CN109543721B - 一种晴间多云天气情况下的太阳辐照度超短期预报方法 - Google Patents
一种晴间多云天气情况下的太阳辐照度超短期预报方法 Download PDFInfo
- Publication number
- CN109543721B CN109543721B CN201811305301.XA CN201811305301A CN109543721B CN 109543721 B CN109543721 B CN 109543721B CN 201811305301 A CN201811305301 A CN 201811305301A CN 109543721 B CN109543721 B CN 109543721B
- Authority
- CN
- China
- Prior art keywords
- cloud
- time
- forecast
- forecasting
- image
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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"
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Biology (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种晴间多云天气情况下的太阳辐照度超短期预报方法,基于全天空成像仪(TSI‑880)地基云图,包括对实时地基云图进行云量反演操作,利用时刻连续的云量反演云图进行云图预报,然后利用预报时刻t时刻之前n个时刻云图对应的云量和晴空因子数据,构建多元线性回归方程,最后将未来t+Δt时刻云图对应的云量数据代入回归模型,得到预报晴空因子,进而计算得到得到相应未来时刻的预报地面辐照度。本发明能够实时有效地预报晴间多云的天气情况下由于云的移动变化引起的地面太阳辐照度的变化,克服现有太阳辐射预报方法在晴间多云的天气情况下具有随机性、不确定性、误差大等缺点,实现了实时性好、精确度高等优点。
Description
技术领域
本发明涉及太阳辐照预报技术领域,尤其涉及一种晴间多云天气情况下的太阳辐照度超短期预报方法。
背景技术
能源需求的不断增长和气候环境的明显变化对可再生能源的发展提出了新的挑战。太阳能是至今地球上最大的可用能量来源,是一种清洁、无污染的可再生能源,其开发利用是可持续能源发展的重点。太阳能利用的一种重要形式是光伏发电,决定光伏发电功率的最直接气象因素是地面太阳辐照度,地面太阳辐照度直接影响光伏发电功率的可靠性,但是,地面太阳辐照度随季节和天气呈现出明显的周期性和随机性变化,因此,光伏发电功率呈现出明显的间歇性和波动性。
影响地面太阳辐照度的主要大气因素有云、大气透明度、气溶胶浓度、水汽含量等,其中云是影响到达地面太阳辐照度的最主要气象环境因素,其蒸发凝结和移动变化是地面太阳辐照度具有随机性和不确定性变化的根本原因之一,地面太阳辐照度突然而广泛的变化,通常由云遮挡太阳或者大范围的云量变化引起。比如,在有云的天气情况下,局地地面上空被云遮挡时,地面太阳辐照度急剧下降;云团移开或蒸发时,地面太阳辐照度迅速回升。因此,云量和云的位置预报对区域太阳辐照预报的准确性至关重要。
目前,太阳辐照预报方法主要分为四类,(1)基于实时数据和历史观测数据的统计预报,(2)人工神经网络技术,(3)基于物理的数值天气预报模型进行太阳辐照度预测,(4)基于遥感反演的太阳辐照度预报。前(1)(2)两种大部分没有直接利用云的信息,很难预报由于云量变化或者云遮挡太阳引起的区域辐照度突变情况。第(3)种能够提供当天至未来几天的信息,但是辐照度估计存在明显的偏差和随机误差。云粒子微观物理特征复杂,而数值天气预报模式空间分辨率粗糙(通常为几十至几百km2)、初始条件不确定,对下垫面的描述大多为格点范围的经验参数,不能有效模拟对流性较强或者生命周期较短的云,因此在利用数值天气预报模型进行辐照度预报时很难预测特定区域云的位置、分布及其辐照效应。第(4)种卫星云图时间分辨率和空间分辨率低,时空覆盖范围大,很难定量反演小范围的云和提取低空云的特征,而且下垫面对云图辐亮度的影响未知,在进行特定区域太阳辐照预报时需要对其进行降尺度处理,预报精度受到限制。
可见,上述现有预报方法都因这样那样的原因,而不能很好地预报晴间多云天气情况下,云量、云位置变化导致地面太阳辐照度变化的情况,使得太阳辐照预报结果误差大、实时性差,精确度低。
发明内容
本发明所要解决的技术问题是提供一种晴间多云天气情况下的太阳辐照度超短期预报方法,以实时、有效地预报晴间多云天气情况下由于云量、云位置变化引起的地面辐照度的变化,提高太阳辐照预报结果的实时性和精确度。
为解决上述问题,本发明所述的一种晴间多云天气情况下的太阳辐照度超短期预报方法,其特征在于,该方法包括:
(1)根据实时获取的原始地基云图,计算出各时刻的云量反演云图和未来时刻的预报云图;
其中,所述原始地基云图来源于全天空成像仪,所述云量反演云图、所述预报云图中云类型均包括不透光云、薄云和晴空;
(2)利用t-n时刻至t时刻云量反演云图对应的n组观测值,构建多元线性回归方程,得到回归系数已知的晴空因子预报模型;
其中,t时刻表示预报时刻,5≤n≤10,所述观测值包括晴空因子和三种云的云量;
(3)将未来t+Δt时刻预报云图对应的预报云量代入所述晴空因子预报模型,得到相应的预报晴空因子;
其中,Δt表示预报的时间尺度,0≤Δt≤10;
(4)使所述预报晴空因子与所述未来t+Δt时刻云图对应的晴空地面辐照度相乘,得到相应未来t+Δt时刻的预报地面辐照度。
优选地,随着时间的往后推移,循环执行步骤(1)~步骤(4),能够实现晴间多云天气情况下太阳辐照度超短期的滚动预报。
优选地,在所述步骤(2)之后,还包括使用上一时刻云量反演云图的边界信息对当前时刻预报云图缺失的边界进行填充。
优选地,在所述步骤(2)中构建三元线性回归方程,n=5。
优选地,所述步骤(1)包括:
对所述原始地基云图进行云量反演操作,得到相应的各时刻的云量反演云图;
利用时刻连续的两张原始地基云图,计算出云运动的代表速度,并将后一时刻对应的云量反演云图以此代表速度平流输送至未来时刻,得到该未来时刻的预报云图。
本发明与现有技术相比具有以下优点:
本发明基于全天空成像仪观测到的地基云图进行云量反演和云量预报,利用预报时刻t之前n个时刻云图对应的三种云类型的云量和晴空因子数据,构建多元元线性回归方程,然后将未来时刻t+Δt的三种云类型预报云量代入这个多元线性回归方程,即可得到相应未来时刻的预报晴空因子,进而得到相应未来时刻的预报地面辐照度。
申请人考虑到(1)有云大气的三维辐射传输过程和云的辐射效应非常复杂,很难定量描述云对辐射的强迫效果。全天空成像仪观测范围小,我们认为小范围短时间内的地面太阳辐照度变化是由云类(不透光云、薄云、晴空)和相应的云量变化引起的。而不同光学厚度的云对太阳辐射的衰减程度差异很大,低层不透光云对辐射的衰减程度一般比薄云大得多;天空中不同类型的云分布比例不同,对到达地面的太阳辐照度的衰减程度也会不同。(2)而且在太阳辐射预报方法研究中,晴空因子定义为地面辐照度与晴空地面辐照度之比,相当于排除了大气分子、气溶胶等其他辐射强迫因子,仅考虑云对辐射造成的影响。(3)全天空成像仪是全自动彩色数字成像仪,时空分辨率高,能够实时持续观测白天的云量,得到的云量较卫星探测的结果更准确。
本发明超短期预报方法中,构建多元元线性回归方程和预报未来时刻时使用的均是云图中三种云类型的云量和晴空因子数据,将上述(1)(2)两点影响短时间内太阳辐照度变化的因素充分考虑进去,再加上全天空成像仪云图地基的使用。因此,本发明能够实时、有效地预报晴间多云天气情况下由于云量、云位置变化引起的地面辐照度的变化,克服了现有太阳辐射预报方法在晴间多云的天气情况下具有随机性、不确定性、误差大等缺点,提高了太阳辐照预报结果的实时性和精确度。
具体实施方式
本发明实施例提供一种晴间多云天气情况下的太阳辐照度超短期预报方法,其具体包括以下步骤:
(1)根据实时获取的原始地基云图,计算出各时刻的云量反演云图和未来时刻的预报云图。
其中,原始地基云图来源于全天空成像仪(TSI-880),云量反演云图、预报云图中云类型均包括不透光云、薄云和晴空三种类型。同时,可以理解的是,不论是原始地基云图,还是云量反演云图和预报云图,这三种云图中每个云图都对应着一个时刻。
具体地,云量反演步骤参考如下内容:实时获取原始地基云图,并对地基云图执行预处理、云识别和云量反演操作,得到各时刻的云量反演云图。这部分内容的实现参考现有技术或者申请号为2017108323419、名称为“一种基于地基云图的实时动态云量反演方法”的发明专利申请文献。
云图预报过程参考如下内容:为了得到未来短时间内的云分布情况,先利用时刻连续的两张原始地基云图,计算出云运动的代表速度,然后将后一时刻对应的云量反演云图以此代表速度平流输送至未来时刻,得到该未来时刻的预报云图。更具体的内容可以参见下一实施例。
举个例子:利用10:00和10:01的原始地基云图的红色通道(分别记为I1和I2),计算出代表速度v,然后将I2对应的云量反演云图以代表速度v平流输送至未来时刻,得到相应的预报云图。
其中,平流输送预报法假定短时间内云的运动具有保守性和连续性,其速度和大小不变,将当前时刻的云量反演云图以代表速度矢量线性外推至未来时刻,得到预报云图与云量。
全天空成像仪观测范围小,图像边界处有云的移进或移出。预报过程中,往往由于边界问题使得边界处的云图预测效果不理想,因此需要对预测边界进行处理,比如可以在得到预报云图之后使用上一时刻云量反演云图的边界信息对当前时刻预报云图缺失的边界进行填充。
(2)利用t-n时刻至t时刻云量反演云图对应的n组观测值,构建多元线性回归方程,得到回归系数已知的晴空因子预报模型。
其中,t时刻表示预报时刻,通常为执行预报动作的当前时刻;5≤n≤8,取整数,单位为分钟min,n取值越靠近5,回归方程显著性越高;上述观测值包括晴空因子和三种云的云量。
步骤(2)重在基于步骤(1)得到的云量反演云图,利用t-n时刻至t时刻的n组观测值,训练预报模型,并将该模型用于未来时刻t+Δt的预报。
在实际应用中,云图对应的晴空因子可以通过晴空辐照模型得到,晴空辐照模型通过以下步骤得到:很多辐射预报模型都是在晴空太阳辐照度的基础上预报的。在晴空无云、气溶胶变化不大的条件下,地面太阳辐照度与地外太阳辐射相比,呈现出均匀的衰减。因此,针对历史晴天条件下的地面辐照度,计算对应时间大气层上界接收的太阳辐照,使用最小二乘法拟合,建立晴空辐照模型。
(3)将未来t+Δt时刻预报云图对应的预报云量代入晴空因子预报模型,得到相应的预报晴空因子。
其中,Δt表示预报的时间尺度,0≤Δt≤10,取整数,单位为分钟min,因为,Δt在10分钟以内,具有可预报性,当然,可以理解的是,预报准确度随着时间增加而减小。
(4)使所述预报晴空因子与所述未来t+Δt时刻云图对应的晴空地面辐照度相乘,得到相应未来t+Δt时刻的预报地面辐照度。
随着时间的往后推移,循环执行上述步骤(1)~步骤(4),能够实现晴间多云天气情况下太阳辐照度超短期滚动预报,其中,滚动预报指利用t-n时刻至t时刻的n组观测值,训练预报模型,并将该模型用于未来t+Δt时刻的预报,然后利用t+1-n时刻至t+1时刻的观测值,用同样的方法训练预报模型,用于t+1+Δt时刻的预报。依次类推,可以得到时间序列的预报结果。
基于上述步骤(2)~步骤(4),举个例子,利用预报时刻前5分钟(对应n=5)的云量与晴空因子,构建如以下公式所示的三元线性回归方程,对晴空因子kt进行动态滚动修正。
kt=a+b1fthick+b2fthin+b3fclear
kt(t-5_t)=a(t-5_t)+b1(t-5_t)fthick(t-5_t)+b2(t-5_t)fthin(t-5_t)+b3(t-5_t)fclear(t-5_t)
其中,kt为晴空因子,fthick为不透光云云量,fthin为薄云云量,fclear=1-fthick-fthin,下标t-5_t表示t-5至t时刻,经过最小二乘估计,得到回归系数a、b1、b2、b3。
然后,利用这种回归关系来推算未来0-5min(对应Δt分别取0、1、2、3、4、5)内的晴空因子和太阳辐照度:即将预报的不透光云、薄云云量代入回归模型,得到预报晴空因子和预报地面辐照度,如以下公式所示:
kt(t+Δt)=a(t-5_t)+b1(t-5_t)fthick(t+Δt)+b2(t-5_t)fthin(t+Δt)+b3(t-5_t)fclear(t+Δt)
I(t+Δt)=Iclk(t+Δt)×kt(t+Δt)
其中,kt(t+Δt)为预报晴空因子,Iclk(t+Δt)为预报晴空地面辐照度,I(t+Δt)为预报地面辐照度。
基于上述实施例公开的内容,本发明另一实施例对上述步骤(1)中云图预报过程做出进一步说明,具体可以通过以下步骤实现:
(11)使用粒子图像测速法对时间连续的原始地基云图进行计算,得到云运动的速度矢量场。
具体地,由于大气分子和云的散射特性不同,图像的红色通道与蓝色、绿色通道相比,对晴空和云有更高的对比度,因此,为避免云识别引起的误差,先提取原始地基云图的红色通道进行粒子图像测速计算,得到原始速度矢量场。然后,为提高处理速度和效率,对原始速度矢量场使用中值滤波和线性插值分别对离散速度矢量进行移除和插值操作,得到最终供后续步骤使用的速度矢量场。
(12)使用K均值聚类算法,对速度矢量场进行聚类分析,并选择量值最大的聚类中心作为表示云运动的代表速度。
因为全天空成像仪的观测范围较小,地基云图中云团的运动方向、速度基本一致,而对于图像上的晴空区域,计算出来的速度矢量通常为0或者接近0。因此将上述步骤(11)得到的速度矢量场分为云运动速度矢量场和晴空像素点速度矢量场两类,使用K均值聚类(K-means)算法,选择量值大的聚类均值作为云的代表速度矢量,用来代表云的整体运动。
(13)利用代表速度,以平流输送预报法得到未来时刻的预报云图。
以上对本发明所提供的技术方案进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (3)
1.一种晴间多云天气情况下的太阳辐照度超短期预报方法,其特征在于,该方法包括:
(1)根据实时获取的原始地基云图,计算出各时刻的云量反演云图和未来时刻的预报云图;其中,所述原始地基云图来源于全天空成像仪,所述云量反演云图、所述预报云图中云类型均包括不透光云、薄云和晴空;
步骤(1)中云图预报过程包括:(11)使用粒子图像测速法对时间连续的原始地基云图进行计算,得到云运动的速度矢量场,包括:先提取原始地基云图的红色通道进行粒子图像测速计算,得到原始速度矢量场;然后对原始速度矢量场使用中值滤波和线性插值分别对离散速度矢量进行移除和插值操作,得到最终供后续步骤使用的速度矢量场;(12)使用K均值聚类算法,对速度矢量场进行聚类分析,并选择量值最大的聚类中心作为表示云运动的代表速度;(13)利用代表速度,以平流输送预报法得到未来时刻的预报云图;
(2)利用t-n时刻至t时刻云量反演云图对应的n组观测值,构建多元线性回归方程,得到回归系数已知的晴空因子预报模型;
其中,t时刻表示预报时刻,n=5,所述观测值包括晴空因子和三种云的云量;利用预报时刻前5分钟的云量与晴空因子,构建以下三元线性回归方程,对晴空因子kt进行动态滚动修正;
kt=a+b1fthick+b2fthin+b3fclear
kt(t-5_t)=a(t-5_t)+b1(t-5_t)fthick(t-5_t)+b2(t-5_t)fthin(t-5_t)+b3(t-5_t)fclear(t-5_t)
其中,kt为晴空因子,fthick为不透光云云量,fthin为薄云云量,fclear=1-fthick-fthin,下标t-5_t表示t-5至t时刻,经过最小二乘估计,得到回归系数a、b1、b2、b3;
(3)将未来t+Δt时刻预报云图对应的预报云量代入所述晴空因子预报模型,得到相应的预报晴空因子;
其中,Δt表示预报的时间尺度,0≤Δt≤10;
(4)使所述预报晴空因子与所述未来t+Δt时刻云图对应的晴空地面辐照度相乘,得到相应未来t+Δt时刻的预报地面辐照度。
2.如权利要求1所述的方法,其特征在于,随着时间的往后推移,循环执行步骤(1)~步骤(4),能够实现晴间多云天气情况下太阳辐照度超短期的滚动预报。
3.如权利要求1所述的方法,其特征在于,在所述步骤(2)之后,还包括使用上一时刻云量反演云图的边界信息对当前时刻预报云图缺失的边界进行填充。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811305301.XA CN109543721B (zh) | 2018-11-05 | 2018-11-05 | 一种晴间多云天气情况下的太阳辐照度超短期预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811305301.XA CN109543721B (zh) | 2018-11-05 | 2018-11-05 | 一种晴间多云天气情况下的太阳辐照度超短期预报方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109543721A CN109543721A (zh) | 2019-03-29 |
CN109543721B true CN109543721B (zh) | 2023-07-04 |
Family
ID=65846496
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811305301.XA Active CN109543721B (zh) | 2018-11-05 | 2018-11-05 | 一种晴间多云天气情况下的太阳辐照度超短期预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109543721B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110781458B (zh) * | 2019-10-30 | 2023-04-07 | 云南师范大学 | 一种基于混合回归模型预测地表太阳辐照度的方法 |
CN111091138B (zh) | 2019-11-14 | 2024-07-16 | 远景智能国际私人投资有限公司 | 辐照预报的处理方法、堆叠泛化模型的训练方法及装置 |
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 |
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 |
CN112016390B (zh) * | 2020-07-15 | 2022-08-30 | 河海大学常州校区 | 一种基于云量和神经网络的辐照波动计算方法 |
CN111999523A (zh) * | 2020-08-18 | 2020-11-27 | 盐城工学院 | 一种云运动矢量测量装置及方法 |
CN114117713A (zh) * | 2020-08-25 | 2022-03-01 | 中国电力科学研究院有限公司 | 一种区域光伏出力预测方法及装置 |
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 |
CN113610287B (zh) * | 2021-07-27 | 2024-08-13 | 远景智能国际私人投资有限公司 | 光功率预报方法、装置、计算机设备及存储介质 |
CN114897268A (zh) * | 2022-06-14 | 2022-08-12 | 中国科学院西北生态环境资源研究院 | 一种基于fy-4观测和svm算法的超短期太阳总辐照度预报方法 |
CN116780533B (zh) * | 2023-08-16 | 2023-11-03 | 北京东润环能科技股份有限公司 | 一种光伏超短期预报方法、装置、电子设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011140553A1 (en) * | 2010-05-07 | 2011-11-10 | Advanced Energy Industries, Inc. | Systems and methods for forecasting solar power |
CN103604421A (zh) * | 2013-11-25 | 2014-02-26 | 上海航天测控通信研究所 | 一种基于光谱反射率特性的星载高光谱图像云检测方法 |
CN104535979A (zh) * | 2014-12-23 | 2015-04-22 | 中国科学院遥感与数字地球研究所 | 一种陆地云光学厚度的遥感反演方法及系统 |
CN107767448A (zh) * | 2017-10-09 | 2018-03-06 | 中国科学院遥感与数字地球研究所 | 考虑云‑地形效应的地表太阳辐射遥感计算方法及系统 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011017323A1 (en) * | 2009-08-05 | 2011-02-10 | First Solar, Inc. | Cloud tracking |
CN102338869B (zh) * | 2011-06-20 | 2013-06-05 | 北京师范大学 | 下行短波辐射和光合有效辐射数据的反演方法及系统 |
CN103472501B (zh) * | 2013-09-06 | 2016-05-25 | 中国气象科学研究院 | 云检测及全天空总云量检测方法和系统 |
CN103761578B (zh) * | 2013-12-25 | 2017-10-31 | 国家电网公司 | 基于多元线性回归的太阳辐照预报方法 |
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 |
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 |
US10007999B2 (en) * | 2016-08-10 | 2018-06-26 | International Business Machines Corporation | Method of solar power prediction |
CN107644416B (zh) * | 2017-09-15 | 2020-04-24 | 中国科学院寒区旱区环境与工程研究所 | 一种基于地基云图的实时动态云量反演方法 |
-
2018
- 2018-11-05 CN CN201811305301.XA patent/CN109543721B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011140553A1 (en) * | 2010-05-07 | 2011-11-10 | Advanced Energy Industries, Inc. | Systems and methods for forecasting solar power |
CN103604421A (zh) * | 2013-11-25 | 2014-02-26 | 上海航天测控通信研究所 | 一种基于光谱反射率特性的星载高光谱图像云检测方法 |
CN104535979A (zh) * | 2014-12-23 | 2015-04-22 | 中国科学院遥感与数字地球研究所 | 一种陆地云光学厚度的遥感反演方法及系统 |
CN107767448A (zh) * | 2017-10-09 | 2018-03-06 | 中国科学院遥感与数字地球研究所 | 考虑云‑地形效应的地表太阳辐射遥感计算方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109543721A (zh) | 2019-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109543721B (zh) | 一种晴间多云天气情况下的太阳辐照度超短期预报方法 | |
Heo et al. | Multi-channel convolutional neural network for integration of meteorological and geographical features in solar power forecasting | |
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 | |
CN108875905B (zh) | 一种大气温湿廓线的可见度函数直接反演方法 | |
CN117233870B (zh) | 一种基于多气象要素的短临降水集合预报及降尺度方法 | |
CN110781458B (zh) | 一种基于混合回归模型预测地表太阳辐照度的方法 | |
CN114707688A (zh) | 基于卫星云图和时空神经网络的光伏功率超短期预测方法 | |
CN112578478B (zh) | 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 | |
CN116722544B (zh) | 分布式光伏短期预测方法、装置、电子设备及存储介质 | |
Sampath et al. | Estimation of rooftop solar energy generation using satellite image segmentation | |
Hu et al. | Forecasting of solar radiation in photovoltaic power station based on ground‐based cloud images and BP neural network | |
CN115935809A (zh) | 一种基于地基云图云量特征的光伏发电功率区间预测方法 | |
Hatanaka et al. | Diffusion models for high-resolution solar forecasts | |
CN114021830A (zh) | 一种基于cnn-lstm的多时间范围风速预测方法 | |
Dokur | Swarm decomposition technique based hybrid model for very short-term solar PV power generation forecast | |
CN117374956A (zh) | 一种针对综合能源站光伏发电的短期预测方法 | |
Wen et al. | A solar forecasting framework based on federated learning and distributed computing | |
Kong et al. | A deep spatio-temporal forecasting model for multi-site weather prediction post-processing | |
Yuzer et al. | Deep learning model for regional solar radiation estimation using satellite images | |
Yu et al. | Short-term solar irradiance prediction based on spatiotemporal graph convolutional recurrent neural network | |
Carreno et al. | SoDa: An irradiance-based synthetic solar data generation tool | |
CN113392365A (zh) | 一种高分辨率气象网格数据的生成方法及系统 | |
CN110059972B (zh) | 基于泛函深度信念网络的日太阳辐射资源评估方法 | |
CN115564100A (zh) | 光伏功率预测方法、系统及设备 | |
Fu et al. | Photovoltaic Power Prediction Based on Gray-scale Satellite Cloud Image and Optimized LSTM |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230601 Address after: 730000 No.318 Donggang West Road, Chengguan District, Lanzhou City, Gansu Province Applicant after: NORTHWEST INSTITUTE OF ECO-ENVIRONMENT AND RESOURCES, CHINESE ACADEMY OF SCIENCES Address before: 730000 Gansu city of Lanzhou province Donggang West Road No. 320 Applicant before: COLD AND ARID REGIONS ENVIRONMENTAL AND ENGINEERING Research Institute,CHINESE ACADEMY OF SCIENCES |
|
GR01 | Patent grant | ||
GR01 | Patent grant |