CN113298303A - 针对气象卫星云图动态注意域的光伏功率预测方法 - Google Patents
针对气象卫星云图动态注意域的光伏功率预测方法 Download PDFInfo
- Publication number
- CN113298303A CN113298303A CN202110544261.XA CN202110544261A CN113298303A CN 113298303 A CN113298303 A CN 113298303A CN 202110544261 A CN202110544261 A CN 202110544261A CN 113298303 A CN113298303 A CN 113298303A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic power
- time
- formula
- predicted
- optical flow
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000003062 neural network model Methods 0.000 claims abstract description 15
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 59
- 230000003287 optical effect Effects 0.000 claims description 52
- 230000005855 radiation Effects 0.000 claims description 41
- 238000004364 calculation method Methods 0.000 claims description 28
- 238000006243 chemical reaction Methods 0.000 claims description 16
- 150000001875 compounds Chemical class 0.000 claims description 16
- 238000006073 displacement reaction Methods 0.000 claims description 9
- 238000010248 power generation Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 238000012512 characterization method Methods 0.000 claims description 4
- 230000000306 recurrent effect Effects 0.000 claims description 4
- 239000004576 sand Substances 0.000 claims description 4
- 238000002329 infrared spectrum Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 abstract description 8
- 238000011161 development Methods 0.000 abstract description 4
- 238000012423 maintenance Methods 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 241000208818 Helianthus Species 0.000 description 1
- 235000003222 Helianthus annuus Nutrition 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000035699 permeability 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明公开了针对气象卫星云图动态注意域的光伏功率预测方法,属于可再生能源开发利用技术领域;该方法及系统包括如下三个功能模块:编码、特征增强和解码;其中,编码模块接入地球同步静止气象卫星数据,基于气象卫星云图计算光流图,并将气象卫星云图和光流图输入到二维多通道卷积神经网络模型,计算得到卷积隐层特征。特征增强模块基于卷积隐层特征、结合历史光伏功率和晴空光伏估计值,利用注意力模型计算得到动态注意域特征。解码模块将动态注意域特征作为输入,构建冗余循环神经网络模型,实现提前0.5~3小时光伏功率预测。本发明方法及系统能够部署于接入实时卫星遥感的光伏电站,满足电站监控运维及光伏并网系统实时调度需求。
Description
技术领域
本发明属于可再生能源开发利用技术领域,具体涉及针对气象卫星云图动态注意域的光伏功率预测方法。
背景技术
太阳能具有显著的环境和气候效益,发展太阳能光伏发电技术可以缓解能源消费中对化石燃料的依赖。
近年来,全球光伏发电装机容量在全球范围内得到明显增长,到2019年底已达到720太瓦时。然而,由于太阳能发电输出具有极强的波动性和间歇性,若快速提升光伏发电并网渗透率将极大地影响并网发电系统的安全性和稳定性。
因此,电力系统运营仍然需要准确的光伏发电功率预测技术,并将短期光伏预测结果应用于电网调度。
光伏发电功率预测技术的准确性和时效性取决于预测模型的输入数据,而常规的预测模型使用数值气象预报中的太阳辐照度、环境温湿度和风速等作为输入,虽然能够满足提前一至多天的光伏预测需求,但是由于气象预报时间分辨率的限制,其应用于三小时以内的预测时无法反映云团快速运动的影响性,对于光伏功率爬坡或电压跌落等极端电网变化事件难以有效预警。
因此,发展基于气象卫星云图的光伏功率预测是当前可再生能源利用中的一大难点。
发明内容
发明目的:基于上述光伏功率预测技术中的局限性和难点,本发明提出针对气象卫星云图动态注意域的光伏功率预测系统及其方法。
技术方案:为实现上述发明目的,本发明的针对气象卫星云图动态注意域的光伏功率预测方法,包括如下步骤:
1)基于稠密光流算法计算每两帧气象卫星云图之间的光流图;将待预测时刻及其之前5个小时内的历史气象卫星云图和光流图按通道合并,形成多通道动态特征图谱;
2)构建二维多通道卷积神经网络模型,以多通道动态特征图谱作为输入,计算得到卷积隐层特征;
3)针对待预测时刻的日期和时间估算地表水平面的太阳晴空总辐射强度,计算晴空光伏功率估计值;
4)基于注意力模型,以晴空光伏功率估计值、历史光伏功率和卷积隐层特征作为模型输入,计算得到动态注意域特征;
5)基于冗余循环神经网络模型,将动态注意域特征作为模型输入,输出提前0.5~3小时的光伏功率预测值;
6)通过误差评价指标验证预测结果精度,实现光伏电站的发电功率预测功能。
进一步地,所述的步骤1)中,所述的气象卫星云图是接入红外光谱频段范围在0.46~0.65微米、纬度范围在北纬60度~南纬60度以内、经度范围在东经80度~东经200度以内、经纬度空间分辨率1/20度(5千米)、时间分辨率30分钟的地球同步静止气象卫星遥感云图。
进一步地,所述的步骤1)中,具体包括如下步骤:
基于Farneback二阶稠密光流算法计算每两帧气象卫星云图之间的光流图,首先假设对于每相邻两帧气象云图,图中云团运动过程中的光线反射强度在帧间保持恒定,满足公式:
I(x,y,t)≈I(x+dx,y+dy,t+dt)
式中,I(x,y,t)为云图中云团在横坐标x、纵坐标y、时间t处的单个像素光线反射强度,dx为云团的横向运动位移,dy为云团的纵向运动位移,dt为图像帧的时间间隔;其次,对光线反射强度帧间恒定公式进行泰勒展开,并取时间间隔dt近似为0,约简公式得到光流运动方程,其方程公式为:
然后,对光流运动方程取最小二范数进行优化,并基于拉格朗日乘子引入二阶光流似然函数,得到光流计算求解的目标函数,其函数公式为:
式中,min为最小目标函数,||·||2为二范数函数,λ为拉格朗日乘子;
最后,基于梯度下降算法对光流运动的最小目标函数进行优化求解,计算得到每相邻两帧气象卫星云图的光流图。
进一步地,所述的步骤4)中,具体包括如下步骤:
首先,获取待预测时刻的日期和时间,基于地外太阳辐射常数HSC计算光伏电站所在地址该时刻的地表水平面的太阳晴空总辐射HG,计算公式为:
式中,HG为地表水平面的太阳晴空总辐射,HSC为地外太阳辐射常数,nday为待预测时刻日期,δs为待预测时刻日期的太阳赤纬角,ωs为待预测时刻时间的太阳时角,为光伏电站地址的纬度角,sin和cos为正弦和余弦函数;其次,构建太阳入射辐射-光伏功率的二阶多项式拟合函数fpoly(·),根据历史光伏功率包络线PENV和历史太阳入射辐射包络线HENV求解拟合函数系数,计算光电转换效率:
式中,ηPV为光电转换效率,PENV为历史光伏功率包络线,HENV为历史太阳入射辐射包络线,fpoly(·)为二阶多项式拟合函数,a、b和c为二阶多项式函数系数;接着,根据计算的光电转换效率ηPV和地表水平面的太阳晴空总辐射HG计算晴空光伏功率估计值p*,其计算公式为:
p*=ηPVHi=ηPVHG×(cosβPV cosZs+sinβsinZs cosωs)
式中,p*为晴空光伏功率估计值,ηPV为光电转换效率,Hi为太阳入射辐射,HG为地表水平面的太阳晴空总辐射,βPV、Zs和ωs分别为光伏阵列倾斜角、待预测时刻时间的太阳天顶角和太阳时角;
式中,为大小nH×nH×1、时间t+1的注意力权值,fAM为注意力模型,为大小nH×nH×nl的卷积隐层特征,Pt为时间t的历史光伏功率,为时间t+1的晴空光伏功率估计值,nH为特征尺寸,nl为特征通道数;最后,将注意力权值和卷积隐层特征进行逐通道乘法运算,计算得到动态注意域特征
进一步地,所述的步骤5)包括如下步骤:
首先,初始化循环神经网络模型的记忆单元状态c0和隐含层状态h0;
其次,循环更新模型中冗余解码单元的记忆单元状态和隐含层状态,计算公式为:
式中,ci、fi、hi、ii、oi分别为第i个样本的记忆单元状态、遗忘状态、隐含层状态、输入状态和输出值,ci–1和hi–1为第i–1个样本的记忆单元状态和隐含层状态,xi为第i个样本的动态注意域特征输入,Wc和bc为记忆单元权值和记忆单元偏置,tanh为正切函数;接着,将时间t的隐含层状态ht、时间t+1的动态注意域特征时间t的历史光伏功率Pt和时间t+1的晴空光伏功率值作为输入,输出时间t+1的光伏功率预测值,其计算公式为:
式中,为时间t+1的光伏功率预测值,σo、Wo和bo为光伏预测的激活函数、权值和偏置;然后,将时间t+1的光伏功率预测值率回代到计算公式中时间t的历史光伏功率Pt的相应位置,循环输出时间t+2至t+6的光伏功率预测值,每个相邻时刻间隔半小时,完成提前0.5~3小时的光伏功率预测。
进一步地,所述的步骤6)包括如下步骤:
根据光伏功率预测结果,使用三种误差评价指标,均方根误差(RMSE)、平均绝对误差(MAE)和平均绝对标度误差(MASE)验证预测结果精度,其计算公式分别为:
有益效果:与现有技术相比,本发明针对气象卫星云图动态注意域的光伏功率预测系统及其方法,能够实现提前0.5~3小时的超短期光伏功率预测任务,所提出的预测系统能够部署于接入实时卫星遥感数据的光伏电站,满足光伏电站监控运维及光伏并网系统实时调度需求。
本发明可以实现端到端的超短期光伏功率预测,通过接入实时气象卫星云图,直接输出多步光伏预测结果,无需人工处理图像数据;本发明通过特征增强模块,在光伏功率预测阶段利用动态注意域学习云团运动轨迹和位移特性,能够显著提升0.5小时分辨率的光伏功率预测精度;由于预测精度的提高,本发明的预测结果可以更有效地指导光伏并网电力系统的超短期调度和电力市场新能源实时交易,提高电力系统的运行的安全稳定性和经济性;本发明的预测能够部署于接入实时卫星遥感数据的光伏电站,提高新型智能光伏电站的自动化和业务化运维水平。
附图说明
图1为本发明方法及系统的光伏功率预测流程示意图;
图2为本发明方法及系统的相邻两帧气象卫星云图的光流图计算结果示意图;
图3为本发明方法及系统的编码模块完整功能实现流程示意图;
图4为本发明方法及系统的特征增强模块完整功能实现流程示意图;
图5为本发明方法及系统的动态注意域结果示意图;
图6为本发明方法及系统的解码模块完整功能实现流程示意图;
图7为本发明方法及系统计算得到的提前0.5小时光伏功率预测结果示意图。
具体实施方式
下面结合说明书附图和具体实施例对本发明的实施方式进行描述。
如图1所示,针对气象卫星云图动态注意域的光伏功率预测方法,包括如下功能模块:
编码模块:接入光谱频段范围在0.46~0.65微米(红外光谱)、纬度范围在北纬60度~南纬60度以内、经度范围在东经80度~东经200度以内、经纬度空间分辨率1/20度(5千米)、时间分辨率30分钟的地球同步静止气象卫星遥感云图;基于稠密光流算法计算每两帧气象卫星云图之间的光流图;将待预测时刻及其之前5个小时内的历史气象卫星云图和光流图按通道合并,形成多通道动态特征图谱;构建二维多通道卷积神经网络模型,以多通道动态特征图谱作为输入,计算得到卷积隐层特征。
特征增强模块:针对待预测时刻的日期和时间估算地表水平面的太阳晴空总辐射强度,计算晴空光伏估计值;基于注意力模型,以晴空光伏功率估计值、历史光伏功率和卷积隐层特征作为模型输入,计算得到动态注意域特征。
解码模块:基于冗余循环神经网络模型,将动态注意域特征作为模型输入,输出提前0.5~3小时的光伏功率预测结果。通过误差指标验证预测结果精度,评估模型的有效性,实现光伏电站的发电功率预测功能。
其中,编码模块基于Farneback二阶稠密光流算法计算每两帧气象卫星云图之间的光流图,首先假设对于每相邻两帧气象云图,图中云团运动过程中的光线反射强度在帧间保持恒定,满足公式:
I(x,y,t)≈I(x+dx,y+dy,t+dt)
式中,I(x,y,t)为云图中云团在横坐标x、纵坐标y、时间t处的单个像素光线反射强度,dx为云团的横向运动位移,dy为云团的纵向运动位移,dt为图像帧的时间间隔。其次,对光线反射强度帧间恒定公式进行泰勒展开,并取时间间隔dt近似为0,约简公式得到光流运动方程,其方程公式为:
式中,min为最小目标函数,||·||2为二范数函数,λ为拉格朗日乘子。最后,基于梯度下降算法对光流运动的最小目标函数进行优化求解,计算得到每相邻两帧气象卫星云图的光流图。
特征增强模块针对待预测时刻的日期和时间估算地表水平面的太阳晴空总辐射强度,计算晴空光伏功率估计值;基于注意力模型,以晴空光伏功率估计值、历史光伏功率和卷积隐层特征作为模型输入,计算得到动态注意域特征。
首先,获取待预测时刻的日期和时间,基于地外太阳辐射常数HSC计算光伏电站所在地址该时刻的地表水平面的太阳晴空总辐射HG,计算公式为:
式中,HG为地表水平面的太阳晴空总辐射,HSC为地外太阳辐射常数,nday为待预测时刻日期,δs为待预测时刻日期的太阳赤纬角,ωs为待预测时刻时间的太阳时角,为光伏电站地址的纬度角,sin和cos为正弦和余弦函数。其次,构建太阳入射辐射-光伏功率的二阶多项式拟合函数fpoly(·),根据历史光伏功率包络线PENV和历史太阳入射辐射包络线HENV求解拟合函数系数,计算光电转换效率:
式中,ηPV为光电转换效率,PENV为历史光伏功率包络线,HENV为历史太阳入射辐射包络线,fpoly(·)为二阶多项式拟合函数,a、b和c为二阶多项式函数系数。接着,根据计算的光电转换效率ηPV和地表水平面的太阳晴空总辐射HG计算晴空光伏功率估计值p*,其计算公式为:
p*=ηPVHi=ηPVHG×(cosβPV cosZs+sinβsinZs cosωs)
式中,p*为晴空光伏功率估计值,ηPV为光电转换效率,Hi为太阳入射辐射,HG为地表水平面的太阳晴空总辐射,βPV、Zs和ωs分别为光伏阵列倾斜角、待预测时刻时间的太阳天顶角和太阳时角。然后,将晴空光伏功率估计值p*、时间t的历史光伏功率Pt和卷积隐层特征输入注意力模型,输出注意力权值
式中,为大小nH×nH×1、时间t+1的注意力权值,fAM为注意力模型,为大小nH×nH×nl的卷积隐层特征,Pt为时间t的历史光伏功率,为时间t+1的晴空光伏功率估计值,nH为特征尺寸,nl为特征通道数。最后,将注意力权值和卷积隐层特征进行逐通道乘法运算,计算得到动态注意域特征
解码模块基于冗余循环神经网络模型,将动态注意域特征作为模型输入,输出提前0.5~3小时的功率预测结果,并通过误差指标验证预测结果精度,评估模型的有效性。首先,初始化循环神经网络模型的记忆单元状态c0和隐含层状态h0。其次,循环更新模型中冗余解码单元的记忆单元状态和隐含层状态,计算公式为:
式中,ci、fi、hi、ii、oi分别为第i个样本的记忆单元状态、遗忘状态、隐含层状态、输入状态和输出值,ci–1和hi–1为第i–1个样本的记忆单元状态和隐含层状态,xi为第i个样本的动态注意域特征输入,Wc和bc为记忆单元权值和记忆单元偏置,tanh为正切函数。接着,将时间t的隐含层状态ht、时间t+1的动态注意域特征时间t的历史光伏功率Pt和时间t+1的晴空光伏功率值作为输入,输出时间t+1的光伏功率预测值,其计算公式为:
式中,为时间t+1的光伏功率预测值,σo、Wo和bo为光伏预测的激活函数、权值和偏置。然后,将时间t+1的光伏功率预测值率回代到计算公式中时间t的历史光伏功率Pt的相应位置,循环输出时间t+2至t+6的光伏功率预测值,每个相邻时刻间隔半小时,完成提前0.5~3小时的光伏功率预测。最后,根据光伏功率预测结果,使用三种误差评价指标,均方根误差(RMSE)、平均绝对误差(MAE)和平均绝对标度误差(MASE)验证预测结果精度,其计算公式分别为:
实施例
下面详细说明使用本发明中的方法及系统进行风电功率预测的具体实施过程。本发明选取了澳大利亚爱丽丝泉的69.3kW光伏电站,含光伏阵列总计14个,其历史光伏功率采集自2015年至2017年,时间分辨率30分钟。其气象卫星遥感数据接入来自日本气象厅的葵花8号卫星,卫星云图选取光谱频段为0.46~0.65微米,图像中心位置为南纬23.75度、东经133.85度,经纬度空间分辨率1/20度、时间分辨率30分钟。基于此数据集,本发明方法及系统的具体实施步骤如下:
1)构建编码模块,基于Farneback二阶稠密光流算法计算每两帧气象卫星云图之间的光流图,首先假设对于每相邻两帧气象云图,图中云团运动过程中的光线反射强度在帧间保持恒定,满足公式:
I(x,y,t)≈I(x+dx,y+dy,t+dt)
式中,I(x,y,t)为云图中云团在横坐标x、纵坐标y、时间t处的单个像素光线反射强度,dx为云团的横向运动位移,dy为云团的纵向运动位移,dt为图像帧的时间间隔。其次,对光线反射强度帧间恒定公式进行泰勒展开,并取时间间隔dt近似为0,约简公式得到光流运动方程,其方程公式为:
式中,min为最小目标函数,||·||2为二范数函数,λ为拉格朗日乘子。最后,基于梯度下降算法对光流运动的最小目标函数进行优化求解,计算得到每相邻两帧气象卫星云图的光流图。如图2所示为使用本发明方法及系统得到的相邻两帧气象卫星云图的光流图计算结果示意图。
将待预测时刻及其之前5个小时内的历史气象卫星云图和光流图按通道合并,形成多通道动态特征图谱;构建二维多通道卷积神经网络模型,以多通道动态特征图谱作为输入,计算得到卷积隐层特征,该模块完整功能实现如图3所示。
2)构建特征增强模块,针对待预测时刻的日期和时间估算地表水平面的太阳晴空总辐射强度,计算晴空光伏估计值;基于注意力模型,以晴空光伏功率估计值、历史光伏功率和卷积隐层特征作为模型输入,计算得到动态注意域特征。该模块完整功能实现如图4所示。首先,获取待预测时刻的日期和时间,基于地外太阳辐射常数HSC计算光伏电站所在地址该时刻的地表水平面的太阳晴空总辐射HG,计算公式为:
式中,HG为地表水平面的太阳晴空总辐射,HSC为地外太阳辐射常数,nday为待预测时刻日期,δs为待预测时刻日期的太阳赤纬角,ωs为待预测时刻时间的太阳时角,为光伏电站地址的纬度角,sin和cos为正弦和余弦函数。其次,构建太阳入射辐射-光伏功率的二阶多项式拟合函数fpoly(·),根据历史光伏功率包络线PENV和历史太阳入射辐射包络线HENV求解拟合函数系数,计算光电转换效率:
式中,ηPV为光电转换效率,PENV为历史光伏功率包络线,HENV为历史太阳入射辐射包络线,fpoly(·)为二阶多项式拟合函数,a、b和c为二阶多项式函数系数。接着,根据计算的光电转换效率ηPV和地表水平面的太阳晴空总辐射HG计算晴空光伏功率估计值p*,其计算公式为:
p*=ηPVHi=ηPVHG×(cosβPV cosZs+sinβsinZs cosωs)
式中,p*为晴空光伏功率估计值,ηPV为光电转换效率,Hi为太阳入射辐射,HG为地表水平面的太阳晴空总辐射,βPV、Zs和ωs分别为光伏阵列倾斜角、待预测时刻时间的太阳天顶角和太阳时角。然后,将晴空光伏功率估计值p*、时间t的历史光伏功率Pt和卷积隐层特征输入注意力模型,输出注意力权值
式中,为大小nH×nH×1、时间t+1的注意力权值,fAM为注意力模型,为大小nH×nH×nl的卷积隐层特征,Pt为时间t的历史光伏功率,为时间t+1的晴空光伏功率估计值,nH为特征尺寸,nl为特征通道数。最后,将注意力权值和卷积隐层特征进行逐通道乘法运算,计算得到动态注意域特征
3)构建解码模块,基于冗余循环神经网络模型,将动态注意域特征作为模型输入,输出提前0.5~3小时的功率预测结果,并通过误差指标验证预测结果精度,评估模型的有效性。该模块完整功能实现如图6所示。首先,初始化循环神经网络模型的记忆单元状态c0和隐含层状态h0。其次,循环更新模型中冗余解码单元的记忆单元状态和隐含层状态,计算公式为:
式中,ci、fi、hi、ii、oi分别为第i个样本的记忆单元状态、遗忘状态、隐含层状态、输入状态和输出值,ci–1和hi–1为第i–1个样本的记忆单元状态和隐含层状态,xi为第i个样本的动态注意域特征输入,Wc和bc为记忆单元权值和记忆单元偏置,tanh为正切函数。接着,将时间t的隐含层状态ht、时间t+1的动态注意域特征时间t的历史光伏功率Pt和时间t+1的晴空光伏功率值作为输入,输出时间t+1的光伏功率预测值,其计算公式为:
式中,为时间t+1的光伏功率预测值,σo、Wo和bo为光伏预测的激活函数、权值和偏置。然后,将时间t+1的光伏功率预测值回代到计算公式中时间t的历史光伏功率Pt的相应位置,并循环输出时间t+2至t+6的光伏功率预测值,每个相邻时刻间隔半小时,完成提前0.5~3小时的光伏功率预测。最后,根据光伏功率预测结果,使用三种误差评价指标,均方根误差(RMSE)、平均绝对误差(MAE)和平均绝对标度误差(MASE)验证预测结果精度,其计算公式分别为:
对于澳大利亚爱丽丝泉69.3kW光伏电站,选取2017年数据作为测试样本,满足测试集样本个数ns=8760,使用本发明方法及系统计算得到的光伏功率预测误差结果如表1所示。此外,为了直观反映预测误差,如图7展示了使用本发明方法及系统得到的提前0.5小时光伏功率预测曲线。从表1和图7的误差结果可以看出,本发明方法及系统能够准确预测提前0.5小时~3.0小时的光伏功率预测结果,可以满足光伏并网电力系统的超短期预测需求。
表1澳大利亚爱丽丝泉69.3kW光伏电站的2017年光伏功率预测误差
综上,本发明设计的光伏功率预测方法及系统可以实现端到端的超短期多步光伏预测,能够显著提升0.5小时分辨率的光伏功率预测精度;同时该套系统能够直接输出预测结果,无需人工处理图像数据,统能够部署于接入实时卫星遥感数据的光伏电站,提高新型智能光伏电站的自动化和业务化运维水平。由于本发明的预测方法及系统具备较高的预测准确性,其可以更有效地指导光伏并网电力系统的超短期调度和电力市场新能源实时交易,提高电力系统的运行的安全稳定性和经济性。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (6)
1.针对气象卫星云图动态注意域的光伏功率预测方法,其特征在于:包括如下步骤:
1)基于稠密光流算法计算每两帧气象卫星云图之间的光流图;将待预测时刻及其之前5个小时内的历史气象卫星云图和光流图按通道合并,形成多通道动态特征图谱;
2)构建二维多通道卷积神经网络模型,以多通道动态特征图谱作为输入,计算得到卷积隐层特征;
3)针对待预测时刻的日期和时间估算地表水平面的太阳晴空总辐射强度,计算晴空光伏功率估计值;
4)基于注意力模型,以晴空光伏功率估计值、历史光伏功率和卷积隐层特征作为模型输入,计算得到动态注意域特征;
5)基于冗余循环神经网络模型,将动态注意域特征作为模型输入,输出光伏功率预测值;
6)通过误差评价指标验证预测结果精度,实现光伏电站的发电功率预测功能。
2.根据权利要求1所述的针对气象卫星云图动态注意域的光伏功率预测方法,其特征在于:所述的步骤1)中,所述的气象卫星云图是接入红外光谱频段范围在0.46~0.65微米、纬度范围在北纬60度~南纬60度以内、经度范围在东经80度~东经200度以内、经纬度空间分辨率1/20度、时间分辨率30分钟的地球同步静止气象卫星遥感云图。
3.根据权利要求2所述的针对气象卫星云图动态注意域的光伏功率预测方法,其特征在于:所述的步骤1)中,具体包括如下步骤:
基于Farneback二阶稠密光流算法计算每两帧气象卫星云图之间的光流图,首先假设对于每相邻两帧气象云图,图中云团运动过程中的光线反射强度在帧间保持恒定,满足公式:
I(x,y,t)≈I(x+dx,y+dy,t+dt)
式中,I(x,y,t)为云图中云团在横坐标x、纵坐标y、时间t处的单个像素光线反射强度,dx为云团的横向运动位移,dy为云团的纵向运动位移,dt为图像帧的时间间隔;其次,对光线反射强度帧间恒定公式进行泰勒展开,并取时间间隔dt近似为0,约简公式得到光流运动方程,其方程公式为:
然后,对光流运动方程取最小二范数进行优化,并基于拉格朗日乘子引入二阶光流似然函数,得到光流计算求解的目标函数,其函数公式为:
式中,min为最小目标函数,||·||2为二范数函数,λ为拉格朗日乘子;
最后,基于梯度下降算法对光流运动的最小目标函数进行优化求解,计算得到每相邻两帧气象卫星云图的光流图。
4.根据权利要求3所述的针对气象卫星云图动态注意域的光伏功率预测方法,其特征在于:所述的步骤4)中,具体包括如下步骤:
首先,获取待预测时刻的日期和时间,基于地外太阳辐射常数HSC计算光伏电站所在地址该时刻的地表水平面的太阳晴空总辐射HG,计算公式为:
式中,HG为地表水平面的太阳晴空总辐射,HSC为地外太阳辐射常数,nday为待预测时刻日期,δs为待预测时刻日期的太阳赤纬角,ωs为待预测时刻时间的太阳时角,为光伏电站地址的纬度角,sin和cos为正弦和余弦函数;其次,构建太阳入射辐射-光伏功率的二阶多项式拟合函数fpoly(·),根据历史光伏功率包络线PENV和历史太阳入射辐射包络线HENV求解拟合函数系数,计算光电转换效率:
式中,ηPV为光电转换效率,PENV为历史光伏功率包络线,HENV为历史太阳入射辐射包络线,fpoly(·)为二阶多项式拟合函数,a、b和c为二阶多项式函数系数;接着,根据计算的光电转换效率ηPV和地表水平面的太阳晴空总辐射HG计算晴空光伏功率估计值p*,其计算公式为:
p*=ηPVHi=ηPVHG×(cosβPVcosZs+sinβsinZscosωs)
式中,p*为晴空光伏功率估计值,ηPV为光电转换效率,Hi为太阳入射辐射,HG为地表水平面的太阳晴空总辐射,βPV、Zs和ωs分别为光伏阵列倾斜角、待预测时刻时间的太阳天顶角和太阳时角;
式中,为大小nH×nH×1、时间t+1的注意力权值,fAM为注意力模型,为大小nH×nH×nl的卷积隐层特征,Pt为时间t的历史光伏功率,为时间t+1的晴空光伏功率估计值,nH为特征尺寸,nl为特征通道数;最后,将注意力权值和卷积隐层特征进行逐通道乘法运算,计算得到动态注意域特征
5.根据权利要求4所述的针对气象卫星云图动态注意域的光伏功率预测方法,其特征在于:所述的步骤5)包括如下步骤:
首先,初始化循环神经网络模型的记忆单元状态c0和隐含层状态h0;
其次,循环更新模型中冗余解码单元的记忆单元状态和隐含层状态,计算公式为:
式中,ci、fi、hi、ii、oi分别为第i个样本的记忆单元状态、遗忘状态、隐含层状态、输入状态和输出值,ci–1和hi–1为第i–1个样本的记忆单元状态和隐含层状态,xi为第i个样本的动态注意域特征输入,Wc和bc为记忆单元权值和记忆单元偏置,tanh为正切函数;接着,将时间t的隐含层状态ht、时间t+1的动态注意域特征时间t的历史光伏功率Pt和时间t+1的晴空光伏功率值作为输入,输出时间t+1的光伏功率预测值,其计算公式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110544261.XA CN113298303B (zh) | 2021-05-19 | 2021-05-19 | 针对气象卫星云图动态注意域的光伏功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110544261.XA CN113298303B (zh) | 2021-05-19 | 2021-05-19 | 针对气象卫星云图动态注意域的光伏功率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113298303A true CN113298303A (zh) | 2021-08-24 |
CN113298303B CN113298303B (zh) | 2021-12-28 |
Family
ID=77322960
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110544261.XA Active CN113298303B (zh) | 2021-05-19 | 2021-05-19 | 针对气象卫星云图动态注意域的光伏功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113298303B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114037901A (zh) * | 2021-10-25 | 2022-02-11 | 河海大学 | 光伏发电预测导向的实时卫星近红外图像推算方法 |
CN115457389A (zh) * | 2022-09-05 | 2022-12-09 | 河海大学 | 基于稀疏时空特征描述子的超短期太阳辐射预测方法及系统 |
CN115511220A (zh) * | 2022-11-02 | 2022-12-23 | 河海大学 | 基于跨模态注意力机制的超短期太阳辐射预测方法及系统 |
CN116128170A (zh) * | 2023-04-19 | 2023-05-16 | 深圳市峰和数智科技有限公司 | 一种光伏电站功率超短期预测方法、装置及相关设备 |
CN116777066A (zh) * | 2023-06-26 | 2023-09-19 | 河海大学 | 基于地基云图引导深度分解的光伏功率概率预测方法及装置 |
CN117220276A (zh) * | 2023-09-12 | 2023-12-12 | 河海大学 | 考虑时空特征相互影响的超短期光伏功率预测方法及系统 |
CN117239744A (zh) * | 2023-11-15 | 2023-12-15 | 威派(武汉)高新技术有限公司 | 融合风云4号气象卫星数据的超短期光伏功率预测方法 |
CN117725375A (zh) * | 2024-02-08 | 2024-03-19 | 中国科学院空天信息创新研究院 | 卫星遥感数据重建方法、装置、电子设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101969207A (zh) * | 2010-09-16 | 2011-02-09 | 国网电力科学研究院 | 结合卫星遥感与气象遥测技术的光伏超短期功率预测方法 |
CN103353952A (zh) * | 2013-05-31 | 2013-10-16 | 国家电网公司 | 一种基于地基云图的光伏功率预测方法 |
CN106780540A (zh) * | 2016-12-08 | 2017-05-31 | 浙江科技学院 | 面向光伏发电的地基云图云层跟踪及预警方法 |
CN106779130A (zh) * | 2015-11-20 | 2017-05-31 | 中国电力科学研究院 | 一种基于全天空云图的光伏电站辐射预测方法 |
KR20180109101A (ko) * | 2017-03-27 | 2018-10-08 | 조두산 | 기계학습을 이용한 태양광 발전 용량 예측 방법 |
CN109934423A (zh) * | 2019-04-25 | 2019-06-25 | 山东大学 | 基于并网逆变器运行数据的光伏电站功率预测方法及系统 |
CN110070226A (zh) * | 2019-04-24 | 2019-07-30 | 河海大学 | 基于卷积神经网络与元学习的光伏功率预测方法及系统 |
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 |
CN112507793A (zh) * | 2020-11-05 | 2021-03-16 | 上海电力大学 | 一种超短期光伏功率预测方法 |
CN112766568A (zh) * | 2021-01-18 | 2021-05-07 | 中国科学院计算机网络信息中心 | 一种基于卫星云图的超短期分布式光伏功率预测方法 |
-
2021
- 2021-05-19 CN CN202110544261.XA patent/CN113298303B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101969207A (zh) * | 2010-09-16 | 2011-02-09 | 国网电力科学研究院 | 结合卫星遥感与气象遥测技术的光伏超短期功率预测方法 |
CN103353952A (zh) * | 2013-05-31 | 2013-10-16 | 国家电网公司 | 一种基于地基云图的光伏功率预测方法 |
CN106779130A (zh) * | 2015-11-20 | 2017-05-31 | 中国电力科学研究院 | 一种基于全天空云图的光伏电站辐射预测方法 |
CN106780540A (zh) * | 2016-12-08 | 2017-05-31 | 浙江科技学院 | 面向光伏发电的地基云图云层跟踪及预警方法 |
KR20180109101A (ko) * | 2017-03-27 | 2018-10-08 | 조두산 | 기계학습을 이용한 태양광 발전 용량 예측 방법 |
CN110070226A (zh) * | 2019-04-24 | 2019-07-30 | 河海大学 | 基于卷积神经网络与元学习的光伏功率预测方法及系统 |
CN109934423A (zh) * | 2019-04-25 | 2019-06-25 | 山东大学 | 基于并网逆变器运行数据的光伏电站功率预测方法及系统 |
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 |
CN112507793A (zh) * | 2020-11-05 | 2021-03-16 | 上海电力大学 | 一种超短期光伏功率预测方法 |
CN112766568A (zh) * | 2021-01-18 | 2021-05-07 | 中国科学院计算机网络信息中心 | 一种基于卫星云图的超短期分布式光伏功率预测方法 |
Non-Patent Citations (2)
Title |
---|
HAIXIANG ZANG, LILIN CHENG, TAO DING等: "Day-ahead photovoltaic power forecasting approach based on deep convolutional neural networks and meta learning", 《ELECTRICAL POWER AND ENERGY SYSTEMS》 * |
LILIN CHENG等: "Multi-Meteorological-Factor-Based Graph Modeling for Photovoltaic Power Forecasting", 《IEEE TRANSACTIONS ON SUSTAINABLE ENERGY》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114037901A (zh) * | 2021-10-25 | 2022-02-11 | 河海大学 | 光伏发电预测导向的实时卫星近红外图像推算方法 |
CN115457389A (zh) * | 2022-09-05 | 2022-12-09 | 河海大学 | 基于稀疏时空特征描述子的超短期太阳辐射预测方法及系统 |
CN115457389B (zh) * | 2022-09-05 | 2023-04-28 | 河海大学 | 基于稀疏时空特征描述子的超短期太阳辐射预测方法及系统 |
CN115511220A (zh) * | 2022-11-02 | 2022-12-23 | 河海大学 | 基于跨模态注意力机制的超短期太阳辐射预测方法及系统 |
CN115511220B (zh) * | 2022-11-02 | 2023-06-13 | 河海大学 | 基于跨模态注意力机制的超短期太阳辐射预测方法及系统 |
CN116128170A (zh) * | 2023-04-19 | 2023-05-16 | 深圳市峰和数智科技有限公司 | 一种光伏电站功率超短期预测方法、装置及相关设备 |
CN116777066A (zh) * | 2023-06-26 | 2023-09-19 | 河海大学 | 基于地基云图引导深度分解的光伏功率概率预测方法及装置 |
CN116777066B (zh) * | 2023-06-26 | 2024-01-23 | 河海大学 | 基于地基云图引导深度分解的光伏功率概率预测方法及装置 |
CN117220276A (zh) * | 2023-09-12 | 2023-12-12 | 河海大学 | 考虑时空特征相互影响的超短期光伏功率预测方法及系统 |
CN117239744A (zh) * | 2023-11-15 | 2023-12-15 | 威派(武汉)高新技术有限公司 | 融合风云4号气象卫星数据的超短期光伏功率预测方法 |
CN117239744B (zh) * | 2023-11-15 | 2024-02-02 | 威派(武汉)高新技术有限公司 | 融合风云4号气象卫星数据的超短期光伏功率预测方法 |
CN117725375A (zh) * | 2024-02-08 | 2024-03-19 | 中国科学院空天信息创新研究院 | 卫星遥感数据重建方法、装置、电子设备及存储介质 |
CN117725375B (zh) * | 2024-02-08 | 2024-05-14 | 中国科学院空天信息创新研究院 | 卫星遥感数据重建方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113298303B (zh) | 2021-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113298303B (zh) | 针对气象卫星云图动态注意域的光伏功率预测方法 | |
Calcabrini et al. | A simplified skyline-based method for estimating the annual solar energy potential in urban environments | |
Barbieri et al. | Very short-term photovoltaic power forecasting with cloud modeling: A review | |
CN113378459B (zh) | 基于卫星和物联网信息的光伏电站超短期功率预测方法 | |
Carneiro et al. | Review on photovoltaic power and solar resource forecasting: current status and trends | |
Rodríguez-Benítez et al. | Assessment of new solar radiation nowcasting methods based on sky-camera and satellite imagery | |
Akarslan et al. | A novel MD (multi-dimensional) linear prediction filter approach for hourly solar radiation forecasting | |
Rosiek et al. | Online 3-h forecasting of the power output from a BIPV system using satellite observations and ANN | |
CN109886486B (zh) | 不依赖于设备的云层跟踪技术及小时内辐照度预测方法 | |
Jiang et al. | Geospatial assessment of rooftop solar photovoltaic potential using multi-source remote sensing data | |
CN114898228A (zh) | 基于卫星云图和随机森林模型的太阳总辐照度反演方法 | |
Gorjian et al. | Estimation of mean monthly and hourly global solar radiation on surfaces tracking the sun: Case study: Tehran | |
Cristaldi et al. | A hybrid approach for solar radiation and photovoltaic power short-term forecast | |
Holbert et al. | Solar energy calculations | |
Shakya et al. | Using Markov Switching Model for solar irradiance forecasting in remote microgrids | |
Torres-Ramírez et al. | Modelling the spectral irradiance distribution in sunny inland locations using an ANN-based methodology | |
Kapoor et al. | Evaluation of optimum PV tilt angle with generated and predicted solar electric data using geospatial open source software in cloud environment | |
TW201419009A (zh) | 追日式太陽能光電系統增益之預估方法 | |
Hajjaj et al. | Comparing Photovoltaic Power Prediction: Ground-Based Measurements vs. Satellite Data Using an ANN Model | |
Yap et al. | Comparative study in predicting the global solar radiation for Darwin, Australia | |
Carreno et al. | SoDa: An irradiance-based synthetic solar data generation tool | |
Eddine et al. | Estimation model for global solar radiation in Lebanon | |
ElAlani et al. | Intra-day variability quantification from ground-based measurements of global solar irradiance | |
Iradukunda et al. | Angstrom-Prescott Type Models for Predicting Solar Irradiation for Different Locations in Zimbabwe | |
Gondalia et al. | Solar power forecasting analysis of trends in modeling techniques and error minimization mechanism |
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 |