CN110348648A - 一种光伏电站功率预测方法及装置 - Google Patents

一种光伏电站功率预测方法及装置 Download PDF

Info

Publication number
CN110348648A
CN110348648A CN201910712040.1A CN201910712040A CN110348648A CN 110348648 A CN110348648 A CN 110348648A CN 201910712040 A CN201910712040 A CN 201910712040A CN 110348648 A CN110348648 A CN 110348648A
Authority
CN
China
Prior art keywords
photovoltaic plant
network model
neural network
meteorological data
affiliated area
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910712040.1A
Other languages
English (en)
Inventor
马大燕
谢祥颖
郭兴科
那峙雄
沈文涛
孟凡腾
王栋
嵇文路
许洪华
牛睿
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.)
State Grid Agel Ecommerce Ltd
State Grid Jiangsu Electric Power Co Ltd
Nanjing Power Supply Co of Jiangsu Electric Power Co
Nanjing Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
State Grid E Commerce Co Ltd
Original Assignee
State Grid Agel Ecommerce Ltd
State Grid Jiangsu Electric Power Co Ltd
Nanjing Power Supply Co of Jiangsu Electric Power Co
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 State Grid Agel Ecommerce Ltd, State Grid Jiangsu Electric Power Co Ltd, Nanjing Power Supply Co of Jiangsu Electric Power Co filed Critical State Grid Agel Ecommerce Ltd
Priority to CN201910712040.1A priority Critical patent/CN110348648A/zh
Publication of CN110348648A publication Critical patent/CN110348648A/zh
Pending legal-status Critical Current

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

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)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供了一种光伏电站功率预测方法及装置，方法包括：获取针对光伏电站所属区域预测的气象数据，并从预测的气象数据中提取气象特征；将气象特征输入针对光伏电站构建的神经网络模型，得到神经网络模型输出的发电功率，作为光伏电站的发电功率预测值；神经网络模型为利用光伏电站所属区域的历史气象数据，及历史气象数据对应的光伏电站的历史发电功率训练得到的。在本申请中，通过以上方式可以实现对光伏电站的发电功率的预测。

Description

一种光伏电站功率预测方法及装置
技术领域
本申请涉及光伏发电技术领域，特别涉及一种光伏电站功率预测方法及装置。
背景技术
光伏发电作为一种清洁环保、可持续、建设周期短新能源，近年来呈现跃迁式增长，未来将逐步取代传统能源成为电网电源的主流。
其中，对光伏电站进行精准的发电功率预测不仅可以为电网的优化调度决策提供可靠依据，还可为风、光、储等多能能源互补协调控制提供技术支撑，保障电网的安全稳定运行。
但是，如何对光伏电站的发电功率进行预测成为问题。
发明内容
为解决上述技术问题，本申请实施例提供一种光伏电站功率预测方法及装置，以达到实现对光伏电站的发电功率的预测的目的，技术方案如下：
本申请还提供了一种检索装置，用以保证上述方法在实际中的实现及应用。
为了解决上述问题，本申请公开了一种检索方法，包括：
本申请公开了一种检索装置，包括：
本申请还提供了一种检索***，该***包括：
本块内容与权利要求相似，稍后再补入
与现有技术相比，本申请的有益效果为：
在本申请中，由于气象因素是影响光伏电站发电功率的主要因素，因此可以通过气象数据预测发电功率，具体通过获取针对光伏电站所属区域预测的气象数据，并从预测的气象数据中提取气象特征，将气象特征输入针对光伏电站构建的神经网络模型，得到神经网络模型输出的发电功率，实现对光伏电站的发电功率的预测。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请提供的一种光伏电站功率预测方法实施例1的流程图；
图2是本申请提供的一种光伏电站功率预测方法实施例2的流程图；
图3是本申请提供的一种光伏电站功率预测方法实施例3的流程图；
图4是本申请提供的一种神经网络模型训练的流程图；
图5是本申请提供的另一种神经网络模型训练的流程图；
图6是本申请提供的一种光伏电站功率预测装置的逻辑结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例公开了一种光伏电站功率预测方法，包括：获取针对光伏电站所属区域预测的气象数据，并从所述预测的气象数据中提取气象特征；将所述气象特征输入针对所述光伏电站构建的神经网络模型，得到所述神经网络模型输出的发电功率，作为所述光伏电站的发电功率预测值；所述神经网络模型为利用所述光伏电站所属区域的历史气象数据，及所述历史气象数据对应的所述光伏电站的历史发电功率训练得到的。在本申请中，可以实现对光伏电站的发电功率的预测。
接下来对本申请实施例公开的光伏电站功率预测方法进行介绍，如图1所示的，为本申请提供的一种光伏电站功率预测方法实施例1的流程图，该方法包括以下步骤：
步骤S11、获取针对光伏电站所属区域预测的气象数据，并从所述预测的气象数据中提取气象特征。
优选的，可以从全球预报***(GFS)中下载针对光伏电站所属区域预测的气象数据。具体可以从GFS下载针对光伏电站所属区域在当前时间之后72小时，且空间分辨率为0.25°×0.25°的气象数据。
从预测的气象数据中提取气象特征，可以理解为：从预测的气象数据中提取能够影响光伏电站发电功率的气象特征。气象特征可以包括但不局限于：短波辐射、风速、风向、温度及相对湿度中的任意一种或多种。
本实施例中，光伏电站可以包括但不局限于：分布式光伏电站。
步骤S12、将所述气象特征输入针对所述光伏电站构建的神经网络模型，得到所述神经网络模型输出的发电功率，作为所述光伏电站的发电功率预测值。
所述神经网络模型为利用所述光伏电站所属区域的历史气象数据，及所述历史气象数据对应的所述光伏电站的历史发电功率训练得到的。
所述神经网络模型为利用所述光伏电站所属区域的历史气象数据，及所述历史气象数据对应的所述光伏电站的历史发电功率训练得到的，可以保证神经网络模型可以通过气象数据，对光伏电站的发电功率进行预测。
优选的，神经网络模型可以为BP神经网络模型。
在本申请中，由于气象因素是影响光伏电站发电功率的主要因素，因此可以通过气象数据预测发电功率，具体通过获取针对光伏电站所属区域预测的气象数据，并从预测的气象数据中提取气象特征，将气象特征输入针对光伏电站构建的神经网络模型，得到神经网络模型输出的发电功率，实现对光伏电站的发电功率的预测。
作为本申请另一可选实施例，参照图2，为本申请提供的一种光伏电站功率预测方法实施例2的流程示意图，本实施例主要是对上述实施例1描述的光伏电站功率预测方法的细化方案，如图2所示，该方法可以包括但并不局限于以下步骤：
步骤S21、获取针对所述光伏电站所属区域预测的在当前时间之后第一预设时间段内的气象数据，并从预测的在当前时间之后第一预设时间段内的气象数据中提取气象特征。
从预测的在当前时间之后第一预设时间段内的气象数据中提取气象特征的过程可以参见实施例1中从预测的气象数据中提取气象特征的相关介绍，在此步骤赘述。
所述第一预设时间段为i分钟或j小时，所述i为大于0的整数，所述j为大于0的整数。
优选的，i的取值范围可以设置为不小于15且不大于240；j的取值范围可以设置为不小于1且不大于4。
步骤S21为实施例1中步骤S11的一种具体实施方式。
步骤S22、将所述气象特征输入针对所述光伏电站构建的第一神经网络模型，得到所述第一神经网络模型输出的发电功率，作为所述光伏电站的发电功率预测值。
所述神经网络模型为利用所述光伏电站所属区域在各个历史时刻之前的第一预设时间段内的气象数据，及所述光伏电站在各个所述历史时间之前的第一预设时间段内的发电功率训练得到的。
历史时刻可以根据需要进行灵活设置，在此步骤赘述。
步骤S22为实施例1中步骤S12的一种具体实施方式。
本实施例中，通过设置第一预设时间段及利用所述光伏电站所属区域在各个历史时刻之前的第一预设时间段内的气象数据，及所述光伏电站在各个所述历史时间之前的第一预设时间段内的发电功率对神经网络模型的训练，可以实现第一神经网络模型对光伏电站进行的超短期发电功率的预测。
作为本申请另一可选实施例，参照图3，为本申请提供的一种光伏电站功率预测方法实施例3的流程示意图，本实施例主要是对上述实施例1描述的光伏电站功率预测方法的细化方案，如图3所示，该方法可以包括但并不局限于以下步骤：
步骤S31、获取针对所述光伏电站所属区域预测的在当前时间之后第二预设时间段内的气象数据，并从预测的在当前时间之后第二预设时间段内的气象数据中提取气象特征。
所述第二预设时间段为k天，所述k为大于0的整数。
优选的，k的取值范围可以设置为1-3。
从预测的在当前时间之后第二预设时间段内的气象数据中提取气象特征的过程可以参见实施例1中从预测的气象数据中提取气象特征的相关介绍，在此步骤赘述。
步骤S31为实施例1中步骤S11的一种具体实施方式。
步骤S32、将所述气象特征输入针对所述光伏电站构建的第二神经网络模型，得到所述第二神经网络模型输出的发电功率，作为所述光伏电站的发电功率预测值。
所述神经网络模型为利用所述光伏电站所属区域在各个历史时刻之前的第二预设时间段内的气象数据，及所述光伏电站在各个所述历史时间之前的第二预设时间段内的发电功率训练得到的。
步骤S32为实施例1中步骤S12的一种具体实施方式。
本实施例中，通过设置第二预设时间段及利用所述光伏电站所属区域在各个历史时刻之前的第二预设时间段内的气象数据，及所述光伏电站在各个所述历史时间之前的第二预设时间段内的发电功率对神经网络模型的训练，可以实现第二神经网络模型对光伏电站进行的短期发电功率的预测。
在本申请的另一个实施例中，介绍一种神经网络模型的训练过程，请参见图4，可以包括以下步骤：
步骤S41、从云端数据库中获取所述光伏电站所属区域的历史气象数据，及所述历史气象数据对应的所述光伏电站的历史发电功率。
本实施例中，可以从GFS中下载光伏电站所属区域的气象数据，存储到云端数据库，作为光伏电站所属区域的历史气象数据。并且，从GFS中下载光伏电站所属区域的气象数据的同时，采集同时段的光伏电站的发电功率，存储到云端数据库中，作为历史气象数据对应的光伏电站的历史发电功率。
将历史气象数据及历史发电功率存储到云端数据库中，可以节省光伏电站端站级服务器的存储空间，缩短神经网络模型预测的时间。
步骤S42、从所述历史气象数据中提取气象特征，作为输入训练样本，将所述历史发电功率作为输出训练样本，对神经网络模型进行训练。
从所述历史气象数据中提取气象特征，作为输入训练样本，将所述历史发电功率作为输出训练样本，对神经网络模型进行训练，训练得到的神经网络模型即实施例1中步骤S12中所使用的神经网络模型。
在本申请的另一个实施例中，介绍另一种神经网络模型的训练过程，请参见图5，可以包括以下步骤：
步骤S51、从云端数据库中获取所述光伏电站所属区域的历史气象数据，及所述历史气象数据对应的所述光伏电站的历史发电功率。
步骤S52、从所述历史气象数据中提取气象特征，作为输入训练样本，将所述历史发电功率作为输出训练样本，对神经网络模型进行训练。
步骤S51-S52的详细过程可以参见上述实施例中步骤S41-S42的相关介绍，在此不再赘述。
步骤S53、获取所述光伏电站在当前时间之前第三预设时间段内，输出的每一个发电功率，及所述光伏电站所属区域在当前时间之前第三预设时间段内的气象数据。
第三预设时间段可以根据需要进行灵活设置，在此不做限制。如，第三预设时间段可以设置为15天。
获取所述光伏电站在当前时间之前第三预设时间段内，输出的每一个发电功率，及所述光伏电站所属区域在当前时间之前第三预设时间段内的气象数据，实现更细粒度的训练样本的获取。
步骤S54、利用所述光伏电站在当前时间之前第三预设时间段内，输出的每一个发电功率，及所述光伏电站所属区域在当前时间之前第三预设时间段内的气象数据，对所述神经网络模型进行训练优化。
利用所述光伏电站在当前时间之前第三预设时间段内，输出的每一个发电功率，及所述光伏电站所属区域在当前时间之前第三预设时间段内的气象数据，对所述神经网络模型进行训练优化，保证训练优化后的神经网络模型可以更加准确的预测光伏电站的发电功率。
接下来对本申请提供的光伏电站功率预测装置进行介绍，下文介绍的光伏电站功率预测装置与上文介绍的光伏电站功率预测方法可相互对应参照。
请参见图6，光伏电站功率预测装置包括：提取模块11和预测模块12。
提取模块11，用于获取针对光伏电站所属区域预测的气象数据，并从所述预测的气象数据中提取气象特征；
预测模块12，用于将所述气象特征输入针对所述光伏电站构建的神经网络模型，得到所述神经网络模型输出的发电功率，作为所述光伏电站的发电功率预测值；
所述神经网络模型为利用所述光伏电站所属区域的历史气象数据，及所述历史气象数据对应的所述光伏电站的历史发电功率训练得到的。
本实施例中，所述针对光伏电站所属区域预测的气象数据可以为：针对所述光伏电站所属区域预测的在当前时间之后第一预设时间段内的气象数据，所述第一预设时间段为i分钟或j小时，所述i为大于0的整数，所述j为大于0的整数；
相应地，所述神经网络模型为：第一神经网络模型；
所述神经网络模型为利用所述光伏电站所属区域在各个历史时刻之前的第一预设时间段内的气象数据，及所述光伏电站在各个所述历史时间之前的第一预设时间段内的发电功率训练得到的。
本实施例中，所述针对光伏电站所属区域预测的气象数据可以为：针对所述光伏电站所属区域预测的在当前时间之后第二预设时间段内的气象数据，所述第二预设时间段为k天，所述k为大于0的整数；
相应地，所述神经网络模型为：第二神经网络模型；
所述神经网络模型为利用所述光伏电站所属区域在各个历史时刻之前的第二预设时间段内的气象数据，及所述光伏电站在各个所述历史时间之前的第二预设时间段内的发电功率训练得到的。
本实施例中，上述光伏电站功率预测装置还可以包括：
神经网络模型训练模块，用于：
从云端数据库中获取所述光伏电站所属区域的历史气象数据，及所述历史气象数据对应的所述光伏电站的历史发电功率；
从所述历史气象数据中提取气象特征，作为输入训练样本，将所述历史发电功率作为输出训练样本，对神经网络模型进行训练。
本实施例中，所述神经网络模型训练模块，还可以用于：
获取所述光伏电站在当前时间之前第三预设时间段内，输出的每一个发电功率，及所述光伏电站所属区域在当前时间之前第三预设时间段内的气象数据；
利用所述光伏电站在当前时间之前第三预设时间段内，输出的每一个发电功率，及所述光伏电站所属区域在当前时间之前第三预设时间段内的气象数据，对所述神经网络模型进行训练优化。
需要说明的是，本说明书中的各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。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可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，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)执行本申请各个实施例或者实施例的某些部分所述的方法。
以上对本申请所提供的一种光伏电站功率预测方法及装置进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种光伏电站功率预测方法，其特征在于，包括：
获取针对光伏电站所属区域预测的气象数据，并从所述预测的气象数据中提取气象特征；
将所述气象特征输入针对所述光伏电站构建的神经网络模型，得到所述神经网络模型输出的发电功率，作为所述光伏电站的发电功率预测值；
所述神经网络模型为利用所述光伏电站所属区域的历史气象数据，及所述历史气象数据对应的所述光伏电站的历史发电功率训练得到的。
2.根据权利要求1所述的方法，其特征在于，所述针对光伏电站所属区域预测的气象数据为：针对所述光伏电站所属区域预测的在当前时间之后第一预设时间段内的气象数据，所述第一预设时间段为i分钟或j小时，所述i为大于0的整数，所述j为大于0的整数；
所述神经网络模型为：第一神经网络模型；
所述神经网络模型为利用所述光伏电站所属区域在各个历史时刻之前的第一预设时间段内的气象数据，及所述光伏电站在各个所述历史时间之前的第一预设时间段内的发电功率训练得到的。
3.根据权利要求1所述的方法，其特征在于，所述针对光伏电站所属区域预测的气象数据为：针对所述光伏电站所属区域预测的在当前时间之后第二预设时间段内的气象数据，所述第二预设时间段为k天，所述k为大于0的整数；
所述神经网络模型为：第二神经网络模型；
所述神经网络模型为利用所述光伏电站所属区域在各个历史时刻之前的第二预设时间段内的气象数据，及所述光伏电站在各个所述历史时间之前的第二预设时间段内的发电功率训练得到的。
4.根据权利要求1所述的方法，其特征在于，所述神经网络模型的训练过程，包括：
从云端数据库中获取所述光伏电站所属区域的历史气象数据，及所述历史气象数据对应的所述光伏电站的历史发电功率；
从所述历史气象数据中提取气象特征，作为输入训练样本，将所述历史发电功率作为输出训练样本，对神经网络模型进行训练。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
获取所述光伏电站在当前时间之前第三预设时间段内，输出的每一个发电功率，及所述光伏电站所属区域在当前时间之前第三预设时间段内的气象数据；
利用所述光伏电站在当前时间之前第三预设时间段内，输出的每一个发电功率，及所述光伏电站所属区域在当前时间之前第三预设时间段内的气象数据，对所述神经网络模型进行训练优化。
6.一种光伏电站功率预测装置，其特征在于，包括：
提取模块，用于获取针对光伏电站所属区域预测的气象数据，并从所述预测的气象数据中提取气象特征；
预测模块，用于将所述气象特征输入针对所述光伏电站构建的神经网络模型，得到所述神经网络模型输出的发电功率，作为所述光伏电站的发电功率预测值；
所述神经网络模型为利用所述光伏电站所属区域的历史气象数据，及所述历史气象数据对应的所述光伏电站的历史发电功率训练得到的。
7.根据权利要求6所述的装置，其特征在于，所述针对光伏电站所属区域预测的气象数据为：针对所述光伏电站所属区域预测的在当前时间之后第一预设时间段内的气象数据，所述第一预设时间段为i分钟或j小时，所述i为大于0的整数，所述j为大于0的整数；
所述神经网络模型为：第一神经网络模型；
所述神经网络模型为利用所述光伏电站所属区域在各个历史时刻之前的第一预设时间段内的气象数据，及所述光伏电站在各个所述历史时间之前的第一预设时间段内的发电功率训练得到的。
8.根据权利要求6所述的装置，其特征在于，所述针对光伏电站所属区域预测的气象数据为：针对所述光伏电站所属区域预测的在当前时间之后第二预设时间段内的气象数据，所述第二预设时间段为k天，所述k为大于0的整数；
所述神经网络模型为：第二神经网络模型；
所述神经网络模型为利用所述光伏电站所属区域在各个历史时刻之前的第二预设时间段内的气象数据，及所述光伏电站在各个所述历史时间之前的第二预设时间段内的发电功率训练得到的。
9.根据权利要求6所述的装置，其特征在于，还包括：神经网络模型训练模块，用于：
从云端数据库中获取所述光伏电站所属区域的历史气象数据，及所述历史气象数据对应的所述光伏电站的历史发电功率；
从所述历史气象数据中提取气象特征，作为输入训练样本，将所述历史发电功率作为输出训练样本，对神经网络模型进行训练。
10.根据权利要求9所述的装置，其特征在于，所述神经网络模型训练模块，还用于：
获取所述光伏电站在当前时间之前第三预设时间段内，输出的每一个发电功率，及所述光伏电站所属区域在当前时间之前第三预设时间段内的气象数据；
利用所述光伏电站在当前时间之前第三预设时间段内，输出的每一个发电功率，及所述光伏电站所属区域在当前时间之前第三预设时间段内的气象数据，对所述神经网络模型进行训练优化。
CN201910712040.1A 2019-08-02 2019-08-02 一种光伏电站功率预测方法及装置 Pending CN110348648A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910712040.1A CN110348648A (zh) 2019-08-02 2019-08-02 一种光伏电站功率预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910712040.1A CN110348648A (zh) 2019-08-02 2019-08-02 一种光伏电站功率预测方法及装置

Publications (1)

Publication Number Publication Date
CN110348648A true CN110348648A (zh) 2019-10-18

Family

ID=68183810

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910712040.1A Pending CN110348648A (zh) 2019-08-02 2019-08-02 一种光伏电站功率预测方法及装置

Country Status (1)

Country Link
CN (1) CN110348648A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111932007A (zh) * 2020-08-04 2020-11-13 广州发展新能源股份有限公司 一种光伏电站的功率预测方法、装置及存储介质
CN112101626A (zh) * 2020-08-14 2020-12-18 安徽继远软件有限公司 一种分布式光伏发电功率预测方法及***
CN113570126A (zh) * 2021-07-15 2021-10-29 远景智能国际私人投资有限公司 光伏发电站的发电功率预测方法、装置及***

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102521670A (zh) * 2011-11-18 2012-06-27 中国电力科学研究院 基于气象要素的光伏电站发电输出功率预测方法
CN102930358A (zh) * 2012-11-28 2013-02-13 江西九江供电公司 一种光伏电站发电功率的神经网络预测方法
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
CN105404937A (zh) * 2015-11-26 2016-03-16 北京国电通网络技术有限公司 一种光伏电站短期功率预测方法和***
CN107220723A (zh) * 2017-04-20 2017-09-29 华北电力大学 一种光伏电站功率预测方法
CN109002915A (zh) * 2018-07-13 2018-12-14 福州大学 基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法
JP2018207727A (ja) * 2017-06-08 2018-12-27 清水建設株式会社 余剰電力評価装置及び余剰電力評価方法
CN109657881A (zh) * 2019-01-14 2019-04-19 南京国电南自电网自动化有限公司 一种适用于小样本的神经网络光伏发电预测方法及***
CN109978284A (zh) * 2019-04-25 2019-07-05 中国人民解放军国防科技大学 一种基于混合神经网络模型的光伏发电功率分时预测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102521670A (zh) * 2011-11-18 2012-06-27 中国电力科学研究院 基于气象要素的光伏电站发电输出功率预测方法
CN102930358A (zh) * 2012-11-28 2013-02-13 江西九江供电公司 一种光伏电站发电功率的神经网络预测方法
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
CN105404937A (zh) * 2015-11-26 2016-03-16 北京国电通网络技术有限公司 一种光伏电站短期功率预测方法和***
CN107220723A (zh) * 2017-04-20 2017-09-29 华北电力大学 一种光伏电站功率预测方法
JP2018207727A (ja) * 2017-06-08 2018-12-27 清水建設株式会社 余剰電力評価装置及び余剰電力評価方法
CN109002915A (zh) * 2018-07-13 2018-12-14 福州大学 基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法
CN109657881A (zh) * 2019-01-14 2019-04-19 南京国电南自电网自动化有限公司 一种适用于小样本的神经网络光伏发电预测方法及***
CN109978284A (zh) * 2019-04-25 2019-07-05 中国人民解放军国防科技大学 一种基于混合神经网络模型的光伏发电功率分时预测方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111932007A (zh) * 2020-08-04 2020-11-13 广州发展新能源股份有限公司 一种光伏电站的功率预测方法、装置及存储介质
CN112101626A (zh) * 2020-08-14 2020-12-18 安徽继远软件有限公司 一种分布式光伏发电功率预测方法及***
CN113570126A (zh) * 2021-07-15 2021-10-29 远景智能国际私人投资有限公司 光伏发电站的发电功率预测方法、装置及***

Similar Documents

Publication Publication Date Title
Sarwat et al. Weather-based interruption prediction in the smart grid utilizing chronological data
Theocharides et al. Machine learning algorithms for photovoltaic system power output prediction
CN110348648A (zh) 一种光伏电站功率预测方法及装置
Constantinescu et al. A computational framework for uncertainty quantification and stochastic optimization in unit commitment with wind power generation
Zhou et al. Deep Learning Enhanced Solar Energy Forecasting with AI‐Driven IoT
JP6720544B2 (ja) 太陽光発電量予測方法及び太陽光発電量予測装置、並びに太陽光発電量予測システム
CN103208037B (zh) 一种应用于新能源电站的基于在线校正的功率预测方法
Dubey et al. Optimization of solar photovoltaic plant and economic analysis
KR102405282B1 (ko) 예측 모델을 이용한 태양광 발전량 예측 방법
CN106651007A (zh) 基于gru的光伏电站辐照度中长期预测的方法及装置
Ciapessoni et al. Risk-based dynamic security assessment for power system operation and operational planning
CN113408785B (zh) 光功率的预测方法、装置、设备及存储介质
Fidan et al. Harmonic analysis based hourly solar radiation forecasting model
CN106934191A (zh) 一种基于自相似性的wrf模式风速订正方法
Michiorri et al. Forecasting real-time ratings for electricity distribution networks using weather forecast data
CN109657874A (zh) 一种基于长短时记忆模型的电力中长期负荷预测方法
KR102570248B1 (ko) 태양광 발전량 예측 시스템 및 방법
Tran et al. Short-term solar power generation forecasting using edge ai
Kassim et al. Harmony search-based optimization of artificial neural network for predicting AC power from a photovoltaic system
WO2020125984A1 (en) System and method for power outage prediction
Lijie et al. Short-term wind power prediction with signal decomposition
Ceferino et al. Hurricane Risk of Solar Generation in the United States
Zheng et al. Offshore wind power ramp prediction based on optimal combination model
Seo et al. Evolutionary nonlinear Model Output Statistics for wind speed prediction using Genetic Programming
CN110743111A (zh) 基于区域场的实时疏散引导***

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20191018

RJ01 Rejection of invention patent application after publication