CN112418558B - 一种基于多源气象预报的总辐射修正方法 - Google Patents

Abstract

本发明公开了一种基于多源气象预报的总辐射修正方法，进行总辐射等级划分与折算，并将系统误差定义为预测场与实测场的长时间平均之差；进行数值天气预报天气类型划分；基于TAN算法计算预测日各种天气类型的转移概率；通过融合数值天气预报数据和公网天气类型预报修正总辐射序列。与现有技术相比，本发明可得到更加精确的光伏功率预测结果。

Description

一种基于多源气象预报的总辐射修正方法

技术领域

本发明属于光伏发电领域，尤其涉及一种基于多源气象预报的总辐射修正方法。

背景技术

光伏发电受辐照度、温度等天气因素的影响，其输出功率具有波动性、间歇性和随机性的特点，对电力系统的功率平衡和安全稳定运行带来威胁。精准预测光伏发电功率对电网制定调度计划具有重要意义。

研究表明，辐照度是影响光伏功率输出的主要因素，因此准确预测光伏功率的关键是准确预测辐照度的大小。有学者研究部发现，光伏实际有功功率是超短期预测的重要输入，而数值天气预报结果是更长时间尺度功率预测的重要输入。因此建立数值天气预报误差修正模型是提高光伏发电功率准确性的关键。

迄今为止，多数学者针对数值天气预报误差修正仅停留在系统性误差修正方面，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。但由于数值天气预报误差的不确定性，仅修正系统误差还不足以满足高精度功率预测对数值天气预报的要求。在季节变换时期，数值天气预报的边值和初值不稳定，造成预报精度降低，导致功率预测结果存在较大偏差。

提高光伏功率预测精度的主要途径之一是获得高精度的数值天气预报数据，利用数据融合和数据同化技术综合多种来源的观测资料或者模拟数据，获得高精度、高质量的多源数据融合气象预报产品是有效手段。有学者以卫星反演降水为背景场，以自动气象站的降水分析产品为实测场对二者进行融合试验，显著提高了降水预报产品的精度。但目前应用于功率预测领域的气象数据融合研究还比较少。

发明内容

针对上述问题，本发明为准确预测光伏发电功率，提出了一种基于多源气象预报的总辐射修正方法，。

最后，若该天气类型和公网天气预报的天气类型一致，仅修正总辐射系统误差，总辐射误差修正结束；若不一致，折算得到公网天气类型对应的总辐射序列，计算预测日各天气类型的转移概率通过天气类型转移概率设定不同天气类型的总辐射序列权值，对数值天气预报总辐射序列进行二次修正。

本发明的技术方案如下：

一种基于多源气象预报的总辐射修正方法，具体包括如下步骤：

步骤1、根据历史天气类型预报结果将历史数据划分为晴天、多云天、阴天和雨天四种天气类型，提取不同天气类型下的实测日总辐射序列，划分总辐射等级，计算不同天气类型间各总辐射等级的折算系数序列，进行总辐射等级划分与折算，并将系统误差定义为预测场与实测场的长时间平均之差；计算天气类型k₁和天气类型k₂之间总辐射等级i的折算系数序列

如下式：

式中，

为天气类型k₁和k₂总辐射等级i的代表序列；

步骤2、进行数值天气预报天气类型划分，过程如下：

根据步骤1天气类型预报结果，计算预测日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；计算日均直总辐射比η如下：

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3、基于TAN算法计算预测日各种天气类型的转移概率，具体包括以下三个步骤：

3-1、计算预测日前三天天气类型两两之间的条件互信息，预测日前i天天气类型X_i与前j天天气类型X_j之间的条件互信息按下式计算：

式中，C为类变量；x_m∈X_i，x_n∈X_j，C_k∈C且i≠j；K为天气类型种类数；

按照各属性之间互信息的大小确定相互依赖关系，构建贝叶斯网络；

3-2、求各结点的局部条件概率：对应于贝叶斯网络的局部条件概率有P(C)，P(X₃|C)，P(X₂|X₃,C)，P(X₁|X₂,C)；

3-3、预测日各类天气类型的概率：

其中，预测日各天气类型的概率中间值p(C_k)通过局部条件概率推算得到，公式如下：

式中，

为贝叶斯网络中除去类变量结点C之外，结点X_i的父节点的集合；

步骤4、通过融合数值天气预报数据和公网天气类型预报修正总辐射序列，过程如下：

在预测日前一天从不同的气象服务机构获取预测日的数值天气预报数据和公网预报的天气类型，判断预测日数值天气预报天气类型m与公网预报的天气类型n是否一致，若一致，仅修正总辐射系统误差即可得到用于功率预测的总辐射序列，亦即天气类型m的总辐射序列W_m；若不一致，判断天气类型m总辐射等级i，在系统误差修正的基础上，根据天气类型m和n之间总辐射等级i的折算系数序列得到天气类型n的总辐射序列W_n；根据预测日天气类型转移概率模型分别计算数值天气预报划分的天气类型m和公网预报的天气类型n的转移概率P(C_m)和P(C_n)，最后以转移概率为权重对两种天气类型下的总辐射序列求和，得到用于功率预测的总辐射序列；

用于功率预测的总辐射序列W^*，公式如下：

W^*＝W_m·P(C_m)+W_n·P(C_n)

公网预报的天气类型n对应的总辐射序列W_n，公式如下：

W_n＝W_m·λ_m→n,i

式中，λ_m→n,i为天气类型m和天气类型n之间的总辐射等级i的折算系数序列。

与现有技术相比，本发明具有以下优点：

本发明利用修正后的总辐射序列作为光伏功率预测的输入源，可得到更加精确的光伏功率预测结果。

附图说明

图1是本发明的一种基于多源气象预报的总辐射修正方法整体流程图；

图2是本发明实施例的晴天样本总辐射等级划分示意图；

图3是本发明实施例的不同天气类型下的总辐射系统误差曲线图；

图4是本发明实施例的贝叶斯网络结构图；

图5是本发明实施例的2019年5月19日的总辐射修正结果对比结果图；

图6是本发明实施例的2019年5月5日的总辐射修正结果对比结果图；

图7是本发明实施例的2019年5月24日的总辐射修正结果对比结果图；

图8是本发明实施例的2019年5月4日的总辐射修正结果对比结果图。

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。

本方法使用的多源气象预报包括的气象源有两种，第一种是预测日的数值天气预报；第二种是公网天气预报针对预测日的天气类型预报。首先，根据历史天气类型预报结果将历史数据划分为晴天、多云天、阴天和雨天四种天气类型，提取不同天气类型下的实测日总辐射序列，划分总辐射等级，计算不同天气类型间各总辐射等级的折算系数序列，统计不同天气类型下的总辐射系统误差；然后，在预测日前一天获取该两种气象数据的基础上，通过数值天气预报日均直总辐射比判断数值天气预报划分的预测日天气类型；最后，若该天气类型和公网天气预报的天气类型一致，仅修正总辐射系统误差，总辐射误差修正结束；若不一致，折算得到公网天气类型对应的总辐射序列，计算预测日各天气类型的转移概率通过天气类型转移概率设定不同天气类型的总辐射序列权值，对数值天气预报总辐射序列进行二次修正。

如图1所示，是本发明的一种基于多源气象预报的总辐射修正方法整体流程图。该流程具体步骤如下：

步骤1、根据历史天气类型预报结果将历史数据划分为晴天、多云天、阴天和雨天四种天气类型，提取不同天气类型下的实测日总辐射序列，划分总辐射等级，计算不同天气类型间各总辐射等级的折算系数序列，进行总辐射等级划分与折算，并且定义系统误差：

光伏电站历史实测数据包括实测气象数据和实测功率数据，二者在时间上相互匹配。历史数据按照晴天、多云天、阴天和雨天四种天气类型划分，提取不同天气类型下的日总辐射序列，计算各天气类型在各时刻总辐射序列不同分位数值，构建各分位数值时间序列，经过平滑处理，得到不同分位数等级下的总辐射序列。如表1所示，是本发明实施例的总辐射分位数序列及等级划分表。

表1

总辐射等级	上界分位数	下界分位数
			Ⅰ	90％	70％
Ⅱ	70％	50％
			Ⅲ	50％	30％
Ⅳ	30％	10％

位于10％分位数序列以下和90％分位数序列之上的总辐射序列出现的概率较低，分别归为等级Ⅳ和等级Ⅰ。如图2所示，是本发明实施例的晴天样本总辐射等级划分示意图。不同天气类型下总辐射均按照上述方法划分为等级等级Ⅰ～等级Ⅳ，将上下界分位数序列的平均值作为该等级的代表序列。根据不同天气类型同一等级的代表序列计算不同天气类型之间总辐射折算系数序列，计算天气类型k₁和天气类型k₂之间总辐射等级i的折算系数序列

如下式：

式中，

为天气类型k₁和k₂总辐射等级i的代表序列。

其中，系统误差定义为预测场与实测场的长时间平均之差。如图3所示，是本发明实施例的不同天气类型下的总辐射系统误差曲线图。

步骤2：进行数值天气预报天气类型划分：

根据步骤1天气类型预报结果，计算预测日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。计算日均直总辐射比η如下：

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3、基于TAN算法(树扩展朴素贝叶斯，tree augmented naive bayes)计算预测日各种天气类型的转移概率：

假设每个条件属性在类别属性之外最多依赖于一个其他条件属性；将预测日天气类型作为类别属性以及预测日前三天的天气类型作为条件属性，计算预测日各种天气类型的转移概率。

TAN算法包括以下三个步骤：

3-1、构建贝叶斯网络：

计算预测日前三天天气类型两两之间的条件互信息，预测日前i天天气类型X_i与前j天天气类型X_j之间的条件互信息按下式计算：

式中，C为类变量；x_m∈X_i，x_n∈X_j，C_k∈C且i≠j；K为天气类型种类数，文中K＝4。按照各属性之间互信息的大小确定相互依赖关系，两属性之间互信息越大，表示二者之间的相关关系越强。以结点X_i和X_j的条件互信息作为树中边(X_i,X_j)的权值，建立最大权重跨度树，增加类结点到所有属性结点的有向边，构建贝叶斯网络；

如表2所示，是本发明实施例的预测日前三天天气类型两两间的条件互信息。如图4所示，是本发明实施例的贝叶斯网络结构图。

表2

3-2、求各结点的局部条件概率：对应于贝叶斯网络的局部条件概率有P(C)，P(X₃|C)，P(X₂|X₃,C)，P(X₁|X₂,C)。

3-3、通过局部条件概率推算得到预测日各天气类型的概率中间值p(C_k)，公式如下：

式中，

为贝叶斯网络中除去类变量结点C之外，结点X_i的父节点的集合。

由于

因此预测日各类天气类型的概率需要经过下式进行转换计算。

步骤4：数值天气预报总辐射修正

在预测日前一天从不同的气象服务机构获取预测日的数值天气预报数据和公网预报的天气类型，判断预测日数值天气预报天气类型m与公网预报的天气类型n是否一致，若一致，仅修正总辐射系统误差即可得到用于功率预测的总辐射序列，亦即天气类型m的总辐射序列W_m；若不一致，判断天气类型m总辐射等级i，在系统误差修正的基础上，根据天气类型m和n之间总辐射等级i的折算系数序列得到天气类型n的总辐射序列W_n。根据预测日天气类型转移概率模型分别计算数值天气预报划分的天气类型m和公网预报的天气类型n的转移概率P(C_m)和P(C_n)，最后以转移概率为权重对两种天气类型下的总辐射序列求和，得到用于功率预测的总辐射序列。用于功率预测的总辐射序列W^*按如下公式计算。

W^*＝W_m·P(C_m)+W_n·P(C_n)

式中，公网预报的天气类型n对应的总辐射序列W_n，按照下式计算。

W_n＝W_m·λ_m→n,i

式中，λ_m→n,i为天气类型m和天气类型n之间的总辐射等级i的折算系数序列。

本发明以天气状态变化的连续性为基础，建立天气类型转移概率计算模型，评估预测日数值天气预报天气类型和公网预报天气类型的准确度提供了数学基础；融合了数值天气预报和公网天气类型预报两种气象数据源，以公网天气预报作为辅助信息，以转移概率设定权重，修正数值天气预报预报总辐射，

本发明可通过包括总辐射等级划分与折算模块，天气类型转移概率计算模块和数值天气预报总辐射修正模块的系统来实现；其中总辐射等级划分与折算模块包括总辐射分位数序列计算单元和不同天气类型间总辐射折算系数计算单元。

本发明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，对已建立的总辐射修正模型进行有效性验证。

在测试集31天中，数值天气预报划分的天气类型与公网天气类型预报一致的样本有17天，不一致的样本有14天。在14天中选择具有代表性的4种修正情况。如表3所示，是本发明实施例的测试集中4种修正情况信息。此4种情况种类信息见表3，表中“第一步”代表系统误差修正，“第二步”代表转移概率修正。

表3

图4～图7是该4种情况对应的总辐射修正结果。本发明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)。表4是该4种情况对应的总辐射修正结果误差比较。如表4所示，是本发明实施例图3～图6对应的总辐射修正结果误差比较。从表4可以看出，四种总辐射误差修正情况下，进行转移概率修正后的总辐射的误差更小，更加接近于总辐射的实际值。

表4

如表5所示，是本发明实施例测试集总辐射修正结果的日平均误差统计。。从表5可以看出，从长时间范围看，测试集31天中总辐射按照本发明提出的在系统误差修正的基础上按照转移概率进一步修正得到的总辐射预测值更加接近于真实值，其中本发明方法得到的总辐射序列的MAE比仅修正系统误差得到的总辐射序列减小了12.79W/m2，RMS减小了16.47W/m2，因此以本发明提出的方法对总辐射序列进行修正，可以进一步提高短期光伏功率预测的精度。

表5

Claims (1)

1.一种基于多源气象预报的总辐射修正方法，其特征在于，该方法具体包括如下步骤：

步骤1、根据历史天气类型预报结果将历史数据划分为晴天、多云天、阴天和雨天四种天气类型，提取不同天气类型下的实测日总辐射序列，划分总辐射等级，计算不同天气类型间各总辐射等级的折算系数序列，进行总辐射等级划分与折算，并将系统误差定义为预测场与实测场的长时间平均之差；计算天气类型k₁和天气类型k₂之间总辐射等级i的折算系数序列

如下式：

式中，

为天气类型k₁和k₂总辐射等级i的代表序列；

步骤2、进行数值天气预报天气类型划分，过程如下：

根据步骤1天气类型预报结果，计算预测日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；计算日均直总辐射比η如下：

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3、基于TAN算法计算预测日各种天气类型的转移概率，具体包括以下三个步骤：

3-1、计算预测日前三天天气类型两两之间的条件互信息，预测日前i天天气类型X_i与前j天天气类型X_j之间的条件互信息按下式计算：

式中，C为类变量；x_m∈X_i，x_n∈X_j，C_k∈C且i≠j；K为天气类型种类数；

按照各属性之间互信息的大小确定相互依赖关系，构建贝叶斯网络；

3-2、求各结点的局部条件概率：对应于贝叶斯网络的局部条件概率有P(C)，P(X₃|C)，P(X₂|X₃,C)，P(X₁|X₂,C)；

3-3、预测日各类天气类型的概率：

其中，预测日各天气类型的概率中间值p(C_k)通过局部条件概率推算得到，公式如下：

式中，

为贝叶斯网络中除去类变量结点C之外，结点X_i的父节点的集合；

步骤4、通过融合数值天气预报数据和公网天气类型预报修正总辐射序列，过程如下：

在预测日前一天从不同的气象服务机构获取预测日的数值天气预报数据和公网预报的天气类型，判断预测日数值天气预报天气类型m与公网预报的天气类型n是否一致，若一致，仅修正总辐射系统误差即可得到用于功率预测的总辐射序列，亦即天气类型m的总辐射序列W_m；若不一致，判断天气类型m总辐射等级i，在系统误差修正的基础上，根据天气类型m和n之间总辐射等级i的折算系数序列得到天气类型n的总辐射序列W_n；根据预测日天气类型转移概率模型分别计算数值天气预报划分的天气类型m和公网预报的天气类型n的转移概率P(C_m)和P(C_n)，最后以转移概率为权重对两种天气类型下的总辐射序列求和，得到用于功率预测的总辐射序列；

用于功率预测的总辐射序列W^*，公式如下：

W^*＝W_m·P(C_m)+W_n·P(C_n)

公网预报的天气类型n对应的总辐射序列W_n，公式如下：

W_n＝W_m·λ_m→n,i

式中，λ_m→n,i为天气类型m和天气类型n之间的总辐射等级i的折算系数序列。

Images