CN112257938B - 一种光伏发电功率预测方法及装置 - Google Patents
一种光伏发电功率预测方法及装置 Download PDFInfo
- Publication number
- CN112257938B CN112257938B CN202011170431.4A CN202011170431A CN112257938B CN 112257938 B CN112257938 B CN 112257938B CN 202011170431 A CN202011170431 A CN 202011170431A CN 112257938 B CN112257938 B CN 112257938B
- Authority
- CN
- China
- Prior art keywords
- level
- sequence
- power
- output power
- generation output
- 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.)
- Active
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 28
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 238000000354 decomposition reaction Methods 0.000 claims description 12
- 230000003287 optical effect Effects 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 230000000903 blocking effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model 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
- 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
- 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
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种光伏发电功率预测方法及装置,所述方法将上一时段的秒级发电输出功率以及下一时段的秒级太阳遮挡序列作为输入,输入到发电功率预测模型中,对下一时段内光伏发电站的秒级发电输出功率进行预测,相比与现有技术,本发明通过下一时段的秒级太阳遮挡序列,引入了秒级时间间隔周期上的太阳被云层遮挡的情况,对应了实际发电过程中云层运动引起的太阳辐照变化可能导致在数秒内太阳辐照变化有数百瓦,这一情况,提高了光伏发电预测的准确性。
Description
技术领域
本发明涉及光伏发电技术领域,尤其涉及一种光伏发电功率预测方法及装置。
背景技术
在现有光伏发电功率预测中,主要通过数值化气象预报,建立气象因子相量,通过相量计算等方法,获取相似日太阳辐照分布或相似日光伏功率出力;但是数值化天气预报数据不能刻画小空间尺度上环境变化,由于云层运动引起的太阳辐照变化可能导致在数秒内太阳辐照变化有数百瓦,而常规的太阳辐照预测技术很难刻画这种时间尺度上的太阳辐照变化,导致预测精准度较低。
发明内容
本发明实施例提供一种光伏发电功率预测方法及装置能提高光伏发电功率预测的精准度。
本发明一实施例提供一种光伏发电功率预测方法,包括:
以当前时刻为界,获取上一时段内光伏发电站的秒级发电输出功率,得到第一秒级发电输出功率,并计算下一时段的秒级太阳遮挡序列,得到第一秒级太阳遮挡序列;
将所述第一秒级发电输出功率以及所述第一秒级太阳遮挡序列输入至预设的发电功率预测模型中,以使所述发电功率预测模型根据所述第一秒级发电输出功率以及所述第一秒级太阳遮挡序列,预测下一时段内光伏发电站的秒级光伏发电输出功率。
进一步地,所述发电功率预测模型根据所述第一秒级发电输出功率以及所述第一秒级太阳遮挡序列,预测下一时段内光伏发电站的秒级发电输出功率,具体包括:
对所述第一秒级发电输出功率进行小波最大层分解,得到最大层近似相量序列以及各不同层级的细节相量序列;
分别构建每一相量序列的相量序列矩阵,继而将每一所述相量序列矩阵输入至卷积神经网络,以使所述卷积神经网络根据每一所述相量序列矩阵,生成每一所述相量序列矩阵所对应的下一时段的预测相量序列;
根据小波变换重构算法对每一所述预测相量序列进行重构,生成第二秒级发电输出功率序列;
将所述第一秒级太阳遮挡序列与所述第二秒级发电输出功率序列进行线性融合,生成下一时段内光伏发电站的秒级发电输出功率。
进一步地,通过以下方式计算下一时段的秒级太阳遮挡序列:
采集秒级地基云图,根据所述秒级地基云图,通过光流法计算云层相对太阳的相对运动速度;
根据所述相对运动速度,计算下一时段中各秒级时间间隔周期上太阳是否被遮挡,继而根据各秒级时间间隔周期上太阳被遮挡的情况,生成所述下一时段的秒级太阳遮挡序列。
进一步地,通过光伏逆变器采集上一时段内光伏发电站的秒级发电输出功率。
在上述方法项实施例的基础上,本发明对应提供了装置项实施例:
本发明一实施例提供了一种光伏发电功率预测装置,包括数据获取模块以及功率预测模块;
所述数据获取模块,用于以当前时刻为界,获取上一时段内光伏发电站的秒级发电输出功率,得到第一秒级发电输出功率,并计算下一时段的秒级太阳遮挡序列,得到第一秒级太阳遮挡序列;
所述功率预测模块,用于将所述第一秒级发电输出功率以及所述第一秒级太阳遮挡序列输入至预设的发电功率预测模型中,以使所述发电功率预测模型根据所述第一秒级发电输出功率以及所述第一秒级太阳遮挡序列,预测下一时段内光伏发电站的秒级发电输出功率。
进一步地,所述发电功率预测模型根据所述第一秒级发电输出功率以及所述第一秒级太阳遮挡序列,预测下一时段内光伏发电站的秒级发电输出功率,具体包括:
对所述第一秒级发电输出功率进行小波最大层分解,得到最大层近似相量序列以及各不同层级的细节相量序列;
分别构建每一相量序列的相量序列矩阵,继而将每一所述相量序列矩阵输入至卷积神经网络,以使所述卷积神经网络根据每一所述相量序列矩阵,生成每一所述相量序列矩阵所对应的下一时段的预测相量序列;
根据小波变换重构算法对每一所述预测相量序列进行重构,生成第二秒级发电输出功率序列;
将所述第一秒级太阳遮挡序列与所述第二秒级发电输出功率序列进行线性融合,生成下一时段内光伏发电站的秒级发电输出功率。
进一步地,所述数据获取模块,通过以下方式计算下一时段的秒级太阳遮挡序列:
采集秒级地基云图,根据所述秒级地基云图,通过光流法计算云层相对太阳的相对运动速度;
根据所述相对运动速度,计算下一时段中各秒级时间间隔周期上太阳是否被遮挡,继而根据各秒级时间间隔周期上太阳被遮挡的情况,生成所述下一时段的秒级太阳遮挡序列。
通过实施本发明实施例具有如下有益效果:
本发明实施例提供了一种光伏发电功率预测方法及装置,所述方法将上一时段的秒级发电输出功率以及下一时段的秒级太阳遮挡序列作为输入,输入到发电功率预测模型中,对下一时段内光伏发电站的秒级发电输出功率进行预测,相比与现有技术,本发明通过下一时段的秒级太阳遮挡序列,引入了秒级时间间隔周期上的太阳被云层遮挡的情况,对应了实际发电过程中云层运动引起的太阳辐照变化可能导致在数秒内太阳辐照变化有数百瓦,这一情况,提高了光伏发电预测的准确性。
附图说明
图1是本发明一实施例提供的一种光伏发电功率预测方法的流程示意图。
图2是本发明一实施例提供的一种光伏发电功率预测装置的结构示意图。
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。
如图1所示,本发明一实施例提供了一种光伏发电功率预测方法,包括:
步骤S101:以当前时刻为界,获取上一时段内光伏发电站的秒级发电输出功率,得到第一秒级发电输出功率,并计算下一时段的秒级太阳遮挡序列,得到第一秒级太阳遮挡序列。
步骤S102:将所述第一秒级发电输出功率以及所述第一秒级太阳遮挡序列输入至预设的发电功率预测模型中,以使所述发电功率预测模型根据所述第一秒级发电输出功率以及所述第一秒级太阳遮挡序列,预测下一时段内光伏发电站的秒级发电输出功率。
对于步骤S101,在一个优选的实施例中,通过光伏逆变器采集上一时段内光伏发电站的秒级发电输出功率。在本发明中通过光伏逆变器采集高分辨率光伏发电站的输出功率,获得上述上一时段内光伏发电站的秒级发电输出功率;优选的,本发明所述的上一时段内光伏发电站的秒级发电输出功率指的是,以当前时刻为分界,对过去1小时内光伏发电站的秒级发电输出功率。
在一个优选的实施例中,通过以下方式计算下一时段的秒级太阳遮挡序列:
采集秒级地基云图,根据所述秒级地基云图,通过光流法计算云层相对太阳的相对运动速度;根据所述相对运动速度,计算下一时段中各秒级时间间隔周期上太阳是否被遮挡,继而根据各秒级时间间隔周期上太阳被遮挡的情况,生成所述下一时段的秒级太阳遮挡序列。
具体的,通过全天空相机采集光伏发电站所在区域的秒级地基云图,通过光流法评估云层相对太阳的相对运动速度、判断未来时刻(未来一小时内)云层与太阳相对位置,并评估秒级时间间隔周期上太阳是否被遮挡,若存在遮挡即为1,若不存在遮挡即为0,建立关于时间序列的太阳遮挡序列,如[0,0,1,…,1]。
在一个优选的实施例中,下一时段的秒级太阳遮挡序列指的是,以当前时刻为界,未来一小时内的秒级太阳遮挡序列。
对于步骤S102,在一个优先的实施例中,所述发电功率预测模型根据所述第一秒级发电输出功率以及所述第一秒级太阳遮挡序列,预测下一时段内光伏发电站的秒级发电输出功率,具体包括:
对所述第一秒级发电输出功率进行小波最大层分解,得到最大层近似相量序列以及各不同层级的细节相量序列;
分别构建每一相量序列的相量序列矩阵,继而将每一所述相量序列矩阵输入至卷积神经网络,以使所述卷积神经网络根据每一所述相量序列矩阵,生成每一所述相量序列矩阵所对应的下一时段的预测相量序列;
根据小波变换重构算法对每一所述预测相量序列进行重构,生成第二秒级发电输出功率序列;
将所述第一秒级太阳遮挡序列与所述第二秒级发电输出功率序列进行线性融合,生成下一时段内光伏发电站的秒级发电输出功率。
优选的,上述下一时段内光伏发电站的秒级发电输出功率,指的是以当前时刻为界,在未来一小时内光伏发电站的秒级发电输出功率。
本发明通过对秒级光伏功率进行小波分解,将其分解为若干高频与低频序列,利用卷积神经网络算法,对各特性进行建模学习,提取各小波段上高维信息,并作为深度学习架构;通过地基云图技术,预测时间轴上云层对太阳是否遮挡状态,建立时间序列状态相量,作为浅层学习架构。通过wi de&Deep模型(一种融合浅层模型和深层模型),综合频率域信号特征与时间域云层是否遮挡状态特征,利用浅层模型的记忆能力和深层模型的泛化能力,提高模型预测能力。
具体的,本发明上述发电功率预测模型是一种融合浅层模型和深层模型;浅层输入为根据地基云图采集到的太阳遮挡时间状态序列(即上述太阳遮挡序列),并让其与输出层相连;
深层模型采用卷积神经网络模型,根据对过去1小时秒级的光伏电站输出功率进行分解、卷积计算、预测相量序列、重构操作,实现下一时间周期内秒级发电输出功率序列的预测。
以下针对模型对上一时段内光伏发电站的秒级发电输出功率以及第一秒级太阳遮挡序列,输入发电预测模型后,发电预测模型的具体处理进行示意性说明,依旧以过去1小时光伏发电站的秒级发电输出功率为例:
首先发电预测模型,根据Mallat算法通过Daubechies小波分解算法对过去1光伏发电站的秒级发电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为过去1小时光伏电站发电功率的时间序列;fs为选用小波分解层数据长度。
经过上述分解得到,时间标签为T的maxL层近似相量序列(最大层近似相量序列)Xa,T、以及各层级的细节相量序列:maxL层细节相量序列Xdm,maxL-1层细节相量序列Xdm-1,…,第一层相量细节序列Xd1;
分别建立每一层相量序列(包括maxL层近似相量序列以及各层级的细节相量序列)的相量序列矩阵,以第maxL层近似相量序列为例,建立时间序列的输入矩阵M=[Xa,T,Xa,T-1,…,Xa,1];将其输入至卷积神经网络模型,卷积神经网络模型,计算提取第maxL层近似相量序列的一维高级特性相量,最终输出近似相量序列T+1时间标签的Xa,T+1。
紧接着根据小波变化重构算法,对每一层预测的相量序列进行重构,得到下一时段内秒级发电功率相量序列,建立深度全连接层
最后在输出层将下一时段内秒级发电功率相量序列以及第一秒级太阳遮挡序列进行线性融合,预测出下一时段内光伏发电站的秒级发电输出功率。
在上述方法项实施例的基础上本发明对应提供了装置项实施例;
如图2所示,本发明一实施例提供了一种光伏发电功率预测装置,包括包括数据获取模块以及功率预测模块;
所述数据获取模块,用于以当前时刻为界,获取上一时段内光伏发电站的秒级发电输出功率,得到第一秒级发电输出功率,并计算下一时段的秒级太阳遮挡序列,得到第一秒级太阳遮挡序列;
所述功率预测模块,用于将所述第一秒级发电输出功率以及所述第一秒级太阳遮挡序列输入至预设的发电功率预测模型中,以使所述发电功率预测模型根据所述第一秒级发电输出功率以及所述第一秒级太阳遮挡序列,预测下一时段内光伏发电站的秒级发电输出功率。
在一个优选的实施例中,所述发电功率预测模型根据所述第一秒级发电输出功率以及所述第一秒级太阳遮挡序列,预测下一时段内光伏发电站的秒级发电输出功率,具体包括:
对所述第一秒级发电输出功率进行小波最大层分解,得到最大层近似相量序列以及各不同层级的细节相量序列;
分别构建每一相量序列的相量序列矩阵,继而将每一所述相量序列矩阵输入至卷积神经网络,以使所述卷积神经网络根据每一所述相量序列矩阵,生成每一所述相量序列矩阵所对应的下一时段的预测相量序列;
根据小波变换重构算法对每一所述预测相量序列进行重构,生成第二秒级发电输出功率序列;
将所述第一秒级太阳遮挡序列与所述第二秒级发电输出功率序列进行线性融合,生成下一时段内光伏发电站的秒级发电输出功率。
在一个优选的实施例中,所述数据获取模块,通过以下方式计算下一时段的秒级太阳遮挡序列:
采集秒级地基云图,根据所述秒级地基云图,通过光流法计算云层相对太阳的相对运动速度;
根据所述相对运动速度,计算下一时段中各秒级时间间隔周期上太阳是否被遮挡,继而根据各秒级时间间隔周期上太阳被遮挡的情况,生成所述下一时段的秒级太阳遮挡序列。
需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
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。
Claims (3)
1.一种光伏发电功率预测方法,其特征在于,包括:
以当前时刻为界,获取上一时段内光伏发电站的秒级发电输出功率,得到第一秒级发电输出功率,并计算下一时段的秒级太阳遮挡序列,得到第一秒级太阳遮挡序列;
将所述第一秒级发电输出功率以及所述第一秒级太阳遮挡序列输入至预设的发电功率预测模型中,以使所述发电功率预测模型根据所述第一秒级发电输出功率以及所述第一秒级太阳遮挡序列,预测下一时段内光伏发电站的秒级发电输出功率;
所述发电功率预测模型根据所述第一秒级发电输出功率以及所述第一秒级太阳遮挡序列,预测下一时段内光伏发电站的秒级发电输出功率,具体包括:
对所述第一秒级发电输出功率进行小波最大层分解,得到最大层近似相量序列以及各不同层级的细节相量序列;
分别构建每一相量序列的相量序列矩阵,继而将每一所述相量序列矩阵输入至卷积神经网络,以使所述卷积神经网络根据每一所述相量序列矩阵,生成每一所述相量序列矩阵所对应的下一时段的预测相量序列;
根据小波变换重构算法对每一所述预测相量序列进行重构,生成第二秒级发电输出功率序列;
将所述第一秒级太阳遮挡序列与所述第二秒级发电输出功率序列进行线性融合,生成下一时段内光伏发电站的秒级发电输出功率;
通过以下方式计算下一时段的秒级太阳遮挡序列:
采集秒级地基云图,根据所述秒级地基云图,通过光流法计算云层相对太阳的相对运动速度;
根据所述相对运动速度,计算下一时段中各秒级时间间隔周期上太阳是否被遮挡,继而根据各秒级时间间隔周期上太阳被遮挡的情况,生成所述下一时段的秒级太阳遮挡序列。
2.如权利要求1所述的光伏发电功率预测方法,其特征在于,通过光伏逆变器采集上一时段内光伏发电站的秒级发电输出功率。
3.一种光伏发电功率预测装置,其特征在于,包括数据获取模块以及功率预测模块;
所述数据获取模块,用于以当前时刻为界,获取上一时段内光伏发电站的秒级发电输出功率,得到第一秒级发电输出功率,并计算下一时段的秒级太阳遮挡序列,得到第一秒级太阳遮挡序列;
所述功率预测模块,用于将所述第一秒级发电输出功率以及所述第一秒级太阳遮挡序列输入至预设的发电功率预测模型中,以使所述发电功率预测模型根据所述第一秒级发电输出功率以及所述第一秒级太阳遮挡序列,预测下一时段内光伏发电站的秒级发电输出功率;
所述发电功率预测模型根据所述第一秒级发电输出功率以及所述第一秒级太阳遮挡序列,预测下一时段内光伏发电站的秒级发电输出功率,具体包括:
对所述第一秒级发电输出功率进行小波最大层分解,得到最大层近似相量序列以及各不同层级的细节相量序列;
分别构建每一相量序列的相量序列矩阵,继而将每一所述相量序列矩阵输入至卷积神经网络,以使所述卷积神经网络根据每一所述相量序列矩阵,生成每一所述相量序列矩阵所对应的下一时段的预测相量序列;
根据小波变换重构算法对每一所述预测相量序列进行重构,生成第二秒级发电输出功率序列;
将所述第一秒级太阳遮挡序列与所述第二秒级发电输出功率序列进行线性融合,生成下一时段内光伏发电站的秒级发电输出功率;
所述数据获取模块,通过以下方式计算下一时段的秒级太阳遮挡序列:
采集秒级地基云图,根据所述秒级地基云图,通过光流法计算云层相对太阳的相对运动速度;
根据所述相对运动速度,计算下一时段中各秒级时间间隔周期上太阳是否被遮挡,继而根据各秒级时间间隔周期上太阳被遮挡的情况,生成所述下一时段的秒级太阳遮挡序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011170431.4A CN112257938B (zh) | 2020-10-28 | 2020-10-28 | 一种光伏发电功率预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011170431.4A CN112257938B (zh) | 2020-10-28 | 2020-10-28 | 一种光伏发电功率预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112257938A CN112257938A (zh) | 2021-01-22 |
CN112257938B true CN112257938B (zh) | 2022-07-08 |
Family
ID=74261398
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011170431.4A Active CN112257938B (zh) | 2020-10-28 | 2020-10-28 | 一种光伏发电功率预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112257938B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112801413A (zh) * | 2021-03-02 | 2021-05-14 | 国网电子商务有限公司 | 一种光伏电站发电功率预测方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105335560A (zh) * | 2015-10-29 | 2016-02-17 | 中国电力科学研究院 | 光伏发电功率波动性及其自动发电控制备用需求计算方法 |
CN107563903A (zh) * | 2016-06-30 | 2018-01-09 | 中国电力科学研究院 | 一种云层对地面光伏电站的遮挡模型建立方法 |
CN108280551A (zh) * | 2018-02-02 | 2018-07-13 | 华北电力大学 | 一种利用长短期记忆网络的光伏发电功率预测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180373827A1 (en) * | 2012-03-23 | 2018-12-27 | Power Analytics Corporation | Systems and methods for model-based solar power management |
JP6255251B2 (ja) * | 2014-01-22 | 2017-12-27 | 株式会社日立製作所 | 太陽光発電装置の出力推定方法および装置並びにこれを用いた電力系統監視装置 |
CN111815038B (zh) * | 2020-06-24 | 2022-05-13 | 山东大学 | 一种光伏超短期预测方法及*** |
-
2020
- 2020-10-28 CN CN202011170431.4A patent/CN112257938B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105335560A (zh) * | 2015-10-29 | 2016-02-17 | 中国电力科学研究院 | 光伏发电功率波动性及其自动发电控制备用需求计算方法 |
CN107563903A (zh) * | 2016-06-30 | 2018-01-09 | 中国电力科学研究院 | 一种云层对地面光伏电站的遮挡模型建立方法 |
CN108280551A (zh) * | 2018-02-02 | 2018-07-13 | 华北电力大学 | 一种利用长短期记忆网络的光伏发电功率预测方法 |
Non-Patent Citations (3)
Title |
---|
基于多尺度聚类分析的光伏功率特性建模及预测应用;管霖等;《电力***自动化》;20180810;第42卷(第15期);第24-28页 * |
基于小波分解和卷积神经网络的光伏发电功率预测方法;易海燕;《中国优秀硕士学位论文全文数据库工程科技II辑》;20190715(第7期);第C042-307页 * |
基于相位相关的天空图像云团运动速度计算方法研究;王飞等;《无机太阳能学报》;20161031;第37卷(第10期);第2539-2541页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112257938A (zh) | 2021-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Forecasting hourly solar irradiance using hybrid wavelet transformation and Elman model in smart grid | |
Agoua et al. | Short-term spatio-temporal forecasting of photovoltaic power production | |
Rodríguez et al. | Forecasting intra-hour solar photovoltaic energy by assembling wavelet based time-frequency analysis with deep learning neural networks | |
CN112651290A (zh) | 一种水电机组振动趋势预测方法和*** | |
Zheng et al. | Very short-term maximum Lyapunov exponent forecasting tool for distributed photovoltaic output | |
CN106803128B (zh) | 光伏发电的预测方法和装置 | |
CN116128170B (zh) | 一种光伏电站功率超短期预测方法、装置及相关设备 | |
CN113988477A (zh) | 基于机器学习的光伏功率短期预测方法、装置及存储介质 | |
CN111242377A (zh) | 一种集成深度学习和数据去噪的短期风速预测方法 | |
CN113962433B (zh) | 一种融合因果卷积与可分离时间卷积的风电预测方法及*** | |
CN116451873B (zh) | 基于多尺度双时空网络区域风力发电功率预测方法及*** | |
CN117233870B (zh) | 一种基于多气象要素的短临降水集合预报及降尺度方法 | |
CN109711622A (zh) | 一种基于时空多维因素预测警情的方法和*** | |
CN112257938B (zh) | 一种光伏发电功率预测方法及装置 | |
Rebouças Filho et al. | Energy production predication via Internet of Thing based machine learning system | |
Wang et al. | A novel wind power prediction model improved with feature enhancement and autoregressive error compensation | |
Yin et al. | Inception-embedded attention memory fully-connected network for short-term wind power prediction | |
Hatanaka et al. | Diffusion models for high-resolution solar forecasts | |
Song et al. | Sea level simulation with signal decomposition and machine learning | |
Wei et al. | Cloudprednet: an ultra-short-term movement prediction model for ground-based cloud image | |
Khan et al. | DSPM: Dual sequence prediction model for efficient energy management in micro-grid | |
Phan et al. | Application of a new Transformer-based model and XGBoost to improve one-day-ahead solar power forecasts | |
CN116706903A (zh) | 光伏发电量预测方法、装置、设备及介质 | |
CN111932007B (zh) | 一种光伏电站的功率预测方法、装置及存储介质 | |
Zhao et al. | Missing interpolation model for wind power data based on the improved CEEMDAN method and generative adversarial interpolation network |
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 | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231030 Address after: 510000 room 2901, No.3 Linjiang Avenue, Tianhe District, Guangzhou City, Guangdong Province Patentee after: GUANGZHOU DEVELOPMENT NEW ENERGY Co.,Ltd. Patentee after: GUANGFA HUIDONG WIND POWER CO.,LTD. Address before: 510000 29th floor, development center, No.3 Linjiang Avenue, Tianhe District, Guangzhou City, Guangdong Province Patentee before: GUANGZHOU DEVELOPMENT NEW ENERGY Co.,Ltd. |
|
TR01 | Transfer of patent right |