CN112578478B - 基于风云4号卫星云图的地表太阳总辐射超短期预报方法 - Google Patents
基于风云4号卫星云图的地表太阳总辐射超短期预报方法 Download PDFInfo
- Publication number
- CN112578478B CN112578478B CN202110006676.1A CN202110006676A CN112578478B CN 112578478 B CN112578478 B CN 112578478B CN 202110006676 A CN202110006676 A CN 202110006676A CN 112578478 B CN112578478 B CN 112578478B
- Authority
- CN
- China
- Prior art keywords
- cloud
- total
- future
- solar radiation
- satellite
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/12—Sunshine duration recorders
Abstract
本发明涉及一种基于风云4号卫星云图的地表太阳总辐射超短期预报方法,该方法包括以下步骤:⑴确定预报地区的经纬度信息;⑵在晴空模型下输入所述经纬度信息,即得该地区晴天地表太阳总辐射数值;⑶利用风云4号卫星云图结合针对预报地区改进的Heliosat‑2模型计算云对于太阳总辐射的衰减系数,又称晴空指数CSI,进而得到所有天气条件下的地表太阳总辐射数值;⑷利用粒子图像测速MPIV算法的matlab数学软件工具箱预报未来0~4h时刻云移动的速度流场CMV;⑸根据所述未来0~4h时刻云移动的速度流场CMV得到预报地区未来时刻的晴空指数CSI 未来 ,该CSI 未来 与所述相乘,即得未来0‑4h时刻的地表太阳总辐射数值。本发明可以提高预报结果准确度。
Description
技术领域
本发明涉及光伏发电技术领域,尤其涉及基于风云4号卫星云图的地表太阳总辐射超短期预报方法。
背景技术
2019年,尽管中国光伏并网新装机容量同比再次下降,但新增光伏并网容量和累计光伏并网容量仍居世界首位。然而,由于光伏发电的间歇性和不确定性,将大量光伏发电并入电力系统是一个挑战。例如,西北地区的弃光率较高,消纳面临挑战。因此,如果不能准确地预测太阳能发量,将会严重限制其在电网中的应用。
一个好的光伏功率超短期预报模型可以降低太阳能利用的不可控性,提供光伏发电功率在高频范围内的变化信息,可用于微电网的暂态分析和控制策略研究,可以大大降低光伏发电的运行维护成本,具有很大的经济效益和社会效益。太阳辐射预报是光伏发电量预报的第一步,也是光伏发电量预报中最重要的环节。
对于云的观测方法除了卫星,还可以使用全天空成像仪(TSI)观测云,但是全天空成像仪是非常昂贵的,且观测时容易受到灰尘的影响。相比之下,卫星云图可以免费下载,成本较低。因此,建立基于卫星云图的太阳辐射超短期预报方法,对于增加光伏发电的市场竞争力、推动新能源的发展具有重要意义。
发明内容
本发明所要解决的技术问题是提供一种提高预报结果准确度的基于风云4号卫星云图的地表太阳总辐射超短期预报方法。
为解决上述问题,本发明所述的基于风云4号卫星云图的地表太阳总辐射超短期预报方法,包括以下步骤:
⑴确定预报地区的经纬度信息;
⑷利用粒子图像测速MPIV算法的matlab数学软件工具箱预报未来0~4h时刻云移动的速度流场CMV;
所述步骤⑶中风云4号卫星云图是指L1一级数据,分辨率是2 km × 2 km,所使用的通道是可见光通道0.63 ~ 0.69 μ m。
所述步骤⑶中晴空指数CSI按下式计算:
a1,b1,a2,a3通过预报地区的历史资料做线性回归得到;
所述步骤⑷中MPIV算法具体应用如下:
①由网站获取粒子图像测速MPIV算法的matlab数学软件工具箱;
②根据预报未来0~4h时刻选择两张像素面积为400×400的图像,并将块大小设为32×32像素,以最小二次差分法(MQD)作为搜索矢量的准则;
③通过滤波和矢量插值,得到未来0~4h时刻云移动的速度流场CMV。
本发明与现有技术相比具有以下优点:
本发明利用风云4号卫星建立数学物理模型(FY-4A-Heliosat模型),从而实现预报地表太阳总辐射的目的,不但成本低,而且不需要大量的历史资料和气象变量,所需参数较少,占用的计算资源较少,预报结果的准确度较高,对于增加光伏发电的市场竞争力、推动新能源的发展具有重要意义。另外也拓展了风云4号卫星观测的应用方法。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明。
图1为本发明的流程图。
图2为本发明实施例提供的风云4号卫星云图示意图。
图3为本发明实施例提供的云移动的速度流场示意图。
图4为本发明实施例提供的修正后的云移动的速度流场示意图。
图5为本发明实施例提供的连续一周的预报结果示意图。
具体实施方式
如图1所示,基于风云4号卫星云图的地表太阳总辐射超短期预报方法,包括以下步骤:
⑴确定预报地区的经纬度信息;
风云4号卫星云图是指L1一级数据,分辨率是2 km × 2 km,所使用的通道是可见光通道0.63 ~ 0.69 μ m。
Heliosat-2模式是一种广泛使用的混合模式,其中云反照率CAL被选为云消光的指标。晴空指数CSI按下式计算:
a1,b1,a2,a3通过预报地区的历史资料做线性回归得到;
⑷利用粒子图像测速MPIV算法的matlab数学软件工具箱预报未来0~4h时刻云移动的速度流场CMV。
MPIV算法具体应用如下:
①由网站http://www.oceanwave.jp/softwares/mpiv/获取粒子图像测速MPIV算法的matlab数学软件工具箱;
②根据预报未来0~4h时刻选择两张像素面积为400×400的图像,并将块大小设为32×32像素,以最小二次差分法(MQD)作为搜索矢量的准则。
运动矢量估计的基本思想是将图像序列的每一帧分成多个不重叠的宏块,并假设块中的每个像素只产生相等的位移。然后,根据一定的匹配准则,从当前帧中的每个块到上一帧的给定搜索元素范围,找到与当前块最相似的块,并根据匹配块与当前帧的相对位置计算运动位移。
③通过滤波和矢量插值,使结果更准确,得到未来0~4h时刻云移动的速度流场CMV。
实施例 选取位于河北省衡水市饶阳县国家基本气象观测站为预报地区。预报点经纬度信息:115.74°E, 38.22°N。该观测点架设了地表太阳总辐射观测仪器,可以用于计算预报结果的准确度。
McClear模型是哥白尼大气监测服务公司(CAMs)在晴天条件下基于libRadtran(RTM)辐射传输模型的晴天物理模型。输入经纬度信息,即可得到预报地区晴天条件下的地表太阳总辐射数值。
考虑到天气类型为晴天、多云天和阴天。由于雨雪天太阳辐射值极低,因此太阳辐射预报意义不大。在污染天气下,需要对McClear进行修订,利用过去5天的污染天气下地表太阳辐射数值做线性回归即可。其他天气类型,例如雾天,方法一致。
下载风云4号卫星云图,L1一级数据,分辨率是2 km × 2 km,所使用的通道是可见光通道(0.63 ~ 0.69 μ m)。验证衡水预报地区一整年的数据,下载的风云4号卫星云图数据的时间段为2018年12月至2019年10月。云图如图2所示。
利用粒子图像测速MPIV算法的matlab数学软件工具箱滚动预报未来30分钟云移动的速度流场CMV。如图3、图4所示。图3为云移动的速度流场CMV的空间分布图,图4为经过滤波和矢量插值后的云的速度流场。
如图5所示,得到提前30分钟预报的连续一周的预报结果图。三角形点线是预报结果,圆形点线是观测结果。从图5可以看出,在不同的天气类型下,该模型能够很好地预报太阳总辐射的变化总趋势,但当太阳辐射变化剧烈时(主要是由于云层的快速出现和消失),误差相对较大。
以上对本发明所提供的技术方案进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (4)
1.基于风云4号卫星云图的地表太阳总辐射超短期预报方法,包括以下步骤:
⑴确定预报地区的经纬度信息;
⑷利用粒子图像测速MPIV算法的matlab数学软件工具箱预报未来0~4h时刻云移动的速度流场CMV;
2.如权利要求1所述的基于风云4号卫星云图的地表太阳总辐射超短期预报方法,其特征在于:所述步骤⑶中风云4号卫星云图是指L1一级数据,分辨率是2 km × 2 km,所使用的通道是可见光通道0.63 ~ 0.69 μ m。
4.如权利要求1所述的基于风云4号卫星云图的地表太阳总辐射超短期预报方法,其特征在于:所述步骤⑷中MPIV算法具体应用如下:
①由网站获取粒子图像测速MPIV算法的matlab数学软件工具箱;
②根据预报未来0~4h时刻选择两张像素面积为400×400的图像,并将块大小设为32×32像素,以最小二次差分法作为搜索矢量的准则;
③通过滤波和矢量插值,得到未来0~4h时刻云移动的速度流场CMV。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110006676.1A CN112578478B (zh) | 2021-01-05 | 2021-01-05 | 基于风云4号卫星云图的地表太阳总辐射超短期预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110006676.1A CN112578478B (zh) | 2021-01-05 | 2021-01-05 | 基于风云4号卫星云图的地表太阳总辐射超短期预报方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112578478A CN112578478A (zh) | 2021-03-30 |
CN112578478B true CN112578478B (zh) | 2021-07-06 |
Family
ID=75145549
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110006676.1A Active CN112578478B (zh) | 2021-01-05 | 2021-01-05 | 基于风云4号卫星云图的地表太阳总辐射超短期预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112578478B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112989709B (zh) * | 2021-04-14 | 2021-08-24 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 一种基于地基云图的太阳能资源超短时预报方法 |
CN114897268A (zh) * | 2022-06-14 | 2022-08-12 | 中国科学院西北生态环境资源研究院 | 一种基于fy-4观测和svm算法的超短期太阳总辐照度预报方法 |
CN114898228A (zh) * | 2022-06-14 | 2022-08-12 | 中国科学院西北生态环境资源研究院 | 基于卫星云图和随机森林模型的太阳总辐照度反演方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971169A (zh) * | 2014-04-14 | 2014-08-06 | 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 |
JP2016042033A (ja) * | 2014-08-14 | 2016-03-31 | 日本電信電話株式会社 | 日射量推定・予測装置およびその方法 |
CN106779154A (zh) * | 2016-11-22 | 2017-05-31 | 浙江工业大学 | 基于卫星云图的区域分布式光伏出力预测方法 |
WO2017155421A1 (en) * | 2016-03-07 | 2017-09-14 | Centro De Investigação Em Energia Ren - State Grid, S.A | Method and system for forecasting the power output of a group of photovoltaic power plants and managing the integration of said power output into a power grid |
CN108121990A (zh) * | 2017-11-27 | 2018-06-05 | 中国电力科学研究院有限公司 | 一种基于全天空成像设备的太阳辐照度预测方法和装置 |
CN109543721A (zh) * | 2018-11-05 | 2019-03-29 | 中国科学院寒区旱区环境与工程研究所 | 一种晴间多云天气情况下的太阳辐照度超短期预报方法 |
CN111160602A (zh) * | 2019-11-21 | 2020-05-15 | 国网甘肃省电力公司 | 一种基于葵花8号卫星云图的光伏超短期功率预报方法 |
CN111815038A (zh) * | 2020-06-24 | 2020-10-23 | 山东大学 | 一种光伏超短期预测方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5957372B2 (ja) * | 2012-11-14 | 2016-07-27 | 株式会社日立製作所 | 日射量計算方法及び供給電力決定方法 |
US10168448B2 (en) * | 2013-04-30 | 2019-01-01 | International Business Machines Corporation | Machine learning approach for analysis and prediction of cloud particle size and shape distribution |
US20200057175A1 (en) * | 2018-08-17 | 2020-02-20 | Nec Laboratories America, Inc. | Weather dependent energy output forecasting |
-
2021
- 2021-01-05 CN CN202110006676.1A patent/CN112578478B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971169A (zh) * | 2014-04-14 | 2014-08-06 | 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 |
JP2016042033A (ja) * | 2014-08-14 | 2016-03-31 | 日本電信電話株式会社 | 日射量推定・予測装置およびその方法 |
WO2017155421A1 (en) * | 2016-03-07 | 2017-09-14 | Centro De Investigação Em Energia Ren - State Grid, S.A | Method and system for forecasting the power output of a group of photovoltaic power plants and managing the integration of said power output into a power grid |
CN106779154A (zh) * | 2016-11-22 | 2017-05-31 | 浙江工业大学 | 基于卫星云图的区域分布式光伏出力预测方法 |
CN108121990A (zh) * | 2017-11-27 | 2018-06-05 | 中国电力科学研究院有限公司 | 一种基于全天空成像设备的太阳辐照度预测方法和装置 |
CN109543721A (zh) * | 2018-11-05 | 2019-03-29 | 中国科学院寒区旱区环境与工程研究所 | 一种晴间多云天气情况下的太阳辐照度超短期预报方法 |
CN111160602A (zh) * | 2019-11-21 | 2020-05-15 | 国网甘肃省电力公司 | 一种基于葵花8号卫星云图的光伏超短期功率预报方法 |
CN111815038A (zh) * | 2020-06-24 | 2020-10-23 | 山东大学 | 一种光伏超短期预测方法及系统 |
Non-Patent Citations (1)
Title |
---|
超短期太阳辐照度多模型预测;周海 等;《中国科技论文》;20171208;第23卷(第23期);第2695-2700页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112578478A (zh) | 2021-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112578478B (zh) | 基于风云4号卫星云图的地表太阳总辐射超短期预报方法 | |
CN109543721B (zh) | 一种晴间多云天气情况下的太阳辐照度超短期预报方法 | |
CN103353952B (zh) | 一种基于地基云图的光伏功率预测方法 | |
Sabo et al. | Spatial energy predictions from large-scale photovoltaic power plants located in optimal sites and connected to a smart grid in Peninsular Malaysia | |
CN103971169A (zh) | 一种基于云量模拟的光伏超短期发电功率的预测方法 | |
Yang et al. | Classification and summarization of solar irradiance and power forecasting methods: A thorough review | |
CN102254239A (zh) | 基于微地形风场分布及台风叠加效应的电网风灾预警系统 | |
CN112559958B (zh) | 基于风云4号卫星反演地表太阳总辐射和直接辐射的方法 | |
CN110781458B (zh) | 一种基于混合回归模型预测地表太阳辐照度的方法 | |
Huang et al. | Predicting intra-hour variability of solar irradiance using hourly local weather forecasts | |
Zhang et al. | Cloud motion tracking system using low-cost sky imager for PV power ramp-rate control | |
Hatanaka et al. | Diffusion models for high-resolution solar forecasts | |
CN108008633A (zh) | 包含多种天气变化的辐照度与光伏组件坐标关联关系建立方法 | |
CN108133182B (zh) | 一种基于云成像的新能源发电预测方法及装置 | |
CN117350157A (zh) | 基于时空映射区域辐照度估计及分布式光伏功率预测方法 | |
CN107944466A (zh) | 一种基于分段思想的降雨偏差纠正方法 | |
Kleissl | Current state of the art in solar forecasting | |
Liu et al. | Comparison of three reference crop evapotranspiration forecasting methods based on short-term weather forecast in Zhanghe irrigation district | |
CN106875038B (zh) | 基于集合局地多点不同气候特征的风功率预测方法及装置 | |
Nomiyama et al. | A study on global solar radiation forecasting models using meteorological data and their application to wide area forecast | |
Cai et al. | Short-term solar photovoltaic irradiation predicting using a nonlinear prediction method | |
Gao et al. | Ultra-short-term solar PV power forecasting based on cloud displacement vector using multi-channel satellite and NWP data | |
Alsaidan et al. | Solar energy forecasting using intelligent techniques: A step towards sustainable power generating system | |
CN116260141B (zh) | 一种光伏电站功率的重构方法、系统及重构终端 | |
Ahn et al. | Deep Learning based Prediction of Solar Surface Irradiance with Geostationary Satellite Images |
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 |