CN111160602A - 一种基于葵花8号卫星云图的光伏超短期功率预报方法 - Google Patents

Abstract

本发明公开了一种基于葵花8号卫星云图的光伏超短期功率预报方法，涉及光伏发配电技术领域，本发明包括S1：基于各电厂的地理位置和环境，计算各电厂的理论辐射；S2：根据各电厂的理论辐射计算倾斜面上的太阳总辐射；S3：每间隔2‑6小时采集葵花8号卫星云图监测数据，并对采集到的数据进行预处理；S4：利用预处理后的数据进行云量反演，建立神经网络和小波分析预测云量模型，对未来的云量进行预测；S5：根据预测得到的云量，计算云遮系数；S6：根据太阳总辐射和云遮系数，计算得到有效总辐射；S7：将有效总辐射转换为功率，便得到预测功率，本发明具有方法简单，预测准确率高的优点。

Description

一种基于葵花8号卫星云图的光伏超短期功率预报方法

技术领域

本发明涉及光伏发配电技术领域，更具体的是涉及一种基于葵花8号卫星云图的光伏超短期功率预报方法。

背景技术

太阳能光伏发电是利用太阳能电池的光伏效应将太阳辐射能直接转换为电能的一种发电形式，现阶段，太阳能的推广应用日益呈现方兴未艾的世界潮流，太阳能产业成为全球蓬勃兴起的新能源产业之一。开发利用清洁、安全、环保的太阳能成为人类社会缓解日益加剧的能源短缺的共同选择和治理严峻环境污染的有生力量。

电网的稳定运行需要在供需双方之间保持一定的平衡，即根据用户的消耗变化，预先安排火电、水电等发电机组的开启和关停，从而相应地调整供应的总功率，由于光伏发电受天气的影响较大，且不能像火电及水电一样自由控制，所以光伏电站发电的输出功率具有剧烈变化及间歇性等特点，由此，将光伏电站并入电网必将对电网的平衡产生巨大影响，所以对光伏电站输出功率进行有效的预测，把光伏电站输出功率纳入电网的发电计划，并参与实时调度，能够实现发电运行自动控制，实现多元电源联合调度。

但是目前的光伏预测系统中超短期功率预测曲线和实际曲线差距较大，预报偏差较大，尤其是阴雨天或天气突变过程，误差更大，准确率低。

发明内容

本发明的目的在于：为了解决目前的光伏预测系统中超短期功率预测曲线和实际曲线差距较大，预报准确率低的问题，本发明提供一种基于葵花8号卫星云图的光伏超短期功率预报方法。

本发明为了实现上述目的具体采用以下技术方案：

一种基于葵花8号卫星云图的光伏超短期功率预报方法，包括如下步骤：

S1：基于各电厂的地理位置和环境，计算各电厂的理论辐射；

S2：根据各电厂的理论辐射计算倾斜面上的太阳总辐射；

S3：每间隔2-6小时采集卫星监测数据，并对采集到的数据进行预处理；

S4：利用预处理后的数据进行云量反演，建立神经网络和小波分析预测云量模型，对未来的云量进行预测；

S5：根据预测得到的云量，计算云遮系数；

S6：根据太阳总辐射和云遮系数，计算得到有效总辐射；

S7：将有效总辐射转换为功率，便得到预测功率。

进一步的，所述S1中的各电厂地理位置和环境包括：各电厂的经纬度、海拔高度、太阳高度角、太阳赤纬角、太阳时角、大气透明度和大气质量。

进一步的，所述理论辐射包括：

水平面太阳直射辐射强度：

E_bh＝E₀×T_b×sinh

其中E₀表示大气层上界任一时刻的太阳辐射强度，T_b表示直射辐射大气透明系数，h表示太阳高度角；

水平面太阳散射辐射强度：

其中k₂表示大气浑浊程度的参数，m(z,h)表示海拔高度z，太阳高度角h时对大气压力的修正；

水平面太阳总辐射强度：

E_th＝E_bh+E_dh。

进一步的，所述S2中倾斜面上的太阳总辐射为：

E_t＝E_bh×R_b+E_dh×R_d+E_th×R_ρ

其中，R_b为直射辐射修正因子，R_d为散射辐射修正因子，R_ρ为地面反射修正因子。

进一步的，所述S3中对采集到的数据进行预处理包括：时区转化、几何校正、辐射校正及裁剪。

进一步的，所述S4具体为：

S4.1：利用检测云量的波段进行云量反演，形成云量数据，并检验反演结果；

S4.2：对于采集到的错误的数据进行质控，将云量数据时间分辨率由10分钟插值为15分钟，并对缺失数据进行最临近点插值处理；

S4.3：利用神经网络和小波分析预测云量模型，预测超短期云量。

进一步的，所述S5中云遮系数包括：

直射辐射云遮系数：

α＝(300-Y)/100

其中，Y为时间分辨率15分钟的云量；

散射辐射云遮系数：

β＝1-2α。

进一步的，所述S6中有效总辐射为：

E＝E_tbh×α+E_tdh×β

其中，E_tbh为倾斜面上的直射辐射，E_tdh为倾斜面上的散射辐射。

进一步的，所述S7中将有效总辐射转换为功率，计算式为：

其中，M为机组容量，a为弱辐射折减系数，b为温度折减系数，c为逆变器机组启停时效率系数，K为逆变器转换效率常数值。

本发明的有益效果如下：

1、本发明通过各电厂的地理位置和环境，计算各电厂的理论辐射，对天文辐射进行订正，并且将卫星监测数据提取的云量用于辐射预报中，改变了数值模式的云量降尺度误差，提高了预测准确度，并且为了提高阴雨天的功率预报，本发明将小波函数作为神经网络的权值函数，使得预测得到的超短期云量更加准确，进一步提高预报准确率。

附图说明

图1是本发明的方法流程示意图。

具体实施方式

为了本技术领域的人员更好的理解本发明，下面结合附图和以下实施例对本发明作进一步详细描述。

实施例1

如图1所示，本实施例提供一种基于葵花8号卫星云图的光伏超短期功率预报方法，包括如下步骤：

S1：基于各电厂的地理位置和环境，包括：各电厂的经纬度、海拔高度、太阳高度角、太阳赤纬角、太阳时角、大气透明度和大气质量，计算各电厂的理论辐射；

太阳赤纬角计算式为：

n为按天数顺序排列的积日；

太阳时角计算式为：

t为北京时间，ψ为当地经度；

太阳高度角计算式为：

为地理纬度；

大气层上界任一时刻的太阳辐射强度计算式为：

n为按天数顺序排列的积日，E_sc为太阳常数，E_sc＝1367w/m²；

当太阳高度角h≥30°时，大气质量m(h)＝1/sinh；

当太阳高度角h＜30°时，大气质量m(h)＝[1229+(614×sinh)²]^1/2-614×sinh；

对于海拔高度较大的地区，对大气压力进行订正，即：

其中，z为观测地点的海拔高度，p(z)为观测地点大气压，

为大气压修正系数；

直射辐射大气透明系数为：T_b＝0.56×(e^-0.56m(z,h)+e^-0.096m(z,h))×k₁，k₁取值范围为0.8～0.9；

散射辐射大气透明系数为：T_a＝0.2710-0.2939×T_b；

所述理论辐射包括：

水平面太阳直射辐射强度：

E_bh＝E₀×T_b×sinh

其中E₀表示大气层上界任一时刻的太阳辐射强度，T_b表示直射辐射大气透明系数，h表示太阳高度角；

水平面太阳散射辐射强度：

其中k₂表示大气浑浊程度的参数，当大气质量浑浊时0.60≤k₂≤0.70，大气质量正常时0.710≤k₂≤0.80，大气质量较好时0.810≤k₂≤0.90，m(z,h)表示海拔高度z，太阳高度角h时对大气压力的修正；

水平面太阳总辐射强度：

E_th＝E_bh+E_dh；

S2：根据各电厂的理论辐射计算倾斜面上的太阳总辐射，即：

E_t＝E_bh×R_b+E_dh×R_d+E_th×R_ρ

其中，R_b为直射辐射修正因子，

R_d为散射辐射修正因子，R_d＝(1+cosβ)/2；

R_ρ为地面反射修正因子，R_d＝ρ(1-cosβ)/2；

为地理纬度，β为倾斜面倾角，δ为太阳赤纬角，

为太阳时角，ρ为地面反射率，通常情况下ρ为0.2，积雪时ρ取0.7；

上式中太阳时角

其中t_s为太阳时；

太阳赤纬角

其中n为日期序号；

S3：每4个小时采集葵花8号卫星云图监测数据，并对采集到的数据进行预处理，包括：时区转化、几何校正、辐射校正及裁剪；

S4：利用预处理后的数据进行云量反演，建立神经网络和小波分析预测云量模型，对未来的云量进行预测，具体为：

S4.1：利用检测云量的波段进行云量反演，形成云量数据，并检验反演结果；

S4.2：对于采集到的错误的数据进行质控，将云量数据时间分辨率由10分钟插值为15分钟，并对缺失数据进行最临近点插值处理；

S4.3：利用神经网络和小波分析预测云量模型，预测超短期云量；

在函数空间L²(R)(或更广泛的Hilbert空间)中，选择一个母小波函数(又称为基本小波函数)Ψ(x)，使其满足允许条件：

式中

为Ψ(x)的Fourier变换；

对Ψ(x)作伸缩、平移变换得到小波基函数系{Ψ_a,b(x)}

对任意f(x)∈L²(R)，其连续小波变换定义为：

反演公式为：

在实际应用中，特别是计算机实现中，往往要把上述的连续小波及其变换离散化，通常采用二进制离散，即令a＝2^m,b＝k2^m，则

二进小波一定是一个允许小波，且是一个正交小波基。考虑一个连续的、平方可积的函数f(x)∈L²(R)在分辨率2^m下的逼近f_m(x)，由多分辨分析理论可知：

Φ(x)是尺度函数，对其作伸缩、平移变换得到Φ_mk(x)：

函数f(x)在2^m和2^m-1分辨率下的信息差别(即细节)D_mf(x)，可以通过将函数f(x)在一小波正交基上分解而获得，从而定义了一种完全而且正交的多分辨率描述，即小波描述：

Ψ_mk(x)就是式(5)定义的二进小波，则f(x)在2^m-1分辨率下的逼近式为：

Mallat并指出，对于任意一个函数f(x)∈L²(R)可以在一组正交小波基上展开：

式(11)是一个平方可积函数的小波分解，提供了小波神经网络设计的理论框架，上述理论可推广到多维情况，我们以二维为例，若定义二维尺度函数

则

则有：

同理有：

通常，小波神经网络模型包括输入层、输出层和隐层，隐层包含两种节点：小波基节点(Ψ节点)和尺度函数节点(Φ节点)；

1、分层多分辨学习：网络输出f(x)在2^L分辨率(最低的分辨率)上的逼近：

f(x)在2^L-1分辨率上的逼近：

式(18)中的第一项

表示f(x)在2^L分辨率上的逼近，在式(17)中已计算，即系数a_Lk与式(17)中相同，式(18)中的第二项

表示增加的细节。

再考虑f(x)在2^L-2，2^L-3，…分辨率上的逼近，有：

上述方程式是小波神经网络的学习算法；

2、网络系数计算：

对于式(19)可以改写成下述形式：

c_i是网络权重系数，θ_i是激活函数(尺度函数或小波函数)，设小波神经网络有n个节点，m个训练数据，则有：

即f＝Ac(21)

式(20)的最小二乘解为：

c＝((A^TA)^-1A^T)f

＝A+f (22)

A⁺被称为A的伪逆矩阵，且

如果样本x_i均匀分布，θ_i(i＝1,2,...,n)是正交基，则A^TA是一个n×n单位矩阵，且c＝A^Tf (24)；

3、小波神经网络学习：选择合适的小波函数和尺度函数后，在最粗的尺度L上训练Φ节点，直到网络达到收敛，要使网络达到收敛，需确定逼近误差(本实施例中采用现有的误差的计算方法)和增加合适的Ψ节点以减少逼近误差，最后是优化网络，使用新的样本来检验网络并移去权重小的Ψ节点直到满足性能准则。

小波神经网络训练的计算复杂性介于O(N)和O(N₂)之间，N为学习样本数，如果学习样本是均匀分布的，则计算复杂性为O(N)；如果学习样本是非均匀分布的，则计算复杂性为O(N₂)。

网络输出为预测的超短期的云量；

S5：根据预测得到的云量，计算云遮系数，包括：

直射辐射云遮系数：

α＝(300-Y)/100

其中，Y为时间分辨率15分钟的云量；

散射辐射云遮系数：

β＝1-2α；

S6：根据太阳总辐射和云遮系数，计算得到有效总辐射：

E＝E_tbh×α+E_tdh×β

其中，E_tbh为倾斜面上的直射辐射，E_tdh为倾斜面上的散射辐射；

S7：将有效总辐射转换为功率，便得到预测功率，计算式为：

其中，M为机组容量，a为弱辐射折减系数，b为温度折减系数，c为逆变器机组启停时效率系数，K为逆变器转换效率常数值。

以上所述，仅为本发明的较佳实施例，并不用以限制本发明，本发明的专利保护范围以权利要求书为准，凡是运用本发明的说明书及附图内容所作的等同结构变化，同理均应包含在本发明的保护范围内。

Claims (9)

1.一种基于葵花8号卫星云图的光伏超短期功率预报方法，其特征在于，包括如下步骤：

S1：基于各电厂的地理位置和环境，计算各电厂的理论辐射；

S2：根据各电厂的理论辐射计算倾斜面上的太阳总辐射；

S3：每间隔2-6小时采集葵花8号卫星云图监测数据，并对采集到的数据进行预处理；

S4：利用预处理后的数据进行云量反演，建立神经网络和小波分析预测云量模型，对未来的云量进行预测；

S5：根据预测得到的云量，计算云遮系数；

S6：根据太阳总辐射和云遮系数，计算得到有效总辐射；

S7：将有效总辐射转换为功率，得到预测功率。

2.根据权利要求1所述的一种基于葵花8号卫星云图的光伏超短期功率预报方法，其特征在于，所述S1中的各电厂地理位置和环境包括：各电厂的经纬度、海拔高度、太阳高度角、太阳赤纬角、太阳时角、大气透明度和大气质量。

3.根据权利要求1所述的一种基于葵花8号卫星云图的光伏超短期功率预报方法，其特征在于，所述理论辐射包括：

水平面太阳直射辐射强度：

E_bh＝E₀×T_b×sinh

其中E₀表示大气层上界任一时刻的太阳辐射强度，T_b表示直射辐射大气透明系数，h表示太阳高度角；

水平面太阳散射辐射强度：

其中k₂表示大气浑浊程度的参数，m(z,h)表示海拔高度z，太阳高度角h时对大气压力的修正；

水平面太阳总辐射强度：

E_th＝E_bh+E_dh。

4.根据权利要求3所述的一种基于葵花8号卫星云图的光伏超短期功率预报方法，其特征在于，所述S2中倾斜面上的太阳总辐射为：

E_t＝E_bh×R_b+E_dh×R_d+E_th×R_ρ

其中，R_b为直射辐射修正因子，R_d为散射辐射修正因子，R_ρ为地面反射修正因子。

5.根据权利要求1所述的一种基于葵花8号卫星云图的光伏超短期功率预报方法，其特征在于，所述S3中对采集到的数据进行预处理包括：时区转化、几何校正、辐射校正及裁剪。

6.根据权利要求1所述的一种基于葵花8号卫星云图的光伏超短期功率预报方法，其特征在于，所述S4具体为：

S4.1：利用检测云量的波段进行云量反演，形成云量数据，并检验反演结果；

S4.2：对于采集到的错误的数据进行质控，将云量数据时间分辨率由10分钟插值为15分钟，并对缺失数据进行最临近点插值处理；

S4.3：利用神经网络和小波分析预测云量模型，预测超短期云量。

7.根据权利要求6所述的一种基于葵花8号卫星云图的光伏超短期功率预报方法，其特征在于，所述S5中云遮系数包括：

直射辐射云遮系数：

α＝(300-Y)/100

其中，Y为时间分辨率15分钟的云量；

散射辐射云遮系数：

β＝1-2α。

8.根据权利要求7所述的一种基于葵花8号卫星云图的光伏超短期功率预报方法，其特征在于，所述S6中有效总辐射为：

E＝E_tbh×α+E_tdh×β

其中，E_tbh为倾斜面上的直射辐射，E_tdh为倾斜面上的散射辐射。

9.根据权利要求8所述的一种基于葵花8号卫星云图的光伏超短期功率预报方法，其特征在于，所述S7中将有效总辐射转换为功率，计算式为：

其中，M为机组容量，a为弱辐射折减系数，b为温度折减系数，c为逆变器机组启停时效率系数，K为逆变器转换效率常数值。

Images