[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN114091317A - 基于nwp辐照度修正和误差预测的光伏电站功率预测方法 - Google Patents

基于nwp辐照度修正和误差预测的光伏电站功率预测方法 Download PDF

Info

Publication number
CN114091317A
CN114091317A CN202111354751.XA CN202111354751A CN114091317A CN 114091317 A CN114091317 A CN 114091317A CN 202111354751 A CN202111354751 A CN 202111354751A CN 114091317 A CN114091317 A CN 114091317A
Authority
CN
China
Prior art keywords
irradiance
nwp
prediction
power
error
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
Application number
CN202111354751.XA
Other languages
English (en)
Inventor
吕清泉
张睿骁
马明
陶钰磊
高鹏飞
张彦琪
赵多贤
张金平
张健美
张珍珍
王定美
李津
周强
朱红路
侯汝印
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
STATE GRID GASU ELECTRIC POWER RESEARCH INSTITUTE
State Grid Gansu Electric Power Co Ltd
Original Assignee
STATE GRID GASU ELECTRIC POWER RESEARCH INSTITUTE
State Grid Gansu Electric Power 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 STATE GRID GASU ELECTRIC POWER RESEARCH INSTITUTE, State Grid Gansu Electric Power Co Ltd filed Critical STATE GRID GASU ELECTRIC POWER RESEARCH INSTITUTE
Priority to CN202111354751.XA priority Critical patent/CN114091317A/zh
Publication of CN114091317A publication Critical patent/CN114091317A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Marketing (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Mathematical Physics (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本发明涉及一种基于NWP辐照度修正和误差预测的光伏电站功率预测方法，该方法包括以下步骤：⑴获取光伏电站历史运行数据及NWP数值天气预报；⑵建立NWP辐照度修正模型，实现NWP辐照度的多步修正；⑶基于PSO‑ELM的优化功率预测模型，采用修正后的辐照度得到功率预测数据；⑷根据功率预测数据计算误差，并建立基于时间序列的误差预测模型；再通过数据迭代方法得到多个误差预测值，将该误差预测值与功率预测数据相结合即得最终的光伏功率预测值。本发明具有更高的预测精度，能够有效提高光伏发电功率预测的可靠性，为电力系统的决策者提供参考。

Description

基于NWP辐照度修正和误差预测的光伏电站功率预测方法
技术领域
本发明涉及光伏发电技术领域，尤其涉及基于NWP辐照度修正和误差预测的光伏电站功率预测方法。
背景技术
近年来，为了解决化石能源枯竭问题和实现能源转型，加快发展新能源已经成为各国的普遍共识。光伏发电以其清洁可持续的优势得到了迅速发展。然而，光伏发电有着很强的随机性和间歇性周期性。光伏发电大规模并网时会对电力系统产生冲击，严重影响了电力系统的安全稳定运行。由于光伏短期功率预测对电力部门安排发电计划有着重要意义，因此，精确的短期功率预测能够提高光伏发电接入电网的可靠性，降低光伏发电不确定性对电力系统的影响，是解决光伏发电并网障碍的关键技术之一。
目前，有关光伏发电短期功率预测的方法大致可以分为两类，分别是物理方法和统计学方法。物理方法基于太阳辐射传递方程、光伏组件运行方程等建立物理模型，以此直接计算光伏输出功率，但是由于涉及到多种方程使得其建模过程复杂且鲁棒性较差，难以实现；统计学方法是根据光伏发电输出功率与气象因素之间的关系，通过智能算法训练光伏电站的历史运行数据建立预测模型，模型相对较简单，但是由于智能算法自身的局限性使得预测结果存在一定程度的误差。同时，功率预测的输入数据源自数值天气预报，现有技术考虑数值天气预报自身的误差对功率预测影响的较少，因此，现有预测方法的残差对功率预测精度有着负面影响，需要对预测后数据进行后处理以减少这一影响。
发明内容
本发明所要解决的技术问题是提供一种提高预测精度的基于NWP辐照度修正和误差预测的光伏电站功率预测方法。
为解决上述问题，本发明所述的基于NWP辐照度修正和误差预测的光伏电站功率预测方法，包括以下步骤：
⑴获取光伏电站历史运行数据及NWP数值天气预报；
⑵建立NWP辐照度修正模型，实现NWP辐照度的多步修正；
⑶基于PSO-ELM的优化功率预测模型，采用修正后的辐照度得到功率预测数据；
⑷根据功率预测数据计算误差，并建立基于时间序列的误差预测模型；再通过数据迭代方法得到多个误差预测值，将该误差预测值与功率预测数据相结合即得最终的光伏功率预测值。
所述步骤⑵中NWP辐照度的多步修正方法如下：
①确定修正模型的数据参数n, 将t-n+1至t时刻的实测辐照度作为修正变量，以此来对下一时刻的NWP辐照度进行修正；
②选取t-n+1,t-n+2…t-1,t时刻的实测辐照度和t+1时刻的NWP预报辐照度作为模型的输入，t+1时刻的实测辐照度作为模型的输出，采用ELM极限学习机算法建立辐照度修正模型，实现对t+1时刻NWP预报辐照度的修正。
③采用滚动迭代的方式，将t+1时刻的NWP辐照度修正值作为输入，进而对t+2时刻的NWP预报辐照度的修正，实现NWP预报辐照度的多步修正；
④选用均方根误差RMSE、平均绝对误差MAE和平均绝对百分比误差MAPE来对NWP辐照度修正结果进行评价，其计算公式如下：
Figure RE-DEST_PATH_IMAGE001
Figure RE-906072DEST_PATH_IMAGE002
Figure RE-DEST_PATH_IMAGE003
式中：g a 为修正的辐照度/预测功率；g measured 为实际的辐照度/实测功率；n为样本个数。
所述步骤⑶中功率预测数据按下述方法获得：
ⅰ采用ELM极限学习机算法建立光伏功率预测模型；
ⅱ将数据按月份分类，以实测历史气象数据作为输入，实测历史功率作为输出，训练预测模型；
ⅲ采用粒子群算法PSO对ELM算法的隐含层节点数进行优化，以预测结果的均方误差最小为PSO算法优化的目标函数，寻找最佳的隐含层节点数，实现光伏功率预测模型的优化；
ⅳ根据月份选择不同的预测模型，输入修正后的NWP辐照度数据及其他气象信息，即得功率预测数据。
本发明与现有技术相比具有以下优点：
1、本发明考虑预测过程不同阶段从数据预处理、模型参数优化、数据后处理三个方面建立混合预测模型，从而提高功率预测精度。
2、本发明建立辐照度修正模型，通过实测辐照度对NWP辐照度实现修正，降低了预测模型中输入数据的误差.
3、本发明建立基于PSO-ELM的功率预测模型，采用PSO优化预测模型，降低了模型本身的误差。
4、本发明利用误差序列建立误差预测模型，结合功率预测值和误差预测值得到最后的功率预测结果，进一步减少功率预测的误差。
5、与传统方法相比，本发明具有更高的预测精度，能够有效提高光伏发电功率预测的可靠性，为电力系统的决策者提供参考。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明。
图1为本发明的流程图。
图2为本发明单步修正示意图。
图3为本发明多步修正示意图。
图4为本发明光伏功率预测模型示意图。
图5为本发明误差预测模型示意图。
图6为本发明预测功率与实测功率曲线。
具体实施方式
如图1所示，基于NWP辐照度修正和误差预测的光伏电站功率预测方法，包括以下步骤：
⑴获取光伏电站历史运行数据及NWP数值天气预报：
检查数据的完整性和合理性，删除错误数据，补齐缺失数据等。收集的原始数据包括光伏电站历史功率数据和历史气象数据（包括辐照度、温度，风速等环境数据），以及同期的NWP数值天气预报数据，并且能够将各类数据在时间尺度上相对应。
⑵建立NWP辐照度修正模型，实现NWP辐照度的多步修正。具体过程如下：
①确定修正模型的数据参数n, 将t-n+1至t时刻的实测辐照度作为修正变量，以此来对下一时刻（即t+1时刻）的NWP辐照度进行修正，修正过程如图2所示。
②选取t-n+1,t-n+2…t-1,t时刻的实测辐照度和t+1时刻的NWP预报辐照度作为模型的输入，t+1时刻的实测辐照度作为模型的输出，采用ELM极限学习机算法建立辐照度修正模型，实现对t+1时刻NWP预报辐照度的修正。
给定N个不同的训练样本(x i ,t i ) ，其中，x i =[x i1,x i2…x in ]T为样本输入值，t i =[t i1,t i2…t in ]T为样本的期望输出值。具有L个隐藏节点和以g(x)为激励函数的ELM的数学模型可表示为：
Figure RE-110789DEST_PATH_IMAGE004
式中：
Figure RE-DEST_PATH_IMAGE005
是连接输入样本与第
Figure RE-496640DEST_PATH_IMAGE006
个隐藏节点的权值向量，
Figure RE-DEST_PATH_IMAGE007
是连接第
Figure RE-103202DEST_PATH_IMAGE006
个隐藏节点与输出样本的权值向量，b i 是第
Figure RE-96565DEST_PATH_IMAGE006
个隐藏节点的偏置量；β i 为输出权重；g(x)为激励函数；
Figure RE-539310DEST_PATH_IMAGE008
表示w i 和x j 的内积。
上述N个方程的矩阵形式可写为：
Figure RE-DEST_PATH_IMAGE009
其中，H是隐含节点的输出；β为输出权重；T为期望输出。
H的第i列是第i个隐层节点的输出向量。隐含层与输出层之间的连接权值β能够利用下面方程组的最小二乘解得到：
Figure RE-214005DEST_PATH_IMAGE010
其解可以表示为：
Figure RE-DEST_PATH_IMAGE011
式中：H +是隐含层输出矩阵的Moore-Penrose的广义逆。
③上一步可以实现NWP辐照度的单步修正，修正时间较短，有时预测时间无法满足预测时间的要求。
因此，采用滚动迭代的方式，将t+1时刻的NWP辐照度修正值作为输入，进而对t+2时刻的NWP预报辐照度的修正，实现NWP预报辐照度的多步修正，如图3所示，得到较长时间的修正结果。依据预测的时间长度选择合适的迭代步数以适应不同时间尺度的预测要求。
④选用均方根误差RMSE、平均绝对误差MAE和平均绝对百分比误差MAPE来对NWP辐照度修正结果进行评价，后续的功率预测精度同样采用这三个指标进行评价，其计算公式如下：
Figure RE-924341DEST_PATH_IMAGE001
Figure RE-354185DEST_PATH_IMAGE002
Figure RE-595811DEST_PATH_IMAGE003
式中：g a 为修正的辐照度/预测功率；g measured 为实际的辐照度/实测功率；n为样本个数。
⑶基于PSO-ELM的优化功率预测模型，采用修正后的辐照度得到功率预测数据。具体过程如下：
ⅰ采用ELM极限学习机算法建立光伏功率预测模型，如图4所示。
ⅱ将数据按月份分类，以实测历史气象数据作为输入，实测历史功率作为输出，训练预测模型。
ⅲ采用粒子群算法PSO对ELM算法的隐含层节点数进行优化，以预测结果的均方误差最小为PSO算法优化的目标函数，寻找最佳的隐含层节点数，实现光伏功率预测模型的优化。
利用粒子群算法根据适应度函数优化ELM算法中的隐藏层节点数L。通过比较每次迭代粒子的适应度函数，更新粒子速度和位置，得到最佳隐藏层节点数L best 。粒子的速度和位置更新公式如下：
Figure RE-808618DEST_PATH_IMAGE012
Figure RE-DEST_PATH_IMAGE013
式中：
Figure RE-137574DEST_PATH_IMAGE014
为粒子i在第k+1次迭代中第d维上的速度；
Figure RE-DEST_PATH_IMAGE015
为惯性权重；
Figure RE-472741DEST_PATH_IMAGE016
为粒子i在第k次迭代中第d维上的速度；c 1、c 2为学习因子；
Figure RE-DEST_PATH_IMAGE017
、
Figure RE-139345DEST_PATH_IMAGE018
为服从(0,1)区间均匀分布的随机数；k为迭代次数；Pbest id 为粒子个体i最优位置；
Figure RE-DEST_PATH_IMAGE019
为粒子i在第k次迭代中第d维上的位置；Gbest kd 为整个粒子群全局最优位置；
Figure RE-405111DEST_PATH_IMAGE020
粒子i在第k+1次迭代中第d维上的位置。
ⅳ根据月份选择不同的预测模型，输入修正后的NWP辐照度数据及其他气象信息，即得功率预测数据。
⑷根据功率预测数据计算误差，并建立基于时间序列的误差预测模型；再通过数据迭代方法得到多个误差预测值，将该误差预测值与功率预测数据相结合即得最终的光伏功率预测值。
实施例 以华北电力大学新能源电力系统国家重点实验室光伏实证测试电站全年数据为例，数据采样时间为15分钟。
基于NWP辐照度修正和误差预测的光伏电站功率预测方法，包括以下步骤：
⑴获取光伏电站历史运行数据及NWP数值天气预报。
⑵建立NWP辐照度修正模型，实现NWP辐照度的多步修正。
其中：表1为不同辐照度修正参数下的结果。综合考虑三个误差指标，选择参数n=5作为后续实例验证的参数输入。
表1：不同辐照度修正参数结果
Figure RE-DEST_PATH_IMAGE021
⑶基于PSO-ELM的优化功率预测模型，采用修正后的辐照度得到功率预测数据。
⑷根据功率预测数据计算误差，并建立基于时间序列的误差预测模型；再通过数据迭代方法得到多个误差预测值，将该误差预测值与功率预测数据相结合即得最终的光伏功率预测值。
按照图5所示的数据关系建立预测模型。X 1-X 4为输入，X 5为输出；X 2-X 5为输入，X 6为输出，以此类推。按照与图3类似的数据迭代方法得到多个误差预测值。将误差预测结果和功率预测结合得到最终的光伏预测功率。
图6为1步、4步、8步功率预测与实测功率的对比图；表2为传统ELM功率预测算法、PSO优化的ELM功率预测算法和基于误差修正的PSO-ELM功率预测算法的预测评价指标。由图6、表2可以看出，PSO优化的ELM算法较传统的ELM算法的预测精度更高，而加入了误差预测模型后，光伏发电功率预测的精度将进一步提高。预测步数越长，意味着预测的时间变长，预测精度有所下降；预测步数越少，对应的各项评价指标较低，表明超短期预测具有更好的精度。
表2 不同步数的功率预测结果
Figure RE-840771DEST_PATH_IMAGE022

Claims (3)

1.基于NWP辐照度修正和误差预测的光伏电站功率预测方法，包括以下步骤：
⑴获取光伏电站历史运行数据及NWP数值天气预报；
⑵建立NWP辐照度修正模型，实现NWP辐照度的多步修正；
⑶基于PSO-ELM的优化功率预测模型，采用修正后的辐照度得到功率预测数据；
⑷根据功率预测数据计算误差，并建立基于时间序列的误差预测模型；再通过数据迭代方法得到多个误差预测值，将该误差预测值与功率预测数据相结合即得最终的光伏功率预测值。
2.如权利要求1所述的基于NWP辐照度修正和误差预测的光伏电站功率预测方法，其特征在于：所述步骤⑵中NWP辐照度的多步修正方法如下：
①确定修正模型的数据参数n, 将t-n+1至t时刻的实测辐照度作为修正变量，以此来对下一时刻的NWP辐照度进行修正；
②选取t-n+1,t-n+2…t-1,t时刻的实测辐照度和t+1时刻的NWP预报辐照度作为模型的输入，t+1时刻的实测辐照度作为模型的输出，采用ELM极限学习机算法建立辐照度修正模型，实现对t+1时刻NWP预报辐照度的修正。
③采用滚动迭代的方式，将t+1时刻的NWP辐照度修正值作为输入，进而对t+2时刻的NWP预报辐照度的修正，实现NWP预报辐照度的多步修正；
④选用均方根误差RMSE、平均绝对误差MAE和平均绝对百分比误差MAPE来对NWP辐照度修正结果进行评价，其计算公式如下：
Figure RE-RE-DEST_PATH_IMAGE001
Figure RE-655056DEST_PATH_IMAGE002
Figure RE-RE-DEST_PATH_IMAGE003
式中：g a 为修正的辐照度/预测功率；g measured 为实际的辐照度/实测功率；n为样本个数。
3.如权利要求1所述的基于NWP辐照度修正和误差预测的光伏电站功率预测方法，其特征在于：所述步骤⑶中功率预测数据按下述方法获得：
ⅰ采用ELM极限学习机算法建立光伏功率预测模型；
ⅱ将数据按月份分类，以实测历史气象数据作为输入，实测历史功率作为输出，训练预测模型；
ⅲ采用粒子群算法PSO对ELM算法的隐含层节点数进行优化，以预测结果的均方误差最小为PSO算法优化的目标函数，寻找最佳的隐含层节点数，实现光伏功率预测模型的优化；
ⅳ根据月份选择不同的预测模型，输入修正后的NWP辐照度数据及其他气象信息，即得功率预测数据。
CN202111354751.XA 2021-11-16 2021-11-16 基于nwp辐照度修正和误差预测的光伏电站功率预测方法 Pending CN114091317A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111354751.XA CN114091317A (zh) 2021-11-16 2021-11-16 基于nwp辐照度修正和误差预测的光伏电站功率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111354751.XA CN114091317A (zh) 2021-11-16 2021-11-16 基于nwp辐照度修正和误差预测的光伏电站功率预测方法

Publications (1)

Publication Number Publication Date
CN114091317A true CN114091317A (zh) 2022-02-25

Family

ID=80300915

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111354751.XA Pending CN114091317A (zh) 2021-11-16 2021-11-16 基于nwp辐照度修正和误差预测的光伏电站功率预测方法

Country Status (1)

Country Link
CN (1) CN114091317A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114676893A (zh) * 2022-03-11 2022-06-28 中国长江三峡集团有限公司 一种基于最优图结构的光伏电站太阳辐照度短期预测方法及存储介质
CN115529002A (zh) * 2022-11-28 2022-12-27 天津海融科技有限公司 一种多种天气条件下的光伏发电功率预测方法
CN116050187A (zh) * 2023-03-30 2023-05-02 国网安徽省电力有限公司电力科学研究院 秒级光伏功率预测的ts模糊异常值自修正方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114676893A (zh) * 2022-03-11 2022-06-28 中国长江三峡集团有限公司 一种基于最优图结构的光伏电站太阳辐照度短期预测方法及存储介质
CN114676893B (zh) * 2022-03-11 2024-02-02 中国长江三峡集团有限公司 一种基于最优图结构的光伏电站太阳辐照度短期预测方法及存储介质
CN115529002A (zh) * 2022-11-28 2022-12-27 天津海融科技有限公司 一种多种天气条件下的光伏发电功率预测方法
CN116050187A (zh) * 2023-03-30 2023-05-02 国网安徽省电力有限公司电力科学研究院 秒级光伏功率预测的ts模糊异常值自修正方法及系统

Similar Documents

Publication Publication Date Title
CN112949945B (zh) 一种改进双向长短期记忆网络的风电功率超短期预测方法
CN109117951B (zh) 基于bp神经网络的概率潮流在线计算方法
CN103117546B (zh) 一种超短期风电功率滑动预测方法
CN114091317A (zh) 基于nwp辐照度修正和误差预测的光伏电站功率预测方法
CN110807554B (zh) 基于风电/光伏经典场景集的生成方法及系统
WO2017054537A1 (zh) 一种长时间尺度光伏出力时间序列建模方法及装置
CN112149879B (zh) 一种计及宏观波动性分类的新能源中长期电量预测方法
CN111415010B (zh) 一种基于贝叶斯神经网络的风电机组参数辨识方法
CN103996084B (zh) 基于纵向时刻Markov链模型的风功率概率预测方法
CN107681685A (zh) 一种考虑光伏非线性相关性的电力系统概率潮流计算方法
Sogabe et al. Optimization of decentralized renewable energy system by weather forecasting and deep machine learning techniques
CN106446440A (zh) 基于在线贯序极限学习机的短期光伏发电功率预测方法
CN110601250A (zh) 一种基于新能源电站接入点静态电压稳定性评估方法
CN112307672A (zh) 基于布谷鸟算法优化的bp神经网络短期风功率预测方法
CN115829126A (zh) 基于多视角自适应特征融合的光伏发电功率预测方法
CN116826737A (zh) 一种光伏功率的预测方法、装置、存储介质及设备
CN113991711B (zh) 一种光伏电站储能系统容量配置方法
CN111815051A (zh) 考虑天气影响因素的grnn光伏发电预测方法
CN111259550A (zh) 基于网格搜索和改进nm单纯形算法的光伏模型更新方法
CN111461297B (zh) 基于mpc和elm神经网络的太阳辐照量优化预测算法
CN117060407B (zh) 一种基于相似日划分的风电集群功率预测方法及系统
CN110059972B (zh) 基于泛函深度信念网络的日太阳辐射资源评估方法
Liu et al. A Self-Data-Driven Method for Lifetime Prediction of PV Arrays Considering the Uncertainty and Volatility
CN112036672B (zh) 一种基于迭代订正的新能源发电超短期功率预测方法及系统
CN115577856A (zh) 一种变电工程造价预测与结余控制方法及系统

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