System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及光伏出力预测,更具体地说,它涉及分布式光伏中长期预测方法及系统。
技术介绍
1、因分布式光伏安装在用户侧,可就地消纳从而减少电能传输过程的损耗,且能充分利用已有建筑表面,不需要额外用地,具有安装灵活、投资少等优点。但由于分布式光伏相较集中式光伏分布较为分散,且具有更大的间歇性、波动性和随机性特征,其大规模接入配电网加剧了电网负荷的分钟级、小时级波动。大规模分布式光伏由于多点无序接入配电网而形成一个有机整体,其出力彼此之间也相互耦合影响,考虑到太阳能资源的特点,确定性单点功率预测的结果不可避免地含有数据和模型缺陷造成的不准确性,功率不确定性无法得到定量描述。因此推动新型有源配电网分布式光伏功率概率预测研究对充分发挥分布式光伏资源在以新能源为主体的新型电力系统中的作用十分必要。
2、目前国内外针对分布式光伏功率预测开展了许多研究,但都主要集中在确定性预测建模,缺乏概率预测相关内容,且目前研究往往聚焦于算法和模型的改进,没有考虑分布式光伏功率序列在时域上的波动特征,因此往往只能实现超短期或者短期的预测。
技术实现思路
1、本申请的目的是提供分布式光伏中长期预测方法及系统,解决现有分布式光伏功率预测不能实现中长期预测的问题,基于xgboost算法建立光伏出力中长期预测模型,根据资源-气象数据对光伏出力进行中长期预测。
2、本申请首先提供分布式光伏中长期预测方法,包括:
3、分析各类气象因素对光伏出力的影响,确定影响光伏出力的关键气象因素;<
...【技术保护点】
1.分布式光伏中长期预测方法,其特征在于,包括:
2.根据权利要求1所述的分布式光伏中长期预测方法,其特征在于,分析各类气象因素对光伏出力的影响,确定影响光伏出力的关键气象因素;包括:
3.根据权利要求1所述的分布式光伏中长期预测方法,其特征在于,构建XGBoost模型,根据关键气象因素的历史数据以及对应的光伏出力历史数据对XGBoost模型进行训练,得到XGBoost预测模型;包括:
4.根据权利要求1所述的分布式光伏中长期预测方法,其特征在于,将关键气象因素多年数据带入所述XGBoost预测模型,得到光伏出力中长期预测结果;包括:
5.根据权利要求1-4任一所述的分布式光伏中长期预测方法,其特征在于,所述影响光伏出力的关键气象因素包括:太阳辐射强度、温度和湿度。
6.分布式光伏中长期预测系统,其特征在于,包括:
7.根据权利要求6所述的分布式光伏中长期预测系统,其特征在于,所述数据分析模块,包括:
8.根据权利要求6所述的分布式光伏中长期预测系统,其特征在于,所述模型构建模块,还用于将关键气象
9.根据权利要求6所述的分布式光伏中长期预测系统,其特征在于,所述模型预测模块,还用于获取气象因素多年数据,从中提取关键气象因素多年数据,将所述关键气象因素多年数据带入XGBoost预测模型,得到光伏出力中长期预测结果。
10.根据权利要求6-9任一所述的分布式光伏中长期预测系统,其特征在于,所述数据分析模块中的影响光伏出力的关键气象因素包括:太阳辐射强度、温度和湿度。
...【技术特征摘要】
1.分布式光伏中长期预测方法,其特征在于,包括:
2.根据权利要求1所述的分布式光伏中长期预测方法,其特征在于,分析各类气象因素对光伏出力的影响,确定影响光伏出力的关键气象因素;包括:
3.根据权利要求1所述的分布式光伏中长期预测方法,其特征在于,构建xgboost模型,根据关键气象因素的历史数据以及对应的光伏出力历史数据对xgboost模型进行训练,得到xgboost预测模型;包括:
4.根据权利要求1所述的分布式光伏中长期预测方法,其特征在于,将关键气象因素多年数据带入所述xgboost预测模型,得到光伏出力中长期预测结果;包括:
5.根据权利要求1-4任一所述的分布式光伏中长期预测方法,其特征在于,所述影响光伏出力的关键气象因素包括:太阳辐射强度、温度和湿度。
6.分布式光伏中长期预测系统,其特征在于,包括:
【专利技术属性】
技术研发人员:叶圣永,杨新婷,韩宇奇,龙川,李婷,刘立扬,刘旭娜,李达,
申请(专利权)人:国网四川省电力公司经济技术研究院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。