BE1031404A1 - Ein Vorhersageverfahren, -system und ein Speicherträger für die photovoltaischen Stromerzeugungsleistung - Google Patents

Ein Vorhersageverfahren, -system und ein Speicherträger für die photovoltaischen Stromerzeugungsleistung Download PDF

Info

Publication number
BE1031404A1
BE1031404A1 BE20235247A BE202305247A BE1031404A1 BE 1031404 A1 BE1031404 A1 BE 1031404A1 BE 20235247 A BE20235247 A BE 20235247A BE 202305247 A BE202305247 A BE 202305247A BE 1031404 A1 BE1031404 A1 BE 1031404A1
Authority
BE
Belgium
Prior art keywords
power generation
photovoltaic power
generation performance
performance prediction
relevant parameters
Prior art date
Application number
BE20235247A
Other languages
English (en)
Other versions
BE1031404B1 (de
Inventor
Haiyu Zhao
Biao Liang
Zhenmin Gao
Meng Wang
Xingquan Tan
Jing'ao Sun
Original Assignee
Huaneng Renewables Corporation Ltd Hebei Branch
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 Huaneng Renewables Corporation Ltd Hebei Branch filed Critical Huaneng Renewables Corporation Ltd Hebei Branch
Publication of BE1031404A1 publication Critical patent/BE1031404A1/de
Application granted granted Critical
Publication of BE1031404B1 publication Critical patent/BE1031404B1/de

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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
    • H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
    • H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
    • 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)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Water Supply & Treatment (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

Die vorliegende Erfindung offenbart ein Vorhersageverfahren, --system und ein Speicherträger für die photovoltaische Stromerzeugungsleistung, die sich auf das Gebiet der photovoltaischen Stromerzeugung beziehen. Die Erfindung umfasst die folgenden Schritte: Sammeln der relevanten Parameter, die sich auf die Photovoltaischen Stromerzeugungsleistung auswirken; Einordnen der relevanten Parameter, die sich auf die Photovoltaischen Stromerzeugungsleistung auswirken, und Clustering der Einordnungsergebnisse mit dem K-Means-Clustering-Algorithmus, um diskrete Werten zu entfernen; Erstellen verschiedener Matrizenarten basierend auf den Clustering-Ergebnissen; Eingeben der verschiedenen Matrizenarten in das Vorhersagemodell für die Photovoltaischen Stromerzeugungsleistung in separaten Kanälen, um die Vorhersage der Photovoltaischen Stromerzeugungsleistung zu vervollständigen. Bei der vorliegenden Erfindung wird die Merkmalsmatrix jeder Eingangsvariablen mehrkanalig eingegeben, und die Merkmalsmatrizen verschiedener Variablen sind voneinander unabhängig, so dass die Merkmalsextraktion verschiedener variabler Merkmalsmatrizen getrennt realisiert werden kann, was die Effizienz des Netzwerks effektiv verbessert und es dem Netzwerk ermöglicht, reichhaltigere räumlich-zeitliche Merkmale zu erlernen, indem die Merkmalsinformationen mehrerer Kanäle verschmolzen werden, um so die Vorhersagegenauigkeit zu verbessern.

Description

ein Vorhersageverfahren, -system und ein Speicherträger für die photovoltaischen Stromerzeugungsleistung
Betriebsanleitung
Technisches Gebiet
Die vorliegende Erfindung bezieht sich auf das Gebiet der photovoltaischen
Stromerzeugung und insbesondere auf ein Vorhersageverfahren, --system und ein
Speicherträger für die Photovoltaischen Stromerzeugungsleistung.
Technologie im Hintergrund
Aufgrund der chaotischen und instabilen Wetterbedingungen ist die photovoltaische
Stromerzeugung sehr unzuverlässig und dynamisch, was zu Schwankungen im
Stromnetz führt und neue Herausforderungen für die Verwaltung und den Betrieb von Photovoltaiksystemen mit sich bringt, wodurch die Echtzeit-Steuerungsleistung verringert wird, so dass eine genaue Vorhersage der photovoltaischen
Stromerzeugungsleistung eine der wichtigsten Lösungen für die Festlegung eines angemessenen Betriebsplans und eines kurzfristigen Einsatzplans ist.
Je nach Zeitskala der Vorhersage kann die Vorhersage der photovoltaischen
Stromerzeugungsleistung in Ultrakurzzeitvorhersage (0-6h), Kurzzeitvorhersage (6-24h) und mittel- und langfristige Vorhersage (1-12 Monate) unterteilt werden. Bei mittel- und langfristigen Vorhersagen ist der Vorhersagefehler aufgrund des langen
Zeitintervalls und der starken Zufälligkeit und Unsicherheit größer und wird hauptsächlich für die langfristige Stromnetzplanung verwendet. Um die Echtzeit
Dispatching, die Wartungsplanung und den Betrieb des Stromnetzmarktes besser bestimmen zu können, ist eine höhere Vorhersagegenauigkeit erforderlich.
Ultrakurzzeitvorhersage und Kurzzeitvorhersage der photovoltaischen
Stromerzeugungsleistung haben in der Regel eine höhere Vorhersagegenauigkeit aufgrund einer kleineren und genaueren zeitlichen Granularität, wodurch das zunehmende Interesse an der Ultrakurzzeitvorhersage und Kurzzeitvorhersage der photovoltaischen Stromerzeugungsleistung zu einem spannenden Thema in diesem
Gebiet wird.
Inhalt der Erfindung
In Anbetracht dieser, die vorliegende Erfindung bietet ein Vorhersageverfahren, -- system und ein Speicherträger für die photovoltaischen Stromerzeugungsleistung, rechtzeitige Vorhersage kann das Stromnetz Dispatching zu optimieren und kann den Anteil der Stromerzeugung in anderer Weise zu planen, erstens, kann die
Stabilität des Stromnetzes garantiert; zweitens, kann die Bau-und Wartungsarbeiten des Stromnetzes und Kraftwerk führen; drittens, kann die Effizienz der
Energienutzung zu verbessern, den Verbrauch zu reduzieren und die
Verschwendung von Ressourcen zu vermeiden.
Um den oben genannten Zweck zu erreichen, verwendet die vorliegende Erfindung die folgende technische Lösung:
Einerseits wird ein Vorhersageverfahren der Leistung für photovoltaischen
Stromerzeugungsleistung offenbart, das die folgenden Schritte umfasst:
Sammeln relevanter Parameter, die die photovoltaischen Stromerzeugungsleistung beeinflussen.
Einordnen der relevanten Parameter, die sich auf die photovoltaischen
Stromerzeugungsleistung auswirken, und Clustering der Einordnungsergebnisse mit dem K-Means-Clustering-Algorithmus, um diskrete Werten zu entfernen.
Erstellen verschiedener Matrizenarten basierend auf den Clustering-Ergebnissen.
Eingabe der verschiedenen Matrixtypen in das Vorhersagemodell für die photovoltaischen Stromerzeugungsleistung in separaten Kanälen, um die
Vorhersage der photovoltaischen Stromerzeugungsleistung zu vervollständigen.
Optional ist das Vorhersagemodell der photovoltaischen Stromerzeugungsleistung speziell so eingestellt, dass es Folgendes umfasst: wobei es ein
Merkmalsextraktionsmodul, eine Maximum-Pooling-Schicht und eine
Normalisierungsschicht umfasst; wobei das Merkmalsextraktionsmodul, die
Maximum-Pooling-Schicht und die Normalisierungsschicht nacheinander verbunden sind; wobei das Merkmalsextraktionsmodul eine Vielzahl von nacheinander verbundenen Faltungsschichten umfasst, wobei die Faltungskerne nacheinander abnehmende Größe aufweisen.
Optional umfassen die relevanten Parameter Bestrahlungsstärke, Temperatur,
Feuchtigkeit, Luftdruck, Windgeschwindigkeit, Bewölkung, Niederschlag und historische Leistung.
Optional werden die relevanten Parameter, die die photovoltaischen
Stromerzeugungsleistung beeinflussen, wie folgt eingeordnet: der
Korrelationsanalysealgorithmus bestimmt die Bestrahlungsstärke und die
Temperatur als die 2 Umweltvariablen, die unter den relevanten Parametern am wichtigsten zur photovoltaischen Stromerzeugungsleistung beitragen, und teilt die jährlichen Daten entsprechend der Korrelation zwischen den Umweltfaktoren und den Fluktuationscharakteristiken der photovoltaischen Stromerzeugungsleistung in 4
Kategorien ein; außerdem werden die Bestrahlungsstärke, die Temperatur und die photovoltaischen Stromerzeugungsleistung mit Hilfe der empirischen
Modaldekomposition für das gesamte Ensemble, der
Singularspektrumsdekomposition und der Variationsmodaldekomposition zerlegt.
Optional umfasst es ferner die Vorverarbeitung der relevanten Parameter durch lineare Interpolation.
Optional umfasst es ferner das Training des Vorhersagemodells für die photovoltaischen Stromerzeugungsleistung, wobei der Trainingssatz Folgendes umfasst: Verwendung einer Rekonstruktion der Leistungsreihen basierend auf historischen Daten mit Hilfe der bidirektionalen Gewichtung des autoregressiven gleitenden Durchschnittsmodells als Trainingssatz, und ferner Verwendung fehlender Leistungsdaten, die mit Hilfe der Verzögerungskorrelation zwischen der
Leistungsabgabe des photovoltaischen Kraftwerks rekonstruiert wurden, als
Trainingssatz.
Andererseits wird auch ein Vorhersagesystem für photovoltaischen
Stromerzeugungsleistung offenbart, das Folgendes umfasst: ein Erfassungsmodul für relevante Parameter, ein Einordnungsmodul für relevante Parameter, ein
Matrixbildungsmodul und ein Vorhersagemodul für photovoltaischen
Stromerzeugungsleistung.
Erfassungsmodul für relevante Parameter: zur Erfassung relevanter Parameter, die die Leistung der photovoltaischen Stromerzeugung beeinflussen;
Einordnungsmodul der relevanten Parameter: zur Einordnung der relevanten
Parameter, die sich auf die photovoltaischen Stromerzeugungsleistung auswirken, zur Clusterung der Einordnungsergebnisse mit Hilfe des K-Means-Clustering-
Algorithmus und um diskrete Werten zu entfernen;
Matrixbildungsmodul: zur Erstellung verschiedener Matrizenarten basierend auf den … Clustering-Ergebnissen.
Vorhersagemodell für die photovoltaischen Stromerzeugungsleistung: Zur Eingabe verschiedener Matrix-Unterkanäle in das Vorhersagemodell für die photovoltaischen
Stromerzeugungsleistung, um die Vorhersage der photovoltaischen
Stromerzeugungsleistung zu vervollständigen.
Optional umfasst es ferner ein Datenvorverarbeitungsmodul zur Vorverarbeitung der relevanten Parameter durch lineare Interpolation.
Schließlich wird ein Computer-Speicherträger offenbart. Auf dem Computer-
Speicherträger ist ein Computerprogramm gespeichert, wobei das
Computerprogramm, wenn es von einem Prozessor ausgeführt wird, die Schritte eines oben genannten beliebigen Vorhersageverfahrens für photovoltaischen
Stromerzeugungsleistung implementiert.
Wie aus den obigen technischen Lösungen ersichtlich ist, offenbart die vorliegende
Erfindung im Vergleich zum bisherigen technischen Stand ein Vorhersageverfahren, -system und ein Speicherträger für die photovoltaischen Stromerzeugungsleistung, das die folgenden vorteilhaften Wirkungen hat: 1. Bei der vorliegenden Erfindung wird die Merkmalsmatrix jeder Eingangsvariablen mehrkanalig eingegeben, und die Merkmalsmatrizen verschiedener Variablen sind voneinander unabhängig, so dass die Merkmalsextraktion verschiedener variabler Merkmalsmatrizen getrennt realisiert werden kann, was die Effizienz des Netzwerks effektiv verbessert und es dem Netzwerk ermöglicht, reichhaltigere räumlich-zeitliche Merkmale zu erlernen, indem die
Merkmalsinformationen mehrerer Kanäle verschmolzen werden, um so die
Vorhersagegenauigkeit zu verbessern. 2. Durch die Ermittlung eine Ansammlung von Umweltattributen, die den größten
Einfluss auf die von der photovoltaischen Stromerzeugungsleistung haben, kann die Geschwindigkeit der Vorhersage und die Genauigkeit des Modells verbessert werden, was für die Verbesserung der Stromnetzstabilität und die Steigerung der
Effizienz des Betriebs und der Verwaltung von photovoltaischem Kraftwerk eine wichtige Rolle spielt.
Zeichnungen
Um die technischen Lösungen in den Ausführungsformen oder im bisherigen technischen Stand der Erfindung deutlicher zu veranschaulichen, folgt eine kurze
Beschreibung der begleitenden Zeichnungen, die für die Beschreibung der
Ausführungsformen oder des bisherigen technischen Standes erforderlich sind. Es ist offensichtlich, dass die begleitenden Zeichnungen in der folgenden Beschreibung nur Beispiele für Ausführungsformen der Erfindung sind und dass andere begleitende Zeichnungen von denjenigen, die auf dem Gebiet der Fachmann gewöhnlich bewandert sind, ohne schöpferischen Aufwand in Übereinstimmung mit den begleitenden Zeichnungen erhalten werden können.
Abb. 1 zeigt eine schematische Darstellung des Ablaufs der vorliegenden Erfindung.
Abb. 2 zeigt eine schematische Darstellung der Struktur der vorliegenden Erfindung.
Spezifische Durchführung
Die technischen Lösungen in den Ausführungsformen der vorliegenden Erfindung werden im Folgenden im Zusammenhang mit den beigefügten Zeichnungen in den
Ausführungsformen der vorliegenden Erfindung deutlich und vollständig beschrieben, und es ist offensichtlich, dass die beschriebenen Ausführungsformen nur einen Teil der Ausführungsformen der vorliegenden Erfindung darstellen, und nicht alle von ihnen. Ausgehend von den Ausführungsformen der vorliegenden
Erfindung fallen alle anderen Ausführungsformen, die von einem Fachmann ohne schöpferische Arbeit erzielt werden, in den Schutzbereich der vorliegenden
Erfindung.
Die vorliegende Erfindung offenbart ein Verfahren zur Vorhersage der photovoltaischen Erzeugungsleistung, wie in Abb. 1 dargestellt, das die folgenden
Schritte umfasst:
S1. Sammeln relevanter Parameter, die die photovoltaischen
Stromerzeugungsleistung beeinflussen.
S2. Einordnen der relevanten Parameter, die sich auf die photovoltaischen
Stromerzeugungsleistung auswirken, und Clustering der Einordnungsergebnisse mit dem K-Means-Clustering-Algorithmus, um diskrete Werten zu entfernen.
S3. Erstellen verschiedener Matrizenarten basierend auf den Clustering-
Ergebnissen.
S4. Eingabe der verschiedenen Matrixtypen in das Vorhersagemodell für die photovoltaischen Stromerzeugungsleistung in separaten Kanälen, um die
Vorhersage der photovoltaischen Stromerzeugungsleistung zu vervollständigen.
In S4. ist das Vorhersagemodell der photovoltaischen Stromerzeugungsleistung speziell so eingestellt, dass es Folgendes umfasst: wobei es ein
Merkmalsextraktionsmodul, eine Maximum-Pooling-Schicht und eine
Normalisierungsschicht umfasst; wobei das Merkmalsextraktionsmodul, die
Maximum-Pooling-Schicht und die Normalisierungsschicht nacheinander verbunden sind; wobei das Merkmalsextraktionsmodul eine Vielzahl von nacheinander verbundenen Faltungsschichten umfasst, wobei die Faltungskerne nacheinander abnehmende Größe aufweisen. Insbesondere, um die Fähigkeit des Modells, 5 wichtige Merkmale zu extrahieren, zu verbessern, werden zwei Faltungsschichten für jeden Faltungsblock gesetzt; zweitens, um den Rauschpegel während des
Trainings zu reduzieren, so dass die gelernten Parameter einen großen
Gradientenzustand beibehalten und die Konvergenzgeschwindigkeit erhöhen können, wird eine Batch-Normalisierungsschicht (BN) nach jeder Faltungsschicht gesetzt, und da die BN-Schicht keine Rolle bei der Extraktion von Merkmalen hat, kann sie als Einheit mit den Faltungsschichten betrachtet werden.
In dieser Ausführungsform können auch eine Dilatationsfaltung und eine
Residualfaltung hinzugefügt werden, die Hinzufügung der Dilatationsfaltung vergrößert das Wahrnehmungsfeld des zeitlichen Faltungsnetzwerks und macht es flexibler, und das Wahrnehmungsfeld kann sogar die gesamte Sequenz abdecken; während die Hinzufügung des Residualblocks die effektive Eingabe der Sequenz erweitern und die Informationen des zeitlichen Faltungsnetzwerks vermehren.
Kapazität und kann den Berechnungsaufwand wirksam verringern.
In S1: Zu den relevanten Parametern gehören Bestrahlungsstärke, Temperatur,
Feuchtigkeit, Luftdruck, Windgeschwindigkeit, Bewölkung, Niederschlag und historische Leistung.
Die relevanten Parameter, die die photovoltaischen Stromerzeugungsleistung beeinflussen, wie folgt eingeordnet werden: der Korrelationsanalysealgorithmus bestimmt die Bestrahlungsstärke und die Temperatur als die 2 Umweltvariablen, die unter den relevanten Parametern am wichtigsten zur photovoltaischen
Stromerzeugungsleistung beitragen, und teilt die jährlichen Daten entsprechend der
Korrelation zwischen den Umweltfaktoren und den Fluktuationscharakteristiken der photovoltaischen Stromerzeugungsleistung in 4 Kategorien ein; außerdem werden die Bestrahlungsstärke, die Temperatur und die photovoltaischen
Stromerzeugungsleistung mit Hilfe der empirischen Modaldekomposition für das gesamte Ensemble, der Singularspektrumsdekomposition und der
Variationsmodaldekomposition zerlegt.
Es umfasst ferner die Vorverarbeitung der relevanten Parameter durch lineare
Interpolation. Außerdem ist es zur Verbesserung der Kontinuität der gesammelten
Daten notwendig, die fehlenden anomalen Daten auszugleichen. Die häufig verwendeten Methoden sind: die Methode der Maximalwahrscheinlichkeit, die
Methode des Gleitmittelwerts, die lagrangesche Interpolationsmethode, die Methode der Festklassifizierung, die Regressionsmethode und die Methode der
Grauwertvorhersage. Die anomalen Daten werden in drei Arten unterteilt: eine ist die photovoltaische Leistungsabgabe oberhalb der Obergrenze der
Wanrscheinlichkeitsleistungskurve und ändert sich nicht mit der Bestrahlungsstärke; eine ist die photovoltaische Leistungsabgabe unterhalb der Untergrenze der
Wanrscheinlichkeitsleistungskurve und ändert sich nicht mit der Bestrahlungsstärke; eine ist die Gesamtbestrahlungsstärke offensichtlich nicht 0 und die photovoltaische
Leistung bleibt O oder nahe 0. Die Faktoren, die sich auf die Ausgangsleistung auswirken, werden zunächst eingeordnet, dann wird die optimale Copula-Funktion zur Anpassung der Ausgangsleistung verwendet, um eine genaue
Wahrscheinlichkeitsverteilung zu bilden, der euklidische Abstand und der K-S-Wert werden verwendet, um die anormalen Datenpunkte unter verschiedenen Intervallen der Einflussfaktoren herauszufiltern, und schließlich werden die fehlenden Daten mit
Hilfe des Algorithmus zur Ergänzung der maximalen Leistung ausgeglichen.
Es umfasst ferner das Training des Vorhersagemodells für die photovoltaischen
Stromerzeugungsleistung, wobei der Trainingssatz Folgendes umfasst: Verwendung einer Rekonstruktion der Leistungsreihen basierend auf historischen Daten mit Hilfe der bidirektionalen Gewichtung des autoregressiven gleitenden
Durchschnittsmodells als Trainingssatz, und ferner Verwendung fehlender
Leistungsdaten, die mit Hilfe der Verzögerungskorrelation zwischen der
Leistungsabgabe des photovoltaischen Kraftwerks rekonstruiert wurden, als
Trainingssatz.
Weitergehend wird die photovoltaischen Stromerzeugungsleistung von zahlreichen externen Faktoren wie Sonneneinstrahlung, Bewölkung und Temperatur beeinflusst.
Diese Merkmale haben jedoch unterschiedliche Auswirkungen auf die
Modellleistung, weshalb eine Merkmalsanalyse erforderlich ist. Darüber hinaus kann das Modell aufgrund der geringen Datenmenge zwar wichtige Informationen während des Trainings übersehen, aber zu viele Eingangsmerkmale erhöhen unvermeidlich die Komplexität des Modells, was zu Problemen wie der
Informationsredundanz führen kann. Damit das Modell eine bessere
Vorhersageleistung hat und die Eingangsdimension der Eingangsmerkmale angemessen komprimiert werden kann, müssen die in der vorliegenden Anleitung gewonnenen Photovoltaik-Stromerzeugungsdaten analysiert werden. Diese
Durchführung verwendet Distanzkorrelationskoeffizienten, um die Beziehungen zwischen den verschiedenen Merkmalen zu synthetisieren.
Die Distanzkorrelation stellt eine gute Möglichkeit dar, die Probleme des Pearson-
Korrelationskoeffizienten zu umgehen. Die Pearson-Korrelation hat eine hohe
Empfindlichkeit gegenüber linearen Beziehungen, wobei Werte, die gegen 0 tendieren, eine weniger enge Beziehung anzeigen. Allerdings gibt es neben linearen
Beziehungen auch nicht-lineare Beziehungen, so dass es schwierig ist, die komplexen Beziehungen zwischen Merkmalen mit dem Pearson-
Korrelationskoeffizienten abzubilden. Im Gegensatz dazu berücksichtigt der
Distanzkorrelationskoeffizient den Korrelationsgrad zwischen den beiden und hat eine spezifischere und präzisere Fähigkeit, den Input und den Output der Funktion zu charakterisieren, weshalb der Distanzkorrelationskoeffizient häufiger verwendet wird. Wenn die Zufallsvariablen X und Y eine begrenzte positive Varianz haben, sind ihre Abstandskorrelationskoeffizienten wie folgt definiert: dCov(X,Y) . 0 dCor(X,Y) = EE 3 dCor(X,Y) € [0.1]
JdCov(X,Y)e dCov(Y,Y)
Die Abstandskorrelationskoeffizienten sind alle Nichtnegativ, d. h. je höher der Wert, desto stärker die Korrelation. Wie beim Pearson-Korrelationskoeffizienten stammen auch die hier ermittelten Abstandskorrelationskoeffizienten aus der Stichprobe.
Diese Ausführungsform offenbart auch ein Vorhersagesystem für die photovoltaischen Stromerzeugungsleistung, wie in Abb. 2 dargestellt, das Folgendes umfasst: ein Erfassungsmodul für relevante Parameter, ein Einordnungsmodul für relevante Parameter, ein Matrixbildungsmodul und ein Vorhersagemodul für die photovoltaischen Stromerzeugungsleistung;
Erfassungsmodul für relevante Parameter: zur Erfassung relevanter Parameter, die die Leistung der photovoltaischen Stromerzeugung beeinflussen;
Einordnungsmodul der relevanten Parameter: zur Einordnung der relevanten
Parameter, die sich auf die photovoltaischen Stromerzeugungsleistung auswirken, zur Clusterung der Einordnungsergebnisse mit Hilfe des K-Means-Clustering-
Algorithmus, um diskrete Werten zu entfernen;
Matrixbildungsmodul: zur Erstellung verschiedener Matrizenarten basierend auf den
Clustering-Ergebnissen;
Vorhersagemodell für die photovoltaischen Stromerzeugungsleistung: Zur Eingabe verschiedener Matrix-Unterkanäle in das Vorhersagemodell für die photovoltaischen
Stromerzeugungsleistung, um die Vorhersage der photovoltaischen
Stromerzeugungsleistung zu vervollständigen.
Optional umfasst es ferner ein Datenvorverarbeitungsmodul zur Vorverarbeitung der relevanten Parameter durch lineare Interpolation.
Schließlich wird ein Computer-Speicherträger offenbart. Auf dem Computer-
Speicherträger ist ein Computerprogramm gespeichert, wobei das
Computerprogramm, wenn es von einem Prozessor ausgeführt wird, die Schritte eines oben genannten beliebigen Vorhersageverfahrens für photovoltaischen
Stromerzeugungsleistung implementiert.
Jede Ausführungsform in dieser Anleitung wird schrittweise beschrieben, wobei bei jeder Ausführungsform der Schwerpunkt auf den Unterschieden zu den anderen
Ausführungsformen liegt, und es ausreicht, auf gleiche und ähnliche Teile jeder
Ausführungsform hinzuweisen. Für die in den Beispielen offenbarte Erfindung ist die
Beschreibung einfacher, da sie der in den Beispielen offenbarten Verfahren entspricht, und die relevanten Teile werden im Abschnitt über die Verfahren beschrieben.
Die vorstehende Beschreibung der offengelegten Ausführungsformen ermöglicht es dem Fachmann, die vorliegende Erfindung umzusetzen oder zu verwenden. Eine
Vielzahl von Modifikationen dieser Ausführungsformen werden für den Fachmann offensichtlich sein, und die hierin definierten allgemeinen Grundsätze können in anderen Ausführungsformen umgesetzt werden, ohne vom Geist oder Umfang der vorliegenden Erfindung abzuweichen. Dementsprechend ist die Erfindung nicht auf die hier gezeigten Ausführungsformen beschränkt, sondern unterliegt dem größtmöglichen Anwendungsbereich, der mit den hier offengelegten Grundsätzen und neuen Merkmalen vereinbar ist.

Claims (9)

Ansprüche
1. Ein Vorhersageverfahren für die Photovoltaischen Stromerzeugungsleistung, dadurch gekennzeichnet, dass es die folgenden Schritte umfasst: Sammeln relevanter Parameter, die die Photovoltaischen Stromerzeugungsleistung beeinflussen. Einordnen der relevanten Parameter, die sich auf die Photovoltaischen Stromerzeugungsleistung auswirken, und Clustering der Einordnungsergebnisse mit dem K-Means-Clustering-Algorithmus, um diskrete Werten zu entfernen. Erstellen verschiedener Matrizenarten basierend auf den Clustering- Ergebnissen. Eingabe der verschiedenen Matrixtypen in das Vorhersagemodell für die Photovoltaischen Stromerzeugungsleistung in separaten Kanälen, um die Vorhersage der photovoltaischen Stromerzeugungsleistung zu vervollständigen.
2. Ein Vorhersageverfahren für die photovoltaischen Stromerzeugungsleistung nach Anspruch 1, dadurch gekennzeichnet, dass das Vorhersagemodell der photovoltaischen Stromerzeugungsleistung speziell so eingestellt ist, dass es Folgendes umfasst: wobei es ein Merkmalsextraktionsmodul, eine Maximum- Pooling-Schicht und eine Normalisierungsschicht umfasst; wobei das Merkmalsextraktionsmodul, die Maximum-Pooling-Schicht und die Normalisierungsschicht nacheinander verbunden sind; wobei das Merkmalsextraktionsmodul eine Vielzahl von nacheinander verbundenen Faltungsschichten umfasst, wobei die Faltungskerne nacheinander abnehmende Größe aufweisen.
3. Ein Vorhersageverfahren für die photovoltaischen Stromerzeugungsleistung nach Anspruch 1, dadurch gekennzeichnet, dass die relevanten Parameter Bestrahlungsstärke, Temperatur, Feuchtigkeit, Luftdruck, Windgeschwindigkeit, Bewölkung, Niederschlag und historische Leistung umfassen.
4. Ein Vorhersageverfahren für die photovoltaischen Stromerzeugungsleistung nach Anspruch 1, dadurch gekennzeichnet, dass die relevanten Parameter, die die photovoltaischen Stromerzeugungsleistung beeinflussen, wie folgt eingeordnet werden: der Korrelationsanalysealgorithmus bestimmt die Bestrahlungsstärke und die Temperatur als die 2 Umweltvariablen, die unter den relevanten Parametern am wichtigsten zur Photovoltaischen Stromerzeugungsleistung beitragen, und teilt die jährlichen Daten entsprechend der Korrelation zwischen den Umweltfaktoren und den Fluktuationscharakteristiken der photovoltaischen Stromerzeugungsleistung in 4 Kategorien ein; außerdem werden die Bestrahlungsstärke, die Temperatur und die photovoltaischen Stromerzeugungsleistung mit Hilfe der empirischen Modaldekomposition für das gesamte Ensemble, der Singularspektrumsdekomposition und der Variationsmodaldekomposition zerlegt.
5. Ein Vorhersageverfahren für die photovoltaischen Stromerzeugungsleistung nach Anspruch 1, dadurch gekennzeichnet, dass es ferner die Vorverarbeitung der relevanten Parameter durch lineare Interpolation umfasst.
6. Ein Vorhersageverfahren für die photovoltaischen Stromerzeugungsleistung nach Anspruch 6, dadurch gekennzeichnet, dass es ferner das Training des Vorhersagemodells für die photovoltaischen Stromerzeugungsleistung umfasst, wobei der Trainingssatz Folgendes umfasst: Verwendung einer Rekonstruktion der Leistungsreihen basierend auf historischen Daten mit Hilfe der bidirektionalen Gewichtung des autoregressiven gleitenden Durchschnittsmodells als Trainingssatz, und ferner Verwendung fehlender Leistungsdaten, die mit Hilfe der Verzögerungskorrelation zwischen der Leistungsabgabe des photovoltaischen Kraftwerks rekonstruiert wurden, als Trainingssatz.
7. Ein Vorhersagesystem für photovoltaischen Stromerzeugungsleistung, dadurch gekennzeichnet, dass es umfasst: ein Erfassungsmodul für relevante Parameter, ein Einordnungsmodul für relevante Parameter, ein Matrixbildungsmodul und ein Vorhersagemodul für photovoltaischen Stromerzeugungsleistung. Erfassungsmodul für relevante Parameter: zur Erfassung relevanter Parameter, die die photovoltaischen Stromerzeugungsleistung beeinflussen; Einordnungsmodul der relevanten Parameter: zur Einordnung der relevanten Parameter, die sich auf die photovoltaischen Stromerzeugungsleistung auswirken, zur Clusterung der Einordnungsergebnisse mit Hilfe des K-Means- Clustering-Algorithmus, um diskrete Werten zu entfernen; Matrixbildungsmodul: zur Erstellung verschiedener Matrizenarten basierend auf den Clustering-Ergebnissen; Vorhersagemodell für die photovoltaischen Stromerzeugungsleistung: Zur Eingabe verschiedener Matrix-Unterkanäle in das Vorhersagemodell für die photovoltaischen Stromerzeugungsleistung, um die Vorhersage der photovoltaischen Stromerzeugungsleistung zu vervollständigen.
8. Ein Vorhersagesystem für photovoltaischen Stromerzeugungsleistung nach Anspruch 7, dadurch gekennzeichnet, dass es ferner ein Datenvorverarbeitungsmodul zur Vorverarbeitung der relevanten Parameter durch lineare Interpolation umfasst.
9. Ein Computer-Speicherträger, dadurch gekennzeichnet, dass auf dem Computer-Speicherträger ein Computerprogramm gespeichert ist, wobei das Computerprogramm, wenn es von einem Prozessor ausgeführt wird, die Schritte eines Vorhersageverfahrens für photovoltaischen Stromerzeugungsleistung nach einem der Ansprüche 1 bis 6 implementiert.
BE20235247A 2023-03-03 2023-03-31 Ein Vorhersageverfahren, -system und ein Speicherträger für die photovoltaischen Stromerzeugungsleistung BE1031404B1 (de)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310195495.7A CN116151464A (zh) 2023-03-03 2023-03-03 一种光伏发电功率预测方法、系统及可存储介质

Publications (2)

Publication Number Publication Date
BE1031404A1 true BE1031404A1 (de) 2024-09-30
BE1031404B1 BE1031404B1 (de) 2024-10-08

Family

ID=86282609

Family Applications (1)

Application Number Title Priority Date Filing Date
BE20235247A BE1031404B1 (de) 2023-03-03 2023-03-31 Ein Vorhersageverfahren, -system und ein Speicherträger für die photovoltaischen Stromerzeugungsleistung

Country Status (2)

Country Link
CN (1) CN116151464A (de)
BE (1) BE1031404B1 (de)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116579509A (zh) * 2023-07-14 2023-08-11 天津福天科技有限公司 一种基于虚拟现实的光伏发电预测方法
CN117709556B (zh) * 2024-02-06 2024-05-31 山东建筑大学 一种光伏发电短期预测方法、系统、介质及设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115392387B (zh) * 2022-09-01 2023-08-08 国网江苏省电力有限公司镇江供电分公司 一种低压分布式光伏发电出力预测方法

Also Published As

Publication number Publication date
CN116151464A (zh) 2023-05-23
BE1031404B1 (de) 2024-10-08

Similar Documents

Publication Publication Date Title
BE1031404B1 (de) Ein Vorhersageverfahren, -system und ein Speicherträger für die photovoltaischen Stromerzeugungsleistung
DE112021000064T5 (de) Verfahren und Vorrichtung zur geschichteten koordinierten Steuerung eines Wind-Wasserstoff-Kopplungssystems basierend auf MPC
EP4304041B1 (de) Verfahren, vorrichtung und elektronische ausrüstung zur blindleistungseinstellung einer integrierten feldstation für eine windkraftanlage, eine photovoltaik und eine energiespeichereinheit
CN111552923A (zh) 一种基于通用分布的负荷预测方法及负荷预测系统
DE112024001795T5 (de) Verfahren, System, Gerät und Speichermedium zur optimierten Einsatzplanung des Eigenbedarfsversorgungssystems eines Wärmekraftwerks unter Berücksichtigung von Windkraftanlagen, Photovoltaikanlagen und Energiespeichern
CN111461921B (zh) 一种基于机器学习的负荷建模典型用户数据库更新方法
CN112862630A (zh) 基于天气类型指数区间的光伏功率预测方法、终端及介质
DE202023105081U1 (de) System zur Analyse der Auswirkungen von Situationsbewusstseinsattributen für die Belastbarkeitsbewertung aktiver Vertriebsnetze
DE102022213606A1 (de) Verfahren und Vorrichtung zur Anomaliedetektion eines Streichmessers einer Papierherstellungsmaschine und Rechenvorrichtung
CN118396036B (zh) 一种风电功率预测方法、系统、设备及介质
CN114925931B (zh) 台区负荷预测方法及系统
LU508553B1 (de) Ein verfahren zur brandfrühwarnung von photovoltaischen stromerzeugungsanlagen
CN119994916A (zh) 一种虚拟电厂的资源调度方法、装置、设备及存储介质
DE102024118211A1 (de) Verfahren und Vorrichtung zur Prognose der direkten Kohlenstoffemissionen bei der Zementherstellung
BE1030309B1 (de) System und verfahren zum berechnen eines kohlenstofffreien nettogebäudes
DE202023105458U1 (de) Ein Klassifizierungssystem für den Betriebszustand von Windkraftanlagen
DE202023106319U1 (de) Ein Niederschlagsvorhersagesystem
LU507983B1 (de) Ein giersteuerungssystem und ein verfahren zur anwendung der laser-windmessradar-optimierung
DE202022101216U1 (de) Ein System zur Bestimmung von lärmbelasteten Regionen mit Hilfe von Data-Mining-Ansätzen und Clustertechniken
DE202021106079U1 (de) Ein System zur Vorhersage von Aktienkursen und Finanzbewegungen
CN120033771A (zh) 基于梯级水电主动调控的风光水互补调度方法及系统
DE202024102914U1 (de) Intelligentes Arbeitsmarktanalysesystem auf Basis künstlicher Intelligenz
DE202023105416U1 (de) Ein intelligentes System zur Vorhersage der Solarstrahlung
CN116090604A (zh) 一种日前短期光伏功率模型的训练方法、预测方法、装置
CN113837486A (zh) 一种基于rnn-rbm的配网馈线长期负荷预测方法

Legal Events

Date Code Title Description
FG Patent granted

Effective date: 20241008