CN110781458B - 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
CN110781458B
CN110781458B CN201911042015.3A CN201911042015A CN110781458B CN 110781458 B CN110781458 B CN 110781458B CN 201911042015 A CN201911042015 A CN 201911042015A CN 110781458 B CN110781458 B CN 110781458B
Authority
CN
China
Prior art keywords
moment
value
time
sky
solar irradiance
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
Application number
CN201911042015.3A
Other languages
English (en)
Other versions
CN110781458A (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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas 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

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、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 ：已知时刻及时刻以前的全天空图像，采用方程（1）-（5）计算时刻的全天空图像云像素数预测值：
(1)
其中，所述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：
(2)
其中，所述为阈值系数，取0.3；
所述时刻全天空图像的云像素数为该图像每一个像素红蓝比满足（2）式的像素数之和；
采用方程（3）所述的直线趋势法预测时刻的云像素数：
(3)
式中为自变量，是选定的时间；
为因变量，是对于选定的值对应的云像素数；
,为待求系数，求解方法如方程（4）-（5）：
(4)
(5)
步骤1-2 ：已知时刻及时刻以前30分钟内的全天空图像，采用方程（6）-（7）计算分钟到时刻的云像素数的平均值和方差：
(6)
(7)
步骤2：计算时刻晴空辐照度；
所述步骤2中晴空辐照度采用Dazhi Yang的简化模型，采用方程（8）-（16）计算每一个时刻的晴空辐照度；
（8）
方程（8）中的参数由下述方程（9）-（16）进行计算：
，
（10）
（11）
（12）
（13）
（14）
（15）
,
其中：
为太阳常数（单位）；
为天顶角；
为年序日（1月1日为1，12月31日为365）；
为太阳赤纬；
为地理纬度；
为太阳时角；
为真太阳时，以24小时计；
为北京时；
为经度；
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：
,
其中，所述为时刻晴空指数预测值；为时刻全天空图像云像素数预测值，为分钟到时刻的云像素数的平均值，为分钟到时刻的云像素数的方差；
所述和为系数；
步骤4：依据步骤3所述多元回归模型确定时刻晴空指数预测值，并结合步骤2所述方法计算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4中依据多元回归模型确定时刻晴空指数预测值包括：
步骤4-1：构建目标函数：
（18）
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的最优系数：和，则所述时刻晴空指数预测值的计算公式为：（19）
步骤4-3：采用方程（20）计算时刻地表太阳辐照度预测值,
（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、云量数据和降雨量数据；
所述多元回归模型的表达式为：
（21）
其中，所述为时刻晴空指数；所述、、和分别为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；所述和为系数；
步骤6：依据步骤5中所述多元回归模型确定时刻晴空指数预测值，并结合所述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时刻晴空指数预测值包括：
步骤6-1：构建目标函数：
,
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： ，则所述时刻晴空指数预测值的计算公式为：
,
其中，所述为时刻晴空指数预测值；所述、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）计算时刻地表太阳辐照度预测值：
（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，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，所述为地表太阳辐照度预测期望值，在此步骤中代入待预测的时刻的地表太阳辐照度实际值；所述和分别为采用方程（20）和（24）预测的时刻的地表太阳辐照度预测值；所述分别为、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）中为1，2，3，4，5，6，7；为对应，时刻的云像素数；为上述7个的平均值；为上述7个的平均值。
优选的是，其特征在于，步骤1-1中，所述时刻，=1，对应预测时间是5分钟；=2，对应预测时间是10分钟；=3，对应预测时间是15分钟；=4，对应预测时间是20分钟；=5，对应预测时间是25分钟；=6，对应预测时间是30分钟，所对应的值为+7，将值代入方程（3）计算对应时刻的云像素数预测值。
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。
（2）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。
（3）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、分钟到时刻的云像素数的平均值和方差，并采用直线趋势法预测时刻的云像素数，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。
（4）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、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 已知时刻及时刻以前的全天空图像，采用方程（1）-（5）计算时刻的全天空图像云像素数预测值：
（1）
其中，所述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；
（2）
其中，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；
所述时刻全天空图像的云像素数为该图像每一个像素红蓝比满足（2）式的像素数之和；
采用方程（3）所述的直线趋势法预测时刻的云像素数：（3）
式中，为自变量，是选定的时间；为因变量，是对于选定的值对应的云像素数；
，为待求系数，求解方法如方程（4）-（5）：
（4）
（5）
优选的，所述方程（4）（5）中为1，2，3，4，5，6，7；为对应，时刻的云像素数；为上述7个的平均值；为上述7个的平均值；
优选的，所述时刻（=1，对应预测时间是5分钟；=2，对应预测时间是10分钟；=3，对应预测时间是15分钟；=4，对应预测时间是20分钟；=5，对应预测时间是25分钟；=6，对应预测时间是30分钟）所对应的值为+7，将值代入方程（3）计算对应时刻的云像素数预测值；
步骤1-2 已知时刻及时刻以前30分钟内的全天空图像，采用方程（6）-（7）计算分钟到时刻的云像素数的平均值和方差:
(6)
(7)
步骤2：计算时刻晴空辐照度;
优选的，所述步骤2中晴空辐照度采用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）计算每一个时刻的晴空辐照度；
（8）
方程（8）中的参数由下述方程（9）-（1 6）进行计算：
，
（10）
（11）
（12）
（13）
（14）
（15）
，
其中：
为太阳常数（单位）；
为天顶角；
为年序日（1月1日为1，12月31日为365）；
为太阳赤纬；
为地理纬度；
为太阳时角；
为真太阳时，以24小时计；
为北京时；
为经度；
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：，
其中，所述为时刻晴空指数预测值；为时刻全天空图像云像素数预测值，为分钟到时刻的云像素数的平均值，为分钟到时刻的云像素数的方差；
所述和为系数；
步骤4：依据步骤3所述多元回归模型确定时刻晴空指数预测值，并结合步骤2所述方法计算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4中依据多元回归模型确定时刻晴空指数预测值包括：
步骤4-1：构建目标函数：
（18）
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的最优系数：和，则所述时刻晴空指数预测值的计算公式为：
（19）
步骤4-3：采用方程（20）计算时刻地表太阳辐照度预测值：
（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、云量数据和降雨量数据；
所述多元回归模型的表达式为：
（21）
其中，所述为时刻晴空指数；所述、、和分别为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；所述和为系数；
步骤6：依据步骤5中所述多元回归模型确定时刻晴空指数预测值，并结合所述时刻晴空太阳辐照度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包括：
步骤6-1：构建目标函数：
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： ，则所述时刻晴空指数预测值的计算公式为：
其中，所述为时刻晴空指数预测值；所述、、和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）计算时刻地表太阳辐照度预测值：
（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，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，所述为地表太阳辐照度预测期望值，在此步骤中代入待预测的时刻的地表太阳辐照度实际值；所述和分别为采用方程（20）和（24）预测的时刻的地表太阳辐照度预测值；所述分别为、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，计算全天空特征，包括全天空图像云像素数预测值、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 ：已知时刻及时刻以前的全天空图像，采用方程（1）-（5）计算时刻的全天空图像云像素数预测值：
(1)
其中，所述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；
（2）
其中，所述为阈值系数，取0.3；
所述时刻全天空图像的云像素数为该图像每一个像素红蓝比满足（2）式的像素数之和；
采用方程（3）直线趋势法预测时刻的云像素数：
  （3）
式中，为自变量，是选定的时间；
为因变量，是对于选定的值对应的云像素数；
，为待求系数，求解方法如方程（4）-（5）：
 （4）
        （5）
步骤1-2 ：已知时刻及时刻以前30分钟内的全天空图像，采用方程（6）-（7）计算分钟到时刻的云像素数的平均值和方差：
（6)
 (7)
步骤2：计算时刻晴空辐照度；
所述步骤2中晴空辐照度采用Dazhi Yang的简化模型，采用方程（8）-（16）计算每一个时刻的晴空辐照度；
（8）
方程（8）中的参数由下述方程（9）-（1 6）进行计算：
，
（10）
（11）
（12）
（13）
（14）
（15）
，
其中：
为太阳常数（单位）；
为天顶角；
为年序日（1月1日为1，12月31日为365）；
为太阳赤纬；
为地理纬度；
为太阳时角；
为真太阳时，以24小时计；
为北京时；
为经度；
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：
（17）
其中，所述为时刻晴空指数预测值；为时刻全天空图像云像素数预测值，为分钟到时刻的云像素数的平均值，为分钟到时刻的云像素数的方差；
所述和为系数；
步骤4：依据步骤3所述多元回归模型确定时刻晴空指数预测值，并结合步骤2所述方法计算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4中依据多元回归模型确定时刻晴空指数预测值包括：
步骤4-1：构建目标函数:
(18)
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的最优系数：和则所述时刻晴空指数预测值的计算公式为：
（19）
步骤4-3：采用方程（20）计算时刻地表太阳辐照度预测值：
(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、云量数据和降雨量数据；
所述多元回归模型的表达式为：(21)
其中，所述为时刻晴空指数；所述、、、分别为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；所述和为系数；
步骤6：依据步骤5中所述多元回归模型确定时刻晴空指数预测值，并结合所述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时刻晴空指数预测值包括：
步骤6-1：构建目标函数：
，
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： ，则所述时刻晴空指数预测值的计算公式为：
，
其中，所述为时刻晴空指数预测值；所述、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）计算时刻地表太阳辐照度预测值：
（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，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，所述为地表太阳辐照度预测期望值，在此步骤中代入待预测的时刻的地表太阳辐照度实际值；所述和分别为采用方程（20）和（24）预测的时刻的地表太阳辐照度预测值；所述分别为、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）中为1，2，3，4，5，6，7；为对应，，时刻的云像素数；为上述7个的平均值；为上述7个的平均值。
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，所述时刻，=1，对应预测时间是5分钟；=2，对应预测时间是10分钟；=3，对应预测时间是15分钟；=4，对应预测时间是20分钟；=5，对应预测时间是25分钟；=6，对应预测时间是30分钟，所对应的值为+7，将值代入方程（3）计算对应时刻的云像素数预测值。
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 CN110781458A (zh) 2020-02-11
CN110781458B true 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)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
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

Citations (6)

* 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
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

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3314751B1 (en) * 2015-06-23 2020-09-02 Qatar Foundation for Education, Science and Community Development Method of forecasting for solar-based power systems
US9773303B2 (en) * 2015-11-04 2017-09-26 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

Patent Citations (6)

* 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
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.《Solar Energy》.2011,全文. *
Chia-LinFu等.Predicting solar irradiance with all-sky image features via regression.《Solar Energy》.2013,全文. *
Hsu-YungCheng等.Bi-model short-term solar irradiance prediction using support vector regressors.《Energy》.2014,全文. *
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.华北电力大学学报(自然科学版).2011,(第05期),全文. *
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.西南师范大学学报(自然科学版).2017,(第12期),全文. *

Also Published As

Publication number Publication date
CN110781458A (zh) 2020-02-11

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
Nuño et al. On the simulation of aggregated solar PV forecast errors
Dazhi et al. The estimation of clear sky global horizontal irradiance at the equator
Tang et al. Value of medium-range precipitation forecasts in inflow prediction and hydropower optimization
Guo et al. VIC distributed hydrological model to predict climate change impact in the Hanjiang basin
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
CN110929924A (zh) 基于云边融合架构的小水电发电量预测系统及其实现方法
Han et al. Utilising high-fidelity 3D building model for analysing the rooftop solar photovoltaic potential in urban areas
Huang et al. Predicting intra-hour variability of solar irradiance using hourly local weather forecasts
Li et al. Future changes in the intensity and frequency of precipitation extremes over China in a warmer world: Insight from a large ensemble
Hatanaka et al. Diffusion models for high-resolution solar forecasts
CN111652126A (zh) 一种基于卫星云图的反演辐射方法
CN104598743A (zh) 一种无量测地区太阳辐射数据的生成方法
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
CN113032510B (zh) 一种基于高斯权重的lbgm法初值扰动生成方法
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
Zhang et al. Spatial Distribution of High-temperature Risk with a Return Period of Different Years in the Yangtze River Delta Urban Agglomeration
CN116260141B (zh) 一种光伏电站功率的重构方法、系统及重构终端
CN107608008A (zh) 一种基于广义大气浑浊度的晴空时段的检测方法
Lin et al. Performance of the WRF Model at the Convection‐Permitting Scale in Simulating Snowfall and Lake‐Effect Snow Over the Tibetan Plateau
Fu et al. Photovoltaic Power Prediction Based on Gray-scale Satellite Cloud Image and Optimized LSTM
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
CN114707769B (zh) 一种光伏发电出力短期预测方法及其相关装置

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