CN109886486B - 不依赖于设备的云层跟踪技术及小时内辐照度预测方法 - Google Patents
不依赖于设备的云层跟踪技术及小时内辐照度预测方法 Download PDFInfo
- Publication number
- CN109886486B CN109886486B CN201910123094.4A CN201910123094A CN109886486B CN 109886486 B CN109886486 B CN 109886486B CN 201910123094 A CN201910123094 A CN 201910123094A CN 109886486 B CN109886486 B CN 109886486B
- Authority
- CN
- China
- Prior art keywords
- irradiance
- cloud
- cloud layer
- clear sky
- ground
- 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 25
- 238000005516 engineering process Methods 0.000 title claims abstract description 10
- 230000005855 radiation Effects 0.000 claims abstract description 24
- 238000002834 transmittance Methods 0.000 claims description 25
- 230000014509 gene expression Effects 0.000 claims description 12
- 238000009434 installation Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 4
- 238000002310 reflectometry Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 238000010248 power generation Methods 0.000 description 11
- 238000005096 rolling process Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 239000004576 sand Substances 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 239000000443 aerosol Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 239000002803 fossil fuel Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 229920000742 Cotton Polymers 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000011150 reinforced concrete Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
- 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
Landscapes
- Photometry And Measurement Of Optical Pulse Characteristics (AREA)
Abstract
本发明涉及光伏电站辐照度预测技术，具体涉及不依赖于设备的云层跟踪技术及小时内辐照度预测方法，首先通过历史数据建立了云层和天气类型的相关性矩阵来表征不同天气类型下最有可能云层类型并给出了十种不同云类型透光率的计算表达式，从而建立了不同天气条件下不同云类型透光率的对应关系。其次，通过辐照度实测值与晴空水平斜面辐射模型的比值来表征云层遮挡对辐照度衰减的程度，并根据历史遮挡程度与云层移动速度和方向来预测不同时刻遮挡程度。其中，辐照度实测值来自光伏电站自带的实时自动气象监测站，晴空水平斜面辐照度模型可根据不同地理位置与相关气象参数获得，因此克服了对观测设备的高度依赖。
Description
技术领域
本发明属于光伏电站辐照度预测技术领域，尤其涉及不依赖于设备的云层 跟踪技术及小时内辐照度预测方法。
背景技术
由于传统化石燃料的不可再生性以及使用化石燃料带来的环境污染和气候 变化问题，以风能和太阳能为主的可再生能源凭借其无污染排放、无燃料消耗、 应用形式灵活等优点，得到了世界各国政策的支持，并在全球范围内实现了较 大规模的应用。截至2015年底，全球太阳能发电装机累计达到230GW，当年新 增装机超过53GW，占全球新增发电装机的20％；2006至2015年光伏发电平均 年增长率超过40％，成为全球增长速度最快的能源品种。据德国太阳能协会最 新发布的统计数据显示，2016年全球光伏新增装机70GW，比2015年增长约 30％，至此，全球光伏装机总量达到300GW。随着太阳能发电并网容量的迅速 增加，太阳能发电功率的随机性和波动性对电力系统的安全经济运行、调度和 控制造成日益严重的影响。为了减少太阳能发电功率不确定性对电网造成的影 响，提高太阳能发电功率利用效率，需要对太阳能发电功率进行准确地预测。
太阳能发电功率取决于地面光伏面板接收的太阳辐照强度。影响太阳辐照 强度的主要因素包括太阳能电站地理位置、当地季节和当地时间、沙尘和气溶 胶对辐照强度的衰减以及云层对太阳辐射的遮挡等。其中，云层的移动和遮挡 是造成太阳辐照度随机波动的最主要原因。
目前，太阳辐照强度预测方法主要分为三种：气象数值天气预报(NWP)(Lonij etal.,2013；Lorenz et al.,2014；Li et al.,2016)；卫星云图(Kuhnert et al.,2013；Lorenz et al.,2014)；地基云图(Chow et al.,2011；Marquez et al.,2013；Yang etal., 2014)。基于卫星云图的数据在确定云的确切位置时优于NWP模型，同时NWP 模型的预测时间尺度比卫星云图模型长(Perez et al.,2010)。另一方面，由于低频 的采样间隔(30-60min)、较低的空间分辨率以及持久的数据传输和处理时间， 基于卫星云图的预测对于超短期和高分辨率的辐照度预测效果并不是最佳的 (Richardson et al.,2017)。相比较于NWP和卫星云图，地基天空成像仪具有更高 的时间和空间分辨率，并被广泛用于各种研究，如气溶胶光学深度，云光学深 度，云覆盖，云类型以及云底高(CBH)(Kassianov etal.,2005；Long et al.,2006； Seiz et al.,2007；Heinle et al.,2010；Huo and Lu,2009,2010)。在文献Yang et al.(2014)中，天空成像仪也被用于小时内辐照度预测。文献Nguyen et al.(2016) 云层分为三种不同类型，即无云(晴空)，薄云(部分多云)和厚云(阴天)，提出一 种利用天空成像仪在不同地理分布的PV系统上产生具有高时间和空间分辨率的辐照度分布的方法。文献Lohmann et al.(2017)采用分型云模型来模拟混合天 空条件下的晴空指数增量相关性，并利用大量的天空摄像机和卫星图像以及来 自两个日射强度计网络的数据和来自云高仪的云底高数据来预测辐照度。上述 预测方法虽然具有一定的时间和空间分辨率，但是仅考虑了几种特定的云类型， 并且没有考虑不同天气条件下不同云类型透光率的差别，缺乏一定的全面性。 上述预测方法的另一个缺点是高度依赖观测设备(如日射强度计，云高仪以及天 空摄像机等)，使得其应用变得困难。
发明内容
本发明的目的是提供一种不依赖于设备的云层实时跟踪技术以及小时内辐 照度预测方法。
为实现上述目的，本发明采用的技术方案是，不依赖于设备的云层跟踪技 术及小时内辐照度预测方法，包括以下步骤：
步骤1、通过历史气象数据，建立云层类型和天气类型的相关性矩阵；
步骤2、根据天气预报确定天气类型以及云底高，根据步骤1中相关性矩阵 确定云层类型，并由气象数据中风速风向确定云层移动的速度和方向；
步骤3、根据不同云层类型，通过以下云层透光率的表达式确定各个时刻云 层透光率；
τc＝(AM×y′)+x′ (1)
其中，τc为云层透光率，AM为气团，x′、y′表示云透光系数；
步骤4、采用晴空水平斜面辐照度模型确定各个时刻晴空水平斜面辐照度；
晴空水平斜面辐照度IT包括光束辐射IbT、漫辐射IdT以及地面反射IrT，其表 达式如下：
IT＝IbT+IdT+IrT (3)
IbT＝IONτbcosθS (4)
τd＝0.271-0.294τb (8)
τr＝0.271+0.706τb (9)
a0＝r0(0.4237-0.00821(6-A)2) (10)
a1＝r1(0.5055+0.00595(6.5-A)2) (11)
k＝rk(0.2711+0.01858(2.5-A)2) (12)
其中，θS表示表面法线与太阳方向夹角，β表示光伏面板倾角，ρ表示地面 平均反射率，τb、τd、τr分别表示光束辐射、漫辐射以及地面辐射的大气透过率， r0、r1、rk表示气候校正系数，A表示光伏面板安装高度；
步骤5，当已知前N个时刻的晴空指数kt1,kt2,…,ktN时，通过晴空指数kt与云 层透光率的式(14)计算前N个时刻云层遮挡面积Sc1,Sc2,…,ScN，然后根据云层 的移动速度和方向来预测后M个时刻的云层遮挡面积ScN+1,ScN+2,…,ScN+M，再由式 (14)得到后M个时刻晴空指数ktN+1,ktN+2,…,ktN+M的预测值；
其中，Sc为云层覆盖光伏面板面积，St为光伏电站总面积；
步骤6，最后通过式(15)得到后M个时刻地面实际辐照度预测值，从而 实现地面实际辐照度的预测；
I＝IT×kt (15)
其中，I为地面实际辐照度预测值，kt为晴空指数。
本发明的有益效果是：本发明提出模型所涉及的数据均来自于当地气象局 和光伏电站建设阶段自带设备，不涉及其他的观测设备(日射强度计，云高仪 以及天空摄像机等)，克服了对于观测设备的高度依赖，解决了预测方法应用 困难的问题，适用于任何已建立的光伏电站。采用该方法预测结果精度较高。
附图说明
图1是本发明一个实施例中实测辐照度与晴空辐照度对比图；
图2是本发明一个实施例地面实际辐照度预测流程图；
图3是本发明一个实施例5min-ahead晴空指数预测结果；
图4是本发明一个实施例5min-ahead地面实际辐照度预测结果；
图5是本发明一个实施例10min-ahead地面实际辐照度预测结果。
具体实施方式
下面结合附图对本发明的实施方式进行详细描述。
本实施例首先通过历史数据建立了云层和天气类型的相关性矩阵来表征不 同天气类型下最有可能云层类型并给出了十种不同云类型透光率的计算表达 式，从而建立了不同天气条件下不同云类型透光率的对应关系。其次，通过辐 照度实测值与晴空水平斜面辐射模型的比值来表征云层遮挡对辐照度衰减的程 度，并根据历史遮挡程度与云层移动速度和方向来预测不同时刻遮挡程度。其 中，辐照度实测值来自光伏电站自带的实时自动气象监测站，晴空水平斜面辐 照度模型可根据不同地理位置与相关气象参数获得，因此克服了对观测设备的 高度依赖。
本实施例提出的一种不依赖于设备的云层跟踪技术及小时内辐照度预测方 法，包括以下步骤：
步骤一，通过历史气象数据，深度挖掘天气类型与云层类型的相关性，建 立云层类型和天气类型的相关性矩阵。
步骤二，根据天气预报确定天气类型以及云底高，根据步骤一中相关性矩 阵确定最有可能云层类型，并由气象数据中风速风向确定云层移动的速度和方 向。
步骤三，根据不同云层类型，由式(22＇)和(23＇)确定各个时刻云层透 光率。
步骤四，由式(8＇)～(18＇)确定各个时刻晴空水平斜面辐照度。
步骤五，当已知前N个时刻的晴空指数时，由式(25＇)计算前N个时刻云 层遮挡面积,并根据云层的移动速度和方向来预测后M个时刻的云层遮挡面积， 再由式(25＇)得到后M个时刻晴空指数的预测值。
步骤六，最后由式(24＇)得到后M个时刻地面实际辐照度预测值。
本实施例通过历史实际辐照度与晴空地面辐照度模型确定历史晴空指数； 然后通过与不同天气条件下不同类型云层透光率确定不同时刻云层遮挡面积； 最后通过云层移动速度和方向预测下一时刻辐照度。采用该模型对一个月连续 25天进行5min-ahead和10min-ahead辐照度预测。结果显示25天内5min-ahead 预测的最小均方根误差(RMSE)为2.17％，平均均方根误差为11.19％； 10min-ahead预测最小均方根误差为4.81％，平均均方根误差为16.09％。验证结 果表明了所提出的模型在云层遮挡条件下估算辐照度值的能力和准确性。
具体实施时：
1.晴空辐照度模型
在处理云层的移动和遮挡对太阳辐照的影响之前，首先需要建立晴空状态 下太阳辐照度模型。
1.1晴空地外辐照度模型
在地球大气层上界平均日地距离处，垂直于太阳光方向单位面积上的太阳 辐射能基本是一个常数，称之为太阳常数Isc其值约为1367W/m2。大气层外切平 面所接受的太阳辐射与日地距离和太阳辐射方向有关，其表达式如下：
Iex＝IONcosθZ (1＇)
ION＝Isc[1+0.033cos(360°N/365)] (2＇)
δ＝23.45°sin[360°(284+N)/365] (4＇)
ω＝(S+F/60-12)15° (5＇)
(S,F)＝T－(120－l)/15+E (6＇)
其中，Iex表示大气层外垂直入射辐照度，ION表示大气层外光束辐照度，θZ表示太阳天顶角，N表示积日(该日在该年的天数)，
表示当地地理纬度，ω表 示太阳时角，S表示真太阳时的小时数，F表示真太阳时的分钟数，T表示北京时 间，l表示当地地理经度，E表示地球绕太阳公转时运动和转速变化而产生的时 差。
1.2晴空水平斜面辐照度模型
晴空水平斜面辐照度不仅与日地距离和太阳辐射方向有关，还与大气层的 衰减以及水平斜面的倾角有关，本实施例采用的晴空水平斜面辐照度模型来自 于文献Sivaneasan et al.,(2017)，晴空水平斜面辐照度IT包括光束辐射IbT、漫辐 射IdT以及地面反射IrT，其表达式如下：
IT＝IbT+IdT+IrT (8＇)
IbT＝IONτbcosθS (9＇)
τd＝0.271-0.294τb (13＇)
τr＝0.271+0.706τb (14＇)
a0＝r0(0.4237-0.00821(6-A)2) (15＇)
a1＝r1(0.5055+0.00595(6.5-A)2) (16＇)
k＝rk(0.2711+0.01858(2.5-A)2) (17＇)
其中，θS表示表面法线与太阳方向夹角，β表示光伏面板倾角，ρ表示地面 平均反射率，τb、τd、τr分别表示光束辐射、漫辐射以及地面辐射的大气透过率， r0、r1、rk表示气候校正系数，A表示光伏面板安装高度。
为了表示云层对太阳辐照度的衰减程度，这里给出两个参数(Antonanzas etal.,2016)：晴空指数kt、晴朗指数kex。晴空指数指的是辐照度实测值与晴空水平 斜面辐照度的比值，晴朗指数指的是辐照度实测值与晴空地外辐照度的比值， 其表达式如下：
kt＝I/IT (19＇)
kex＝I/Iex (20＇)
图1给出了辐照度实测值、晴空水平斜面辐照度以及晴空地外辐照度的对 比。
由图1可知，晴空水平斜面辐照度与晴空地外辐照度呈现相同的规律性，当 考虑到云层的影响后，云层的移动和遮挡使得辐照度实测值明显降低并具有明 显的随机性和波动性。因此云层对于辐照度的衰减主要体现在辐照度实测值与 晴空水平斜面辐照度的比值上，即可以用kt表征云层对于辐照度的衰减程度。 而不同天气条件下不同类型云层本身属性对于辐照度的衰减程度是后续研究内 容。
2.辐照度衰减预测模型
2.1云层类型与天气类型的相关性
根据云层高度的分布情况，国际气象组织将云层分为低层云、中层云和高 层云三大类，每一大类又可分为多个子类，将云层共分为十类(Cotton et al.,2011； NOAA-National Weather Service,website)：
高层云：卷层云(Cs)，卷云(Ci)以及卷积云(Cc)。
中层云：高层云(As)，高积云(Ac)，以及雨层云(Ns)。
低层云：积云(Cu)，积雨云(Cb)，层积云(Sc)以及层云(St)。
每种类型的云层位于不同的高度并具有不同的透光率以及云传输特性。不 同天气类型下对应着不同的云层类型，如天气晴朗时只可能出现卷云、卷层云 和卷积云，而不会出现阴雨天才显现的云层。因此实施例根据当地气象部门的 历史数据，建立了云层类型和天气类型的相关性矩阵，设X＝(x1,x2,…,xn)为云层 类型变量，其可用有n个离散值的状态空间表示，对应的可用有m个离散值的天 气类型变量Y＝(y1,y2,…,yn)描述天气可能的状态空间，则X和Y两者相关矩阵可表 示为：
其中cij＝nij/N(i＝1,2,…,n；j＝1,2,…,m)，
n和m分别表 示云层类型数和天气类型数，nij为样本序列中元素(xi,yi)出现的次数，N为样本 容量。
根据历史气象数据统计得到的云层以及对应天气类型如表1所示，表1中不 同类型云层所对应的云底高度来自于文献Lima et al.,(2016)。
表1
2.2不同云层类型透光率
如前所述，地面所接受的辐照度主要受云层透光率的影响。云层透光率是 太阳辐照度与云层相互作用的参数，其大小取决于云层的类型。本实施例的云 层透光率采用的模型表达式如下：
τc＝(AM×y′)+x′ (22＇)
其中，τc为云层透光率，AM为气团，x′、y′表示云透光系数。不同类型云 层所对应的云透光系数如表2所示。
表2
2.3辐照度衰减预测模型建立
云层对于辐照度的衰减程度可由晴空指数kt来表征，当已知kt时，地面实际 辐照度可以用晴空水平斜面辐照度与kt的乘积来表示，即：
I＝IT×kt (24＇)
因此地面实际辐照度的预测问题转化为晴空指数kt的预测问题，这里给出晴 空指数kt与云层透光率的表达式：
其中，Sc为云层覆盖光伏面板面积，St为光伏电站总面积。当已知前N个 时刻的晴空指数kt1,kt2,…,ktN时，可由式(25＇)计算前N个时刻云层遮挡面积 Sc1,Sc2,…,ScN，然后根据云层的移动速度和方向来预测后M个时刻的云层遮挡面 积ScN+1,ScN+2,…,ScN+M，再由式(25＇)得到后M个时刻晴空指数ktN+1,ktN+2,…,ktN+M的 预测值，最后由式(24＇)得到后M个时刻地面实际辐照度预测值，从而实现地 面实际辐照度的预测。
云层移动的速度可通过风速转化公式获得，其表达式如下：
V＝V0×(H/H0)μ (26＇)
其中，云层移动方向可由风向表示，风速和风向均来自于光伏电站自带的 实时自动气象监测站；μ为地面摩擦系数，其取值如表3所示。
表3
这里需要说明两点：
(1)这里所采用的云底高为表1中各种云层的平均高度，因此避免了对于 云高仪的依赖；
(2)本实施例预测时间尺度为5min-ahead和10min-ahead，时间尺度较短， 因此没有考虑云层的形变以及消逝和生成。
3.算例分析
3.1基本数据
本实施例研究的光伏电站位于广州南沙工业园区(113.54E，22.72N)，所采 用的历史天气数据和对应的云类型数据来自广州南沙气象局。太阳辐照度实测 数据来自南沙工业园区美的屋顶光伏电站，该光伏电站建设有实时自动气象监 测站，实时自动气象监测站按照太阳能资源评估方法、地面气象观测规范等技 术要求，并参考测风塔建设的相关经验，通过各气象传感器，对光伏电站太阳 总辐射、组件温度、环境温度、风速风向等气象要素，进行实时数据采集，并 每隔5min将采集的数据发送至数据接收平台。本实施例所采用的太阳辐照度实 测数据以及风速风向数据均来自于该实时自动气象监测站。
根据本实施例不依赖于设备的云层跟踪技术及小时内辐照度预测方法对广 州南沙工业园区美的屋顶光伏电站2016年10月1日至2016年10月25日连续25天 的晴空指数和地面实际辐照度进行5min-ahead以及10min-ahead预测。其中，美 的屋顶光伏电站地理位置为113.54E，22.72N；气候校正因子根据文献Tao et al.,(2010)选取典型值；根据文献Mcevoy et al.,(2012),钢筋混凝土材料的地面平均 反射率为0.33；地面摩擦系数根据表3选取；光伏面板倾角以及安装高度由光伏 电站运行规程获得。综上，各类参数取值如下：
r0＝0.95,r1＝0.98,rk＝1.02 (27＇)
ρ＝0.33,μ＝0.40 (28＇)
β＝0,A＝10m (29＇)
3.2算例结果分析
5min-ahead晴空指数预测结果如图3所示。这里给出了10月1日至10月13日的 预测结果，其中10月10日无数据。由图3可知，晴空指数在日出和日落时预测误 差较大，这时因为日出和日落时，实际辐照度值较低，辐照度较小的变化也会 引起晴空指数较大的误差；而在10月7日至10月9日预测结果中可以看到，预测 值在一段时间内基本不变而且均高于实测值，这是因为当云层完全覆盖光伏电 站时，晴空指数已到达最小值。从整体预测结果看，其预测趋势较为准确。
5min-ahead地面辐照度预测结果如图4所示(横坐标为时间，纵坐标为辐照 度)。这里给出了10月1日至10月25日的预测结果，其中10月10日无数据。由图4 可知，当全天云层较少，且云层对光伏电站遮挡较少时，其预测精度最高，如 10月16日(RMSE为2.17％)；当部分时刻云层较少，部分时刻云层较多且遮挡面 积波动较大时，其预测精度将有所降低，如10月15日(RMSE为3.47％)和10月20 日(RMSE为3.91％)；当全天云层较多，且云层对光伏电站遮挡面积波动较大时， 预测精度将进一步降低，如10月2日(RMSE为12.97％)；当天气阴沉，云层足够 多时，其预测精度将会受到很大影响，如10月18日(RMSE为25.13％)、10月21日 (RMSE为21.54％)以及10月23日(RMSE为20.76％)，这时因为当天气十分阴沉时， 除了云层对于辐照度的衰减之外，空气中的尘埃和颗粒也会对辐照度有一定的 衰减作用，因此在这几天的预测结果中可以看到在一段时间内即使云层全部覆 盖光伏电站，辐照度预测值也会高于实测值
10min-ahead地面辐照度预测结果如图5所示(横坐标为时间，纵坐标为辐照 度)。由图5可知，10min-ahead预测结果与5min-ahead预测结果呈现相同规律，但 整体预测误差比5min-ahead预测高，并且预测误差与云层多少以及遮挡面积波动 大小有关。当全天云层较少，预测误差稍有增加，如10月16日(RMSE为4.81％， 误差增加2.64％)；当部分时刻云层较少，部分时刻云层较多且遮挡面积波动较大 时，预测误差有较大增加，如10月15日(RMSE为8.83％，误差增加5.36％)和10月 20日(RMSE为10.99％，误差增加7.08％)；当全天云层较多，且云层对光伏电站 遮挡面积波动较大时，预测误差将大大增加，如10月4日(RMSE为30.25％，误差 增加18.43％)；当天气阴沉，云层足够多时，预测误差相差不大，如10月18日(RMSE为28.62％，误差增加3.49％)、10月21日(RMSE为23.05％，误差增加1.51％) 以及10月23日(RMSE为24.37％，误差增加3.61％)，这是因为此时误差来源主要 为云层完全遮挡光伏电站时段，而这些时段云层的影响已到达极限，因此两者 误差相差不大。
由图4和图5可知，对于同一天而言，辐照度预测误差随预测时间尺度的增 加而增加；对于相同的预测时间尺度而言，云层越多，遮挡面积波动越大，辐 照度预测误差越大；对于不同预测时间尺度而言天气阴沉，云层足够多时，辐 照度预测误差将都将大大增加。总体而言，对于25天的预测结果表明，5min-ahead 预测的最小均方根误差(RMSE)为2.17％，平均均方根误差为11.19％；
10min-ahead预测最小均方根误差为4.81％，平均均方根误差为16.09％。其平均预 测均方根误差均小于20％，验证了所提出的模型在云层遮挡条件下估算辐照度值 的能力和准确性。
本实施例提出了一种不依赖于设备的云层跟踪方法以及小时内辐照度预测 方法。该方法通过分析不同云层类型与不同天气类型的相关性矩阵，建立了在 不同天气条件下，不同云层的传输特性对辐照度的衰减模型；同时，本实施例 所提出的模型所涉及的数据均来自于当地气象局和光伏电站建设阶段自带设 备，不涉及其他的观测设备(日射强度计，云高仪以及天空摄像机等)，克服了 对于观测设备的高度依赖，解决了预测方法应用困难的问题，因此适用于任何 已建立的光伏电站。实际算例结果表明，该方法对于5min-ahead和10min-ahead 的预测具有较高精度，能够比较准确地预测在云层遮挡条件下辐照度的变化趋 势，对基于辐照度预测的光伏出力超短期预测以及光伏电站发电控制与调度具 有重要的应用价值。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
虽然以上结合附图描述了本发明的具体实施方式，但是本领域普通技术人 员应当理解，这些仅是举例说明，可以对这些实施方式做出多种变形或修改， 而不背离本发明的原理和实质。本发明的范围仅由所附权利要求书限定。
Claims (1)
1.不依赖于设备的云层跟踪技术及小时内辐照度预测方法，其特征是，包括以下步骤：
步骤1、通过历史气象数据，建立云层类型和天气类型的相关性矩阵；
步骤2、根据天气预报确定天气类型以及云底高，根据步骤1中相关性矩阵确定云层类型，并由气象数据中风速风向确定云层移动的速度和方向；
步骤3、根据不同云层类型，通过以下云层透光率的表达式确定各个时刻云层透光率；
τc＝(AM×y′)+x′ (1)
其中，τc为云层透光率，AM为气团，x′、y′表示云透光系数；
步骤4、采用晴空水平斜面辐照度模型确定各个时刻晴空水平斜面辐照度；
晴空水平斜面辐照度IT包括光束辐射IbT、漫辐射IdT以及地面反射IrT，其表达式如下：
IT＝IbT+IdT+IrT (3)
IbT＝IONτbcosθS (4)
τd＝0.271-0.294τb (8)
τr＝0.271+0.706τb (9)
a0＝r0(0.4237-0.00821(6-A)2) (10)
a1＝r1(0.5055+0.00595(6.5-A)2) (11)
k＝rk(0.2711+0.01858(2.5-A)2) (12)
其中，θS表示表面法线与太阳方向夹角，β表示光伏面板倾角，ρ表示地面平均反射率，τb、τd、τr分别表示光束辐射、漫辐射以及地面辐射的大气透过率，r0、r1、rk表示气候校正系数，A表示光伏面板安装高度；
步骤5，当已知前N个时刻的晴空指数kt1,kt2,…,ktN时，通过晴空指数kt与云层透光率的式(14)计算前N个时刻云层遮挡面积Sc1,Sc2,…,ScN，然后根据云层的移动速度和方向来预测后M个时刻的云层遮挡面积ScN+1,ScN+2,…,ScN+M，再由式(14)得到后M个时刻晴空指数ktN+1,ktN+2,…,ktN+M的预测值；
其中，Sc为云层覆盖光伏面板面积，St为光伏电站总面积；
步骤6，最后通过式(15)得到后M个时刻地面实际辐照度预测值，从而实现地面实际辐照度的预测；
I＝IT×kt (15)
其中，I为地面实际辐照度预测值，kt为晴空指数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910123094.4A CN109886486B (zh) | 2019-02-18 | 2019-02-18 | 不依赖于设备的云层跟踪技术及小时内辐照度预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910123094.4A CN109886486B (zh) | 2019-02-18 | 2019-02-18 | 不依赖于设备的云层跟踪技术及小时内辐照度预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109886486A CN109886486A (zh) | 2019-06-14 |
| CN109886486B true CN109886486B (zh) | 2022-11-29 |
Family
ID=66928609
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910123094.4A Active CN109886486B (zh) | 2019-02-18 | 2019-02-18 | 不依赖于设备的云层跟踪技术及小时内辐照度预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109886486B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113031110B (zh) * | 2019-12-25 | 2024-01-23 | 国创移动能源创新中心(江苏)有限公司 | 云层监测方法和装置、光伏功率预测方法和装置 |
| CN111460196A (zh) * | 2020-05-21 | 2020-07-28 | 南京大学 | 一种基于深度学习的云层变化趋势预测方法 |
| 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 |
| CN112651551A (zh) * | 2020-12-21 | 2021-04-13 | 江苏中信博新能源科技股份有限公司 | 一种光伏电站跟踪预测的方法及系统 |
| CN114021442B (zh) * | 2021-10-28 | 2024-04-30 | 山东电力建设第三工程有限公司 | 一种用于塔式光热电站的dni预测方法 |
| CN114296050B (zh) * | 2022-03-07 | 2022-06-07 | 南京鼐云信息技术有限责任公司 | 基于激光雷达云图探测的光伏电站短期发电功率预测方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
-
2019
- 2019-02-18 CN CN201910123094.4A patent/CN109886486B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN109886486A (zh) | 2019-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109886486B (zh) | 不依赖于设备的云层跟踪技术及小时内辐照度预测方法 | |
| Obiwulu et al. | Modeling and estimation of the optimal tilt angle, maximum incident solar radiation, and global radiation index of the photovoltaic system | |
| CN113298303B (zh) | 针对气象卫星云图动态注意域的光伏功率预测方法 | |
| El Ouderni et al. | Experimental assessment of the solar energy potential in the gulf of Tunis, Tunisia | |
| Rezk et al. | Experimental implementation of meteorological data and photovoltaic solar radiation monitoring system | |
| Qiu et al. | Optimum tilt angle of solar collectors and its impact on performance | |
| Aoun | Methodology for predicting the PV module temperature based on actual and estimated weather data | |
| Barbón et al. | A comparative study between racking systems for photovoltaic power systems | |
| Nassar et al. | A generic model for optimum tilt angle of flat-plate solar harvesters for Middle East and North Africa region | |
| CN114881399A (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 | |
| Gorjian et al. | Estimation of mean monthly and hourly global solar radiation on surfaces tracking the sun: Case study: Tehran | |
| Perers | The solar resource in cold climates | |
| CN109614649B (zh) | 一种面向华南地区桥梁的全气候热分析方法 | |
| Li et al. | Evaluation of solar radiation models on vertical surface for building photovoltaic applications in Beijing | |
| Esteves et al. | Forecasting photovoltaics/concentrated photovoltaics at national level–Portugal experience | |
| Li et al. | Evaluation index system for photovoltaic systems statistical characteristics under hazy weather conditions in central China | |
| Zhang et al. | Short-term prediction of weather parameters using online weather forecasts | |
| CN111596384B (zh) | 一种基于天气类型有效识别的斜面辐射预测方法 | |
| Hertzog | Validating the optimum tilt angle for PV modules in the central region of South Africa for the winter season | |
| Daus et al. | Assessing solar energy using photovoltaic power plants on building envelopes | |
| Park et al. | An improved photovoltaic system output prediction model under limited weather information | |
| Medykovskyy et al. | Processing of data on the intensity of solar radiation for solar power plant management systems | |
| Mahendran et al. | Diurnal pattern and estimation of global solar radiation in East Coast Malaysia | |
| Pereira et al. | Prediction of solar resource and photovoltaic energy production through the generation of a typical meteorological year and Meso-NH simulations: Application to the south of Portugal | |
| Konovalov et al. | Computer technology applications to calculate the insolation of photoelectric power plant |
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 |