CN110781458A - 一种基于混合回归模型预测地表太阳辐照度的方法 - Google Patents

一种基于混合回归模型预测地表太阳辐照度的方法 Download PDF

Info

Publication number
CN110781458A
CN110781458A CN201911042015.3A CN201911042015A CN110781458A CN 110781458 A CN110781458 A CN 110781458A CN 201911042015 A CN201911042015 A CN 201911042015A CN 110781458 A CN110781458 A CN 110781458A
Authority
CN
China
Prior art keywords
time
value
solar irradiance
sky
moment
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.)
Granted
Application number
CN201911042015.3A
Other languages
English (en)
Other versions
CN110781458B (zh
Inventor
黄小乔
石俊生
邰永航
陈载清
张超
程飞燕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yunnan Normal University
Original Assignee
Yunnan Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yunnan Normal University filed Critical Yunnan Normal University
Priority to CN201911042015.3A priority Critical patent/CN110781458B/zh
Publication of CN110781458A publication Critical patent/CN110781458A/zh
Application granted granted Critical
Publication of CN110781458B publication Critical patent/CN110781458B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • 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)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Biology (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Algebra (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Photometry And Measurement Of Optical Pulse Characteristics (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本发明提供了一种基于全天空图像特征和数值天气预报数据的混合回归模型预测地表太阳辐照度的方法,包括步骤1：获取全天空图像特征；步骤2：计算晴空辐照度；步骤3：构建全天空图像特征和晴空指数的多元回归模型；步骤4：依据步骤3所述模型确定晴空指数预测值，计算地表太阳辐照度预测值；步骤5：构建待测区域历史天气数据和晴空指数的多元回归模型；步骤6：依据步骤5中所述模型确定晴空指数预测值，计算地表太阳辐照度预测值；步骤7：依据地表太阳辐照度历史数据，对步骤4和步骤6所述两种预测值选取不同的权重，作为最终预测结果。该方法在全天空图像特征基础上加入了数值天气预报，结果更加准确，具有很强的可操作性和推广应用价值。

Description

一种基于混合回归模型预测地表太阳辐照度的方法
技术领域
本发明涉及太阳能光伏发电功率预测技术领域，更具体涉及一种基于全天空图像特征和数值天气预报数据的地表太阳辐照度预测方法。
背景技术
随着太阳能光伏发电技术的不断完善和太阳能电池成本的不断下降，太阳能光伏发电的应用越来越广泛。作为一种清洁的、可再生能源，近年来，大量光伏电站接入电网。但由于光伏电站能源来源于太阳能，而地面上获取的太阳能会因大气事件（如雨和云）而改变，表现出随机性和波动性的特性。这给电网的安全运行带来了不利影响。准确的预测地表太阳辐照度是实现光伏电站输出功率预测的关键，这对实现电网电力的合理调度、维护电网安全、发挥效率降低成本具有重要作用。
目前国内外预测辐照度的方法有很多，我们把它分为三类：第一类根据历史数据采用统计方法或人工智能的方法建立能够拟合历史数据与未来辐照度实测值之间关系的模型，比较常见的方法有自回归移动平均模型（ARIMA）、人工神经网络（ANN）、KNN最近邻算法(K - Nearest Neighbors)、长短期记忆网络（LSTM）、隐马尔科夫模型(Hidden MarkovModels)和模糊逻辑(Fuzzy Logic)等；第二类是气象或数值天气预报（NWP）模型，该方法通过对描述天气演变过程的物理方程组进行数值计算来实现；第三类是基于全天空图像的模型，通过对云层运动情况进行估计，从而获得地表辐照度值，由于全天空成像仪能实时获得待测区域的全天空图像，对短期和超短期的预测更加准确。专利CN103353952B提供了一种基于地基云图的光伏功率预测方法，该方法利用数字图像处理技术对地基云图进行处理和分析，对未来时刻云团运动和太阳遮挡状况进行预测，从而实现光伏功率超短期预测。专利CN105718711B提供了一种基于全天空图像特征的地表辐射计算方法，该方法通过计算全天空图像特征和辐射衰减率的多元回归模型，并结合大气外太阳辐射值，得到地表辐射预测值。
近年来，随着计算机性能快速发展，数值天气预报的精度不断提高，许多数值天气预报模型深受大家的欢迎，如开源的WRF模型（Weather Research and Forecast Model），可免费访问的美国国家气象局（NWS）、欧洲中期天气预报中心(ECMWF)和中国气象局等。而现有技术中没有较好的实现数值天气预报和全天空图像的有效结合。因此，需要提供一种综合考虑数值天气预报和全天空云图特征的地表太阳辐照度预测方法。
发明内容
针对现有技术存在的缺陷，本发明提供一种基于全天空图像特征和数值天气预报相结合的预测方法进行地表太阳辐照度预测，可有效解决上述问题。
所述预测方法包括以下步骤：
一种基于混合回归模型预测地表太阳辐照度的方法，包括以下步骤：
步骤1：获取全天空图像，计算全天空图像特征，包括全天空图像云像素数预测值、
Figure 216433DEST_PATH_IMAGE001
分钟到
Figure 312565DEST_PATH_IMAGE002
时刻的云像素数的平均值和方差；
所述步骤1中计算全天空图像特征包括以下步骤：
步骤1-1 ：已知时刻及时刻以前的全天空图像，采用方程（1）-（5）计算
Figure 477815DEST_PATH_IMAGE003
时刻的全天空图像云像素数预测值
Figure 795663DEST_PATH_IMAGE004
：
Figure 373275DEST_PATH_IMAGE005
（1）
其中，所述
Figure 670133DEST_PATH_IMAGE006
为全天空图像归一化的红蓝比；所述B和R分别为像素点蓝色、红色通道亮度值；
Figure 42209DEST_PATH_IMAGE007
（2）
其中，所述
Figure 660403DEST_PATH_IMAGE008
为阈值系数，取0.3；
所述
Figure 713810DEST_PATH_IMAGE002
时刻全天空图像的云像素数
Figure 615907DEST_PATH_IMAGE009
为该图像每一个像素红蓝比
Figure 411081DEST_PATH_IMAGE006
满足（2）式的像素数之和；
采用方程（3）所述的直线趋势法预测
Figure 31418DEST_PATH_IMAGE003
时刻的云像素数：
Figure 435986DEST_PATH_IMAGE010
(3)
式中，
Figure 395851DEST_PATH_IMAGE011
为自变量，是选定的时间；
为因变量，是对于选定的
Figure 201051DEST_PATH_IMAGE011
值对应的云像素数；
为待求系数，求解方法如方程（4）-（5）：
(4)
Figure 108461DEST_PATH_IMAGE015
(5)
步骤1-2 ：已知
Figure 437811DEST_PATH_IMAGE002
时刻及
Figure 968804DEST_PATH_IMAGE002
时刻以前30分钟内的全天空图像，采用方程（6）-（7）计算
Figure 637683DEST_PATH_IMAGE001
分钟到
Figure 693363DEST_PATH_IMAGE002
时刻的云像素数的平均值
和方差
Figure 325650DEST_PATH_IMAGE017
:
Figure 160620DEST_PATH_IMAGE018
(6)
Figure 324885DEST_PATH_IMAGE019
(7)
步骤2：计算
Figure 628827DEST_PATH_IMAGE002
时刻晴空辐照度
Figure 982579DEST_PATH_IMAGE020
所述步骤2中晴空辐照度
Figure 737302DEST_PATH_IMAGE020
采用Dazhi Yang的简化模型，采用方程（8）-（16）计算每一个时刻
Figure 400365DEST_PATH_IMAGE002
的晴空辐照度
Figure 676756DEST_PATH_IMAGE020
；
(8)
方程（8）中的参数由下述方程（9）-（16）进行计算：
Figure 627449DEST_PATH_IMAGE022
其中：
Figure 461413DEST_PATH_IMAGE023
为太阳常数（单位
Figure 225101DEST_PATH_IMAGE024
）；
Figure 169923DEST_PATH_IMAGE025
为天顶角；
Figure 831062DEST_PATH_IMAGE026
为年序日（1月1日为1，12月31日为365）；
Figure 835927DEST_PATH_IMAGE027
为太阳赤纬；
Figure 86911DEST_PATH_IMAGE028
为地理纬度；
为太阳时角；
为真太阳时，以24小时计；
Figure 467449DEST_PATH_IMAGE031
为北京时；
Figure 454996DEST_PATH_IMAGE032
为经度；
Figure 492353DEST_PATH_IMAGE033
为时差；
步骤3：构建所述全天空图像特征和晴空指数的多元回归模型；
所述步骤3中的多元回归模型的表达式为：
Figure 819430DEST_PATH_IMAGE034
(17)
其中，所述
Figure 900518DEST_PATH_IMAGE035
为
Figure 627559DEST_PATH_IMAGE036
时刻晴空指数预测值；
Figure 717875DEST_PATH_IMAGE004
为
Figure 899457DEST_PATH_IMAGE036
时刻全天空图像云像素数预测值，
Figure 167759DEST_PATH_IMAGE016
为
Figure 864319DEST_PATH_IMAGE001
分钟到
Figure 742014DEST_PATH_IMAGE002
时刻的云像素数的平均值，
Figure 106000DEST_PATH_IMAGE037
为
Figure 732153DEST_PATH_IMAGE001
分钟到时刻的云像素数的方差；
所述
Figure 98861DEST_PATH_IMAGE038
和为系数；
步骤4：依据步骤3所述多元回归模型确定
Figure 360745DEST_PATH_IMAGE036
时刻晴空指数预测值
Figure 31898DEST_PATH_IMAGE035
，并结合步骤2所述方法计算
Figure 752860DEST_PATH_IMAGE036
时刻晴空太阳辐照度值
Figure 825858DEST_PATH_IMAGE040
得到地表太阳辐照度预测值；
所述步骤4中依据多元回归模型确定
Figure 201531DEST_PATH_IMAGE036
时刻晴空指数预测值
Figure 975452DEST_PATH_IMAGE035
包括：
步骤4-1：构建目标函数
Figure 653689DEST_PATH_IMAGE042
:
Figure 854863DEST_PATH_IMAGE043
N为用来拟合参数的样本数；
步骤4-2：用最小二乘法计算目标函数
Figure 438291DEST_PATH_IMAGE042
的最优系数：
Figure 268100DEST_PATH_IMAGE044
和
Figure 50111DEST_PATH_IMAGE045
，则所述
Figure 172919DEST_PATH_IMAGE036
时刻晴空指数预测值的计算公式为：
Figure 359367DEST_PATH_IMAGE046
（19）
步骤4-3：采用方程（20）计算时刻地表太阳辐照度预测值
Figure 53708DEST_PATH_IMAGE041
:
（20）
步骤5：构建待测区域历史天气数据和晴空指数的多元回归模型；
所述历史天气数据至少包括温度数据、湿度数据
Figure 772900DEST_PATH_IMAGE049
、云量数据
Figure 998695DEST_PATH_IMAGE050
和降雨量数据
Figure 840749DEST_PATH_IMAGE051
；
所述多元回归模型的表达式为：
(21)
其中，所述
Figure 863380DEST_PATH_IMAGE053
为
Figure 748159DEST_PATH_IMAGE002
时刻晴空指数；所述
Figure 326777DEST_PATH_IMAGE054
、
Figure 587994DEST_PATH_IMAGE055
、
Figure 256873DEST_PATH_IMAGE056
和
Figure 63286DEST_PATH_IMAGE057
分别为
Figure 879932DEST_PATH_IMAGE002
时刻当地气象站所获得的温度数据、湿度数据、云量数据和降雨量数据；所述
Figure 931458DEST_PATH_IMAGE058
和为系数；
步骤6：依据步骤5中所述多元回归模型确定
Figure 590681DEST_PATH_IMAGE036
时刻晴空指数预测值
Figure 146821DEST_PATH_IMAGE060
，并结合所述
Figure 484262DEST_PATH_IMAGE036
时刻晴空太阳辐照度值
Figure 623338DEST_PATH_IMAGE040
得到地表太阳辐照度预测值
Figure 207772DEST_PATH_IMAGE061
；
所述步骤6中依据多元回归模型确定
Figure 749743DEST_PATH_IMAGE036
时刻晴空指数预测值
Figure 828557DEST_PATH_IMAGE060
包括：
步骤6-1：构建目标函数
Figure 952633DEST_PATH_IMAGE062
：
Figure 724280DEST_PATH_IMAGE063
N为用来拟合参数的样本数；
步骤6-2：用最小二乘法计算目标函数
Figure 737236DEST_PATH_IMAGE062
的最优系数：、和
Figure 36477DEST_PATH_IMAGE066
，则所述
Figure 785996DEST_PATH_IMAGE036
时刻晴空指数预测值
Figure 268930DEST_PATH_IMAGE060
的计算公式为：
Figure 806746DEST_PATH_IMAGE067
其中，所述
Figure 982513DEST_PATH_IMAGE060
为
Figure 219328DEST_PATH_IMAGE036
时刻晴空指数预测值；所述
Figure 443636DEST_PATH_IMAGE068
、
Figure 252936DEST_PATH_IMAGE069
、
Figure 599603DEST_PATH_IMAGE070
和
Figure 12130DEST_PATH_IMAGE071
分别为距离时刻最近时刻的数值天气预报的温度数据、湿度数据、云量数据和降雨量数据；
步骤6-3：采用方程（24）计算
Figure 284028DEST_PATH_IMAGE036
时刻地表太阳辐照度预测值
Figure 536018DEST_PATH_IMAGE061
：
（24）
步骤7：获取预测区域至少1年地表太阳辐照度历史数据
Figure 396361DEST_PATH_IMAGE073
，记录地表太阳辐照度的这些历史数据间的时间间隔小于或等于5分钟；根据方程（20）、（24）两种地表太阳辐照度预测值与地表太阳辐照度实际值的关系，以均方误差最小为原则，对两个预测值选取不同的权重，从而得到更为精确的地表太阳辐照度预测结果，见（25）式：
其中，所述
Figure 183237DEST_PATH_IMAGE075
为地表太阳辐照度预测期望值，在此步骤中代入待预测的
Figure 884870DEST_PATH_IMAGE036
时刻的地表太阳辐照度实际值；所述
Figure 254672DEST_PATH_IMAGE041
和
Figure 952457DEST_PATH_IMAGE061
分别为采用方程（20）和（24）预测的
Figure 562561DEST_PATH_IMAGE036
时刻的地表太阳辐照度预测值；所述
Figure 233714DEST_PATH_IMAGE076
和分别为
Figure 43986DEST_PATH_IMAGE041
、
Figure 11943DEST_PATH_IMAGE061
的权重系数。
优选的是，步骤1中，所述全天空图像包含预测区域至少1年的图像，记录全天空图像的这些历史数据间的时间间隔小于或等于5分钟。
优选的是，其特征在于，步骤1-1中，所述为阈值系数，取0.3，精确计算时，可以根据实际采集的全天空图进行修正。
优选的是，步骤1-1中，所述方程（4）（5）中
Figure 695045DEST_PATH_IMAGE011
为1,2,3,4,5,4,7；为对应
Figure 7745DEST_PATH_IMAGE079
Figure 653490DEST_PATH_IMAGE002
时刻的云像素数；为上述7个
Figure 763845DEST_PATH_IMAGE078
的平均值；
Figure 73604DEST_PATH_IMAGE081
为上述7个
Figure 455912DEST_PATH_IMAGE011
的平均值。
优选的是，其特征在于，步骤1-1中，所述
Figure 571636DEST_PATH_IMAGE036
时刻，
Figure 224465DEST_PATH_IMAGE082
=1，对应预测时间是5分钟；
Figure 767442DEST_PATH_IMAGE082
=2，对应预测时间是10分钟；
Figure 59883DEST_PATH_IMAGE082
=3，对应预测时间是15分钟；
Figure 231495DEST_PATH_IMAGE082
=4，对应预测时间是20分钟；
Figure 237366DEST_PATH_IMAGE082
=5，对应预测时间是25分钟；
Figure 888927DEST_PATH_IMAGE082
=6，对应预测时间是30分钟，所对应的
Figure 747293DEST_PATH_IMAGE011
值为+7，将值代入方程（3）计算对应时刻的云像素数预测值
Figure 313216DEST_PATH_IMAGE004
。
与现有技术相比，本发明的有益效果在于：
（1）本发明的技术方案中，发明了一种基于全天空图像特征和数值天气预报的混合回归模型预测地表太阳辐照度方法。
（1）本发明将传统的直接辐照度预测转换为对晴空指数的预测，因其已将待测区域的地理位置信息、预测时间等关键信息代入了晴空辐照度模型，使得预测结果更加准确。
（2）本发明构建了全天空图像特征和晴空指数的多元回归模型，运用数字图像处理技术将全天空图像特征提取为当前时刻的云像素数
Figure 574433DEST_PATH_IMAGE009
、
Figure 227000DEST_PATH_IMAGE001
分钟到
Figure 800457DEST_PATH_IMAGE002
时刻的云像素数的平均值
Figure 617103DEST_PATH_IMAGE016
和方差，并采用直线趋势法预测
Figure 690550DEST_PATH_IMAGE036
时刻的云像素数，用图像特征表征太阳辐照度的变化特征，这样就可以借助图像建立起简单的云层变化与太阳辐照度的关联关系。
（3）本发明构建了待测区域历史天气数据和晴空指数的多元回归模型，将数值天气预报的数据代入模型预测晴空指数，充分发挥了数值天气预报的优势，提高了预测性能。
附图说明
图1为本发明实施例中基于全天空图像特征和数值天气预报的混合回归模型预测地表太阳辐照度方法流程图。
具体实施方式
如图1所示，一种基于混合回归模型预测地表太阳辐照度的方法，包括以下步骤：
步骤1：获取所述全天空图像特征，包括全天空图像云像素数预测值、
Figure 470342DEST_PATH_IMAGE001
分钟到时刻的云像素数的平均值和方差；
优选的，所述全天空图像包含预测区域至少1年的图像，记录全天空图像的这些历史数据间的时间间隔小于或等于5分钟；
所述步骤1中计算全天空图像特征包括以下步骤：
步骤1-1 已知时刻及
Figure 111386DEST_PATH_IMAGE002
时刻以前的全天空图像，采用方程（1）-（5）计算
Figure 902624DEST_PATH_IMAGE036
时刻的全天空图像云像素数预测值
Figure 981439DEST_PATH_IMAGE004
：
（1）
其中，所述
Figure 359385DEST_PATH_IMAGE006
为全天空图像归一化的红蓝比；所述B和R分别为像素点蓝色、红色通道亮度值；
Figure 388652DEST_PATH_IMAGE007
（2）
其中，所述
Figure 271158DEST_PATH_IMAGE008
为阈值系数，取0.3，精确计算时，可以根据实际采集的全天空图进行修正；
所述
Figure 685959DEST_PATH_IMAGE002
时刻全天空图像的云像素数为该图像每一个像素红蓝比
Figure 443272DEST_PATH_IMAGE006
满足（2）式的像素数之和；
采用方程（3）所述的直线趋势法预测
Figure 863889DEST_PATH_IMAGE003
时刻的云像素数：
Figure 149508DEST_PATH_IMAGE010
（3）
式中，
Figure 59696DEST_PATH_IMAGE011
为自变量，是选定的时间；
为因变量，是对于选定的
Figure 520819DEST_PATH_IMAGE011
值对应的云像素数；
为待求系数，求解方法如方程（4）-（5）：
Figure 253950DEST_PATH_IMAGE014
（4）
（5）
优选的，所述方程（4）（5）中
Figure 491213DEST_PATH_IMAGE011
为1，2，3，4，5，6，7；
Figure 984380DEST_PATH_IMAGE012
为对应
Figure 501949DEST_PATH_IMAGE079
时刻的云像素数；为上述7个的平均值；为上述7个
Figure 518709DEST_PATH_IMAGE011
的平均值；
优选的，所述
Figure 622931DEST_PATH_IMAGE003
时刻（
Figure 900810DEST_PATH_IMAGE083
=1，对应预测时间是5分钟；
Figure 697865DEST_PATH_IMAGE083
=2，对应预测时间是10分钟；
Figure 618285DEST_PATH_IMAGE083
=3，对应预测时间是15分钟；
Figure 854095DEST_PATH_IMAGE083
=4，对应预测时间是20分钟；
Figure 179290DEST_PATH_IMAGE083
=5，对应预测时间是25分钟；
Figure 209563DEST_PATH_IMAGE083
=6，对应预测时间是30分钟）所对应的
Figure 305695DEST_PATH_IMAGE011
值为
Figure 83812DEST_PATH_IMAGE083
+7，将
Figure 89945DEST_PATH_IMAGE011
值代入方程（3）计算对应
Figure 228803DEST_PATH_IMAGE003
时刻的云像素数预测值
Figure 874548DEST_PATH_IMAGE084
；
步骤1-2 已知
Figure 435848DEST_PATH_IMAGE002
时刻及
Figure 483438DEST_PATH_IMAGE002
时刻以前30分钟内的全天空图像，采用方程（6）-（7）计算
Figure 606246DEST_PATH_IMAGE001
分钟到时刻的云像素数的平均值
Figure 107208DEST_PATH_IMAGE016
和方差
Figure 9305DEST_PATH_IMAGE017
：
Figure 303014DEST_PATH_IMAGE018
（6）
Figure 657772DEST_PATH_IMAGE019
（7）
步骤2：计算
Figure 514870DEST_PATH_IMAGE002
时刻晴空辐照度
Figure 767079DEST_PATH_IMAGE020
；
优选的，所述步骤2中晴空辐照度
Figure 480957DEST_PATH_IMAGE020
采用Dazhi Yang的简化模型（Dazhi Yang,W.Walsh, P. Jirutitijaroen, Estimation and applications of clear sky globalhorizontal irradiance at the equator, J. Sol. Energy Eng. 136 (3) (2014)），采用方程（8）-（16）计算每一个时刻
Figure 339322DEST_PATH_IMAGE002
的晴空辐照度
Figure 796849DEST_PATH_IMAGE020
；
（8）
方程（8）中的参数由下述方程（9）-（16）进行计算：
Figure 807585DEST_PATH_IMAGE022
其中：
Figure 887667DEST_PATH_IMAGE023
为太阳常数（单位）；
Figure 866698DEST_PATH_IMAGE025
为天顶角；
Figure 187958DEST_PATH_IMAGE026
为年序日（1月1日为1，12月31日为365）；
Figure 676708DEST_PATH_IMAGE027
为太阳赤纬；
Figure 492348DEST_PATH_IMAGE028
为地理纬度；
Figure 389635DEST_PATH_IMAGE029
为太阳时角；
Figure 553900DEST_PATH_IMAGE030
为真太阳时，以24小时计；
Figure 857843DEST_PATH_IMAGE031
为北京时；
Figure 211595DEST_PATH_IMAGE032
为经度；
Figure 898141DEST_PATH_IMAGE033
为时差；
步骤3：构建所述全天空图像特征和晴空指数的多元回归模型；
优选的，所述步骤3中的多元回归模型的表达式为：
Figure 810471DEST_PATH_IMAGE034
（17）
其中，所述
Figure 336130DEST_PATH_IMAGE035
为时刻晴空指数预测值；
Figure 243748DEST_PATH_IMAGE004
为
Figure 812133DEST_PATH_IMAGE036
时刻全天空图像云像素数预测值，为
Figure 222440DEST_PATH_IMAGE001
分钟到
Figure 450290DEST_PATH_IMAGE002
时刻的云像素数的平均值，为
Figure 627511DEST_PATH_IMAGE001
分钟到时刻的云像素数的方差；
所述
Figure 704719DEST_PATH_IMAGE038
和
Figure 818168DEST_PATH_IMAGE039
为系数；
步骤4：依据步骤3所述多元回归模型确定
Figure 805716DEST_PATH_IMAGE036
时刻晴空指数预测值
Figure 341608DEST_PATH_IMAGE035
，并结合步骤2所述方法计算
Figure 232466DEST_PATH_IMAGE036
时刻晴空太阳辐照度值
Figure 516817DEST_PATH_IMAGE040
得到地表太阳辐照度预测值
Figure 476814DEST_PATH_IMAGE085
:
优选的，所述步骤4中依据多元回归模型确定
Figure 567129DEST_PATH_IMAGE036
时刻晴空指数预测值包括：
步骤4-1：构建目标函数
Figure 410873DEST_PATH_IMAGE086
:
Figure 123746DEST_PATH_IMAGE087
N为用来拟合参数的样本数；
步骤4-2：用最小二乘法计算目标函数
Figure 752173DEST_PATH_IMAGE086
的最优系数：和
Figure 978197DEST_PATH_IMAGE045
，则所述
Figure 99737DEST_PATH_IMAGE036
时刻晴空指数预测值
Figure 531855DEST_PATH_IMAGE035
的计算公式为：
Figure 563396DEST_PATH_IMAGE046
（19）
步骤4-3：采用方程（20）计算时刻地表太阳辐照度预测值
Figure 343188DEST_PATH_IMAGE085
：
Figure 251101DEST_PATH_IMAGE047
（20）
步骤5：构建待测区域历史天气数据和晴空指数的多元回归模型；
所述历史天气数据至少包括温度数据、湿度数据、云量数据
Figure 759159DEST_PATH_IMAGE050
和降雨量数据
Figure 533080DEST_PATH_IMAGE051
；
所述多元回归模型的表达式为：
Figure 476897DEST_PATH_IMAGE088
（21）
其中，所述
Figure 615754DEST_PATH_IMAGE053
为
Figure 995920DEST_PATH_IMAGE002
时刻晴空指数；所述
Figure 825729DEST_PATH_IMAGE054
、
Figure 873319DEST_PATH_IMAGE055
、
Figure 183078DEST_PATH_IMAGE056
和
Figure 801272DEST_PATH_IMAGE057
分别为
Figure 916996DEST_PATH_IMAGE002
时刻当地气象站所获得的温度数据、湿度数据、云量数据和降雨量数据；所述和
Figure 549020DEST_PATH_IMAGE059
为系数；
步骤6：依据步骤5中所述多元回归模型确定
Figure 169357DEST_PATH_IMAGE036
时刻晴空指数预测值
Figure 573925DEST_PATH_IMAGE089
，并结合所述
Figure 780129DEST_PATH_IMAGE036
时刻晴空太阳辐照度值得到地表太阳辐照度预测值；
优选的，所述步骤6中依据多元回归模型确定时刻晴空指数预测值
Figure 670276DEST_PATH_IMAGE089
包括：
步骤6-1：构建目标函数
Figure 492739DEST_PATH_IMAGE062
：
Figure 822089DEST_PATH_IMAGE090
N为用来拟合参数的样本数；
步骤6-2：用最小二乘法计算目标函数
Figure 335503DEST_PATH_IMAGE062
的最优系数：
Figure 60063DEST_PATH_IMAGE065
和
Figure 627441DEST_PATH_IMAGE091
，则所述
Figure 692349DEST_PATH_IMAGE036
时刻晴空指数预测值
Figure 527319DEST_PATH_IMAGE089
的计算公式为：
Figure 691584DEST_PATH_IMAGE092
其中，所述
Figure 995526DEST_PATH_IMAGE089
为
Figure 349278DEST_PATH_IMAGE036
时刻晴空指数预测值；所述
Figure 848874DEST_PATH_IMAGE068
、
Figure 511937DEST_PATH_IMAGE069
、和
Figure 132722DEST_PATH_IMAGE071
分别为距离
Figure 697213DEST_PATH_IMAGE036
时刻最近时刻的数值天气预报的温度数据、湿度数据、云量数据和降雨量数据；
步骤6-3：采用方程（24）计算
Figure 780444DEST_PATH_IMAGE036
时刻地表太阳辐照度预测值
Figure 793399DEST_PATH_IMAGE061
：
Figure 675905DEST_PATH_IMAGE072
（24）
步骤7：获取预测区域至少1年地表太阳辐照度历史数据
Figure 841438DEST_PATH_IMAGE073
，记录地表太阳辐照度的这些历史数据间的时间间隔小于或等于5分钟；根据方程（20）、（24）两种地表太阳辐照度预测值与地表太阳辐照度实际值的关系，以均方误差最小为原则，对两个预测值选取不同的权重，从而得到更为精确的地表太阳辐照度预测结果，见（25）式：
Figure 846303DEST_PATH_IMAGE074
其中，所述
Figure 284238DEST_PATH_IMAGE075
为地表太阳辐照度预测期望值，在此步骤中代入待预测的
Figure 284948DEST_PATH_IMAGE036
时刻的地表太阳辐照度实际值；所述
Figure 554255DEST_PATH_IMAGE085
和
Figure 480754DEST_PATH_IMAGE061
分别为采用方程（20）和（24）预测的
Figure 405985DEST_PATH_IMAGE036
时刻的地表太阳辐照度预测值；所述
Figure 692610DEST_PATH_IMAGE076
和
Figure 577608DEST_PATH_IMAGE077
分别为、
Figure 71224DEST_PATH_IMAGE061
的权重系数。

Claims (5)

1.一种基于混合回归模型预测地表太阳辐照度的方法，其特征在于，包括以下步骤：
步骤1：获取全天空图像，计算全天空图像特征，包括全天空图像云像素数预测值、
Figure 534771DEST_PATH_IMAGE001
分钟到时刻的云像素数的平均值和方差；
所述步骤1中计算全天空图像特征包括以下步骤：
步骤1-1 ：已知
Figure 857747DEST_PATH_IMAGE002
时刻及时刻以前的全天空图像，采用方程（1）-（5）计算
Figure 129646DEST_PATH_IMAGE003
时刻的全天空图像云像素数预测值
Figure 14425DEST_PATH_IMAGE004
：
Figure 343775DEST_PATH_IMAGE005
(1)
其中，所述
Figure 542675DEST_PATH_IMAGE006
为全天空图像归一化的红蓝比；所述B和R分别为像素点蓝色、红色通道亮度值；
Figure 775336DEST_PATH_IMAGE007
(2)
其中，所述
Figure 831017DEST_PATH_IMAGE008
为阈值系数，取0.3；
所述
Figure 647663DEST_PATH_IMAGE002
时刻全天空图像的云像素数
Figure 384675DEST_PATH_IMAGE009
为该图像每一个像素红蓝比
Figure 970377DEST_PATH_IMAGE006
满足（2）式的像素数之和；
采用方程（3）所述的直线趋势法预测
Figure 794081DEST_PATH_IMAGE010
时刻的云像素数：
Figure 98023DEST_PATH_IMAGE011
(3)
式中，
Figure 373147DEST_PATH_IMAGE012
为自变量，是选定的时间；
Figure 78935DEST_PATH_IMAGE013
为因变量，是对于选定的
Figure 476418DEST_PATH_IMAGE012
值对应的云像素数；
Figure 769121DEST_PATH_IMAGE014
, 为待求系数，求解方法如方程（4）-（5）：
(4)
Figure 408230DEST_PATH_IMAGE016
(5)
步骤1-2 ：已知
Figure 242194DEST_PATH_IMAGE017
时刻及
Figure 255149DEST_PATH_IMAGE017
时刻以前30分钟内的全天空图像，采用方程（6）-（7）计算
Figure 701437DEST_PATH_IMAGE018
分钟到时刻的云像素数的平均值和方差
Figure 559037DEST_PATH_IMAGE020
：
Figure 41971DEST_PATH_IMAGE021
(6)
Figure 514541DEST_PATH_IMAGE022
(7)
步骤2：计算
Figure 191772DEST_PATH_IMAGE017
时刻晴空辐照度；
所述步骤2中晴空辐照度
Figure 465944DEST_PATH_IMAGE023
采用Dazhi Yang的简化模型，采用方程（8）-（16）计算每一个时刻
Figure 527441DEST_PATH_IMAGE017
的晴空辐照度
Figure 874109DEST_PATH_IMAGE023
；
Figure 844558DEST_PATH_IMAGE024
(8)
方程（8）中的参数由下述方程（9）-（16）进行计算：
Figure 934874DEST_PATH_IMAGE025
其中：
Figure 178773DEST_PATH_IMAGE026
为太阳常数（单位
Figure 368446DEST_PATH_IMAGE027
）；
Figure 330586DEST_PATH_IMAGE028
为天顶角；
Figure 460478DEST_PATH_IMAGE029
为年序日（1月1日为1，12月31日为365）；
为太阳赤纬；
Figure 185038DEST_PATH_IMAGE031
为地理纬度；
Figure 634474DEST_PATH_IMAGE032
为太阳时角；
Figure 66592DEST_PATH_IMAGE033
为真太阳时，以24小时计；
为北京时；
Figure 380341DEST_PATH_IMAGE035
为经度；
Figure 989177DEST_PATH_IMAGE036
为时差；
步骤3：构建所述全天空图像特征和晴空指数的多元回归模型；
所述步骤3中的多元回归模型的表达式为：
Figure 224986DEST_PATH_IMAGE037
(17)
其中，所述
Figure 297984DEST_PATH_IMAGE038
为
Figure 829722DEST_PATH_IMAGE003
时刻晴空指数预测值；
Figure 925854DEST_PATH_IMAGE004
为
Figure 699775DEST_PATH_IMAGE003
时刻全天空图像云像素数预测值，
Figure 627280DEST_PATH_IMAGE019
为分钟到时刻的云像素数的平均值，
Figure 219520DEST_PATH_IMAGE039
为
Figure 267111DEST_PATH_IMAGE018
分钟到
Figure 639186DEST_PATH_IMAGE017
时刻的云像素数的方差；
所述和
Figure 825634DEST_PATH_IMAGE041
为系数；
步骤4：依据步骤3所述多元回归模型确定
Figure 229196DEST_PATH_IMAGE003
时刻晴空指数预测值
Figure 772172DEST_PATH_IMAGE038
，并结合步骤2所述方法计算
Figure 64613DEST_PATH_IMAGE003
时刻晴空太阳辐照度值
Figure 984028DEST_PATH_IMAGE042
得到地表太阳辐照度预测值
Figure 740631DEST_PATH_IMAGE043
；
所述步骤4中依据多元回归模型确定
Figure 955974DEST_PATH_IMAGE003
时刻晴空指数预测值
Figure 63608DEST_PATH_IMAGE038
包括：
步骤4-1：构建目标函数
Figure 458817DEST_PATH_IMAGE044
：
Figure 69927DEST_PATH_IMAGE045
Figure 220285DEST_PATH_IMAGE046
为用来拟合参数的样本数；
步骤4-2：用最小二乘法计算目标函数
Figure 113417DEST_PATH_IMAGE047
的最优系数：
Figure 374634DEST_PATH_IMAGE048
和
Figure 840251DEST_PATH_IMAGE049
，则所述
Figure 657116DEST_PATH_IMAGE003
时刻晴空指数预测值
Figure 473762DEST_PATH_IMAGE038
的计算公式为：
(19)
步骤4-3：采用方程（20）计算
Figure 858793DEST_PATH_IMAGE003
时刻地表太阳辐照度预测值
Figure 852419DEST_PATH_IMAGE043
：
Figure 890782DEST_PATH_IMAGE051
(20)
步骤5：构建待测区域历史天气数据和晴空指数的多元回归模型；
所述历史天气数据至少包括温度数据
Figure 431485DEST_PATH_IMAGE052
、湿度数据
Figure 137273DEST_PATH_IMAGE053
、云量数据
Figure 534756DEST_PATH_IMAGE054
和降雨量数据
Figure 827460DEST_PATH_IMAGE055
；
所述多元回归模型的表达式为：
Figure 968591DEST_PATH_IMAGE056
(21)
其中，所述
Figure 528885DEST_PATH_IMAGE057
为
Figure 97270DEST_PATH_IMAGE017
时刻晴空指数；所述
Figure 877269DEST_PATH_IMAGE058
、
Figure 822092DEST_PATH_IMAGE059
、
Figure 174576DEST_PATH_IMAGE060
和
Figure 179441DEST_PATH_IMAGE061
分别为
Figure 679692DEST_PATH_IMAGE017
时刻当地气象站所获得的温度数据、湿度数据、云量数据和降雨量数据；所述
Figure 681669DEST_PATH_IMAGE062
和
Figure 216556DEST_PATH_IMAGE063
为系数；
步骤6：依据步骤5中所述多元回归模型确定
Figure 64426DEST_PATH_IMAGE003
时刻晴空指数预测值
Figure 51973DEST_PATH_IMAGE064
，并结合所述
Figure 338598DEST_PATH_IMAGE003
时刻晴空太阳辐照度值得到地表太阳辐照度预测值；
所述步骤6中依据多元回归模型确定
Figure 988651DEST_PATH_IMAGE003
时刻晴空指数预测值
Figure 813387DEST_PATH_IMAGE066
包括：
步骤6-1：构建目标函数
Figure 57287DEST_PATH_IMAGE067
：
Figure 512539DEST_PATH_IMAGE068
Figure 976143DEST_PATH_IMAGE069
为用来拟合参数的样本数；
步骤6-2：用最小二乘法计算目标函数的最优系数：
Figure 702977DEST_PATH_IMAGE070
、
Figure 329130DEST_PATH_IMAGE071
和
Figure 778566DEST_PATH_IMAGE072
，则所述
Figure 446570DEST_PATH_IMAGE003
时刻晴空指数预测值的计算公式为：
其中，所述
Figure 133269DEST_PATH_IMAGE066
为
Figure 369079DEST_PATH_IMAGE003
时刻晴空指数预测值；所述
Figure 937682DEST_PATH_IMAGE074
、
Figure 967955DEST_PATH_IMAGE075
、
Figure 64087DEST_PATH_IMAGE076
和
Figure 572429DEST_PATH_IMAGE077
分别为距离
Figure 765513DEST_PATH_IMAGE003
时刻最近时刻的数值天气预报的温度数据、湿度数据、云量数据和降雨量数据；
步骤6-3：采用方程（24）计算
Figure 468152DEST_PATH_IMAGE003
时刻地表太阳辐照度预测值
Figure 113897DEST_PATH_IMAGE065
：
（24）
步骤7：获取预测区域至少1年地表太阳辐照度历史数据
Figure 411203DEST_PATH_IMAGE079
，记录地表太阳辐照度的这些历史数据间的时间间隔小于或等于5分钟；根据方程（20）、（24）两种地表太阳辐照度预测值与地表太阳辐照度实际值的关系，以均方误差最小为原则，对两个预测值选取不同的权重，从而得到更为精确的地表太阳辐照度预测结果，见（25）式：
Figure 783279DEST_PATH_IMAGE080
其中，所述
Figure 417785DEST_PATH_IMAGE081
为地表太阳辐照度预测期望值，在此步骤中代入待预测的
Figure 471191DEST_PATH_IMAGE003
时刻的地表太阳辐照度实际值；所述
Figure 373288DEST_PATH_IMAGE043
和
Figure 916265DEST_PATH_IMAGE065
分别为采用方程（20）和（24）预测的
Figure 271023DEST_PATH_IMAGE003
时刻的地表太阳辐照度预测值；所述
Figure 128120DEST_PATH_IMAGE082
和
Figure 386189DEST_PATH_IMAGE083
分别为、
Figure 270017DEST_PATH_IMAGE065
的权重系数。
2.如权利要求1所述的一种基于混合回归模型预测地表太阳辐照度的方法，其特征在于，步骤1中，所述全天空图像包含预测区域至少1年的图像，记录全天空图像的这些历史数据间的时间间隔小于或等于5分钟。
3.如权利要求1所述的一种基于混合回归模型预测地表太阳辐照度的方法，其特征在于，步骤1-1中，所述
Figure 665226DEST_PATH_IMAGE008
为阈值系数，取0.3，精确计算时，可以根据实际采集的全天空图进行修正。
4.如权利要求1所述的一种基于混合回归模型预测地表太阳辐照度的方法，其特征在于，步骤1-1中，所述方程（4）（5）中
Figure 771942DEST_PATH_IMAGE012
为1,2,3,4,5,6,7；
Figure 922300DEST_PATH_IMAGE084
为对应
Figure 251650DEST_PATH_IMAGE002
-6，-5，
Figure 916167DEST_PATH_IMAGE002
-4，
Figure 738892DEST_PATH_IMAGE002
-3，
Figure 289959DEST_PATH_IMAGE002
-2，
Figure 354867DEST_PATH_IMAGE002
-1，
Figure 878252DEST_PATH_IMAGE002
时刻的云像素数；为上述7个
Figure 910241DEST_PATH_IMAGE086
的平均值；
Figure 513261DEST_PATH_IMAGE087
为上述7个
Figure 953469DEST_PATH_IMAGE088
的平均值。
5. 如权利要求1所述的一种基于混合回归模型预测地表太阳辐照度的方法，其特征在于，步骤1-1中，所述
Figure 554215DEST_PATH_IMAGE003
时刻， =1，对应预测时间是5分钟；
Figure 988050DEST_PATH_IMAGE090
=2，对应预测时间是10分钟；
Figure 548344DEST_PATH_IMAGE090
=3，对应预测时间是15分钟；
Figure 54412DEST_PATH_IMAGE090
=4，对应预测时间是20分钟；
Figure 332946DEST_PATH_IMAGE090
==5，对应预测时间是25分钟；
Figure 277769DEST_PATH_IMAGE090
=6，对应预测时间是30分钟，所对应的值为
Figure 865144DEST_PATH_IMAGE090
+7，将
Figure 365395DEST_PATH_IMAGE088
值代入方程（3）计算对应
Figure 113909DEST_PATH_IMAGE010
时刻的云像素数预测值
Figure 383216DEST_PATH_IMAGE091
。
CN201911042015.3A 2019-10-30 2019-10-30 一种基于混合回归模型预测地表太阳辐照度的方法 Active CN110781458B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911042015.3A CN110781458B (zh) 2019-10-30 2019-10-30 一种基于混合回归模型预测地表太阳辐照度的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911042015.3A CN110781458B (zh) 2019-10-30 2019-10-30 一种基于混合回归模型预测地表太阳辐照度的方法

Publications (2)

Publication Number Publication Date
CN110781458A true CN110781458A (zh) 2020-02-11
CN110781458B CN110781458B (zh) 2023-04-07

Family

ID=69387517

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911042015.3A Active CN110781458B (zh) 2019-10-30 2019-10-30 一种基于混合回归模型预测地表太阳辐照度的方法

Country Status (1)

Country Link
CN (1) CN110781458B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111210095A (zh) * 2020-03-12 2020-05-29 深圳前海微众银行股份有限公司 发电量预测方法、装置、设备及计算机可读存储介质
CN112632311A (zh) * 2020-05-21 2021-04-09 南京大学 一种基于深度学习的云层变化趋势预测方法
CN112801427A (zh) * 2021-04-08 2021-05-14 国能日新科技股份有限公司 基于XGBoost的光伏辐照度预报方法及系统
CN115689067A (zh) * 2022-12-30 2023-02-03 国能日新科技股份有限公司 太阳辐照度预测方法、装置及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103761578A (zh) * 2013-12-25 2014-04-30 国家电网公司 基于多元线性回归的太阳辐照预报方法
EP2891904A1 (en) * 2014-01-07 2015-07-08 ABB Technology AB Solar irradiance forecasting
CN105718711A (zh) * 2014-12-05 2016-06-29 国家电网公司 一种基于全天空图像特征的地表辐射计算方法
US20170124694A1 (en) * 2015-11-04 2017-05-04 Institute of Nuclear Energy Research, Atomic Energy Council, Executive Yuan, R.O.C. Prediction system for short-term solar irradiance and method for operating the same
CN106934726A (zh) * 2015-12-31 2017-07-07 中国电力科学研究院 一种基于全天空图像云指数的地表辐射预测方法
CN108121990A (zh) * 2017-11-27 2018-06-05 中国电力科学研究院有限公司 一种基于全天空成像设备的太阳辐照度预测方法和装置
US20180175790A1 (en) * 2015-06-23 2018-06-21 Qatar Foundation For Education, Science And Community Development Method of forecasting for solar-based power systems
CN109543721A (zh) * 2018-11-05 2019-03-29 中国科学院寒区旱区环境与工程研究所 一种晴间多云天气情况下的太阳辐照度超短期预报方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103761578A (zh) * 2013-12-25 2014-04-30 国家电网公司 基于多元线性回归的太阳辐照预报方法
EP2891904A1 (en) * 2014-01-07 2015-07-08 ABB Technology AB Solar irradiance forecasting
CN105718711A (zh) * 2014-12-05 2016-06-29 国家电网公司 一种基于全天空图像特征的地表辐射计算方法
US20180175790A1 (en) * 2015-06-23 2018-06-21 Qatar Foundation For Education, Science And Community Development Method of forecasting for solar-based power systems
US20170124694A1 (en) * 2015-11-04 2017-05-04 Institute of Nuclear Energy Research, Atomic Energy Council, Executive Yuan, R.O.C. Prediction system for short-term solar irradiance and method for operating the same
CN106934726A (zh) * 2015-12-31 2017-07-07 中国电力科学研究院 一种基于全天空图像云指数的地表辐射预测方法
CN108121990A (zh) * 2017-11-27 2018-06-05 中国电力科学研究院有限公司 一种基于全天空成像设备的太阳辐照度预测方法和装置
CN109543721A (zh) * 2018-11-05 2019-03-29 中国科学院寒区旱区环境与工程研究所 一种晴间多云天气情况下的太阳辐照度超短期预报方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
CHI WAI CHOW等: "Intra-hour forecasting with a total sky imager at the UC San Diego solar energy testbed" *
CHIA-LINFU等: "Predicting solar irradiance with all-sky image features via regression" *
HSU-YUNGCHENG等: "Bi-model short-term solar irradiance prediction using support vector regressors" *
王哲;王飞;刘力卿;郭佳;: "基于多元回归分析的光伏电站太阳辐射曝辐量模型" *
郁云;许昌;曹潇;魏瑾;徐坚;: "云图纹理分析结合SVM的地表太阳辐射预测" *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111210095A (zh) * 2020-03-12 2020-05-29 深圳前海微众银行股份有限公司 发电量预测方法、装置、设备及计算机可读存储介质
WO2021179700A1 (zh) * 2020-03-12 2021-09-16 深圳前海微众银行股份有限公司 发电量预测方法、装置、设备及计算机可读存储介质
CN111210095B (zh) * 2020-03-12 2022-02-18 深圳前海微众银行股份有限公司 发电量预测方法、装置、设备及计算机可读存储介质
CN112632311A (zh) * 2020-05-21 2021-04-09 南京大学 一种基于深度学习的云层变化趋势预测方法
CN112632311B (zh) * 2020-05-21 2023-12-15 南京大学 一种基于深度学习的云层变化趋势预测方法
CN112801427A (zh) * 2021-04-08 2021-05-14 国能日新科技股份有限公司 基于XGBoost的光伏辐照度预报方法及系统
CN112801427B (zh) * 2021-04-08 2021-08-20 国能日新科技股份有限公司 基于XGBoost的光伏辐照度预报方法及系统
CN115689067A (zh) * 2022-12-30 2023-02-03 国能日新科技股份有限公司 太阳辐照度预测方法、装置及存储介质

Also Published As

Publication number Publication date
CN110781458B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN110781458B (zh) 一种基于混合回归模型预测地表太阳辐照度的方法
Assouline et al. Large-scale rooftop solar photovoltaic technical potential estimation using Random Forests
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
Bacher et al. Online short-term solar power forecasting
Nuño et al. On the simulation of aggregated solar PV forecast errors
CN113128793A (zh) 一种基于多源数据融合的光伏功率组合预测方法及系统
JP6693330B2 (ja) 太陽光発電システムの動作
Dazhi et al. The estimation of clear sky global horizontal irradiance at the equator
CN107133685B (zh) 光伏发电系统发电量的预测方法及预测系统
US10770898B2 (en) Methods and systems for energy use normalization and forecasting
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
Guo et al. VIC distributed hydrological model to predict climate change impact in the Hanjiang basin
Han et al. Utilising high-fidelity 3D building model for analysing the rooftop solar photovoltaic potential in urban areas
CN116722544B (zh) 分布式光伏短期预测方法、装置、电子设备及存储介质
CN117374956A (zh) 一种针对综合能源站光伏发电的短期预测方法
Huang et al. Predicting intra-hour variability of solar irradiance using hourly local weather forecasts
Hatanaka et al. Diffusion models for high-resolution solar forecasts
CN114819264A (zh) 一种基于时空依赖的光伏电站辐照度超短期预测方法及存储介质
CN117350157A (zh) 基于时空映射区域辐照度估计及分布式光伏功率预测方法
CN117277304A (zh) 考虑日出日落时间的光伏发电超短期功率预测方法、系统
CN114282444A (zh) 一种基于智能融合终端的分布式负荷预测方法及系统
CN116260141B (zh) 一种光伏电站功率的重构方法、系统及重构终端
Chen et al. Solar radiation nowcasting through advanced CNN model integrated with ResNet structure
CN115115124B (zh) 基于dtw气象偏移矫正的分布式光伏出力预测方法及装置
Doornkamp Dependable Probabilistic Energy Forecasting of Solar Energy for Energy Management Systems

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
OL01 Intention to license declared
OL01 Intention to license declared