CN106600060A - 基于相似日晴朗系数修正的太阳辐照量预测方法 - Google Patents

Abstract

本发明涉及一种基于相似日晴朗系数修正的太阳辐照量预测方法，本太阳辐照量预测方法包括如下步骤：步骤S1，选取日累计辐照量的影响因素；步骤S2，构建及训练神经网络；以及步骤S3，获得预测日的辐照量的修正值；本发明的基于相似日晴朗系数修正的太阳辐照量预测方法，通过对相似日及预测日太阳辐照数据分析，并通过晴朗系数对预测日太阳辐照量进行修正，提高了太阳辐照量预测的准确度，为光伏电站发电量的预测提供基础。

Description

基于相似日晴朗系数修正的太阳辐照量预测方法

技术领域

本发明涉及一种基于相似日晴朗系数修正的太阳辐照量预测方法，属于光伏发电技术领域。

背景技术

太阳能作为一种可再生能源近年来得到广泛应用，对于已建成的光伏电站，科学的运维和管理是必不可少的，短期的发电量预测是指导合理运维的参考指标。辐照量预测是光伏发电量预测的基础，地表辐照量预测的准确性直接影响光伏发电量的预测精度。因此提升辐照量预测的精度是提高光伏电站发电量预测精度的关键。目前，辐照量的预测主要有物理模型和统计模型，其中统计模型是根据光伏电站现有的运行数据和相关气象信息建立相关数学统计模型，能够更好地根据实际情况拟合历史数据与未来辐照量之间关系。然而，地表辐照量受到环境和气象多方面因素的影响，相互耦合且呈现非线性相关，由于神经网络能够以任意精度逼近任何非线性映射，因此适合描述具有复杂非线性特点的光伏电站地表辐照量的变化，再基于辐照量庞大的礼数数据，利用相似日的特征对预测日进行一定的修正有助于提高光伏电站辐照量预测的准确度，同时为发电量预测作基础。

发明内容

本发明的目的是提供一种基于相似日晴朗系数修正的太阳辐照量预测方法，以提高太阳辐照量预测的准确度，为光伏电站发电量的预测提供基础。

为了解决上述技术问题，本发明提供了一种太阳辐照量预测方法，包括如下步骤：

步骤S1，选取日累计辐照量的影响因素；

步骤S2，构建及训练神经网络；以及

步骤S3，获得预测日的辐照量的修正值。

进一步，所述步骤S1中选取日累计辐照量的影响因素的方法包括：

将天气类型模糊分类成四种类型，收集并处理典型日的历史气象数据，选取天气类型、日照时数、日平均气温、气温日较差、日均总云量、日均水平大气压、日均相对湿度、AQI指数、大气层外日累计辐照量中作为日累计辐照量的影响因素。

进一步，所述步骤S2中构建及训练神经网络的方法包括：

构建BP神经网络，且将各影响因素作为BP神经网络的输入向量，以其所对应的日累计水平面辐照量为输出向量，归一化处理后得到训练样本，对BP神经网络进行训练。

进一步，所述步骤S3中获得预测日的辐照量的修正值的方法包括：

步骤S31，通过BP神经网络获得辐照量初步预测值；

步骤S32，对输入和输出因素的相关性进行回归分析，得出各输入因素的相对贡献率；

步骤S33，遍历历史数据库，得到5组最优相似日；

步骤S34，提取最优相似日对应的晴朗系数和水平面日累计辐射量对初步预测值加权修正，以获得所述修正值。

进一步，步骤S31中通过BP神经网络获得辐照量初步预测值的方法包括：

选取待预测日的预报的天气类型、日照时数、日平均气温、气温日较差、日均总云量、日均水平大气压、日均相对湿度、AQI指数、大气层外日累计辐照量数据作为BP神经网络的输入向量，得到预测日对应的辐照量初步预测值Y，并计算预测日的晴朗系数K_{f_a}；其中，H_{f_0}为预测日的大气层外日累计辐照量。

进一步，所述步骤S32中对输入和输出因素的相关性进行回归分析，得出各输入因素的相对贡献率的方法包括：

对输入和输出因素的相关性进行回归分析，即其中

E_r表示相似日太阳辐照量值；X_i分别表示历史日的天气类型、日照时数、日平均气温、气温日较差、日均总云量、日均水平大气压、日均相对湿度、AQI指数、大气层外日累计辐照量，带入历史数据回归分析即得出各输入因素的系数OI_i，对系数OI_i进行归一化得到相对贡献率RI_i，即

进一步，所述步骤S33中遍历历史数据库，得到5组最优相似日的方法包括：

针对预测日的气象预报数据，以各因素的相对贡献率作为遍历数据库，计算每组历史日与预测日的相似性指标D，选取5组相似性指标D最小的历史日最为最优相似日集，即

进一步，所述步骤S34中提取最优相似日对应的晴朗系数和水平面日累计辐射量对初步预测值加权修正，以获得所述修正值的方法包括：

步骤S341，提取最优相似日集中每个相似日的晴朗系数k_{r_a}和水平面日累计辐照量H_ref，即

H_ref＝[H_ref1,H_ref2,H_ref3,H_ref4,H_ref5]；

K_{r_a}＝[K_{r_a1},K_{r_a2},K_{r_a3},K_{r_a4},K_{r_a5}]；

步骤S342，计算相似日参考值权重系数Kr；

其中K_type为相似日与预测日间的天气类型修正系数，即相似日与预测日间天气类型的相似程度；

步骤S342，对预测日和相似日权重系数进行归一化；

其中，K_{f_N}为归一化后预测日的权重系数，K_f＝1为预测值权重系数，K_{r_N}为归一化后相似日的权重系数；

步骤S343，加权修正，得到一组辐照量修正值Y_mod，每一组相似日均可得到一个修正值Y_mod，求五个Y_mod的平均值即为步骤S3中所述修正值，且定义为Y_mod’。

Y_mod＝K_{f_N}·Y+K_{r_N}·H_ref；

Y_mod'＝(Y_mod1+Y_mod2+Y_mod3+Y_mod4+Y_mod5)/5。

进一步，将天气类型模糊分类成四种类型，即

天气类型一包括：中雨、小到中雨、小到中雪、雷阵雨伴有冰雹、雨夹雪、阵雪大雨、雷雨大雨、暴雨、大暴雨、中到大暴雨、暴雨到大暴雨、大暴雨到特大暴雨、特大暴雨、中雪、大雪、暴雪、中到大雪、大到暴雪、沙尘暴；

天气类型二包括：阵雨、雷阵雨、小雨、小雪、冻雨、多云间阵雨或雷雨、阴间雷雨；

天气类型三包括：多云、多云间阴、阴间多云、阴、雾；

天气类型四包括：晴、晴间多云、多云间晴；以及

所述相似日与预测日间的天气类型修正系数K_type分别如下：

相似日与预测日为天气类型一和天气类型二之间的修正系数K_type1；

相似日与预测日为天气类型二和天气类型三之间的修正系数K_type2；

相似日与预测日为天气类型三和天气类型四之间的修正系数K_type3；并且

相同天气类型之间对应的修正系数K_type＝1，其它各修正系数通过各对应天气类型与太阳辐照量的相关性分析得出。

本发明的有益效果是，本发明的基于相似日晴朗系数修正的太阳辐照量预测方法，通过对相似日及预测日太阳辐照数据分析，并通过晴朗系数对预测日太阳辐照量进行修正，提高了太阳辐照量预测的准确度，为光伏电站发电量的预测提供基础。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1是基于相似日修正的光伏电站辐照量预测方法的流程图；

图2是BP神经网络的拓扑结构；

图3是预测日的辐照量的修正流程图。

具体实施方式

现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。

如图1所示，本实施例提供了一种太阳辐照量预测方法，包括如下步骤：

步骤S1，选取日累计辐照量的影响因素；

步骤S2，构建及训练神经网络；以及

步骤S3，获得预测日的辐照量的修正值。

所述步骤S1中选取日累计辐照量的影响因素的方法包括：

将天气类型模糊分类成四种类型，收集并处理典型日的历史气象数据，选取天气类型、日照时数、日平均气温、气温日较差、日均总云量、日均水平大气压、日均相对湿度、AQI指数、大气层外日累计辐照量中作为日累计辐照量的影响因素。

其中将天气类型模糊分类成四种类型，即天气类型一包括：中雨、小到中雨、小到中雪、雷阵雨伴有冰雹、雨夹雪、阵雪大雨、雷雨大雨、暴雨、大暴雨、中到大暴雨、暴雨到大暴雨、大暴雨到特大暴雨、特大暴雨、中雪、大雪、暴雪、中到大雪、大到暴雪、沙尘暴；天气类型二包括：阵雨、雷阵雨、小雨、小雪、冻雨、多云间阵雨或雷雨、阴间雷雨；天气类型三包括：多云、多云间阴、阴间多云、阴、雾；天气类型四包括：晴、晴间多云、多云间晴。

可选的，所述步骤S2中构建及训练神经网络的方法包括：构建BP神经网络，且将各影响因素作为BP神经网络的输入向量，以其所对应的日累计水平面辐照量为输出向量，归一化处理后得到训练样本，对BP神经网络进行训练。

具体的，所述步骤S3中获得预测日的辐照量的修正值的方法包括：

步骤S31，通过BP神经网络获得辐照量初步预测值；

步骤S32，对输入和输出因素的相关性进行回归分析，得出各输入因素的相对贡献率；

步骤S33，遍历历史数据库，得到5组最优相似日；

步骤S34，提取最优相似日对应的晴朗系数和水平面日累计辐射量对初步预测值加权修正，以获得所述修正值。

进一步，步骤S31中通过BP神经网络获得辐照量初步预测值的方法包括：

选取待预测日的预报的天气类型、日照时数、日平均气温、气温日较差、日均总云量、日均水平大气压、日均相对湿度、AQI指数、大气层外日累计辐照量数据作为BP神经网络的输入向量，得到预测日对应的辐照量初步预测值Y，并计算预测日的晴朗系数K_{f_a}；其中，H_{f_0}为预测日的大气层外日累计辐照量。

进一步，所述步骤S32中对输入和输出因素的相关性进行回归分析，得出各输入因素的相对贡献率的方法包括：

对输入和输出因素的相关性进行回归分析，即其中

E_r表示相似日太阳辐照量值；X_i分别表示历史日的天气类型、日照时数、日平均气温、气温日较差、日均总云量、日均水平大气压、日均相对湿度、AQI指数、大气层外日累计辐照量，带入历史数据回归分析即得出各输入因素的系数OI_i，对系数OI_i进行归一化得到相对贡献率RI_i，即

进一步，所述步骤S33中遍历历史数据库，得到5组最优相似日的方法包括：

针对预测日的气象预报数据，以各因素的相对贡献率作为遍历数据库，计算每组历史日与预测日的相似性指标D，选取5组相似性指标D最小的历史日最为最优相似日集，即

进一步，所述步骤S34中提取最优相似日对应的晴朗系数和水平面日累计辐射量对初步预测值加权修正，以获得所述修正值的方法包括：

步骤S341，提取最优相似日集中每个相似日的晴朗系数k_{r_a}和水平面日累计辐照量H_ref，晴朗系数为水平面辐照量与大气层外辐照量的比值。

H_ref＝[H_ref1,H_ref2,H_ref3,H_ref4,H_ref5]；

K_{r_a}＝[K_{r_a1},K_{r_a2},K_{r_a3},K_{r_a4},K_{r_a5}]；

步骤S342，计算相似日参考值权重系数K_r；

其中K_type为相似日与预测日间的天气类型修正系数，即相似日与预测日间天气类型的相似程度；

所述相似日与预测日间的天气类型修正系数K_type分别如下：

相似日与预测日为天气类型一和天气类型二之间的修正系数K_type1；

相似日与预测日为天气类型二和天气类型三之间的修正系数K_type2；

相似日与预测日为天气类型三和天气类型四之间的修正系数K_type3；并且

相同天气类型之间对应的修正系数K_type＝1，其它各修正系数通过各对应天气类型与太阳辐照量的相关性分析得出。

步骤S342，对预测日和相似日权重系数进行归一化；

其中，K_{f_N}为归一化后预测日的权重系数，K_f＝1为预测值权重系数，K_{r_N}为归一化后相似日的权重系数；

步骤S343，加权修正，得到一组辐照量修正值Y_mod，每一组相似日均可得到一个修正值Y_mod，求五个Y_mod的平均值即为步骤S3中所述修正值，且定义为Y_mod’。

Y_mod＝K_{f_N}·Y+K_{r_N}·H_ref；

Y_mod'＝(Y_mod1+Y_mod2+Y_mod3+Y_mod4+Y_mod5)/5。

下面具体数据对本发明的步骤进行完整、清楚地描述。以预测某光伏电站2015年10月11日辐照量为例，本发明所述方法具体如下：

将天气类型模糊分类成4种类型，分别为天气类型四、天气类型三、天气类型二、天气类型一，收集并处理2014年4月至2015年9月的历史气象数据，选取天气类型、日照时数、日平均气温、气温日较差、日均总云量、日均水平大气压、日均相对湿度、AQI指数、大气层外日累计辐照量作为影响日累计辐照量的影响因素。

以上述因素中的4种天气类型分别建模，以日照时数、日平均气温、气温日较差、日均总云量、日均水平大气压、日均相对湿度、AQI指数、大气层外日累计辐照量作为BP神经网络的输入向量，以其所对应的日累计水平面辐照量为输出向量，归一化处理后得到训练样本，对BP神经网络进行训练；

选取待预测日2015年10月11日预报的天气类型、日照时数、日平均气温、气温日较差、日均总云量、日均水平大气压、日均相对湿度、AQI指数、大气层外日累计辐照量数据作为测试输入向量：

[11,16,10,0.37,765.5875,57.625,80,27.6361]

输入已训练好的BP神经网络，得到预测日的辐照量的初步预测值Y为18.24，实测值为16.8010，初步预测误差为-7.89％

计算预测日的晴朗系数K_{f_a}

其中，H_{f_0}为预测日的大气层外日累计辐照量。

利用历史数据，对输入和输出因素的相关性进行回归分析，

其中，E_r表示相似日太阳辐照量值；Xi分别为历史日的天气类型、日照时数、日平均气温、气温日较差、日均总云量、日均水平大气压、日均相对湿度、AQI指数、大气层外日累计辐照量，带入历史数据回归分析即得出各输入因子的系数OI_i，对OI_i进行归一化得到相对贡献率RI_i，计算结果如下表所示：

针对预测日的气象预报数据，以各因素的相对贡献率作为遍历数据库，计算每组历史日与预测日的相似性指标D，选取5组D最小的历史日最为最优相似日集

得到最优相似日集为

提取最优相似日集中每个相似日的晴朗系数k_{r_a}和水平面日累计辐照量

H_ref，晴朗系数为水平面辐照量与大气层外辐照量的比值。

H_ref＝[16.826,17.239,15.14,17.723,17.127]

K_{r_a}＝[0.6223,0.6329,0.5642,0.6189,0.6024]

计算相似日权重系数Kr

其中K_type为相似日之间天气类型的修正系数；

天气类型一和天气类型二之间对应的修正系数K_type＝0.608；

天气类型二和天气类型三之间对应的修正系数K_type＝0.556；

天气类型三和天气类型四之间对应的修正系数K_type＝0.727；并且

相同天气类型之间对应的修正系数K_type＝1，上述各修正系数通过各对应天气类型与太阳辐照量的相关性分析得出。

得到最优相似日集的权重系数为

K_r＝[0.9429,0.9590,0.8548,0.9377,0.9127]

对预测日和相似日权重系数进行归一化

得到权重系数如下：

其中，K_{f_N}为归一化后预测日的权重系数，K_f＝1为预测值权重系数，K_{r_N}为归一化后相似日的权重系数。

加权修正，得到一组辐照量修正值Y_mod，每一组相似日均可得到一个修正值Y_mod，求五个Y_mod的平均值即为最终修正值Y_mod’。

Y_mod＝K_{f_N}·Y+K_{r_N}·H_ref

Y_mod＝[17.5528,17.750,16.8114,17.9898,17.7089]

Y_mod'＝(Y_mod1+Y_mod2+Y_mod3+Y_mod4+Y_mod5)/5

＝17.5628

修正后误差为-3.71％，误差由原来的-7.89％减小为-3.71％，提高了辐照量的预测精度，为光伏电站发电量的预测奠定了基础。

本发明提供的一种基于相似日晴朗系数修正的太阳辐照量预测方法，通过对相似日及预测日太阳辐照数据分析，并通过晴朗系数对预测日太阳辐照量进行修正，提高了太阳辐照量预测的准确度，为光伏电站发电量的预测提供基础。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (9)

1.一种太阳辐照量预测方法，其特征在于，包括如下步骤：

步骤S1，选取日累计辐照量的影响因素；

步骤S2，构建及训练神经网络；以及

步骤S3，获得预测日的辐照量的修正值。

2.根据权利要求1所述的太阳辐照量预测方法，其特征在于，

所述步骤S1中选取日累计辐照量的影响因素的方法包括：

将天气类型模糊分类成四种类型，收集并处理典型日的历史气象数据，选取天气类型、日照时数、日平均气温、气温日较差、日均总云量、日均水平大气压、日均相对湿度、AQI指数、大气层外日累计辐照量中作为日累计辐照量的影响因素。

3.根据权利要求2所述的太阳辐照量预测方法，其特征在于，

所述步骤S2中构建及训练神经网络的方法包括：

构建BP神经网络，且将各影响因素作为BP神经网络的输入向量，以其所对应的日累计水平面辐照量为输出向量，归一化处理后得到训练样本，对BP神经网络进行训练。

4.根据权利要求3所述的太阳辐照量预测方法，其特征在于，

所述步骤S3中获得预测日的辐照量的修正值的方法包括：

步骤S31，通过BP神经网络获得辐照量初步预测值；

步骤S32，对输入和输出因素的相关性进行回归分析，得出各输入因素的相对贡献率；

步骤S33，遍历历史数据库，得到5组最优相似日；

步骤S34，提取最优相似日对应的晴朗系数和水平面日累计辐射量对初步预测值加权修正，以获得所述修正值。

5.根据权利要求4所述的太阳辐照量预测方法，其特征在于，

步骤S31中通过BP神经网络获得辐照量初步预测值的方法包括：

选取待预测日的预报的天气类型、日照时数、日平均气温、气温日较差、日均总云量、日均水平大气压、日均相对湿度、AQI指数、大气层外日累计辐照量数据作为BP神经网络的输入向量，得到预测日对应的辐照量初步预测值Y，并计算预测日的晴朗系数K_{f_a}；

其中，H_{f_0}为预测日的大气层外日累计辐照量。

6.根据权利要求5所述的太阳辐照量预测方法，其特征在于，

所述步骤S32中对输入和输出因素的相关性进行回归分析，得出各输入因素的相对贡献率的方法包括：

对输入和输出因素的相关性进行回归分析，即

其中

E_r表示相似日太阳辐照量值；X_i分别表示历史日的天气类型、日照时数、日平均气温、气温日较差、日均总云量、日均水平大气压、日均相对湿度、AQI指数、大气层外日累计辐照量，带入历史数据回归分析即得出各输入因素的系数OI_i，对系数OI_i进行归一化得到相对贡献率RI_i，即

${\mathrm{RI}}_i=\frac{\left|{\mathrm{OI}}_i\right|}{\underset{i=1}{\overset{i=9}{\Σ}}\left|{\mathrm{OI}}_i\right|}.$

7.根据权利要求6所述的太阳辐照量预测方法，其特征在于，

所述步骤S33中遍历历史数据库，得到5组最优相似日的方法包括：

针对预测日的气象预报数据，以各因素的相对贡献率作为遍历数据库，计算每组历史日与预测日的相似性指标D，选取5组相似性指标D最小的历史日最为最优相似日集，即

$D_{\left(i\right)}=\underset{i=1}{\overset{9}{\Σ}}{\mathrm{RI}}_{\left(i\right)}|X_{f\left(i\right)}-X_{r\left(i\right)}|.$

8.根据权利要求7所述的太阳辐照量预测方法，其特征在于，

所述步骤S34中提取最优相似日对应的晴朗系数和水平面日累计辐射量对初步预测值加权修正，以获得所述修正值的方法包括：

步骤S341，提取最优相似日集中每个相似日的晴朗系数K_{r_a}和水平面日累计辐照量H_ref，即

H_ref＝[H_ref1,H_ref2,H_ref3,H_ref4,H_ref5]；

K_{r_a}＝[K_{r_a1},K_{r_a2},K_{r_a3},K_{r_a4},K_{r_a5}]；

步骤S342，计算相似日参考值权重系数K_r

$K_r=K_{type}\·\frac{min\{K_{f\_a},K_{r\_a}\}}{max\{K_{f\_a},K_{r\_a}\}}$

其中K_type为相似日与预测日间的天气类型修正系数，即相似日与预测日间天气；

步骤S342，对预测日和相似日权重系数进行归一化；

其中，K_{f_N}为归一化后预测日的权重系数，K_f＝1为预测值权重系数，K_{r_N}为归一化后相似日的权重系数；

步骤S343，加权修正，得到一组辐照量修正值Y_mod，每一组相似日均可得到一个修正值Y_mod，求五个Y_mod的平均值即为步骤S3中所述修正值，且定义为Y_mod’。

Y_mod＝K_{f_N}·Y+K_{r_N}·H_ref；

Y_mod'＝(Y_mod1+Y_mod2+Y_mod3+Y_mod4+Y_mod5)/5。

9.根据权利要求8所述的太阳辐照量预测方法，其特征在于，

将天气类型模糊分类成四种类型，即

天气类型一包括：中雨、小到中雨、小到中雪、雷阵雨伴有冰雹、雨夹雪、阵雪大雨、雷雨大雨、暴雨、大暴雨、中到大暴雨、暴雨到大暴雨、大暴雨到特大暴雨、特大暴雨、中雪、大雪、暴雪、中到大雪、大到暴雪、沙尘暴；

天气类型二包括：阵雨、雷阵雨、小雨、小雪、冻雨、多云间阵雨或雷雨、阴间雷雨；

天气类型三包括：多云、多云间阴、阴间多云、阴、雾；

天气类型四包括：晴、晴间多云、多云间晴；以及

所述相似日与预测日间的天气类型修正系数K_type分别如下：

相似日与预测日为天气类型一和天气类型二之间的修正系数K_type1；

相似日与预测日为天气类型二和天气类型三之间的修正系数K_type2；

相似日与预测日为天气类型三和天气类型四之间的修正系数K_type3；并且相似日与预测日天气类型相同之间的修正系数K_type＝1，其它各修正系数通过各对应天气类型与太阳辐照量的相关性分析得出。