CN111858707B - 一种基于辐照度特征的雷云轨迹跟踪预测方法 - Google Patents
一种基于辐照度特征的雷云轨迹跟踪预测方法 Download PDFInfo
- Publication number
- CN111858707B CN111858707B CN202010634879.0A CN202010634879A CN111858707B CN 111858707 B CN111858707 B CN 111858707B CN 202010634879 A CN202010634879 A CN 202010634879A CN 111858707 B CN111858707 B CN 111858707B
- Authority
- CN
- China
- Prior art keywords
- time
- thundercloud
- cloud
- irradiance
- day
- 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 21
- 238000012544 monitoring process Methods 0.000 claims abstract description 48
- 230000000630 rising effect Effects 0.000 claims abstract description 17
- 239000013598 vector Substances 0.000 claims description 28
- 230000033001 locomotion Effects 0.000 claims description 21
- 230000001133 acceleration Effects 0.000 claims description 13
- 230000004807 localization Effects 0.000 claims description 13
- 239000000126 substance Substances 0.000 claims description 9
- 238000005286 illumination Methods 0.000 claims description 7
- 230000003203 everyday effect Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 238000009434 installation Methods 0.000 claims description 4
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000002354 daily effect Effects 0.000 claims description 3
- 229910052739 hydrogen Inorganic materials 0.000 claims description 3
- 239000001257 hydrogen Substances 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims 1
- 230000005855 radiation Effects 0.000 claims 1
- 238000004891 communication Methods 0.000 abstract description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 230000006378 damage Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 208000025274 Lightning injury Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000764238 Isis Species 0.000 description 1
- 241000135164 Timea Species 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Water Supply & Treatment (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Public Health (AREA)
- General Business, Economics & Management (AREA)
- Remote Sensing (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Photometry And Measurement Of Optical Pulse Characteristics (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明提供了一种基于辐照度特征的雷云轨迹跟踪预测方法,通过受雷云影响的光伏电站标幺化后的历史辐照度数据分别计算陡降斜率阈值、低水平持续时间阈值、低水平幅值阈值、陡升斜率阈值;计算光伏电站上空标幺化后的实时辐照度数据,依次计算实时陡降斜率、实时低水平持续时间、实时低水平幅值、实时陡升斜率,并与相应的阈值进行比较判定光伏电站上空是否存在雷云;根据雷云监测区域内部署的光伏电站以及雷云监测系统构建雷云轨迹模型,用于跟踪预测雷云轨迹;本发明应用的是雷云与周围云层对辐照度衰减的变化特点对雷云进行定位,不受电磁信号的干扰;且数据来源于光伏电站,光伏电站与调度部门之间不需要建立单独的通信系统。
Description
技术领域
本发明涉及雷云定位与轨迹跟踪预测领域,特别是涉及一种基于辐照度特征的雷云轨迹跟踪预测方法。
背景技术
电网雷击事故近年来越来越明显的呈现出短时集中爆发的特点,对增强输电通道雷害防护与应急处置能力提出了更高的要求。目前输电线路防雷措施有很多种,如避雷器(针、线)、降低接地电阻、加强绝缘等,在提高防雷性能、减少雷击跳闸发挥了重要作用,也取得明显效果。但是这些措施还是无法彻底解决防雷问题,往往出现“安装措施的杆塔不跳了、不安装的杆塔又跳了”,使得线路防雷处在比较被动的情况。对于重要输电通道,由于其雷害可能引发损失较大,仅仅依靠常规的被动防护技术已无法完全满足安全运行需要。因此,有必要研究通过对输电通道雷电活动进行预报和预警实现雷暴临近和经过输电通道期间调度、运行、维护、检修、应急等联动的主动性动态防护技术,对配电网的运行进行辅助的决策,提前对线路的潮流进行调整,避免雷击对重载线路引起的跳闸。以尽量采取各种措施减小因雷电造成的停电损失和人员伤害,这也为重要输电通道雷电防护技术提供了一个新的发展方向。
发明内容
为了解决上述技术问题,本发明提供了一种基于辐照度特征的雷云轨迹跟踪预测方法。
本发明采用如下的技术方案一种基于辐照度特征的雷云轨迹跟踪预测方法,包括以下步骤:
步骤1:以光伏电站为中心建立经纬度矩形区域,在经纬度矩形区域内以每天为统计周期,每天内按照一定统计间隔时间统计经纬度矩形区域内云地闪发生时刻,以云地闪发生时刻为时间中心构建云地闪发生时刻对应的辐照度向量,通过一天内云地闪发生时刻对应的辐照度向量构建每天辐照度数据集,通过多天辐照度数据集构建辐照度实验子集;
步骤2:结合云地闪发生时刻晴空地外辐照度值对云地闪发生时刻对应的辐照度实测值进行标幺化得到标幺化后的辐照度数据;
步骤3:通过标幺化后的辐照度数据分别计算陡降斜率阈值、低水平持续时间阈值、低水平幅值阈值、陡升斜率阈值;
步骤4:计算光伏电站上空标幺化后的实时辐照度数据,依次计算实时陡降斜率、实时低水平持续时间、实时低水平幅值、实时陡升斜率,进一步结合陡降斜率阈值、低水平持续时间阈值、低水平幅值阈值、陡升斜率阈值判定光伏电站上空是否存在雷云;
步骤5:根据雷云监测区域内部署的光伏电站以及雷云监测系统构建雷云轨迹模型,用于跟踪预测雷云轨迹;
作为优选,步骤1所述以光伏电站为中心建立经纬度矩形区域为:
光伏电站中心经纬度为:
(Xo,Yo)
Xo∈[Xo-W_x,Xo+W_x]
Yo∈[Yo-W_y,Yo+W_y]
其中,Xo为光伏电站中心经度,Yo为光伏电站中心纬度,2*W_x为经纬度矩形区域的经度跨度,2*W_y为经纬度矩形区域的纬度跨度;
步骤1所述统计间隔时间为:T;
步骤1所述以云地闪发生时刻为时间中心构建云地闪发生时刻对应的辐照度向量为:
Id,i=(Id,t(d,i)-3*K*△,Id,2,...Id,t(d,i)...,Id,t(d,Nd)+-3*K*△)
其中,6*K*△为云地闪发生时刻对应的辐照度向量中采集辐照度时长;
步骤1所述通过一天内云地闪发生时刻对应的辐照度向量构建每天辐照度数据集为:
datad=(Id,t(d,1),Id,t(d,2),...,Id,t(d,Nd))
d∈[1,M]
其中,Id,t(d,i)为第d天内云地闪发生时刻即t(d,i)对应的辐照度实测值,M为统计云地闪发生时刻天的数量,Nd为第d天内云地闪发生时刻的数量;
通过多天辐照度数据集构建辐照度实验子集为:
data1,data2,...,dataM
作为优选,步骤2所述标幺化后的辐照度数据为:
式中,为目标地第d天内云地闪发生时刻即t(d,i)时刻对应的辐照度标幺值;Id,t(d,i)为第d天内云地闪发生时刻即t(d,i)时刻对应的辐照度实测值,Iex,d,t(d,i)为第d天内云地闪发生时刻即t(d,i)时刻的晴空地外辐照度值。
第d天内t(d,i)时刻的晴空地外辐照度具体计算方法为:
Iex,d,t(d,i)=ION,dcosθz,d,t(d,i)
式中:Isc表示太阳常数,其值约为1367W/m2;dN为积日:为发生云地闪的第d天排在该年内的天数序号,将目标地的1月1日的积日记为1,以天为单位依次计数;ION,d表示在发生云地闪的第d天太阳直射点的晴空地外辐照度;Ed表示发生云地闪的第d天因地球公转时运动和转速变化而产生的时差,时差单位为min;ψ为目标点经度;f(Sd,t(d,i),Fd,t(d,i))表示第d天内云地闪发生时刻即t(d,i)时刻真太阳时;表示第d天内云地闪发生时刻即t(d,i)时刻真太阳时小时数,Fd,t(d,i)表示第d天内云地闪发生时刻即t(d,i)时刻真太阳时分钟数;ωd,t(d,i)表示第d天内云地闪发生时刻即t(d,i)时刻太阳时角,是太阳直射点与地心连线所在的直线与目标点与地心连线在赤道所在平面的投影之间的夹角;δd表示发生云地闪的第d天的太阳赤纬角,是太阳直射点与地心连线所在的直线与赤道所在平面之间的夹角;为目标点纬度;θz,d,t(d,i)表示第d天内云地闪发生时刻即t(d,i)时刻太阳天顶角;Iex,d,t(d,i)表示第d天内云地闪发生时刻即t(d,i)时刻的晴空地外辐照度值。
作为优选,步骤3所述陡降斜率阈值为:
其中,M为统计云地闪发生时刻天的数量;Nd为第d天内云地闪发生时刻的数量;为第d天内云地闪发生时刻即t(d,i)时刻前2*K*Δ时间对应的辐照度标幺值;为第d天内云地闪发生时刻即t(d,i)时刻前3*K*Δ时间对应的辐照度标幺值;
步骤3所述低水平持续时间阈值为:
步骤3所述低水平幅值阈值为:
步骤3所述陡升斜率阈值为:
其中,M为统计云地闪发生时刻天的数量;Nd为第d天内云地闪发生时刻的数量;为第d天内云地闪发生时刻即t(d,i)时刻后3*K*Δ时间对应的辐照度标幺值;为第d天内云地闪发生时刻即t(d,i)时刻后2*K*Δ时间对应的辐照度标幺值;
作为优选,步骤4所述计算光伏电站上空标幺化后的实时辐照度数据为:
以T为统计间隔时间,记录光伏电站的实时辐照度实际值向量为:
所述标幺化后的辐照度数据为:
步骤4所述计算实时陡降斜率为:
步骤4所述计算实时低水平持续时间为:
步骤4所述计算实时低水平幅值为:
步骤4所述计算实时陡升斜率为:
步骤4所述判定光伏电站上空是否存在雷云为:
当满足下述条件时,
认为雷云中心处于光伏电站中心的经纬度位置,即
(x,y)=(x0,y0)
其中,(x,y)为雷云中心经纬度位置,(x0,y0)为光伏电站中心的经纬度位置;
作为优选,步骤5所述根据雷云监测区域内部署的光伏电站以及雷云监测系统构建雷云轨迹模型为:
若在雷云监测区域内部署光伏电站,通过步骤4判定光伏电站上空存在雷云,则通过匀速运动学模型构建雷云轨迹模型;
所述匀速运动学模型可表达为:
式中:h0为光伏电站实时自动气象监测站风速仪的安装高度,Vwind0为高度h0处风速,为高度h0处风速带有风向的向量信息,α表示风向的角度,h为云底高,其中积雨云的云底高度为1000m-2500m,这里取平均高度1750m作为积雨云的云底高,Vwind是h高度处的风速的标量,为高度h处云速带有云向的向量信息,μ为地面摩擦系数;
若雷云监测区域内部署一个光伏电站以及一个雷云监测系统,通过步骤4判定光伏电站上空存在雷云或通过雷云监测系统监测出存在雷云,则通过匀速直线运动模型构建雷云轨迹模型;
所述匀速直线运动模型为:
设雷云第一个定位点的地理经纬度坐标为A1(x1,y1),雷云第二个定位点的地理经纬度坐标为A2(x2,y2),则:
若雷云监测区域内部署一个光伏电站以及多个雷云监测系统,通过步骤4判定光伏电站上空存在雷云或通过多个雷云监测系统监测出任意一个监测系统上空存在雷云,则通过经纬度方向上的拟合模型构建雷云轨迹模型;
所述经纬度方向上的拟合模型为:
所述雷云在经度方向上的拟合模型为:
所述雷云纬度方向上的拟合模型为:
其中,vψ为云层在经度方向上移动的初速度,aψ为云层在经度方向上移动的加速度;为云层在纬度方向上移动的初速度,为云层在纬度方向上移动的加速度;ΔSψn为雷云中心在第n个定位点与第n+1个定位点的经度差;为雷云中心在第n个定位点与第n+1个定位点的纬度差;Δtn表示第n个定位点与第n+1个定位点间的时间差;
设Δtk表示第k个定位点与第k+1个定位点间的时间差(k=1,2,…,n),ΔSψk表示第k个定位点与第k+1个定位点间的经度差(k=1,2,…,n),表示第k个定位点与第k+1个定位点间的纬度差(k=1,2,…,n),则在经纬度方向上分别有如下方程组成立:
纬度方向上有:
经度方向上有:
本发明优点在于:
本发明应用的是雷云与周围云层对辐照度衰减的变化特点对雷云进行定位,不受电磁信号的干扰;本发明数据直接来源于光伏电站或者间接来源于调度部门,光伏电站与调度部门之间已有通信系统进行数据和指令的交互,因而不需要建立单独的通信系统,也就不需要对通信系统单独进行维护;由于本发明建立的雷云轨迹跟踪与预测模型可以预测未来一段时间雷云的位置;
由于本发明对雷云的定位原理应用的是雷云与周围云层对辐照度衰减的变化特点,因而不同于传统的基于云地闪电磁辐射高低频信号的雷云定位系统,因而不受电磁信号的干扰;
由于本发明数据直接来源于光伏电站或者间接来源于调度部门,光伏电站与调度部门之间已有通信系统进行数据和指令的交互,因而不需要建立单独的通信系统,也就不需要对通信系统单独进行维护;
由于高比例新能源已经成为电网发展的一大趋势,随着新能源不断发展,光伏电站的增加,因而日间通过光伏电站监测的辐照度信息对雷云进行定位成为可能;
由于本发明建立的雷云轨迹跟踪与预测模型基于运动学,因而具有一定的物理意义;
本发明雷云轨迹跟踪与预测结果是基于数据的最小二乘的一元线性回归分析,因而具有统计学意义。
附图说明
图1:是雷云轨迹跟踪与预测流程图。
具体实施方式
为了使本发明专利的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明专利进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明专利,并不用于限定本发明专利。此外,下面所描述的本发明专利各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明具体实施方式采用如下的技术方案一种基于辐照度特征的雷云轨迹跟踪预测方法,包括步骤:
步骤1:以河南省汤阴县某光伏电站为中心建立经纬度矩形区域,在经纬度矩形区域内以每天为统计周期,每天内按照一定统计间隔时间统计经纬度矩形区域内云地闪发生时刻,以云地闪发生时刻为时间中心构建云地闪发生时刻对应的辐照度向量,通过一天内云地闪发生时刻对应的辐照度向量构建每天辐照度数据集,通过多天辐照度数据集构建辐照度实验子集;
步骤1所述以光伏电站为中心建立经纬度矩形区域为:
光伏电站中心经纬度为:
(Xo,Yo)
Xo∈[Xo-W_x,Xo+W_x]
Yo∈[Yo-W_y,Yo+W_y]
其中,Xo=114.35°E为光伏电站中心经度,Yo=35.92°N为光伏电站中心纬度,2*W_x=0.5°为经纬度矩形区域的经度跨度,2*W_y=0.6°为经纬度矩形区域的纬度跨度;
步骤1所述统计间隔时间为:T=120min;
步骤1所述以云地闪发生时刻为时间中心构建云地闪发生时刻对应的辐照度向量为:
I1,t(1,1)=(678,69,54.67,100.67,111.33,69.33,38.67,445.33,635.67)
步骤1所述通过一天内云地闪发生时刻对应的辐照度向量构建每天辐照度数据集为:
datad=Id,t(d,1)(d=1,2,3)
其中,Id,t(d,1)为第d天内云地闪发生时刻即t(d,1)对应的辐照度实测值.
通过多天辐照度数据集构建辐照度实验子集为:
data1,data2,data3
其中,data1=I1,t(1,1)=(678,69,54.67,100.67,111.33,69.33,38.67,445.33,635.67);
data2=I2,t(2,1)=(856.33,771.33,735,277.33,145.67,58,29.33,66.33,241.33);
data3=I3,t(3,1)=(743.33,636.67,188.67,87,131.67,167,169.67,132,163.67)。
步骤2:结合云地闪发生时刻晴空地外辐照度值对云地闪发生时刻对应的辐照度实测值进行标幺化得到标幺化后的辐照度数据;
步骤2所述标幺化后的辐照度数据为:
式中,为目标地第d天内云地闪发生时刻即t(d,i)时刻对应的辐照度标幺值;Id,t(d,i)为第d天内云地闪发生时刻即t(d,i)时刻对应的辐照度实测值,Iex,d,t(d,i)为第d天内云地闪发生时刻即t(d,i)时刻的晴空地外辐照度值。
第d天内t(d,i)时刻的晴空地外辐照度具体计算方法为:
Iex,d,t(d,i)=ION,dcosθz,d,t(d,i)
式中:Isc表示太阳常数,其值约为1367W/m2;dN为积日:为发生云地闪的第d天排在该年内的天数序号,将目标地的1月1日的积日记为1,以天为单位依次计数;ION,d表示在发生云地闪的第d天太阳直射点的晴空地外辐照度;Ed表示发生云地闪的第d天因地球公转时运动和转速变化而产生的时差,时差单位为min;ψ为目标点经度;f(Sd,t(d,i),Fd,t(d,i))表示第d天内云地闪发生时刻即t(d,i)时刻真太阳时:是地球相对于太阳自转一圈所用的时间,地球公转的轨迹为椭圆,使得地球相对于太阳的自转并不是24小时一次,人们实际生活中所说的每天24小时采用的是平太阳时,是假设地球公转的轨道为圆得到的,是地球每年自转时间的平均值,即地球公转一个周期的时间与公转一个周期自转周期数的比值,Sd,t(d,i)表示第d天内云地闪发生时刻即t(d,i)时刻真太阳时小时数,Fd,t(d,i)表示第d天内云地闪发生时刻即t(d,i)时刻真太阳时分钟数;ωd,t(d,i)表示第d天内云地闪发生时刻即t(d,i)时刻太阳时角,是太阳直射点与地心连线所在的直线与目标点与地心连线在赤道所在平面的投影之间的夹角;δd表示发生云地闪的第d天的太阳赤纬角,是太阳直射点与地心连线所在的直线与赤道所在平面之间的夹角;为目标点纬度;θz,d,t(d,i)表示第d天内云地闪发生时刻即t(d,i)时刻太阳天顶角;Iex,d,t(d,i)表示第d天内云地闪发生时刻即t(d,i)时刻的晴空地外辐照度值。
步骤2所述晴空地外辐照度值为:
Iex,1,t(1,1)=(1260.41,1246.29,1227.91,1205.35,1178.72,1148.11,1113.68,1075.55,1033.90)
Iex,2,t(2,1)=(1287.01,1291.21,1291.19,1286.96,1278.52,1265.92,1249.21,1228.46,1203.76)
Iex,3,t(3,1)=(1256.31,1245.07,1229.55,1209.82,1185.96,1158.07,1126.28,1090.72,1051.55)
步骤2所述标幺化后的辐照度值为:
步骤3:通过标幺化后的辐照度数据分别计算陡降斜率阈值、低水平持续时间阈值、低水平幅值阈值、陡升斜率阈值;
步骤3所述陡降斜率阈值为:
其中,M=3为统计云地闪发生时刻天的数量;Nd=1为第d天内云地闪发生时刻的数量(d=1,2,3);为第d天内云地闪发生时刻即t(d,i)时刻前2*K*Δ时间对应的辐照度标幺值;为第d天内云地闪发生时刻即t(d,i)时刻前3*K*Δ时间对应的辐照度标幺值;
考虑到雷电天气较为极端,光伏电站辐照度在雷云的影响下几乎是骤变的,因此取K*Δ≤15min,此处取K*Δ=15min
步骤3所述低水平持续时间阈值为:
步骤3所述低水平幅值阈值为:
步骤3所述陡升斜率阈值为:
其中,M=3为统计云地闪发生时刻天的数量;Nd=1为第d天内云地闪发生时刻的数量(d=1,2,3);为第d天内云地闪发生时刻即t(d,i)时刻后3*K*Δ时间对应的辐照度标幺值;为第d天内云地闪发生时刻即t(d,i)时刻后2*K*Δ时间对应的辐照度标幺值;
考虑到雷电天气较为极端,光伏电站辐照度在雷云的影响下几乎是骤变的,因此取K*Δ≤15min,此处取K*Δ=15min。
步骤4:计算光伏电站上空标幺化后的实时辐照度数据,依次计算实时陡降斜率、实时低水平持续时间、实时低水平幅值、实时陡升斜率,进一步结合陡降斜率阈值、低水平持续时间阈值、低水平幅值阈值、陡升斜率阈值判定光伏电站上空是否存在雷云;
步骤4所述计算光伏电站上空标幺化后的实时辐照度数据为:
以T=120min为统计间隔时间,记录光伏电站5月15日的实时辐照度实际值向量为:
Id=(678,69,54.67,100.67,111.33,69.33,38.67,445.33,635.67);
其中,下标d表示该天日期,即5月15日;
所述标幺化后的辐照度数据为:
步骤4所述计算实时陡降斜率为:
步骤4所述计算实时低水平持续时间为:
步骤4所述计算实时低水平幅值为:
步骤4所述计算实时陡升斜率为:
步骤4所述判定光伏电站上空是否存在雷云为:
由步骤3的计算可知,满足下述条件:
认为雷云中心处于光伏电站中心的经纬度位置,即
(x,y)=(x0,y0)=(114.35°E,35.92°N)
其中,(x,y)为雷云中心经纬度位置,(x0,y0)为光伏电站中心的经纬度位置;
步骤5:根据雷云监测区域内部署的光伏电站以及雷云监测系统构建雷云轨迹模型,用于跟踪预测雷云轨迹;
步骤5所述根据雷云监测区域内部署的光伏电站以及雷云监测系统构建雷云轨迹模型为:
若在雷云监测区域内部署光伏电站,通过步骤4判定光伏电站上空存在雷云,则通过匀速运动学模型构建雷云轨迹模型;
所述匀速运动学模型可表达为:
式中:h0为光伏电站实时自动气象监测站风速仪的安装高度,Vwind0为高度h0处风速,为高度h0处风速带有风向的向量信息,α表示风向的角度,h为云底高,其中积雨云的云底高度为1000m-2500m,这里取平均高度1750m作为积雨云的云底高,Vwind是h高度处的风速的标量,为高度h处云速带有云向的向量信息,μ为地面摩擦系数;地面摩擦系数取值如下表所示:
若雷云监测区域内部署一个光伏电站以及一个雷云监测系统,通过步骤4判定光伏电站上空存在雷云或通过雷云监测系统监测出存在雷云,则通过匀速直线运动模型构建雷云轨迹模型;
所述匀速直线运动模型为:
已知雷云第一个定位点的地理经纬度坐标为A1(114.1962,36.2040),雷云第二个定位点的地理经纬度坐标为A2(114.2049,36.1908),则:
若雷云监测区域内部署一个光伏电站以及多个雷云监测系统,通过步骤4判定光伏电站上空存在雷云或通过多个雷云监测系统监测出任意一个监测系统上空存在雷云,则通过经纬度方向上的拟合模型构建雷云轨迹模型;
以河南省汤阴县5月15日监测范围内的云地闪数据为例,符合筛选条件的数据如下表:
所述经纬度方向上的拟合模型为:
所述雷云在经度方向上的拟合模型为:
所述雷云纬度方向上的拟合模型为:
其中,vψ为云层在经度方向上移动的初速度,aψ为云层在经度方向上移动的加速度;为云层在纬度方向上移动的初速度,为云层在纬度方向上移动的加速度;ΔSψn为雷云中心在第n个定位点与第n+1个定位点的经度差;为雷云中心在第n个定位点与第n+1个定位点的纬度差;Δtn表示第n个定位点与第n+1个定位点间的时间差;
设Δtk表示第k个定位点与第k+1个定位点间的时间差(k=1,2),ΔSψk表示第k个定位点与第k+1个定位点间的经度差(k=1,2),表示第k个定位点与第k+1个定位点间的纬度差(k=1,2),则在经纬度方向上分别有如下方程组成立:
纬度方向上有:
经度方向上有:
对上述两个方程组分别进行求解得到
经度方向上初速度vψ=1.1687×10-5
经度方向上加速度aψ=2.2295×10-9
从而得到雷云在纬度方向上的拟合模型为:
雷云在经度方向上的拟合模型为:
以上应用了具体个例对本发明进行阐述,只是用于帮助理解本发明,并不用以限制本发明。对于本发明所属技术领域的技术人员,依据本发明的思想,还可以做出若干简单推演、变形或替换。本领域的技术人员容易理解,以上所述仅为本发明专利的较佳实施例而已,并不用以限制本发明专利,凡在本发明专利的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明专利的保护范围之内。
Claims (6)
1.一种基于辐照度特征的雷云轨迹跟踪预测方法,其特征在于,包括以下步骤:
步骤1:以光伏电站为中心建立经纬度矩形区域,在经纬度矩形区域内以每天为统计周期,每天内按照一定统计间隔时间统计经纬度矩形区域内云地闪发生时刻,以云地闪发生时刻为时间中心构建云地闪发生时刻对应的辐照度向量,通过一天内云地闪发生时刻对应的辐照度向量构建每天辐照度数据集,通过多天辐照度数据集构建辐照度实验子集;
步骤2:结合云地闪发生时刻晴空地外辐照度值对云地闪发生时刻对应的辐照度实测值进行标幺化得到标幺化后的辐照度数据;
步骤3:通过标幺化后的辐照度数据分别计算陡降斜率阈值、低水平持续时间阈值、低水平幅值阈值、陡升斜率阈值;
步骤4:计算光伏电站上空标幺化后的实时辐照度数据,依次计算实时陡降斜率、实时低水平持续时间、实时低水平幅值、实时陡升斜率,进一步结合陡降斜率阈值、低水平持续时间阈值、低水平幅值阈值、陡升斜率阈值判定光伏电站上空是否存在雷云;
步骤5:根据雷云监测区域内部署的光伏电站以及雷云监测系统构建雷云轨迹模型,用于跟踪预测雷云轨迹。
2.根据权利要求1所述的基于辐照度特征的雷云轨迹跟踪预测方法,其特征在于:
步骤1所述以光伏电站为中心建立经纬度矩形区域为:
光伏电站中心经纬度为:
(Xo,Yo)
Xo∈[Xo-W_x,Xo+W_x]
Yo∈[Yo-W_y,Yo+W_y]
其中,Xo为光伏电站中心经度,Yo为光伏电站中心纬度,2*W_x为经纬度矩形区域的经度跨度,2*W_y为经纬度矩形区域的纬度跨度;
步骤1所述统计间隔时间为:T;
步骤1所述以云地闪发生时刻为时间中心构建云地闪发生时刻对应的辐照度向量为:
Id,i=(Id,t(d,i)-3*K*△,Id,2,...Id,t(d,i)...,Id,t(d,Nd)+-3*K*△)
其中,6*K*△为云地闪发生时刻对应的辐照度向量中采集辐照度时长;
步骤1所述通过一天内云地闪发生时刻对应的辐照度向量构建每天辐照度数据集为:
datad=(Id,t(d,1),Id,t(d,2),...,Id,t(d,Nd))
d∈[1,M]
其中,Id,t(d,i)为第d天内云地闪发生时刻即t(d,i)对应的辐照度实测值,M为统计云地闪发生时刻天的数量,Nd为第d天内云地闪发生时刻的数量;
通过多天辐照度数据集构建辐照度实验子集为:
data1,data2,...,dataM。
3.根据权利要求1所述的基于辐照度特征的雷云轨迹跟踪预测方法,其特征在于:
步骤2所述标幺化后的辐照度数据为:
式中,为目标地第d天内云地闪发生时刻即t(d,i)时刻对应的辐照度标幺值;Id,t(d,i)为第d天内云地闪发生时刻即t(d,i)时刻对应的辐照度实测值,Iex,d,t(d,i)为第d天内云地闪发生时刻即t(d,i)时刻的晴空地外辐照度值;
第d天内t(d,i)时刻的晴空地外辐照度具体计算方法为:
Iex,d,t(d,i)=ION,d cosθz,d,t(d,i)
式中:Isc表示太阳常数,其值约为1367W/m2;dN为积日:为发生云地闪的第d天排在该年内的天数序号,将目标地的1月1日的积日记为1,以天为单位依次计数;ION,d表示在发生云地闪的第d天太阳直射点的晴空地外辐照度;Ed表示发生云地闪的第d天因地球公转时运动和转速变化而产生的时差,时差单位为min;ψ为目标点经度;f(Sd,t(d,i),Fd,t(d,i))表示第d天内云地闪发生时刻即t(d,i)时刻真太阳时;表示第d天内云地闪发生时刻即t(d,i)时刻真太阳时小时数,Fd,t(d,i)表示第d天内云地闪发生时刻即t(d,i)时刻真太阳时分钟数;ωd,t(d,i)表示第d天内云地闪发生时刻即t(d,i)时刻太阳时角,是太阳直射点与地心连线所在的直线与目标点与地心连线在赤道所在平面的投影之间的夹角;δd表示发生云地闪的第d天的太阳赤纬角,是太阳直射点与地心连线所在的直线与赤道所在平面之间的夹角;为目标点纬度;θz,d,t(d,i)表示第d天内云地闪发生时刻即t(d,i)时刻太阳天顶角;Iex,d,t(d,i)表示第d天内云地闪发生时刻即t(d,i)时刻的晴空地外辐照度值。
4.根据权利要求1所述的基于辐照度特征的雷云轨迹跟踪预测方法,其特征在于:
步骤3所述陡降斜率阈值为:
其中,M为统计云地闪发生时刻天的数量;Nd为第d天内云地闪发生时刻的数量;为第d天内云地闪发生时刻即t(d,i)时刻前2*K*Δ时间对应的辐照度标幺值;为第d天内云地闪发生时刻即t(d,i)时刻前3*K*Δ时间对应的辐照度标幺值;
步骤3所述低水平持续时间阈值为:
步骤3所述低水平幅值阈值为:
步骤3所述陡升斜率阈值为:
其中,M为统计云地闪发生时刻天的数量;Nd为第d天内云地闪发生时刻的数量;
5.根据权利要求1所述的基于辐照度特征的雷云轨迹跟踪预测方法,其特征在于:
步骤4所述计算光伏电站上空标幺化后的实时辐照度数据为:
以T为统计间隔时间,记录光伏电站的实时辐照度实际值向量为:
所述标幺化后的辐照度数据为:
步骤4所述计算实时陡降斜率为:
步骤4所述计算实时低水平持续时间为:
步骤4所述计算实时低水平幅值为:
步骤4所述计算实时陡升斜率为:
步骤4所述判定光伏电站上空是否存在雷云为:
当满足下述条件时,
认为雷云中心处于光伏电站中心的经纬度位置,即
(x,y)=(x0,y0)
其中,(x,y)为雷云中心经纬度位置,(x0,y0)为光伏电站中心的经纬度位置。
6.根据权利要求1所述的基于辐照度特征的雷云轨迹跟踪预测方法,其特征在于:
步骤5所述根据雷云监测区域内部署的光伏电站以及雷云监测系统构建雷云轨迹模型为:
若在雷云监测区域内部署光伏电站,通过步骤4判定光伏电站上空存在雷云,则通过匀速运动学模型构建雷云轨迹模型;
所述匀速运动学模型可表达为:
式中:h0为光伏电站实时自动气象监测站风速仪的安装高度,Vwind0为高度h0处风速,为高度h0处风速带有风向的向量信息,α表示风向的角度,h为云底高,其中积雨云的云底高度为1000m-2500m,这里取平均高度1750m作为积雨云的云底高,Vwind是h高度处的风速的标量,为高度h处云速带有云向的向量信息,μ为地面摩擦系数;
若雷云监测区域内部署一个光伏电站以及一个雷云监测系统,通过步骤4判定光伏电站上空存在雷云或通过雷云监测系统监测出存在雷云,则通过匀速直线运动模型构建雷云轨迹模型;
所述匀速直线运动模型为:
设雷云第一个定位点的地理经纬度坐标为A1(x1,y1),雷云第二个定位点的地理经纬度坐标为A2(x2,y2),则:
若雷云监测区域内部署一个光伏电站以及多个雷云监测系统,通过步骤4判定光伏电站上空存在雷云或通过多个雷云监测系统监测出任意一个监测系统上空存在雷云,则通过经纬度方向上的拟合模型构建雷云轨迹模型;
所述经纬度方向上的拟合模型为:
所述雷云在经度方向上的拟合模型为:
所述雷云纬度方向上的拟合模型为:
其中,vψ为云层在经度方向上移动的初速度,aψ为云层在经度方向上移动的加速度;为云层在纬度方向上移动的初速度,为云层在纬度方向上移动的加速度;ΔSψn为雷云中心在第n个定位点与第n+1个定位点的经度差;为雷云中心在第n个定位点与第n+1个定位点的纬度差;Δtn表示第n个定位点与第n+1个定位点间的时间差;
设Δtk表示第k个定位点与第k+1个定位点间的时间差(k=1,2,…,n),ΔSψk表示第k个定位点与第k+1个定位点间的经度差(k=1,2,…,n),表示第k个定位点与第k+1个定位点间的纬度差(k=1,2,…,n),则在经纬度方向上分别有如下方程组成立:
纬度方向上有:
经度方向上有:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010634879.0A CN111858707B (zh) | 2020-07-03 | 2020-07-03 | 一种基于辐照度特征的雷云轨迹跟踪预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010634879.0A CN111858707B (zh) | 2020-07-03 | 2020-07-03 | 一种基于辐照度特征的雷云轨迹跟踪预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111858707A CN111858707A (zh) | 2020-10-30 |
CN111858707B true CN111858707B (zh) | 2023-01-17 |
Family
ID=73152096
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010634879.0A Active CN111858707B (zh) | 2020-07-03 | 2020-07-03 | 一种基于辐照度特征的雷云轨迹跟踪预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111858707B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114580211B (zh) * | 2022-04-24 | 2022-07-15 | 天津航大天元航空技术有限公司 | 一种光伏发电设备的视觉影响评估方法及装置 |
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 |
CN109886486B (zh) * | 2019-02-18 | 2022-11-29 | 南方电网科学研究院有限责任公司 | 不依赖于设备的云层跟踪技术及小时内辐照度预测方法 |
-
2020
- 2020-07-03 CN CN202010634879.0A patent/CN111858707B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111858707A (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021204226A1 (zh) | 基于雷云轨迹跟踪的雷电条件下的光伏功率预测方法 | |
CN108960526B (zh) | 一种基于区域等效的分布式光伏出力预测方法和系统 | |
CN103837769B (zh) | 一种输电线路雷害预警方法及其系统 | |
Liu et al. | Evolution of the total lightning activity in a leading-line and trailing stratiform mesoscale convective system over Beijing | |
Jiang et al. | Characteristics and preliminary causes of tropical cyclone extreme rainfall events over Hainan Island | |
CN111612315A (zh) | 一种新型电网灾害性大风预警方法 | |
CN106570621A (zh) | 针对电力输配电系统的台风风险预警方法 | |
CN111858707B (zh) | 一种基于辐照度特征的雷云轨迹跟踪预测方法 | |
Chen et al. | Short-term prediction for transmission lines icing based on bp neural network | |
Chaudhari et al. | Thunderstorms over a tropical Indian station, Minicoy: Role of vertical wind shear | |
CN104951492B (zh) | 基于电网gis风电场专业气象监测和预警方法及系统 | |
CN114296050B (zh) | 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 | |
Santos et al. | Wind speed evaluation of MERRA-2, ERA-interim and ERA-5 reanalysis data at a wind farm located in brazil | |
CN112925343B (zh) | 无人机运动航线规划方法及应用所述方法的巡检无人机 | |
US11243238B2 (en) | Method for warning about lightning activity in wind farms | |
Xie et al. | Extensions of power system early-warning defense schemes by integrating wide area meteorological information | |
Abbes et al. | Investigation of wind characteristics and wind power potential in El-Kef region, Tunisia | |
Altaratz et al. | Winter thunderstorms in Israel: A study with lightning location systems and weather radar | |
Xie et al. | Characteristics of cloud-to-ground lightning activity in hailstorms over Yunnan province | |
CN112382977A (zh) | 一种输电线路差异化防雷方法及系统 | |
Rincon et al. | Development of a short-term irradiance prediction system using post-processing tools on WRF-ARW meteorological forecasts in Spain | |
Edwards et al. | An investigation of wind-energy prospects in the Otago region of New Zealand | |
Behncke et al. | Review of span and gust factors for transmission line design | |
Biasiotti et al. | Evaluation of Weather Forecast Uncertainty for HV Grid Operational Resilience Improvement | |
Yun et al. | Temporal and spatial distribution characteristics and causes of sea fog in Jiangsu coastal area |
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 |