CN104573879A - 基于最优相似日集的光伏电站出力预测方法 - Google Patents

基于最优相似日集的光伏电站出力预测方法 Download PDF

Info

Publication number
CN104573879A
CN104573879A CN201510051905.6A CN201510051905A CN104573879A CN 104573879 A CN104573879 A CN 104573879A CN 201510051905 A CN201510051905 A CN 201510051905A CN 104573879 A CN104573879 A CN 104573879A
Authority
CN
China
Prior art keywords
day
similar
collection
output power
cluster
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
Application number
CN201510051905.6A
Other languages
English (en)
Other versions
CN104573879B (zh
Inventor
袁晓玲
郭宇杰
杨店飞
沈桂鹏
刘皓明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hohai University HHU
Original Assignee
Hohai University HHU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hohai University HHU filed Critical Hohai University HHU
Priority to CN201510051905.6A priority Critical patent/CN104573879B/zh
Publication of CN104573879A publication Critical patent/CN104573879A/zh
Application granted granted Critical
Publication of CN104573879B publication Critical patent/CN104573879B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于最优相似日集的光伏电站出力预测方法，包括：1）对历史数据进行异常处理；2）将天气类型、太阳辐照度作为出力水平相似日的特征向量归一化后采用聚类算法进行聚类分析，确定最终出力水平相似日集；3）选择光伏发电输出功率作为曲线形状相似日的特征向量，将其归一化后采用聚类算法进行聚类分析，求得不同聚类数目的分类结果，并确定最终曲线形状相似日集；4）根据相关系数最大原则得到预测日所属类别；5）构成最优相似集；6）将最优相似集作为输入，建立出力预测模型对预测日进行光伏功率预测。发明较精确地选择出与预测日最大相关性的历史日进行预测，简单易行，提高了光伏发电输出功率预测的准确性。

Description

基于最优相似日集的光伏电站出力预测方法
技术领域
本发明涉及一种光伏电站发电输出功率预测方法，属于光伏发电技术领域。
背景技术
人口的飞速增长带来了化石能源的急剧消耗，能源危机已经成为了各个国家共同面临的挑战，太阳能作为人类可利用的最直接最充足的清洁能源之一，具有无污染、能量充足、可利用地域范围广等优点，因此得到广泛的使用。光伏发电***通常安装在空旷的野外和屋顶，其输出功率受到天气、太阳辐照度、光伏组件温度及其他一些环境因素的影响，***输出功率随机性强、波动较大，在天气情况突变时表现的尤为突出。在这样的情况下，光伏发电***并入大电网后，必定对大电网的安全稳定运行带来一系列的影响。所以对并网光伏电站输出功率进行预测，有利于提高电网的安全性，合理制定发电计划，进行实时调度。
光伏功率预测从预测方式上可分为直接预测和间接预测。直接预测方式是直接对光伏电站的输出功率进行预测；间接预测方式首先对地表辐照强度进行预测，然后根据光伏电站出力模型得到光伏电站的输出功率。光伏功率预测从预测方法上可以分为物理方法和统计方法。物理方法将气象预测数据作为输入，采用物理方程进行预测；统计方法对历史数据进行统计分析，找出其内在规律并用于预测。常用的统计方法有：时间序列法、人工神经网络(ANN)方法、支持向量机(SVM)等。但是这些基于统计法的预测方法对相似日的选取精度都不高，很难达到理想的出力预测精度。
发明内容
本发明所要解决的技术问题是针对目前统计方法相似日的选取不够精确的缺陷，提出一种基于最优相似日集的光伏电站出力预测方法。
本发明为解决上述技术问题而采用以下技术方案：
一种基于最优相似日集的光伏电站出力预测方法，该方法包括以下步骤：
1)对历史数据进行异常数据处理，剔除异常数据；所述历史数据包括天气类型、太阳辐照度和光伏发电输出功率；
2)提取历史数据中天气类型和太阳辐照度，通过通径分析法确定其对光伏发电输出功率的影响权重，将预测日的天气类型和太阳辐照度融入历史数据中得到样本数据，利用引入加权欧氏距离的K-means聚类算法对样本数据进行聚类，根据WCBCR聚类评价指标确定出其最终出力水平相似集；
3)提取历史数据中的光伏发电输出功率，利用引入相关系数的K-means聚类算法对历史数据进行聚类，根据WCBCR聚类评价指标确定出其最优曲线形状相似日集；根据预测日与最优曲线形状相似日集聚类中心的曲线形状相似性度量值，确定其所属曲线形状相似集；
4)将出力水平相似集与曲线形状相似集的交集日作为最优相似集；
5)采用BP神经网络，将最优相似集的天气类型、太阳辐照度和光伏发电输出功率，以及预测日天气类型和太阳辐照度作为光伏发电输出功率预测模型的输入，得到预测日光伏发电输出功率。
进一步的，本发明的基于最优相似日集的光伏电站出力预测方法，步骤1)所述异常数据分为两种：一种是当太阳辐照度为零时，光伏发电输出功率不为零；另一种是太阳辐照度或光伏发电输出功率变化全为零或有激增现象。
进一步的，本发明的基于最优相似日集的光伏电站出力预测方法，步骤2)具体包括以下步骤：
201、根据通径分析法计算各特征量权值，因变量选取每天日出到日落之间各整点的光伏发电输出功率，设为P，自变量选取每天天气类型和日出到日落之间各整点的太阳辐照度，设为x0，x1，x2，…，xk；
对各变量进行归一化处理后，因变量序列为
P = p 11 p 12 . . . p 1 k p 21 p 22 . . . p 2 k . . . . . . . . . p n 1 p n 2 . . . p nk = [ p 1 ; p 2 ; . . . ; p n ]
自变量序列为
X = x 10 x 11 x 12 . . . x 1 k x 20 x 21 x 22 . . . x 2 k . . . . . . . . . . . . x n 0 x n 1 x n 2 . . . x nk
则自变量xk与因变量P直接通径系数为
E x k → p = b k Σ j = 1 n ( x jk - x ‾ ) / ( p j - p ‾ )
式中，bk为偏回归系数，表示所有样本的天气类型或日出到日落之间各整点的太阳辐照度的平均值，表示所有样本每天日出到日落之间各整点的光伏发电输出功率平均值；
202、根据上述步骤201得到的各自变量的直接通径系数，得到各自变量对因变量的影响权重θi为
θ i = | E x i → p | Σ i = 1 k | E x i → p | , i = 0,1 , . . . , k ;
203、采用K-means聚类算法根据样本数据对聚类中心欧式距离最小值原则进行聚类：
d ( C i , X j ) = ( c i 0 - x j 0 ) 2 + ( c i 1 - x j 1 ) 2 + . . . + ( c ik - x jk ) 2
式中，Ci为聚类中心；
204、将各因素权值代入，
d ( C i , X j ) = θ 0 ( c i 0 - x j 0 ) 2 + θ 1 ( c i 1 - x j 1 ) 2 + . . . + θ k ( c ik - x jk ) 2
利用引入加权欧氏距离的K-means聚类算法对样本数据进行聚类；
205、利用WCBCR聚类评价指标对聚类效果进行评价，WCBCR定义为组内距离平方和/组间距离平方和，
WCBCR = Σ L = 1 K Σ X i ∈ Ω L d 2 ( X i , W L ) / Σ 1 ≤ P ≤ Q K d 2 ( W P , W Q )
式中，K为聚类数目，WL为第L类聚类中心坐标，ΩL为第L类样本集，WP和WQ分别代表不同类别的聚类中心，d代表变量间的欧式距离；
WCBCR聚类指标值越小说明聚类效果越好，当其达到最小值时，此时的K就是最终的出力水平相似集聚类数。
进一步的，本发明的基于最优相似日集的光伏电站出力预测方法，步骤3)具体包括以下步骤：
301、采用K-means聚类算法根据历史数据对聚类中心欧式距离最小值原则进行聚类，
d ( P ai , P ci ) = ( p a 1 - p c 1 ) 2 + ( p c 2 - p c 2 ) 2 + . . . + ( p ak - p ck ) 2
式中，Pai为历史数据，Pci为聚类中心；
302、采用相关系数r代替欧式距离，
r = Σ i = 1 k ( p ai - p ‾ a ) ( p ci - p ‾ c ) Σ i = 1 k ( p ai - p ‾ a ) 2 Σ i = 1 k ( p ci - p ‾ c ) 2
式中，为历史数据平均值，为聚类中心平均值；
303、利用引入相关系数的K-means聚类算法对历史数据进行聚类，根据WCBCR聚类指标值确定最终聚类数，WCBCR值越小说明聚类效果越好，当其达到最小值时，此时的K就是历史数据的最终曲线形状相似日集聚类数，确定出最终曲线形状相似日集；
304、计算最终曲线形状相似日集所对应太阳辐照度的各聚类中心，再次利用相关系数公式得到预测日太阳辐照度与其最相似集合，即曲线形状相似集；
进一步的，本发明的基于最优相似日集的光伏电站出力预测方法，其特征在于，步骤4)具体为：
根据预测日的出力水平相似集与曲线形状相似集的交集，得到具体历史日期，将其天气类型、太阳辐照度和光伏发电输出功率提取出，为建立预测模型做准备。
进一步的，本发明的基于最优相似日集的光伏电站出力预测方法，步骤5)所述BP神经网络采用三层结构：
输入层为最优相似集每天天气类型、日出至日落之间各整点太阳辐照度和光伏发电输出功率，以及预测日天气类型和日出至日落之间各整点太阳辐照度；
输出层为预测日的日出至日落之间各整点光伏电站输出功率；
隐含层根据训练BP神经网络得到预测日输出功率，利用均方根误差对其进行效果评估：
e RMSE = 1 P 1 n Σ i = 1 n ( P i - P ^ i ) 2 ;
式中，n为输入层数，m为输出层数，a为[1，10]之间的常数；Pi为光伏电站实际输出功率，为预测输出功率，P为光伏电站额定输出功率。
本发明采用以上技术方案，与现有技术相比，具有以下技术效果：
本发明通过综合两类相似集的共同体，选出与预测日所属出力水平集和曲线形状集所构成的最优相似集，将其作为预测模型的输入，有效提高预测精度，满足工程需求。
附图说明
图1是本发明方法的流程框图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明。本技术领域技术人员可以理解的是，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
如图1所示，本发明提出一种基于最优相似日集的光伏电站出力预测方法，该方法包括以下步骤：
步骤1)、历史数据包括天气类型、太阳辐照度和光伏发电输出功率，对历史数据进行异常数据处理，其基本分为两种：一种是当辐照度为零时，光伏发电输出功率不为零；另一种是太阳辐照度或光伏发电输出功率变化过于平缓(全为零)或有激增现象，此类数据需剔除。
步骤2)、提取历史数据中天气类型和太阳辐照度，通过通径分析法确定其对光伏发电输出功率的影响权重，将预测日的天气类型和太阳辐照度融入历史数据中，利用引入加权欧氏距离的K-means聚类算法对样本数据进行聚类，根据WCBCR聚类评价指标确定出其最终出力水平相似集。其具体包括以下步骤：
根据通径分析法计算各特征量权值，因变量选取每天6点到17点各整点的输出功率为P，自变量选取每天天气类型和6点到17点各整点的太阳辐照度为x0，x1，x2，…，xk。
对各变量进行归一化处理后，因变量序列为
P = p 11 p 12 . . . p 1 k p 21 p 22 . . . p 2 k . . . . . . . . . p n 1 p n 2 . . . p nk = [ p 1 ; p 2 ; . . . ; p n ]
自变量序列为
X = x 10 x 11 x 12 . . . x 1 k x 20 x 21 x 22 . . . x 2 k . . . . . . . . . . . . x n 0 x n 1 x n 2 . . . x nk
则自变量xk与因变量P的直接通径系数为
E x k → p = b k Σ j = 1 n ( x jk - x ‾ ) / ( p j - p ‾ )
式中，bk为偏回归系数。
根据上述得到的个自变量的直接通径系数，便可得到各自变量对因变量的影响权重θi(i＝0，1，…，k)为
θ i = | E x i → p | Σ i = 1 k | E x i → p |
K-means聚类算法根据样本数据对聚类中心欧式距离最小值原则进行聚类，
d ( C i , X j ) = ( c i 0 - x j 0 ) 2 + ( c i 1 - x j 1 ) 2 + . . . + ( c ik - x jk ) 2
式中，Ci为聚类中心。
现将各因素权值代入，
d ( C i , X j ) = θ 0 ( c i 0 - x j 0 ) 2 + θ 1 ( c i 1 - x j 1 ) 2 + . . . + θ k ( c ik - x jk ) 2
利用引入加权欧氏距离的K-means聚类算法对样本数据进行聚类。
利用WCBCR聚类评价指标对聚类效果进行评价，WCBCR定义为组内距离平方和/组间距离平方和，
WCBCR = Σ L = 1 K Σ X i ∈ Ω L d 2 ( X i , W L ) / Σ 1 ≤ P ≤ Q K d 2 ( W P , W Q )
式中，K为聚类数目，WL为第L类聚类中心坐标，ΩL为第L类样本集。
WCBCR聚类指标值越小说明聚类效果越好，当其达到最小值时，此时的K就是最终的出力水平相似集聚类数。
步骤3)、提取历史数据中所述光伏发电输出功率，利用引入相关系数的K-means聚类算法对历史数据进行聚类。根据WCBCR聚类评价指标确定出其最优曲线形状相似日集；根据预测日与最优曲线形状相似日集聚类中心的曲线形状相似性度量值，确定其所属曲线形状相似集。其包括以下步骤：
K-means聚类算法根据历史数据对聚类中心欧式距离最小值原则进行聚类，
d ( P ai , P ci ) = ( p a 1 - p c 1 ) 2 + ( p c 2 - p c 2 ) 2 + . . . + ( p ak - p ck ) 2
式中，Pai为历史数据，Pci为聚类中心。
现用相关系数代替欧式距离，
r = Σ i = 1 k ( p ai - p ‾ a ) ( p ci - p ‾ c ) Σ i = 1 k ( p ai - p ‾ a ) 2 Σ i = 1 k ( p ci - p ‾ c ) 2
式中，为历史数据平均值，为聚类中心平均值。
利用引入相关系数的K-means聚类算法对历史数据进行聚类。根据WCBCR聚类指标值确定最终聚类数，WCBCR值越小说明聚类效果越好，当其达到最小值时，此时的K就是历史数据的最终曲线形状相似日集聚类数。
由于太阳辐照度与光伏电站输出功率相关性比较大，对预测日识别通过预测日太阳辐照度与最终曲线形状相似日集所对应太阳辐照度的形状相似性距离决定。
计算各历史聚类样本太阳辐照聚类中心，再次利用相关系数公式得到预测日太阳辐照与历史日曲线形状最相似集。
步骤4)、将出力水平相似集与曲线形状相似集的交集日作为最优相似集。其包括以下步骤：根据预测日的出力水平相似集与曲线形状相似集的交集，得到具体历史日期，将其天气类型、太阳辐照度和光伏发电输出功率提取出，为建立预测模型做准备。
步骤5)、采用BP神经网络，将最优相似集的天气类型、太阳辐照度和光伏发电输出功率，以及预测日天气类型和太阳辐照度作为光伏发电输出功率预测模型的输入，得到预测日光伏发电输出功率。其包括以下步骤：
BP神经网络采用三层结构，输入层为最优相似集每天天气类型、6点到17点各整点太阳辐照度和光伏发电输出功率，以及预测日天气类型和6点到17点各整点太阳辐照度；输出层为预测日光伏发电输出功率6点到17点各整点光伏电站输出功率；隐含层的确定根据
l = n + m + a
式中，n为输入层数，m为输出层数，a为[1，10]之间的常数。
利用训练后的BP神经网络进行出力预测，根据均方根误差对其进行效果评估，
e RMSE = 1 P 1 n Σ i = 1 n ( P i - P ^ i ) 2
式中，Pi为光伏电站实际输出功率，为预测输出功率，P为光伏电站额定输出功率。
下面举一个具体实施例来进一步介绍本发明的方法实现步骤：
采用本发明对某光伏电站2014年8月12日光伏发电输出功率进行预测，该方法包括以下步骤：
1)本实例的历史数据包括：天气类型，6─17时每个时刻的辐照强度，6─17时每个时刻的输出功率。异常数据处理包括两种：一种是当辐照强度为零时，光伏发电输出功率不为零。即
当I＝[0 1 77 139 222 311 260 272 207 80 111 0]时，
而P＝[0 0 0 162 466 710 2699 1319 1441 629 202 324]，
显然，在17时光伏辐照强度为零，但此时的光伏发电输出功率却不为零，此类数据必须去除。
另一种是辐照强度或输出功率变化过小或过大，即
I＝[0 0 0 0 0 0 0 0 0 0 0 0]
P＝[0 0 0 0 0 0 0 0 0 0 0 0]
各个时刻的数据都为零，显然，变化过小，不符合要求。
I＝[0 120 233 311 378 359 390 323 281 272 221 125]
P＝[0 487 1339 2577 3836 3450 3714 2679 1968 1806994 507 0]
15时的输出功率出现了激增，明显也不符合要求。此类数据也必须去除。
2)首先对天气类型进行量化，记录样本所有天气类型，计算各天气类型输出功率平均值，根据各天气平均输出功率的比例关系得到对应的量化值。根据通径分析法，因变量选取每天6点到17点各整点的输出功率为P，自变量选取每天天气类型和6点到17点各整点的太阳辐照度为X。
本样本总数为320个，因此因变量序列为320×12矩阵
P = 0 0 324 284 466 3531 3572 1258 527 730 182 0 0 0 0 162 121 771 223 466 466 588 0 0 0 0 142 182 507 507 1583 202 20 324 0 0 0 0 40 588 548 1217 1075 548 710 182 0 0 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 487 1989 3978 5419 6413 7002 7185 6738 6007 4729 2983 1197
自变量序列为320×13矩阵
X = 0.84 0 0 88 83 135 311 290 220 137 198 71 0 0.312 0 0 71 58 200 79 118 124 137 70 0 0 0.288 0 0 67 61 118 156 257 71 35 94 7 0 0.48 0 0 36 135 128 236 223 135 159 71 14 0 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.364 191 300 468 499 1001 865 870 914 867 630 518 328
对因变量序列和自变量进行归一化后，则自变量xk与因变量P的直接通径系数为13×12矩阵
E x k → p = 0.034 0.060 0.440 0.745 0.797 0.764 0.797 0.828 . . . 0.021 0.817 0.081 - 0.173 - 0.301 - 0.362 - 0.345 - 0.277 - 0.313 . . . 0.141 0.130 0.447 - 0.055 - 0.143 - 0.218 - 0.291 - 0.219 - 0.203 . . . 0.080 0.170 0.416 0.688 0.130 0.092 0.131 0.089 0.016 . . . - 0.151 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 0.531 0.567 0.394 0.341 0.316 0.269 0.279 0.308 . . . 0.836
根据上述得到的各自变量的直接通径系数，便可得到各自变量对因变量的影响权重θi(i＝0，1，…，13)为
θi＝[0.163 0.034 0.027 0.040 0.061 0.030 0.045 0.077 0.086 0.101 0.089 0.107 0.140]利用K-means聚类算法对样本数据进行聚类，此聚类算法根据样本数据对聚类中心欧式距离最小值原则进行聚类，现将各因素权值代入公式，
d ( C i , X j ) = θ 0 ( c i 0 - x j 0 ) 2 + θ 1 ( c i 1 - x j 1 ) 2 + . . . + θ 13 ( c i 13 - x j 13 ) 2
式中，Ci为聚类中心。
利用引入加权欧氏距离的K-means聚类算法对样本数据进行聚类。
根据WCBCR聚类评价指标确定出其最终出力水平相似集，聚类指标值越小说明聚类效果越好。当其达到最小值时，此时的聚类数就是最佳的出力水平相似集聚类数。当分类数为8时，其最小值为
WCBCR = Σ L = 1 8 Σ X i ∈ Ω L d 2 ( X i , W L ) / Σ 1 ≤ P ≤ Q 8 d 2 ( W P , W Q ) = 1.092
因此，最终出力水平相似聚类数为8类。
由于预测日的天气类型和各个时刻的太阳辐照度都已预测出，因此已将其与历史数据一起进行分类，此预测日所属类别为第7类。
3)利用引入相关系数的K-means聚类算法对历史数据光伏发电输出功率进行聚类。
现用相关系数代替欧式距离。
r = Σ i = 1 12 ( p ai - p ‾ a ) ( p ci - p ‾ c ) Σ i = 1 12 ( p ai - p ‾ a ) 2 Σ i = 1 12 ( p ci - p ‾ c ) 2
式中，为历史数据平均值，为聚类中心平均值。
利用引入相关系数的K-means聚类算法对历史数据进行聚类。根据WCBCR聚类评价指标确定出其最终出力水曲线形状相似集，聚类指标值越小说明聚类效果越好。当其达到最小值时，此时的聚类数就是最佳的出力水平相似集聚类数。当分类数为6时，其最小值为
WCBCR = Σ L = 1 6 Σ X i ∈ Ω L d 2 ( X i , W L ) / Σ 1 ≤ P ≤ Q 6 d 2 ( W P , W Q ) = 5.388
因此，最终出力水平相似聚类数为6类。
由于太阳辐照度与光伏电站输出功率相关性比较大，对预测日识别通过预测日太阳辐照度与最佳曲线形状相似日集所对应太阳辐照度的形状相似性距离决定。
计算个历史聚类样本太阳辐照聚类中心与预测日太阳辐照相关系数
r＝[0.061 0.034 0.038 0.033 0.036 0.008]
由计算数据可知，此预测日与第1类曲线形状最为相似，因此，第1类历史日样本集为曲线形状最相似集。
4)将出力水平相似集第7类和曲线形状相似集第1类相交，得到共同日期数据即为最优相似集，将其天气类型、太阳辐照度和光伏发电输出功率提取出，为建立预测模型做准备。
5)建立BP神经网络模型，采用三层网络结构，输入层为最优相似集每天天气类型、6点到17点各整点太阳辐照度和光伏发电输出功率，以及预测日天气类型和6点到17点各整点太阳辐照度。由于最优相似集元素个数为18，因此输入量为18×38的矩阵。
输出层为预测日光伏发电输出功率6点到17点各整点光伏电站输出功率，因此输出层节点数为12。
隐含层节点个数的确定根据公式
l = 1 + m + a
式中，n为输入层节点数，m为输出层节点数，a为[1，10]之间的常数。
计算得到隐含层节点数为8。
选用8个最优集数据训练BP神经网络得到预测模型，然后选用余下的最优集数据进行预测，得到预测光伏发电输出功率，利用均方根误差对其进行效果评估，
e RMSE = 1 P 1 n Σ i = 1 n ( P i - P ^ i ) 2 = 3.22 %
式中，Pi为光伏电站实际输出功率，为预测输出功率，P为光伏电站额定输出功率。计算得出2014年8月12日功率预测值的均方根误差为3.22％。
本发明较精确地选择出与预测日最大相关性的历史日进行预测，简单易行，提高了光伏发电输出功率预测的准确性。具体方案总结归纳包括：
1)对采集的光伏电站的历史数据进行异常数据处理，将其中的坏数据和畸变数据剔除；
2)选择采集样本的天气类型、太阳辐照度作为出力水平相似日的特征向量，将其归一化后采用聚类算法进行聚类分析，求得不同聚类数目的分类结果，通过聚类效果评价指标确定最优的聚类数，确定最终出力水平相似日集；
3)选择光伏发电输出功率作为曲线形状相似日的特征向量，将其归一化后采用聚类算法进行聚类分析，求得不同聚类数目的分类结果，通过聚类效果评价指标确定最优的聚类数，确定最终曲线形状相似日集；
4)根据相关系数最大原则得到预测日所属类别；
5)包含预测日的出力水平相似日集和曲线形状相似日集的交集构成最优相似集；
6)将最优相似集作为输入，建立出力预测模型对预测日进行光伏功率预测，并对预测结果进行评估。
以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1.一种基于最优相似日集的光伏电站出力预测方法，其特征在于，该方法包括以下步骤：
1)对历史数据进行异常数据处理，剔除异常数据；所述历史数据包括天气类型、太阳辐照度和光伏发电输出功率；
2)提取历史数据中天气类型和太阳辐照度，通过通径分析法确定其对光伏发电输出功率的影响权重，将预测日的天气类型和太阳辐照度融入历史数据中得到样本数据，利用引入加权欧氏距离的K-means聚类算法对样本数据进行聚类，根据WCBCR聚类评价指标确定出其最终出力水平相似集；
3)提取历史数据中的光伏发电输出功率，利用引入相关系数的K-means聚类算法对历史数据进行聚类，根据WCBCR聚类评价指标确定出其最优曲线形状相似日集；根据预测日与最优曲线形状相似日集聚类中心的曲线形状相似性度量值，确定其所属曲线形状相似集；
4)将出力水平相似集与曲线形状相似集的交集日作为最优相似集；
5)采用BP神经网络，将最优相似集的天气类型、太阳辐照度和光伏发电输出功率，以及预测日天气类型和太阳辐照度作为光伏发电输出功率预测模型的输入，得到预测日光伏发电输出功率。
2.根据权利要求1所述的基于最优相似日集的光伏电站出力预测方法，其特征在于，步骤1)所述异常数据分为两种：一种是当太阳辐照度为零时，光伏发电输出功率不为零；另一种是太阳辐照度或光伏发电输出功率变化全为零或有激增现象。
3.根据权利要求1所述的基于最优相似日集的光伏电站出力预测方法，其特征在于，步骤2)具体包括以下步骤：
201、根据通径分析法计算各特征量权值，因变量选取每天日出到日落之间各整点的光伏发电输出功率，设为P，自变量选取每天天气类型和日出到日落之间各整点的太阳辐照度，设为x0，x1，x2，…，xk；
对各变量进行归一化处理后，因变量序列为
自变量序列为
则自变量xk与因变量P直接通径系数为
式中，bk为偏回归系数，表示所有样本的天气类型或日出到日落之间各整点的太阳辐照度的平均值，表示所有样本每天日出到日落之间各整点的光伏发电输出功率平均值；
202、根据上述步骤201得到的各自变量的直接通径系数，得到各自变量对因变量的影响权重θi为
i＝0，1，…，k；
203、采用K-means聚类算法根据样本数据对聚类中心欧式距离最小值原则进行聚类：
式中，Ci为聚类中心；
204、将各因素权值代入，
205、利用WCBCR聚类评价指标对聚类效果进行评价，WCBCR定义为组内距离平方和/组间距离平方和，
式中，K为聚类数目，WL为第L类聚类中心坐标，ΩL为第L类样本集，WP和WQ分别代表不同类别的聚类中心，d代表变量间的欧式距离；
WCBCR聚类指标值越小说明聚类效果越好，当其达到最小值时，此时的K就是最终的出力水平相似集聚类数。
4.根据权利要求1所述的基于最优相似日集的光伏电站出力预测方法，其特征在于，步骤3)具体包括以下步骤：
301、采用K-means聚类算法根据历史数据对聚类中心欧式距离最小值原则进行聚类，
式中，Pai为历史数据，Pci为聚类中心；
302、采用相关系数r代替欧式距离，
式中，为历史数据平均值，为聚类中心平均值；
303、利用引入相关系数的K-means聚类算法对历史数据进行聚类，根据WCBCR聚类指标值确定最终聚类数，WCBCR值越小说明聚类效果越好，当其达到最小值时，此时的K就是历史数据的最终曲线形状相似日集聚类数，确定出最终曲线形状相似日集；
304、计算最终曲线形状相似日集所对应太阳辐照度的各聚类中心，再次利用相关系数公式得到预测日太阳辐照度与其最相似集合，即曲线形状相似集。
5.根据权利要求1所述的基于最优相似日集的光伏电站出力预测方法，其特征在于，步骤4)具体为：
根据预测日的出力水平相似集与曲线形状相似集的交集，得到具体历史日期，将其天气类型、太阳辐照度和光伏发电输出功率提取出，为建立预测模型做准备。
6.根据权利要求1所述的基于最优相似日集的光伏电站出力预测方法，其特征在于，步骤5)所述BP神经网络采用三层结构：
输入层为最优相似集每天天气类型、日出至日落之间各整点太阳辐照度和光伏发电输出功率，以及预测日天气类型和日出至日落之间各整点太阳辐照度；
输出层为预测日的日出至日落之间各整点光伏电站输出功率；
隐含层根据训练BP神经网络得到预测日输出功率，利用均方根误差对其进行效果评估：
式中，n为输入层数，m为输出层数，a为[1，10]之间的常数；Pi为光伏电站实际输出功率，为预测输出功率，P为光伏电站额定输出功率。
CN201510051905.6A 2015-01-30 2015-01-30 基于最优相似日集的光伏电站出力预测方法 Active CN104573879B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510051905.6A CN104573879B (zh) 2015-01-30 2015-01-30 基于最优相似日集的光伏电站出力预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510051905.6A CN104573879B (zh) 2015-01-30 2015-01-30 基于最优相似日集的光伏电站出力预测方法

Publications (2)

Publication Number Publication Date
CN104573879A true CN104573879A (zh) 2015-04-29
CN104573879B CN104573879B (zh) 2017-07-25

Family

ID=53089894

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510051905.6A Active CN104573879B (zh) 2015-01-30 2015-01-30 基于最优相似日集的光伏电站出力预测方法

Country Status (1)

Country Link
CN (1) CN104573879B (zh)

Cited By (37)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104915727A (zh) * 2015-05-22 2015-09-16 南京国电南自电网自动化有限公司 多维度同构异质bp神经网络光功率超短期预测方法
CN105005825A (zh) * 2015-07-03 2015-10-28 深圳供电局有限公司 一种基于动态神经网络预测光伏功率的方法及***
CN105069521A (zh) * 2015-07-24 2015-11-18 许继集团有限公司 一种基于加权fcm聚类算法的光伏电站输出功率预测方法
CN105184399A (zh) * 2015-08-27 2015-12-23 许继集团有限公司 一种光伏电站功率预测方法
CN105243447A (zh) * 2015-10-16 2016-01-13 河南工业大学 一种粮食产量预测方法及装置
CN105631558A (zh) * 2016-03-22 2016-06-01 国家电网公司 基于相似日的bp神经网络光伏发电***功率预测方法
CN105678402A (zh) * 2015-12-29 2016-06-15 北京国能日新***控制技术有限公司 一种基于季节分区的光伏功率预测方法
CN105701572A (zh) * 2016-01-13 2016-06-22 国网甘肃省电力公司电力科学研究院 一种基于改进高斯过程回归的光伏短期出力预测方法
CN105787594A (zh) * 2016-02-29 2016-07-20 南京航空航天大学 基于多元时间序列及回归分析的辐照预测方法
CN106022538A (zh) * 2016-05-31 2016-10-12 中国矿业大学 基于k均值聚类改进广义天气的光伏发电预测方法
CN106022528A (zh) * 2016-05-26 2016-10-12 上海电力学院 一种基于密度峰值层次聚类的光伏电站短期功率预测方法
CN106203743A (zh) * 2016-07-15 2016-12-07 山东建筑大学 一种基于改进的ihcmac神经网络的光伏发电功率预测方法
CN106251001A (zh) * 2016-07-18 2016-12-21 南京工程学院 一种基于改进模糊聚类算法的光伏功率预测方法
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
CN106650784A (zh) * 2016-11-04 2017-05-10 许继集团有限公司 一种基于特征聚类比较的光伏电站功率预测方法及装置
CN106709587A (zh) * 2015-11-13 2017-05-24 中国电力科学研究院 一种基于常规天气预报的直接辐射预测方法
CN106934482A (zh) * 2016-09-20 2017-07-07 威德大学产学协力团 利用按时间分的气温的24小时电力需求预测装置及电力需求预测方法
CN107368933A (zh) * 2017-08-29 2017-11-21 集美大学 一种基于适配度及相关系数拟合的光伏功率预测方法
CN107516145A (zh) * 2017-07-27 2017-12-26 浙江工业大学 一种基于加权欧氏距离模式分类的多通道光伏出力预测方法
CN107918810A (zh) * 2017-11-29 2018-04-17 国网河南省电力公司电力科学研究院 一种对负荷数据进行处理的优化方法
CN108280545A (zh) * 2018-01-19 2018-07-13 上海电力学院 一种基于k均值聚类神经网络的光伏功率预测方法
CN109086928A (zh) * 2018-07-27 2018-12-25 福州大学 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法
CN109446243A (zh) * 2018-11-30 2019-03-08 石家庄科林电气股份有限公司 一种基于大数据分析检测光伏电站发电异常的方法
CN109884896A (zh) * 2019-03-12 2019-06-14 河海大学常州校区 一种基于相似日辐照预测的光伏跟踪***优化跟踪方法
CN109934373A (zh) * 2017-12-19 2019-06-25 国网浙江省电力有限公司电力科学研究院 屋顶式光伏阵列设备投入优化方法
CN109978236A (zh) * 2019-03-04 2019-07-05 三峡大学 一种基于特征组合的小水电短期功率精细化预测方法
CN110188964A (zh) * 2019-06-06 2019-08-30 河北工业大学 一种基于相关性的光伏出力预测方法
CN110991743A (zh) * 2019-12-05 2020-04-10 河海大学 一种基于聚类分析和优化神经网络的风电功率短期组合预测方法
EP3550499A4 (en) * 2016-12-05 2020-05-27 Hitachi, Ltd. PREDICTION SYSTEM AND PREDICTION METHOD
CN111754026A (zh) * 2020-05-28 2020-10-09 国网冀北电力有限公司 光伏电站群功率预测方法、装置、计算机设备及存储介质
WO2021096432A1 (en) * 2019-11-14 2021-05-20 Envision Digital International Pte. Ltd. Method and apparatus for modeling photovoltaic power curve, and computer device and storage medium thereof
US11300707B2 (en) 2016-08-02 2022-04-12 International Business Machines Corporation Solar forecasting using machine learned cloudiness classification
CN114792156A (zh) * 2022-03-10 2022-07-26 国网甘肃省电力公司电力科学研究院 基于曲线特征指标聚类的光伏输出功率预测方法和***
CN115310657A (zh) * 2022-06-22 2022-11-08 江苏润和软件股份有限公司 基于lstm神经网络的在线分布式光伏发电预测方法
CN116826788A (zh) * 2023-08-30 2023-09-29 东方电气集团科学技术研究院有限公司 一种光伏发电主动支撑集群构建及控制方法
CN117060407A (zh) * 2023-10-12 2023-11-14 国网湖北省电力有限公司经济技术研究院 一种基于相似日划分的风电集群功率预测方法及***
CN117829211A (zh) * 2024-01-08 2024-04-05 国网江苏省电力有限公司扬州供电分公司 一种基于自注意力机制的光伏功率预测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102999786A (zh) * 2012-10-17 2013-03-27 浙江埃菲生能源科技有限公司 基于相似日特征分类与极端学习机的光伏发电功率短期预报方法
CN103218673A (zh) * 2013-03-27 2013-07-24 河海大学 基于bp神经网络的光伏发电短期出力预测方法
CN103390200A (zh) * 2013-07-18 2013-11-13 国家电网公司 基于相似日的光伏电站发电输出功率预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102999786A (zh) * 2012-10-17 2013-03-27 浙江埃菲生能源科技有限公司 基于相似日特征分类与极端学习机的光伏发电功率短期预报方法
CN103218673A (zh) * 2013-03-27 2013-07-24 河海大学 基于bp神经网络的光伏发电短期出力预测方法
CN103390200A (zh) * 2013-07-18 2013-11-13 国家电网公司 基于相似日的光伏电站发电输出功率预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
孙谦 等: "基于最优交集相似日选取的短期母线负荷综合预测", 《中国电机工程学报》 *
白俊良 等: "改进相似度的模糊聚类算法在光伏阵列短期功率预测中的应用", 《电力***保护与控制》 *

Cited By (55)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104915727A (zh) * 2015-05-22 2015-09-16 南京国电南自电网自动化有限公司 多维度同构异质bp神经网络光功率超短期预测方法
CN104915727B (zh) * 2015-05-22 2019-04-16 南京国电南自电网自动化有限公司 多维度同构异质bp神经网络光功率超短期预测方法
CN105005825B (zh) * 2015-07-03 2018-12-07 深圳供电局有限公司 一种基于动态神经网络预测光伏功率的方法及***
CN105005825A (zh) * 2015-07-03 2015-10-28 深圳供电局有限公司 一种基于动态神经网络预测光伏功率的方法及***
CN105069521A (zh) * 2015-07-24 2015-11-18 许继集团有限公司 一种基于加权fcm聚类算法的光伏电站输出功率预测方法
CN105184399A (zh) * 2015-08-27 2015-12-23 许继集团有限公司 一种光伏电站功率预测方法
CN105184399B (zh) * 2015-08-27 2018-12-04 许继集团有限公司 一种光伏电站功率预测方法
CN105243447A (zh) * 2015-10-16 2016-01-13 河南工业大学 一种粮食产量预测方法及装置
CN106709587A (zh) * 2015-11-13 2017-05-24 中国电力科学研究院 一种基于常规天气预报的直接辐射预测方法
CN105678402A (zh) * 2015-12-29 2016-06-15 北京国能日新***控制技术有限公司 一种基于季节分区的光伏功率预测方法
CN105701572A (zh) * 2016-01-13 2016-06-22 国网甘肃省电力公司电力科学研究院 一种基于改进高斯过程回归的光伏短期出力预测方法
CN105701572B (zh) * 2016-01-13 2020-11-06 国网甘肃省电力公司电力科学研究院 一种基于改进高斯过程回归的光伏短期出力预测方法
CN105787594A (zh) * 2016-02-29 2016-07-20 南京航空航天大学 基于多元时间序列及回归分析的辐照预测方法
CN105787594B (zh) * 2016-02-29 2019-11-12 南京航空航天大学 基于多元时间序列及回归分析的辐照预测方法
CN105631558A (zh) * 2016-03-22 2016-06-01 国家电网公司 基于相似日的bp神经网络光伏发电***功率预测方法
CN106022528B (zh) * 2016-05-26 2019-06-11 上海电力学院 一种基于密度峰值层次聚类的光伏电站短期功率预测方法
CN106022528A (zh) * 2016-05-26 2016-10-12 上海电力学院 一种基于密度峰值层次聚类的光伏电站短期功率预测方法
CN106022538A (zh) * 2016-05-31 2016-10-12 中国矿业大学 基于k均值聚类改进广义天气的光伏发电预测方法
CN106203743A (zh) * 2016-07-15 2016-12-07 山东建筑大学 一种基于改进的ihcmac神经网络的光伏发电功率预测方法
CN106251001A (zh) * 2016-07-18 2016-12-21 南京工程学院 一种基于改进模糊聚类算法的光伏功率预测方法
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
US11300707B2 (en) 2016-08-02 2022-04-12 International Business Machines Corporation Solar forecasting using machine learned cloudiness classification
CN106934482A (zh) * 2016-09-20 2017-07-07 威德大学产学协力团 利用按时间分的气温的24小时电力需求预测装置及电力需求预测方法
CN106650784A (zh) * 2016-11-04 2017-05-10 许继集团有限公司 一种基于特征聚类比较的光伏电站功率预测方法及装置
US11107094B2 (en) 2016-12-05 2021-08-31 Hitachi, Ltd. Prediction system and prediction method
EP3550499A4 (en) * 2016-12-05 2020-05-27 Hitachi, Ltd. PREDICTION SYSTEM AND PREDICTION METHOD
CN107516145A (zh) * 2017-07-27 2017-12-26 浙江工业大学 一种基于加权欧氏距离模式分类的多通道光伏出力预测方法
CN107368933A (zh) * 2017-08-29 2017-11-21 集美大学 一种基于适配度及相关系数拟合的光伏功率预测方法
CN107918810A (zh) * 2017-11-29 2018-04-17 国网河南省电力公司电力科学研究院 一种对负荷数据进行处理的优化方法
CN109934373A (zh) * 2017-12-19 2019-06-25 国网浙江省电力有限公司电力科学研究院 屋顶式光伏阵列设备投入优化方法
CN108280545A (zh) * 2018-01-19 2018-07-13 上海电力学院 一种基于k均值聚类神经网络的光伏功率预测方法
CN109086928A (zh) * 2018-07-27 2018-12-25 福州大学 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法
CN109086928B (zh) * 2018-07-27 2021-11-30 福州大学 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法
CN109446243B (zh) * 2018-11-30 2022-03-01 国网冀北电力有限公司承德供电公司 一种基于大数据分析检测光伏电站发电异常的方法
CN109446243A (zh) * 2018-11-30 2019-03-08 石家庄科林电气股份有限公司 一种基于大数据分析检测光伏电站发电异常的方法
CN109978236A (zh) * 2019-03-04 2019-07-05 三峡大学 一种基于特征组合的小水电短期功率精细化预测方法
CN109978236B (zh) * 2019-03-04 2022-07-15 三峡大学 一种基于特征组合的小水电短期功率精细化预测方法
CN109884896A (zh) * 2019-03-12 2019-06-14 河海大学常州校区 一种基于相似日辐照预测的光伏跟踪***优化跟踪方法
CN110188964A (zh) * 2019-06-06 2019-08-30 河北工业大学 一种基于相关性的光伏出力预测方法
CN110188964B (zh) * 2019-06-06 2021-03-16 河北工业大学 一种基于相关性的光伏出力预测方法
WO2021096432A1 (en) * 2019-11-14 2021-05-20 Envision Digital International Pte. Ltd. Method and apparatus for modeling photovoltaic power curve, and computer device and storage medium thereof
KR102481611B1 (ko) * 2019-11-14 2022-12-27 엔비전 디지털 인터내셔널 피티이 리미티드 태양광 전력 곡선 모델링 방법 및 장치, 및 컴퓨터 디바이스 및 저장 매체
KR20220092628A (ko) * 2019-11-14 2022-07-01 엔비전 디지털 인터내셔널 피티이 리미티드 태양광 전력 곡선 모델링 방법 및 장치, 및 컴퓨터 디바이스 및 저장 매체
CN110991743A (zh) * 2019-12-05 2020-04-10 河海大学 一种基于聚类分析和优化神经网络的风电功率短期组合预测方法
CN110991743B (zh) * 2019-12-05 2022-08-19 河海大学 一种基于聚类分析和优化神经网络的风电功率短期组合预测方法
CN111754026A (zh) * 2020-05-28 2020-10-09 国网冀北电力有限公司 光伏电站群功率预测方法、装置、计算机设备及存储介质
CN111754026B (zh) * 2020-05-28 2024-03-15 国网冀北电力有限公司 光伏电站群功率预测方法、装置、计算机设备及存储介质
CN114792156A (zh) * 2022-03-10 2022-07-26 国网甘肃省电力公司电力科学研究院 基于曲线特征指标聚类的光伏输出功率预测方法和***
CN114792156B (zh) * 2022-03-10 2024-06-14 国网甘肃省电力公司电力科学研究院 基于曲线特征指标聚类的光伏输出功率预测方法和***
CN115310657A (zh) * 2022-06-22 2022-11-08 江苏润和软件股份有限公司 基于lstm神经网络的在线分布式光伏发电预测方法
CN116826788A (zh) * 2023-08-30 2023-09-29 东方电气集团科学技术研究院有限公司 一种光伏发电主动支撑集群构建及控制方法
CN116826788B (zh) * 2023-08-30 2024-01-05 东方电气集团科学技术研究院有限公司 一种光伏发电主动支撑集群构建及控制方法
CN117060407A (zh) * 2023-10-12 2023-11-14 国网湖北省电力有限公司经济技术研究院 一种基于相似日划分的风电集群功率预测方法及***
CN117060407B (zh) * 2023-10-12 2023-12-22 国网湖北省电力有限公司经济技术研究院 一种基于相似日划分的风电集群功率预测方法及***
CN117829211A (zh) * 2024-01-08 2024-04-05 国网江苏省电力有限公司扬州供电分公司 一种基于自注意力机制的光伏功率预测方法

Also Published As

Publication number Publication date
CN104573879B (zh) 2017-07-25

Similar Documents

Publication Publication Date Title
CN104573879A (zh) 基于最优相似日集的光伏电站出力预测方法
Liu et al. Forecasting power output of photovoltaic system using a BP network method
CN107766990B (zh) 一种光伏电站发电功率的预测方法
CN107194495B (zh) 一种基于历史数据挖掘的光伏功率纵向预测方法
CN110909919A (zh) 融合注意力机制的深度神经网络模型的光伏功率预测方法
CN115293415A (zh) 计及时间演变和空间相关的多风电场短期功率预测方法
CN111753893A (zh) 一种基于聚类和深度学习的风电机组功率集群预测方法
CN106295899B (zh) 基于遗传算法与支持向量分位数回归的风电功率概率密度预测方法
CN106251001A (zh) 一种基于改进模糊聚类算法的光伏功率预测方法
CN107516145A (zh) 一种基于加权欧氏距离模式分类的多通道光伏出力预测方法
CN104463349A (zh) 一种基于多时段综合相似日的光伏发电功率预测方法
CN109086928A (zh) 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法
CN105260800A (zh) 一种光伏组件温度预测方法及装置
CN105426956A (zh) 一种超短期光伏预测方法
CN104408562A (zh) 一种基于bp神经网络的光伏***发电效率综合评估方法
CN110503153B (zh) 基于差分进化算法和支持向量机的光伏***故障诊断方法
CN109636054A (zh) 基于分类和误差组合预测的太阳能光伏发电量预测方法
WO2024051524A1 (zh) 一种水风光发电功率联合预测方法、装置
CN108667069A (zh) 一种基于偏最小二乘法回归的短期风电功率预测方法
CN115829105A (zh) 基于历史数据特征搜索的光伏功率预测方法
CN109902340A (zh) 一种计及复杂气象耦合特性的多源-荷联合场景生成方法
CN114169445A (zh) 基于cae和gan混合网络的日前光伏功率预测方法、装置与***
CN105225006A (zh) 一种短期风电功率非参数概率预测方法
Yang et al. Photovoltaic power forecasting with a rough set combination method
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

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant