TW201740296A - 再生能源發電量預測方法與系統 - Google Patents

再生能源發電量預測方法與系統 Download PDF

Info

Publication number
TW201740296A
TW201740296A TW105114400A TW105114400A TW201740296A TW 201740296 A TW201740296 A TW 201740296A TW 105114400 A TW105114400 A TW 105114400A TW 105114400 A TW105114400 A TW 105114400A TW 201740296 A TW201740296 A TW 201740296A
Authority
TW
Taiwan
Prior art keywords
data
power generation
historical
module
abnormal
Prior art date
Application number
TW105114400A
Other languages
English (en)
Inventor
Kun-Hong Chen
Original Assignee
Chun He Technology Co Ltd
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 Chun He Technology Co Ltd filed Critical Chun He Technology Co Ltd
Priority to TW105114400A priority Critical patent/TW201740296A/zh
Publication of TW201740296A publication Critical patent/TW201740296A/zh

Links

Classifications

    • 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

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一種再生能源發電量預測系統包含資料擷取模組、資料庫、異常點修正模組、預測模組、輸入模組與輸出模組。資料擷取模組用於擷取歷史氣候資料與歷史發電資料。資料庫用於儲存歷史氣候資料與歷史發電資料。異常點修正模組用於將歷史氣候資料與歷史發電資料中的異常資料濾除，該預測模組根據已濾除該些異常資料的該些歷史氣候資料與該些歷史發電資料進行一類神經網路預測模型的訓練以獲得一發電量預測模型。輸入模組輸入未來氣候資料、太陽軌跡與大氣質量至該預測模組，使該預測模組計算出一預測發電量。輸出模組用於輸出預測發電量。

Description

再生能源發電量預測方法與系統
本創作係有關於一種再生能源的發電量預測方法與系統，特別是有關於一種應用類神經網路的再生能源的發電量預測方法與系統。
再生能源為來自大自然的能源，例如太陽能、風力、潮汐能、地熱能、生質能或水力等取之不盡，用之不竭的能源。然而，再生能源發電系統的發電量會受到許多外在因素的影響，例如氣候溫度、太陽日照強度或季節因素等，這些外在因素不同程度地影響再生能源發電系統的發電量，再生能源發電系統可視為一個不穩定的電源，因此，研究再生能源的隨機性與再生能源發電估算技術有著重要意義。
然而，再生能源電廠發電量的隨機性、波動性、間歇性以及不確定性等缺點，造成估算再生能源發電存在一定的困難度，估算結果與實際結果差距過大，造成估算結果不具參考價值。
類神經網路是一種模仿生物神經網路的結構和功能的數學模型或計算模型，是由大量的人工神經元連接進行計算。類神經網路是一種運算模型，由大量的節點(或稱神經元或單元)相互連接構成。每個節點代表一種特定的輸出函數，每兩個節點之間的連接都代表一個對於通過該連接信號的權重。類神經網路已經成功地應用於預測股票指數或其他商業預測上，若能將類神經網路應用於再生能源的發電量預測上，可以估算未來時間之再生能源電廠的發電量，讓電廠管理者可以依據所預測的發電量事先分配電廠的發電，避免因發電量過多或過少時導致供電不足或過多浪費，造成電能利用率過低。
本創作之目的在設計一種再生能源發電量預測系統，透過該預測系統應用類神經網路來預測再生能源電廠的發電量。
根據上述之目的，本創作提供一種再生能源發電量預測系統，包含： 一資料庫，儲存複數筆歷史氣候資料、複數筆歷史發電資料、複數筆太陽軌跡資料與複數筆大氣質量資料； 一資料擷取模組，其與該資料庫連接，從該資料庫擷取該些歷史氣候資料、該些歷史發電資料、該些太陽軌跡資料與該些大氣質量資料； 一異常點修正模組，其與該資料擷取模組連接，將該些歷史氣候資料、該些歷史發電資料、該些太陽軌跡資料與該些大氣質量資料中的複數筆異常資料濾除； 一預測模組，其與該異常點修正模組連接，該預測模組根據已修正該些異常資料的該些歷史氣候資料、該些歷史發電資料、該些太陽軌跡資料與該些大氣質量資料進行一類神經網路預測模型的訓練以獲得一發電量預測模型； 一輸入模組，連接該預測模組，輸入複數筆未來氣候資料、一太陽軌跡與一大氣質量至該預測模組，使該預測模組計算出一預測發電量； 一輸出模組，連接該預測模組，用於輸出該預測發電量。
本創作之另一目的在提供一種再生能源發電量預測方法，透過該預測方法訓練類神經網路預測模型以獲得較佳的類神經網路預測模型，進而可以計算出準確率高的預測電廠發電量。
根據上述之目的，本創作提供一種再生能源發電量預測方法，包含下列步驟： 透過一資料擷取模組取得複數筆歷史氣候資料、複數筆歷史發電資料、複數筆太陽軌跡資料與複數筆大氣質量資料； 透過一異常點修正模組將所擷取的該些歷史氣候資料、該些歷史發電資料、該些太陽軌跡資料與該些大氣質量資料中的複數筆異常資料修正； 將已修正之該些異常資料的該些歷史氣候資料、該些歷史發電資料、該些太陽軌跡資料與該些大氣質量資料傳送至一預測模組，進行一類神經網路預測模型的訓練以獲得一發電量預測模型； 輸入一未來時間區間的複數筆預測氣候資料、一太陽軌跡以及一大氣質量至該預測模組以進行該未來時間區間的電廠發電量預測； 透過一輸出模組將所預測之該電廠發電量輸出。
透過本創作的再生能源發電量預測方法與系統可以計算出可靠的預測電廠發電量，因為本創作是根據歷史氣候資料與歷史發電資料透過類神經網路的方式建立該發電量預測模型，其中該些歷史氣候資料包含各種不同的發電環境狀態，而該些歷史發電資料與各種不同發電環境狀態息息相關，故本創作所建立的發電量預測模型將再生能源電廠發電量因環境氣候因素所導致的隨機性、波動性、間歇性等不確定性因素都考慮在內，使所預測的發電量具有可參考性，讓電廠管理者可以透過預測電廠發電量有效分配電廠發電量，提高發電電能的利用率。
以下配合圖式及本創作較佳實施例，進一步闡述本創作為達成預定創作目的所採取的技術手段。
圖1為本創作之再生能源發電量預測系統的方塊圖。如圖1所示，本創作的再生能源預測系統10包含資料擷取模組11、資料庫12、異常點修正模組13、預測模組14、類神經網路預測模型15、輸入模組16與輸出模組17。
再生能源電廠的歷史氣候資料、歷史發電資料、歷史太陽軌跡資料與歷史大氣質量資料可透過工作人員將其記錄在資料庫中12中，或者再生能源電廠的歷史氣候資料、歷史太陽軌跡資料或歷史大氣質量資料可以透過電廠氣候偵測元件測得或由電腦系統從氣象網站擷取，電廠氣候偵測元件可以是溫度計、陀螺儀或電子裝置的氣象資料應用軟體等可以獲得溫度、太陽方位角或太陽高度角等資料的工具所組成。而歷史發電資料可以由電廠的發電元件將其輸出資料傳送至電腦系統中，再由電腦系統儲存於資料庫12中，在此並不侷限。再生能源電廠的歷史氣候資料、歷史發電資料、歷史太陽軌跡資料與歷史大氣質量資料作為預測未來發電量的依據，歷史氣候資料可以是太陽輻射量、溫度、濕度、氣壓、風速、風向、降雨量、雲覆量或土壤溫度等，但在此並不侷限。而歷史發電資料可以是再生能源電廠的直流(DC)的數據，例如電壓、電流、再生能源裝置發電效率(kWh/kWp/h)、千瓦(kW)、每千瓦小時(kWh)或每單位裝置發電量(kWh/kWp)等)或交流(AC)的數據，例如電壓、電流、再生能源裝置發電效率(kWh/kWp/h)、千瓦(kW)、每千瓦小時(kWh)或每單位裝置發電量(kWh/kWp)等，但在此並不侷限。
資料擷取模組11分別連接至資料庫12與異常點修正模組13，資料擷取模組11可以是電腦或行動裝置的一執行指令或應用軟體，資料擷取模組11可以設定在一固定時間(每分鐘、每小時或每天等)擷取太陽能電廠的氣候資料、發電資料、太陽軌跡與大氣質量，資料擷取模組11的設定與執行指令的設計為本領域具有基本軟體設計者所熟知，在此不再贅述。當要進行類神經網路預測模型15訓練時，資料擷取模組11將再生能源電廠的歷史氣候資料、歷史發電資料、歷史太陽軌跡資料與歷史大氣質量資料從資料庫12擷取出來，並將所擷取出來的歷史氣候資料、歷史發電資料、歷史太陽軌跡資料與歷史大氣質量資料傳送至異常點修正模組13。異常點修正模組13用於分析所擷取之歷史氣候資料、歷史發電資料、歷史太陽軌跡與歷史大氣質量，透過線性迴歸、常態分佈或資料比對等方式將異常的資料找出來，再進行濾除或修正，以增進預測的準確性。舉例來說，可以應用再生能源電廠的發電效率(Performance Ratio，PR(kWh/kWp/h))作為異常點修正的依據，以相同發電裝置的前一周的平均發電效率做為異常點判斷與修正的基準，若其它周的平均發電效率與該周的平均發電效率差距過大則視為異常點，進一步修正或濾除該異常點，也可以在同一時間比較同一電廠的不同發電裝置發電效率做為異常點修正的依據，若在相同電廠的某一發電裝置與其他發電裝置的比較值(發電效率或單位發電量)差異過大，同樣將其視為異常點，進一步修正或濾除該異常點，其修正方法可以相同發電裝置過去一段時間的平均發電效率當修正基準，或在相同時間比較同一電廠其他單個或複數個發電裝置的平均發電效率或平均單位發電量當基準進一步補值或修正。發電裝置可以為一個或多個最大功率點追蹤(Maximum Power Point Tracking，MPPT)裝置、一個或多個逆變器或是整個電廠，在此並不侷限。另外，或者在不同實施例中，也可以透過設定一門檻值，異常點修正模組13判斷歷史氣候資料、歷史發電資料、歷史太陽軌跡資料或歷史大氣質量資料是否超過門檻值，以將超過門檻值的歷史氣候資料、歷史發電資料、歷史太陽軌跡資料或歷史大氣質量資料視為異常資料並將其濾除或修正。
預測模組14連接異常點修正模組13，異常點修正模組13將濾除或修正異常資料後的歷史氣候資料、歷史發電資料、歷史太陽軌跡與歷史大氣質量傳送至預測模組14進行類神經網路預測模型15的訓練以獲得一發電量預測模型。同樣，預測模組14、類神經網路預測模型15與發電量預測模型可以是電腦系統或行動裝置的一應用程式或執行指令，如何設計建造預測模組14、類神經網路預測模型15與發電量預測模型為本領域具有軟體設計或資訊工程等通常知識者所熟知，在此不再贅述。如圖2所示，類神經網路預測模型15包含輸入層(input layer)151、隱藏層(hidden layer)152與輸出層(output layer)153。輸入層151接收再生能源電廠之歷史氣候資料與歷史發電資料(或稱為訓練資料(training data)或測試資料(testing data))，輸出層153輸出類神經網路預測模型15的訓練結果或計算結果，如圖2所示。隱藏層152位於輸入層151與輸出層153之間，輸入層151、隱藏層152與輸出層153分別包含一個或多個節點154，在輸入層151的節點154分別與隱藏層152的節點154連接，且隱藏層152的節點154也分別與輸出層153的節點154連接。在預測模組14進行類神經網路預測模型15的訓練時，依訓練模式，將歷史氣候資料、歷史發電資料、歷史太陽軌跡資料與歷史大氣質量資料切割成訓練資料、調教資料及測試資料，然後利用訓練資料及調教資料進行類神經網路預測模型15的訓練及調教。由於類神經網路的技術為本領域具有通常知識者所熟知，因此有關於類神經網路的詳細介紹在此不再贅述。另外，節點154的數量或隱藏層152的層數根據不同需求可以有不同的節點154數量或層數，而非侷限於圖2所示的態樣。而且本創作的類神經網路所採用的評估誤差的方法包含均方根誤差法(Root Mean Square Error，RMSE)、平均絕對誤差法(Mean Absolute Error，MAE)、平均絕對比例誤差法(Mean Absolute Percentage Error，MAPE)或平均相對誤差(Mean Relative Error (MRE)等，其公式如下：
其中，上述之方程式的N為訓練資料筆數，為預測發電量值，為實際發電量值。當類神經網路預測模型15的預測績效不如預期時，預測模組14則更換輸入變數、調整類神經網路預測模型15架構或參數設定，逐步提升系統預測績效。舉例來說，在訓練類神經網路模型15時，將經過異常點修正模組13濾除異常資料的去年一到八月份的歷史氣候資料、歷史發電資料、太陽方位角(Azimuth Angle)、太陽高度角(Elevation Angle)與大氣質量(Air Mass，AM)輸入至類神經網路預測模型15進行訓練，再以九到十二月份的歷史資料當測試資料，該類神經網路模型15所輸出的電廠九到十二月份預測發電量與去年九到十二月份的電廠實際發電量進行比較，並透過上述之均方根誤差法、平均絕對誤差法或平均絕對比例誤差法進行誤差評估，若誤差過大，調整類神經網路預測模型15之輸入層151的輸入參數與隱藏層之層數152節點154數量，或者調整所輸入之歷史氣候資料與歷史發電資料，再將歷史氣候資料與歷史發電資料輸入至調整後的類神經網路預測模型15，進行另一次的模型訓練誤差評估，透過上述的類神經網路預測模型15的訓練流程，最後得到預測準確率較高的類神經網路預測模型15作為本創作的發電量預測模型。
接著，最佳模型訓練完後，透過輸入模組16輸入未來一段時間的預測氣候資料、未來一段時間的太陽軌跡資料(例如太陽的高度角與方位角等)與大氣質量(Air Mass)等未來資料至預測模組14，以進行再生能源電廠之發電量的預測。輸入模組16可以是鍵盤，由再生能源電廠的工作人員將預測氣候資料、太陽軌跡資料與大氣質量輸入至再生能源發電量預測系統10，或者輸入模組16可以是安裝於一電腦系統的程式，可以從氣候網站或相關氣候預測單位(如學術單位等)獲得未來預測氣候資料，並可以計算未來一段時間的太陽軌跡資料與大氣質量，再將這些資料輸入至預測模組14，以進行再生能源電廠的發電量預測。其中，未來時間的預測氣候資料可以從氣象局的預報資料或相關氣候預測單位所獲得，而太陽方位角(Azimuth Angle)A是指太陽光線在地平面上的投影與當地經線的夾角，太陽高度角(Elevation Angle)為觀測者所在地和太陽中心的連線與地平面所夾的角度，大氣質量(Air Mass，AM)為大氣對地球表面接收太陽光的影響程度，未來時間的太陽方位角、太陽高度角或大氣質量可以透過數學計算公式算出。輸出模組16連接預測模組14，透過輸出模組16將預測模組14透過類神經網路預測模型15所算出來的預測發電量輸出。透過上述的再生能源預測系統10，應用類神經網路預測模型15可以有效的預測電廠的發電量，根據預測的發電量讓電廠管理者可以有效的分配電力。
圖3為本創作之再生能源預測方法的流程圖。如圖3所示，在步驟S301中，透過資料擷取模組11取得歷史氣候資料、歷史發電資料、歷史太陽軌跡與歷史大氣質量。本創作的再生能源預測方法擷取再生能源電廠的歷史氣候資料、歷史發電資料歷史太陽軌跡與歷史大氣質量作為預測未來發電量的依據。在步驟S302中，透過異常點修正模組13將所擷取的歷史氣候資料、歷史發電資料、歷史太陽軌跡與歷史大氣質量中的異常資料濾除或修正。舉例來說，異常點修正模組13可以透過迴歸分析(Regression Analysis)的方式將離群值(Outlier)的資料濾除或修正，離群值是指在數據中有一個或多個數值與其他數值相比差異較大。或者如圖4所示，異常點修正模組13可以利用常態分佈法，將擷取到的歷史氣候資料與歷史發電資料建立常態分佈曲線，進而大於3標準差(±3s)的資料點濾除或修正。所謂的標準差(Standard Deviation，SD)，為在機率統計中最常使用作為統計分布程度(statistical dispersion)上的測量，標準差是一組數值自平均值分散開來程度的一種測量觀念。一個較大的標準差代表大部分的數值和其平均值之間差異較大；一個較小的標準差代表這些數值較接***均值。在不同實施例中，甚至可以設計一個門檻值將超過門檻值的資料濾除或修正。在此需要說明的是，應用迴歸分析或常態分佈法等濾除異常點的方式為本領域具有通常知識者所熟知，在此不再贅述。而修正的方法可以同一發電裝置過去一段時間的平均發電效率當修正基準，或在相同時間比較同一發電電廠之複數個發電裝置的平均發電效率或平均單位發電量當基準進一步補值或修正該些歷史氣候資料、該些歷史發電資料、該些太陽軌跡資料與該些大氣質量資料中的複數筆異常資料。
在步驟S303中，將已濾除或修正異常資料的歷史氣候資料、歷史發電資料、太陽軌跡與大氣質量傳送至預測模組14，透過預測模組14進行類神經網路預測模型15的訓練以獲得一發電量預測模型。類神經網路預測模型15需要進行反覆的演算與修正，藉由輸入已濾除或修正異常點的歷史氣候資料與歷史發電資料(加太陽軌跡或大氣質量等)至預測模組14，並透過均方根誤差法(RMSE)、平均絕對誤差法(MAE)或平均絕對比例誤差法(MAPE)等數學公式與測試用的歷史氣候資料與歷史發電資料來評估類神經網路預測模型15的預測績效。若類神經網路預測模型15所預測出來的歷史預測發電量與歷史實際發電量差距過大，更換輸入至類神經網路預測模型15的歷史氣候資料與歷史發電資料(太陽軌跡或大氣質量等)，調整類神經網路預測模型15的架構或參數設定，例如更改在類神經網路預測模型15之輸入層151參數、隱藏層152層數與節點154數量，逐步提升類神經網路預測模型15的預測績效，最後產生具較佳預測績效的發電量預測模型。
在步驟S304中，輸入一未來時間區間的預測氣候資料、太陽軌跡(例如高度角或方位角等)以及大氣質量至預測模組14以進行未來時間區間的電廠發電量預測。其中，未來時間的預測氣候資料可以從氣象局的預報資料或相關氣候預測單位所獲得，而太陽方位角(Azimuth Angle)A是指太陽光線在地平面上的投影與當地經線的夾角，太陽高度或太陽高度角為觀測者所在地和太陽中心的連線與地平面所夾的角度，如圖5所示，太陽方位角A可透過下列公式取得：
其中，h 是太陽的方位角，δA 是當時的太陽赤緯，θA 為當地的地理緯度。
太陽高度或太陽高度角α為觀測者所在地和太陽中心的連線與地平面所夾的角度，如圖5所示，太陽高度角α可以透過下列公式計算獲得其近似值：
其中，α是太陽高度角，ħ 是以地方恆星時系統下的時角，是目前的太陽赤緯，是當地的緯度。
大氣質量(Air Mass，AM)為大氣對地球表面接收太陽光的影響程度，其計算公式為：
其中θAM 為太陽入射方向與天頂方向的夾角，如圖6所示，而θAM 又稱天頂角。
透過輸入模組16將可取得之未來時間區間的氣候資料、太陽方位角、太陽高度角與大氣質量等資料輸入至本創作的再生能源預測系統10進行再生能源電廠的發電預測，然後在步驟S305中，透過輸出模組17將所預測之電廠發電量輸出。經由輸出模組17將預測模組14所計算出來的預測發電量輸出，讓電廠管理者可以有效的分配電廠發電量。
透過本創作的再生能源預測方法與系統可預測出準確性高的電廠發電量，根據所預測之再生能源電廠的發電量讓電廠管理者可以進行電廠發電量的調配，以提升再生能源電廠發電的有效利用率。
以上所述僅是本創作的較佳實施例而已，並非對本創作做任何形式上的限制，雖然本創作已以較佳實施例揭露如上，然而並非用以限定本創作，任何熟悉本專業的技術人員，在不脫離本創作技術方案的範圍內，當可利用上述揭示的技術內容作出些許更動或修飾為等同變化的等效實施例，但凡是未脫離本創作技術方案的內容，依據本創作的技術實質對以上實施例所作的任何簡單修改、等同變化與修飾，均仍屬於本創作技術方案的範圍內。
10‧‧‧再生能源預測系統
11‧‧‧資料擷取模組
12‧‧‧資料庫
13‧‧‧異常點修正模組
14‧‧‧預測模組
15‧‧‧類神經網路預測模型
151‧‧‧輸入層
152‧‧‧隱藏層
153‧‧‧輸出層
154‧‧‧節點
16‧‧‧輸入模組
17‧‧‧輸出模組
圖1為本創作之再生能源發電量預測系統的方塊圖。 圖2為本創作之類神經網路預測模型的示意圖。 圖3為本創作之再生能源發電量預測方法的流程圖。 圖4為本創作之常態分佈法的分佈曲線圖。 圖5為本創作之計算太陽方位角的示意圖。 圖6為本創作之計算大氣質量的示意圖。
10‧‧‧再生能源發電量預測系統
11‧‧‧資料擷取模組
12‧‧‧資料庫
13‧‧‧異常點修正模組
14‧‧‧預測模組
15‧‧‧類神經網路預測模型
16‧‧‧輸入模組
17‧‧‧輸出模組

Claims (10)

  1. 一種再生能源發電量預測系統，包含： 一資料庫，儲存複數筆歷史氣候資料、複數筆歷史發電資料、複數筆太陽軌跡資料與複數筆大氣質量資料； 一資料擷取模組，其與該資料庫連接，從該資料庫擷取該些歷史氣候資料、該些歷史發電資料、該些太陽軌跡資料與該些大氣質量資料； 一異常點修正模組，其與該資料擷取模組連接，將該些歷史氣候資料、該些歷史發電資料、該些太陽軌跡資料與該些大氣質量資料中的複數筆異常資料濾除； 一預測模組，其與該異常點修正模組連接，該預測模組根據已修正該些異常資料的該些歷史氣候資料、該些歷史發電資料、該些太陽軌跡資料與該些大氣質量資料進行一類神經網路預測模型的訓練以獲得一發電量預測模型； 一輸入模組，連接該預測模組，輸入複數筆未來氣候資料、一太陽軌跡與一大氣質量至該預測模組，使該預測模組計算出一預測發電量； 一輸出模組，連接該預測模組，用於輸出該預測發電量。
  2. 如請求項1所述之再生能源發電量預測系統，其中該異常點修正模組是應用迴歸分析、常態分佈法或資料比對方法進行該些歷史氣候資料、該些歷史發電資料、該些太陽軌跡資料或該些大氣質量資料的該些異常資料的判斷，並進行資料點濾除或修正，其中修正方法是以相同發電裝置過去一段時間的平均發電效率當修正基準，或在相同時間比較同一電廠其他單個或複數個發電裝置的平均發電效率或平均單位發電量當基準進一步補值或修正。
  3. 如請求項1所述之再生能源發電量預測系統，其中該異常點修正模組是設定一門檻值，將超過該門檻值的該些歷史氣候資料、該些歷史發電資料、該些太陽軌跡資料或該些大氣質量資料視為該些異常資料。
  4. 如請求項1所述之再生能源發電量預測系統，其中該太陽軌跡包含太陽高度角與太陽方位角。
  5. 如請求項1所述之再生能源發電量預測系統，其中該預測模組是利用均方根誤差法(Root Mean Square Error，RMSE)、平均絕對誤差法(Mean Absolute Error，MAE)、平均絕對比例誤差法(Mean Absolute Percentage Error，MAPE)或平均相對誤差(Mean Relative Error (MRE)以評估該類神經網路預測模型的預測績效。
  6. 一種再生能源發電量預測方法，包含下列步驟： 透過一資料擷取模組取得複數筆歷史氣候資料、複數筆歷史發電資料、複數筆太陽軌跡資料與複數筆大氣質量資料； 透過一異常點修正模組將所擷取的該些歷史氣候資料、該些歷史發電資料、該些太陽軌跡資料與該些大氣質量資料中的複數筆異常資料修正； 將已修正之該些異常資料的該些歷史氣候資料、該些歷史發電資料、該些太陽軌跡資料與該些大氣質量資料傳送至一預測模組，進行一類神經網路預測模型的訓練以獲得一發電量預測模型； 輸入一未來時間區間的複數筆預測氣候資料、一太陽軌跡以及一大氣質量至該預測模組以進行該未來時間區間的電廠發電量預測； 透過一輸出模組將所預測之該電廠發電量輸出。
  7. 如請求項6所述之再生能源發電量預測方法，其中在透過該異常點修正模組將所擷取的該些歷史氣候資料、該些歷史發電資料、該些太陽軌跡資料與該些大氣質量資料中的該些異常資料濾除的該步驟係透過迴歸分析或常態分佈法進行該些歷史氣候資料與該些歷史發電資料、該些太陽軌跡資料與該些大氣質量資料的該些異常資料的判斷，並進行資料點濾除或修正，其中修正方法可以相同發電裝置過去一段時間的平均發電效率當修正基準，或在相同時間比較同一電廠其他單個或複數個發電裝置的平均發電效率或平均單位發電量當基準進一步補值或修正。
  8. 如請求項6所述之再生能源發電量預測方法，其中在透過該異常點修正模組將所擷取的該些歷史氣候資料、該些歷史發電資料、該些太陽軌跡資料與該些大氣質量資料中的該些異常資料濾除的該步驟是設定一門檻值，將超過該門檻值的該些歷史氣候資料與該些歷史發電資料視為該些異常資料。
  9. 如請求項6所述之再生能源發電量預測方法，其中在將已濾除之該些異常資料的該些歷史氣候資料、該些歷史發電資料、該些太陽軌跡資料與該些大氣質量資料傳送至該預測模組，進行該類神經網路預測模型的訓練以獲得該發電量預測模型的該步驟中是利用均方根誤差法(Root Mean Square Error，RMSE)、平均絕對誤差法(Mean Absolute Error，MAE)、平均絕對比例誤差法(Mean Absolute Percentage Error，MAPE)或平均相對誤差(Mean Relative Error (MRE)以訓練該類神經網路預測模型。
  10. 如請求項6所述之再生能源發電量預測方法，其中在透過該異常點修正模組將所擷取的該些歷史氣候資料、該些歷史發電資料、該些太陽軌跡資料與該些大氣質量資料中的複數筆異常資料修正的步驟是以同一發電裝置過去一段時間的平均發電效率當修正基準，或在相同時間比較同一發電電廠之複數個發電裝置的平均發電效率或平均單位發電量當基準進一步補值或修正該些歷史氣候資料、該些歷史發電資料、該些太陽軌跡資料與該些大氣質量資料中的複數筆異常資料。
TW105114400A 2016-05-10 2016-05-10 再生能源發電量預測方法與系統 TW201740296A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
TW105114400A TW201740296A (zh) 2016-05-10 2016-05-10 再生能源發電量預測方法與系統

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW105114400A TW201740296A (zh) 2016-05-10 2016-05-10 再生能源發電量預測方法與系統

Publications (1)

Publication Number Publication Date
TW201740296A true TW201740296A (zh) 2017-11-16

Family

ID=61022878

Family Applications (1)

Application Number Title Priority Date Filing Date
TW105114400A TW201740296A (zh) 2016-05-10 2016-05-10 再生能源發電量預測方法與系統

Country Status (1)

Country Link
TW (1) TW201740296A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112801329A (zh) * 2019-11-14 2021-05-14 财团法人资讯工业策进会 结合因子隐藏式马可夫模型与发电量预测的太阳能板发电***异常诊断分析装置与方法
TWI765821B (zh) * 2021-09-13 2022-05-21 崑山科技大學 陰影模式太陽能系統的最大發電功率預測方法
TWI833549B (zh) * 2023-01-12 2024-02-21 春禾科技股份有限公司 日照值估測系統

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112801329A (zh) * 2019-11-14 2021-05-14 财团法人资讯工业策进会 结合因子隐藏式马可夫模型与发电量预测的太阳能板发电***异常诊断分析装置与方法
TWI765821B (zh) * 2021-09-13 2022-05-21 崑山科技大學 陰影模式太陽能系統的最大發電功率預測方法
TWI833549B (zh) * 2023-01-12 2024-02-21 春禾科技股份有限公司 日照值估測系統

Similar Documents

Publication Publication Date Title
De Benedetti et al. Anomaly detection and predictive maintenance for photovoltaic systems
US20220275788A1 (en) Forecasting output power of wind turbine in wind farm
Mellit et al. Short-term forecasting of power production in a large-scale photovoltaic plant
Muhammad Ehsan et al. Day-ahead forecasting of solar photovoltaic output power using multilayer perceptron
US20200057175A1 (en) Weather dependent energy output forecasting
Boland et al. Short term solar radiation forecasting: Island versus continental sites
Zhao et al. Performance evaluation and accuracy enhancement of a day-ahead wind power forecasting system in China
Kazem et al. Experimental and deep learning artificial neural network approach for evaluating grid‐connected photovoltaic systems
González Ordiano et al. Photovoltaic power forecasting using simple data-driven models without weather data
KR102283487B1 (ko) 실시간 위성자료와 수치모델자료를 이용한 머신러닝기반 태양광 발전량 예측시스템
Fara et al. Forecasting of energy production for photovoltaic systems based on ARIMA and ANN advanced models
Yang et al. A novel ARX-based multi-scale spatio-temporal solar power forecast model
US10770898B2 (en) Methods and systems for energy use normalization and forecasting
Gulin et al. A one-day-ahead photovoltaic array power production prediction with combined static and dynamic on-line correction
CN110556820A (zh) 用于确定能量***操作场景的方法和设备
Junior et al. Forecasting regional photovoltaic power generation-a comparison of strategies to obtain one-day-ahead data
JPWO2016166991A1 (ja) 太陽光発電設備の診断システムおよびプログラム
Wang et al. Performance assessment of photovoltaic modules based on daily energy generation estimation
Shawon et al. Forecasting PV panel output using Prophet time series machine learning model
Chen et al. Research on wind power prediction method based on convolutional neural network and genetic algorithm
Gupta et al. A review and evaluation of solar forecasting technologies
Gupta et al. Long term estimation of global horizontal irradiance using machine learning algorithms
Khalyasmaa et al. Prediction of solar power generation based on random forest regressor model
TW201740296A (zh) 再生能源發電量預測方法與系統
Livera et al. Optimal development of location and technology independent machine learning photovoltaic performance predictive models