機率矩陣(transition probability matrix);所述轉換機率矩陣是透過馬可夫鏈(Markov Chain, MC)來描述不同狀態的發電模式之間的轉換過程,每一個發電模式對應到第3步驟所得到的其中一個中心曲線的群集。於是在得到每一天的太陽能系統發電模式後,便能根據前一個步驟挑選出來的訓練資料經由轉換機率矩陣計算得到明日可能會出現的太陽能系統發電模式以及出現的機率,即在今日的發電模式已知的狀況下,每個發電模式(即每個群集的中心曲線)於明日出現的機率,所述轉換機率矩陣如下列方程式所示:
其中,
為在今日出現發電模式i的情況下,明日出現模式j的機率,N為發電模式的數目,也就是第3步驟所提到的預設群集數目;此矩陣每個元素的列索引(row)對應到今日的發電模式,而欄索引(column)對應的是明日的發電模式,因此矩陣中的每個元素代表的是機率,每個元素的值可能為正值或零,且每一列的元素總和必須要等於1;因為一個事件所可能出現的所有結果的機率總和為1,舉例來說,此矩陣的第一列代表的是今日太陽能系統發電量曲線屬於模式1的事件,而明日可能出現的N個發電模式為此事件所有可能的結果。
第6步驟:計算明日所述太陽能系統發電量的預測值;太陽能系統發電量的預測值定義為明日所述太陽能系統發電模式的期望值,如下列方程式所示:
其中
為明日太陽能發電量的預測值,
為已知今日出現發電模式k的情況下,明日出現發電模式j的機率,
為對應到所述發電模式j的中心曲線。也就是說
對應到第3步驟中的方程式的矩陣之第k列的第j個元素,而
為第3個步驟的結果。
以下透過具體的實施例驗證本發明之預測方法的可行性與實用性。
此案例為裝設在雲林的太陽能系統,取用該太陽能系統2019年每一個小時的發電量數據。
第1步驟:首先匯入該太陽能系統2019年365天當中的每一個小時發電量以及相對應的時間標記的發電量歷史資料。
第2步驟:將匯入的發電量歷史資料轉換為二維矩陣格式,接著在365天當中擷取每日相同數量與相同時段的發電量歷史資料。由於其中10天其每日的發電量歷史資料不足10個資料點(即10筆),故在此實施例中僅分析剩餘355天的發電量歷史資料。分析355天的發電量歷史資料,可以發現該太陽能系統在355天當中開始發電及停止發電的時間點,由第三圖的統計可以清楚看到該太陽能系統最早從早上5點開始發電,最晚到晚上7點停止發電,因此,再從355天的發電量歷史資料中擷取每日早上5點到晚上6點的每一小時的發電量歷史資料做為分析數據。
第3步驟:為分析每日太陽能發電的模式。首先設定分群的群集數目,以本實施例係設定20個群集,故從第2步驟選取之各太陽能系統每日發電量曲線(共355條)中隨機挑選20條分別做為20個群集的中心曲線,接著逐一將剩餘的335條太陽能系統每日發電量曲線與20條中心曲線進行相似度比較,即計算335條太陽能系統每日發電量曲線與20條中心曲線間的歐氏距離,歐氏距離越小表示二曲線之間越相似,將該些335條太陽能系統每日發電量曲線分別列入與其最相似的中心曲線的群集中,而每一個群集各代表一種發電模式,如第四圖(a)、(b)所示,為經第2步驟選取之分析數據中的其中3天的太陽能系統每日發電量曲線,從第四圖(a)、(b)可以發現,第26天及第102天的發電量曲線較不相似,兩條曲線之間的歐氏距離為150.66 kW,而第26天及第30天的發電量曲線較相似,歐氏距離為50.34 kW,假設第30天及第102天的發電量曲線被隨機選取為二群集的中心曲線,則第26天的發電量曲線因與第30天的發電量曲線較相似,因此第26天的發電量曲線會被列入第30天的發電量曲線的群集中。
如第五圖(a)~(t)為355條太陽能系統每日發電量曲線被分成20個群集的結果。在完成群集的分群後,計算在同一群集中所有每日發電量曲線在每個時間點發電量的平均的值,以得到該群集最終的中心曲線,每一個群集的中心曲線各代表一種發電模式,第五圖(b)中各模式中的虛線即代表該模式(群集)的中心曲線。從第五圖(a)~(t)可以看到,群集2(如第五圖(b))及群集5(如第五圖(e))的發電模式(中心曲線)相差甚遠;群集7(如第五圖(g))和群集8(如第五圖(h))的發電模式很相似,但是群集7的發電量曲線偏右,群集8的發電量曲線偏左,因此,這兩個群集應該被視為兩種不同的發電模式。
第4步驟:選取一部分資料作為訓練資料。在此案例中,每一個群集中80%的資料會被選為訓練資料,剩餘的20%的資料可以被用來作為驗證本方法預測發電量準確性是否優良的測試資料,以本實施例所有選取的355條每日發電量曲線,取80%共計277條每日發電量曲線被選為訓練資料,剩下20%共計78條每日發電量曲線被選為測試資料。(其中,每個群集的每日發電量曲線數目乘以80%所得到的結果可能出現小數點,所以在本實施例中採取無條件捨去的方式決定每個群集選為訓練資料的每日發電量曲線數目,最後得到的訓練資料共277條每日發電量曲線,佔所有每日發電量曲線數目約78%)
第5步驟:為計算每個發電模式的轉換機率矩陣。即將被選取的訓練資料透過馬可夫鏈(Markov Chain, MC)轉換機率矩陣進行20個群集之間不同狀態發電模式之間轉換的機率,其公式如下:
第六圖(a)~(t)為20個群集之間不同發電模式轉換時的機率,其中從第六圖(a)可以發現,若已知今日的太陽能系統發電為第1種模式(群集1),明日可能出現的發電模式有:模式2、4、5、13、14、16,其中模式2、4、5、13、14、16出現的機率皆為0.166。由第六圖(g)可以知悉,若今日太陽能系統發電為第7種模式(群集7),則明日可能出現的發電模式有:模式2、3、4、6、12、13、14、16、18、20,其中模式12、18出現的機率為0.166、模式2、3、4、6、13、14、16、20出現的機率皆為0.083。
第6步驟:計算明日太陽能系統發電量的預測值;根據第3步驟與第5步驟之結果代入下式便能得到明日太陽能系統發電量的預測值。
假設今日的發電模式為模式1,對應到該發電模式1的中心曲線,同時明日可能會出現的發電模式為模式2、4、5、13、14、16,模式2、4、5、13、14、16出現的機率皆為0.166,根據[0079]的方程式,將模式2、4、5、13、14、16的中心曲線上同一時間點上的資料點乘上機率0.166後相加,即可得到明日該時間點的太陽能系統發電量的預測值,當將模式2、4、5、13、14、16的中心曲線上的每一個資料點完成計算後,便能得到明日太陽能系統從開始發電到停止發電各時間點的發電量的預測值。在本實施例中,每個模式的中心曲線包含14個資料點,明日太陽能系統發電量的預測值亦為包含14個資料點的1條曲線,以下僅列出該預測值的第一個資料點的計算過程,其他13個資料點以此類推。
(其中,
分別代表模式2、4、5、13、14、16的中心曲線上的第一個資料點,其值分別為2.0109 kW、0.0785 kW、0.0412 kW、1.1752 kW、0.2694 kW、2.9445 kW)
在本實施例中,利用以下兩個誤差比較本發明所提出的預測方法與傳統方法的差異:
其中
為明日太陽能發電量的實際值,
為明日太陽能系統發電量的預測值,
為太陽能系統的額定功率。第七圖為本發明所提出的預測方法與傳統方法(前饋式類神經網路,Feed-Forward Neural Network)在78筆測試資料得到的誤差,本發明所提出的預測方法在其中65筆測試資料得到比傳統方法小的誤差。
接下來,挑選其中4筆測試資料,展現本發明所提出的預測方法比傳統方法更好的性能,這四筆資料分別對應到1個季節的其中1天,此案例的季節定義如下
Spring(春):3、4、5月
Summer(夏):6、7、8月
Autumn(秋):9、10、11月
Winter(冬):12、1、2月
表1為本發明所提出的預測方法與傳統方法於上述每個季節中的其中1天得到的誤差,從表1可以發現,本發明所提出的預測方法可以得到較小的MAE及MRE。此外,第八圖為本發明所提出的預測方法與傳統方法所得到的太陽能發電預測值,從第八圖可以發現,本發明的預測方法所產生的預測值較接近實際值。
4/5 (Spring) | 7/25 (Summer) | 10/8 (Autumn) | 12/5 (Winter) | ||
MAE (kW) | MC 本發明 | 9.6026 | 17.5790 | 9.3330 | 30.3886 |
FFNN | 13.4594 | 30.8625 | 12.7403 | 39.7078 | |
MRE (%) | MC | 4.8013 | 8.7895 | 4.6665 | 15.1943 |
FFNN | 6.7297 | 15.4313 | 6.3702 | 19.8539 |
表1 本發明所提出的預測方法與傳統方法於春、夏、秋、冬每個季節中的其中1天得到的誤差
以上所舉者僅係本發明之部份實施例,並非用以限制本發明,致依本發明之創意精神及特徵,稍加變化修飾而成者,亦應包括在本專利範圍之內。
綜上所述,本發明實施例確能達到所預期之使用功效,又其所揭露之具體技術手段,不僅未曾見諸於同類產品中,亦未曾公開於申請前,誠已完全符合專利法之規定與要求,爰依法提出發明專利之申請,懇請惠予審查,並賜准專利,則實感德便。
無
第一圖:本發明之太陽能系統發電量預測方法的流程圖
第二圖:二條不同的太陽能系統發電量曲線示意圖(縱軸代表太陽能系統發電量,橫軸代表每天的時間)
第三圖:(a)本發明之實施例中的太陽能系統每日開始發電的時間點統計圖;(b)本發明之實施例中的太陽能系統每日停止發電的時間點統計圖(縱軸代表每天的時間,橫軸代表天)
第四圖:(a)經第2步驟選取之分析數據中的第26天及第102天的太陽能系統每日發電量曲線圖;(b)經第2步驟選取之分析數據中的第26天及第30天的太陽能系統每日發電量曲線圖(縱軸代表太陽能系統發電量,橫軸代表每天的時間)
第五圖:(a)~(t)本發明之實施例中的20種群集(太陽能系統發電模式,每一群集的縱軸代表太陽能系統發電量,橫軸代表每天的時間)
第六圖:(a)~(t)本發明之實施例中在已知今日太陽能系統發電模式而明日可能出現太陽能系統發電模式的對應機率圖(縱軸代表機率,橫軸代表明日可能出現的群集)
第七圖:本發明之方法與傳統方法的(a)MAE(縱軸代表誤差發電量,橫軸代表測試天數)及(b)MRE誤差比較圖(縱軸代表誤差發電量百分比,橫軸代表測試天數)
第八圖:在4月5日、7月25日、10月8日、12月5日4天中本發明之方法與傳統方法的預測值與太陽能系統發電實際值的曲線圖(縱軸代表太陽能系統發電量,橫軸代表時間)
Claims (6)
- 一種太陽能系統發電量預測方法,其步驟包含: 第1步驟:匯入資料;匯入一太陽能系統的發電量歷史資料,該發電量歷史資料至少包含在複數天數之中該太陽能系統於每日各時間點的發電量,以及相對應的時間標記; 第2步驟:資料前處理;包含將該發電量歷史資料轉換為二維矩陣格式,所述二維矩陣的其中一維度為每日的所述時間點,另一維度為每日的日期,首先確認每日之中的每一段所述時間點是否有一筆該發電量歷史資料,若某一天的該發電量歷史資料遺失超過一預設筆數,則該某一天的該發電量歷史資料不予考慮;以及擷取每日相同數量與相同區間時段的該發電量歷史資料,其中,先分析該發電量歷史資料中該太陽能系統每日開始發電及停止發電的時間點,找出該太陽能系統最早開始發電及最晚停止發電的時間點,並擷取每日介於這兩個時間點之間相同區間時段的該發電量歷史資料,使擷取的每日該發電量歷史資料的資料點數目一致,根據擷取的每日的資料點建構出每日發電量曲線; 第3步驟:分析每日太陽能系統發電的模式;在建構的所有所述每日發電量曲線中隨機選取預設群集數量的所述每日發電量曲線,並將選取的所述每日發電量曲線做為各個所述預設群集的中心曲線,判斷所有所述每日發電量曲線與該些所述中心曲線之間的相似性,將所述每日發電量曲線歸入相似的所述中心曲線的群集(Cluster),使同一所述群集中的各所述每日發電量曲線都是相似的;接著,計算在同一所述群集中所有所述每日發電量曲線在每個時間點發電量的平均的值,以得到所述群集的最終中心曲線,每一個所述群集的中心曲線代表一種發電模式; 第4步驟:選取一部分資料作為訓練資料;係從每一個所述群集中選取一定比例的所述每日發電量曲線作為訓練資料; 第5步驟:計算每個發電模式的轉換機率矩陣(transition probability matrix);所述轉換機率矩陣是透過馬可夫鏈來描述在今日的發電模式已知的狀況下,每個發電模式(即每個群集的中心曲線)於明日出現的機率,此矩陣如下列方程式所示: ; , ; 其中, 為在今日出現發電模式i的情況下,明日出現模式j的機率,N為發電模式的數目;此矩陣的列(row)對應到今日的發電模式,而欄(column)對應的是明日的發電模式,此矩陣中的每個元素代表的是機率,每個元素的值可能為正值或零,且每一列的元素總和必須要等於1; 第6步驟:計算明日所述太陽能系統發電量的預測值;太陽能系統發電量的預測值定義為明日所述太陽能系統發電模式的期望值,如下列方程式所示: ; 其中 為明日太陽能發電量的預測值, 為已知今日出現發電模式k的情況下,明日出現發電模式j的機率, 為對應到所述發電模式j的中心曲線。
- 如請求項1所述之太陽能系統發電量預測方法,其中,第3步驟判斷所有所述每日發電量曲線與該些所述中心曲線之間的相似性時,係經由計算各所述每日發電量曲線與該些所述中心曲線之間的距離得到,相似性越高,之間的距離越小。
- 如請求項1所述之太陽能系統發電量預測方法,其中,在第3步驟分析每日太陽能系統發電的模式中,係採用k平均演算法(k-means algorithm)搭配計算每一條所述每日發電量曲線與所述中心曲線之間的距離進行所述群集的分群,其程序為: 第3-1步驟:隨機選取k條所述每日發電量曲線作為k個所述群集的中心曲線; 第3-2步驟:計算每條所述每日發電量曲線與所有所述中心曲線之間的距離,並將所述每日發電量曲線分類至與一所述中心曲線之間距離相對較小的所述群集中; 第3-3步驟:重新計算所述群集的中心曲線,以更新每個所述群集的中心曲線,新的所述中心曲線為每個所述群集之所有發電量曲線的平均; 第3-4步驟:重複步驟3-2及步驟3-3,直到所述中心曲線不再變動。
- 如請求項4所述之太陽能系統發電量預測方法,其中,在第1步驟中所述每日各時間點的發電量,係指每日每一小時的發電量。
- 如請求項4所述之太陽能系統發電量預測方法,其中,在第4步驟中,係從每一個所述群集中選出70%至90%比例的所述每日發電量曲線作為訓練資料。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110128271A TWI783605B (zh) | 2021-08-02 | 2021-08-02 | 太陽能系統發電量預測方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110128271A TWI783605B (zh) | 2021-08-02 | 2021-08-02 | 太陽能系統發電量預測方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI783605B true TWI783605B (zh) | 2022-11-11 |
TW202307767A TW202307767A (zh) | 2023-02-16 |
Family
ID=85794420
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110128271A TWI783605B (zh) | 2021-08-02 | 2021-08-02 | 太陽能系統發電量預測方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI783605B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN203933038U (zh) * | 2014-01-13 | 2014-11-05 | 山东大学 | 离网并网混合光伏发电控制系统 |
CN105160423A (zh) * | 2015-09-14 | 2015-12-16 | 河海大学常州校区 | 一种基于马尔科夫残差修正的光伏发电预测方法 |
CN106529814A (zh) * | 2016-11-21 | 2017-03-22 | 武汉大学 | 基于Adaboost聚类和马尔科夫链的分布式光伏超短期预测方法 |
US20180203160A1 (en) * | 2017-01-18 | 2018-07-19 | Board Of Regents, The University Of Texas System | Systems and methods of hierarchical forecasting of solar photovoltaic energy production |
US20180240200A1 (en) * | 2015-09-30 | 2018-08-23 | China Electric Power Research Institute Company Limited | Method and device for modeling a long-time-scale photovoltaic output time sequence |
CN109190793A (zh) * | 2018-07-27 | 2019-01-11 | 中国电力科学研究院有限公司 | 一种基于近似周期时间序列的光伏发电功率预测方法及系统 |
TW202009803A (zh) * | 2018-08-24 | 2020-03-01 | 楊念哲 | 太陽光電發電預測系統及方法 |
-
2021
- 2021-08-02 TW TW110128271A patent/TWI783605B/zh active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN203933038U (zh) * | 2014-01-13 | 2014-11-05 | 山东大学 | 离网并网混合光伏发电控制系统 |
CN105160423A (zh) * | 2015-09-14 | 2015-12-16 | 河海大学常州校区 | 一种基于马尔科夫残差修正的光伏发电预测方法 |
US20180240200A1 (en) * | 2015-09-30 | 2018-08-23 | China Electric Power Research Institute Company Limited | Method and device for modeling a long-time-scale photovoltaic output time sequence |
CN106529814A (zh) * | 2016-11-21 | 2017-03-22 | 武汉大学 | 基于Adaboost聚类和马尔科夫链的分布式光伏超短期预测方法 |
US20180203160A1 (en) * | 2017-01-18 | 2018-07-19 | Board Of Regents, The University Of Texas System | Systems and methods of hierarchical forecasting of solar photovoltaic energy production |
CN109190793A (zh) * | 2018-07-27 | 2019-01-11 | 中国电力科学研究院有限公司 | 一种基于近似周期时间序列的光伏发电功率预测方法及系统 |
TW202009803A (zh) * | 2018-08-24 | 2020-03-01 | 楊念哲 | 太陽光電發電預測系統及方法 |
Non-Patent Citations (1)
Title |
---|
期刊 Le Yu;Xi Chen; Lei Guo Photovoltaic Power Prediction Method Based on Markov Chain and Combined Model 2021 IEEE International Conference on Power Electronics, Computer Applications (ICPECA) IEEE 2021年1月 * |
Also Published As
Publication number | Publication date |
---|---|
TW202307767A (zh) | 2023-02-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dong et al. | Wind power day-ahead prediction with cluster analysis of NWP | |
CN114792156A (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和系统 | |
WO2024051524A1 (zh) | 一种水风光发电功率联合预测方法、装置 | |
CN110717610A (zh) | 一种基于数据挖掘的风电功率预测方法 | |
CN111415049A (zh) | 一种基于神经网络及聚类的停电敏感性分析方法 | |
CN103971175A (zh) | 一种多级变电站的短期负荷预测方法 | |
CN110909958A (zh) | 一种计及光伏并网功率的短期负荷预测方法 | |
CN111525552A (zh) | 一种基于特征信息的三阶段短期风电场群功率预测方法 | |
CN115759389A (zh) | 基于天气类型的相似日组合策略的日前光伏功率预测方法 | |
CN116629416A (zh) | 光伏电站功率预测方法及装置 | |
Cattani | Combining data envelopment analysis and Random Forest for selecting optimal locations of solar PV plants | |
CN115238854A (zh) | 一种基于tcn-lstm-am的短期负荷预测方法 | |
CN108694475B (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
Park et al. | Demand power forecasting with data mining method in smart grid | |
CN110852492A (zh) | 一种基于马氏距离找相似的光伏功率超短期预测方法 | |
CN113095547A (zh) | 一种基于gra-lstm-ice模型的短期风功率预测方法 | |
TWI783605B (zh) | 太陽能系統發電量預測方法 | |
CN105760895B (zh) | 一种光伏出力波动类型的划分方法 | |
Guo et al. | A new approach for interval forecasting of photovoltaic power based on generalized weather classification | |
CN114676931B (zh) | 一种基于数据中台技术的电量预测系统 | |
Huang et al. | Photovoltaic Power Prediction Model Based on Weather Forecast | |
Chen et al. | Short-term wind power forecasting based on spatial correlation and artificial neural network | |
Huang et al. | Predicting of the short term wind speed by using a real valued genetic algorithm based least squared support vector machine | |
Sun et al. | Short-term Power Load Forecasting Based on Grey Relational Analysis and Support Vector Machine | |
Cho et al. | Application of Parallel ANN-PSO to Hourly Solar PV Estimation |