CN112182483A - 一种基于空气质量指数的太阳辐射预测方法和装置 - Google Patents
一种基于空气质量指数的太阳辐射预测方法和装置 Download PDFInfo
- Publication number
- CN112182483A CN112182483A CN202010819493.7A CN202010819493A CN112182483A CN 112182483 A CN112182483 A CN 112182483A CN 202010819493 A CN202010819493 A CN 202010819493A CN 112182483 A CN112182483 A CN 112182483A
- Authority
- CN
- China
- Prior art keywords
- air quality
- air
- quality index
- value
- solar
- 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.)
- Pending
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
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供一种基于空气质量指数的太阳辐射预测方法和装置,基于空气质量指数确定空气质量类型,并确定未来太阳总辐射预报值;将未来太阳总辐射预报值输入预先构建的空气质量类型对应的太阳辐射预测模型进行预测,得到未来太阳总辐射预测值,通过空气质量指数实现太阳总辐射的预测,得到的未来太阳总辐射预测值精度高。本发明通过空气质量指数分级表征空气质量类型,提高了空气质量类型的精确分级,在精确区分空气质量类型基础上建立适用于空气质量类型的太阳辐射预测模型,从而得到光伏电站所在区域更为准确的太阳辐射预测值,有助于提升光伏发电功率预测精度。
Description
技术领域
本发明涉及光伏发电预测技术领域,具体涉及一种基于空气质量指数的太阳辐射预测方法和装置。
背景技术
光伏发电系统的输出功率具有随机性和波动性,大规模光伏电站的接入电网已对电网安全稳定和经济运行造成影响。对有助于电力调度部门能够提前根据光伏发电功率变化及时调整调度计划,保证电能质量,同时使得光伏资源得到充分的利用,从而获得更大的经济效益和社会效益,有必要对光伏电站的输出功率进行准确预测。
光伏发电系统的输出功率一般受外部气象因素和光伏发电系统自身特因素两方面的影响,其中受外部气象因素包括如太阳光辐射强度、辐射时长、温度等,光伏发电系统自身特性因素包括光伏电站位置、转换效率、安装角度等。近年来,随着大范围的雾霾/沙尘等污染事件连续多发,空气质量对于光伏发电系统的影响越来越受到重视。重大空气污染事情发生后,大气中的污染物质会对光伏发电系统的太阳辐射造成衰减,从而造成光伏发电系统的其输出功率不稳定且难以预测。
现有技术中太阳辐射预测主要依赖于数值天气预报模式以及数理统计方法,但是基于数值预报模式和历史的统计方法很难考虑雾霾、沙尘气溶胶等对太阳辐射衰减的影响,也无法反应空气质量类型变化,导致预测精度低。
发明内容
为了克服上述现有技术中预测精度低的不足,本发明提供一种基于空气质量指数的太阳辐射预测方法,包括:
基于空气质量指数确定空气质量类型,并确定未来太阳总辐射预报值;
将所述未来太阳总辐射预报值输入预先构建的空气质量类型对应的太阳辐射预测模型进行预测,得到未来太阳总辐射预测值。
所述基于空气质量指数确定空气质量类型,包括:
基于WRF-CHEM模式确定各空气污染物的未来浓度预报值,并基于确定的未来浓度预报值计算各空气污染物的空气质量分指数;
选取各空气污染物的空气质量分指数中的最大值作为空气质量指数;
基于空气质量指数确定空气质量类型。
所述太阳辐射预测模型的构建,包括:
基于各空气污染物的历史浓度实际值确定空气质量类型,并获取空气质量类型对应的历史太阳总辐射预报值;
将空气质量类型对应的历史太阳总辐射预报值设为输入数据,将历史太阳总辐射实际值设为输出数据;
采用局部加权回归散点平滑法对输入数据和输出数据进行拟合,得到不同空气质量类型下的太阳辐射预测模型。
所述基于各空气污染物的历史浓度实际值确定空气质量类型,包括:
获取各空气污染物的历史浓度实际值,并基于获取的历史浓度实际值计算各空气污染物的空气质量分指数;
选取各空气污染物的空气质量分指数中的最大值作为空气质量指数;
基于空气质量指数确定空气质量类型。
所述各空气污染物的空气质量分指数按下式计算:
式中,IP为空气污染物的空气质量分指数,IPh为IP的预设上限值,IPl为IP的预设下限值,CP为空气污染物的历史浓度实际值或空气污染物的未来浓度预报值,CPh为CP的预设上限值,CPl为CP的预设下限值。
所述确定未来太阳总辐射预报值,包括:
利用WRF模式确定未来太阳总辐射预报值。
另一方面,本发明还提供一种基于空气质量指数的太阳辐射预测装置,包括:
确定模块,用于基于空气质量指数确定空气质量类型,并确定未来太阳总辐射预报值;
预测模块,用于将所述未来太阳总辐射预报值输入预先构建的空气质量类型对应的太阳辐射预测模型进行预测,得到未来太阳总辐射预测值。
所述确定模块具体用于:
基于WRF-CHEM模式确定各空气污染物的未来浓度预报值,并基于确定的未来浓度预报值计算各空气污染物的空气质量分指数;
选取各空气污染物的空气质量分指数中的最大值作为空气质量指数;
基于空气质量指数确定空气质量类型。
还包括建模模块,所述建模模块具体用于:
基于各空气污染物的历史浓度实际值确定空气质量类型,并获取空气质量类型对应的历史太阳总辐射预报值;
将空气质量类型对应的历史太阳总辐射预报值设为输入数据,将历史太阳总辐射实际值设为输出数据;
采用局部加权回归散点平滑法对输入数据和输出数据进行拟合,得到不同空气质量类型下的太阳辐射预测模型。
所述建模模块具体用于:
获取各空气污染物的历史浓度实际值,并基于获取的历史浓度实际值计算各空气污染物的空气质量分指数;
选取各空气污染物的空气质量分指数中的最大值作为空气质量指数;
基于空气质量指数确定空气质量类型。
本发明提供的技术方案具有以下有益效果:
本发明提供的基于空气质量指数的太阳辐射预测方法,基于空气质量指数确定空气质量类型,并确定未来太阳总辐射预报值;将未来太阳总辐射预报值输入预先构建的空气质量类型对应的太阳辐射预测模型进行预测,得到未来太阳总辐射预测值,通过空气质量指数实现太阳总辐射的预测,得到的未来太阳总辐射预测值精度高;
本发明将空气污染物的浓度简化成概念性数值形式,通过空气质量指数分级表征空气质量类型,提高了空气质量类型的精确分级,为太阳辐射预测提供基础;
本发明在精确区分空气质量类型基础上建立适用于空气质量类型的太阳辐射预测模型,从而得到光伏电站所在区域更为准确的太阳辐射预测值,有助于提升光伏发电功率预测精度。
附图说明
图1是本发明实施例中基于空气质量指数的太阳辐射预测方法流程图;
图2是本发明实施例中基于空气质量指数的太阳辐射预测装置结构图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
实施例1
本发明实施例1提供了一种基于空气质量指数AQI(Individual Air QualityIndex)的太阳辐射预测方法,具体流程图如图1所示,具体过程如下:
S101:基于各空气污染物的未来浓度预报值确定空气质量类型,并确定未来太阳总辐射预报值;本发明实施例1中具体是利用WRF模式确定未来太阳总辐射预报值;
S102:将未来太阳总辐射预报值输入预先构建的空气质量类型对应的太阳辐射预测模型进行预测,得到未来太阳总辐射预测值。
基于各空气污染物的未来浓度预报值确定空气质量类型,包括:
基于WRF-CHEM模式确定各空气污染物的未来浓度预报值,并基于确定的未来浓度预报值计算各空气污染物的空气质量分指数(即Individual Air Quality Index,IAQI);
选取各空气污染物的空气质量分指数中的最大值作为空气质量指数;
基于空气质量指数确定空气质量类型。
太阳辐射预测模型的构建,包括:
基于各空气污染物的历史浓度实际值确定空气质量类型,并获取空气质量类型对应的历史太阳总辐射预报值;
将空气质量类型对应的历史太阳总辐射预报值设为输入数据,将历史太阳总辐射实际值设为输出数据;
采用局部加权回归散点平滑法(LOESS回归法)对输入数据和输出数据进行拟合,得到不同空气质量类型下的太阳辐射预测模型。
LOESS回归类似于移动平均技术,是在指定的窗口之内,每一点的数值都用窗口内临近的数据进行加权回归得到线性方程,过程如下:
(1)计算指定窗口内各个太阳辐射数据点的初始权重,权重函数一般表达为数值之间欧氏距离比值的立方函数,具体为:W(u)=(1-u3)3;
(2)利用初始权重进行回归估计,利用估计式的残差定义稳健的权函数,计算新的权重;
(3)利用新的权重重复步骤(2),不停的修正权函数,第N步收敛后可根据多项式和权重得到任意点的光滑值。
本发明实施例1中的空气污染物包括细颗粒物(PM2.5)、可吸入颗粒物(PM10)、二氧化硫(SO2)、二氧化氮(NO2)、臭氧(O3)、一氧化碳(CO)等。
基于各空气污染物的历史浓度实际值确定空气质量类型,包括:
获取各空气污染物的历史浓度实际值,并基于获取的历史浓度实际值计算各空气污染物的空气质量分指数;
选取各空气污染物的空气质量分指数中的最大值作为空气质量指数;
基于空气质量指数确定空气质量类型。
基于空气质量指数确定空气质量类型,包括:
当0≤AQI≤50时,确定空气质量类型为优;
当51≤AQI≤100时,确定空气质量类型为良;
当101≤AQI≤150时,确定空气质量类型为轻度污染;
当151≤AQI≤200时,确定空气质量类型为中度污染;
当201≤AQI≤300时,确定空气质量类型为重度污染;
当AQI>300时,确定空气质量类型为严重污染。
各空气污染物的空气质量分指数按下式计算:
式中,IP为空气污染物的空气质量分指数,IPh为IP的预设上限值,IPl为IP的预设下限值,CP为空气污染物的历史浓度实际值或空气污染物的未来浓度预报值,CPh为CP的预设上限值,CPl为CP的预设下限值。
实施例2
基于同一发明构思,本发明实施例2还提供一种基于空气质量指数的太阳辐射预测装置,如图2所示,包括:
确定模块,用于基于各空气污染物的未来浓度预报值确定空气质量类型,并确定未来太阳总辐射预报值;本发明实施例2中的确定模块具体是利用WRF模式确定未来太阳总辐射预报值;
预测模块,用于将未来太阳总辐射预报值输入预先构建的空气质量类型对应的太阳辐射预测模型进行预测,得到未来太阳总辐射预测值。
确定模块具体用于:
基于WRF-CHEM模式确定各空气污染物的未来浓度预报值,并基于确定的未来浓度预报值计算各空气污染物的空气质量分指数;
选取各空气污染物的空气质量分指数中的最大值作为空气质量指数;
基于空气质量指数确定空气质量类型。
本发明实施例2提供的预测装置还包括建模模块,建模模块具体用于:
基于各空气污染物的历史浓度实际值确定空气质量类型,并获取空气质量类型对应的历史太阳总辐射预报值;
将空气质量类型对应的历史太阳总辐射预报值设为输入数据,将历史太阳总辐射实际值设为输出数据;
采用局部加权回归散点平滑法对输入数据和输出数据进行拟合,得到不同空气质量类型下的太阳辐射预测模型。
建模模块确定空气质量类型的具体过程如下:
获取各空气污染物的历史浓度实际值,并基于获取的历史浓度实际值计算各空气污染物的空气质量分指数;
选取各空气污染物的空气质量分指数中的最大值作为空气质量指数;
基于空气质量指数确定空气质量类型。
空气质量类型具体包括优、良、轻度污染、中度污染、重度污染、严重污染;具体如下:
当0≤AQI≤50时,空气质量类型为优;
当51≤AQI≤100时,空气质量类型为良;
当101≤AQI≤150时,空气质量类型为轻度污染;
当151≤AQI≤200时,空气质量类型为中度污染;
当201≤AQI≤300时,空气质量类型为重度污染;
当AQI>300时,空气质量类型为严重污染。
本发明实施例2中的各空气污染物的空气质量分指数按下式计算:
式中,IP为空气污染物的空气质量分指数,IPh为IP的预设上限值,IPl为IP的预设下限值,CP为空气污染物的历史浓度实际值或空气污染物的未来浓度预报值,CPh为CP的预设上限值,CPl为CP的预设下限值。
为了描述的方便,以上所述装置的各部分以功能分为各种模块或单元分别描述。当然,在实施本申请时可以把各模块或单元的功能在同一个或多个软件或硬件中实现。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,所属领域的普通技术人员参照上述实施例依然可以对本发明的具体实施方式进行修改或者等同替换,这些未脱离本发明精神和范围的任何修改或者等同替换,均在申请待批的本发明的保护范围之内。
Claims (10)
1.一种基于空气质量指数的太阳辐射预测方法,其特征在于,包括:
基于空气质量指数确定空气质量类型,并确定未来太阳总辐射预报值;
将所述未来太阳总辐射预报值输入预先构建的空气质量类型对应的太阳辐射预测模型进行预测,得到未来太阳总辐射预测值。
2.根据权利要求1所述的基于空气质量指数的太阳辐射预测方法,其特征在于,所述基于空气质量指数确定空气质量类型,包括:
基于WRF-CHEM模式确定各空气污染物的未来浓度预报值,并基于确定的未来浓度预报值计算各空气污染物的空气质量分指数;
选取各空气污染物的空气质量分指数中的最大值作为空气质量指数;
基于空气质量指数确定空气质量类型。
3.根据权利要求1所述的基于空气质量指数的太阳辐射预测方法,其特征在于,所述太阳辐射预测模型的构建,包括:
基于各空气污染物的历史浓度实际值确定空气质量类型,并获取空气质量类型对应的历史太阳总辐射预报值;
将空气质量类型对应的历史太阳总辐射预报值设为输入数据,将历史太阳总辐射实际值设为输出数据;
采用局部加权回归散点平滑法对输入数据和输出数据进行拟合,得到不同空气质量类型下的太阳辐射预测模型。
4.根据权利要求3所述的基于空气质量指数的太阳辐射预测方法,其特征在于,所述基于各空气污染物的历史浓度实际值确定空气质量类型,包括:
获取各空气污染物的历史浓度实际值,并基于获取的历史浓度实际值计算各空气污染物的空气质量分指数;
选取各空气污染物的空气质量分指数中的最大值作为空气质量指数;
基于空气质量指数确定空气质量类型。
6.根据权利要求1所述的基于空气质量指数的太阳辐射预测方法,其特征在于,所述确定未来太阳总辐射预报值,包括:
利用WRF模式确定未来太阳总辐射预报值。
7.一种基于空气质量指数的太阳辐射预测装置,其特征在于,包括:
确定模块,用于基于空气质量指数确定空气质量类型,并确定未来太阳总辐射预报值;
预测模块,用于将所述未来太阳总辐射预报值输入预先构建的空气质量类型对应的太阳辐射预测模型进行预测,得到未来太阳总辐射预测值。
8.根据权利要求6所述的基于空气质量指数的太阳辐射预测装置,其特征在于,所述确定模块具体用于:
基于WRF-CHEM模式确定各空气污染物的未来浓度预报值,并基于确定的未来浓度预报值计算各空气污染物的空气质量分指数;
选取各空气污染物的空气质量分指数中的最大值作为空气质量指数;
基于空气质量指数确定空气质量类型。
9.根据权利要求8所述的基于空气质量指数的太阳辐射预测方法,其特征在于,还包括建模模块,所述建模模块具体用于:
基于各空气污染物的历史浓度实际值确定空气质量类型,并获取空气质量类型对应的历史太阳总辐射预报值;
将空气质量类型对应的历史太阳总辐射预报值设为输入数据,将历史太阳总辐射实际值设为输出数据;
采用局部加权回归散点平滑法对输入数据和输出数据进行拟合,得到不同空气质量类型下的太阳辐射预测模型。
10.根据权利要求9所述的基于空气质量指数的太阳辐射预测装置,其特征在于,所述建模模块具体用于:
获取各空气污染物的历史浓度实际值,并基于获取的历史浓度实际值计算各空气污染物的空气质量分指数;
选取各空气污染物的空气质量分指数中的最大值作为空气质量指数;
基于空气质量指数确定空气质量类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010819493.7A CN112182483A (zh) | 2020-08-14 | 2020-08-14 | 一种基于空气质量指数的太阳辐射预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010819493.7A CN112182483A (zh) | 2020-08-14 | 2020-08-14 | 一种基于空气质量指数的太阳辐射预测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112182483A true CN112182483A (zh) | 2021-01-05 |
Family
ID=73919192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010819493.7A Pending CN112182483A (zh) | 2020-08-14 | 2020-08-14 | 一种基于空气质量指数的太阳辐射预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112182483A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114925321A (zh) * | 2022-05-13 | 2022-08-19 | 北京科技大学 | 克服污染数据及不确定事件的新型稳健估计方法及装置 |
-
2020
- 2020-08-14 CN CN202010819493.7A patent/CN112182483A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114925321A (zh) * | 2022-05-13 | 2022-08-19 | 北京科技大学 | 克服污染数据及不确定事件的新型稳健估计方法及装置 |
CN114925321B (zh) * | 2022-05-13 | 2022-12-06 | 北京科技大学 | 克服污染数据及不确定事件的新型稳健估计方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111537023B (zh) | 一种工业园区大气污染物扩散模拟与溯源方法 | |
CN108734331B (zh) | 基于lstm的短期光伏发电功率预测方法及系统 | |
CN102819661B (zh) | 一种运用区域空气质量模式计算大气环境容量的方法 | |
CN113901714B (zh) | 基于人工智能的臭氧层预报算法 | |
CN107145668A (zh) | 发电厂烟气污染物排放对区域大气雾霾的评价方法及装置 | |
CN114225662B (zh) | 一种基于滞后模型的烟气脱硫脱硝优化控制方法 | |
CN1753010A (zh) | 用于钢铁企业能源优化调度的分类建模和滚动求解方法 | |
CN111832800A (zh) | 一种光伏电站功率预测方法和装置 | |
CN112183803A (zh) | 一种基于雾霾/沙尘覆盖范围的光伏功率预测方法和系统 | |
CN112684118A (zh) | 一种大气臭氧污染的便捷预警方法 | |
CN112182483A (zh) | 一种基于空气质量指数的太阳辐射预测方法和装置 | |
CN117150677A (zh) | 一种电除尘器选型参数的确定方法及装置 | |
CN116663786A (zh) | 一种风光资源评估方法、装置、电子设备和存储介质 | |
Manukova-Marinova et al. | An approach to developing a monitoring and control of pollution from industrial processes | |
CN115293456A (zh) | 一种预测含微电网的楼宇碳达峰的方法、装置及存储介质 | |
CN114880944A (zh) | 一种基于Lasso算法的脱硫系统运行优化方法及系统 | |
CN108364071A (zh) | 一种基于遗传规划法的自适应建模风功率预测方法 | |
Dzhidzhelava et al. | The environmental component of construction projects in the aspect of sustainable development | |
CN112926761A (zh) | 一种风电场功率预测方法 | |
Ma et al. | A genetic algorithm based stochastic programming model for air quality management | |
Ma et al. | A robust interval economic dispatch method accommodating significant wind power integration | |
Khamsimak et al. | Dispersion modeling of SO2 emissions from a lignite fired thermal power plant using CALPUFF | |
CN114418791B (zh) | 一种火电厂小时级碳排放在线监测方法 | |
CN104037781A (zh) | 电网无功协调控制方法及装置 | |
Guangshan et al. | Prediction of photovoltaic power attenuation rate under thehaze weather based on multi-factor fitting model |
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 |