CN108830427A - 一种太阳总辐射预测方法和装置 - Google Patents
一种太阳总辐射预测方法和装置 Download PDFInfo
- Publication number
- CN108830427A CN108830427A CN201810722699.0A CN201810722699A CN108830427A CN 108830427 A CN108830427 A CN 108830427A CN 201810722699 A CN201810722699 A CN 201810722699A CN 108830427 A CN108830427 A CN 108830427A
- Authority
- CN
- China
- Prior art keywords
- data
- solar radiation
- prediction
- total solar
- environmental element
- 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.)
- Pending
Links
- 230000005855 radiation Effects 0.000 title claims abstract description 112
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000007613 environmental effect Effects 0.000 claims abstract description 92
- 238000013528 artificial neural network Methods 0.000 claims abstract description 42
- 238000005259 measurement Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 238000012937 correction Methods 0.000 claims abstract description 9
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 238000012544 monitoring process Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 13
- 238000013480 data collection Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000005096 rolling process Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 238000010248 power generation Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 19
- 239000010410 layer Substances 0.000 description 11
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 6
- JCXJVPUVTGWSNB-UHFFFAOYSA-N nitrogen dioxide Inorganic materials O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 description 6
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 210000004218 nerve net Anatomy 0.000 description 3
- MGWGWNFMUOTEHG-UHFFFAOYSA-N 4-(3,5-dimethylphenyl)-1,3-thiazol-2-amine Chemical compound CC1=CC(C)=CC(C=2N=C(N)SC=2)=C1 MGWGWNFMUOTEHG-UHFFFAOYSA-N 0.000 description 2
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- HNBFUFIYQWYCDM-UHFFFAOYSA-N oxygen(2-) sulfane titanium(4+) Chemical compound [O--].[O--].S.[Ti+4] HNBFUFIYQWYCDM-UHFFFAOYSA-N 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
-
- 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)
- 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)
Abstract
本发明提供了一种太阳总辐射预测方法和装置，先基于预先设定的影响太阳总辐射的环境要素，对获取的预测时段的气象数据、地形数据和排放源数据进行处理，得到新能源电站所在地的环境要素数据，然后基于所述新能源电站所在地的环境要素数据和预先构建的神经网络预测模型对太阳总辐射进行预测。本发明考虑了环境要素对辐射衰减的影响，提高太阳总辐射预测结果的准确性。本发明对太阳总辐射进行预测的过程中，基于实测太阳总辐射，采用卡尔曼滤波算法对未来太阳总辐射进行实时校正，进一步提高预测精度；本发明在提高太阳总辐射预测精度的基础上，保证光伏发电系统输出功率的稳定性，且为预测光伏发电系统输出功率提供基础。
Description
技术领域
本发明涉及太阳辐射预测技术，具体涉及一种太阳总辐射预测方法和装置。
背景技术
由于光伏发电系统的输出功率具有随机性和波动性，近些年大规模光伏电站的接入电网已经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，有助于电力调度部门能够提前根据光伏发电功率变化及时调整调度计划，保证电能质量，减少系统的备用容量，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。
光伏发电系统的输出功率很大程度上决定于光伏阵列所能接收到的太阳辐射量，而太阳辐射量容易受到大气的吸收、散射和反射等多方的影响。近年来，随着城市化和工业化进程的加快，雾霾天气出现的频率和强度有明显增加的趋势，已引起社会广泛关注。由于雾霾中的污染物质则可以吸收、散射和反射太阳辐射，所述当出现雾霾天气时，污染物质会对太阳辐射造成衰减，从而造成光伏发电系统的输出功率不稳定且难以预测。然而，现有技术一般采用气象数值模式直接预报太阳总辐射，导致对太阳总辐射的预测结果与实际情况有一定偏差，且现有的直接预报太阳总辐射的方法也不具有普遍适用性。
发明内容
为了克服上述现有技术中太阳总辐射预测结果不准确，本发明提供一种太阳总辐射预测方法和装置，先基于预先设定的影响太阳总辐射的环境要素，对获取的预测时段的气象数据、地形数据和排放源数据进行处理，得到新能源电站所在地的环境要素数据，然后基于新能源电站所在地的环境要素数据和预先构建的神经网络预测模型对太阳总辐射进行预测；神经网络预测模型通过获取的环境要素数据确定，本发明考虑了环境要素对辐射衰减的影响，提高太阳总辐射预测结果的准确性，具有普遍适用性。
为了实现上述发明目的，本发明采取如下技术方案：
一方面，本发明提供一种太阳总辐射预测方法，包括：
基于预先设定的影响太阳总辐射的环境要素，对获取的预测时段的气象数据、地形数据和排放源数据进行处理，得到新能源电站所在地的环境要素数据；
基于所述新能源电站所在地的环境要素数据和预先构建的神经网络预测模型对太阳总辐射进行预测；
所述神经网络预测模型通过环境要素数据确定。
所述环境要素的设定，包括：
通过环境自动监测站和气象自动监测站分别采集历史环境要素和历史太阳总辐射；
计算历史环境要素和历史太阳总辐射的相关系数；
基于所述相关系数，并按照预设比例确定环境要素；
所述环境要素包括：PM2.5、O3、SO2、NO2中的一种或多种。
所述神经网络预测模型按下述过程构建：
基于预先设定的环境要素获取历史天气监测数据和历史太阳总辐射作为训练数据；
采用神经网络模型对所述训练数据进行多次迭代训练，当迭代收敛后确定神经网络的权系数，并根据权系数得到实测太阳总辐射值与历史环境监测数据的对应关系；
基于实测太阳总辐射值与历史环境监测数据的对应关系确定神经网络预测模型。
所述基于所述新能源电站所在地的环境要素数据和预先构建的神经网络预测模型对太阳总辐射进行预测之后，还包括：
基于预测得到的预测时段太阳总辐射，采用卡尔曼滤波算法对预测时段太阳总辐射进行校正。
所述对获取的气象数据、地形数据和排放源数据进行处理，得到新能源电站所在地的环境要素数据，包括：
将气象数据、地形数据和排放源数据插值到同一坐标系，并对插值后的数据进行耦合处理，形成前处理数据集；
基于中尺度化学模式，对前处理数据集在时间和空间尺度上进行滚动计算，生成包含预测时段环境要素的数据集；
从包含预测时段环境要素的数据集中提取新能源电站所在地的环境要素数据。
另一方面，本发明还提供一种太阳总辐射预测装置，包括：
处理模块，用于基于预先设定的影响太阳总辐射的环境要素，对获取的预测时段的气象数据、地形数据和排放源数据进行处理，得到新能源电站所在地的环境要素数据；
预测模块，用于基于所述新能源电站所在地的环境要素数据和预先构建的神经网络预测模型对太阳总辐射进行预测；
所述神经网络预测模型通过环境要素数据确定。
所述装置还包括确定模块，所述确定模块按下以下过程设定环境要素：
通过环境自动监测站和气象自动监测站分别采集历史环境要素和历史太阳总辐射；
计算历史环境要素和历史太阳总辐射的相关系数；
基于所述相关系数，并按照预设比例确定环境要素；
所述环境要素包括：PM2.5、O3、SO2、NO2中的一种或多种。
所述装置还包括建模模块，所述建模模块按下以下过程构建神经网络预测模型：
基于预先设定的环境要素获取历史天气监测数据和历史太阳总辐射作为训练数据；
采用神经网络模型对所述训练数据进行多次迭代训练，当迭代收敛后确定神经网络的权系数，并根据权系数得到实测太阳总辐射值与历史环境监测数据的对应关系；
基于实测太阳总辐射值与历史环境监测数据的对应关系确定神经网络预测模型。
所述装置还包括校正模块，所述校正模块具体用于：
基于预测得到的预测时段太阳总辐射，采用卡尔曼滤波算法对预测时段太阳总辐射进行校正。
所述处理模块具体用于：
将气象数据、地形数据和排放源数据插值到同一坐标系，并对插值后的数据进行耦合处理，形成前处理数据集；
基于中尺度化学模式，对前处理数据集在时间和空间尺度上进行滚动计算，生成包含预测时段环境要素的数据集；
从包含预测时段环境要素的数据集中提取新能源电站所在地的环境要素数据。
与最接近的现有技术相比，本发明提供的技术方案具有以下有益效果：
本发明提供的太阳总辐射预测方法中，先基于预先设定的影响太阳总辐射的环境要素，对获取的预测时段的气象数据、地形数据和排放源数据进行处理，得到新能源电站所在地的环境要素数据，然后基于新能源电站所在地的环境要素数据和预先构建的神经网络预测模型对太阳总辐射进行预测；神经网络预测模型通过获取的环境要素数据确定，本发明考虑了环境要素对辐射衰减的影响，提高太阳总辐射预测结果的准确性，具有普遍适用性；
本发明提供的太阳总辐射预测装置包括处理模块和预测模块，处理模块用于基于预先设定的影响太阳总辐射的环境要素，对获取的预测时段的气象数据、地形数据和排放源数据进行处理，得到新能源电站所在地的环境要素数据，预测模块用于基于所述新能源电站所在地的环境要素数据和预先构建的神经网络预测模型对太阳总辐射进行预测，其中的神经网络预测模型通过环境要素数据确定，本发明考虑了环境要素对辐射衰减的影响，提高太阳总辐射预测结果的准确性，具有普遍适用性。
本发明根据预先构建的神经网络预测模型对太阳总辐射进行预测的过程中，基于实测太阳总辐射，采用卡尔曼滤波算法对未来太阳总辐射进行实时校正，进一步提高预测精度；
本发明在提高太阳总辐射预测精度的基础上，保证光伏发电系统输出功率的稳定性，且为预测光伏发电系统输出功率提供基础。
附图说明
图1是本发明实施例中太阳总辐射预测方法流程图；
图2是本发明实施例中神经网络预测模型示意图；
图3是本发明实施例中得到新能源电站所在地的环境要素数据的流程图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明实施例提供一种太阳总辐射预测方法，具体流程图如图1所示，具体过程如下：
S101：基于预先设定的影响太阳总辐射的环境要素，对获取的预测时段的气象数据、地形数据和排放源数据进行处理，得到新能源电站所在地的环境要素数据；
S102：基于新能源电站所在地的环境要素数据和预先构建的神经网络预测模型对太阳总辐射进行预测，其中的神经网络预测模型根据获取的环境要素数据确定，获取的环境要素数据包括历史环境监测数据和历史太阳总辐射。
上述S101中，环境要素的具体设定过程如下：
A)通过环境自动监测站和气象自动监测站分别采集(同时段的)历史环境要素和历史太阳总辐射；
B)计算历史环境要素和历史太阳总辐射的相关系数，相关系数可以按下式计算：
其中，r表示历史环境要素和历史太阳总辐射的相关系数，i表示环境要素的数据点代号，xi表示历史环境要素的浓度值，yi表示第i个数据点对应的太阳总辐射值，表示历史环境要素的平均值，表示总辐射的平均值，n表示历史环境要素总的数据个数。
C)基于相关系数，并按照预设比例确定环境要素，本发明实施例确定环境要素包括：PM2.5、O3、SO2、NO2中的一种或多种。
上述S101中，对获取的气象数据、地形数据和排放源数据进行处理，得到新能源电站所在地的环境要素数据，流程图如图3所示，具体过程如下：
将气象数据、地形数据和排放源数据插值到同一坐标系，并对插值后的数据进行耦合处理，形成前处理数据集；
基于中尺度化学模式，对前处理数据集在时间和空间尺度上进行滚动计算，生成包含预测时段环境要素的数据集；
从包含预测时段环境要素的数据集中提取新能源电站所在地的环境要素数据。
上述的神经网络预测模型按下述过程构建：
基于预先设定的环境要素获取历史天气监测数据和历史太阳总辐射作为训练数据；
采用神经网络模型对训练数据进行多次迭代训练，当迭代收敛后确定神经网络的权系数，并根据权系数得到实测太阳总辐射值与历史环境监测数据的对应关系；
基于实测太阳总辐射值与历史环境监测数据的对应关系确定神经网络预测模型。
RBF(所谓径向基函数(Radial Basis Function)神经网络预测模型如图2所示，图2中，P(t)表示PM2.5，O(t)表示臭氧，S(t)表示二氧化硫，N(t)表示二氧化氮，表示阈值，表示N个神经元，w1(t)-wN(t)分别表示隐含层中N个神经元与输出层的权值，w0表示与输出层的权值，R(t)表示输出层，神经网络预测模型包括输入层(PM2.5、臭氧、二氧化硫、二氧化氮)、隐含层(包含N个神经元)、输出层R(t)(太阳总辐射)，通过调整权系数逼近最小误差，当目标函数小于某一设定值时认为迭代收敛，模型训练完成。具体如下：上述的隐含层包含N个神经元，第j个神经元的激励函数选高斯函数，其输出X(t)为t时刻一组输入训练样本，G(t)为t时刻高斯函数的中心，σ为高斯函数方差，在设置阈值相当于一个隐含层的输出恒为1，表示存在一个输出恒为1的隐含层神经元，从而建立了一个广义网络。
对神经网络的训练过程中基函数的中心、方差以及权重是需要学习的三个重要参数。其中，基函数的中心用基于K均值聚类算法的自组织选取方法确定；基函数方差用确定，其中dmax为选取基函数中心之间的最大距离；隐含层与输出层间的权重用最小二乘法确定。由图1可知，RBF神经网络的输出由于RBF神经网络的学习属于有监督学习，神经网络权系数的学习可以转化为多元线性函数的极值求解问题。在网络学习过程中，若第k次迭代网络输出值是Outp(k)，目标值(实测总辐射值)为tp(k)，定义目标函数将按照负梯度方向调整网络权系数，即经多次迭代，当目标函数J(k)小于某设定值被认为迭代收敛，停止迭代并确定了网络的权系数，从而完成预测模型的训练。
上述S102的基于新能源电站所在地的环境要素数据和预先构建的神经网络预测模型对太阳总辐射进行预测之后，基于预测得到的预测时段太阳总辐射，采用卡尔曼滤波算法对预测时段太阳总辐射进行校正。
基于同一发明构思，本发明实施例还提供一种太阳总辐射预测装置，包括确定模块和预测模块，下面分别介绍这两个模块的功能：
实施例2
基于同一发明构思，本发明实施例2提供一种太阳总辐射预测装置，包括处理模块和预测模块，下面分别介绍这2个模块的功能：
其中的处理模块，用于基于预先设定的影响太阳总辐射的环境要素，对获取预测时段的气象数据、地形数据和排放源数据进行处理，得到新能源电站所在地的环境要素数据；
其中的预测模块，用于基于新能源电站所在地的环境要素数据和预先构建的神经网络预测模型对太阳总辐射进行预测；其中的神经网络预测模型通过环境要素数据确定。
上述的处理模块对获取预测时段的气象数据、地形数据和排放源数据进行处理，得到新能源电站所在地的环境要素数据，具体过程如下：
将气象数据、地形数据和排放源数据插值到同一坐标系，并对插值后的数据进行耦合处理，形成前处理数据集；
基于中尺度化学模式，对前处理数据集在时间和空间尺度上进行滚动计算，生成包含预测时段环境要素的数据集；
从包含预测时段环境要素的数据集中提取新能源电站所在地的环境要素数据。
本发明实施例2提供的太阳总辐射预测装置还包括确定模块，确定模块按下以下过程设定环境要素：
通过环境自动监测站和气象自动监测站分别采集历史环境要素和历史太阳总辐射；
计算历史环境要素和历史太阳总辐射的相关系数；
基于相关系数，并按照预设比例确定环境要素；
环境要素包括：PM2.5、O3、SO2、NO2中的一种或多种。
本发明实施例2提供的太阳总辐射预测装置还包括建模模块，建模模块按下以下过程构建神经网络预测模型：
基于预先设定的环境要素获取历史天气监测数据和历史太阳总辐射作为训练数据；
采用神经网络模型对训练数据进行多次迭代训练，当迭代收敛后确定神经网络的权系数，并根据权系数得到实测太阳总辐射值与历史环境监测数据的对应关系；
基于实测太阳总辐射值与历史环境监测数据的对应关系确定神经网络预测模型。
本发明实施例2提供的太阳总辐射预测装置还包括校正模块，校正模块具体用于：
基于预测得到的预测时段太阳总辐射，采用卡尔曼滤波算法对预测时段太阳总辐射进行校正。
为了描述的方便，以上所述装置的各部分以功能分为各种模块或单元分别描述。当然，在实施本申请时可以把各模块或单元的功能在同一个或多个软件或硬件中实现。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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，所属领域的普通技术人员参照上述实施例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，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。
Claims (12)
1.一种太阳总辐射预测方法，其特征在于，包括：
基于预先设定的影响太阳总辐射的环境要素，对获取的预测时段的气象数据、地形数据和排放源数据进行处理，得到新能源电站所在地的环境要素数据；
基于所述新能源电站所在地的环境要素数据和预先构建的神经网络预测模型对太阳总辐射进行预测；
所述神经网络预测模型通过环境要素数据确定。
2.根据权利要求1所述的太阳总辐射预测方法，其特征在于，所述环境要素的设定，包括：
通过环境自动监测站和气象自动监测站分别采集历史环境要素和历史太阳总辐射；
计算历史环境要素和历史太阳总辐射的相关系数；
基于所述相关系数，并按照预设比例确定环境要素。
3.根据权利要求1所述的太阳总辐射预测方法，其特征在于，所述环境要素包括：PM2.5、O3、SO2、NO2中的一种或多种。
4.根据权利要求1所述的太阳总辐射预测方法，其特征在于，所述神经网络预测模型按下述过程构建：
基于预先设定的环境要素获取历史天气监测数据和历史太阳总辐射作为训练数据；
采用神经网络模型对所述训练数据进行多次迭代训练，当迭代收敛后确定神经网络的权系数，并根据权系数得到实测太阳总辐射值与历史环境监测数据的对应关系；
基于实测太阳总辐射值与历史环境监测数据的对应关系确定神经网络预测模型。
5.根据权利要求1所述的太阳总辐射预测方法，其特征在于，所述基于所述新能源电站所在地的环境要素数据和预先构建的神经网络预测模型对太阳总辐射进行预测之后，还包括：
基于预测得到的预测时段太阳总辐射，采用卡尔曼滤波算法对预测时段太阳总辐射进行校正。
6.根据权利要求5所述的太阳总辐射预测方法，其特征在于，所述对获取的预测时段的气象数据、地形数据和排放源数据进行处理，得到新能源电站所在地的环境要素数据，包括：
将气象数据、地形数据和排放源数据插值到同一坐标系，并对插值后的数据进行耦合处理，形成前处理数据集；
基于中尺度化学模式，对前处理数据集在时间和空间尺度上进行滚动计算，生成包含预测时段环境要素的数据集；
从包含预测时段环境要素的数据集中提取新能源电站所在地的环境要素数据。
7.一种太阳总辐射预测装置，其特征在于，包括：
处理模块，用于基于预先设定的影响太阳总辐射的环境要素，对获取的预测时段的气象数据、地形数据和排放源数据进行处理，得到新能源电站所在地的环境要素数据；
预测模块，用于基于所述新能源电站所在地的环境要素数据和预先构建的神经网络预测模型对太阳总辐射进行预测；
所述神经网络预测模型通过环境要素数据确定。
8.根据权利要求7所述的太阳总辐射预测装置，其特征在于，所述装置还包括确定模块，所述确定模块按下以下过程设定环境要素：
通过环境自动监测站和气象自动监测站分别采集历史环境要素和历史太阳总辐射；
计算历史环境要素和历史太阳总辐射的相关系数；
基于所述相关系数，并按照预设比例确定环境要素。
9.根据权利要求7所述的太阳总辐射预测装置，其特征在于，所述环境要素包括：PM2.5、O3、SO2、NO2中的一种或多种。
10.根据权利要求7所述的太阳总辐射预测装置，其特征在于，所述装置还包括建模模块，所述建模模块按下以下过程构建神经网络预测模型：
基于预先设定的环境要素获取历史天气监测数据和历史太阳总辐射作为训练数据；
采用神经网络模型对所述训练数据进行多次迭代训练，当迭代收敛后确定神经网络的权系数，并根据权系数得到实测太阳总辐射值与历史环境监测数据的对应关系；
基于实测太阳总辐射值与历史环境监测数据的对应关系确定神经网络预测模型。
11.根据权利要求7所述的太阳总辐射预测装置，其特征在于，所述装置还包括校正模块，所述校正模块具体用于：
基于预测得到的预测时段太阳总辐射，采用卡尔曼滤波算法对预测时段太阳总辐射进行校正。
12.根据权利要求11所述的太阳总辐射预测装置，其特征在于，所述处理模块具体用于：
将气象数据、地形数据和排放源数据插值到同一坐标系，并对插值后的数据进行耦合处理，形成前处理数据集；
基于中尺度化学模式，对前处理数据集在时间和空间尺度上进行滚动计算，生成包含预测时段环境要素的数据集；
从包含预测时段环境要素的数据集中提取新能源电站所在地的环境要素数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810722699.0A CN108830427A (zh) | 2018-07-04 | 2018-07-04 | 一种太阳总辐射预测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810722699.0A CN108830427A (zh) | 2018-07-04 | 2018-07-04 | 一种太阳总辐射预测方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108830427A true CN108830427A (zh) | 2018-11-16 |
Family
ID=64134036
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810722699.0A Pending CN108830427A (zh) | 2018-07-04 | 2018-07-04 | 一种太阳总辐射预测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108830427A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103258118A (zh) * | 2013-04-19 | 2013-08-21 | 国家电网公司 | 一种预测光伏电池组件温度的方法 |
| CN105260800A (zh) * | 2015-10-26 | 2016-01-20 | 国网浙江省电力公司电力科学研究院 | 一种光伏组件温度预测方法及装置 |
| CN106600060A (zh) * | 2016-12-15 | 2017-04-26 | 河海大学常州校区 | 基于相似日晴朗系数修正的太阳辐照量预测方法 |
-
2018
- 2018-07-04 CN CN201810722699.0A patent/CN108830427A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103258118A (zh) * | 2013-04-19 | 2013-08-21 | 国家电网公司 | 一种预测光伏电池组件温度的方法 |
| CN105260800A (zh) * | 2015-10-26 | 2016-01-20 | 国网浙江省电力公司电力科学研究院 | 一种光伏组件温度预测方法及装置 |
| CN106600060A (zh) * | 2016-12-15 | 2017-04-26 | 河海大学常州校区 | 基于相似日晴朗系数修正的太阳辐照量预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102183621B (zh) | 水产养殖溶解氧浓度在线预测方法及系统 | |
| CN104408562B (zh) | 一种基于bp神经网络的光伏系统发电效率综合评估方法 | |
| CN105631483A (zh) | 一种短期用电负荷预测方法及装置 | |
| CN111695731B (zh) | 基于多源数据和混合神经网络的负荷预测方法、系统及设备 | |
| CN103489038A (zh) | 基于lm-bp神经网络的光伏超短期功率预测方法 | |
| CN110807554A (zh) | 基于风电/光伏经典场景集的生成方法及系统 | |
| CN114493052B (zh) | 多模型融合自适应新能源功率预测方法和系统 | |
| Sogabe et al. | Optimization of decentralized renewable energy system by weather forecasting and deep machine learning techniques | |
| CN105320987A (zh) | 一种基于bp神经网络的卫星遥测数据智能判读方法 | |
| CN106503833A (zh) | 基于支持向量机算法的光伏发电短期功率滚动预测方法 | |
| CN112101736A (zh) | 微电网运营模式的评估方法、装置、存储介质和电子设备 | |
| CN106067077A (zh) | 一种基于神经网络的负荷预测方法及装置 | |
| CN112862274A (zh) | 一种基于WRF-LES和DeepAR相结合的风功率预测方法 | |
| CN115829145A (zh) | 一种光伏发电量预测系统及方法 | |
| CN117117819A (zh) | 一种光伏发电短期功率预测方法、系统、设备和介质 | |
| CN112215478B (zh) | 光储电站的功率协调控制方法和装置、存储介质 | |
| CN106355273A (zh) | 一种基于极限学习机的核材料辐照后拉伸性能预测系统及预测方法 | |
| CN110717623A (zh) | 融合多种天气状况的光伏发电功率预测方法及装置、设备 | |
| CN108830427A (zh) | 一种太阳总辐射预测方法和装置 | |
| CN105205560A (zh) | 一种基于正负误差变权的光伏发电功率预测方法 | |
| CN107944552A (zh) | 一种基于Elman神经网络的工业物联网参数预测方法 | |
| CN110019167A (zh) | 一种中长期新能源资源资料库构建方法及系统 | |
| CN115563848A (zh) | 一种基于深度学习的分布式光伏总辐射预测方法及系统 | |
| CN113673809A (zh) | 面向共享储能系统的五级协调优化调度控制方法及系统 | |
| CN112215383A (zh) | 一种分布式光伏发电功率预测方法和系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181116 |
|
| RJ01 | Rejection of invention patent application after publication |