CN114819374A - 区域新能源超短期功率预测方法及*** - Google Patents
区域新能源超短期功率预测方法及*** Download PDFInfo
- Publication number
- CN114819374A CN114819374A CN202210502390.7A CN202210502390A CN114819374A CN 114819374 A CN114819374 A CN 114819374A CN 202210502390 A CN202210502390 A CN 202210502390A CN 114819374 A CN114819374 A CN 114819374A
- Authority
- CN
- China
- Prior art keywords
- prediction
- power
- new energy
- data
- predicted
- 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 24
- 238000010248 power generation Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000010276 construction Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000003491 array Methods 0.000 claims description 2
- 238000012706 support-vector machine Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 230000005684 electric field Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process 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
- 238000005096 rolling process Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000013179 statistical 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Power Engineering (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)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种区域新能源超短期功率预测方法,确定实际发电功率与待预测区域实际发电功率相关性最高的新能源场站;获取相关性最高的新能源场站初步预测的历史发电功率预测数据;从初步预测的历史发电功率预测数据中提取每个预测周期内最后一个预测时段的发电功率预测数据,以该数据构建新能源功率预测序列;以新能源功率预测序列和待预测区域同时段的历史实测数据对预测模型进行训练;以训练好的预测模型对待预测区域未来的发电功率数据进行预测,本发明能够对超短期新能源功率进行精确的预测。
Description
技术领域
本发明属于新能源功率预测技术领域,尤其涉及一种区域新能源超短期功率预测方法及***。
背景技术
新能源功率预测***作为并网新能源电场的基础***之一,是电网调度管理部门制定并网发电计划的主要参考手段,发电功率预测***的运行情况会影响新能源电场的并网发电量,同时,直接影响电网公司的调度策略。随着我国“双碳”目标和电力市场紧张,新能源发电消纳考核精度逐步提高,新国标GB/T40607-2021《调度侧风电或光伏功率预测***技术》要求区域风电超短期第4小时的预测月平均准确率达到90%以上,区域光伏发电超短期第4小时的预测月平均准确率达到95%以上。
风电/光伏超短期发电功率预测是预测未来15分钟至4小时的功率曲线,每15分钟预测一次,并自动滚动执行。根据预测对象,通常分为针对新能源电场的超短期功率预测和针对省/市新能源区域/集群的超短期功率预测。新能源电场功率超短期预测通常以前期实际功率和气象信息构建统计或智能算法模型,实时预测时基于实测信息的输入逐时段进行未来4小时发电功率预测;区域/集群新能源功率预测通常采用升尺度匹配方法,即选取区域/集群内出力效果较好的基准场站预测结果,以倍增或深度学习的方式升尺度得到区域/集群总功率。超短期区域新能源功率预测的输入数据为前期实测功率、气象信息或气象预测、场站预测功率,无论哪一种方法,采用哪些输入数据,通常随着预报长度延长导致功率预测精度降低,因为预报时间越长,当前实测信息对其影响越小,而预测的难度也会增大。
发明内容
为了解决现有技术存在的问题,本发明提供一种区域新能源超短期功率预测方法及***,能够对超短期新能源功率进行精确的预测。
本发明所要解决的技术问题是通过以下技术方案实现的:
第一方面,本发明的目的在于提供一种区域新能源超短期功率预测方法,包括:
确定待预测区域中实际发电功率与待预测区域总实际发电功率相关性最高的新能源场站;
获取相关性最高的新能源场站初步预测的历史发电功率预测数据;
从初步预测的历史发电功率预测数据中提取每个预测周期内最后一个预测时段的发电功率预测数据,以该数据构建新能源功率预测序列;
以新能源功率预测序列和待预测区域同时段的历史实测数据对预测模型进行训练;
以训练好的预测模型对待预测区域未来的发电功率数据进行预测。
结合第一方面,进一步的,还包括对预测出的未来的新能源场站发电功率数据进行校正。
结合第一方面,进一步的,确定实际发电功率与待预测区域实际发电功率相关性最高的新能源场站包括:
选取当前时间点前M个月的待预测区域内各新能源场站实际发电功率数据和整个区域的实际发电功率数据,据此以15分钟为间隔构建各新能源场站实际发电功率序列和整个区域的实际发电功率序列;
以各新能源场站实际发电功率序列和整个区域的实际发电功率序列构建N+1维数组,其中N为区域内新能源场站的数量;
将构建的N+1维数组各列分别进行归一化;
计算归一化后的代表新能源场站实际发电功率序列的各维数组与代表整个区域的实际发电功率序列的最后一维数组的相关系数,确定相关系数最大的那一维对应的场站即为所求场站。
结合第一方面,进一步的,若所有的相关系数均小于相关度阀值,则对各新能源场站实际发电功率序列进行聚类,将其划分为若干集群,找出各集群中各新能源场站实际发电功率序列与整个集群的实际发电功率序列相关度最高的新能源场站,根据该新能源场站预测整个集群的发电功率预测数据,然后将各集群的发电功率预测数据叠加得到整个区域未来的发电功率预测数据。
结合第一方面,进一步的,构建新能源功率预测序列包括:
基于初步预测的历史发电功率预测数据,以4小时为一个预测周期,15分钟为预测时段,提取每个预测周期内最后一个预测时段的发电功率预测数据,以该发电功率预测数据构建新能源功率预测序列。
结合第一方面,进一步的,所述预测模型采用LSTM神经网络模型、支持向量机模型或其他智能运算模型。
第二方面,提供了一种新能源超短期功率预测***,包括:
新能源场站确定模块,用于确定待预测区域中实际发电功率与待预测区域总实际发电功率相关性最高的新能源场站;
预测数据获取摸块, 用于获取相关性最高的新能源场站初步预测的历史发电功率预测数据;
预测序列构建模块,用于从初步预测的历史发电功率预测数据中提取每个预测周期内最后一个预测时段的发电功率预测数据,以该数据构建新能源功率预测序列;
预测模型构建模块,用于以新能源功率预测序列和待预测区域同时段的历史实测数据对预测模型进行训练;
预测模块,用于以训练好的预测模型对待预测区域未来的发电功率数据进行预测。
结合第二方面,进一步的,还包括校正模块,用于对预测出的未来的新能源场站发电功率数据进行校正。
本发明的有益效果:
通过计算相关系数,找到相关性最高的新能源场站,较原来选择资料条件好、预测精度高的新能源场站作为基准场站更优;
基于基准场站第16个点的预测序列构建预测模型,较原来基于基准场站实测序列构建预测模型更优;
预测模型构建后,实时预测时,依据前期的区域实测功率数据进行校正可提高临近时段的预测精度。
整体而言,预测精度较已有方法提高约3个百分点。
附图说明
图1为本发明中新能源功率预测序列构建示意图。
具体实施方式
为了进一步描述本发明的技术特点和效果,以下结合附图和具体实施方式对本发明做进一步描述。
实施例1
如图1所示,一种区域新能源超短期功率预测方法,包括以下步骤:
步骤一、确定与待预测区域实际发电功率相关性最高的新能源场站
选取当前时间点最近两个月的各新能源场站的实际发电功率数据和整个区域的实际发电功率数据,以15分钟为间隔构建各新能源场站的实际发电功率序列和整个待测区域的实际发电功率序列,每个序列就相当于一个一维数组,例如某场站2个小时的数据就可以构成一个一维8个元素的数组,每个元素的值取这15分钟内的实际发电功率平均值。加上待测区域共N+1维数组,为了除去各场站装机差异影响对数组各列进行归一化处理。
处理完后分别计算代表各场站的发电功率序列和代表整个待预测区域发电功率序列的相关系数,找出和待预测区域发电功率序列相关系数最大的那个场站的发电功率序列所对应的场站。
若场站过多且与区域实发功率序列相关性不高时,可先对各场站功率序列进行聚类,划分为若干集群,在每个集群中分析确定相关性最高的场站,具体为:
若所有的相关系数均小于相关度阀值(0.8),则对各新能源场站实际发电功率序列进行聚类,将其划分为若干集群,找出各集群中各新能源场站实际发电功率序列与整个集群的实际发电功率序列相关度最高的新能源场站(和找待预测区域发电功率序列相关度最高的新能源场站类似),根据该新能源场站预测整个集群的发电功率预测数据,然后将各集群的发电功率预测数据叠加得到整个区域未来的发电功率预测数据。
步骤二、构建新能源功率预测序列
获取相关性最高的新能源场站初步预测的历史发电功率预测数据(新能源场站自身具备一定的功率预测功能,可以对后续的发电功率进行预测,但是其精度不够,本发明中将其称之为初步预测),基于初步预测的历史发电功率预测数据,以4小时为一个预测周期,15分钟为预测时段(每隔15分钟预测后4个小时),提取每个预测周期内最后一个(即4小时中的第16段)预测时段的发电功率预测数据,功能规范要求新能源电场每15分钟自动预测并发布超短期功率预测数据,即15分钟分辨率的未来15分钟至4小时的预测结果。如附图1所示,对于已发生的每个历史时间都有16个预测数据,分别对应不同的预测时间(虚线),取其中第16个点的数据,组成与区域实发功率时间序列一致的第16个点预测数据序列(斜实线)以该发电功率预测数据构建新能源功率预测序列。
步骤三、模型训练
将该新能源功率预测序列和整个待预测区域同时段的历史实测数据对预测模型进行训练;将预测数据和实测数据集结合训练结果更加精确。所述预测模型可以采用LSTM(Long Short-Term Memory,长短期记忆)神经网络模型,向量机模型或其它统计模型、智能算法等。
步骤四、功率预测
通过训练好的模型每15分钟进行一次预测,即提取即提取近几个时段的区域实发功率和代表新能源场站的第16点组成的功率预测序列,将其输入训练好的预测模型对未来4小时以15分钟为分辨率的发电功率。
为了进一步的提高预测精度,我们可以对输入数据进行校正,可以采用卡尔曼滤波、反馈模拟等可用于实时校正的模型。
实施例2
本发明还提供了一种新能源超短期功率预测***,包括:
新能源场站确定模块,用于确定实际发电功率与待预测区域实际发电功率相关性最高的新能源场站;
预测数据获取摸块, 用于获取相关性最高的新能源场站初步预测的历史发电功率预测数据;
预测序列构建模块,用于从初步预测的历史发电功率预测数据中提取每个预测周期内最后一个预测时段的发电功率预测数据,以该数据构建新能源功率预测序列;
预测模型构建模块,用于以新能源功率预测序列和待预测区域同时段的历史实测数据对预测模型进行训练;
预测模块,用于以训练好的预测模型对待预测区域未来的发电功率数据进行预测。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据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。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置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。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供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步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (8)
1.一种区域新能源超短期功率预测方法,其特征在于,包括:
确定待预测区域中实际发电功率与待预测区域总实际发电功率相关性最高的新能源场站;
获取相关性最高的新能源场站初步预测的历史发电功率预测数据;
从初步预测的历史发电功率预测数据中提取每个预测周期内最后一个预测时段的发电功率预测数据,以该数据构建新能源功率预测序列;
以新能源功率预测序列和待预测区域同时段的历史实测数据对预测模型进行训练;
以训练好的预测模型对待预测区域未来的发电功率数据进行预测。
2.根据权利要求1所述的一种区域新能源超短期功率预测方法,其特征在于,还包括对预测出的未来的新能源场站发电功率数据进行校正。
3.根据权利要求1所述的一种区域新能源超短期功率预测方法,其特征在于,确定待预测区域中实际发电功率与待预测区域总实际发电功率相关性最高的新能源场站包括:
选取当前时间点前M个月的待预测区域内各新能源场站实际发电功率数据和整个区域的实际发电功率数据,据此以15分钟为间隔构建各新能源场站实际发电功率序列和整个区域的实际发电功率序列;
以各新能源场站实际发电功率序列和整个区域的实际发电功率序列构建N+1维数组,其中N为区域内新能源场站的数量;
将构建的N+1维数组各列分别进行归一化;
计算归一化后的代表新能源场站实际发电功率序列的各维数组与代表整个区域的实际发电功率序列的最后一维数组的相关系数,确定相关系数最大的那一维对应的场站即为所求场站。
4.根据权利要求3所述的一种区域新能源超短期功率预测方法,其特征在于,若所有的相关系数均小于相关度阀值,则对各新能源场站实际发电功率序列进行聚类,将其划分为若干集群,找出各集群中各新能源场站实际发电功率序列与整个集群的实际发电功率序列相关度最高的新能源场站,根据该新能源场站预测整个集群的发电功率预测数据,然后将各集群的发电功率预测数据叠加得到整个区域未来的发电功率预测数据。
5.根据权利要1所述的一种区域新能源超短期功率预测方法,其特征在于,构建新能源功率预测序列包括:
基于初步预测的历史发电功率预测数据,以4小时为一个预测周期,15分钟为预测时段,提取每个预测周期内最后一个预测时段的发电功率预测数据,以该发电功率预测数据构建新能源功率预测序列。
6.根据权利要求1所述的一种区域新能源超短期功率预测方法,其特征在于,所述预测模型采用LSTM神经网络模型或者支持向量机模型。
7.一种新能源超短期功率预测***,其特征在于,包括:
新能源场站确定模块,用于确定待预测区域中实际发电功率与待预测区域总实际发电功率相关性最高的新能源场站;
预测数据获取摸块, 用于获取相关性最高的新能源场站初步预测的历史发电功率预测数据;
预测序列构建模块,用于从初步预测的历史发电功率预测数据中提取每个预测周期内最后一个预测时段的发电功率预测数据,以该数据构建新能源功率预测序列;
预测模型构建模块,用于以新能源功率预测序列和待预测区域同时段的历史实测数据对预测模型进行训练;
预测模块,用于以训练好的预测模型对待预测区域未来的发电功率数据进行预测。
8.根据权利要求6所述的一种区域新能源超短期功率预测方法,其特征在于,还包括校正模块,用于对预测出的未来的新能源场站发电功率数据进行校正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210502390.7A CN114819374A (zh) | 2022-05-10 | 2022-05-10 | 区域新能源超短期功率预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210502390.7A CN114819374A (zh) | 2022-05-10 | 2022-05-10 | 区域新能源超短期功率预测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114819374A true CN114819374A (zh) | 2022-07-29 |
Family
ID=82512611
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210502390.7A Pending CN114819374A (zh) | 2022-05-10 | 2022-05-10 | 区域新能源超短期功率预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114819374A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116227249A (zh) * | 2023-05-10 | 2023-06-06 | 南方电网数字电网研究院有限公司 | 功率气象数据智能迁移的新能源长期电量预测方法与*** |
CN116342077A (zh) * | 2023-05-30 | 2023-06-27 | 南方电网数字电网研究院有限公司 | 一种适用于数据缺失场站的新能源功率迁移学习预测方法 |
CN117195751A (zh) * | 2023-11-07 | 2023-12-08 | 国能日新科技股份有限公司 | 区域新能源的功率组合预测方法和设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018082132A1 (zh) * | 2016-11-04 | 2018-05-11 | 江南大学 | 一种用于能源***输出功率的短期预测方法 |
CN111191815A (zh) * | 2019-11-25 | 2020-05-22 | 清华大学 | 一种用于风电集群的超短期出力预测方法及*** |
CN112700050A (zh) * | 2021-01-04 | 2021-04-23 | 南京南瑞继保电气有限公司 | 一种光伏电站超短期第1点功率预测方法及*** |
-
2022
- 2022-05-10 CN CN202210502390.7A patent/CN114819374A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018082132A1 (zh) * | 2016-11-04 | 2018-05-11 | 江南大学 | 一种用于能源***输出功率的短期预测方法 |
CN111191815A (zh) * | 2019-11-25 | 2020-05-22 | 清华大学 | 一种用于风电集群的超短期出力预测方法及*** |
CN112700050A (zh) * | 2021-01-04 | 2021-04-23 | 南京南瑞继保电气有限公司 | 一种光伏电站超短期第1点功率预测方法及*** |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116227249A (zh) * | 2023-05-10 | 2023-06-06 | 南方电网数字电网研究院有限公司 | 功率气象数据智能迁移的新能源长期电量预测方法与*** |
CN116227249B (zh) * | 2023-05-10 | 2023-09-15 | 南方电网数字电网研究院有限公司 | 功率气象数据智能迁移的新能源长期电量预测方法与*** |
CN116342077A (zh) * | 2023-05-30 | 2023-06-27 | 南方电网数字电网研究院有限公司 | 一种适用于数据缺失场站的新能源功率迁移学习预测方法 |
CN116342077B (zh) * | 2023-05-30 | 2023-09-15 | 南方电网数字电网研究院有限公司 | 一种适用于数据缺失场站的新能源功率迁移学习预测方法 |
CN117195751A (zh) * | 2023-11-07 | 2023-12-08 | 国能日新科技股份有限公司 | 区域新能源的功率组合预测方法和设备 |
CN117195751B (zh) * | 2023-11-07 | 2024-03-15 | 国能日新科技股份有限公司 | 区域新能源的功率组合预测方法和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114819374A (zh) | 区域新能源超短期功率预测方法及*** | |
WO2017054537A1 (zh) | 一种长时间尺度光伏出力时间序列建模方法及装置 | |
CN102521080B (zh) | 一种电力用户用电信息采集***的计算机数据修复方法 | |
CN113159102B (zh) | 一种多时间尺度的光伏功率预测方法及*** | |
CN111709569A (zh) | 风电场输出功率预测修正方法及装置 | |
CN116629416A (zh) | 光伏电站功率预测方法及装置 | |
CN110110339B (zh) | 一种日前水文预报误差校正方法及*** | |
CN115034485A (zh) | 一种基于数据空间的风电功率区间预测方法及装置 | |
CN115081597A (zh) | 一种基于机器学习的以电核碳方法、***、设备和介质 | |
CN111311026A (zh) | 一种顾及数据特征、模型和校正的径流非线性预测方法 | |
CN112700050B (zh) | 一种光伏电站超短期第1点功率预测方法及*** | |
CN107944466B (zh) | 一种基于分段思想的降雨偏差纠正方法 | |
CN112736902B (zh) | 一种基于stl分解的时间序列短期电力负荷预测方法 | |
CN112633565A (zh) | 一种光伏功率集合区间预测方法 | |
CN115081681B (zh) | 一种基于prophet算法的风电功率预测方法 | |
CN114676931B (zh) | 一种基于数据中台技术的电量预测*** | |
CN116484998A (zh) | 基于气象相似日的分布式光伏电站功率预测方法及*** | |
CN115907131A (zh) | 一种北方地区电采暖负荷预测模型搭建方法和*** | |
CN113554203B (zh) | 基于高维网格化和LightGBM的风电预测方法及装置 | |
CN110210657B (zh) | 一种基于单机模型的风机功率预测方法、***及计算机存储介质 | |
CN110874611B (zh) | 风电集群功率超短期预测误差等级分级补偿方法 | |
CN112215383A (zh) | 一种分布式光伏发电功率预测方法和*** | |
CN117767285A (zh) | 一种基于时间邻域气象数据的短期光伏发电功率预测方法、装置、存储介质及设备 | |
CN117333325A (zh) | 一种基于相关系数样条插值的光伏电站缺失功率修复方法 | |
CN114897326A (zh) | 新能源不确定场景置信出力区间提取方法及*** |
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 |