CN112418346A - 一种数值天气预报总辐射系统误差分类计算方法 - Google Patents

Abstract

本发明公开了一种数值天气预报总辐射系统误差分类计算方法，进行光伏电站历史功率样本数据预处理，包括功率序列缺测处理和功率序列平滑处理；从光伏日出力幅值和波动情况进行特征提取，构建相应的日功率序列特征；基于自组织神经网络构建输入向量矩阵，并进行归一化处理；根据预测日数值预报数据确定预报天气类型；计算数值天气预报总辐射系统误差。与现有技术相比，本发明从功率特征的角度考虑，综合了所有气象数据的变化，其分类结果相比于多气象因素聚类更适合于光伏电站历史数据分类，具有更高的准确度；避免了NWP错报对系统误差计算的影响，得到NWP总辐射系统误差更精确。

Description

一种数值天气预报总辐射系统误差分类计算方法

技术领域

本发明属于光伏发电领域，尤其涉及一种基于光伏电站历史数据分类的数值天气预报总辐射系统误差计算方法。

背景技术

光伏发电系统输出功率受环境因素影响明显，其出力具有波动性、不确定性和间接性，准确预测光伏发电功率可以帮助电网制定精细的调度计划，减小光伏发电的不稳定性对电网造成的冲击。准确的光伏发电功率预测的前提是准确的气象预报数据，光伏发电功率预测常用数值天气预报作为数据源，因此建立行之有效的数值天气预报误差修正模型对提高光伏发电预测精度具有重要的意义。

迄今为止，对数值天气预报系统误差的研究还比较少。在光伏发电预测领域，大多学者将数值天气预报服务机构提供的辐照度、温度、湿度等气象要素数据不做误差修正处理，直接作为功率预测模型的输入变量，其功率预测精度无法得到保证，在季节变换时期，数值天气预报精度较差，光伏功率预测精度同样降低，预测结果无法满足考核标准。

相关文献在具有实测气象数据的情况下将气象业务预报中的模式输出统计(MOS)方法应用于功率预测领域采用分类中位数、分类回归、分类聚类三种动态MOS方法建立功率和原始数值天气预报的关系，并将三种方法赋予适当权重实现光伏功率组合预测；同时有文献提出将数值天气预报预测场与实测气象站实测场的长时间平均之差作为数值天气预报的系统误差，在一定程度上实现了对数值天气预报系统误差的计算，但其将所有样本做相同处理，得到的系统误差无法对数值天气预报实现准确修正，其精度还需进一步提升。

发明内容

针对上述问题，本发明提出了一种数值天气预报总辐射系统误差分类计算方法，按照天气类型计算得到不同天气类型下的总辐射系统误差序列。

本发明考虑的技术解决方案如下：

一种数值天气预报总辐射系统误差分类计算方法，包括以下步骤：

步骤1、进行光伏电站历史功率样本数据预处理，包括功率序列缺测处理和功率序列平滑处理：

1-1、功率序列缺测处理，该处理是从样本中删除日功率序列；

1-2、功率序列均值滤波平滑处理，该处理采用均值滤波对原始功率序列进行平滑处理；

步骤2、从光伏日出力幅值和波动情况进行特征提取，构建相应的日功率序列特征；

所构建的日功率序列特征包括：

2-1、日功率平均值

计算式如下：

式中，P_i为第i个功率采样点的光伏功率值，n为一日光伏功率采样点总个数；

2-2、日功率序列极值点数evp，计算式如下：

式中，δ_i为判断功率序列中第i个采样点是否为极值点所引入的二进制变量，δ_i＝1表示第i个采样点为极值点，δ_i＝0表示第i个采样点不是极值点；

2-3、日功率平均相对变化程度

计算式如下：

式中，

为日功率平均相对变化程度，

为光伏日功率平均值，P_i为第i个功率采样点的光伏功率值，n为一日光伏功率采样点个数；

2-4、日功率平均波动量

计算式如下：

式中，P_flu为日功率平均波动量，P_{flu_max,m}为日功率序列的第m个极大值，P_{flu_min,m}为日功率序列的第m个极小值，p为日功率序列极小值点个数，q为日功率序列最大极大值点；

步骤3、基于自组织神经网络聚类算法构建输入向量矩阵，并进行归一化处理，实现历史数据分类；算法如下：

3-1、自组织神经网络初始化；随机初始化输入层与竞争层之间的连接权值向量W_j(0)，W_j＝{w_j1,w_j2,…,w_jn}，j＝1,2,…,m，其中m为竞争层神经元个数，n为输入层神经元的个数；

3-2、输入向量归一化；输入向量矩阵X由k个样本组成，即X＝{X₁,X₂,…,X_k}^T，且每个样本具有n个属性，即X_i＝{X_i1,X_i2,…,X_in}，输入向量矩阵计算式如下：

对输入向量矩阵X的每一列的各聚类特征进行归一化处理，归一化公式如下：

3-3、计算第i个输入样本X_i和竞争层第j个神经元权值向量W_j的距离d_ij，并求取获胜神经元，计算式如下：

式中，x_il为第i个输入样本的第l个属性值归一化处理后的结果，w_jl(n)为第n次迭代中竞争层第j个神经元的第l个连接权值；

3-4、修正获胜神经元j^*及其邻接神经元的权值，计算式如下：

式中，η(n)为学习率，且0＜η(n)＜1，随着迭代次数n的变化逐渐减小；

为第n次迭代中获胜神经元j^*的邻域函数，随着两神经元间距离增加而减小；

3-5、令i＝i+1，将第i+1个输入样本提供给网络的输入层，返回3-3，直到输入样本全部提供给SOM网络；

3-6、令n＝n+1，返回3-3，直到n达到最大迭代次数，所有样本被划分到竞争层的不同神经元，完成聚类过程；

步骤4、根据预测日数值预报数据确定预报天气类型：根据步骤3历史功率数据分类结果统计各天气类型日均直总辐射比阈值，计算得到日均直总辐射比η，如下式所示：

式中，W_i ^dr为日直接辐射序列第i个采样值，W_i ^gr为日总辐射序列第i个采样值，n₁和n₂分别表示日辐射值采样起始位置和结束位置；

步骤5：计算数值天气预报总辐射系统误差：将数值天气预报总辐射的系统误差定义为预报场的长时间平均和实测场的长时间平均之差；总辐射实测场的长时间平均

和总辐射预报场的长时间平均

为：

式中，

为实测总辐射序列第n个采样点的平均值，

为预报总辐射序列第n个采样点的平均值，

和

分别按下式计算：

式中，m为样本个数；

数值天气预报总辐射系统误差

表示为：

数值天气预报总辐射系统误差计算步骤如下：

根据步骤3的历史功率数据分类模型确定样本集的天气类型；

根据步骤4的日直总辐射比确定数值天气预报确定的样本集的天气类型；

从样本集筛选NWP天气类型预报准确的样本；其中，NWP天气类型预报准确的样本定义为NWP确定的天气类型与功率分类确定的天气类型相同的样本；

在NWP天气类型预报准确的样本中按照天气类型分别计算总辐射预报场的长时间平均和实测场的长时间平均之差，得到四种天气类型下的总辐射预报系统误差。

与现有技术相比，本发明具有以下优点：

1)以光伏日功率序列特征为分类标准建立历史数据分类模型，综合了所有气象数据的变化，其分类结果相比于多气象因素聚类更适合于光伏电站历史数据分类，具有更高的准确度；

2)考虑了功率特征聚类和NWP直总辐射比两种天气类型划分标准，取二者划分相同的样本，统计计算NWP总辐射系统误差，避免了NWP错报对系统误差计算的影响，得到NWP总辐射系统误差更精确。

附图说明

图1是本发明的一种数值天气预报总辐射系统误差分类计算方法整体流程图；

图2是本发明的SOM神经网络结构图；

图3是本发明的光伏电站历史数据分类过程图；

图4是本发明实施例的NWP总辐射系统误差曲线图；

图5是本发明实施例晴天NWP总辐射系统误差修正前后对比图；

图6是本发明实施例多云天NWP总辐射系统误差修正前后对比图；

图7是本发明实施例阴天NWP总辐射系统误差修正前后对比图；

图8是本发明实施例雨天NWP总辐射系统误差修正前后对比图。

具体实施方式

下面结合附图和实施例对本发明的技术方案进一步说明。

本发明一种数值天气预报总辐射系统误差分类计算方法，包括历史数据分类模块和总辐射系统误差统计计算模块；其中历史数据分类模块包括日功率序列特征提取单元和基于SOM神经网络的逐步二分单元；总辐射系统误差统计计算模块包括数值天气预报天气型预报准确的样本筛选单元和系统误差分类统计单元；首先通过提取功率特征实现对历史数据的天气类型划分；然后基于各天气类型顺序占比一致原则，确定各天气类型的数值天气预报日均直总辐射比阈值；最后，筛选出数值天气预报天气类型准确预报的样本。

如图1所示，是本发明的一种数值天气预报总辐射系统误差分类计算方法整体流程图，所包含的具体步骤如下：

步骤1、进行光伏电站历史功率样本数据预处理，包括功率序列缺测处理和功率序列平滑处理：

(1)功率序列缺测处理，该处理是从样本中删除日功率序列；由于变化天气条件下，功率数据难以捕捉，日功率序列中缺测数据过多或存在连续缺测采样点时，无法进行功率序列特征提取，因此该日功率序列对本流程无效；相关具体处理规则如下：

根据功率特征提取经验知，功率序列时间分辨率为5min的情况下，当日功率序列缺测数据数量大于10个时，该日天气状态变化频繁，功率序列特征不明显，其功率序列特征无法反应相应天气状态，因此日功率序列缺测数据数量应不高于10。因此，数据清洗及修补方案如下：

日功率序列日间6-19时缺测数据个数多于10，删除此序列。

日功率序列日间6-19时缺测数据个数小于10，但存在连续缺测采样点，删除此序列。

日功率序列6-19时缺测数据个数小于10，且不存在连续时刻缺测，取缺测数据前后两个采样点平均值替代缺测数据。

(2)功率序列均值滤波平滑处理，该处理采用均值滤波对原始功率序列进行平滑处理，滤波窗口大小选取为3，将5min间隔功率数据每3个取平均值得到15min间隔功率数据；

同时使历史功率数据时间分辨率与功率预测时间分辨率保持一致，便于功率预测模型的训练。大多分布式光伏功率数据时间分辨率为5min，短期光伏功率预测时间尺度大多为15min；

步骤2、日功率序列特征提取，即从光伏日出力幅值和波动情况进行特征提取，构建相应的特征指标；

所构建的日功率序列特征包括：

(1)日功率平均值

用于反映一日光伏出力水平大小，表达式如下：

式中，P_i为第i个功率采样点的光伏功率值，n为一日光伏功率采样点总个数。

(2)日功率序列极值点数evp，用于反映一日光伏出力的波动频率，表达式如下：

式中，δ_i为判断功率序列中第i个采样点是否为极值点所引入的二进制变量，δ_i＝1表示第i个采样点为极值点，δ_i＝0表示第i个采样点不是极值点。

(3)日功率平均相对变化程度

用于反映全天光伏出力相邻时刻采样点功率平均相对变化程度，表达式如下：

式中，

为日功率平均相对变化程度，

为光伏日功率平均值，P_i为第i个功率采样点的光伏功率值，n为一日光伏功率采样点个数。

(4)日功率平均波动量

用于反映一日光伏出力平均波动大小，表达式如下：

式中，P_flu为日功率平均波动量，P_{flu_max,m}为日功率序列的第m个极大值，P_{flu_min,m}为日功率序列的第m个极小值，p为日功率序列极小值点个数，q为日功率序列最大极大值点；

例如：随着时间的推进，在上午功率上升阶段，若出现功率下降，则视为功率出现波动；同理，在下午功率下降阶段，若出现功率上升，则视为功率出现波动。

步骤3、基于自组织神经网络(SOM)构建输入向量矩阵，并进行归一化处理；自组织映射(self-organizing map，SOM)神经网络根据人脑神经系统中兴奋和抑制的现象，采用“竞争学习”的方式，实现对具有不同特征的样本的分类。如图2所示，为本发明的SOM神经网络结构图。SOM神经网络由输入层和竞争层组成，竞争层神经元组成一维或二维神经元阵列。SOM算法步骤如下：

(1)网络初始化。随机初始化输入层与竞争层之间的连接权值向量W_j(0)，W_j＝{w_j1,w_j2,…,w_jn}，j＝1,2,…,m，其中m为竞争层神经元个数，n为输入层神经元的个数；

(2)输入向量归一化。输入向量矩阵X由k个样本组成，即X＝{X₁,X₂,…,X_k}^T，且每个样本具有n个属性，即X_i＝{X_i1,X_i2,…,X_in}，因此可得到输入向量矩阵：

由于不同类型的数据在不同的数量级时不能进行比较，因此对各聚类特征(输入向量矩阵X的每一列)进行归一化处理，归一化公式为：

(3)求取获胜神经元。计算第i个输入样本X_i和竞争层第j个神经元权值向量W_j的距离d_ij，并求取获胜神经元：

式中，x_il为第i个输入样本的第l个属性值归一化处理后的结果，w_jl(n)为第n次迭代中竞争层第j个神经元的第l个连接权值。

(4)修正获胜神经元j^*及其邻接神经元的权值：

式中，η(n)为学习率，且0＜η(n)＜1，随着迭代次数n的变化逐渐减小；

为第n次迭代中获胜神经元j^*的邻域函数，随着两神经元间距离增加而减小。

(5)令i＝i+1，将第i+1个输入样本提供给网络的输入层，返回(3)，直到输入样本全部提供给网络。

(6)令n＝n+1，返回(3)，直到n达到最大迭代次数。

本步骤实现了利用归一化处理后的功率特征建立SOM神经网络聚类模型；步骤3即为聚类模型的建立过程。在聚类过程中，采用逐步二分的方法实现对历史数据的分类，如图3所示，是本发明的光伏电站历史数据分类过程图。即首先将历史样本数据C划分为晴天样本数据C_sunny和非晴天样本数据

然后在非晴天样本数据

的基础上继续划分成多云天样本数据C_cloudy和非多云天样本数据

最后将非多云天样本数据

划分为阴天样本数据C_overcast和雨天样本数据C_rainy。该方法对历史样本数据的划分结果可以很好的实现与公网天气类型分类结果的匹配。

步骤4、数值天气预报确定天气类型：根据步骤3历史功率数据分类结果，统计计算各天气类型日均直总辐射比阈值，即可根据预测日数值预报数据确定预报天气类型。日均直总辐射比η按下式计算。

式中，W_i ^dr为日直接辐射序列第i个采样值，W_i ^gr为日总辐射序列第i个采样值，n₁和n₂分别表示日辐射值采样起始位置和结束位置。

步骤5：计算数值天气预报总辐射系统误差：将数值天气预报总辐射的系统误差定义为预报场的长时间平均和实测场的长时间平均之差；总辐射实测场的长时间平均

和总辐射预报场的长时间平均

表示为：

式中，

为实测总辐射序列第n个采样点的平均值，

为预报总辐射序列第n个采样点的平均值，

和

分别按下式计算。

式中，m为样本个数。

数值天气预报总辐射系统误差

表示为：

数值天气预报总辐射系统误差计算步骤如下：

(1)根据步骤3的历史功率数据分类模型确定样本集的天气类型；

(2)根据步骤4的日直总辐射比确定数值天气预报确定的样本集的天气类型；

(3)从样本集筛选NWP天气类型预报准确的样本。其中，NWP天气类型预报准确的样本定义为NWP确定的天气类型与功率分类确定的天气类型相同的样本。

(4)在NWP天气类型预报准确的样本中按照天气类型分别计算总辐射预报场的长时间平均和实测场的长时间平均之差，得到四种天气类型下的总辐射预报系统误差。

本发明实施例详细描述如下：

实施例采用我国某光伏发电站2018年6月1日～2019年5月31日的实测数据及相关天气预报数据作为样本数据，对已建立的总辐射误差分类计算模型进行有效性验证。

为验证专利基于功率特征的分类方法的有效性和优越性，增加了基于气象特征进行分类的对比模型，并将两种方法的分类结果与公网历史预报的天气类型进行比较。本专利提取的气象特征包括：①日直接辐射最大值②日直接辐射最小值③日直接辐射平均值④日总辐射最大值⑤日总辐射最小值⑥日总辐射平均值⑦日气温平均值⑧日湿度平均值，同样采用SOM神经网络逐步二分进行分类。表1为分别采用两种不同的分类方法对训练样本中的光伏电站历史数据分类的结果与公网历史预报的天气类型对比。如1所示，为本发明实施例的历史数据划分结果对比。

表1

表1历史数据划分结果对比

从表中可以看出根据功率特征对历史数据进行分类的结果中各种天气类型的占比更加接近于公网历史预报。

总辐射系统误差计算根据历史功率数据分类模型确定训练样本的天气类型；然后计算训练样本中NWP的日均直总辐射比确定数值天气预报确定的训练样本的天气类型，在训练样本中筛选NWP天气类型预报准确的样本，其中训练样本总计334天，NWP天气类型预报准确的样本总计308天，晴天132天，多云天83天，阴天47天，雨天46天；最后按照天气类型分别计算总辐射预报场的长时间平均和实测场的长时间平均之差，得到四种天气类型下的总辐射预报系统误差。系统误差序列经平滑处理后的曲线如图2。不同天气类型下的NWP总辐射修正系统误差后的结果见图3-6，从结果中可以看出，NWP总辐射系统误差修正后的总辐射在不同天气类型下都表现出较高的预测精度，验证了总辐射系统误差分类算法的有效性。表2总结了不同天气类型下的误差评价指标，具体包括平均绝对误差(MAE)和方均根误差(RMS)。从表中可以看出，在不同天气类型下，系统误差修正后的精度均高于未修正之前，验证了该NWP总辐射系统误差计算模型的有效性。

如表2所示，为本发明实施例在不同天气类型下的误差评价指标。

表2

建立的历史数据分类模型，以光伏日功率序列特征为分类标准，综合了所有气象数据的变化，其分类结果相比于多气象因素聚类更适合于光伏电站历史数据分类，具有更高的准确度。且本发明考虑了功率特征聚类和NWP直总辐射比两种天气类型划分标准，取二者划分相同的样本，统计计算NWP总辐射系统误差，避免了NWP错报对系统误差计算的影响，得到NWP总辐射系统误差更精确。

Claims (4)

1.一种数值天气预报总辐射系统误差分类计算方法，其特征在于，该方法包括以下步骤：

步骤1、进行光伏电站历史功率样本数据预处理，包括功率序列缺测处理和功率序列平滑处理：

1-1、功率序列缺测处理，该处理是从样本中删除日功率序列；

1-2、功率序列均值滤波平滑处理，该处理采用均值滤波对原始功率序列进行平滑处理；

步骤2、从光伏日出力幅值和波动情况进行特征提取，构建相应的日功率序列特征；

所构建的日功率序列特征包括：

2-1、日功率平均值

计算式如下：

式中，P_i为第i个功率采样点的光伏功率值，n为一日光伏功率采样点总个数；

2-2、日功率序列极值点数evp，计算式如下：

式中，δ_i为判断功率序列中第i个采样点是否为极值点所引入的二进制变量，δ_i＝1表示第i个采样点为极值点，δ_i＝0表示第i个采样点不是极值点；

2-3、日功率平均相对变化程度

计算式如下：

式中，

为日功率平均相对变化程度，

为光伏日功率平均值，P_i为第i个功率采样点的光伏功率值，n为一日光伏功率采样点个数；

2-4、日功率平均波动量

计算式如下：

式中，P_flu为日功率平均波动量，P_{flu_max,m}为日功率序列的第m个极大值，P_{flu_min,m}为日功率序列的第m个极小值，p为日功率序列极小值点个数，q为日功率序列最大极大值点；

步骤3、基于自组织神经网络聚类算法构建输入向量矩阵，并进行归一化处理，实现历史数据分类；算法如下：

3-1、自组织神经网络初始化；随机初始化输入层与竞争层之间的连接权值向量W_j(0)，W_j＝{wj1,wj2,…,wjn}，j＝1,2,…,m，其中m为竞争层神经元个数，n为输入层神经元的个数；

3-2、输入向量归一化；输入向量矩阵X由k个样本组成，即X＝{X₁,X₂,…,X_k}^T，且每个样本具有n个属性，即X_i＝{X_i1,X_i2,…,X_in}，输入向量矩阵计算式如下：

对输入向量矩阵X的每一列的各聚类特征进行归一化处理，归一化公式如下：

3-3、计算第i个输入样本X_i和竞争层第j个神经元权值向量W_j的距离d_ij，并求取获胜神经元，计算式如下：

式中，x_il为第i个输入样本的第l个属性值归一化处理后的结果，w_jl(n)为第n次迭代中竞争层第j个神经元的第l个连接权值；

3-4、修正获胜神经元j^*及其邻接神经元的权值，计算式如下：

式中，η(n)为学习率，且0＜η(n)＜1，随着迭代次数n的变化逐渐减小；

为第n次迭代中获胜神经元j^*的邻域函数，随着两神经元间距离增加而减小；

3-5、令i＝i+1，将第i+1个输入样本提供给网络的输入层，返回3-3，直到输入样本全部提供给SOM网络；

3-6、令n＝n+1，返回3-3，直到n达到最大迭代次数，所有样本被划分到竞争层的不同神经元，完成聚类过程；

步骤4、根据预测日数值预报数据确定预报天气类型：根据步骤3历史功率数据分类结果统计各天气类型日均直总辐射比阈值，计算得到日均直总辐射比η，如下式所示：

式中，W_i ^dr为日直接辐射序列第i个采样值，W_i ^gr为日总辐射序列第i个采样值，n₁和n₂分别表示日辐射值采样起始位置和结束位置；

步骤5：计算数值天气预报总辐射系统误差：将数值天气预报总辐射的系统误差定义为预报场的长时间平均和实测场的长时间平均之差；总辐射实测场的长时间平均

和总辐射预报场的长时间平均

为：

式中，

为实测总辐射序列第n个采样点的平均值，

为预报总辐射序列第n个采样点的平均值，

和

分别按下式计算：

式中，m为样本个数；

数值天气预报总辐射系统误差

表示为：

数值天气预报总辐射系统误差计算步骤如下：

根据步骤3的历史功率数据分类模型确定样本集的天气类型；

根据步骤4的日直总辐射比确定数值天气预报确定的样本集的天气类型；

从样本集筛选NWP天气类型预报准确的样本；其中，NWP天气类型预报准确的样本定义为NWP确定的天气类型与功率分类确定的天气类型相同的样本；

在NWP天气类型预报准确的样本中按照天气类型分别计算总辐射预报场的长时间平均和实测场的长时间平均之差，得到四种天气类型下的总辐射预报系统误差。

2.如权利要求1所述的一种数值天气预报总辐射系统误差分类计算方法，其特征在于，所述步骤1中，功率序列缺测处理的具体处理规则如下：

日功率序列日间6-19时缺测数据个数多于10，删除此序列；

日功率序列日间6-19时缺测数据个数小于10，但存在连续缺测采样点，删除此序列；

日功率序列6-19时缺测数据个数小于10，且不存在连续时刻缺测，取缺测数据前后两个采样点平均值替代缺测数据。

3.如权利要求1所述的一种数值天气预报总辐射系统误差分类计算方法，其特征在于，所述步骤1中，功率序列均值滤波平滑处理的滤波窗口大小选取为3，将5min间隔功率数据每3个取平均值得到15min间隔功率数据；同时使历史功率数据时间分辨率与功率预测时间分辨率保持一致。

4.如权利要求1所述的一种数值天气预报总辐射系统误差分类计算方法，其特征在于，利用所述步骤3中的聚类模型实现聚类的过程，包括：采用逐步二分的方法实现对历史数据的分类，即首先将历史样本数据C划分为晴天样本数据C_sunny和非晴天样本数据

然后在非晴天样本数据

的基础上继续划分成多云天样本数据C_cloudy和非多云天样本数据

最后将非多云天样本数据

划分为阴天样本数据C_overcast和雨天样本数据C_rainy。

Images