CN114638463A - 一种精细化光伏容量配置方案生成方法及*** - Google Patents
一种精细化光伏容量配置方案生成方法及*** Download PDFInfo
- Publication number
- CN114638463A CN114638463A CN202111552997.8A CN202111552997A CN114638463A CN 114638463 A CN114638463 A CN 114638463A CN 202111552997 A CN202111552997 A CN 202111552997A CN 114638463 A CN114638463 A CN 114638463A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic
- data
- capacity
- power generation
- refined
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000010248 power generation Methods 0.000 claims abstract description 45
- 230000001932 seasonal effect Effects 0.000 claims abstract description 33
- 238000009434 installation Methods 0.000 claims abstract description 14
- 238000012216 screening Methods 0.000 claims abstract description 6
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 6
- 238000005286 illumination Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 241000288105 Grus Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 description 1
- -1 hydrogen Chemical class 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 239000004065 semiconductor Substances 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (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
本发明属于光伏容量配置技术领域，提供了一种精细化光伏容量配置方案生成方法及***。其中，该方法包括获取季节性出力特征数据和预测日气象预报数据；将获取的季节性出力特征数据和预测日气象预报数据均输入至预先训练完成的光伏发电量预测模型中，得到光伏发电量预测结果；根据光伏发电量预测结果，结合现场光伏可安装面积及安装倾角对光伏容量进行配置，生成多种备选配置方案；根据光伏安装及运行的投资成本和回报率，从所有备选配置方案中筛选出投资成本最小且回报率最高的方案，作为最终光伏容量配置方案。其能够提高光伏容量配置的准确度。
Description
技术领域
本发明属于光伏容量配置技术领域，尤其涉及一种精细化光伏容量配置方 案生成方法及***。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在 先技术。
由于光伏发电***易受太阳辐射及周围环境的影响，使得光伏发电***的 供电能力具有不稳定性，因此需要对光伏容量进行合理配置。
现有光伏容量配置技术能够根据气候条件、光照资源条件等具体的现场环 境进行光伏容量的配置，但是发明人发现，目前针对气候、光照等数据的处理 不够精细，缺乏精确的数据处理模型，导致容量配置结果误差较大，进而导致 在光伏容量配置的过程中投资闲置和资源浪费等问题。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供一种精细化光伏容 量配置方案生成方法及***，其能够提高光伏容量配置的准确度，减少光伏容 量配置的过程中投资闲置和资源浪费。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供一种精细化光伏容量配置方案生成方法，其包括：
获取季节性光伏出力数据和预测日气象预报数据；
将获取的季节性出力光伏出力数据和预测日气象预报数据均输入至预先训 练完成的光伏发电量预测模型中，得到光伏发电量预测结果；
根据光伏发电量预测结果，结合现场光伏可安装面积及安装倾角对光伏容 量进行配置，生成多种备选配置方案；
根据光伏安装及运行的投资成本和回报率，从所有备选配置方案中筛选出 投资成本最小且回报率最高的方案，作为最终光伏容量配置方案。
作为一种实施方式，所述光伏发电量预测模型为三层GRU模型。
作为一种实施方式，所述光伏发电量预测模型的训练数据为：
与预测日具有设定相似性的相似日的历史季节性出力特征数据及其对应气 象预报数据。
作为一种实施方式，所述相似日通过相似日算法选取，其过程为：
提取一组表征预测日特性的特征向量；
基于历史日的特征向量与预测日的特征向量之间的关联度，计算出与预测 日具设定相似性的相似日。
作为一种实施方式，获取季节性出力特征数据和预测日气象预报数据之后， 还包括：
对获取的季节性出力特征数据和预测日气象预报数据进行数据填补和滤波 处理。
作为一种实施方式，所述预测日气象预报数据包括日气温预测序列、日光 照预测序列和日降雨量预测序列。
本发明的第二个方面提供一种精细化光伏容量配置方案生成***，其包括：
数据获取模块，其用于获取季节性出力特征数据和预测日气象预报数据；
发电量预测模块，其用于将获取的季节性出力特征数据和预测日气象预报 数据均输入至预先训练完成的光伏发电量预测模型中，得到光伏发电量预测结 果；
备选方案生成模块，其用于根据光伏发电量预测结果，结合现场光伏可安 装面积及安装倾角对光伏容量进行配置，生成多种备选配置方案；
配置方案确定模块，其用于根据光伏安装及运行的投资成本和回报率，从 所有备选配置方案中筛选出投资成本最小且回报率最高的方案，作为最终光伏 容量配置方案。
本发明的第三个方面提供一种计算机可读存储介质，其上存储有计算机程 序，该程序被处理器执行时实现如上述所述的精细化光伏容量配置方案生成方 法中的步骤。
本发明的第四个方面提供一种电子设备，包括存储器、处理器及存储在存 储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如 上述所述的精细化光伏容量配置方案生成方法中的步骤。
与现有技术相比，本发明的有益效果是：
本发明提出了一种精细化光伏容量配置方案生成方法及***，其基于光伏 发电量预测模型对季节性出力特征数据和预测日气象预报数据进行了精细化处 理，得到了光伏发电量的预测值，进而基于光伏发电量的预测值生成备选配置 方案，再基于设定原则确定出最终光伏容量配置方案，以进一步提高了光伏容 量配置的准确度，减少了光伏容量配置的过程中投资闲置和资源浪费。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述 中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发 明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明实施例的精细化光伏容量配置方案生成方法的示例性应用环 境的***架构的示意图；
图2是本发明实施例的精细化光伏容量配置方案生成方法流程图；
图3是本发明实施例的光伏发电量预测模型结构示意图；
图4是本发明实施例的精细化光伏容量配置方案生成***结构示意图；
图5是本发明实施例的电子设备结构示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。 除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的 普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图 限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确 指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说 明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、 组件和/或它们的组合。
图1示出了可以应用本发明实施例的精细化光伏容量配置方案生成方法的 示例性应用环境的***架构的示意图。
如图1所示，***架构100可以包括电子设备101和/或电子设备102，网 络103和服务器104。网络103用以在电子设备101、电子设备102和服务器104 之间提供通信链路的介质。网络103可以包括各种连接类型，例如有线、无线 通信链路或者光纤电缆等等。电子设备101、电子设备102，包括但不限于台式 计算机、便携式计算机、智能手机和平板电脑等等。应该理解，图1中的电子 设备、网络和服务器的数量仅仅是示意性的。根据实现需要，可以具有任意数 目的电子设备、网络和服务器。比如服务器104可以是多个服务器组成的服务 器集群等。
本发明实施例所提供的精细化光伏容量配置方案生成方法一般由服务器 104执行，相应地，精细化光伏容量配置方案生成***可以设置于服务器104中。 但本领域技术人员容易理解的是，本发明实施例所提供的精细化光伏容量配置 方案生成方法也可以由电子设备101或电子设备102执行。
实施例一
如图2所示，本实施例提供了一种精细化光伏容量配置方案生成方法，其 具体包括如下步骤：
S101：获取季节性出力特征数据和预测日气象预报数据。
需要说明的是，预测日气象预报数据包括光照、温度、降雨量等。
在本实施例中，预测日气象预报数据以包括日气温预测序列、日光照预测 序列和日降雨量预测序列为例。其中，日气温预测序列、日光照预测序列和日 降雨量预测序列的采样时间间隔为1h。
可理解的是，在其他实施例中，日气温预测序列、日光照预测序列和日降 雨量预测序列的采样时间间隔也可为其他设定时间，比如30min或其他时间等。
其中，季节性出力特征数据指的是各季节里光伏发电情况。
这样可用于通过挖掘光伏发电站的季节性特征来完成更加精准的预测。
S102：将获取的季节性出力特征数据和预测日气象预报数据均输入至预先 训练完成的光伏发电量预测模型中，得到光伏发电量预测结果。
为了提高光伏发电量预测结果的准确性，获取季节性出力特征数据和预测 日气象预报数据之后，还包括：
对获取的季节性出力特征数据和预测日气象预报数据进行数据填补和滤波 处理。
其中：
数据填补：利用前后加权均值法推算缺失的实际值进行填补，填补方式如 式(1)。
式中，xh为序列第h位缺失数据，
为数据为距离xh最近的未 缺失数据an为数据权值，此处按时间间隔反比分配权值。
数据滤波：利用卷积深度置信网络(CDBN)分离噪声，提取有效数据。例 如，在滤波过程中，可采用MATLAB调用卷积深度置信网络工具箱进行分离噪 声。
如图3所示，在本实施例中，所述光伏发电量预测模型为三层GRU模型。 其中，在图3中，301为输入层，302为三层GRU，303为输出层。
其优点在于：GRU处理时序模型的层数不能过多，层数的增加会带来时间 开销和内存开销的指数级增长，当层数超过了三层，层与层之间的梯度消失情 况非常明显，并容易进入局部最小的困境。GRU每一层特征提取能力很强大， 三层GRU能在保证模型容量不致过大的前提下，提高预测精度。
在本实施例中，所述光伏发电量预测模型的训练数据为：
与预测日具有设定相似性的相似日的历史季节性出力特征数据及其对应气 象预报数据。
其中，相似日算法是一种聚类分析方法，所述相似日通过相似日算法选取， 其过程为：
提取一组表征预测日特性的特征向量；
基于历史日的特征向量与预测日的特征向量之间的关联度，计算出与预测 日具设定相似性的相似日。
例如：相似日的选取分为以下三步：
(1)将光伏安装所在地历史气象数据进行归一化处理，非数值数据则进行 数值化处理后再进行归一化处理。
(2)选取易于计算且能一定程度上反映该日的数据变化特征的特征向量。
对于目标因素和影响因素序列，进行如下排列：
式中，X0为目标序列；X1-Xk为比较序列。其中，目标因素指的是光伏出力； 影响因素包含光辐照度、温度、湿度、地理信息和历史功率信息等。
(3)利用关联度算法计算历史日的关联度，从而挑选出适当的相似日。
其中，选取灰色关联度分析(Grey Relation Analysis,GRA)计算历史日的关联度。该方法的基本思想是通过分析目标因素和各影响因素曲线变化趋势的一致 性强弱来找到对目标因素影响最大的因素。
其基本计算步骤为：
求出比较序列中的每一项xi(k)与目标序列对应项x0(k)的差值的绝对值 Δ0i(k)，并求出所有差值中的最大值Δmax与最小值Δmin。
Δ0i(k)＝|x0(k)-xi(k)|
式中，k∈(1,2…n)，i∈(1,2…m)。
按照下式求比较序列各项的关联系数ξ0i(k)：
式中，ρ为分辨系数，一般在0～1之间，经验取值为0.5。
以比较序列各项的均值作为该项的最终关联度：
ri即被认为是相关因素i与目标因素的相关度；ri的数值介于0～1之间，其 数值越大代表两因素之间关联性越强。
S103：根据光伏发电量预测结果，结合现场光伏可安装面积及安装倾角对 光伏容量进行配置，生成多种备选配置方案。
S104：根据光伏安装及运行的投资成本和回报率，从所有备选配置方案中 筛选出投资成本最小且回报率最高的方案，作为最终光伏容量配置方案。
具体地，光伏安装及运行的投资成本以全寿命周期成本(Life Cycle Cost， LCC)来表示。其构成主要包括：光伏发电站一次投资成本、光伏发电运行费用、 贷款利息、损耗费用和设备退役回收费用。全额上网方式下的全寿命周期成本 LCC为：
LCC＝IC·(1+Rop+δ+Cloan·Cintr·LoanTime)(1-Tax)+ Pbiaogan·EF[(1-R+ηR)(1-Tax)+(1-η)Tax]
式中，IC为一次投资成本，Rop为运维费率，δ为退役成本统一为固定资产 的百分比(取2％)，Cloan为贷款占总投资的比例，Cintr为贷款利率，LoanTime为 贷款时长，Tax为企业所得税税率(取17％)，Pbiaogan为光伏发电上网标杆电价， EF为光伏发电总量，R为供电可靠性，η为年线损率。
结合以上所述的全寿命周期成本计算公式，可以得到年投资收益率RIO为：
式中，B为收益，LCC为全寿命周期成本，IC为一次投资成本，Cloan为贷款 占总投资的比例，LifeTime为光伏电站运营期。
实施例二
如图4所示，本实施例提供了一种精细化光伏容量配置方案生成***，其 具体包括如下模块：
(1)数据获取模块401，其用于获取季节性出力特征数据和预测日气象预 报数据。
(2)发电量预测模块402，其用于将获取的季节性出力特征数据和预测日 气象预报数据均输入至预先训练完成的光伏发电量预测模型中，得到光伏发电 量预测结果。
在本实施例中，所述光伏发电量预测模型为三层GRU模型，如图3所示。
其中，所述光伏发电量预测模型的训练数据为：
与预测日具有设定相似性的相似日的历史季节性出力特征数据及其对应气 象预报数据。
具体地，与预测日具有设定相似性的相似日的选取过程如实施例一中所述， 此处不再累述。
(3)备选方案生成模块403，其用于根据光伏发电量预测结果，结合现场 光伏可安装面积及安装倾角对光伏容量进行配置，生成多种备选配置方案。
(4)配置方案确定模块404，其用于根据光伏安装及运行的投资成本和回 报率，从所有备选配置方案中筛选出投资成本最小且回报率最高的方案，作为 最终光伏容量配置方案。
此处需要说明的是，本实施例中的各个模块与实施例一中的各个步骤一一 对应，其具体实施过程相同，此处不再累述。
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程 序被处理器执行时实现如上述所述的精细化光伏容量配置方案生成方法中的步 骤。
实施例四
本实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并 可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述 的精细化光伏容量配置方案生成方法中的步骤。
参照图5，本实施例中电子设备的一种结构示意图。需要说明的是，图5示 出的电子设备500仅是一个示例，不应对本发明实施例的功能和使用范围带来 任何限制。
如图5所示，电子设备500包括中央处理单元(CPU)501，其可以根据存 储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存 储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还 存储有***操作所需的各种程序和数据。中央处理单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸 如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507； 包括硬盘等的存储部分508；以及包括诸如局域网(LAN)卡、调制解调器等的 网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。 驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、 磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读 出的计算机程序根据需要被安装入存储部分508。
特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为 计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承 载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示 的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509 从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中 央处理单元501执行时，执行本申请的装置中限定的各种功能。
本发明是参照本发明实施例的方法、设备(***)和计算机程序产品的流程图 和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的 每一流程和/或方框以及流程图和/或方框图中的流程和/或方框的结合。可提供这 些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数 据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理 设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框 图一个方框或多个方框中指定的功能的装置。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领 域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则 之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之 内。
Claims (10)
1.一种精细化光伏容量配置方案生成方法，其特征在于，包括：
获取季节性出力特征数据和预测日气象预报数据；
将获取的季节性出力特征数据和预测日气象预报数据均输入至预先训练完成的光伏发电量预测模型中，得到光伏发电量预测结果；
根据光伏发电量预测结果，结合现场光伏可安装面积及安装倾角对光伏容量进行配置，生成多种备选配置方案；
根据光伏安装及运行的投资成本和回报率，从所有备选配置方案中筛选出投资成本最小且回报率最高的方案，作为最终光伏容量配置方案。
2.如权利要求1所述的精细化光伏容量配置方案生成方法，其特征在于，所述光伏发电量预测模型为三层GRU模型。
3.如权利要求1所述的精细化光伏容量配置方案生成方法，其特征在于，所述光伏发电量预测模型的训练数据为：
与预测日具有设定相似性的相似日的历史季节性出力特征数据及其对应气象预报数据。
4.如权利要求3所述的精细化光伏容量配置方案生成方法，其特征在于，所述相似日通过相似日算法选取，其过程为：
提取一组表征预测日特性的特征向量；
基于历史日的特征向量与预测日的特征向量之间的关联度，计算出与预测日具设定相似性的相似日。
5.如权利要求1所述的精细化光伏容量配置方案生成方法，其特征在于，获取季节性出力特征数据和预测日气象预报数据之后，还包括：
对获取的季节性出力特征数据和预测日气象预报数据进行数据填补和滤波处理。
6.如权利要求1所述的精细化光伏容量配置方案生成方法，其特征在于，所述预测日气象预报数据包括日气温预测序列、日光照预测序列和日降雨量预测序列。
7.一种精细化光伏容量配置方案生成***，其特征在于，包括：
数据获取模块，其用于获取季节性出力特征数据和预测日气象预报数据；
发电量预测模块，其用于将获取的季节性出力特征数据和预测日气象预报数据均输入至预先训练完成的光伏发电量预测模型中，得到光伏发电量预测结果；
备选方案生成模块，其用于根据光伏发电量预测结果，结合现场光伏可安装面积及安装倾角对光伏容量进行配置，生成多种备选配置方案；
配置方案确定模块，其用于根据光伏安装及运行的投资成本和回报率，从所有备选配置方案中筛选出投资成本最小且回报率最高的方案，作为最终光伏容量配置方案。
8.如权利要求7所述的精细化光伏容量配置方案生成***，其特征在于，所述光伏发电量预测模型为三层GRU模型；
或
所述光伏发电量预测模型的训练数据为：
与预测日具有设定相似性的相似日的历史季节性出力特征数据及其对应气象预报数据。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一项所述的精细化光伏容量配置方案生成方法中的步骤。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6中任一项所述的精细化光伏容量配置方案生成方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111552997.8A CN114638463A (zh) | 2021-12-17 | 2021-12-17 | 一种精细化光伏容量配置方案生成方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111552997.8A CN114638463A (zh) | 2021-12-17 | 2021-12-17 | 一种精细化光伏容量配置方案生成方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114638463A true CN114638463A (zh) | 2022-06-17 |
Family
ID=81946155
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111552997.8A Pending CN114638463A (zh) | 2021-12-17 | 2021-12-17 | 一种精细化光伏容量配置方案生成方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114638463A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105469163A (zh) * | 2015-12-08 | 2016-04-06 | 国家电网公司 | 一种用于光伏电站功率预测的相似日的选择方法 |
| CN106447131A (zh) * | 2016-10-24 | 2017-02-22 | 易事特集团股份有限公司 | 独立型微电网光伏输出功率预测方法及能量调控方法 |
| CN107341566A (zh) * | 2017-06-19 | 2017-11-10 | 东北电力大学 | 基于气象参数与太阳能电池板运行状态参数的光伏***发电功率预测装置及其方法 |
| CN108564221A (zh) * | 2018-04-19 | 2018-09-21 | 深圳智润新能源电力勘测设计院有限公司 | 一种光伏阵列间距及倾角的计算方法和计算装置 |
| CN113270898A (zh) * | 2021-05-25 | 2021-08-17 | 云南电网有限责任公司电力科学研究院 | 一种基于两阶段规划的分布式光伏优化配置方法 |
-
2021
- 2021-12-17 CN CN202111552997.8A patent/CN114638463A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105469163A (zh) * | 2015-12-08 | 2016-04-06 | 国家电网公司 | 一种用于光伏电站功率预测的相似日的选择方法 |
| CN106447131A (zh) * | 2016-10-24 | 2017-02-22 | 易事特集团股份有限公司 | 独立型微电网光伏输出功率预测方法及能量调控方法 |
| CN107341566A (zh) * | 2017-06-19 | 2017-11-10 | 东北电力大学 | 基于气象参数与太阳能电池板运行状态参数的光伏***发电功率预测装置及其方法 |
| CN108564221A (zh) * | 2018-04-19 | 2018-09-21 | 深圳智润新能源电力勘测设计院有限公司 | 一种光伏阵列间距及倾角的计算方法和计算装置 |
| CN113270898A (zh) * | 2021-05-25 | 2021-08-17 | 云南电网有限责任公司电力科学研究院 | 一种基于两阶段规划的分布式光伏优化配置方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张华彬: "基于天气类型聚类和LS-SVM的光伏出力预测", 《电力科学与工程》, vol. 30, no. 10, 28 October 2014 (2014-10-28), pages 42 - 47 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102479347B (zh) | 基于数据驱动的风电场短期风速预测方法和*** | |
| CN107730097B (zh) | 一种母线负荷预测方法、装置及计算设备 | |
| CN114792156A (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和*** | |
| CN113705929B (zh) | 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法 | |
| KR20200057822A (ko) | 우수를 이용한 태양광 발전 모듈 최적 냉각 장치 및 방법 | |
| CN110705768B (zh) | 用于风电场的风力发电功率预测优化方法和装置 | |
| CN116014722A (zh) | 基于季节分解和卷积网络的次日光伏发电预测方法及*** | |
| CN114638463A (zh) | 一种精细化光伏容量配置方案生成方法及*** | |
| CN116706884A (zh) | 光伏发电量的预测方法、装置、终端及存储介质 | |
| CN115759469A (zh) | 一种针对峰值负荷及其出现时间的预测方法及其装置 | |
| CN113723712B (zh) | 风电功率预测方法、***、设备及介质 | |
| CN105205560A (zh) | 一种基于正负误差变权的光伏发电功率预测方法 | |
| CN109460893A (zh) | 一种光伏电站天气类型相关性指标计算方法和*** | |
| CN114330923A (zh) | 一种基于公共气象数据的光伏发电功率预测方法 | |
| CN110705769B (zh) | 新能源发电功率预测优化方法和装置 | |
| CN114372615A (zh) | 一种考虑空间相关性的短期光伏功率预测方法及*** | |
| CN112560325B (zh) | 换电业务的预测方法、***、设备及存储介质 | |
| CN114004405A (zh) | 基于Elman神经网络和卫星云图的光伏功率预测方法及*** | |
| CN117748500B (zh) | 光伏功率预测方法、装置、设备及介质 | |
| CN114169704B (zh) | 产品生产过程质量控制方法、装置、设备及存储介质 | |
| CN110705770B (zh) | 用于光伏电站的光伏功率预测优化方法和装置 | |
| CN116541766B (zh) | 脑电数据修复模型的训练方法、脑电数据修复方法及装置 | |
| CN118399380A (zh) | 发电预测方法及装置 | |
| CN110874611B (zh) | 风电集群功率超短期预测误差等级分级补偿方法 | |
| CN117277267A (zh) | 区域功率预测方法和装置 |
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 |