CN103955749B - 太阳直接辐射值预测方法和系统 - Google Patents
太阳直接辐射值预测方法和系统 Download PDFInfo
- Publication number
- CN103955749B CN103955749B CN201410102543.4A CN201410102543A CN103955749B CN 103955749 B CN103955749 B CN 103955749B CN 201410102543 A CN201410102543 A CN 201410102543A CN 103955749 B CN103955749 B CN 103955749B
- Authority
- CN
- China
- Prior art keywords
- data
- model
- solar radiation
- prediction
- measurement data
- 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.)
- Active
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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
-
- 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
Abstract
提出了一种太阳直接辐射值预测方法和系统,属于预测技术领域。该方法包括:A,使用中尺度预测模型对气象信息进行预测,生成中尺度预测数据;B,将所述中尺度预测数据分类为使用晴空模型和阴天模型的预测数据;C,对适用晴空模型的预测数据,直接采用晴空模型的理论计算值,对太阳直接辐射值进行中期预测;D,对适用阴天模型的预测数据,将太阳总辐射值通过模型转化,输出太阳直接辐射值。
Description
技术领域
本发明涉及预测技术领域,尤其涉及一种太阳直接辐射值预测方法和系统。
背景技术
太阳辐射具有波动性和间歇性,大规模光热电站或聚光光伏电站并网运行可能对电力系统的安全稳定经济运行造成影响。对光热或聚光光伏电站的输出功率进行预测有助于电力系统调度部门统筹安排常规能源和光热发电的协调配合,及时调整调度计划,合理安排电网运行方式,一方面有效地降低光热接入对电网的影响,提高电网运行的安全性和稳定性,另一方面减少电力系统的旋转备用和运行成本,以充分利用太阳能资源。而对光热或聚光光伏电站的输出功率进行准确预测的前提是将太阳直接辐射值DNI(Direct NormalIrradiance)进行准确预测。
现有技术并没有公开对太阳直接辐射值进行预测的方法和系统。由于太阳直接辐射值受多种气象因素的影响,尤其是云层的影响,准确地预测太阳直接辐射值非常困难。
发明内容
为此,本发明提出一种太阳直接辐射值预测方法与系统,提供中期0~7天、短期0~48小时、超短期0~4小时的预测,中期预测结果每天预测刷新一次、短期预测结果每12h刷新一次,超短期预测结果每15min刷新一次。
根据本发明的一个方面,提出的太阳直接辐射值预测方法包括:A,使用中尺度预测模型对气象信息进行预测,生成中尺度预测数据;B,将所述中尺度预测数据分类为使用晴空模型和阴天模型的预测数据,包括:B1,获得太阳直接辐射值的历史测量数据并对历史测量数据进行分类,分类为分别适用晴空模型和阴天模型的历史测量数据;B2,采用人工智能方法对与历史测量数据同时段的预测数据以及对应的分类进行训练学习,获得预测数据分类模型;B3,根据中尺度预测数据以及预测数据分类模型对中尺度预测数据进行分类;C,对适用晴空模型的预测数据,直接采用晴空模型的理论计算值,对太阳直接辐射值进行中期预测;D,对适用阴天模型的预测数据,将太阳总辐射值通过模型转化,输出太阳直接辐射值,包括:D1,在太阳总辐射值的历史测量数据中,选择与预测数据中的太阳总辐射值接近的历史测量数据,组成训练集;D2,采用人工智能方法对与选择的历史测量数据同时段的预测数据以及同时段的太阳直接辐射值的历史测量数据进行训练学习,获得中期预测模型;D3,根据中尺度预测数据以及中期预测模型预测太阳直接辐射值。
根据本发明的一个方面,所述方法还包括:E,对于适用晴空模型的数据,直接采用晴空模型的理论计算值,对太阳直接辐射值进行短期和超短期预测;F,对适用阴天模型的数据,将太阳总辐射值通过模型转化,输出短期和超短期预测的太阳直接辐射值,包括:F1,在太阳总辐射值的历史测量数据中,选择与预测数据中的太阳总辐射值接近的历史测量数据,组成训练集;F2,用人工智能方法对与选择的历史测量数据同时段的预测数据以及同时段的云层实时测量数据和实时太阳直接辐射值进行训练学习,获得短期与超短期预测模型;F3,根据预测数据、云层实时测量数据、实时太阳直接辐射值以及短期与超短期预测模型预测太阳直接辐射值。
根据本发明的一个方面,所述中尺度预测数据包括中期预测数据、短期预测数据和超短期预测数据,预测量包括太阳总辐射值、气压、温度、相对湿度、云层覆盖度、风速、风向。
根据本发明的一个方面,步骤B1中,太阳直接辐射值的历史测量数据为采用地面的太阳辐射测量仪对太阳直接辐射的实际测量值,具体的分类方法为:按照晴空模型对太阳直接辐射的理论计算值与所述实际测量值的差异对历史测量数据进行分类,差异超过预设差异阀值范围的历史测量数据适用阴天模型、在差异阀值范围内的历史测量数据适用晴空模型。
根据本发明的一个方面,步骤B2中,将与已分类历史测量数据同时段的预测数据作为输入变量,将与已分类历史测量数据对应的分类因子作为输出变量,将分类为适用晴空模型的历史测量数据对应的分类因子设为第一值,将适用阴天模型的分类因子设为与第一值不同的第二值。
根据本发明的一个方面,步骤B3中,将中尺度预测数据作为预测数据分类模型的输入,根据输出将预测数据分类为适于晴天模型的数据或是适于阴天模型的数据。
根据本发明的一个方面,步骤D2中,将与选择的历史测量数据同时段的预测数据作为输入变量,将与选择的历史测量数据同时段的太阳直接辐射值的历史测量数据作为输出变量。
根据本发明的一个方面,步骤D3中,将中尺度预测数据作为中期预测模型的输入,输出中期预测的太阳直接辐射值。
根据本发明的一个方面,所述云层实时测量数据包括卫星影像、雷达、现场摄像云层观测实时资料。
根据本发明的一个方面,本发明还提出了一种太阳直接辐射值预测系统,所述系统包括:数值气象预报设备,使用中尺度预测模型对气象信息进行预测,生成中尺度预测数据;中期预测设备,包括分类装置,将所述中尺度预测数据分类为使用晴空模型和阴天模型的预测数据,分类装置包括:历史测量数据获取和分类单元,获得太阳直接辐射值的历史测量数据并对历史测量数据进行分类,分类为分别适用晴空模型和阴天模型的历史测量数据;分类模型训练单元,采用人工智能方法对与历史测量数据同时段的预测数据以及对应的分类进行训练学习,获得预测数据分类模型;预测数据分类单元,根据中尺度预测数据以及预测数据分类模型对中尺度预测数据进行分类;所述中期预测设备还包括第一中期预测装置,对适用晴空模型的预测数据,直接采用晴空模型的理论计算值,对太阳直接辐射值进行中期预测;所述中期预测设备还包括第二中期预测装置,对适用阴天模型的预测数据,将太阳总辐射值通过模型转化,输出太阳直接辐射值,第二中期预测装置包括:中期预测选择单元,在太阳总辐射值的历史测量数据中,选择与预测数据中的太阳总辐射值接近的历史测量数据,组成训练集;中期预测训练单元,采用人工智能方法对与选择的历史测量数据同时段的预测数据以及同时段的太阳直接辐射值的历史测量数据进行训练学习,获得中期预测模型;中期预测单元,根据中尺度预测数据以及中期预测模型预测太阳直接辐射值。
根据本发明的一个方面,所述系统还包括:短期与超短期预测设备,包括第一短期与超短期预测装置,对于适用晴空模型的数据,直接采用晴空模型的理论计算值,对太阳直接辐射值进行短期和超短期预测;所述短期与超短期预测设备还包括第二短期与超短期预测装置,对适用阴天模型的数据,将太阳总辐射值通过模型转化,输出短期和超短期预测的太阳直接辐射值,第二短期与超短期预测装置包括:短期与超短期预测选择单元,在太阳总辐射值的历史测量数据中,选择与预测数据中的太阳总辐射值接近的历史测量数据,组成训练集;短期与超短期预测训练单元,用人工智能方法对与选择的历史测量数据同时段的预测数据以及同时段的云层实时测量数据和实时太阳直接辐射值进行训练学习,获得短期与超短期预测模型;短期与超短期预测单元,根据预测数据、云层实时测量数据、实时太阳直接辐射值以及短期与超短期预测模型预测太阳直接辐射值。
根据本发明的一个方面,所述中尺度预测数据包括中期预测数据、短期预测数据和超短期预测数据,预测量包括太阳总辐射值、气压、温度、相对湿度、云层覆盖度、风速、风向。
根据本发明的一个方面,所述太阳直接辐射值的历史测量数据为采用地面的太阳辐射测量仪对太阳直接辐射的实际测量值;所述历史测量数据获取和分类单元,按照晴空模型对太阳直接辐射的理论计算值与所述实际测量值的差异对历史测量数据进行分类,差异超过预设差异阀值范围的历史测量数据适用阴天模型、在差异阀值范围内的历史测量数据适用晴空模型。
根据本发明的一个方面,所述分类模型训练单元,将与已分类历史测量数据同时段的预测数据作为输入变量,将与已分类历史测量数据对应的分类因子作为输出变量,将分类为适用晴空模型的历史测量数据对应的分类因子设为第一值,将适用阴天模型的分类因子设为与第一值不同的第二值。
根据本发明的一个方面,所述预测数据分类单元,将中尺度预测数据作为预测数据分类模型的输入,根据输出将预测数据分类为适于晴天模型的数据或是适于阴天模型的数据。
根据本发明的一个方面,所述中期预测训练单元,将与选择的历史测量数据同时段的预测数据作为输入变量,将与选择的历史测量数据同时段的太阳直接辐射值的历史测量数据作为输出变量。
根据本发明的一个方面,所述中期预测单元,将中尺度预测数据作为中期预测模型的输入,输出中期预测的太阳直接辐射值。
根据本发明的一个方面,所述云层实时测量数据包括卫星影像、雷达、现场摄像云层观测实时资料。
附图说明
图1是本发明提出的太阳直接辐射值预测系统的结构示意图;
图2是本发明提出的太阳直接辐射值预测方法的简化流程图。
具体实施方式
以下所述为本发明的较佳实施实例,并不因此而限定本发明的保护范围。
如图1所示,本发明提出的太阳直接辐射值预测系统包括数值气象预报设备1、中期预测设备2和短期与超短期预测设备3。
数值气象预报设备使用中尺度预测模型对气象信息进行预测,生成中尺度预测数据。所述中尺度为空间分辨率为3km×3km或其他尺度,所述中尺度预测模型为WRF或MM5等。所述数值气象预报设备可提供未来7天的中期预报,时间分辨率为3h(小时),每24h预报一次,预测量包括太阳总辐射、气压、温度、相对湿度、云层覆盖度、风速、风向等;未来0~48h的短期预测,时间分辨率为1h,每12h预报一次,预测量包括太阳总辐射、气压、温度、相对湿度、云层覆盖度、风速、风向等;未来0~4h的超短期预测,时间分辨率为15min,每3h预报一次,预测量同样包括太阳总辐射、气压、温度、相对湿度、云层覆盖度、风速、风向等。根据本发明的一个实施例,该数据也可以由所述数值气象预报设备直接通过专用光纤从气象局获得。
中期预测设备中,分类装置200将来自数值气象预报设备的中尺度预测数据进行数据分类,分类方法采用人工智能方法(如SVM、ANN等),具体分类方法如下:
(1)历史测量数据获取和分类单元201获得太阳直接辐射值的历史测量数据并对历史测量数据进行分类,分类为分别适用晴空模型和阴天模型的历史测量数据。所述历史测量数据包括采用地面的太阳辐射测量仪对太阳直接辐射的实际测量值。然后,按照晴空模型(可以采用常用的Bird Clear Sky模型等)对太阳直接辐射的理论计算值与所述实际测量值的差异对所述历史测量数据进行分类,设定一个差异阀值范围,该差异阈值例如可以取实际测量值的±5~10%为阀值范围,超过差异阀值范围的历史测量数据适用阴天模型、在差异阀值范围内的历史测量数据适用晴空模型。所述晴空模型是指晴天,天空无云的情况下,能采用理论公式直接计算太阳直接辐射的模型。所述阴天模型是指阴天,天空有云,云层覆盖度、云层厚度等都影响太阳直接辐射值,没有理论公式能直接计算的模型。
(2)分类模型训练单元202采用人工智能方法(如SVM、ANN等模型)对与历史测量数据同时段的预测数据以及对应的分类进行训练学习,获得预测数据分类模型。将与已分类历史测量数据同时段的预测数据中的太阳总辐射、气压、温度、相对湿度和云层覆盖度、风速、风向等参数作为输入变量,将与已分类历史测量数据对应的分类因子作为输出变量,例如可以将分类为适用晴空模型的历史测量数据对应的分类因子设为第一值,例如0.1、将适用阴天模型的分类因子设为第二值,例如0.9。第一值和第二值可以根据需要设定,两者具有明显差别即可。
(3)预测数据分类单元203根据中尺度预测数据以及预测数据分类模型对中尺度预测数据进行分类。输入所述中尺度预测数据中未来0~7天的预测数据中的太阳总辐射、气压、温度、相对湿度和云层覆盖度、风速、风向等参数,作为输入变量,通过前面已经训练好的人工智能模型,对未来0~7天的预测数据进行分类,例如输出值为0.9或接近0.9的数据即可分类为适用阴天模型的数据、输出值为0.1或接近0.1的数据即可分类为适用晴空模型的数据。
在分类装置对未来0~7天的预测数据分好类后,第一中期预测装置210对适用晴空模型的预测数据,直接采用晴空模型(如常用的Bird Clear Sky模型等)的理论计算值,对太阳直接辐射值(DNI)进行中期预测。
第二中期预测装置220对适用阴天模型的预测数据,将数值气象预报设备输出的太阳总辐射值通过模型转化,输出太阳直接辐射值(DNI),具体模型转化方法如下:
(1)中期预测选择单元221在太阳总辐射值的历史测量数据中,选择与预测数据中的太阳总辐射值接近的历史测量数据,组成训练集。所述接近可以是两者的差值小于预设的阈值范围,这里不再赘述。
(2)中期预测训练单元222采用人工智能方法(如SVM、ANN等模型)对与选择的历史测量数据同时段的预测数据以及同时段的太阳直接辐射值的历史测量数据进行训练学习,获得中期预测模型。输入变量为与选择的历史测量数据同时段的数值天气预报数据中的气压、温度、太阳总辐射值、风速、风向、相对湿度、云层覆盖度等参数,输出变量为同时段的太阳直接辐射值的历史测量数据。
(3)中期预测单元223根据中尺度预测数据以及中期预测模型预测太阳直接辐射值。在训练好的模型中,输入未来0~7天预测数据中的气压、温度、太阳总辐射值、风速、风向、相对湿度、云层覆盖度等参数,输出需要预测的太阳直接辐射值(DNI)。
此外,本发明提出的系统还包括短期与超短期预测设备。在中期预测的基础上,针对按照前面的方法已分好类的适用阴天模型的数据、适用晴空模型的数据,分别采用不同策略进行预测。
第一短期与超短期预测装置300对于适用晴空模型的数据,直接采用晴空模型(如常用的Bird Clear Sky模型等)的理论计算值,对太阳直接辐射值(DNI)进行短期和超短期预测。短期和超短期的区别在于,短期预测采用的数值气象预报数据源为短期预测数据,未来0~48h的短期预测,时间分辨率为1h,每12h预报一次;超短期预测采用的数值气象预报数据源为超短期预测数据,未来0~4h的超短期预测,时间分辨率为15min,每3h预报一次。
第二短期与超短期预测装置310对适用阴天模型的数据,将数值气象预报设备输出的太阳总辐射值通过模型转化,输出短期与超短期预测的太阳直接辐射值(DNI)。具体模型转化方法同中期预测,只不过其输入数据除了中期预测中的输入数据外,还需要加入云层实时测量数据和实时太阳直接辐射值,云层实时测量数据包括卫星影像、雷达、现场摄像等云层观测实时资料。
(1)短期与超短期预测选择单元311在太阳总辐射值的历史测量数据中,选择与预测数据中的太阳总辐射值接近的历史测量数据,组成训练集。
(2)短期与超短期预测训练单元312采用人工智能方法(如SVM、ANN等模型)对与选择的历史测量数据同时段的预测数据以及同时段的云层实时测量数据和实时太阳直接辐射值进行训练学习,获得短期与超短期预测模型。输入变量为与选择的历史测量数据同时段的数值天气预报数据中的气压、温度、太阳总辐射值、风速、风向、相对湿度、云层覆盖度等参数以及同时段的云层实时测量数据和实时太阳直接辐射值,输出变量为同时段的太阳直接辐射值的历史测量数据。
(3)短期与超短期预测单元313根据预测数据、云层实时测量数据、实时太阳直接辐射值以及短期与超短期预测模型预测太阳直接辐射值。在训练好的模型中,输入预测数据中的气压、温度、太阳总辐射值、风速、风向、相对湿度、云层覆盖度等参数以及云层实时测量数据和实时太阳直接辐射值,输出需要预测的太阳直接辐射值(DNI)。
短期和超短期的区别在于,短期预测采用的数值气象预报数据源为短期预测数据,未来0~48h的短期预测,时间分辨率为1h,每12h预报一次;超短期预测采用的数值气象预报数据源为超短期预测数据,未来0~4h的超短期预测,时间分辨率为15min,每3h预报一次。
本发明所使用的设备、装置、单元均可使用硬件或软件来实现,具体实现方式对于本领域技术人员来说是显而易见的,这里不再赘述。
图2示出了本发明提出的太阳直接辐射值预测方法的简化流程图。具体步骤上文已作出介绍,这里不再赘述。
下面对人工智能方法和Bird Clear Sky模型进行描述。
人工智能方法以SVM模型为例进行说明,其预测模型的输入主要为:预测数据中的气压、温度、相对湿度和云层覆盖度、风速、风向等参数。输出为同期的DNI测量数据。
在线性不可分的情况下,支持向量机中核函数的选定非常关键,如何选取核函数是SVM的一个研究方向,它的选择好坏直接影响到算法的实现与效果。本文核函数的选择,不同于一般文章中直接选取高斯径向基函数作为核函数,而是在学习前的优化阶段选择线形型、多项式型、高斯径向基型和neural型核函数,并选择不同惩罚因子C和敏感损失参数epsilon,进行100到1000步迭代计算,通过不同核函数间平方误差大小的综合比较,最终确定核函数。
采用支持向量机进行DNI值预测的步骤为:
(1)对历史数据进行规一化处理,即将原始数据经过线性变化至[-1,1]区间中(一般通过除以该列数据中的正的最大值或负的最小值,使该列数据变换到[-1,1]区间),构成训练数据集。
(2)对训练数据用不同核函数(线形型、多项式型、高斯径向基型和neural型核函数)和不同参数(惩罚因子C和敏感损失参数epsilon的具体值)进行优化,生成不同核函数和不同参数的训练结果表。
(3)从训练结果表中,根据训练误差大小(一般为均方根误差RMSE),先挑选出合适的核函数,然后选择其对应的最佳参数(惩罚因子C和敏感损失参数epsilon的具体值)。
(4)先用选择的参数对训练数据集进行学习,然后输入一段新数据进行预测结果检验。如果对预测误差不满意,返回第三步,重新选择参数进行学习,如果对预测误差满意,进行下一步。
(5)输入新的数据集,进行DNI值预测,最后进行误差分析。
太阳直接辐射Bird Clear Sky模型算法如下:
太阳直接辐射基本方程为:
Id=Io(cos Z)(0.9662)TRToTUMTwTA
式中Id为水平面太阳辐射直接辐射辐照度(W/m2);
Io为太阳辐射常数1353(W/m2);TR为空气分子Rayleigh散射透射率(无量纲);TA为气溶胶粒子吸收和散射透射率(无量纲);Tw为水汽吸收透射率(无量纲);T0为臭氧吸收透射率(无量纲);TUM为二氧化碳、氧气等均匀混合气体的吸收透射率(无量纲);Z为太阳天顶角(rad);M为标准大气压下的相对大气质量(无量纲);P为大气表面压力(mbar)。
TR=exp{-0.0903(M′)0.84[1+M′-(M′)1.01]}
To=1-0.1611Xo(1+139.48Xo)-0.3035
-0.002715Xo(I+0.044Xo+0.0003Xo 2)一1
Xo=UoM
TUM=exp[-0.0127(M′)0.26]
Tw=1-2.4959Xw[(1+79.034Xw)0.6828+6.385Xw]-1
Xw=UwM
TA=exp[-τA 0.873(1+τA-τA 0.7088)M0.9108]
τA=0.2758τA,0.38+0.35τA,0.5
M=[cos Z+0.15(93.885-Z)-1.25]-1
M′=MP/1013
其中:τA,0.38为波长为0.38微米时的大气浑浊度值;τA,0.5为波长为0.5微米时的大气浑浊度值;如果有测量值,采用实际测量值;如果没有测量值,可以取τA,0.38=0.3538;τA,0.5=0.2661。Uw为垂直路径上可降水量(cm),取值范围为0.5~5.0cm,一般取值为1.42cm;Uo为垂直路径上臭氧量(cm),一般取值为0.34cm。
Z为太阳天顶角(rad),与太阳高度角HA(°)互为余角,即:
Z=(90-HA)/180×π。
太阳高度角HA算法如下:
sinHA==sinФ·sinDE+cosФ·cosDE·cosT0
式中Ф:当地纬度(保留1位小数);DE:太阳赤纬;T0:太阳时角,按下式计算TO:
T0==(TT-12)×15°(保留1位小数)
(1)赤纬DE算法如下:
DE=0.3723+23.2567sinQ+0.1149sin2Q-0.1712sin3Q-0.7580cosQ+0.3656cos2Q+0.0201cos3Q
式中Q计算如下:
Q=2π×57.3(N+ΔN-No)/365.2422
式中,N为按天数顺序排列的积日。1月1日为0;2日为1;其余类推......,12月31日为364(平年);闰年12月31日为365。
△N为积日订正值,由观测地点与格林尼治经度差产生的时间差订正值I,和观测时刻与格林尼治0时时间差订正值w两项组成。
±L=(D+M/60)/15
式中D为观测点经度的度值,M为分值,换算成与格林尼治时间差L。东经取负号,西经取正号。
W=(S+F/60)
式中:S为观测时刻的时值,F为分值。计算附录3表时,S=12,F=0。
最后两项时值再合并化为日的小数。我国处于东经L取负值,所以:
△N=(W-L)/24
No=79.6764+0.2422(Y-1985)-INT[0.25(Y-1985)]
式中:Y为年份,INT(X)为求出不大于X的最大整数的标准函数。
(2)真太阳时TT算法如下:
TT=TM+EQ=CT+Lc+EQ
式中:TT:真太阳时;TM:地方平均太阳时(地平时);CT:地方标准时(时区时),中国以120°E地方时为标准,称为北京时;Lc:经度订正(4min/度),如果地方子午圈在标准子午圈的东边,则Lc为正,反之为负;EQ:时差。
时差EQ计算如下:
时差EQ指真太阳时与地方平均太阳时之差,按以下公式计算:
EQ=0.0028-1.9857sinQ+9.9059sin2Q-7.0924cosQ-0.6882cos2Q.
应注意,本发明所提出的具体实施方式及应用领域仅为说明的目的,并不作为对本发明保护范围的限制,本领域技术人员可对本发明的具体实施方式进行修改以满足实际需要。
Claims (12)
1.一种太阳直接辐射值预测方法,其特征在于,所述方法包括:
A,使用中尺度预测模型对气象信息进行预测,生成中尺度预测数据;
B,将所述中尺度预测数据分类为使用晴空模型和阴天模型的预测数据,包括:
B1,获得太阳直接辐射值的历史测量数据并对历史测量数据进行分类,分类为分别适用晴空模型和阴天模型的历史测量数据;其中太阳直接辐射值的历史测量数据为采用地面的太阳辐射测量仪对太阳直接辐射的实际测量值,具体的分类方法为:按照晴空模型对太阳直接辐射的理论计算值与所述实际测量值的差异对历史测量数据进行分类,差异超过预设差异阀值范围的历史测量数据适用阴天模型、在差异阀值范围内的历史测量数据适用晴空模型;
B2,采用人工智能方法对与历史测量数据同时段的预测数据以及对应的分类进行训练学习,获得预测数据分类模型,其中,将与已分类历史测量数据同时段的预测数据作为输入变量,将与已分类历史测量数据对应的分类因子作为输出变量,将分类为适用晴空模型的历史测量数据对应的分类因子设为第一值,将适用阴天模型的分类因子设为与第一值不同的第二值;
B3,根据中尺度预测数据以及预测数据分类模型对中尺度预测数据进行分类,将中尺度预测数据作为预测数据分类模型的输入,根据输出将预测数据分类为适于晴天模型的数据或是适于阴天模型的数据;
C,对适用晴空模型的预测数据,直接采用晴空模型的理论计算值,对太阳直接辐射值进行中期预测;
D,对适用阴天模型的预测数据,将太阳总辐射值通过模型转化,输出太阳直接辐射值,包括:
D1,在太阳总辐射值的历史测量数据中,选择与预测数据中的太阳总辐射值接近的历史测量数据,组成训练集;
D2,采用人工智能方法对与选择的历史测量数据同时段的预测数据以及同时段的太阳直接辐射值的历史测量数据进行训练学习,获得中期预测模型;
D3,根据中尺度预测数据以及中期预测模型预测太阳直接辐射值。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
E,对于适用晴空模型的数据,直接采用晴空模型的理论计算值,对太阳直接辐射值进行短期和超短期预测;
F,对适用阴天模型的数据,将太阳总辐射值通过模型转化,输出短期和超短期预测的太阳直接辐射值,包括:
F1,在太阳总辐射值的历史测量数据中,选择与预测数据中的太阳总辐射值接近的历史测量数据,组成训练集;
F2,用人工智能方法对与选择的历史测量数据同时段的预测数据以及同时段的云层实时测量数据和实时太阳直接辐射值进行训练学习,获得短期与超短期预测模型;
F3,根据预测数据、云层实时测量数据、实时太阳直接辐射值以及短期与超短期预测模型预测太阳直接辐射值。
3.根据权利要求1或2所述的方法,其特征在于:
所述中尺度预测数据包括中期预测数据、短期预测数据和超短期预测数据,预测量包括太阳总辐射值、气压、温度、相对湿度、云层覆盖度、风速、风向。
4.根据权利要求1或2所述的方法,其特征在于:
步骤D2中,将与选择的历史测量数据同时段的预测数据作为输入变量,将与选择的历史测量数据同时段的太阳直接辐射值的历史测量数据作为输出变量。
5.根据权利要求1或2所述的方法,其特征在于:
步骤D3中,将中尺度预测数据作为中期预测模型的输入,输出中期预测的太阳直接辐射值。
6.根据权利要求2所述的方法,其特征在于:
所述云层实时测量数据包括卫星影像、雷达、现场摄像云层观测实时资料。
7.一种太阳直接辐射值预测系统,其特征在于,所述系统包括:
数值气象预报设备,使用中尺度预测模型对气象信息进行预测,生成中尺度预测数据;
中期预测设备,包括分类装置,将所述中尺度预测数据分类为使用晴空模型和阴天模型的预测数据,分类装置包括:
历史测量数据获取和分类单元,获得太阳直接辐射值的历史测量数据并对历史测量数据进行分类,分类为分别适用晴空模型和阴天模型的历史测量数据,其中所述太阳直接辐射值的历史测量数据为采用地面的太阳辐射测量仪对太阳直接辐射的实际测量值;所述历史测量数据获取和分类单元,按照晴空模型对太阳直接辐射的理论计算值与所述实际测量值的差异对历史测量数据进行分类,差异超过预设差异阀值范围的历史测量数据适用阴天模型、在差异阀值范围内的历史测量数据适用晴空模型;
分类模型训练单元,采用人工智能方法对与历史测量数据同时段的预测数据以及对应的分类进行训练学习,获得预测数据分类模型,所述分类模型训练单元,将与已分类历史测量数据同时段的预测数据作为输入变量,将与已分类历史测量数据对应的分类因子作为输出变量,将分类为适用晴空模型的历史测量数据对应的分类因子设为第一值,将适用阴天模型的分类因子设为与第一值不同的第二值;
预测数据分类单元,根据中尺度预测数据以及预测数据分类模型对中尺度预测数据进行分类,所述预测数据分类单元,将中尺度预测数据作为预测数据分类模型的输入,根据输出将预测数据分类为适于晴天模型的数据或是适于阴天模型的数据;
所述中期预测设备还包括第一中期预测装置,对适用晴空模型的预测数据,直接采用晴空模型的理论计算值,对太阳直接辐射值进行中期预测;
所述中期预测设备还包括第二中期预测装置,对适用阴天模型的预测数据,将太阳总辐射值通过模型转化,输出太阳直接辐射值,第二中期预测装置包括:
中期预测选择单元,在太阳总辐射值的历史测量数据中,选择与预测数据中的太阳总辐射值接近的历史测量数据,组成训练集;
中期预测训练单元,采用人工智能方法对与选择的历史测量数据同时段的预测数据以及同时段的太阳直接辐射值的历史测量数据进行训练学习,获得中期预测模型;
中期预测单元,根据中尺度预测数据以及中期预测模型预测太阳直接辐射值。
8.根据权利要求7所述的系统,其特征在于,所述系统还包括:
短期与超短期预测设备,包括第一短期与超短期预测装置,对于适用晴空模型的数据,直接采用晴空模型的理论计算值,对太阳直接辐射值进行短期和超短期预测;
所述短期与超短期预测设备还包括第二短期与超短期预测装置,对适用阴天模型的数据,将太阳总辐射值通过模型转化,输出短期和超短期预测的太阳直接辐射值,第二短期与超短期预测装置包括:
短期与超短期预测选择单元,在太阳总辐射值的历史测量数据中,选择与预测数据中的太阳总辐射值接近的历史测量数据,组成训练集;
短期与超短期预测训练单元,用人工智能方法对与选择的历史测量数据同时段的预测数据以及同时段的云层实时测量数据和实时太阳直接辐射值进行训练学习,获得短期与超短期预测模型;
短期与超短期预测单元,根据预测数据、云层实时测量数据、实时太阳直接辐射值以及短期与超短期预测模型预测太阳直接辐射值。
9.根据权利要求7或8所述的系统,其特征在于:
所述中尺度预测数据包括中期预测数据、短期预测数据和超短期预测数据,预测量包括太阳总辐射值、气压、温度、相对湿度、云层覆盖度、风速、风向。
10.根据权利要求7或8所述的系统,其特征在于:
所述中期预测训练单元,将与选择的历史测量数据同时段的预测数据作为输入变量,将与选择的历史测量数据同时段的太阳直接辐射值的历史测量数据作为输出变量。
11.根据权利要求7或8所述的系统,其特征在于:
所述中期预测单元,将中尺度预测数据作为中期预测模型的输入,输出中期预测的太阳直接辐射值。
12.根据权利要求8所述的系统,其特征在于:
所述云层实时测量数据包括卫星影像、雷达、现场摄像云层观测实时资料。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410102543.4A CN103955749B (zh) | 2014-03-19 | 2014-03-19 | 太阳直接辐射值预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410102543.4A CN103955749B (zh) | 2014-03-19 | 2014-03-19 | 太阳直接辐射值预测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103955749A CN103955749A (zh) | 2014-07-30 |
CN103955749B true CN103955749B (zh) | 2018-03-09 |
Family
ID=51333022
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410102543.4A Active CN103955749B (zh) | 2014-03-19 | 2014-03-19 | 太阳直接辐射值预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103955749B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105005937B (zh) * | 2015-04-28 | 2019-02-15 | 国家电网公司 | 一种基于晴空指数的光伏电站出力时序模拟方法 |
CN106709587B (zh) * | 2015-11-13 | 2021-03-02 | 中国电力科学研究院 | 一种基于常规天气预报的直接辐射预测方法 |
CN107632327A (zh) * | 2017-09-22 | 2018-01-26 | 中国科学院遥感与数字地球研究所 | 地表太阳短波辐射的确定方法和装置 |
CN107884067A (zh) * | 2017-11-03 | 2018-04-06 | 东莞理工学院 | 基于多元微气象特征分析的太阳辐照度波动识别和预报方法 |
CN109086958B (zh) * | 2018-06-13 | 2021-06-29 | 中国电力工程顾问集团新能源有限公司 | 一种太阳能法向直接辐射资源日类型识别方法 |
CN109631933A (zh) * | 2018-12-20 | 2019-04-16 | 北京航空航天大学 | 一种用于太阳能飞机续航评估的净能量分布地图 |
CN110197298A (zh) * | 2019-05-10 | 2019-09-03 | 中国电建集团西北勘测设计研究院有限公司 | 基于聚类算法的多模型太阳法向辐射预测的方法及装置 |
CN110598335B (zh) * | 2019-09-17 | 2023-08-11 | 阳光慧碳科技有限公司 | 一种超短期光伏功率预测的辐照修正方法 |
CN111242359B (zh) * | 2020-01-06 | 2020-09-29 | 南京林业大学 | 一种基于数据漂移的太阳辐射在线动态预测方法 |
CN111461444B (zh) * | 2020-04-07 | 2023-07-18 | 上海电气风电集团股份有限公司 | 风电场的机组功率的预测方法、系统、介质及电子设备 |
CN113311512A (zh) * | 2021-06-24 | 2021-08-27 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 基于卫星辐射产品的光伏电站太阳辐射短期预报方法 |
CN115759483B (zh) * | 2023-01-06 | 2023-06-20 | 国能日新科技股份有限公司 | 光伏电场太阳辐照度预测方法、电子设备及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8401708B2 (en) * | 2007-03-26 | 2013-03-19 | Vpec, Inc. | Electric power system |
CN101969207A (zh) * | 2010-09-16 | 2011-02-09 | 国网电力科学研究院 | 结合卫星遥感与气象遥测技术的光伏超短期功率预测方法 |
-
2014
- 2014-03-19 CN CN201410102543.4A patent/CN103955749B/zh active Active
Non-Patent Citations (3)
Title |
---|
基于ANN和时间周期性的光伏电站辐照度预测研究;王哲;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20130615(第6期);第2.4节,第3-5章 * |
基于NMF-SVM的光伏系统发电功率短期预测模型;吴江等;《华东电力》;20140228;第42卷(第2期);第59页第2部分 * |
计及天气类型指数的光伏发电短期出力预测;袁晓玲等;《中国电机工程学报》;20131231;第33卷(第34期);第0331-0332页第1部分,第0333页第3部分 * |
Also Published As
Publication number | Publication date |
---|---|
CN103955749A (zh) | 2014-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103955749B (zh) | 太阳直接辐射值预测方法和系统 | |
Wang et al. | Temperature error correction based on BP neural network in meteorological wireless sensor network | |
Shi et al. | China land soil moisture EnKF data assimilation based on satellite remote sensing data | |
CN105046374B (zh) | 一种基于核极限学习机模型的功率区间预测方法 | |
Shi et al. | Characteristics and meteorological mechanisms of transboundary air pollution in a persistent heavy PM2. 5 pollution episode in Central-East China | |
CN103996082B (zh) | 一种基于双重随机理论的太阳辐射强度预测方法 | |
CN103761578A (zh) | 基于多元线性回归的太阳辐照预报方法 | |
Rosiek et al. | Online 3-h forecasting of the power output from a BIPV system using satellite observations and ANN | |
CN105512760B (zh) | 基于神经网络的光伏电站发电量的计算方法及系统 | |
CN106779130A (zh) | 一种基于全天空云图的光伏电站辐射预测方法 | |
CN109948281A (zh) | 基于天气类型有效识别和组合预测的直散分离建模方法 | |
Zahedi et al. | Solar energy potential assessment for electricity generation in the southeastern coast of Iran | |
Huang et al. | Biogeophysical forcing of land-use changes on local temperatures across different climate regimes in China | |
CN105303254A (zh) | 一种对光伏电站接收辐射进行预测的方法及装置 | |
Zhang et al. | A case study of the upwind urbanization influence on the urban heat island effects along the Suzhou–Wuxi corridor | |
Shi et al. | First estimation of high-resolution solar photovoltaic resource maps over China with Fengyun-4A satellite and machine learning | |
CN108320050A (zh) | 一种基于风速预报提高光伏短期功率预测精度的方法 | |
CN107256437A (zh) | 一种光伏电站超短期辐照度预测方法及系统 | |
Li et al. | Evaluation of solar radiation models on vertical surface for building photovoltaic applications in Beijing | |
Wang et al. | Method for short-term photovoltaic generation power prediction base on weather patterns | |
CN109599899B (zh) | 一种新能源运行模拟边界条件的设定方法 | |
Wang et al. | Climatic factors and their availability in estimating long‐term variations of fine particle distributions over East China | |
CN113437938B (zh) | 考虑因地域差异的现场特征的光伏阵列输出功率计算方法 | |
Yu et al. | A novel adaptive approach for improvement in the estimation of hourly diffuse solar radiation: A case study of China | |
Wang et al. | Neural network based irradiance mapping model of solar PV power forecasting using sky image |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C53 | Correction of patent for invention or patent application | ||
CB02 | Change of applicant information |
Address after: 010010 Hohhot, the Inner Mongolia Autonomous Region Tin Road, No. 209 Applicant after: INNER MONGOLIA ELECTRIC POWER SURVEY & DESIGN INSTITUTE CO., LTD. Address before: 010010 Hohhot, the Inner Mongolia Autonomous Region Tin Road, No. 209 Applicant before: Inner Mongolia Electric Power Survey Design Institute |
|
COR | Change of bibliographic data |
Free format text: CORRECT: APPLICANT; FROM: INNER MONGOLIA ELECTRICAL POWER INVESTIGATE AND DESIGN INSTITUTE TO: INNER MONGOLIA ELECTRIC POWER SURVEY DESIGN INSTITUTE CO., LTD. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |