CN103971169B - 一种基于云量模拟的光伏超短期发电功率的预测方法 - Google Patents
一种基于云量模拟的光伏超短期发电功率的预测方法 Download PDFInfo
- Publication number
- CN103971169B CN103971169B CN201410147280.9A CN201410147280A CN103971169B CN 103971169 B CN103971169 B CN 103971169B CN 201410147280 A CN201410147280 A CN 201410147280A CN 103971169 B CN103971169 B CN 103971169B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- cloud
- munderover
- pattern
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 241000196324 Embryophyta Species 0.000 claims description 90
- 230000005855 radiation Effects 0.000 claims description 31
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000033001 locomotion Effects 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 claims description 3
- 238000002405 diagnostic procedure Methods 0.000 claims description 3
- 230000005693 optoelectronics Effects 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000002560 therapeutic procedure Methods 0.000 claims description 3
- 241000127225 Enceliopsis nudicaulis Species 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000012937 correction Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 241001424688 Enceliopsis Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000005622 photoelectricity Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- 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
- Photovoltaic Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于云量模拟的光伏超短期发电功率的预测方法,包括以下步骤:利用天气型的晴空预测方法预测光伏电站未来4h的光伏超短期发电功率;模拟光伏电站未来4h的云量信息,并对由于云遮挡造成的水平面辐照度衰减进行预测数据校正,完成对光伏电站超短期功率的预测。本发明提供的预测方法相对晴空工况光伏功率超短期预测模型在对云量遮挡信息捕捉方面有很大的优势,相较于基于地基云图的光伏功率超短期预测模型预测的有效时间长度有很大的提高。
Description
技术领域
本发明属于光伏功率预测技术领域,具体涉及一种基于云量模拟的光伏超短期发电功率的预测方法。
背景技术
随着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,能为电力调度提供重要的决策支持,能够统筹安排常规电源和光伏发电的协调配合,有效的降低电力系统运行成本,使得光伏资源得到充分的利用,从而获得更大的经济效益和社会效益。但是光伏发电系统的输出功率很大程度上决定于光伏面板所能接收到的太阳辐射量,容易受到天气因素的影响,因而具有间歇性、波动性和随机性的缺点,从而造成其输出功率不稳定且难以预测。这一缺点不仅影响了电能质量,甚至会影响整个电力系统的稳定性。因此研究光伏系统的发电预测技术对于电力系统而言具有重要意义。
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根本原因之一。目前,光伏功率预测方法主要根据历史气象要素数据和光伏电站输出功率数据进行统计分析或机器学习进行预测,有基于人工神经网络的预测模型和基于支持向量机的预测模型,涉及气象云图数据对光伏电站进行功率预测的文献并不多,主要停留在探索和尝试阶段,所以基于这些文献的方法进行光伏功率预测,还存在一定的预测精度问题。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,所涉及的卫星云图的时间分辨率最小为30min,最小空间分辨率为2.5km2。尽管借助卫星云图在揭示地区云覆盖特征时不失为一种很好的方法,但是其时空分辨率相对较低,又因为地基云图的小区域进行拍摄,其拍摄的空间范围有限,云团在预测的时间内,天空中的云团已经移动出了设备的采集范围,所以很难利用实时云图采集信息实现对未来4小时的超短期预测,在地基云图中,一旦云团移动云图的范围,所有采用地基云图进行光伏功率预测的模型将会失效,将不能进行功率的准确预测。
发明内容
为准确预测未来四小时由于光伏电站周围云量变化和遮挡,所引起的辐射衰减而导致的光伏电站发电功率瞬时下降,以提高光伏超短期功率预测的精度,本发明提供一种基于云量模拟的光伏超短期发电功率的预测方法,该方法相对晴空工况光伏功率超短期预测模型在对云量遮挡信息捕捉方面有很大的优势,相较于基于地基云图的光伏功率超短期预测模型预测的有效时间长度有很大的提高。
为了实现上述发明目的,本发明采取如下技术方案:
本发明提供一种基于云量模拟的光伏超短期发电功率的预测方法,所述方法包括以下步骤:
步骤1:利用天气型的晴空预测方法预测光伏电站未来4h的光伏超短期发电功率;
步骤2:模拟光伏电站未来4h的云量信息,并对由于云遮挡造成的水平面辐照度衰减进行预测数据校正,完成对光伏电站超短期功率的预测。
所述步骤1中,采用临近相似天气型的历史功率和实测的辐射数据进行曲线相关性拟合,通过光电转换模型建立光伏超短期发电功率预报晴空模型,以预测未来4h的光伏超短期发电功率。
所述步骤1中,晴空预测方法中,由于光伏电站无云量信息的影响,太阳辐照度的直接辐射R(t)与光伏电站水平面辐照度的总辐射相等,于是设t时刻光伏电站水平面辐照度的总辐射为R(t),且满足:
F(R(t))=aR(t)2+bR(t)-c (1)
其中,a、b、c是二次曲线关系式的对应项系数;F(R(t))为光伏电站预测发电功率;
将对应时刻的光伏电站水平面辐照度的总辐射代入式(1),即可完成对光伏电站未来4h的光伏超短期发电功率的预测。
所述步骤2中,使用数值天气预报预测的气象数据对光伏电站未来4h的云量信息进行模拟;所述气象数据包括云量数据、水平面直射/散射辐射数据以及不同云量高度的风速和风向数据。
所述步骤2具体包括以下步骤:
步骤2-1:生成模式云图;
采用亮温法云量诊断方法,使用天气预报模式生成云量诊断的模式云图;
步骤2-2:进行模式云图遮挡计算;
其中包括模式云团提取、模式云团水平面投影计算、模式云团移动时间和方向计算、模式云图遮挡光伏电站判定和模式云图辐射衰减。
所述步骤2-2中,采用最大类间方差自适应阈值分割算法对模式云团进行提取,假设模式云图的灰度级为L,第i个灰度级的像素个数为ni,则总的像素数各灰度值出现的概率Pi=ni/N;
假定用阈值T将图像分成CBB∈{1,…,T}和CB0∈{T+1,…,L},其中CBB和CB0分别为小于T和大于T的背景集合和目标集合,则两类集合发生的概率分别为ωB和ω0,分别为:
CBB和CB0对应的平均灰度值μB和μ0分别为:
整幅图像的平均灰度值μ表示为:
背景集合和目标集合的类间方差G(T)为:
G(T)=ωB(μB-μ)2+ω0(μ0-μ)2=μBωB+μ0ω0 (7)
则满足[G(T)]的阈值T为分割背景集合和目标集合的最佳阈值,完成将模式云团从模式云图中的提取。
所述步骤2-2中,通过天气预报模式实现对N层云量的诊断,设第j层模式云图为ILj,其中的模式云团为Ii,其中j≤N,模式云图ILj距离地面高度为Hj,太阳高度角αs由纬度时角ω、赤纬角δ计算得到,其中,根据光伏电站基础信息查得纬度时角ω等于离正午的小时数乘以15°,赤纬角δ的表达式如下:
其中,n为一年中的日期序号;
太阳高度角αs与纬度时角ω、赤纬角δ之间满足:
设模式云团Ii的某点在地面上的垂直投影点坐标为I′i(x′i,y′i),模式云团Ii在水平面投影的质心坐标为Ii″(xi″,yi″),模式云团Ii的高度和太阳高度角分别Hj和αs,设垂直投影点距离水平面上太阳光线投影点距离为d,则d=Hjcotαs,设x′i与yi的夹角为β,则斜率为模式云团投影Ii″(xi″,yi″)的坐标值可根据下式计算:
根据式(10)完成模式云团水平面投影计算。
所述步骤2-2中,当第j层模式云图的水平面太阳投影遮挡光伏电站时,即为遮挡,利用风速对模式云团运动的影响,计算未来4h的模式云团的水平面太阳投影的运动轨迹,设光伏电站A的坐标为(xA,yA),对应的风速为vi,风向角为θ,其中斜率φ可以由A和Ii″的坐标确定,有:
模式云团Ii到光伏电站A的速度分量为v′i,可表示为:
v′i=vi*sinθ*cosφ (12)
将模式云图ILj在水平面投影与光伏电站A的云图像素之间的距离设为Di,真实的地理距离设为D′i,模式云图ILj经过换算可推算出像素点等于289.44m2,推算出真实的地理距离的边长倍增因子等于24.056,因此真实的地理距离D′i计算方式如下:
在vi作用下,水平面太阳投影云团从当前位置移动到光伏电站A的时间秒,模式云图ILj的预测时间间隔为分钟级,每分钟级可以实现对模式云团的移动计算。
所述步骤2-2中,在各层模式云图中,只要有某个模式云团的水平面太阳投影对光伏电站A产生遮挡,都会对光伏电站A的辐射产生衰减;假设在第j层模式云图ILj中有模式云团Ii在地面投影像素出现在光伏电站A位置处,即可判定该模拟云团对光伏电站A产生遮挡,其遮挡状态为si,si∈(0,1),所以光伏电站A的覆盖状态Sm为:
若有Sm>0,则判定光伏电站A为覆盖。
所述步骤2-2的模式云图辐射衰减中,设模式云图的遮挡辐照度衰减系数为ρ,其中0≤ρ≤1,设太阳辐照度的散射辐射为r(t),则有:
其中,经过辐射衰减后光伏电站输出功率为P(t)。
与现有技术相比,本发明的有益效果在于:
本发明提供的基于云量模拟的光伏超短期发电功率的预测方法,首先采用天气型的晴空预测方法预测出未来4h的光伏超短期功率,然后利用数值天气预报预计算的数据(云量、风速、风向、近地面辐照度等数据)对未来4h内的光伏电站周围的云量信息进行云团的分析和计算,判断云量是否覆盖电站,从而对光伏电站所造成的影响。利用模式云图辐射衰减预测模型,计算出由于云团遮挡所造成的近地面太阳辐射的瞬时衰减,并基于辐射功率转换模型实现对光伏电站未来4h发电功率的精确预测。该预测方法相对晴空工况光伏功率超短期预测模型在对云量遮挡信息捕捉方面有很大的优势,相较于基于地基云图的光伏功率超短期预测模型预测的有效时间长度有很大的提高。
附图说明
图1是光伏电站辐射功率关系曲线图;
图2是模式云图的灰度直方图;
图3是模式云图图像的云团提取过程示意图;
图4是地平坐标系示意图;
图5是模式云团投影在地平面上的投影计算示意图;
图6是模式云团轨迹计算方法示意图;
图7是本发明实施例中1#电站功率预测曲线图;
图8是本发明实施例中2#电站功率预测曲线图。
具体实施方式
下面结合实施例和附图对本发明作进一步详细说明。
本发明提供一种基于云量模拟的光伏超短期发电功率的预测方法,所述方法包括以下步骤:
步骤1:利用天气型的晴空预测方法预测光伏电站未来4h的光伏超短期发电功率;
步骤2:模拟光伏电站未来4h的云量信息,并对由于云遮挡造成的水平面辐照度衰减进行预测数据校正,完成对光伏电站超短期功率的预测。
所述步骤1中,为减少气候、气温对预测精度的影响,采用临近相似天气型的历史功率和实测的辐射数据进行曲线相关性拟合,建立光电转换模型,来实现光电功率之间的转换。采用临近相似天气型的历史功率和实测的辐射数据进行曲线相关性拟合,通过光电转换模型建立光伏超短期发电功率预报晴空模型,以预测未来4h的光伏超短期发电功率。
所述步骤1中(如图1),晴空预测方法中,由于光伏电站无云量信息的影响,太阳辐照度的直接辐射R(t)与光伏电站水平面辐照度的总辐射相等,于是设t时刻光伏电站水平面辐照度的总辐射为R(t),且满足:
F(R(t))=aR(t)2+bR(t)-c (1)
其中,a、b、c是二次曲线关系式的对应项系数;F(R(t))为光伏电站预测发电功率;
将对应时刻的光伏电站水平面辐照度的总辐射代入式(1),即可完成对光伏电站未来4h的光伏超短期发电功率的预测。当天预测结束后,更新光伏电站的历史功率数据与光伏电站地面辐射监测数据库,并重新统计辐射/功率关系式,为下一天的功率预测做出数据准备。
所述步骤2中,使用数值天气预报预测的气象数据对光伏电站未来4h的云量信息进行模拟;所述气象数据包括云量数据、水平面直射/散射辐射数据以及不同云量高度的风速和风向数据。
所述步骤2具体包括以下步骤:
步骤2-1:生成模式云图;
采用亮温法云量诊断方法,使用天气预报模式生成云量诊断的模式云图;
步骤2-2:进行模式云图遮挡计算;
其中包括模式云团提取、模式云团水平面投影计算、模式云团移动时间和方向计算、模式云图遮挡光伏电站判定和模式云图辐射衰减。
所述步骤2-2中,采用最大类间方差自适应阈值分割算法对模式云团进行提取,模式云图的灰度直方图如图2。假设模式云图的灰度级为L,第i个灰度级的像素个数为ni,则总的像素数各灰度值出现的概率Pi=ni/N;
假定用阈值T将图像分成CBB∈{1,…,T}和CB0∈{T+1,…,L},其中CBB和CB0分别为小于T和大于T的背景集合和目标集合,则两类集合发生的概率分别为ωB和ω0,分别为:
CBB和CB0对应的平均灰度值μB和μ0分别为:
整幅图像的平均灰度值μ表示为:
背景集合和目标集合的类间方差G(T)为:
G(T)=ωB(μB-μ)2+ω0(μ0-μ)2=μBωB+μ0ω0 (7)
则满足[G(T)]的阈值T为分割背景集合和目标集合的最佳阈值,完成将模式云团从模式云图中的提取(如图3)。
所述步骤2-2中,通过天气预报模式实现对N层云量的诊断,设第j层模式云图为ILj,其中的模式云团为Ii,其中j≤N,模式云图ILj距离地面高度为Hj,太阳高度角αs由纬度时角ω、赤纬角δ计算得到,其中,根据光伏电站基础信息查得纬度时角ω等于离正午的小时数乘以15°,赤纬角δ的表达式如下:
其中,n为一年中的日期序号;
太阳高度角αs与纬度时角ω、赤纬角δ之间满足:
设模式云团Ii的某点在地面上的垂直投影点坐标为I′i(x′i,y′i),模式云团Ii在水平面投影的质心坐标为Ii″(xi″,yi″),模式云团Ii的高度和太阳高度角分别Hj和αs,设垂直投影点距离水平面上太阳光线投影点距离为d,则d=Hjcotαs,设x′i与yi的夹角为β,则斜率为模式云团投影Ii″(xi″,yi″)的坐标值可根据下式计算:
如图5,根据式(10)完成模式云团水平面投影计算。
所述步骤2-2中,当第j层模式云图的水平面太阳投影遮挡光伏电站时,即为遮挡,利用风速对模式云团运动的影响,计算未来4h的模式云团的水平面太阳投影的运动轨迹(如图6),设光伏电站A的坐标为(xA,yA),对应的风速为vi,风向角为θ,其中斜率φ可以由A和Ii″的坐标确定,有:
模式云团Ii到光伏电站A的速度分量为v′i,可表示为:
v′i=vi*sinθ*cosφ (12)
将模式云图ILj在水平面投影与光伏电站A的云图像素之间的距离设为Di,真实的地理距离设为D′i,模式云图ILj经过换算可推算出像素点等于289.44m2,推算出真实的地理距离的边长倍增因子等于24.056,因此真实的地理距离D′i计算方式如下:
在vi作用下,水平面太阳投影云团从当前位置移动到光伏电站A的时间秒,模式云图ILj的预测时间间隔为分钟级,每分钟级可以实现对模式云团的移动计算。
所述步骤2-2中,在各层模式云图中,只要有某个模式云团的水平面太阳投影对光伏电站A产生遮挡,都会对光伏电站A的辐射产生衰减;假设在第j层模式云图ILj中有模式云团Ii在地面投影像素出现在光伏电站A位置处,即可判定该模拟云团对光伏电站A产生遮挡,其遮挡状态为si,si∈(0,1),所以光伏电站A的覆盖状态Sm为:
若有Sm>0,则判定光伏电站A为覆盖。
所述步骤2-2的模式云图辐射衰减中,设模式云图的遮挡辐照度衰减系数为ρ,其中0≤ρ≤1,设太阳辐照度的散射辐射为r(t),则有:
其中,经过辐射衰减后光伏电站输出功率为P(t)。
天气预报模式(Weather Research Forecast,WRF):具有先进的数值计算和资料同化技术,多重移动嵌套网格性能及完善的、适应不同地形、地貌特征的边界层物理过程参数化方案,以及其在全球中尺度数值天气预报业务和其他领域的良好应用效果,近年来被越来越多地应用在风电场和光伏电站数值模拟理论与应用研究工作中,并逐渐成为新能源功率预测提供数值天气预报产品的重要中尺度数值模式之一。在本文的预测模型中,主要用WRF模式计算输出不同云层高度的云量、风速、风向,以及近地面辐照度等信息。
为了验证基于模拟云量信息的光伏功率超短期预测方法的可用性和普适性,实施例分别选择在华东地区某太阳能发电研发(实验)中心屋顶光伏电站(简称1#光伏电站)和西北地区某光伏产业基地2013年12月份并网发电的某光伏电站(简称2#光伏电站)为实验场地。这两个光伏电站分别辐射仪,用于计算云量、风速、风向、地面辐照度的数值天气预报业务系统部署在华东某地区计算中心。本实验数据包括两个实验光伏电站的一整天辐照度、输出功率和光伏逆变器工况数据,时间分辨率均为15分钟。为了丰富预测模型的验证算例,实验数据选择在不同时间、不同地点的数据进行验证,分别为1#电站的2013年08月14日和2#电站的2014年2月16日。
采用基于模拟云量信息的光伏功率超短期预测方法,首先需要使用临近晴空工况光伏超短期功率预测方法计算0~4小时的光伏功率超短期预测,其功率转换曲线为,
1#光伏电站的曲线:F(R(t))=-0.0013R(t)2+0.078R(t)-1.4068;
2#电站的曲线:F(R(t))=-0.0002R(t)2+0.112R(t)-0.4881;
然后,使用基于模式云图辐射衰减算法和功率转换所算法,对未来四小时内由于云遮挡所造成的辐射、功率衰减“点”进行“捕捉”。其预测结果如附图7和附图8所示。
通过误差分析可以发现,1#光伏电站和2#光伏电站在采用该预测模型的优化效果有一定的提高,1#光伏电站的RMSE为0.1106、MAE为2.9756、r为0.9552,2#光伏电站RMSE为0.1014、MAE为2.7213、r为0.9634。满足预测模型的设计要求。
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 (1)
1.一种基于云量模拟的光伏超短期发电功率的预测方法,其特征在于:所述方法包括以下步骤:
步骤1:利用天气型的晴空预测方法预测光伏电站未来4h的光伏超短期发电功率;
步骤2:模拟光伏电站未来4h的云量信息,并对由于云遮挡造成的水平面辐照度衰减进行预测数据校正,完成对光伏电站超短期功率的预测;
所述步骤1中,采用临近相似天气型的历史功率和实测的辐射数据进行曲线相关性拟合,通过光电转换模型建立光伏超短期发电功率预报晴空模型,以预测未来4h的光伏超短期发电功率;
所述步骤1中,晴空预测方法中,由于光伏电站无云量信息的影响,太阳辐照度的直接辐射R(t)与光伏电站水平面辐照度的总辐射相等,于是设t时刻光伏电站水平面辐照度的总辐射为R(t),且满足:
F(R(t))=aR(t)2+bR(t)-c (1)
其中,a、b、c是二次曲线关系式的对应项系数;F(R(t))为光伏电站预测发电功率;
将对应时刻的光伏电站水平面辐照度的总辐射代入式(1),即可完成对光伏电站未来4h的光伏超短期发电功率的预测;
所述步骤2中,使用数值天气预报预测的气象数据对光伏电站未来4h的云量信息进行模拟;所述气象数据包括云量数据、水平面直射/散射辐射数据以及不同云量高度的风速和风向数据;
所述步骤2具体包括以下步骤:
步骤2-1:生成模式云图;
采用亮温法云量诊断方法,使用天气预报模式生成云量诊断的模式云图;
步骤2-2:进行模式云图遮挡计算;
其中包括模式云团提取、模式云团水平面投影计算、模式云团移动时间和方向计算、模式云图遮挡光伏电站判定和模式云图辐射衰减;
所述步骤2-2中,采用最大类间方差自适应阈值分割算法对模式云团进行提取,假设模式云图的灰度级为L,第i个灰度级的像素个数为ni,则总的像素数各灰度值出现的概率Pi=ni/N;
假定用阈值T将图像分成CBB∈{1,…,T}和CB0∈{T+1,…,L},其中CBB和CB0分别为小于T和大于T的背景集合和目标集合,则两类集合发生的概率分别为ωB和ω0,分别为:
<mrow>
<msub>
<mi>&omega;</mi>
<mi>B</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</munderover>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
</mrow>
<mi>N</mi>
</mfrac>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</munderover>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&omega;</mi>
<mn>0</mn>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mi>T</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mi>L</mi>
</munderover>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
</mrow>
<mi>N</mi>
</mfrac>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mi>T</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mi>L</mi>
</munderover>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>&omega;</mi>
<mi>B</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
CBB和CB0对应的平均灰度值μB和μ0分别为:
<mrow>
<msub>
<mi>&mu;</mi>
<mi>B</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</munderover>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
<mo>&times;</mo>
<mi>i</mi>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</munderover>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</munderover>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<mo>&times;</mo>
<mi>i</mi>
</mrow>
<msub>
<mi>&omega;</mi>
<mi>B</mi>
</msub>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&mu;</mi>
<mn>0</mn>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mi>T</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mi>L</mi>
</munderover>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
<mo>&times;</mo>
<mi>i</mi>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mi>T</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mi>L</mi>
</munderover>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mi>T</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mi>L</mi>
</munderover>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<mo>&times;</mo>
<mi>i</mi>
</mrow>
<msub>
<mi>&omega;</mi>
<mn>0</mn>
</msub>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
整幅图像的平均灰度值μ表示为:
<mrow>
<mi>&mu;</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>L</mi>
</munderover>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<mo>&times;</mo>
<mi>i</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</munderover>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<mo>&times;</mo>
<mi>i</mi>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mi>T</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mi>L</mi>
</munderover>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<mo>&times;</mo>
<mi>i</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
背景集合和目标集合的类间方差G(T)为:
G(T)=ωB(μB-μ)2+ω0(μ0-μ)2=μBωB+μ0ω0 (7)
则满足的阈值T为分割背景集合和目标集合的最佳阈值,完成将模式云团从模式云图中的提取;
所述步骤2-2中,通过天气预报模式实现对M层模式云图的诊断,设第j层模式云图为ILj,其中的模式云团为Ii,其中j≤M,模式云图ILj距离地面高度为Hj,太阳高度角αs由纬度时角ω、赤纬角δ计算得到,其中,根据光伏电站基础信息查得纬度时角ω等于离正午的小时数乘以15°,赤纬角δ的表达式如下:
<mrow>
<mi>&delta;</mi>
<mo>=</mo>
<mn>23.45</mn>
<mo>&times;</mo>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mo>&lsqb;</mo>
<mn>360</mn>
<mo>&times;</mo>
<mfrac>
<mrow>
<mn>284</mn>
<mo>+</mo>
<mi>n</mi>
</mrow>
<mn>365</mn>
</mfrac>
<mo>&rsqb;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,n为一年中的日期序号;
太阳高度角αs与纬度时角ω、赤纬角δ之间满足:
设模式云团Ii的某点在地面上的垂直投影点坐标为Ii′(xi′,yi′),模式云团Ii在水平面投影的质心坐标为Ii″(xi″,yi″),模式云团Ii的高度和太阳高度角分别Hj和αs,设垂直投影点距离水平面上太阳光线投影点距离为d,则d=Hjcotαs,设xi′与yi′的夹角为β,则斜率为模式云团投影Ii″(xi″,yi″)的坐标值可根据下式计算:
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msup>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
<mo>=</mo>
<msup>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>&prime;</mo>
</msup>
<mo>-</mo>
<mi>d</mi>
<mi> </mi>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mi>&beta;</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msup>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
<mo>=</mo>
<msup>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>&prime;</mo>
</msup>
<mo>-</mo>
<mi>d</mi>
<mi> </mi>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mi>&beta;</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>10</mn>
<mo>)</mo>
</mrow>
</mrow>
根据式(10)完成模式云团水平面投影计算;
所述步骤2-2中,当第j层模式云图的水平面太阳投影遮挡光伏电站时,即为遮挡,利用风速对模式云团运动的影响,计算未来4h的模式云团的水平面太阳投影的运动轨迹,设光伏电站A的坐标为(xA,yA),对应的风速为vi,风向角为θ,其中斜率φ可以由A和Ii″的坐标确定,有:
<mrow>
<mi>&phi;</mi>
<mo>=</mo>
<mi>arctan</mi>
<mfrac>
<mrow>
<msub>
<mi>y</mi>
<mi>A</mi>
</msub>
<mo>-</mo>
<msup>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
</mrow>
<mrow>
<msub>
<mi>x</mi>
<mi>A</mi>
</msub>
<mo>-</mo>
<msup>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>11</mn>
<mo>)</mo>
</mrow>
</mrow>
模式云团Ii到光伏电站A的速度分量为vi′,可表示为:
vi′=vi*sinθ*cosφ (12)
将模式云图ILj在水平面投影与光伏电站A的云图像素之间的距离设为Di,真实的地理距离设为Di′,模式云图ILj经过换算可推算出像素点等于289.44m2,推算出真实的地理距离的边长倍增因子等于24.056,因此真实的地理距离Di′计算方式如下:
<mrow>
<msup>
<msub>
<mi>D</mi>
<mi>i</mi>
</msub>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<mn>24.056</mn>
<mo>*</mo>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>A</mi>
</msub>
<mo>-</mo>
<msup>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>A</mi>
</msub>
<mo>-</mo>
<msup>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>13</mn>
<mo>)</mo>
</mrow>
</mrow>
在vi作用下,水平面太阳投影云团从当前位置移动到光伏电站A的时间秒,模式云图ILj的预测时间间隔为分钟级,每分钟级可以实现对模式云团的移动计算;
所述步骤2-2中,在各层模式云图中,只要有某个模式云团的水平面太阳投影对光伏电站A产生遮挡,都会对光伏电站A的辐射产生衰减;假设在第j层模式云图ILj中有模式云团Ii在地面投影像素出现在光伏电站A位置处,即可判定该模拟云团对光伏电站A产生遮挡,其遮挡状态为 所以光伏电站A的覆盖状态Sm为:
<mrow>
<msub>
<mi>S</mi>
<mi>m</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>I</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>s</mi>
<msub>
<mi>I</mi>
<mi>i</mi>
</msub>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>14</mn>
<mo>)</mo>
</mrow>
</mrow>
若有Sm>0,则判定光伏电站A为覆盖;
所述步骤2-2的模式云图辐射衰减中,设模式云图的遮挡辐照度衰减系数为ρ,其中0≤ρ≤1,设太阳辐照度的散射辐射为r(t),则有:
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>&rho;</mi>
<mi>r</mi>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>S</mi>
<mi>m</mi>
</msub>
<mo>></mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>R</mi>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>S</mi>
<mi>m</mi>
</msub>
<mo>=</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>15</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,经过辐射衰减后光伏电站输出功率为P(t)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410147280.9A CN103971169B (zh) | 2014-04-14 | 2014-04-14 | 一种基于云量模拟的光伏超短期发电功率的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410147280.9A CN103971169B (zh) | 2014-04-14 | 2014-04-14 | 一种基于云量模拟的光伏超短期发电功率的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103971169A CN103971169A (zh) | 2014-08-06 |
CN103971169B true CN103971169B (zh) | 2017-09-01 |
Family
ID=51240634
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410147280.9A Active CN103971169B (zh) | 2014-04-14 | 2014-04-14 | 一种基于云量模拟的光伏超短期发电功率的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103971169B (zh) |
Families Citing this family (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104166999B (zh) * | 2014-08-18 | 2017-01-25 | 国家电网公司 | 一种基于地基云图强度分层的云团提取方法 |
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 |
CN106709585A (zh) * | 2015-07-20 | 2017-05-24 | 周锡卫 | 一种利用实时摄像实现极短期光伏功率预测的系统 |
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 |
CN106934726B (zh) * | 2015-12-31 | 2021-03-02 | 中国电力科学研究院有限公司 | 一种基于全天空图像云指数的地表辐射预测方法 |
CN107563903A (zh) * | 2016-06-30 | 2018-01-09 | 中国电力科学研究院 | 一种云层对地面光伏电站的遮挡模型建立方法 |
CN106251023B (zh) * | 2016-08-05 | 2020-01-14 | 浙江大学 | 一种适用于小样本的光伏功率短期预测方法 |
TWI664600B (zh) * | 2017-03-08 | 2019-07-01 | National Taiwan Normal University | 區域太陽能發電量預測界面與方法 |
CN108320050B (zh) * | 2018-01-11 | 2021-08-27 | 国家电网公司 | 一种基于风速预报提高光伏短期功率预测精度的方法 |
CN108388956B (zh) * | 2018-01-18 | 2021-08-10 | 华北电力大学 | 考虑辐射衰减的光伏功率预测方法 |
CN109543721B (zh) * | 2018-11-05 | 2023-07-04 | 中国科学院西北生态环境资源研究院 | 一种晴间多云天气情况下的太阳辐照度超短期预报方法 |
US11105958B2 (en) * | 2018-12-28 | 2021-08-31 | Utopus Insights, Inc. | Systems and methods for distributed-solar power forecasting using parameter regularization |
CN109829572B (zh) * | 2019-01-14 | 2021-03-12 | 国网江苏省电力有限公司苏州供电分公司 | 雷电气候下的光伏发电功率预测方法 |
CN109886486B (zh) * | 2019-02-18 | 2022-11-29 | 南方电网科学研究院有限责任公司 | 不依赖于设备的云层跟踪技术及小时内辐照度预测方法 |
CN111047076A (zh) * | 2019-11-21 | 2020-04-21 | 国网甘肃省电力公司 | 一种基于葵花8号卫星云图的光伏短期功率预报方法 |
CN111160602A (zh) * | 2019-11-21 | 2020-05-15 | 国网甘肃省电力公司 | 一种基于葵花8号卫星云图的光伏超短期功率预报方法 |
CN111245016B (zh) * | 2020-03-05 | 2020-11-10 | 宁夏宝龙新能源科技有限公司 | 一种新能源光伏发电自稳态输出调整方法及装置 |
CN111489028B (zh) * | 2020-04-09 | 2021-06-08 | 国网江苏省电力有限公司苏州供电分公司 | 基于雷云轨迹跟踪的雷电条件下的光伏功率预测方法 |
CN111815038B (zh) * | 2020-06-24 | 2022-05-13 | 山东大学 | 一种光伏超短期预测方法及系统 |
CN111858707B (zh) * | 2020-07-03 | 2023-01-17 | 国家电网公司华中分部 | 一种基于辐照度特征的雷云轨迹跟踪预测方法 |
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 |
CN112507793B (zh) * | 2020-11-05 | 2023-08-08 | 上海电力大学 | 一种超短期光伏功率预测方法 |
CN112578478B (zh) * | 2021-01-05 | 2021-07-06 | 中国科学院西北生态环境资源研究院 | 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 |
CN112989709B (zh) * | 2021-04-14 | 2021-08-24 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 一种基于地基云图的太阳能资源超短时预报方法 |
CN115759330B (zh) * | 2022-09-29 | 2024-04-09 | 中国大唐集团科学技术研究总院有限公司 | 一种高时间分辨率的光伏发电功率预测方法 |
CN117437230B (zh) * | 2023-12-21 | 2024-04-05 | 山东科技大学 | 基于图像修复的光伏电站功率预测方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102244483A (zh) * | 2011-03-22 | 2011-11-16 | 苏州市思玛特电力科技有限公司 | 基于气象信息的光伏发电有功功率在线评估方法 |
US9336493B2 (en) * | 2011-06-06 | 2016-05-10 | Sas Institute Inc. | Systems and methods for clustering time series data based on forecast distributions |
-
2014
- 2014-04-14 CN CN201410147280.9A patent/CN103971169B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102244483A (zh) * | 2011-03-22 | 2011-11-16 | 苏州市思玛特电力科技有限公司 | 基于气象信息的光伏发电有功功率在线评估方法 |
US9336493B2 (en) * | 2011-06-06 | 2016-05-10 | Sas Institute Inc. | Systems and methods for clustering time series data based on forecast distributions |
Non-Patent Citations (3)
Title |
---|
基于地基云图的光伏功率超短期预测模型;陈志宝等;《电力系统自动化》;20131015;第37卷(第19期);第21-23页第2-6部分 * |
晴空工况光伏超短期功率预报方法;程序等;《可再生能源》;20111231;第29卷(第6期);第143-145页第1部分,及图3-5 * |
考虑云量不确定性的光伏发电功率预测模型;赵书强等;《中国高等学校电力系统及其自动化专业第二十七届学术年会》;20121116;摘要,第2-4部分 * |
Also Published As
Publication number | Publication date |
---|---|
CN103971169A (zh) | 2014-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103971169B (zh) | 一种基于云量模拟的光伏超短期发电功率的预测方法 | |
Sun et al. | Estimating the spatial distribution of solar photovoltaic power generation potential on different types of rural rooftops using a deep learning network applied to satellite images | |
Jung et al. | Digital numerical map-oriented estimation of solar energy potential for site selection of photovoltaic solar panels on national highway slopes | |
CN103942420B (zh) | 一种建筑物尺度的太阳直射辐射能快速估算方法 | |
Li et al. | A pixel-based approach to estimation of solar energy potential on building roofs | |
Kato | Prediction of photovoltaic power generation output and network operation | |
Camargo et al. | Simulation of multi-annual time series of solar photovoltaic power: Is the ERA5-land reanalysis the next big step? | |
CN106779130A (zh) | 一种基于全天空云图的光伏电站辐射预测方法 | |
Chu et al. | A geographic information system-based global variable renewable potential assessment using spatially resolved simulation | |
CN114881399B (zh) | 一种基于gf7遥感影像的光伏发电潜力与经济性评估方法 | |
Nam et al. | A hybrid spatio-temporal forecasting of solar generating resources for grid integration | |
CN114912370B (zh) | 一种建筑物光伏潜力分析可用面积计算方法 | |
Hofierka et al. | The spatial distribution of photovoltaic power plants in relation to solar resource potential: the case of the Czech Republic and Slovakia | |
Zhu et al. | GIScience can facilitate the development of solar cities for energy transition | |
CN106886670A (zh) | 面向城市绿地规划的日照阴影分析方法 | |
CN105005937A (zh) | 一种基于晴空指数的光伏电站出力时序模拟方法 | |
KR20160078920A (ko) | 목표 지점의 일사량 계산 방법 및 장치 | |
Saadaoui et al. | Using GIS and photogrammetry for assessing solar photovoltaic potential on Flat Roofs in urban area case of the city of Ben Guerir/Morocco | |
Liu et al. | A comparison study of the simulation accuracy between WRF and MM5 in simulating local atmospheric circulations over Greater Beijing | |
Liu et al. | Building Chinese wind data for Wind Erosion Prediction System using surrogate US data | |
Liao et al. | Fast and accurate estimation of solar irradiation on building rooftops in Hong Kong: A machine learning-based parameterization approach | |
Ihsan et al. | Comparison of Potential Energy of Solar Radiation in Rooftop Modeling Using Different Building Levels of Detail | |
Kambezidis et al. | Development of a Greek solar map based on solar model estimations | |
CN106126950A (zh) | 一种建筑太阳能评估算法及装置 | |
Bunme et al. | Solar Power Estimation Using GIS Considering Shadow Effects for Distribution System Planning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |