CN108388956B - 考虑辐射衰减的光伏功率预测方法 - Google Patents
考虑辐射衰减的光伏功率预测方法 Download PDFInfo
- Publication number
- CN108388956B CN108388956B CN201810047788.XA CN201810047788A CN108388956B CN 108388956 B CN108388956 B CN 108388956B CN 201810047788 A CN201810047788 A CN 201810047788A CN 108388956 B CN108388956 B CN 108388956B
- Authority
- CN
- China
- Prior art keywords
- prediction
- surface radiation
- radiation
- photovoltaic power
- value
- 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.)
- Expired - Fee Related
Links
- 230000005855 radiation Effects 0.000 title claims abstract description 145
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 18
- 230000007704 transition Effects 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 9
- 238000003066 decision tree Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 2
- 238000010248 power generation Methods 0.000 abstract description 8
- 230000008569 process Effects 0.000 abstract description 7
- 238000010191 image analysis Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000000443 aerosol Substances 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010200 validation analysis Methods 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明涉及光伏发电领域技术领域，尤其涉及一种考虑辐射衰减的光伏功率超短期预测方法，包括：采用间接预测的方法，训练得到晴天地表辐射预测模型；根据得到的晴天地表辐射预测模型，获得历史中每日地表辐射的衰减系数，根据该衰减系数建立地表辐射衰减系数的预测模型，建立云遮系数预测模型；将历史真实地表辐射和温度、湿度作为气象因素的输入，将光伏功率作为输出，训练得到光伏功率预测模型；将地表辐射的预测值作为地表辐射值的输入，将天气预报的气象数据作为气象因素的输入，利用光伏功率预测模型预测光伏发电功率。本发明提出的方法能够降低云对预测精度的影响程度；本发明提出的方法省去了图像分析处理的过程，算法更加简单高效。
Description
技术领域
本发明涉及光伏发电技术领域，尤其涉及一种考虑辐射衰减的光伏功率预测方法。
背景技术
由于受天气等因素的影响，光伏发电功率曲线具有一定的随机性和波动性。随着大规模光伏并入电网，其发电功率的不确定性给电网的安全稳定运行造成了巨大冲击。精确的光伏功率预测，能够为电网调度提供有效支持，保障电网的安全和稳定。
近年来，出现利用数值天气预报并结合支持向量机和神经网络等机器学习算法建模进行光伏功率预测的方法。但是由于地表太阳辐射受云的运动和变化影响，导致光伏功率曲线的波动。而传统预测方法没有考虑云对太阳辐射及光伏功率输出的影响，导致此种方法的预测结果无法适用于多种天气类型，尤其对功率变化曲线波动较大的预测误差较大。
目前，国内外大部分考虑云的影响的超短期功率预测中都直接或间接地利用了云图信息。然而在利用卫星云图和天气预报信息的方法中，所获取的云量信息的覆盖面积较大，不能反映光伏电站所在区域的云遮挡信息，因此适合短期功率预测，而不适合超短期功率预测。
发明内容
针对上述问题，本发明提出了一种考虑辐射衰减的光伏功率预测方法，包括：
步骤1：采用间接预测的方法，结合地表辐射的衰减程度和曲线波动情况将历史每日地表辐射分为无云天气和有云天气，利用无云天气的地表辐射历史数据，训练得到晴天地表辐射预测模型；
步骤2：根据步骤1得到的晴天地表辐射预测模型，得到有云天气的晴天预测地表辐射，再与有云天气的真实地表辐射进行对比获得历史云遮系数数据，根据该数据训练得到云遮系数预测模型；
步骤3：将历史真实地表辐射和温度、湿度作为气象因素的输入，将光伏功率作为输出，训练得到光伏功率预测模型；
步骤4：利用晴天地表辐射模型获得全天的晴天地表辐射值，再利用预测时刻前的真实地表辐射值获得预测时刻前的云遮系数，利用该云遮系数序列数据和云遮系数预测模型预测未来时刻的云遮系数，对晴天地表辐射预测结果进行修正，获得地表辐射预测结果，光伏功率预测部分中，将各预测时刻的地表辐射预测值和数值天气预报预测值带入光伏功率预测模型，获得最终的光伏功率预测值。
所述步骤1具体包括：晴天判别条件type为：
其中，N为样本取值点个数；Xi为第i个地外辐射值；xi为第i个地表辐射值；Nv为地表辐射曲线中谷值点个数；α为地表辐射相对于地外辐射的整体衰减率，0≤α≤1；m为最大谷值点个数的阈值，
其中，L为局部极小值点个数；Nl为局部极小值点，
为第i个局部最小值；
为第i个局部最大值；
为第i+1个局部最大值；Nh为局部极大值点；β为判断极小值点是否为谷值点的阈值；dist(x,y)为两点之间的欧式距离；I(·)和J(·)为指示函数，同时满足所有条件则为1，否则为0，
通过调节α、m和β的值来判别天气类型，将一天分为上午、中午和下午三个时间段，以地外太阳辐射值、日期、时刻和时间段作为输入，以晴天地表太阳辐射作为输出，采用支持向量回归机算法ε-SVR建立晴天地表辐射预测模型，采用径向基函数RBF作为核函数，利用序列最小最优化算法SMO优化参数，训练得到晴天地表辐射预测模型。
所述步骤1具体还包括：上午为7:00到11:00，中午为11:00到14:00，,下午为14:00到19:00。
所述步骤2具体包括：云遮系数的表达式为：
其中，ρ为云遮系数；xh为假设晴天的地表辐射值；xt为真实地表辐射值，采用多尺度加权平均马尔可夫链模型，将多个时间跨度作为上一状态，假设取值点时间间隔为Δt，并且有k个模型，则各个模型训练数据取值间隔分别为Δt，2Δt，…，kΔt，
假设预测时刻为T，第一个模型利用T-Δt时刻的数据作为上一时刻，第二个模型利用T-2Δt作为上一时刻，分别利用各自模型的状态转移矩阵，计算预测时刻T的状态，状态转移概率P(i)为第i个模型的权值，模型递归衰减率为δ(i)，对个模型预测结果求加权平均，如公式(4)所示，根据历史云遮系数数据，获得K个不同时间跨度的状态转移矩阵，然后利用前K个时刻对应的状态转移矩阵获得对应的转移状态Xt-i，(i＝1,2,…,K)，
将最大转移概率P作为权值，利用公式(4)求滑动平均，获得下一时刻的状态，
其中，δ∈(0,1]为滑动衰减率；p(i)为t-i时刻状态为xt-i的最大转移概率；x(i)为转移状态；round(·)为取整；
将云遮系数ρ的取值范围0～1分别映射到1～15的整数后作为马尔科夫链模型的状态划分，根据云遮系数历史数据统计出K为6时的间隔尺度的状态转移矩阵,其中时间间隔为15min，对数据集的晴天和多云天气条件下各时刻进行预测。
所述步骤3具体包括：采用梯度提升决策树GBDT算法构建光伏功率的预测模型。
所述步骤4具体包括：预测时，将地表辐射预测模型修正后的太阳辐射预测值和预测时刻的数值天气预报的温度、湿度和风速作为输入带入光伏功率预测模型，获得最终的功率预测值。
有益效果：
本发明综合考虑预测精度和预测成本问题，提出根据地表辐射的历史数据训练模型，获得地表辐射衰减系数的预测值来修正地表辐射的预测值，从而达到提高光伏功率的预测效果。与不考虑云的影响的功率预测相比，本发明提出的方法能够降低云对预测精度的影响程度；与采用卫星云图和地基云图的预测方法相比，本发明提出的方法省去了图像分析处理的过程，算法更加简单高效，本发明的预测性能整体上优于不考虑云对地表辐射变化的影响的预测方法。
附图说明
图1为本发明的方法流程图；
图2为光伏功率与气象因素散点图；
图3为不同云量的太阳辐射对比示意图；
图4为本发明实施例1的云遮系数预测示意图；
图5为本发明实施例1的晴天地表辐射预测结果示意图；
图6为本发明实施例1的不同状态划分的预测误差示意图；
图7为本发明实施例1的晴天功率预测结果示意图；
图8为本发明实施例1的多云天气功率预测结果示意图。
具体实施方式
下面结合附图，对实施例作详细说明。
实施例1
实施例1的实验数据来自学校发电研发(实验)中心屋顶光伏电站，海拔高度为260m，装机容量为10kw，配置高分辨率气象站，实时采集2015年全年的太阳辐射、温度、湿度和风速数据，数据采集的时间分辨率为15min/次。
本发明算法的流程如图1所示，在训练过程中，首先针对历史地外、地表辐射值进行天气类型判别，获取晴天数据，再以地外太阳辐射值、日期、时刻和时间段作为输入建立SVR晴天地表辐射预测引擎；将相对晴天地表辐射的衰减程度作为云遮系数，利用晴天地表辐射预测引擎得到其他天气的假设为晴天的地表辐射，结合真实地表辐射计算出每一时刻的云遮系数，将云遮系数离散化后映射到若干状态，应用马尔科夫模型建立云遮系数预测引擎；最后利用历史地表辐射、温度和湿度作为输入建立GBDT功率预测引擎。
在预测过程中，首先通过晴天地表辐射预测模型得到预测时刻和前N个时刻的晴天地表辐射，与真实地表辐射对比获得前N个时刻的云遮系数，通过前N个时刻的云遮系数判断当前是否为晴天，如果是晴天，即前N个时刻的云遮系数全为0，则当前预测的晴天地表辐射为最终的地表辐射预测值；如果不是晴天，先通过云遮系数预测模型获得预测时刻的云遮系数，然后用云遮系数来修正预测时刻的晴天地表辐射值，获得最终的地表辐射预测值；最后，将地表辐射预测值、环境湿度和温度作为输入，利用功率预测引擎获得光伏超短期功率预测值。
图2是光伏发电功率与不同影响因素的散点图和对应的Pearson相关系数。由图可知，光伏发电功率只与地表辐射呈现高度正向关联，而与其他因素相关性均较弱，因此，地表辐射是影响光伏发电的主要因素。地表辐射由太阳辐射和大气中的遮挡物等因素决定，太阳通过辐射将能量传递至地球，到达地球大气层表面的太阳辐射(地外辐射)随着季节和时间的变化而周期性的变化，可准确计算。地外辐射在穿越大气层的传播过程中，由于受到云、气溶胶和空气杂质等物质的遮挡，而造成地表辐射有所损失。
图3是晴天、有云和多云天气的太阳辐射对比结果，由于日期接近所以地外辐射基本相同，但遮挡物的存在导致地表辐射产生了不同的衰减。然而，针对局部云量、气溶胶和空气杂质等遮挡物的测量不便，即使通过卫星云图和地基云图也无法预测云的准确信息，并且同一云量对应的地表辐射衰减程度存在较大的随机性，这使得直接通过云量预测地表辐射难度较大。
光伏功率除了受到气象因素的影响外，还受到地理环境、气候因素、电气转换率和人为操作等因素的影响。对于超短期功率预测来说，由于天气的变化使得太阳能到达地面的辐射量实时变化，导致光伏的输出功率在短时间内产生较大波动，因此气象因素是导致功率波动的主要原因，而其他因素对于固定区域和较短时间间隔的超短期功率预测来说，影响因素不明显且比较复杂。
为了应用云遮系数预测模型，需要计算历史时刻的云遮系数，这要求能够获得任一时刻假设为晴天时的地表辐射。因此，首先对历史数据进行判别，提取其中的晴天数据，然后应用ε-SVR模型得到其他类型天气假设为晴天时的地表辐射值。
由图2可以看出，相对晴天地表辐射而言，有云和多云天气的地表辐射都产生了一定程度的衰减，不同的是有云天气的地表辐射呈现不规律的波动曲线，而多云天气则有时波动较大，有时相对平稳，但整体辐射值较低。基于此规律，结合地表辐射的衰减程度和曲线波动情况，给出晴天判别条件，如式(1)所示。
其中，N为取值总个数；Xi为第i个地外辐射值；xi为第i个地表辐射值；Nv为地表辐射曲线中谷值点个数；α为地表辐射相对于地外辐射的整体衰减率，0≤α≤1；m为最大谷值点个数的阈值，
其中，L为局部极小值点个数；Nl为局部极小值点，
为第i个局部最小值；
为第i个局部最大值；
为第i+1个局部最大值；Nh为局部极大值点；β为判断极小值点是否为谷值点的阈值；dist(x,y)为两点之间的欧式距离；I(·)和J(·)为指示函数，同时满足所有条件则为1，否则为0，
通过调节参数α，m和β的值来判别天气类型，其中α∈(0,1)表示地表辐射相对于地外辐射的整体衰减率；m为最大谷值点个数的阈值；β为判断极小值点是否为谷值点的阈值。
本发明提出的方法将一天分为上午(7:00～11:00)、中午(11:00～14:00)和下午(14:00～19:00)三个时间段，以地外太阳辐射值、日期、时刻和时间段作为输入，以晴天地表太阳辐射作为输出，采用占一支持向量回归机算法ε-SVR建立晴天地表辐射预测模型，采用径向基函数RBF作为核函数，并利用序列最小最优化(SMO)算法优化参数来训练模型，利用预测模型得出其他类型天气的假设为晴天时的地表辐射值。
在晴天地表辐射预测模型中，将晴天数据集划分为10份，随机从中选择7份作为训练数据集，剩余的3份作为验证数据集进行交叉验证。经过反复实验，最终实验结果表明：当C＝205,ε＝0.0001时模型对验证集的平均绝对误差最低，为3.76％。图5为某日晴天地表辐射预测值与真实值对比。
在获得非晴天类型天气不同时刻的晴天地表辐射值的基础上，云遮系数的定义如公式(3)所示，
其中，xh为假设晴天的地表辐射值，xt为真实地表辐射值。
由式(3)可知，云遮系数在[0,1)区间内是连续的，晴天时ρ接近0，而随着云量增多ρ随之增加，但是在给定云量条件下ρ值具有一定的随机性。
本发明将云遮系数离散为若干状态，为了避免单一模型造成预测准确性降低的情况，在预测系数预测时使用多尺度加权平均马尔科夫链模型。采用多个时间跨度作为上一状态，如图4所示，其中上半部分Δt为时间跨度，当前时刻为t，实心圆代表历史云遮状态，空心圆代表预测时刻的状态，每一行代表一个状态转移矩阵。下半部分St-i表示时间跨度为i的状态转移矩阵，(i＝1,2,…,K)，Xt-i为第i个转移矩阵的转移状态。
根据历史云遮系数数据，获得K个不同时间跨度的状态转移矩阵，然后利用前K个时刻对应的状态转移矩阵获得对应的转移状态Xt-i，(i＝1,2,…,K)。将最大转移概率P作为权值，利用公式(4)求滑动平均，获得下一时刻的状态。
其中，δ∈(0,1]为滑动衰减率，一般取值0.95，p(i)为t-i时刻状态为xt-i的最大转移概率，x(i)为转移状态，round(·)为四舍五入取整。
在云遮系数预测模型中，由于日出和日落时的太阳辐射值较小，计算云遮系数的误差较大，因此在云遮系数预测时不考虑地表辐射值较小的情况。
本发明提出的方法将云遮系数ρ的取值范围0～1分别映射到1～5、1～10、1～15和1～20的整数后作为马尔科夫链模型的状态划分，根据云遮系数历史数据统计出K∈{1,2,4,6,8}的不同间隔尺度的状态转移矩阵,其中时间间隔为15min，对数据集的晴天和多云天气条件下各时刻进行预测。
实验结果表明，平均误差随着K值增大而先减小后增大且当K＝4时误差最小。图6为K＝4时不同状态划分的平均预测误差。根据实验结果可知，云遮系数映射到1～10且K取4时预测效果最好。
梯度提升决策树(GBDT)是一种迭代的决策树组合算法，该算法由多个决策树组成。在GBDT算法的迭代过程中，假设本轮迭代得到的强学习器fk-1(x)，损失函数L(y,fk-1(x))，下一次迭代的目标就是学习一个CART回归树模型作为弱学习器hk(x)，使得损失函数L(y,fk(x)＝L(y,fk-1(x)+hk(x))最小。
提升树利用加法模型与前向分步算法实现学习的优化过程，当损失函数是平方损失和指数损失函数时优化较简单，但对于一般损失函数，优化比较困难，针对这一问题，Freidman提出了梯度提升算法，利用损失函数的负梯度在当前模型的值作为残差的近似值，拟合一个回归树。负梯度的计算如式(5)所示。
通过多次迭代学习多个弱学习器，然后将这些弱学习器组合，就能得到一个强分类器F(x)＝f0(x)+α1f1(x)+…+αKfK(x)，其中α为弱学习器模型的参数。
本发明利用GBDT算法构建光伏功率的预测模型，根据光伏功率的影响因素分析，训练时，将历史数据中各个时刻的地表太阳辐射值、温度和湿度作为模型的输入，光伏功率作为模型的输出，构建输入输出对
其中m为样本数量，通过训练GBDT模型获得K个CART决策树。预测时，将地表辐射预测模型修正后的太阳辐射预测值和预测时刻的数值天气预报的温度、湿度和风速作为输入带入功率预测模型，获得最终的功率预测值。
在光伏功率预测中，将未来2h的地表辐射预测值和数值天气预报信息带入功率预测模型对未来2h的功率进行预测。
GBDT模型的主要参数包括：最大迭代次数(决策树个数)n、学习率α，以及CART回归树相应参数：最大深度max_depth和划分的最小样本数min_samples等。模型训练时通过网格搜索的方式寻找最优参数。实验结果表明当参数为(n＝60,α＝0.1,max_depth＝5,min_samples＝300)时预测效果较好。图7和图8分别为6月9日(晴天)和6月10日(多云)每隔2h预测一次的预测结果。由图7可以看出，无云状态预测精度较高，而在15：30至17：00之间有短时云遮挡时预测效果；由图8可以看出，在9：00刚开始有云时预测精度不佳且功率衰减比较滞后，而随着有云遮挡的时刻数量增加，预测精度逐步提高。
此实施例仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
Claims (5)
1.考虑辐射衰减的光伏功率预测方法，其特征在于，包括：
步骤1：采用间接预测的方法，结合地表辐射的衰减程度和曲线波动情况将历史每日地表辐射分为无云天气和有云天气，利用无云天气的地表辐射历史数据，训练得到晴天地表辐射预测模型；
步骤2：根据步骤1得到的晴天地表辐射预测模型，得到有云天气的晴天预测地表辐射，再与有云天气的真实地表辐射进行对比获得历史云遮系数数据，根据该数据训练得到云遮系数预测模型；
所述步骤2具体包括：云遮系数的表达式为：
其中，ρ为云遮系数；xh为假设晴天的地表辐射值；xt为真实地表辐射值，
采用多尺度加权平均马尔可夫链模型，将多个时间跨度作为上一状态，假设取值点时间间隔为Δt，并且有k个模型，则各个模型训练数据取值间隔分别为Δt，2Δt，…，kΔt，
假设预测时刻为T，第一个模型利用T-Δt时刻的数据作为上一时刻，第二个模型利用T-2Δt作为上一时刻，分别利用各自模型的状态转移矩阵，计算预测时刻T的状态，状态转移概率P(i)为第i个模型的权值，模型递归衰减率为δ(i)，对个模型预测结果求加权平均，如公式(4)所示，根据历史云遮系数数据，获得K个不同时间跨度的状态转移矩阵，然后利用前K个时刻对应的状态转移矩阵获得对应的转移状态Xt-i，(i＝1,2,…,K)，
将最大转移概率P作为权值，利用公式(4)求滑动平均，获得下一时刻的状态，
其中，δ∈(0,1]为滑动衰减率；p(i)为t-i时刻状态为xt-i的最大转移概率；x(i)为转移状态；round(·)为取整；
将云遮系数ρ的取值范围0～1分别映射到1～15的整数后作为马尔科夫链模型的状态划分，根据云遮系数历史数据统计出K为6时的间隔尺度的状态转移矩阵,其中时间间隔为15min，对数据集的晴天和多云天气条件下各时刻进行预测；
步骤3：将历史真实地表辐射和温度、湿度作为气象因素的输入，将光伏功率作为输出，训练得到光伏功率预测模型；
步骤4：利用晴天地表辐射模型获得全天的晴天地表辐射值，再利用预测时刻前的真实地表辐射值获得预测时刻前的云遮系数序列，利用该云遮系数序列数据和云遮系数预测模型预测未来时刻的云遮系数，对晴天地表辐射预测结果进行修正，获得地表辐射预测结果，光伏功率预测部分中，将各预测时刻的地表辐射预测值和数值天气预报预测值带入光伏功率预测模型，获得最终的光伏功率预测值。
2.根据权利要求1所述的考虑辐射衰减的光伏功率预测方法，其特征在于，所述步骤1具体包括：晴天判别条件type为：
其中，N为样本取值点个数；Xi为第i个地外辐射值；xi为第i个地表辐射值；Nv为地表辐射曲线中谷值点个数；α为地表辐射相对于地外辐射的整体衰减率，0≤α≤1；m为最大谷值点个数的阈值，
其中，L为局部极小值点个数；Nl为局部极小值点，
为第i个局部最小值；
为第i个局部最大值；
为第i+1个局部最大值；Nh为局部极大值点；β为判断极小值点是否为谷值点的阈值；dist(x,y)为两点之间的欧式距离；I(·)和J(·)为指示函数，同时满足所有条件则为1，否则为0，1为晴天；
通过调节α、m和β的值来判别天气类型，将一天分为上午、中午和下午三个时间段，以地外太阳辐射值、日期、时刻和时间段作为输入，以晴天地表太阳辐射作为输出，采用支持向量回归机算法ε-SVR建立晴天地表辐射预测模型，采用径向基函数RBF作为核函数，利用序列最小最优化算法SMO优化参数，训练得到晴天地表辐射预测模型。
3.根据权利要求2所述的考虑辐射衰减的光伏功率预测方法，其特征在于，所述步骤1具体还包括：上午为7:00到11:00，中午为11:00到14:00，下午为14:00到19:00。
4.根据权利要求1所述的考虑辐射衰减的光伏功率预测方法，其特征在于，所述步骤3具体包括：采用梯度提升决策树GBDT算法构建光伏功率的预测模型。
5.根据权利要求1所述的考虑辐射衰减的光伏功率预测方法，其特征在于，所述步骤4具体包括：预测时，将地表辐射预测模型修正后的太阳辐射预测值和预测时刻的数值天气预报的温度、湿度和风速作为输入带入光伏功率预测模型，获得最终的功率预测值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810047788.XA CN108388956B (zh) | 2018-01-18 | 2018-01-18 | 考虑辐射衰减的光伏功率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810047788.XA CN108388956B (zh) | 2018-01-18 | 2018-01-18 | 考虑辐射衰减的光伏功率预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108388956A CN108388956A (zh) | 2018-08-10 |
| CN108388956B true CN108388956B (zh) | 2021-08-10 |
Family
ID=63077193
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810047788.XA Expired - Fee Related CN108388956B (zh) | 2018-01-18 | 2018-01-18 | 考虑辐射衰减的光伏功率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108388956B (zh) |
Families Citing this family (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109344491A (zh) * | 2018-09-27 | 2019-02-15 | 河北工业大学 | 一种考虑天气状态变化和云层遮挡的太阳辐照度建模方法 |
| CN109934423B (zh) | 2019-04-25 | 2020-04-21 | 山东大学 | 基于并网逆变器运行数据的光伏电站功率预测方法及系统 |
| CN110458343B (zh) * | 2019-07-26 | 2023-04-07 | 国网山东省电力公司泰安供电公司 | 一种区域光伏发电容量衰减预测的方法 |
| CN110516816B (zh) * | 2019-08-30 | 2021-05-28 | 中国科学院、水利部成都山地灾害与环境研究所 | 基于机器学习的全天候地表温度生成方法及装置 |
| 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 |
| CN111461297B (zh) * | 2020-03-25 | 2022-04-29 | 河海大学 | 基于mpc和elm神经网络的太阳辐照量优化预测算法 |
| CN111445460A (zh) * | 2020-03-30 | 2020-07-24 | 上海眼控科技股份有限公司 | 雷达云图的预测方法、装置、计算机设备和存储介质 |
| CN111582555B (zh) * | 2020-04-19 | 2023-04-18 | 天津大学 | 基于地基云图图像特征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 |
| CN111738522B (zh) * | 2020-06-28 | 2023-01-03 | 电子科技大学中山学院 | 一种光伏发电功率的预测方法、存储介质及终端设备 |
| CN112116127B (zh) * | 2020-08-20 | 2024-04-02 | 中国农业大学 | 一种基于气象过程与功率波动关联的光伏功率预测方法 |
| 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 |
| CN113723670B (zh) * | 2021-08-12 | 2023-12-08 | 浙江大学 | 变时间窗口的光伏发电功率短期预测方法 |
| CN115456264B (zh) * | 2022-09-01 | 2023-07-25 | 北京科技大学 | 一种中小型转炉的终点碳含量和终点温度预测方法 |
| CN115423200B (zh) * | 2022-09-16 | 2023-12-29 | 南通沃太新能源有限公司 | 离线状态下补全太阳辐照进行光伏功率预测的方法 |
| CN116070728B (zh) * | 2022-10-25 | 2024-05-07 | 国网河北省电力有限公司营销服务中心 | 光伏发电系统发电量预测方法、设备、系统及介质 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060185713A1 (en) * | 2005-02-23 | 2006-08-24 | Mook William J Jr | Solar panels with liquid superconcentrators exhibiting wide fields of view |
| JP5344614B2 (ja) * | 2009-10-14 | 2013-11-20 | Ｎｅｃエンジニアリング株式会社 | 太陽光発電システムの発電量予測方法及び予測装置 |
| CN103208029B (zh) * | 2013-03-11 | 2016-08-03 | 中国电力科学研究院 | 基于净空模型的光伏电站超短期功率预测方法 |
| CN103971169B (zh) * | 2014-04-14 | 2017-09-01 | 国家电网公司 | 一种基于云量模拟的光伏超短期发电功率的预测方法 |
| CN103996082B (zh) * | 2014-06-03 | 2017-06-20 | 华北电力大学（保定） | 一种基于双重随机理论的太阳辐射强度预测方法 |
-
2018
- 2018-01-18 CN CN201810047788.XA patent/CN108388956B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN108388956A (zh) | 2018-08-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108388956B (zh) | 考虑辐射衰减的光伏功率预测方法 | |
| Liu et al. | An improved photovoltaic power forecasting model with the assistance of aerosol index data | |
| CN111008728B (zh) | 一种用于分布式光伏发电系统短期出力的预测方法 | |
| WO2020215405A1 (zh) | 基于并网逆变器运行数据的光伏电站功率预测方法及系统 | |
| CN113919232A (zh) | 一种基于循环神经网络的光伏电站功率预测方法及系统 | |
| Stefenon et al. | Photovoltaic power forecasting using wavelet neuro-fuzzy for active solar trackers | |
| CN110110912B (zh) | 一种光伏功率多模型区间预测方法 | |
| Carneiro et al. | Review on photovoltaic power and solar resource forecasting: current status and trends | |
| CN113496311A (zh) | 光伏电站发电功率预测方法及系统 | |
| CN106803128B (zh) | 光伏发电的预测方法和装置 | |
| CN111626473A (zh) | 一种考虑误差修正的两阶段光伏功率预测方法 | |
| CN112418346B (zh) | 一种数值天气预报总辐射系统误差分类计算方法 | |
| Perveen et al. | An ANFIS‐based model for solar energy forecasting and its smart grid application | |
| CN114021420A (zh) | 一种分布式光伏超短期发电功率预测方法及系统 | |
| CN111815027A (zh) | 一种光伏场站发电功率预测方法及系统 | |
| CN112884601B (zh) | 一种基于天气区划策略的电力系统运行风险评估方法 | |
| CN114006369A (zh) | 区域风光场站功率联合预测方法、装置、电子设备和存储介质 | |
| Li et al. | Short-term prediction of the power of a new wind turbine based on IAO-LSTM | |
| CN112101669A (zh) | 一种基于改进极限学习机与分位数回归的光伏功率区间预测方法 | |
| Aliberti et al. | Forecasting Short-term Solar Radiation for Photovoltaic Energy Predictions. | |
| CN117374956A (zh) | 一种针对综合能源站光伏发电的短期预测方法 | |
| Yang et al. | Kalman filter photovoltaic power prediction model based on forecasting experience | |
| CN104915727A (zh) | 多维度同构异质bp神经网络光功率超短期预测方法 | |
| CN113962441A (zh) | 一种基于历史数据分析的短期辐照度预测方法及预测系统 | |
| CN112734073A (zh) | 一种基于长短期记忆网络的光伏发电功率短期预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210810 Termination date: 20220118 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |