CN103353952A - 一种基于地基云图的光伏功率预测方法 - Google Patents
一种基于地基云图的光伏功率预测方法 Download PDFInfo
- Publication number
- CN103353952A CN103353952A CN2013102155430A CN201310215543A CN103353952A CN 103353952 A CN103353952 A CN 103353952A CN 2013102155430 A CN2013102155430 A CN 2013102155430A CN 201310215543 A CN201310215543 A CN 201310215543A CN 103353952 A CN103353952 A CN 103353952A
- Authority
- CN
- China
- Prior art keywords
- image
- ground
- cloud cluster
- constantly
- sun
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000006243 chemical reaction Methods 0.000 claims abstract description 14
- 230000005855 radiation Effects 0.000 claims description 40
- 238000005259 measurement Methods 0.000 claims description 24
- 238000010586 diagram Methods 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 18
- 239000000284 extract Substances 0.000 claims description 13
- 239000002245 particle Substances 0.000 claims description 13
- 230000010339 dilation Effects 0.000 claims description 8
- 230000000877 morphologic effect Effects 0.000 claims description 8
- 230000005693 optoelectronics Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 230000005622 photoelectricity Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000005303 weighing Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 3
- 238000007619 statistical method Methods 0.000 abstract description 2
- 230000002194 synthesizing effect Effects 0.000 abstract 1
- 230000008901 benefit Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000009467 reduction Effects 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
- 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
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于地基云图的光伏功率预测方法,包括以下步骤:步骤1:云团运动预估;步骤2:对地面辐照度进行预测;步骤3:建立综合光电转换模型;步骤4:进行光伏功率预测。本发明综合运用多种数字图像处理技术,突出问题需求,有很强的针对性和实用性,与传统的统计方法结合为光伏功率精细化预测提供了有效的技术支撑和方法参考。且本发明综合多因素多步建模,方法的描述已涵盖光伏预测领域所有关键环节,有较强的普适性和鲁棒性。本发明为了在使用中结合使用的具体场景和应用对象,有些环节预留了调节参数,操作方便并保证预测效果。
Description
技术领域
本发明属于新能源光伏发电技术领域,具体涉及一种基于地基云图的光伏功率预测方法。
背景技术
近年来,大规模光伏电站接入电网,由于光伏发电输出功率具有随机性和波动性,对电网安全稳定和经济运行造成影响。对光伏电站的输出功率进行准确预测,为电力调度提供重要的决策支持,统筹安排常规电源和光伏发电的协调配合,不仅降低电力系统运行成本,而且有利于充分利用光伏资源,获得更大的经济效益和社会效益。
地面辐照度作为光伏电站输出功率的主要影响因素之一,它的不确定性直接导致输出功率的随机性和波动性。而云作为影响太阳地面辐照量的主要气象要素,其生消和移动变化是地面辐照度变化不确定性的主要原因。目前,光伏功率预测方法主要有统计分析或机器学习方法,它们基于历史气象要素数据和光伏电站输出功率数据进行预测,但均未涉及云图数据,对云的遮挡导致的功率突变很难学习导致预测效果欠佳。国外有学者根据气象卫星云图预估云层移动情况进行太阳辐照度预测,但其时空分辨率相对较低,为了满足区域内光伏电站超短期0-4小时内分钟级功率预测的要求,需要局地高时空分辨率的云图像数据。
近年来,随着电荷耦合器件CCD等硬件技术的发展和数字图像处理技术的不断完善,很多地基遥感测云仪器研制成功,比如全天空成像仪(total sky imager,TSI),该仪器能实现对全天空云的自动化观测和实时采集,最小时间分辨率可达30秒,能很好地实现光伏电站上空云图的实时监测和采集。
发明内容
为了克服上述现有技术的不足,本发明提供一种基于地基云图的光伏功率预测方法,利用数字图像处理技术对地基云图进行处理和分析,对未来时刻云团运动和太阳遮挡状况进行预测,相当于将云这一主要气象要素从众多影响辐照度的随机因素中单独分离出来进行建模。同时结合衡量太阳通过大气层时衰减情况的辐射清晰度指数实现未来时刻地面辐照度的预测,最后通过光电转换模型实现光伏功率超短期1小时内分钟级光伏功率精细化预测。
为了实现上述发明目的,本发明采取如下技术方案:
提供一种基于地基云图的光伏功率预测方法,所述方法包括以下步骤:
步骤1:云团运动预估;
步骤2:对地面辐照度进行预测;
步骤3:建立综合光电转换模型;
步骤4:进行光伏功率预测。
所述步骤1包括以下步骤:
步骤1-1:确定图像上太阳位置;
所述步骤1‐1中,用天顶角和方位角来确定图像上太阳位置;
其中:
ω=(t-12)×15° (3)
其中,dayth表示一年中的日期序号,t为时间;
天顶角为和方位角分别为θz和γs时,距离图像中心点的距离为R,于是即可确定某一时刻图像上太阳位置;距离图像中心点的距离R表示为:
步骤1-2:对地基云图原始图像进行预处理;
所述步骤1-2包括以下步骤:
步骤1-2-1:对地基云图原始图像进行图像复原;
首先,通过遮光带覆盖像素点范围和镜头支臂的像素点范围确定遮光带和镜头支臂的掩模图像;根据已确定的图像上太阳位置,标定出复原图像对应时刻太阳在图像中的太阳位置点,然后由中心点到太阳位置点至到圆周边沿点确定一条直线,然后根据图像形态学膨胀运算扩展至遮光带宽度,从而确定遮光带覆盖像素点范围;同时由中心点垂直向上至到圆周边沿点确定另一条直线,然后根据图像形态学膨胀运算把该直线扩展至宽度为镜头支臂宽度,从而确定镜头支臂的像素点范围。
然后在地基云图原始图像上,与掩模图像对于遮光带覆盖范围的像素点和镜头支臂范围的像素点的周边像素点进行线性插值,最终生成复原图像I;
步骤1-2-2:对所述复原图像I进行中值滤波,得到中值滤波图像;
M(i,j)=Med{I(i+r,j+s)} (5)
其中,M(i,j)表示中值滤波图像在(i,j)点的灰度值,I(i+r,j+s)表示复原图像I在(i+r,j+s)点的灰度值;滤波窗口为5×5领域时,r,s∈{-2,-1,0,1,2};滤波窗口为3×3领域时,r,s∈{-1,0,1};Med{I(i+r,j+s)表示随着r,s取不同值而得到的25个序列或9个序列的中值;
步骤1-2-3:对中值滤波图像进行锐化;
对中值滤波图像进行锐化后的锐化图像假定为g(x,y),则有:
其中,M(x,y)表示中值滤波图像,且有
步骤1-3:对预处理后的锐化图像g(x,y)进行二值化处理,并提取云团质心;
所述步骤1-3包括以下步骤:
步骤1-3-1:对预处理最终得到的锐化图像g(x,y)进行二值化处理;
由下式得到(i,j)点的二值图像Binary:
其中,Binary(i,j)表示二值图像Binary在(i,j)点的像素值,R(i,j),B(i,j)分别表示锐化图像g(x,y)红通道分量和蓝通道分量在(i,j)点的灰度值;γ表示锐化图像g(x,y)红蓝通道分量比的阈值,由如下公式计算:
γ=max_level(RBR_hist)+TH (9)
其中,RBR_hist表示红蓝分量比图像RBR的灰度直方图,max_level表示灰度直方图中频度最大的灰度值,TH表示阈值微调量;
步骤1-3-2:进行云团检测和标注;
二值图像Binary中,若像素值为1且坐标为(i,j)的像素点为P,则搜索P的8连接点,8连接点的坐标集为:{(i-1,j-1),(i-1,j),(i-1,j+1),(i,j-1),(i,j+1),(i+1,j-1),(i+1,j),(i+1,j+1)};
对P点的8连接点的坐标集对应的像素点中选择像素值为1的点,并分别对其再次展开8连接点搜索,如此反复,并且每个像素点不能重复被搜索,直至所有连接点的8连接点均为已搜索的点或者像素值为0的点,则结束搜索并标注云团;
云团的标注按照检索的顺序,第一次检索到的团块标记为1,第二次检索到的团块标记为2,以此类推;
步骤1-3-3:云团质心提取;
设Al1,Al2为顶点的矩形框经过云团A1最小外接矩形的左上角和右下角像素点,若Al1点坐标为(Alx1,Aly1),Al2点坐标为(Alx2,Aly2),云团A1的质心坐标为(Alx,Aly),则有:
按照上述云团A1质心提取的方法,依次提取云团A1,A2,…和Am共m个云团的质心。
步骤1-4:云团运动预估:
所述步骤1-4包括以下步骤:
步骤1-4-1:定义云团运动方向和速度;
建立以球面图像中心为坐标原点的极坐标系,球面图像中心的坐标为(xc,yc),像素点P的原始坐标为(x,y),其中x≠xc;则像素点P在极坐标下的极径ρ和极角θ分别表示为:
(xt,yt)和(xt+1,yt+1)分别为t时刻和t+1时刻某云团的质心坐标;则t时刻该云团移动速度v表示为:
其中Δt为t时刻和t+1时刻之间的采样时间间隔;
云团移动方向定义如下:
(2)如果xt+1=xt,且yt+1≤yt,则有θ=π/2;
(5)如果xt+1=xt,且yt+1≥yt,则有θ=3π/2;
步骤1-4-2:进行云团运动预估;
假设二值图像Binary有n张,每张二值图像Binary中云团个数有m个,第j个云团根据第i张二值图像Binary中的质心位置和第i+1张二值图像Binary中的质心位置所得到的速度和角度分别为vji和θji,其中:j=1,2,...,m;i=1,2,...,n-1;
假设云团在相对较短时间内的运动为刚体运动,位于全天空成像仪视野范围内的云团近似匀速直线运动,通过求取vji和θji平均值预估未来第j个云团的移动速度vj和移动方向θj,具体表示为:
所述步骤2包括以下步骤:
步骤2-1:计算学习阶段太阳被云团遮挡时刻对应的辐射清晰度指数;
t时刻天顶辐射H0(t)和大气质量AM(t)分别表示为:
H0(t)=Isc(1+0.033cos(2π·dayth/365))cosθZ (14)
其中,Isc=1367±5W/m2;
于是:t时刻地面理论辐射值Itheory(t)表示为:
Itheory(t)=H0(t)/AMC(t) (16)
在晴空状况下,令t时刻地面理论辐射值Itheory(t)等于地面实测辐射值Iobs(t)根据式(16)计算出C,进而确定t时刻地面理论辐射值Itheory(t);
学习阶段太阳被云团遮挡时刻对应的辐射清晰度指数用来衡量太阳通过大气层时云团对辐照度的衰减情况,其表示为:
其中,KT(t)为学习阶段太阳被云团遮挡时刻对应的辐射清晰度指数;
步骤2-2:进行太阳遮挡预测;
通过判断二值图像Binary上太阳位置处像素点是否为二值图像Binary中云团的像素点,进而判断此刻太阳是否被云团遮挡,具体表示为:
其中sign(t)表示t时刻太阳的遮挡信息,sign(t)=0表示太阳未被云团遮挡,sign(t)=1表示太阳被云团遮挡;(xS(t),yS(t))表示t时刻太阳在图像中的位置,ex的取值为{-2,-1,0,1,2};
步骤2-3:对地面辐照度进行预测;
假设预测阶段的辐射清晰度指数为pKT,其由学习阶段太阳被云团遮挡时刻对应的所有辐射清晰度指数的加权平均确定,表示为:
其中,N为学习阶段太阳被云团遮挡的时刻;i表示太阳被云团遮挡时刻时的排序,i=1,2,...,N-1;λi为学习样本中第i个辐射清晰度指数加权平均的权重系数,且满足λi<λi+1;KT(ti)为学习阶段太阳被云团遮挡时刻对应的第i个辐射清晰度指数;
于是,预测阶段t时刻的地面理论辐照度表示为:
其中,pI(t)表示预测阶段t时刻的地面理论辐照度。
所述步骤3包括以下步骤:
步骤3-1:建立基础光电转换模型;
通过所读取的历史功率数据和辐射数据绘制散点图,若P0(t)、I(t)分别为t时刻的实测有功功率和实测地面辐照度,并根据散点图确定曲线类型和曲线拟合方程式中的阶数q,所述曲线拟合方程式为:
P0(t)=aqIq(t)+aq-1Iq-1(t)+…+a0 (21)
其中aq,aq-1,…和a0均为曲线拟合方程式的系数;
根据上述曲线拟合方程式建立目标函数:
通过最小二乘法确定aq,aq-1,…和a0,从而确定t时刻的实测有功功率P0(t),表示为:
P0(t)=f(I(t))=aqIq(t)+aq-1Iq-1(t)+…+a0 (23)
f(I(t))为t时刻的实测有功功率P0(t)关于t时刻的实测地面辐照度I(t)的函数;
步骤3-2:结合基础光电转换模型建立综合光电转换模型;
设t时刻的组建温度分别为T(t),由温度导致的t时刻的转换效率η(t)表示为:
η(t)=1+0.0035(T(t)-T(t-1)) (24)
由此可得预测阶段t时刻的实测有功功率,具体表示为:
P(t)=η(t)f(I(t)) (25)
其中,P(t)表示预测阶段t时刻的实测有功功率。
所述步骤4中,通过建立光伏功率预测模型进行光伏功率预测;
所述光伏功率预测模型为:
与现有技术相比,本发明的有益效果在于:
(1)本发明综合运用多种数字图像处理技术,突出问题需求,有很强的针对性,与传统的统计方法结合为光伏功率精细化预测提供了有效的技术支撑和方法参考。
(2)本发明综合多因素多步建模,方法的描述已涵盖光伏预测领域所有关键环节,有较强的普适性和鲁棒性。
(2)本发明采用必要且合理的假设,实现对问题简化的同时又能最大限度地准确描述问题。
(3)本发明为了在使用中结合使用的具体场景和应用对象,有些环节预留了调节参数,操作方便并保证预测效果。
(4)流程化的处理,详尽的算法描述和形式化表达,为工程实现提供了方便,具有很好的工程实用性。
附图说明
图1是本发明实施例中某一时刻图像上太阳的位置示意图;
图2是图像形态学膨胀运算原理示意图;
图3是本发明实施例中掩模图像示意图;
图4是本发明实施例中对地基云图原始图像进行图像复原示意图;
图5是本发明实施例中8连接点的连接方式示意图;
图6是本发明实施例中云团质心提取示意图;
图7是本发明实施例中建立以球面图像中心为坐标原点的极坐标系中云团运动预估示意图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
提供一种基于地基云图的光伏功率预测方法,所述方法包括以下步骤:
步骤1:云团运动预估;
步骤2:对地面辐照度进行预测;
步骤3:建立综合光电转换模型;
步骤4:进行光伏功率预测。
所述步骤1包括以下步骤:
步骤1-1:确定图像上太阳位置;
所述步骤1‐1中,用天顶角和方位角来确定图像上太阳位置;
其中:
ω=(t-12)×15° (3)
其中,dayth表示一年中的日期序号,t为时间;
天顶角为和方位角分别为θz和γs时,距离图像中心点的距离为R,于是即可确定某一时刻图像上太阳位置;由于天顶角在与图像半径有相关性,根据式(4)可将距离图像中心点的距离R表示为:
如图1,Center点为图像中心点,这样就可以标定出某一时刻图像上太阳的位置。
步骤1-2:对地基云图原始图像进行预处理;
所述步骤1-2包括以下步骤:
步骤1-2-1:对地基云图原始图像进行图像复原;
首先,通过遮光带覆盖像素点范围和镜头支臂的像素点范围确定遮光带和镜头支臂的掩模图像;根据已确定的图像上太阳位置,标定出复原图像对应时刻太阳在图像中的太阳位置点,然后由中心点到太阳位置点至到圆周边沿点确定一条直线,然后根据图像形态学膨胀运算扩展至遮光带宽度,从而确定遮光带覆盖像素点范围;同时由中心点垂直向上至到圆周边沿点确定另一条直线,然后根据图像形态学膨胀运算把该直线扩展至宽度为镜头支臂宽度,从而确定镜头支臂的像素点范围。
如图2,图像形态学膨胀运算相当于用B的中心在A的边界走一圈,B的边界扫过的区域加上A本身的区域就是A膨胀B的结果。
然后在地基云图原始图像上,与掩模图像对于遮光带覆盖范围的像素点和镜头支臂范围的像素点的周边像素点进行线性插值,最终生成复原图像I;
步骤1-2-2:对所述复原图像I进行中值滤波,得到中值滤波图像;
M(i,j)=Med{I(i+r,j+s)} (5)
其中,M(i,j)表示中值滤波图像在(i,j)点的灰度值,I(i+r,j+s)表示复原图像I在(i+r,j+s)点的灰度值;滤波窗口为5×5领域时,r,s∈{-2,-1,0,1,2};滤波窗口为3×3领域时,r,s∈{-1,0,1};Med{I(i+r,j+s)表示随着r,s取不同值而得到的25个序列或9个序列的中值;
步骤1-2-3:对中值滤波图像进行锐化;
对中值滤波图像进行锐化后的锐化图像假定为g(x,y),则有:
其中,M(x,y)表示中值滤波图像,且有
步骤1-3:对预处理后的锐化图像g(x,y)进行二值化处理,并提取云团质心;
所述步骤1-3包括以下步骤:
步骤1-3-1:对预处理最终得到的锐化图像g(x,y)进行二值化处理;
由下式得到(i,j)点的二值图像Binary:
其中,Binary(i,j)表示二值图像Binary在(i,j)点的像素值,R(i,j),B(i,j)分别表示锐化图像g(x,y)红通道分量和蓝通道分量在(i,j)点的灰度值;γ表示锐化图像g(x,y)红蓝通道分量比的阈值,由如下公式计算:
γ=max_level(RBR_hist)+TH (9)
其中,RBR_hist表示红蓝分量比图像RBR的灰度直方图,max_level表示灰度直方图中频度最大的灰度值,TH表示阈值微调量;
步骤1-3-2:进行云团检测和标注;
二值图像Binary中,若像素值为1且坐标为(i,j)的像素点为P,则搜索P的8连接点,其中8连接点连接方式如图5所示;
8连接点的坐标集为:{(i-1,j-1),(i-1,j),(i-1,j+1),(i,j-1),(i,j+1),(i+1,j-1),(i+1,j),(i+1,j+1)};
对P点的8连接点的坐标集对应的像素点中选择像素值为1的点,并分别对其再次展开8连接点搜索,如此反复,并且每个像素点不能重复被搜索,直至所有连接点的8连接点均为已搜索的点或者像素值为0的点,则结束搜索并标注云团;
云团的标注按照检索的顺序,第一次检索到的团块标记为1,第二次检索到的团块标记为2,以此类推;
步骤1-3-3:云团质心提取;
如图6,设Al1,Al2为顶点的矩形框经过云团A1最小外接矩形的左上角和右下角像素点,若Al1点坐标为(Alx1,Aly1),Al2点坐标为(Alx2,Aly2),云团A1的质心坐标为(Alx,Aly),则有:
按照上述云团A1质心提取的方法,依次提取云团A1,A2,…和Am共m个云团的质心。
步骤1-4:云团运动预估:
所述步骤1-4包括以下步骤:
步骤1-4-1:定义云团运动方向和速度;
如图7,建立以球面图像中心为坐标原点的极坐标系,球面图像中心的坐标为(xc,yc),像素点P的原始坐标为(x,y),其中x≠xc;则像素点P在极坐标下的极径ρ和极角θ分别表示为:
(xt,yt)和(xt+1,yt+1)分别为t时刻和t+1时刻某云团的质心坐标;则t时刻该云团移动速度v表示为:
其中Δt为t时刻和t+1时刻之间的采样时间间隔;
云团移动方向定义如下:
(2)如果xt+1=xt,且yt+1≤yt,则有θ=π/2;
(5)如果xt+1=xt,且yt+1≥yt,则有θ=3π/2;
步骤1-4-2:进行云团运动预估;
假设二值图像Binary有n张,每张二值图像Binary中云团个数有m个,第j个云团根据第i张二值图像Binary中的质心位置和第i+1张二值图像Binary中的质心位置所得到的速度和角度分别为vji和θji,其中:j=1,2,...,m;i=1,2,...,n-1;
假设云团在相对较短时间内的运动为刚体运动,位于全天空成像仪视野范围内的云团近似匀速直线运动,通过求取vji和θji平均值预估未来第j个云团的移动速度vj和移动方向θj,具体表示为:
所述步骤2包括以下步骤:
步骤2-1:计算学习阶段太阳被云团遮挡时刻对应的辐射清晰度指数;
t时刻天顶辐射H0(t)和大气质量AM(t)分别表示为:
H0(t)=Isc(1+0.033cos(2π·dayth/365))cosθZ (14)
其中,Isc=1367±5W/m2;
于是:t时刻地面理论辐射值Itheory(t)表示为:
Itheory(t)=H0(t)/AMC(t) (16)
在晴空状况下,令t时刻地面理论辐射值Itheory(t)等于地面实测辐射值Iobs(t)根据式(16)计算出C,进而确定t时刻地面理论辐射值Itheory(t);
学习阶段太阳被云团遮挡时刻对应的辐射清晰度指数用来衡量太阳通过大气层时云团对辐照度的衰减情况,其表示为:
其中,KT(t)为学习阶段太阳被云团遮挡时刻对应的辐射清晰度指数;
步骤2-2:进行太阳遮挡预测;
通过判断二值图像Binary上太阳位置处像素点是否为二值图像Binary中云团的像素点,进而判断此刻太阳是否被云团遮挡,具体表示为:
其中sign(t)表示t时刻太阳的遮挡信息,sign(t)=0表示太阳未被云团遮挡,sign(t)=1表示太阳被云团遮挡;(xS(t),yS(t))表示t时刻太阳在图像中的位置,ex的取值为{-2,-1,0,1,2};
步骤2-3:对地面辐照度进行预测;
假设预测阶段的辐射清晰度指数为pKT,其由学习阶段太阳被云团遮挡时刻对应的所有辐射清晰度指数的加权平均确定,表示为:
其中,N为学习阶段太阳被云团遮挡的时刻;i表示太阳被云团遮挡时刻时的排序,i=1,2,...,N-1;λi为学习样本中第i个辐射清晰度指数加权平均的权重系数,且满足λi<λi+1;KT(ti)为学习阶段太阳被云团遮挡时刻对应的第i个辐射清晰度指数;
于是,预测阶段t时刻的地面理论辐照度表示为:
其中,pI(t)表示预测阶段t时刻的地面理论辐照度。
所述步骤3包括以下步骤:
步骤3-1:建立基础光电转换模型;
通过所读取的历史功率数据和辐射数据绘制散点图,若P0(t)、I(t)分别为t时刻的实测有功功率和实测地面辐照度,并根据散点图确定曲线类型和曲线拟合方程式中的阶数q,所述曲线拟合方程式为:
P0(t)=aqIq(t)+aq-1Iq-1(t)+…+a0 (21)
其中aq,aq-1,…和a0均为曲线拟合方程式的系数;
根据上述曲线拟合方程式建立目标函数:
通过最小二乘法确定aq,aq-1,…和a0,从而确定t时刻的实测有功功率P0(t),表示为:
P0(t)=f(I(t))=aqIq(t)+aq-1Iq-1(t)+…+a0 (23)
f(I(t))为t时刻的实测有功功率P0(t)关于t时刻的实测地面辐照度I(t)的函数;
步骤3-2:结合基础光电转换模型建立综合光电转换模型;
设t时刻的组建温度分别为T(t),由温度导致的t时刻的转换效率η(t)表示为:
η(t)=1+0.0035(T(t)-T(t-1)) (24)
由此可得预测阶段t时刻的实测有功功率,具体表示为:
P(t)=η(t)f(I(t)) (25)
其中,P(t)表示预测阶段t时刻的实测有功功率。
所述步骤4中,通过建立光伏功率预测模型进行光伏功率预测;
所述光伏功率预测模型为:
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范围当中。
Claims (10)
1.一种基于地基云图的光伏功率预测方法,其特征在于:所述方法包括以下步骤:
步骤1:云团运动预估;
步骤2:对地面辐照度进行预测;
步骤3:建立综合光电转换模型;
步骤4:进行光伏功率预测。
2.根据权利要求1所述的基于地基云图的光伏功率预测方法,其特征在于:所述步骤1包括以下步骤:
步骤1-1:确定图像上太阳位置;
步骤1-2:对地基云图原始图像进行预处理;
步骤1-3:对预处理后的锐化图像g(x,y)进行二值化处理,并提取云团质心;
步骤1-4:云团运动预估。
4.根据权利要求2所述的基于地基云图的光伏功率预测方法,其特征在于:所述步骤1-2包括以下步骤:
步骤1-2-1:对地基云图原始图像进行图像复原;
首先,通过遮光带覆盖像素点范围和镜头支臂的像素点范围确定遮光带和镜头支臂的掩模图像;然后在地基云图原始图像上,与掩模图像对于遮光带覆盖范围的像素点和镜头支臂范围的像素点的周边像素点进行线性插值,最终生成复原图像I;
步骤1-2-2:对所述复原图像I进行中值滤波,得到中值滤波图像;
M(i,j)=Med{I(i+r,j+s)} (5)
其中,M(i,j)表示中值滤波图像在(i,j)点的灰度值,I(i+r,j+s)表示复原图像I在(i+r,j+s)点的灰度值;滤波窗口为5×5领域时,r,s∈{-2,-1,0,1,2};滤波窗口为3×3领域时,r,s∈{-1,0,1};Med{I(i+r,j+s)表示随着r,s取不同值而得到的25个序列或9个序列的中值;
步骤1-2-3:对中值滤波图像进行锐化;
对中值滤波图像进行锐化后的锐化图像假定为g(x,y),则有:
其中,M(x,y)表示中值滤波图像,且有
5.根据权利要求4所述的基于地基云图的光伏功率预测方法,其特征在于:根据已确定的图像上太阳位置,标定出复原图像对应时刻太阳在图像中的太阳位置点,然后由中心点到太阳位置点至到圆周边沿点确定一条直线,然后根据图像形态学膨胀运算扩展至遮光带宽度,从而确定遮光带覆盖像素点范围;
同时由中心点垂直向上至到圆周边沿点确定另一条直线,然后根据图像形态学膨胀运算把该直线扩展至宽度为镜头支臂宽度,从而确定镜头支臂的像素点范围。
6.根据权利要求2所述的基于地基云图的光伏功率预测方法,其特征在于:所述步骤1-3包括以下步骤:
步骤1-3-1:对预处理最终得到的锐化图像g(x,y)进行二值化处理;
由下式得到(i,j)点的二值图像Binary:
其中,Binary(i,j)表示二值图像Binary在(i,j)点的像素值,R(i,j),B(i,j)分别表示锐化图像g(x,y)红通道分量和蓝通道分量在(i,j)点的灰度值;γ表示锐化图像g(x,y)红蓝通道分量比的阈值,由如下公式计算:
γ=max_level(RBR_hist)+TH (9)
其中,RBR_hist表示红蓝分量比图像RBR的灰度直方图,max_level表示灰度直方图中频度最大的灰度值,TH表示阈值微调量;
步骤1-3-2:进行云团检测和标注;
二值图像Binary中,若像素值为1且坐标为(i,j)的像素点为P,则搜索P的8连接点,8连接点的坐标集为:{(i-1,j-1),(i-1,j),(i-1,j+1),(i,j-1),(i,j+1),(i+1,j-1),(i+1,j),(i+1,j+1)};
对P点的8连接点的坐标集对应的像素点中选择像素值为1的点,并分别对其再次展开8连接点搜索,如此反复,并且每个像素点不能重复被搜索,直至所有连接点的8连接点均为已搜索的点或者像素值为0的点,则结束搜索并标注云团;
云团的标注按照检索的顺序,第一次检索到的团块标记为1,第二次检索到的团块标记为2,以此类推;
步骤1-3-3:云团质心提取;
设Al1,Al2为顶点的矩形框经过云团A1最小外接矩形的左上角和右下角像素点,若Al1点坐标为(Alx1,Aly1),Al2点坐标为(Alx2,Aly2),云团A1的质心坐标为(Alx,Aly),则有:
按照上述云团A1质心提取的方法,依次提取云团A1,A2,…和Am共m个云团的质心。
7.根据权利要求2所述的基于地基云图的光伏功率预测方法,其特征在于:所述步骤1-4包括以下步骤:
步骤1-4-1:定义云团运动方向和速度;
建立以球面图像中心为坐标原点的极坐标系,球面图像中心的坐标为(xc,yc),像素点P的原始坐标为(x,y),其中x≠xc;则像素点P在极坐标下的极径ρ和极角θ分别表示为:
(xt,yt)和(xt+1,yt+1)分别为t时刻和t+1时刻某云团的质心坐标;则t时刻该云团移动速度v表示为:
其中Δt为t时刻和t+1时刻之间的采样时间间隔;
云团移动方向定义如下:
(2)如果xt+1=xt,且yt+1≤yt,则有θ=π/2;
(4)如果xt+1<xt,且yt+1≥yt,则有
(5)如果xt+1=xt,且yt+1≥yt,则有θ=3π/2;
(6)如果xt+1>xt,且yt+1≥yt,则有
步骤1-4-2:进行云团运动预估;
假设二值图像Binary有n张,每张二值图像Binary中云团个数有m个,第j个云团根据第i张二值图像Binary中的质心位置和第i+1张二值图像Binary中的质心位置所得到的速度和角度分别为vji和θji,其中:j=1,2,...,m;i=1,2,...,n-1;
假设云团在相对较短时间内的运动为刚体运动,位于全天空成像仪视野范围内的云团近似匀速直线运动,通过求取vji和θji平均值预估未来第j个云团的移动速度vj和移动方向θj,具体表示为:
8.根据权利要求1所述的基于地基云图的光伏功率预测方法,其特征在于:所述步骤2包括以下步骤:
步骤2-1:计算学习阶段太阳被云团遮挡时刻对应的辐射清晰度指数;
t时刻天顶辐射H0(t)和大气质量AM(t)分别表示为:
H0(t)=Isc(1+0.033cos(2π·dayth/365))cosθZ (14)
其中,Isc=1367±5W/m2;
于是:t时刻地面理论辐射值Itheory(t)表示为:
Itheory(t)=H0(t)/AMC(t) (16)
在晴空状况下,令t时刻地面理论辐射值Itheory(t)等于地面实测辐射值Iobs(t)根据式(16)计算出C,进而确定t时刻地面理论辐射值Itheory(t);
学习阶段太阳被云团遮挡时刻对应的辐射清晰度指数用来衡量太阳通过大气层时云团对辐照度的衰减情况,其表示为:
其中,KT(t)为学习阶段太阳被云团遮挡时刻对应的辐射清晰度指数;
步骤2-2:进行太阳遮挡预测;
通过判断二值图像Binary上太阳位置处像素点是否为二值图像Binary中云团的像素点,进而判断此刻太阳是否被云团遮挡,具体表示为:
其中sign(t)表示t时刻太阳的遮挡信息,sign(t)=0表示太阳未被云团遮挡,sign(t)=1表示太阳被云团遮挡;(xS(t),yS(t))表示t时刻太阳在图像中的位置,ex的取值为{-2,-1,0,1,2};
步骤2-3:对地面辐照度进行预测;
假设预测阶段的辐射清晰度指数为pKT,其由学习阶段太阳被云团遮挡时刻对应的所有辐射清晰度指数的加权平均确定,表示为:
其中,N为学习阶段太阳被云团遮挡的时刻;i表示太阳被云团遮挡时刻时的排序,i=1,2,...,N-1;λi为学习样本中第i个辐射清晰度指数加权平均的权重系数,且满足λi<λi+1;KT(ti)为学习阶段太阳被云团遮挡时刻对应的第i个辐射清晰度指数;
于是,预测阶段t时刻的地面理论辐照度表示为:
其中,pI(t)表示预测阶段t时刻的地面理论辐照度。
9.根据权利要求1所述的基于地基云图的光伏功率预测方法,其特征在于:所述步骤3包括以下步骤:
步骤3-1:建立基础光电转换模型;
通过所读取的历史功率数据和辐射数据绘制散点图,若P0(t)、I(t)分别为t时刻的实测有功功率和实测地面辐照度,并根据散点图确定曲线类型和曲线拟合方程式中的阶数q,所述曲线拟合方程式为:
P0(t)=aqIq(t)+aq-1Iq-1(t)+…+a0 (21)
其中aq,aq-1,…和a0均为曲线拟合方程式的系数;
根据上述曲线拟合方程式建立目标函数:
通过最小二乘法确定aq,aq-1,…和a0,从而确定t时刻的实测有功功率P0(t),表示为:
P0(t)=f(I(t))=aqIq(t)+aq-1Iq-1(t)+…+a0 (23)
f(I(t))为t时刻的实测有功功率P0(t)关于t时刻的实测地面辐照度I(t)的函数;
步骤3-2:结合基础光电转换模型建立综合光电转换模型;
设t时刻的组建温度分别为T(t),由温度导致的t时刻的转换效率η(t)表示为:
η(t)=1+0.0035(T(t)-T(t-1)) (24)
由此可得预测阶段t时刻的实测有功功率,具体表示为:
P(t)=η(t)f(I(t)) (25)
其中,P(t)表示预测阶段t时刻的实测有功功率。
10.根据权利要求1所述的基于地基云图的光伏功率预测方法,其特征在于:所述步骤4中,通过建立光伏功率预测模型进行光伏功率预测;
所述光伏功率预测模型为:
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310215543.0A CN103353952B (zh) | 2013-05-31 | 2013-05-31 | 一种基于地基云图的光伏功率预测方法 |
PCT/CN2013/084700 WO2014190651A1 (zh) | 2013-05-31 | 2013-09-30 | 一种基于地基云图的光伏功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310215543.0A CN103353952B (zh) | 2013-05-31 | 2013-05-31 | 一种基于地基云图的光伏功率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103353952A true CN103353952A (zh) | 2013-10-16 |
CN103353952B CN103353952B (zh) | 2016-08-10 |
Family
ID=49310318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310215543.0A Active CN103353952B (zh) | 2013-05-31 | 2013-05-31 | 一种基于地基云图的光伏功率预测方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN103353952B (zh) |
WO (1) | WO2014190651A1 (zh) |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103605377A (zh) * | 2013-10-30 | 2014-02-26 | 浙江工业大学 | 全域天空云团实时动态监测装置 |
CN103886616A (zh) * | 2014-02-25 | 2014-06-25 | 国家电网公司 | 一种基于全天空成像数据的光伏发电功率超短期预测方法 |
CN103942618A (zh) * | 2014-04-18 | 2014-07-23 | 国家电网公司 | 采用复合数据源的基于自学习多项式核函数支持向量机的光伏发电功率短期预测方法 |
CN103942619A (zh) * | 2014-04-18 | 2014-07-23 | 国家电网公司 | 采用复合数据源的基于自学习Sigmoid核函数支持向量机的光伏发电功率短期预测方法 |
CN104200484A (zh) * | 2013-12-16 | 2014-12-10 | 浙江工业大学 | 基于云团特征分析的分布式光伏系统超短期出力预测方法 |
CN105303254A (zh) * | 2015-10-26 | 2016-02-03 | 国网浙江省电力公司电力科学研究院 | 一种对光伏电站接收辐射进行预测的方法及装置 |
CN105718711A (zh) * | 2014-12-05 | 2016-06-29 | 国家电网公司 | 一种基于全天空图像特征的地表辐射计算方法 |
CN104182938B (zh) * | 2014-08-18 | 2017-01-18 | 国家电网公司 | 一种全天空云图的太阳光斑修复方法 |
CN106372749A (zh) * | 2016-08-29 | 2017-02-01 | 南京国电南自美卓控制系统有限公司 | 基于云变分析的超短期光伏功率预测方法 |
CN106780540A (zh) * | 2016-12-08 | 2017-05-31 | 浙江科技学院 | 面向光伏发电的地基云图云层跟踪及预警方法 |
CN106779130A (zh) * | 2015-11-20 | 2017-05-31 | 中国电力科学研究院 | 一种基于全天空云图的光伏电站辐射预测方法 |
CN106919780A (zh) * | 2015-12-25 | 2017-07-04 | 中国电力科学研究院 | 一种云对太阳辐照度影响的确定方法 |
CN106934726A (zh) * | 2015-12-31 | 2017-07-07 | 中国电力科学研究院 | 一种基于全天空图像云指数的地表辐射预测方法 |
CN107133685A (zh) * | 2016-02-26 | 2017-09-05 | 华为技术有限公司 | 光伏发电系统发电量的预测方法及预测系统 |
CN107491835A (zh) * | 2017-07-31 | 2017-12-19 | 西交利物浦大学 | 一种基于地基传感器的超短期光伏功率预测方法 |
CN107944649A (zh) * | 2018-01-10 | 2018-04-20 | 云南电网有限责任公司电力科学研究院 | 一种光伏电站辐照度的预测方法 |
CN109472810A (zh) * | 2018-07-10 | 2019-03-15 | 湖南科技大学 | 一种基于遥感图像的冰川流速可视化提取方法 |
CN109861396A (zh) * | 2019-03-12 | 2019-06-07 | 西藏东旭电力工程有限公司 | 区域化光伏运维管理平台 |
CN110633862A (zh) * | 2019-09-20 | 2019-12-31 | 旻投(上海)数据科技有限公司 | 一种基于卫星云图的光功率预测算法 |
CN111932005A (zh) * | 2020-08-04 | 2020-11-13 | 广州发展新能源股份有限公司 | 一种基于时空辐照分布特性的光伏发电出力预测方法 |
CN112085260A (zh) * | 2020-08-17 | 2020-12-15 | 浙江工业大学 | 一种基于云图预测的光伏功率超短期预测方法 |
CN112132364A (zh) * | 2020-11-02 | 2020-12-25 | 西安热工研究院有限公司 | 一种受云层影响的光伏电站功率预测方法、介质及设备 |
CN112288129A (zh) * | 2020-09-18 | 2021-01-29 | 浙江大学 | 一种基于迁移学习和地基云图的超短期光伏功率预测模型 |
CN112669236A (zh) * | 2020-12-31 | 2021-04-16 | 天津大学 | 基于地基云图的畸变校正方法 |
CN113031110A (zh) * | 2019-12-25 | 2021-06-25 | 国创新能源汽车智慧能源装备创新中心(江苏)有限公司 | 云层监测方法和装置、光伏功率预测方法和装置 |
CN113298303A (zh) * | 2021-05-19 | 2021-08-24 | 河海大学 | 针对气象卫星云图动态注意域的光伏功率预测方法 |
WO2021179700A1 (zh) * | 2020-03-12 | 2021-09-16 | 深圳前海微众银行股份有限公司 | 发电量预测方法、装置、设备及计算机可读存储介质 |
CN116777066A (zh) * | 2023-06-26 | 2023-09-19 | 河海大学 | 基于地基云图引导深度分解的光伏功率概率预测方法及装置 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009385B (zh) * | 2019-01-11 | 2023-12-12 | 国网浙江杭州市临安区供电有限公司 | 一种基于多因素映射的光伏发电用户群划分方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012053582A (ja) * | 2010-08-31 | 2012-03-15 | Tokyo Electric Power Co Inc:The | 太陽光発電設備の出力予測装置 |
CN102609791A (zh) * | 2012-03-15 | 2012-07-25 | 北京华电天仁电力控制技术有限公司 | 基于云平台的规模化集中式远程风电功率预测中心 |
CN102915470A (zh) * | 2012-09-20 | 2013-02-06 | 中国电力科学研究院 | 一种面向光伏功率预测的云团运动预估方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7906750B2 (en) * | 2007-03-30 | 2011-03-15 | Esolar, Inc. | Heliostat with integrated image-based tracking controller |
CN102902975B (zh) * | 2012-10-15 | 2015-07-08 | 北京控制工程研究所 | 一种基于cmos导航相机的太阳定位方法 |
-
2013
- 2013-05-31 CN CN201310215543.0A patent/CN103353952B/zh active Active
- 2013-09-30 WO PCT/CN2013/084700 patent/WO2014190651A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012053582A (ja) * | 2010-08-31 | 2012-03-15 | Tokyo Electric Power Co Inc:The | 太陽光発電設備の出力予測装置 |
CN102609791A (zh) * | 2012-03-15 | 2012-07-25 | 北京华电天仁电力控制技术有限公司 | 基于云平台的规模化集中式远程风电功率预测中心 |
CN102915470A (zh) * | 2012-09-20 | 2013-02-06 | 中国电力科学研究院 | 一种面向光伏功率预测的云团运动预估方法 |
Non-Patent Citations (1)
Title |
---|
曹潇等: "基于地基云图分析的光伏功率预测系统设计", 《电力信息化》 * |
Cited By (39)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103605377B (zh) * | 2013-10-30 | 2016-04-13 | 浙江工业大学 | 全域天空云团实时动态监测装置 |
CN103605377A (zh) * | 2013-10-30 | 2014-02-26 | 浙江工业大学 | 全域天空云团实时动态监测装置 |
CN104200484A (zh) * | 2013-12-16 | 2014-12-10 | 浙江工业大学 | 基于云团特征分析的分布式光伏系统超短期出力预测方法 |
CN103886616A (zh) * | 2014-02-25 | 2014-06-25 | 国家电网公司 | 一种基于全天空成像数据的光伏发电功率超短期预测方法 |
CN103942618A (zh) * | 2014-04-18 | 2014-07-23 | 国家电网公司 | 采用复合数据源的基于自学习多项式核函数支持向量机的光伏发电功率短期预测方法 |
CN103942619A (zh) * | 2014-04-18 | 2014-07-23 | 国家电网公司 | 采用复合数据源的基于自学习Sigmoid核函数支持向量机的光伏发电功率短期预测方法 |
CN104182938B (zh) * | 2014-08-18 | 2017-01-18 | 国家电网公司 | 一种全天空云图的太阳光斑修复方法 |
CN105718711A (zh) * | 2014-12-05 | 2016-06-29 | 国家电网公司 | 一种基于全天空图像特征的地表辐射计算方法 |
CN105718711B (zh) * | 2014-12-05 | 2019-02-05 | 国家电网公司 | 一种基于全天空图像特征的地表辐射计算方法 |
CN105303254B (zh) * | 2015-10-26 | 2019-05-31 | 国网浙江省电力公司电力科学研究院 | 一种对光伏电站接收辐射进行预测的方法及装置 |
CN105303254A (zh) * | 2015-10-26 | 2016-02-03 | 国网浙江省电力公司电力科学研究院 | 一种对光伏电站接收辐射进行预测的方法及装置 |
CN106779130A (zh) * | 2015-11-20 | 2017-05-31 | 中国电力科学研究院 | 一种基于全天空云图的光伏电站辐射预测方法 |
CN106779130B (zh) * | 2015-11-20 | 2021-01-15 | 中国电力科学研究院 | 一种基于全天空云图的光伏电站辐射预测方法 |
CN106919780A (zh) * | 2015-12-25 | 2017-07-04 | 中国电力科学研究院 | 一种云对太阳辐照度影响的确定方法 |
CN106934726A (zh) * | 2015-12-31 | 2017-07-07 | 中国电力科学研究院 | 一种基于全天空图像云指数的地表辐射预测方法 |
CN107133685B (zh) * | 2016-02-26 | 2020-07-28 | 华为技术有限公司 | 光伏发电系统发电量的预测方法及预测系统 |
CN107133685A (zh) * | 2016-02-26 | 2017-09-05 | 华为技术有限公司 | 光伏发电系统发电量的预测方法及预测系统 |
CN106372749A (zh) * | 2016-08-29 | 2017-02-01 | 南京国电南自美卓控制系统有限公司 | 基于云变分析的超短期光伏功率预测方法 |
CN106372749B (zh) * | 2016-08-29 | 2019-07-02 | 南京国电南自维美德自动化有限公司 | 基于云变分析的超短期光伏功率预测方法 |
CN106780540A (zh) * | 2016-12-08 | 2017-05-31 | 浙江科技学院 | 面向光伏发电的地基云图云层跟踪及预警方法 |
CN106780540B (zh) * | 2016-12-08 | 2019-12-10 | 浙江科技学院 | 面向光伏发电的地基云图云层跟踪及预警方法 |
CN107491835A (zh) * | 2017-07-31 | 2017-12-19 | 西交利物浦大学 | 一种基于地基传感器的超短期光伏功率预测方法 |
CN107944649A (zh) * | 2018-01-10 | 2018-04-20 | 云南电网有限责任公司电力科学研究院 | 一种光伏电站辐照度的预测方法 |
CN109472810A (zh) * | 2018-07-10 | 2019-03-15 | 湖南科技大学 | 一种基于遥感图像的冰川流速可视化提取方法 |
CN109861396A (zh) * | 2019-03-12 | 2019-06-07 | 西藏东旭电力工程有限公司 | 区域化光伏运维管理平台 |
CN110633862A (zh) * | 2019-09-20 | 2019-12-31 | 旻投(上海)数据科技有限公司 | 一种基于卫星云图的光功率预测算法 |
CN113031110A (zh) * | 2019-12-25 | 2021-06-25 | 国创新能源汽车智慧能源装备创新中心(江苏)有限公司 | 云层监测方法和装置、光伏功率预测方法和装置 |
CN113031110B (zh) * | 2019-12-25 | 2024-01-23 | 国创移动能源创新中心(江苏)有限公司 | 云层监测方法和装置、光伏功率预测方法和装置 |
WO2021179700A1 (zh) * | 2020-03-12 | 2021-09-16 | 深圳前海微众银行股份有限公司 | 发电量预测方法、装置、设备及计算机可读存储介质 |
CN111932005A (zh) * | 2020-08-04 | 2020-11-13 | 广州发展新能源股份有限公司 | 一种基于时空辐照分布特性的光伏发电出力预测方法 |
CN112085260A (zh) * | 2020-08-17 | 2020-12-15 | 浙江工业大学 | 一种基于云图预测的光伏功率超短期预测方法 |
CN112085260B (zh) * | 2020-08-17 | 2024-02-09 | 杭州云牧科技有限公司 | 一种基于云图预测的光伏功率超短期预测方法 |
CN112288129A (zh) * | 2020-09-18 | 2021-01-29 | 浙江大学 | 一种基于迁移学习和地基云图的超短期光伏功率预测模型 |
CN112132364A (zh) * | 2020-11-02 | 2020-12-25 | 西安热工研究院有限公司 | 一种受云层影响的光伏电站功率预测方法、介质及设备 |
CN112132364B (zh) * | 2020-11-02 | 2023-02-21 | 西安热工研究院有限公司 | 一种受云层影响的光伏电站功率预测方法、介质及设备 |
CN112669236A (zh) * | 2020-12-31 | 2021-04-16 | 天津大学 | 基于地基云图的畸变校正方法 |
CN113298303A (zh) * | 2021-05-19 | 2021-08-24 | 河海大学 | 针对气象卫星云图动态注意域的光伏功率预测方法 |
CN116777066A (zh) * | 2023-06-26 | 2023-09-19 | 河海大学 | 基于地基云图引导深度分解的光伏功率概率预测方法及装置 |
CN116777066B (zh) * | 2023-06-26 | 2024-01-23 | 河海大学 | 基于地基云图引导深度分解的光伏功率概率预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN103353952B (zh) | 2016-08-10 |
WO2014190651A1 (zh) | 2014-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103353952A (zh) | 一种基于地基云图的光伏功率预测方法 | |
Wang et al. | A minutely solar irradiance forecasting method based on real-time sky image-irradiance mapping model | |
CN109416413B (zh) | 太阳能预报 | |
Si et al. | Hybrid solar forecasting method using satellite visible images and modified convolutional neural networks | |
Saleh et al. | Battery-less short-term smoothing of photovoltaic generation using sky camera | |
Huang et al. | Cloud motion estimation for short term solar irradiation prediction | |
CN102915470A (zh) | 一种面向光伏功率预测的云团运动预估方法 | |
Hu et al. | A new ultra-short-term photovoltaic power prediction model based on ground-based cloud images | |
CN103971169A (zh) | 一种基于云量模拟的光伏超短期发电功率的预测方法 | |
Lonij et al. | Forecasts of PV power output using power measurements of 80 residential PV installs | |
CN106779130A (zh) | 一种基于全天空云图的光伏电站辐射预测方法 | |
Tiwari et al. | Short term solar irradiance forecast based on image processing and cloud motion detection | |
Dissawa et al. | Sky Image‐Based Localized, Short‐Term Solar Irradiance Forecasting for Multiple PV Sites via Cloud Motion Tracking | |
Jiang et al. | Geospatial assessment of rooftop solar photovoltaic potential using multi-source remote sensing data | |
CN114037918B (zh) | 一种基于无人机巡检和图像处理的光伏热斑检测方法 | |
CN112578478B (zh) | 基于风云4号卫星云图的地表太阳总辐射超短期预报方法 | |
Dissawa et al. | Cloud motion tracking for short-term on-site cloud coverage prediction | |
Jayadevan et al. | Forecasting solar power intermittency using ground-based cloud imaging | |
Dissawa et al. | Cross-correlation based cloud motion estimation for short-term solar irradiation predictions | |
CN107133685A (zh) | 光伏发电系统发电量的预测方法及预测系统 | |
Zhang et al. | Cloud motion tracking system using low-cost sky imager for PV power ramp-rate control | |
Terrén-Serrano et al. | Multi-layer wind velocity field visualization in infrared images of clouds for solar irradiance forecasting | |
CN108008633A (zh) | 包含多种天气变化的辐照度与光伏组件坐标关联关系建立方法 | |
Ai et al. | A model of very short-term solar irradiance forecasting based on low-cost sky images | |
Julian et al. | Precise forecasting of sky images using spatial warping |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |