CN111932007A - 一种光伏电站的功率预测方法、装置及存储介质 - Google Patents
一种光伏电站的功率预测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111932007A CN111932007A CN202010775268.8A CN202010775268A CN111932007A CN 111932007 A CN111932007 A CN 111932007A CN 202010775268 A CN202010775268 A CN 202010775268A CN 111932007 A CN111932007 A CN 111932007A
- Authority
- CN
- China
- Prior art keywords
- power
- data sequence
- data
- photovoltaic
- level
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 36
- 239000011159 matrix material Substances 0.000 claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 abstract description 16
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 7
- 238000010248 power generation Methods 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- HEFNNWSXXWATRW-UHFFFAOYSA-N Ibuprofen Chemical compound CC(C)CC1=CC=C(C(C)C(O)=O)C=C1 HEFNNWSXXWATRW-UHFFFAOYSA-N 0.000 description 1
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
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)
- 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)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种光伏电站的功率预测方法、装置及存储介质，其中方法包括获取第一预设时间段内光伏电站的历史功率数据；根据预设的小波最大层分解式对所述历史功率数据进行计算，获得最大层近似数据序列以及每一层级的细节数据序列；将所述最大层近似数据序列以及每一层级的所述细节数据序列作为输入量构建对应的数据序列矩阵；根据小波重构算法对每一层级的所述数据序列矩阵进行重构，得到对应的预测功率值。本发明实施例提供的光伏电站的功率预测方法、装置及存储介质，通过采用小波分解算法对历史光伏功率数据进行处理，再结合神经网络建模进行特征学习，在降低计算复杂度的同时，能够提升功率预测的准确率。
Description
技术领域
本发明涉及太阳能技术领域，尤其是涉及一种光伏电站的功率预测方法、装置及存储介质。
背景技术
光伏发电是利用半导体界面的光生伏特效应而将光能直接转变为电能的一种技术，由于太阳能光照具有波动性、间歇性、随机性等的特点，大规模太阳能光伏发电的接入对会对电网的稳定性产生重大影响，为了使得电力调度部门能够根据光伏发电量变化及时进行调度，在光伏电站的运营中，需要对光伏电站的发电量进行准确预测。
现有技术通过数值化天气预报来获取相似日太阳辐照分布或相似日光伏功率出力，但是一方面，天气预报中包含的气象数据的类型较多(包括温度、风速等环境参量)，会导致光伏预测的计算复杂度大大提升；另一方面，相似日太阳辐照分布评估的结果与实际相比也存在较大的固有误差，无法完全代表太阳辐照时空分布的相似性，因此，现有的光伏电站的功率预测方法，计算复杂度较高，预测精度较低，难以实现准确的预测效果。
发明内容
本发明提供一种光伏电站的功率预测方法、装置及存储介质，以解决现有的光伏电站的功率预测方法计算复杂度较高，且预测准确率较低的技术问题，通过采用小波分解算法对历史光伏功率数据进行处理，再结合神经网络建模进行特征学习，在降低计算复杂度的同时，能够提升功率预测的准确率。
本发明一实施例提供了一种光伏电站的功率预测方法，包括：
获取第一预设时间段内光伏电站的历史功率数据；
根据预设的小波最大层分解式对所述历史功率数据进行计算，获得最大层近似数据序列以及每一层级的细节数据序列；
将所述最大层近似数据序列以及每一层级的所述细节数据序列作为输入量构建对应的数据序列矩阵；
根据小波重构算法对每一层级的所述数据序列矩阵进行重构，得到对应的预测功率值。
作为其中一种优选方案，所述获取第一预设时间段内光伏电站的历史功率数据的步骤，具体为：
获取光伏电站的光伏逆变器在所述预设时间段内的秒级输出功率数据，将所述秒级输出功率数据作为所述历史功率数据。
作为其中一种优选方案，所述小波最大层分解式包括：
其中，ps为预设时间段内光伏电站发电功率的时间序列长度，fs为选用小波分解层数据长度，maxL为选用小波分解的最大层。
作为其中一种优选方案，所述根据小波重构算法对每一层级的所述数据序列矩阵进行重构，得到对应的预测功率值的步骤，具体为：
将每一层级的所述数据序列矩阵输入至卷积神经网络中，以使所述卷积神经网络根据每一层级的所述数据序列矩阵，生成对应的第二预设时间段内的预测数据序列；
根据小波重构算法对所述预测数据序列进行重构，得到对应的所述预测功率值。
本发明另一实施例提供了一种光伏电站的功率预测装置，包括采集模块和控制器；所述采集模块与所述控制器连接；
所述控制器被配置为：
获取第一预设时间段内光伏电站的历史功率数据；
根据预设的小波最大层分解式对所述历史功率数据进行计算，获得最大层近似数据序列以及每一层级的细节数据序列；
将所述最大层近似数据序列以及每一层级的所述细节数据序列作为输入量构建对应的数据序列矩阵；
根据小波重构算法对每一层级的所述数据序列矩阵进行重构，得到对应的预测功率值。
作为其中一种优选方案，所述采集模块包括光伏逆变器，所述控制器还被配置为：
获取所述光伏逆变器在所述预设时间段内的秒级输出功率数据，将所述秒级输出功率数据作为所述历史功率数据。
作为其中一种优选方案，所述小波最大层分解式包括：
其中，ps为预设时间段内光伏电站发电功率的时间序列长度，fs为选用小波分解层数据长度，maxL为选用小波分解的最大层。
作为其中一种优选方案，所述控制器还被配置为：
将每一层级的所述数据序列矩阵输入至卷积神经网络中，以使所述卷积神经网络根据每一层级的所述数据序列矩阵，生成对应的第二预设时间段内的预测数据序列；
根据小波重构算法对所述预测数据序列进行重构，得到对应的所述预测功率值。
本发明又一实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上所述的光伏电站的功率预测方法。
相比于现有技术，本发明实施例的有益效果在于，无需对额外的气象数据参数进行获取和计算，有效降低了光伏电站的运营成本，且通过获取光伏电站的历史功率数据信息来进行预测，消除了相似日中诸如高频分量的固有误差的影响。整个光伏电站的功率预测方法，运用高速计算处理服务，结合离散小波分解，构建神经网络模型进行特征学习，实现了数据信号的分解、计算与重构，从而能够对光伏电站在预设周期内的***功率进行预测，在降低计算复杂度的同时，能够提升功率预测的准确率。
附图说明
图1是本发明其中一种实施例中的光伏电站的功率预测方法的流程示意图；
图2是本发明其中一种实施例中的小波分解的信号层原理图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本申请描述中，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本申请的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。
在本申请的描述中，需要说明的是，除非另有定义，本发明所使用的所有的技术和科学术语与属于本的技术领域的技术人员通常理解的含义相同。本发明中说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明，对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。
本发明一实施例提供了一种光伏电站的功率预测方法，具体的，请参见图1，图1示出为其中一种实施例中的光伏电站的功率预测方法的流程示意图，其中包括：
S1、获取第一预设时间段内光伏电站的历史功率数据；
S2、根据预设的小波最大层分解式对所述历史功率数据进行计算，获得最大层近似数据序列以及每一层级的细节数据序列；
S3、将所述最大层近似数据序列以及每一层级的所述细节数据序列作为输入量构建对应的数据序列矩阵；
S4、根据小波重构算法对每一层级的所述数据序列矩阵进行重构，得到对应的预测功率值。
应当说明的是，光伏发电变化趋势特征在大时间尺度上表现明显，而光伏出力波动性特征则在小时间尺度上表现突出，不同于现有技术中通过气象参数、地外辐照、晴空模型、卫星云图、相似日计算等来预测光伏发电输出功率的方式，本发明仅通过获取历史功率数据，不依赖额外的参量，从而能够减少相关的传感器组件的数量以及运算的负荷，在缩短预测间隔的同时，降低光伏电站运营成本，更重要的是，本发明通过对秒级太阳辐照进行分解，将原始太阳辐照信号分解为若干高频与低频序列，利用神经网络算法对各信号序列分别进行建模，并对各特性进行建模学习，构建基于小波分解—神经网络预测—小波重构的光伏输出功率特性，解决无其他气象参量条件下的光伏电站输出功率预测，进而能够有效预知太阳辐照的波动对光伏出力的影响大小。
小波变换的多分辨率分析就是根据信号在不同尺度上出现的信息来分析信号，从而模拟人类对信号的分析过程。一定尺度的信号是指它在一定分辨率下的最佳近似值。通过Mallat算法将粗尺度逐步过渡到细尺度，放大并得到给定信号更精确的表示。使用离散小波变换(DWT)实现多分辨率分析的一种简单方法定义为:
a和b表示为两个整数变量，共同决定φ的缩放和平移参数，t是离散时间指标，T是信号f(T)的长度。根据多分辨率分析的思想，信号的分解过程实际上反映了尺度乘法所对应的尺度变换与小波变换之间的关系。在小波包的情况下，它反映了宽带信号细分为更小频带信号之间的关系。具体的，请参见图2，图2示出为其中一种实施例中的小波分解的信号层原理图，其中j表示为第j层，V表示第j层近似分量，w表示第j层细节分量。
作为其中一种优选方案，本实施例通过获取光伏电站的光伏逆变器在所述预设时间段内的秒级输出功率数据，将所述秒级输出功率数据作为所述历史功率数据。其中，预设时间段优选为过去1小时内的秒级功率数据，根据Mallat算法通过Daubechies小波分解算法对过去1小时内的秒级光伏功率的光伏电站输出功率按照小波最大层分解，分解最大层计算方法为：
其中，ps为预设时间段内光伏电站发电功率的时间序列长度，fs为选用小波分解层数据长度，maxL为选用小波分解的最大层。当然，也可将过去N小时的秒级光伏功率数据作为所述预设时间段，N可根据预测时间间隔及预测时间序列长度选择。
作为其中一种优选方案，所述S4步骤根据小波重构算法对每一层级的所述数据序列矩阵进行重构，得到对应的预测功率值的步骤，具体包括：
S41、将每一层级的所述数据序列矩阵输入至卷积神经网络中，以使所述卷积神经网络根据每一层级的所述数据序列矩阵，生成对应的第二预设时间段(第二预设时间段与第一预设时间段相对应，为第一预设时间段的下一时间区间)内的预测数据序列；
S42、根据小波重构算法对所述预测数据序列进行重构，得到对应的所述预测功率值。
应当说明的是，在完成小波分解的步骤后，得到时间标签为T的maxL层近似序列Xa，T、maxL层细节序列Xdm，maxL-1层细节序列Xdm-1，…，第一层细节序列Xd1；然后分别建立每一层序列的序列矩阵，以maxL层近似序列为例，建立时间序列的输入矩阵M＝[Xa，T，Xa，T-1，…,Xa，1]，以T+1时间标签的Xa，T+1作为输出矩阵；最后，通过神经网络建模进行特征学习，以maxL层近似序列为例，构建神经网络模型，输入为M，输出为Xa，T+1，根据光伏***功率在预设时间段内累积的过往秒级数据建立形如M-X的数据集，对神经网络模型进行训练，再分别对其他层细节参量(V与其他的W层)进行建模训练。
为方便说明，以采集光伏电站的逆变器在60秒周期内的秒级功率数据为例，输入光伏功率秒级矩阵：
经过小波变换后的矩阵，以Vj-p层为例：
AC＝[ACT0,ACT1,ACT2,ACT3,ACT4]
所以经过卷积神经网络计算后，计算过程为
其中D为Vj-p的纬度，CNN模型为3层卷积+池化层，4层全连接层、dropoutrate为0.1，adam优化梯度学习率为0.0001，误差损失定义为绝对误差。
所以根据小波变换逆过程，重构预测光伏功率，其计算过程为：
由此可见，通过输入过去1小时的光伏电站出力数据，经过小波分解，到神经网络模型实现预测计算，从而能够对光伏电站在预设周期内的***功率进行预测。
本发明另一实施例提供了一种光伏电站的功率预测装置(图未示)，包括采集模块和控制器；所述采集模块与所述控制器连接；
所述控制器被配置为：
获取第一预设时间段内光伏电站的历史功率数据；
根据预设的小波最大层分解式对所述历史功率数据进行计算，获得最大层近似数据序列以及每一层级的细节数据序列；
将所述最大层近似数据序列以及每一层级的所述细节数据序列作为输入量构建对应的数据序列矩阵；
根据小波重构算法对每一层级的所述数据序列矩阵进行重构，得到对应的预测功率值。
作为其中一种优选方案，所述采集模块包括光伏逆变器，所述控制器还被配置为：
获取光伏电站的所述光伏逆变器在所述预设时间段内的秒级输出功率数据，将所述秒级输出功率数据作为所述历史功率数据。
作为其中一种优选方案，所述小波最大层分解式包括：
其中，ps为预设时间段内光伏电站发电功率的时间序列长度，fs为选用小波分解层数据长度，maxL为选用小波分解的最大层。
作为其中一种优选方案，所述控制器还被配置为：
将每一层级的所述数据序列矩阵输入至卷积神经网络中，以使所述卷积神经网络根据每一层级的所述数据序列矩阵，生成对应的第二预设时间段内的预测数据序列；
根据小波重构算法对所述预测数据序列进行重构，得到对应的所述预测功率值。
本发明又一实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上所述的光伏电站的功率预测方法。
本发明实施例提供的光伏电站的功率预测方法、装置及存储介质，无需对额外的气象数据参数进行获取和计算，有效降低了光伏电站的运营成本，且通过获取光伏电站的历史功率数据信息来进行预测，消除了相似日中诸如高频分量的固有误差的影响。整个光伏电站的功率预测方法，运用高速计算处理服务，结合离散小波分解，构建神经网络模型进行特征学习，实现了数据信号的分解、计算与重构，从而能够对光伏电站在预设周期内的***功率进行预测，在降低计算复杂度的同时，能够提升功率预测的准确率。
以上所述是本发明的优选实施方式，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，这些改进和润饰也视为本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
Claims (9)
1.一种光伏电站的功率预测方法，其特征在于，包括：
获取第一预设时间段内光伏电站的历史功率数据；
根据预设的小波最大层分解式对所述历史功率数据进行计算，获得最大层近似数据序列以及每一层级的细节数据序列；
将所述最大层近似数据序列以及每一层级的所述细节数据序列作为输入量构建对应的数据序列矩阵；
根据小波重构算法对每一层级的所述数据序列矩阵进行重构，得到对应的预测功率值。
2.如权利要求1所述的光伏电站的功率预测方法，其特征在于，所述获取第一预设时间段内光伏电站的历史功率数据的步骤，具体为：
获取光伏电站的光伏逆变器在所述预设时间段内的秒级输出功率数据，将所述秒级输出功率数据作为所述历史功率数据。
3.如权利要求1所述的光伏电站的功率预测方法，其特征在于，所述小波最大层分解式包括：
其中，ps为预设时间段内光伏电站发电功率的时间序列长度，fs为选用小波分解层数据长度，maxL为选用小波分解的最大层。
4.如权利要求3所述的光伏电站的功率预测方法，其特征在于，所述根据小波重构算法对每一层级的所述数据序列矩阵进行重构，得到对应的预测功率值的步骤，具体为：
将每一层级的所述数据序列矩阵输入至卷积神经网络中，以使所述卷积神经网络根据每一层级的所述数据序列矩阵，生成对应的第二预设时间段内的预测数据序列；
根据小波重构算法对所述预测数据序列进行重构，得到对应的所述预测功率值。
5.一种光伏电站的功率预测装置，其特征在于，包括采集模块和控制器；
所述采集模块与所述控制器连接；
所述控制器被配置为：
获取第一预设时间段内光伏电站的历史功率数据；
根据预设的小波最大层分解式对所述历史功率数据进行计算，获得最大层近似数据序列以及每一层级的细节数据序列；
将所述最大层近似数据序列以及每一层级的所述细节数据序列作为输入量构建对应的数据序列矩阵；
根据小波重构算法对每一层级的所述数据序列矩阵进行重构，得到对应的预测功率值。
6.如权利要求5所述的光伏电站的功率预测装置，其特征在于，所述采集模块包括光伏逆变器，所述控制器还被配置为：
获取所述光伏逆变器在所述预设时间段内的秒级输出功率数据，将所述秒级输出功率数据作为所述历史功率数据。
7.如权利要求5所述的光伏电站的功率预测装置，其特征在于，所述小波最大层分解式包括：
其中，ps为预设时间段内光伏电站发电功率的时间序列长度，fs为选用小波分解层数据长度，maxL为选用小波分解的最大层。
8.如权利要求7所述的光伏电站的功率预测装置，其特征在于，所述控制器还被配置为：
将每一层级的所述数据序列矩阵输入至卷积神经网络中，以使所述卷积神经网络根据每一层级的所述数据序列矩阵，生成对应的第二预设时间段内的预测数据序列；
根据小波重构算法对所述预测数据序列进行重构，得到对应的所述预测功率值。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至4中任意一项所述的光伏电站的功率预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010775268.8A CN111932007B (zh) | 2020-08-04 | 2020-08-04 | 一种光伏电站的功率预测方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010775268.8A CN111932007B (zh) | 2020-08-04 | 2020-08-04 | 一种光伏电站的功率预测方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111932007A true CN111932007A (zh) | 2020-11-13 |
| CN111932007B CN111932007B (zh) | 2024-06-18 |
Family
ID=73307883
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010775268.8A Active CN111932007B (zh) | 2020-08-04 | 2020-08-04 | 一种光伏电站的功率预测方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111932007B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112734125A (zh) * | 2021-01-15 | 2021-04-30 | 国网山西省电力公司晋城供电公司 | 一种光伏出力预测方法、装置和电子设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104408529A (zh) * | 2014-11-21 | 2015-03-11 | 广东工业大学 | 电网短期负荷预测方法 |
| CN105528517A (zh) * | 2015-12-01 | 2016-04-27 | 北京国电通网络技术有限公司 | 基于神经网络、小波分解光伏电站功率预测方法、*** |
| CN107194496A (zh) * | 2017-04-25 | 2017-09-22 | 甘肃省电力公司风电技术中心 | 光伏功率的预测方法及预测装置 |
| WO2018129828A1 (zh) * | 2017-01-11 | 2018-07-19 | 沃太能源南通有限公司 | 一种光伏发电预测***及预测方法 |
| US20180375334A1 (en) * | 2017-06-26 | 2018-12-27 | Tsinghua University | Method and apparatus for photovoltaic power forecast based on numerical weather prediction |
| CN109840633A (zh) * | 2019-01-29 | 2019-06-04 | 合肥工业大学 | 光伏输出功率预测方法、***和存储介质 |
| CN110348648A (zh) * | 2019-08-02 | 2019-10-18 | 国网电子商务有限公司 | 一种光伏电站功率预测方法及装置 |
-
2020
- 2020-08-04 CN CN202010775268.8A patent/CN111932007B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104408529A (zh) * | 2014-11-21 | 2015-03-11 | 广东工业大学 | 电网短期负荷预测方法 |
| CN105528517A (zh) * | 2015-12-01 | 2016-04-27 | 北京国电通网络技术有限公司 | 基于神经网络、小波分解光伏电站功率预测方法、*** |
| WO2018129828A1 (zh) * | 2017-01-11 | 2018-07-19 | 沃太能源南通有限公司 | 一种光伏发电预测***及预测方法 |
| CN107194496A (zh) * | 2017-04-25 | 2017-09-22 | 甘肃省电力公司风电技术中心 | 光伏功率的预测方法及预测装置 |
| US20180375334A1 (en) * | 2017-06-26 | 2018-12-27 | Tsinghua University | Method and apparatus for photovoltaic power forecast based on numerical weather prediction |
| CN109840633A (zh) * | 2019-01-29 | 2019-06-04 | 合肥工业大学 | 光伏输出功率预测方法、***和存储介质 |
| CN110348648A (zh) * | 2019-08-02 | 2019-10-18 | 国网电子商务有限公司 | 一种光伏电站功率预测方法及装置 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112734125A (zh) * | 2021-01-15 | 2021-04-30 | 国网山西省电力公司晋城供电公司 | 一种光伏出力预测方法、装置和电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111932007B (zh) | 2024-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gao et al. | Hourly forecasting of solar irradiance based on CEEMDAN and multi-strategy CNN-LSTM neural networks | |
| CN110070226B (zh) | 基于卷积神经网络与元学习的光伏功率预测方法及*** | |
| Ji et al. | Prediction of hourly solar radiation using a novel hybrid model of ARMA and TDNN | |
| Wang et al. | Accurate solar PV power prediction interval method based on frequency-domain decomposition and LSTM model | |
| 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 | |
| Rodríguez et al. | Forecasting intra-hour solar photovoltaic energy by assembling wavelet based time-frequency analysis with deep learning neural networks | |
| Liu et al. | Heating load forecasting for combined heat and power plants via strand-based LSTM | |
| CN105608271A (zh) | 一种基于分解与优化的短期风速时序预测方法 | |
| Perpiñán et al. | Analysis and synthesis of the variability of irradiance and PV power time series with the wavelet transform | |
| Zhang et al. | Photovoltaic power prediction based on hybrid modeling of neural network and stochastic differential equation | |
| CN111242355A (zh) | 一种基于贝叶斯神经网络的光伏概率预测方法及*** | |
| CN116128170B (zh) | 一种光伏电站功率超短期预测方法、装置及相关设备 | |
| CN116307291B (zh) | 一种基于小波分解的分布式光伏发电预测方法及预测终端 | |
| CN115146842A (zh) | 基于深度学习的多元时间序列趋势预测方法和*** | |
| CN112925824A (zh) | 针对极端天气类型的光伏功率预测方法及*** | |
| CN114201924A (zh) | 基于迁移学习的太阳辐照度预测方法及预测*** | |
| CN116151464A (zh) | 一种光伏发电功率预测方法、***及可存储介质 | |
| CN116632820A (zh) | 基于序列延拓vmd与风速波动特性的风电功率预测方法 | |
| CN114819386A (zh) | 一种基于Conv-Transformer的洪水预报方法 | |
| CN113361782B (zh) | 基于改进mkpls的光伏发电功率短期滚动预测方法 | |
| CN111932007B (zh) | 一种光伏电站的功率预测方法、装置及存储介质 | |
| CN106815659B (zh) | 一种基于混合模型的超短期太阳辐射预测方法及其装置 | |
| CN116470486A (zh) | 一种超短期光伏发电功率的预测方法、装置和存储介质 | |
| CN116402194A (zh) | 一种基于混合神经网络的多时间尺度负荷预测方法 | |
| Areekul et al. | Neural-wavelet approach for short term price forecasting in deregulated power market |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant |