CN112200377A - 基于sarimax模型的光伏中长期发电量预报方法及装置 - Google Patents
基于sarimax模型的光伏中长期发电量预报方法及装置 Download PDFInfo
- Publication number
- CN112200377A CN112200377A CN202011107793.9A CN202011107793A CN112200377A CN 112200377 A CN112200377 A CN 112200377A CN 202011107793 A CN202011107793 A CN 202011107793A CN 112200377 A CN112200377 A CN 112200377A
- Authority
- CN
- China
- Prior art keywords
- model
- radiation
- amount
- data
- inclined plane
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 58
- 238000013277 forecasting method Methods 0.000 title claims abstract description 7
- 230000005855 radiation Effects 0.000 claims abstract description 93
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 17
- 230000005684 electric field Effects 0.000 claims description 31
- 238000012360 testing method Methods 0.000 claims description 28
- 230000001932 seasonal effect Effects 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 19
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000001419 dependent effect Effects 0.000 claims description 5
- 238000009434 installation Methods 0.000 claims description 5
- 238000012417 linear regression Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 2
- 238000000926 separation method Methods 0.000 claims description 2
- 230000007774 longterm Effects 0.000 abstract description 10
- 230000008859 change Effects 0.000 abstract description 6
- 238000011161 development Methods 0.000 abstract description 4
- 238000011160 research Methods 0.000 description 4
- 238000005311 autocorrelation function Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 229910003472 fullerene Inorganic materials 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Photovoltaic Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于SARIMAX模型的光伏中长期发电量预报方法及装置，进行历史辐照度数据处理，得到历史辐射数据中每日的辐射量；将历史辐射数据中每日的辐射量转化为倾斜面上的太阳辐射量；利用SARIMAX模型预测未来n个月的倾斜面预测辐射总量；建立辐射总量‑电量模型的回归模型；将倾斜面预测辐射总量带入回归模型，得到未来n个月预测发电量。本发明利用太阳辐射序列的自身变化来寻找序列中蕴含的发展规律，能在较小的计算资源条件下，实现了较高准确度的预测方法，为光伏电站长期规划和参加电力交易提供支撑。
Description
技术领域
本发明属于电力领域，特别是涉及到一种基于SARIMAX模型的光伏中长期发电量预报方法及装置。
背景技术
近年来太阳能开发利用规模快速扩大，技术进步和产业升级加快，成本显著降低，已成为全球能源转型的重要领域。随着我国电力交易市场的开放和发展，中长期发电量预测的需求越来越凸显。在跨区域电力交易中，主要采取以年度合同为主，月度临时交易为辅的交易模式。在签订长期交易合同的过程中，必然涉及到的问题是，未来一年或若干个月电站有多少电量需要送出；在执行光伏长期交易时，分解发电量至月度发电计划过程亦需要发电量的数值。为此，有必要研究中长期光伏发电量预测问题。预测结果不仅可为光伏发电长期交易制定提供参考，也可为交易的计划分解提供参考，以最大限度地发挥电场发电能力与输电通道的输送能力。
目前，国内外的新能源预测研究的时间尺度多为小时，最长为7*24小时预测。我国对于新能源发电量预测的研究主要亦集中于超短期和短期的时间尺度内。其中，超短期预测可以用于电力系统实时调度，短期预测可用于安排机组组合和制定发电计划。中长期时间尺度的新能源预测因受到可用数据少、新增装机对发电量影响大等原因研究的相对较少。
因此，国内外对光伏发电量的长期预测研究很少，主要采用统计学方法及智能学习的方法。有学者基于聚类的方法统计不同季节、不同气候下的光伏电量统计概率，采用概率抽样方式生成光伏的电量周预测值。
但是，一个地区辐照量的变化受到诸多因素的影响，既有长期趋势、季节效应，又具有随机扰动效应。这些方法在预测值上会出现趋于平均值结果，对极值尤其是气候转折期的预测效果欠佳。
发明内容
本发明提出一种基于SARIMAX模型的光伏中长期发电量预报方法及装置，利用太阳辐射序列的自身变化来寻找序列中蕴含的发展规律，提供较准确的预测结果。
为达到上述目的，本发明的技术方案是这样实现的：
一种基于SARIMAX模型的光伏中长期发电量预报方法，包括：
S1、历史辐照度数据处理，得到历史辐射数据中每日的辐射量；
S2、将历史辐射数据中每日的辐射量转化为倾斜面上的太阳辐射量；
S3、利用SARIMAX模型预测未来n个月的倾斜面预测辐射总量；
S4、建立辐射总量-电量模型的回归模型；
S5、将S3得出的倾斜面预测辐射总量带入步骤S4得到的回归模型，得到未来n个月预测发电量。
进一步的，步骤S1所述历史辐照度数据处理的具体方法包括：
S101：利用双线性插值算法，对一定数量的历史年份的30km*30km空间分辨率、1小时时间分辨率的ERA5辐照度数据进行降尺度，插值到预测电场坐标位置；
S102：对辐照度数据按天进行积分，得到该数量年份每日的辐射量。
进一步的，步骤S2所述倾斜面上的太阳辐射量转化方法包括：
S201：输入光伏电场的经纬度，光伏阵列的安装倾角和方位角；
S202：计算太阳赤纬δ；
式中n为1年中的日期序号，如1月1日为n＝1,1月2日为n＝2,…,取值范围为1～365；
S203：计算倾斜面上的直接辐射分量；
式中，Φ——光伏电站纬度；
β——光伏阵列倾角；
δ——太阳赤纬；
ws——水平面上日落时角；
wST——倾斜面上日落时角；
HB——水平面上的太阳直接辐射量，即步骤S1所述的每日的辐射量；
其中水平面上日落时角ws的计算公式为：
wS＝cos-1(-tanφ*tanδ)
倾斜面上日落时角wST的计算公式为：
wST＝min{wS,cos-1[tan(φ-β)×tanδ]}
S204：计算倾斜面上的散射辐射分量；
式中Hd为水平面上的太阳散射辐射量，即步骤S1所述的每日的辐射量的散射辐
射量；
S205：计算倾斜面上的总辐射量；
H＝HBT+HdT。
进一步的，步骤S3所述预测倾斜面预测辐射总量的具体方法包括：
S301、建立SARIMAX模型，确认模型参数趋势差分阶数d、季节性差分阶数D、单个季节期间的时间步数m；
S302、其余模型参数包括趋势自回归阶数p、趋势移动平均阶数q、季节性自回归阶数P、季节性移动平均阶数Q，各自建立序列，组成笛卡尔积的元祖，构成多组参数；
S303、将步骤S2得到的每日的倾斜面上太阳辐射量数据分离为训练集与测试集；
S304、将S302的多组参数分别与S301的d、D、m作为SARIMAX的参数代入模型中，使用训练集进行训练；
S305、每一次模型的预测结果与测试集真实结果进行计算，得出均方误差MSE；MSE作为损失函数，比较多组参数的MSE,将MSE值最小的模型参数保留下来，作为最终模型参数；
S306、模型评估，通过残差白噪声检验和参数显著性检验对拟合模型进行检验，若残差白噪声检验P值大于显著性检验水平0.05，则说明该模型对辐射量数据序列建模成功；
S307、输入要预测的时间段到模型中，得出n个月的辐射量预测结果。
进一步的，步骤S4所述辐射总量-电量模型的回归模型的建立方法包括：
S401：电场历史数据处理，根据光伏组件运行状态剔除非正常运行期间的发电数据，数据长度为历史一年以上；
S402：利用处理后的辐照度和发电功率，建立光伏电场的理论发电功率曲线；
S403：将非正常运行期间的发电数据代入理论发电功率曲线，还原为正常发电数据，计算出电场的每个月理论发电量；
S404:将电场的月总辐射量作为自变量，月理论发电量作为因变量进行线性回归，得到回归系数。
本发明还提供了一种基于SARIMAX模型的光伏中长期发电量预报装置，包括：
历史数据处理模块：用于历史辐照度数据处理，得到历史辐射数据中每日的辐射量；
转化模块：用于将历史辐射数据中每日的辐射量转化为倾斜面上的太阳辐射量；
倾斜面预测辐射总量模块：利用SARIMAX模型预测未来n个月的倾斜面预测辐射总量；
辐射总量-电量模型模块：用于建立辐射总量-电量模型的回归模型；
发电量预测模块：用于将倾斜面预测辐射总量模块得出的倾斜面预测辐射总量带入辐射总量-电量模型模块得到的回归模型，得到未来n个月预测发电量。
进一步的，所述历史数据处理模块包括：
插值单元：利用双线性插值算法，对一定数量的历史年份的30km*30km空间分辨率、1小时时间分辨率的ERA5辐照度数据进行降尺度，插值到预测电场坐标位置；
积分单元：对辐照度数据按天进行积分，得到该数量年份每日的辐射量。
进一步的，所述转化模块包括：
输入单元：输入光伏电场的经纬度，光伏阵列的安装倾角和方位角；
太阳赤纬计算单元：计算太阳赤纬δ；
式中n为1年中的日期序号，如1月1日为n＝1,1月2日为n＝2,…,取值范围为1～365；
直接辐射分量计算单元：计算倾斜面上的直接辐射分量；
式中，Φ——光伏电站纬度；
β——光伏阵列倾角；
δ——太阳赤纬；
ws——水平面上日落时角；
wST——倾斜面上日落时角；
HB——水平面上的太阳直接辐射量，即步骤S1所述的每日的辐射量；
其中水平面上日落时角ws的计算公式为：
wS＝cos-1(-tanφ*tanδ)
倾斜面上日落时角wST的计算公式为：
wST＝min{wS,cos-1[tan(φ-β)×tanδ]}
散射辐射分量计算单元：计算倾斜面上的散射辐射分量；
式中Hd为水平面上的太阳散射辐射量，即步骤S1所述的每日的辐射量的散射辐射量；
总辐射量计算单元：计算倾斜面上的总辐射量；
H＝HBT+HdT。
进一步的，所述倾斜面预测辐射总量模块包括：
建立单元：用于建立SARIMAX模型，确认模型参数趋势差分阶数d、季节性差分阶数D、单个季节期间的时间步数m；
多组参数单元：用于其余模型参数包括趋势自回归阶数p、趋势移动平均阶数q、季节性自回归阶数P、季节性移动平均阶数Q，各自建立序列，组成笛卡尔积的元祖，构成多组参数；
数据分离单元：将转化模块得到的每日的倾斜面上太阳辐射量数据分离为训练集与测试集；
训练单元：将多组参数单元的多组参数分别与建立单元的d、D、m作为SARIMAX的参数代入模型中，使用训练集进行训练；
最终参数单元：用于每一次模型的预测结果与测试集真实结果进行计算，得出均方误差MSE；MSE作为损失函数，比较多组参数的MSE,将MSE值最小的模型参数保留下来，作为最终模型参数；
模型评估单元：通过残差白噪声检验和参数显著性检验对拟合模型进行检验，若残差白噪声检验P值大于显著性检验水平0.05，则说明该模型对辐射量数据序列建模成功；
辐射量预测单元：输入要预测的时间段到模型中，得出n个月的辐射量预测结果。
进一步的，所述辐射总量-电量模型模块包括：
电场历史数据处理单元：根据光伏组件运行状态剔除非正常运行期间的发电数据，数据长度为历史一年以上；
理论发电功率曲线单元：利用处理后的辐照度和发电功率，建立光伏电场的理论发电功率曲线；
还原单元：将非正常运行期间的发电数据代入理论发电功率曲线，还原为正常发电数据，计算出电场的每个月理论发电量；
回归模型单元:将电场的月总辐射量作为自变量，月理论发电量作为因变量进行线性回归，得到回归系数。
与现有技术相比，本发明具有如下的有益效果：
(1)本发明利用历史时间序列数据寻找其演变规律，根据自身变化预测未来的趋势；
(2)本发明把SARIMAX模型应用到辐射量长期预测中，该模型特征符合辐射量变化规律，具有较高预测准确性；
(3)本发明能在较小的计算资源条件下，实现了较高准确度的预测方法，为光伏电站长期规划和参加电力交易提供支撑。
附图说明
图1是本发明实施例中的运行流程示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
为使本发明专利的目的、特征更明显易懂，下面结合附图对本发明专利的具体实施方式作进一步的说明。需说明的是，附图均采用非常简化的形式且均使用非精准的比率，仅用以方便、明晰地辅助说明本发明专利实施例的目的。
需要说明的是，SARIMAX是在差分移动自回归模型(ARIMA)的基础上加上季节(S,Seasonal)和外部因素(X,eXogenous)。也就是说以ARIMA基础加上周期性和季节性，适用于时间序列中带有明显周期性和季节性特征的数据。ARIMA模型的全称叫做自回归移动平均模型，全称是(Autoregressive Integrated Moving Average Model)。也记作ARIMA(p,d,q)，是统计模型(statistic model)中最常见的一种用来进行时间序列预测的模型。。ARIMA(p，d，q)中，AR是“自回归”，p为自回归项数；MA为“滑动平均”，q为滑动平均项数，d为使之成为平稳序列所做的差分次数(阶数)。
如图1所示，本发明是采用以下技术方案实现的
a.历史辐照度数据处理
a.1：利用双线性插值算法，对历史40年30km*30km空间分辨率、1小时时间分辨率的ERA5辐照度数据进行降尺度，插值到预测电场坐标位置；
a.2：对辐照度数据按天进行积分，得到历史40年每日的辐射量。
b.利用下式b.1至b.5步骤，将40年每日的辐射量转化为倾斜面上的太阳辐射量；
b.1：输入光伏电场的经纬度，光伏阵列的安装倾角和方位角。
b.2:计算太阳赤纬δ
式中n为1年中的日期序号，如1月1日为n＝1,1月2日为n＝2,…,取值范围为1～365
b.3:计算倾斜面上的直接辐射分量
式中，Φ——光伏电站纬度；
β——光伏阵列倾角；
δ——太阳赤纬；
ws——水平面上日落时角；
wST——倾斜面上日落时角；
HB——水平面上的太阳直接辐射量，即a.2中的直接辐射量；
其中水平面上日落时角ws的计算公式为：
wS＝cos-1(-tanφ*tanδ)
倾斜面上日落时角wST的计算公式为：
wST＝min{wS,cos-1[tan(φ-β)×tanδ]}
b.4:计算倾斜面上的散射辐射分量
b.5:计算倾斜面上的总辐射量
H＝HBT+HdT
式中Hd为水平面上的太阳散射辐射量，即a.2中的散射辐射量
c.利用SARIMAX模型预测未来n个月的倾斜面预测辐射总量自回归单整移动平均季节模型(SARIMAX模型)源自回归单整移动平均模型(ARIMA模型)。SARIMAX模型的具体表达形式为SARIMAX(p,d,q)(P,D,Q,m)。主要参数分为趋势参数(p,d,q)和季节性参数(P,D,Q,m)。其中p为趋势自回归阶数；d为趋势差分阶数；q为趋势移动平均阶数；P为季节性自回归阶数；D为季节性差分阶数；Q为季节性移动平均阶数；m为单个季节期间的时间步数。
c.1：模型建立：本方法运用python程序包statsmodels.tsa.statespace.sarimax来建模；
c.2：训练数据的平稳化处理：对40*12个月的数据序列做一次差分和一次季节差分，用自相关函数(ACF)、偏自相关函数(PACF)和扩充迪基-富勒(ADF)的平稳性单位根来检验其趋势性和季节性规律。测试了10个不同地方的算例后发现数据经过差分和季节性差分后能通过ADF检验，能实现时间序列的平稳化。因此本方法中将趋势差分阶数d和季节性差分阶数D都确定为1；
c.3:确定单个季节期间的时间步数m：由于本方法中的数据为月份数据，所以周期频率定为12；
c.4:寻找模型参数p、q、P、Q；
i.建立4个数据列表p＝0,1,2；q＝0,1,2；P＝0,1,2；Q＝0,1,2；
ii.利用这4个序列中的元素组成笛卡尔积的元祖，即依次取出每个list中的每一个元素，组成一个新的列表para＝(para[0],para[1],para[2],para[3]),一共3*3*3*3＝81组参数；
iii.分离训练集和测试集：将历史40年的数据分离为训练集与测试集，其中历史40年至历史10年的数据作为训练集，历史近10年的数据作为测试集；
iv.将81组参数与c2、c3步骤确定的参数d,D,m作为SARIMAX的参数代入模型中进行训练，即model＝statsmodels.tsa.statespace.sarimax(训练数据,order＝(para[0],d,para[1]),seasonal_order＝(parameters[2],D,parameters[3],m)).fit()；
v.对iv步骤中每一次模型的预测结果与测试集真实结果进行计算，得出均方误差MSE；
vi.得出每一次的测试集数据的均方误差MSE作为损失函数；
其中yi为真实值，yi^为模拟值；
vii.比较这81次模型的MSE,将MSE值最小的模型参数保留下来，作为最终模型参数；
c.5:模型评估：通过残差白噪声检验和参数显著性检验对拟合模型进行检验，若残差白噪声检验P值大于显著性检验水平0.05，则说明该模型对辐射量数据序列建模成功；
c.6:预测：输入要预测的时间段到模型中，得出n个月的辐射量预测结果。
另外，需要说明的是，除了上述内容，利用动力学数值预报方法也可以实现未来长期的太阳辐射量预测。
d.建立辐射总量-电量模型
d.1：电场历史数据处理，根据光伏组件运行状态剔除非正常运行期间的发电数据，数据长度为历史一年以上；
d.2：利用处理后的辐照度和发电功率，建立光伏电场的理论发电功率曲线；
d.3：将非正常运行期间的发电数据代入理论发电功率曲线，还原为正常发电数据，计算出电场的每个月理论发电量；
d.4:将电场的月总辐射量作为自变量，月理论发电量作为因变量进行线性回归，得到回归系数；
e.将c步骤得出的预测辐射量代入d步骤得到的回归方程式，得出未来n个月的预测发电量。
使用本发明所述方法对甘肃地区2019年多个光伏电站的月发电量进行了预测，结果显示，该方法提供了较准确的预测结果，可用于未来12～16个月时间长度的预测。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于SARIMAX模型的光伏中长期发电量预报方法，其特征在于，包括：
S1、历史辐照度数据处理，得到历史辐射数据中每日的辐射量；
S2、将历史辐射数据中每日的辐射量转化为倾斜面上的太阳辐射量；
S3、利用SARIMAX模型预测未来n个月的倾斜面预测辐射总量；
S4、建立辐射总量-电量模型的回归模型；
S5、将S3得出的倾斜面预测辐射总量带入步骤S4得到的回归模型，得到未来n个月预测发电量。
2.根据权利要求1所述的一种基于SARIMAX模型的光伏中长期发电量预报方法，其特征在于，步骤S1所述历史辐照度数据处理的具体方法包括：
S101：利用双线性插值算法，对一定数量的历史年份的30km*30km空间分辨率、1小时时间分辨率的ERA5辐照度数据进行降尺度，插值到预测电场坐标位置；
S102：对辐照度数据按天进行积分，得到该数量年份每日的辐射量。
3.根据权利要求1所述的一种基于SARIMAX模型的光伏中长期发电量预报方法，其特征在于，步骤S2所述倾斜面上的太阳辐射量转化方法包括：
S201：输入光伏电场的经纬度，光伏阵列的安装倾角和方位角；
S202：计算太阳赤纬δ；
式中n为1年中的日期序号，如1月1日为n＝1,1月2日为n＝2,…,取值范围为1～365；
S203：计算倾斜面上的直接辐射分量；
式中，Φ——光伏电站纬度；
β——光伏阵列倾角；
δ——太阳赤纬；
ws——水平面上日落时角；
wST——倾斜面上日落时角；
HB——水平面上的太阳直接辐射量，即步骤S1所述的每日的辐射量；
其中水平面上日落时角ws的计算公式为：
wS＝cos-1(-tanφ*tanδ)
倾斜面上日落时角wST的计算公式为：
wST＝min{wS,cos-1[tan(φ-β)×tanδ]}
S204：计算倾斜面上的散射辐射分量；
式中Hd为水平面上的太阳散射辐射量，即步骤S1所述的每日的辐射量的散射辐射量；
S205：计算倾斜面上的总辐射量；
H＝HBT+HdT。
4.根据权利要求1所述的一种基于SARIMAX模型的光伏中长期发电量预报方法，其特征在于，步骤S3所述预测倾斜面预测辐射总量的具体方法包括：
S301、建立SARIMAX模型，确认模型参数趋势差分阶数d、季节性差分阶数D、单个季节期间的时间步数m；
S302、其余模型参数包括趋势自回归阶数p、趋势移动平均阶数q、季节性自回归阶数P、季节性移动平均阶数Q，各自建立序列，组成笛卡尔积的元祖，构成多组参数；
S303、将步骤S2得到的每日的倾斜面上太阳辐射量数据分离为训练集与测试集；
S304、将S302的多组参数分别与S301的d、D、m作为SARIMAX的参数代入模型中，使用训练集进行训练；
S305、每一次模型的预测结果与测试集真实结果进行计算，得出均方误差MSE；MSE作为损失函数，比较多组参数的MSE,将MSE值最小的模型参数保留下来，作为最终模型参数；
S306、模型评估，通过残差白噪声检验和参数显著性检验对拟合模型进行检验，若残差白噪声检验P值大于显著性检验水平0.05，则说明该模型对辐射量数据序列建模成功；
S307、输入要预测的时间段到模型中，得出n个月的辐射量预测结果。
5.根据权利要求1所述的一种基于SARIMAX模型的光伏中长期发电量预报方法，其特征在于，步骤S4所述辐射总量-电量模型的回归模型的建立方法包括：
S401：电场历史数据处理，根据光伏组件运行状态剔除非正常运行期间的发电数据，数据长度为历史一年以上；
S402：利用处理后的辐照度和发电功率，建立光伏电场的理论发电功率曲线；
S403：将非正常运行期间的发电数据代入理论发电功率曲线，还原为正常发电数据，计算出电场的每个月理论发电量；
S404:将电场的月总辐射量作为自变量，月理论发电量作为因变量进行线性回归，得到回归系数。
6.一种基于SARIMAX模型的光伏中长期发电量预报装置，其特征在于，包括：
历史数据处理模块：用于历史辐照度数据处理，得到历史辐射数据中每日的辐射量；
转化模块：用于将历史辐射数据中每日的辐射量转化为倾斜面上的太阳辐射量；
倾斜面预测辐射总量模块：利用SARIMAX模型预测未来n个月的倾斜面预测辐射总量；
辐射总量-电量模型模块：用于建立辐射总量-电量模型的回归模型；
发电量预测模块：用于将倾斜面预测辐射总量模块得出的倾斜面预测辐射总量带入辐射总量-电量模型模块得到的回归模型，得到未来n个月预测发电量。
7.根据权利要求6所述的一种基于SARIMAX模型的光伏中长期发电量预报装置，其特征在于，所述历史数据处理模块包括：
插值单元：利用双线性插值算法，对一定数量的历史年份的30km*30km空间分辨率、1小时时间分辨率的ERA5辐照度数据进行降尺度，插值到预测电场坐标位置；
积分单元：对辐照度数据按天进行积分，得到该数量年份每日的辐射量。
8.根据权利要求6所述的一种基于SARIMAX模型的光伏中长期发电量预报装置，其特征在于，所述转化模块包括：
输入单元：输入光伏电场的经纬度，光伏阵列的安装倾角和方位角；
太阳赤纬计算单元：计算太阳赤纬δ；
式中n为1年中的日期序号，如1月1日为n＝1,1月2日为n＝2,…,取值范围为1～365；
直接辐射分量计算单元：计算倾斜面上的直接辐射分量；
式中，Φ——光伏电站纬度；
β——光伏阵列倾角；
δ——太阳赤纬；
ws——水平面上日落时角；
wST——倾斜面上日落时角；
HB——水平面上的太阳直接辐射量，即步骤S1所述的每日的辐射量；
其中水平面上日落时角ws的计算公式为：
wS＝cos-1(-tanφ*tanδ)
倾斜面上日落时角wST的计算公式为：
wST＝min{wS,cos-1[tan(φ-β)×tanδ]}
散射辐射分量计算单元：计算倾斜面上的散射辐射分量；
式中Hd为水平面上的太阳散射辐射量，即步骤S1所述的每日的辐射量的散射辐射量；
总辐射量计算单元：计算倾斜面上的总辐射量；
H＝HBT+HdT。
9.根据权利要求6所述的一种基于SARIMAX模型的光伏中长期发电量预报装置，其特征在于，所述倾斜面预测辐射总量模块包括：
建立单元：用于建立SARIMAX模型，确认模型参数趋势差分阶数d、季节性差分阶数D、单个季节期间的时间步数m；
多组参数单元：用于其余模型参数包括趋势自回归阶数p、趋势移动平均阶数q、季节性自回归阶数P、季节性移动平均阶数Q，各自建立序列，组成笛卡尔积的元祖，构成多组参数；
数据分离单元：将转化模块得到的每日的倾斜面上太阳辐射量数据分离为训练集与测试集；
训练单元：将多组参数单元的多组参数分别与建立单元的d、D、m作为SARIMAX的参数代入模型中，使用训练集进行训练；
最终参数单元：用于每一次模型的预测结果与测试集真实结果进行计算，得出均方误差MSE；MSE作为损失函数，比较多组参数的MSE,将MSE值最小的模型参数保留下来，作为最终模型参数；
模型评估单元：通过残差白噪声检验和参数显著性检验对拟合模型进行检验，若残差白噪声检验P值大于显著性检验水平0.05，则说明该模型对辐射量数据序列建模成功；
辐射量预测单元：输入要预测的时间段到模型中，得出n个月的辐射量预测结果。
10.根据权利要求6所述的一种基于SARIMAX模型的光伏中长期发电量预报装置，其特征在于，所述辐射总量-电量模型模块包括：
电场历史数据处理单元：根据光伏组件运行状态剔除非正常运行期间的发电数据，数据长度为历史一年以上；
理论发电功率曲线单元：利用处理后的辐照度和发电功率，建立光伏电场的理论发电功率曲线；
还原单元：将非正常运行期间的发电数据代入理论发电功率曲线，还原为正常发电数据，计算出电场的每个月理论发电量；
回归模型单元:将电场的月总辐射量作为自变量，月理论发电量作为因变量进行线性回归，得到回归系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011107793.9A CN112200377A (zh) | 2020-10-16 | 2020-10-16 | 基于sarimax模型的光伏中长期发电量预报方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011107793.9A CN112200377A (zh) | 2020-10-16 | 2020-10-16 | 基于sarimax模型的光伏中长期发电量预报方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112200377A true CN112200377A (zh) | 2021-01-08 |
Family
ID=74010432
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011107793.9A Pending CN112200377A (zh) | 2020-10-16 | 2020-10-16 | 基于sarimax模型的光伏中长期发电量预报方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112200377A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113076865A (zh) * | 2021-03-31 | 2021-07-06 | 国能日新科技股份有限公司 | 基于天空拍照图像和卫星云图反演辐照度的方法及系统 |
| CN113189391A (zh) * | 2021-04-23 | 2021-07-30 | 中国人民解放军陆军工程大学 | 一种地闪回击电流的光学遥测方法 |
| CN114253302A (zh) * | 2021-12-15 | 2022-03-29 | 阳光电源（上海）有限公司 | 一种跟踪控制方法及装置 |
| CN114337539A (zh) * | 2021-12-29 | 2022-04-12 | 苏州震旦瑞微电网有限公司 | 一种用于物联网光伏发电设备的故障监测系统 |
| CN114358139A (zh) * | 2021-12-13 | 2022-04-15 | 中国西安卫星测控中心 | 一种数据驱动的太阳10.7厘米射电流量长期预报方法 |
| CN115423200A (zh) * | 2022-09-16 | 2022-12-02 | 南通沃太新能源有限公司 | 离线状态下补全太阳辐照进行光伏功率预测的方法 |
| CN115776110A (zh) * | 2022-10-28 | 2023-03-10 | 国网黑龙江省电力有限公司 | 发电量预测模型、购电优化模型、购电优化模型系统 |
| CN116384795A (zh) * | 2023-01-13 | 2023-07-04 | 江苏大学 | 一种倾斜面太阳辐射量转化的光伏发电潜力评估方法 |
| CN117829380A (zh) * | 2024-03-05 | 2024-04-05 | 国网山东省电力公司信息通信公司 | 一种电力使用长期预测方法、系统、设备及介质 |
| CN118155423A (zh) * | 2024-05-08 | 2024-06-07 | 四川智能交通系统管理有限责任公司 | 基于时间序列模型的节假日长期交通态势预测方法及设备 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011163973A (ja) * | 2010-02-10 | 2011-08-25 | Osaka Gas Co Ltd | 日射量推定装置、太陽光発電量推定装置及びシステム |
| CN103996073A (zh) * | 2014-05-06 | 2014-08-20 | 国家电网公司 | 测光网络实时校正自学习arma模型光伏功率预测方法 |
| CN106203709A (zh) * | 2016-07-13 | 2016-12-07 | 国网江苏省电力公司电力科学研究院 | 基于多因子的光伏电站中长期发电量预测方法 |
| WO2016210102A1 (en) * | 2015-06-23 | 2016-12-29 | Qatar Foundation For Education, Science And Community Development | Method of forecasting for solar-based power systems |
| CN107912067A (zh) * | 2015-08-07 | 2018-04-13 | 三菱电机株式会社 | 太阳能发电量预测装置以及太阳能发电量预测方法 |
| CN109800498A (zh) * | 2019-01-16 | 2019-05-24 | 国能日新科技股份有限公司 | 一种光伏电站数据诊断系统 |
| CN111178609A (zh) * | 2019-12-23 | 2020-05-19 | 国网河北省电力有限公司 | 一种基于归一化拟合的区域光伏月发电量预测方法 |
| 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 |
| CN111241066A (zh) * | 2020-01-10 | 2020-06-05 | 平安科技（深圳）有限公司 | 平台数据库自动化运维方法、装置及计算机可读存储介质 |
-
2020
- 2020-10-16 CN CN202011107793.9A patent/CN112200377A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011163973A (ja) * | 2010-02-10 | 2011-08-25 | Osaka Gas Co Ltd | 日射量推定装置、太陽光発電量推定装置及びシステム |
| CN103996073A (zh) * | 2014-05-06 | 2014-08-20 | 国家电网公司 | 测光网络实时校正自学习arma模型光伏功率预测方法 |
| WO2016210102A1 (en) * | 2015-06-23 | 2016-12-29 | Qatar Foundation For Education, Science And Community Development | Method of forecasting for solar-based power systems |
| US20180175790A1 (en) * | 2015-06-23 | 2018-06-21 | Qatar Foundation For Education, Science And Community Development | Method of forecasting for solar-based power systems |
| CN107912067A (zh) * | 2015-08-07 | 2018-04-13 | 三菱电机株式会社 | 太阳能发电量预测装置以及太阳能发电量预测方法 |
| CN106203709A (zh) * | 2016-07-13 | 2016-12-07 | 国网江苏省电力公司电力科学研究院 | 基于多因子的光伏电站中长期发电量预测方法 |
| CN109800498A (zh) * | 2019-01-16 | 2019-05-24 | 国能日新科技股份有限公司 | 一种光伏电站数据诊断系统 |
| CN111178609A (zh) * | 2019-12-23 | 2020-05-19 | 国网河北省电力有限公司 | 一种基于归一化拟合的区域光伏月发电量预测方法 |
| CN111241066A (zh) * | 2020-01-10 | 2020-06-05 | 平安科技（深圳）有限公司 | 平台数据库自动化运维方法、装置及计算机可读存储介质 |
| 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 |
Non-Patent Citations (5)
| Title |
|---|
| FERAS ALASALI;STEPHEN HABEN;VICTOR BECERRA;WILLIAM HOLDERBAUM;: "Day-ahead industrial load forecasting for electric RTG cranes", JOURNAL OF MODERN POWER SYSTEMS AND CLEAN ENERGY, no. 02, pages 37 - 48 * |
| GG: ""Python:传统ARIMA及SARIMAX实现"", HTTP://WWW.PYTHONHEIDONG.COM/BLOG/ARTICLE/10441/4DC7F8E82BFCB62462FC/ * |
| 朱永强: "最小二乘支持向量机在光伏功率预测中的应用", 《电网技术》, vol. 35, no. 7, pages 54 - 59 * |
| 李洪珠;贾威;聂苓;鄂小雪;: "基于鲁棒LS-SVM在光伏发电预测中的应用", 计算机测量与控制, no. 05, pages 60 - 61 * |
| 赫卫国;郝向军;郭雅娟;曹潇;陈锦铭;梅飞;刘皓明;: "基于ARIMA和SVR的光伏电站超短期功率预测", 广东电力, no. 08, pages 39 - 44 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113076865A (zh) * | 2021-03-31 | 2021-07-06 | 国能日新科技股份有限公司 | 基于天空拍照图像和卫星云图反演辐照度的方法及系统 |
| CN113189391A (zh) * | 2021-04-23 | 2021-07-30 | 中国人民解放军陆军工程大学 | 一种地闪回击电流的光学遥测方法 |
| CN114358139A (zh) * | 2021-12-13 | 2022-04-15 | 中国西安卫星测控中心 | 一种数据驱动的太阳10.7厘米射电流量长期预报方法 |
| CN114253302A (zh) * | 2021-12-15 | 2022-03-29 | 阳光电源（上海）有限公司 | 一种跟踪控制方法及装置 |
| CN114337539A (zh) * | 2021-12-29 | 2022-04-12 | 苏州震旦瑞微电网有限公司 | 一种用于物联网光伏发电设备的故障监测系统 |
| CN114337539B (zh) * | 2021-12-29 | 2024-04-09 | 苏州震旦瑞微电网有限公司 | 一种用于物联网光伏发电设备的故障监测系统 |
| CN115423200B (zh) * | 2022-09-16 | 2023-12-29 | 南通沃太新能源有限公司 | 离线状态下补全太阳辐照进行光伏功率预测的方法 |
| CN115423200A (zh) * | 2022-09-16 | 2022-12-02 | 南通沃太新能源有限公司 | 离线状态下补全太阳辐照进行光伏功率预测的方法 |
| CN115776110B (zh) * | 2022-10-28 | 2023-10-03 | 国网黑龙江省电力有限公司 | 发电量预测模型、购电优化模型、购电优化模型系统 |
| CN115776110A (zh) * | 2022-10-28 | 2023-03-10 | 国网黑龙江省电力有限公司 | 发电量预测模型、购电优化模型、购电优化模型系统 |
| CN116384795A (zh) * | 2023-01-13 | 2023-07-04 | 江苏大学 | 一种倾斜面太阳辐射量转化的光伏发电潜力评估方法 |
| CN117829380A (zh) * | 2024-03-05 | 2024-04-05 | 国网山东省电力公司信息通信公司 | 一种电力使用长期预测方法、系统、设备及介质 |
| CN117829380B (zh) * | 2024-03-05 | 2024-05-28 | 国网山东省电力公司信息通信公司 | 一种电力使用长期预测方法、系统、设备及介质 |
| CN118155423A (zh) * | 2024-05-08 | 2024-06-07 | 四川智能交通系统管理有限责任公司 | 基于时间序列模型的节假日长期交通态势预测方法及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112200377A (zh) | 基于sarimax模型的光伏中长期发电量预报方法及装置 | |
| Zhang et al. | A solar time based analog ensemble method for regional solar power forecasting | |
| Agoua et al. | Short-term spatio-temporal forecasting of photovoltaic power production | |
| Draxl et al. | The wind integration national dataset (wind) toolkit | |
| Alanazi et al. | Long-term solar generation forecasting | |
| Zhang et al. | Joint probability distribution and correlation analysis of wind and solar power forecast errors in the western interconnection | |
| Chicco et al. | Error assessment of solar irradiance forecasts and AC power from energy conversion model in grid-connected photovoltaic systems | |
| CN113159102B (zh) | 一种多时间尺度的光伏功率预测方法及系统 | |
| CN111626473A (zh) | 一种考虑误差修正的两阶段光伏功率预测方法 | |
| CN109961190B (zh) | 一种基于学习日拟合度聚类的光伏电站日前功率预测方法 | |
| Sedić et al. | A methodology for normal distribution-based statistical characterization of long-term insolation by means of historical data | |
| CN115481918A (zh) | 一种基于源网荷储的单元状态主动感知及预测分析系统 | |
| Brabec et al. | Tailored vs black-box models for forecasting hourly average solar irradiance | |
| CN114118511B (zh) | 一种基于云量预测信息的大区域多星联合覆盖有效性评估方法 | |
| CN107256437A (zh) | 一种光伏电站超短期辐照度预测方法及系统 | |
| Nuño et al. | Simulation of regional day-ahead PV power forecast scenarios | |
| CN112580899A (zh) | 一种融合机器学习模型的中长期风力发电预测方法及系统 | |
| CN110717623B (zh) | 融合多种天气状况的光伏发电功率预测方法及装置、设备 | |
| Silva et al. | Probabilistic models for one-day ahead solar irradiance forecasting in renewable energy applications | |
| Wang et al. | Economics of physics-based solar forecasting in power system day-ahead scheduling | |
| CN113849974B (zh) | 一种基于风光出力互补的新能源基地风电场选址方法 | |
| Graabak et al. | Developing a wind and solar power data model for Europe with high spatial-temporal resolution | |
| CN116484998A (zh) | 基于气象相似日的分布式光伏电站功率预测方法及系统 | |
| CN114004405A (zh) | 基于Elman神经网络和卫星云图的光伏功率预测方法及系统 | |
| Zhou et al. | PV power characteristic modeling based on multi-scale clustering and its application in generation prediction |
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 |