CN115441447B - 一种新能源发电功率预测方法 - Google Patents

一种新能源发电功率预测方法 Download PDF

Info

Publication number
CN115441447B
CN115441447B CN202211299523.1A CN202211299523A CN115441447B CN 115441447 B CN115441447 B CN 115441447B CN 202211299523 A CN202211299523 A CN 202211299523A CN 115441447 B CN115441447 B CN 115441447B
Authority
CN
China
Prior art keywords
power
curve
predicted
power supply
image information
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
Application number
CN202211299523.1A
Other languages
English (en)
Other versions
CN115441447A (zh
Inventor
段春艳
胡昌吉
李姗
冯泽君
连佳生
陈潇跃
林涛
许继源
赵骏华
梁宏全
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Foshan Polytechnic
Original Assignee
Foshan Polytechnic
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Foshan Polytechnic filed Critical Foshan Polytechnic
Priority to CN202211299523.1A priority Critical patent/CN115441447B/zh
Publication of CN115441447A publication Critical patent/CN115441447A/zh
Application granted granted Critical
Publication of CN115441447B publication Critical patent/CN115441447B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Power Engineering (AREA)
  • Mathematical Physics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Primary Health Care (AREA)
  • Multimedia (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本发明涉及新能源技术领域，具体公开了一种新能源发电功率预测方法，所述方法包括：步骤一、对光伏电源进行周期划分；根据预测气象信息及光伏电源所处位置确定下个周期的预测辐射量曲线；步骤二、在下个周期开始时获取第一云系图像信息，在设定间隔时长后获取第二云系图像信息，通过第一云系图像信息、第二云系图像信息及其变化状态对预测辐射量曲线进行调整，获得调整辐射量曲线；步骤三、根据温度预测变化曲线及调整辐射量曲线获得预测光伏电源馈入功率；该方法在预测气象信息的基础上根据光伏电源馈电周期的初始时段的实际状况综合判断，进而能够提高预测结果的准确性。

Description

一种新能源发电功率预测方法
技术领域
本发明涉及新能源技术领域，具体为一种新能源发电功率预测方法。
背景技术
随着新能源技术的快速发展，通过太阳能、风能等途径能够获得绿色、清洁的能源，新能源发电与传统的火力发电不同，其发电功率具有波动性和随机性，与环境气候因素呈较高的关联性，具有非常高的不确定性；例如，光伏发电只有在白天才有功率输出，因此光伏大面积并网会给电力系统带来巨大的干扰。所以，为了减少光伏并网对电力系统的危害，对光伏发电功率进行准确的预测，对整个电网的安全稳定运行具有重大的意义。
现有技术中，对新能源发电功率的预测主要在光伏硬件状态、光伏组件所处地域、位置的基础上，根据预测的气候环境状态进行判断，此种方式判断的准确性与气候预测准确性呈正相关，因此导致判断的最终结果与实际馈电功率存在差别。
发明内容
本发明的目的在于提供一种新能源发电功率预测方法，解决以下技术问题：
如何提高新能源发电功率预测的准确性。
本发明的目的可以通过以下技术方案实现：
一种新能源发电功率预测方法，所述方法包括：
步骤一、对光伏电源进行周期划分；根据预测气象信息及光伏电源所处位置确定下个周期的预测辐射量曲线；
步骤二、在下个周期开始时获取第一云系图像信息，在设定间隔时长后获取第二云系图像信息，通过第一云系图像信息、第二云系图像信息及其变化状态对预测辐射量曲线进行调整，获得调整辐射量曲线；
步骤三、根据温度预测变化曲线及调整辐射量曲线获得预测光伏电源馈入功率。
于一实施例中，调整辐射量曲线获取的过程为：
获取气候状况，所述气候状况包括晴天和非晴天；
非晴天状态下，按预设的最低发电功率曲线作为预测光伏电源馈入功率曲线；
晴天状态下，对第一云系图像信息及第二云系图像信息进行识别，识别出云层区域面积S；
通过公式
Figure 726553DEST_PATH_IMAGE001
计算出云层占比变化速率；
其中，
Figure 440562DEST_PATH_IMAGE002
为第一时间点的云层区域面积，
Figure 393475DEST_PATH_IMAGE003
为第二时间点的云层区域面积，
Figure 456108DEST_PATH_IMAGE004
为 天空图像总面积，t为设定间隔时长；
通过
Figure 533786DEST_PATH_IMAGE003
及
Figure 284442DEST_PATH_IMAGE005
的大小对第二时间点后的预测辐射量曲线进行调整，获得调整辐射 量曲线，根据温度预测变化曲线及调整辐射量曲线获得预测光伏电源馈入功率曲线。
于一实施例中，所述预测辐射量曲线调整的方式为：
当
Figure 763965DEST_PATH_IMAGE006
时，
若
Figure 325396DEST_PATH_IMAGE005
≤0，则将第二时间点后的预测辐射量曲线与预测系数相乘，得到调整辐射 量曲线；
若
Figure 890370DEST_PATH_IMAGE005
＞0，则将第二时间点后按预设的最低发电功率曲线作为预测光伏电源馈入 功率曲线；
当
Figure 946182DEST_PATH_IMAGE007
时，
若
Figure 545790DEST_PATH_IMAGE005
≤0，则将第二时间点后的预测辐射量曲线作为调整辐射量曲线；
若
Figure 278123DEST_PATH_IMAGE005
＞0，则将第二时间点后的预测辐射量曲线与预测系数相乘，得到调整辐射 量曲线；
所述云层区域面积S包括浅云层区域面积
Figure 64813DEST_PATH_IMAGE008
及厚云层区域面积
Figure DEST_PATH_IMAGE009
；
通过公式
Figure 234237DEST_PATH_IMAGE010
获取预测系数
Figure 688352DEST_PATH_IMAGE011
；
其中，
Figure 342319DEST_PATH_IMAGE012
为预设阈值，
Figure 616305DEST_PATH_IMAGE013
为第二时间点的浅云层区域面积，
Figure 263187DEST_PATH_IMAGE014
为第二时间点的 厚云层区域面积，
Figure DEST_PATH_IMAGE015
、
Figure 414552DEST_PATH_IMAGE016
为预设系数。
于一实施例中，所述方法还包括对风力电源进行预测，所述风力电源馈入功率的预测过程为：
获取风力电源所处位置的预测风力状况，所述预测风力状况包括风速及风向角随时间变化曲线；
获取风力电源所处位置的预测温度变化曲线；
以特定时间间隔采集风速、风向角及温度数据，将风速、风向角及温度数据输入至分析模型中，获取每个时间点的预测发电功率，将所有时间点的预测发电功率数值连接，获取预测风力电源馈入功率曲线；
所述分析模型根据历史数据训练获得。
于一实施例中，根据光伏电源及风力电源的馈入功率及实时馈入功率调整氢储能策略。
于一实施例中，所述氢储能策略调整的方法包括：
通过公式
Figure DEST_PATH_IMAGE017
计算出电解槽的数量n；
其中，L(t)为预测光伏电源馈入功率曲线；W（t）为预测风力电源馈入功率曲线；min()为最小值函数，[]为取整符号，p为单个电解槽制氢所需最低功率。
于一实施例中，所述氢储能策略调整的方法还包括：
获取光伏电源实时输出功率
Figure 957528DEST_PATH_IMAGE018
及风力电源实时输出功率
Figure 984390DEST_PATH_IMAGE019
；
判断是否
Figure 920116DEST_PATH_IMAGE020
：
若
Figure 348824DEST_PATH_IMAGE021
，则不通过电网进行供电；
否则通过公式
Figure 593860DEST_PATH_IMAGE022
获得电网供电功率
Figure 842439DEST_PATH_IMAGE023
。
于一实施例中，将光伏电源实时输出功率
Figure 83321DEST_PATH_IMAGE018
及风力电源实时输出功率
Figure 366535DEST_PATH_IMAGE019
与电解 槽设定功率值
Figure 782472DEST_PATH_IMAGE024
进行比对，根据比对结果判断是否增加电解槽。
于一实施例中，比对方法为：
若
Figure 518347DEST_PATH_IMAGE025
，则保持当前电解槽数量；
若
Figure 327034DEST_PATH_IMAGE026
，则增加
Figure 199176DEST_PATH_IMAGE027
个电解槽数量；
其中，
Figure 51594DEST_PATH_IMAGE028
。
于一实施例中，比对方法还包括：
将电网供电功率
Figure 9186DEST_PATH_IMAGE029
与预设阈值
Figure 120099DEST_PATH_IMAGE030
进行比对：
若
Figure DEST_PATH_IMAGE031
，则减少
Figure 705801DEST_PATH_IMAGE032
个电解槽数量；
若
Figure DEST_PATH_IMAGE033
，保持当前电解槽数量；
其中，
Figure 683115DEST_PATH_IMAGE034
。
本发明的有益效果：
（1）本发明不仅通过预测气象信息对下个周期的预测辐射量进行判断，还结合下个周期的云系图像信息对预测辐射量曲线进行调整，显然，调整后的辐射量曲线在预测气象信息的基础上根据光伏电源馈电周期的初始时段的实际状况综合判断，进而能够提高预测结果的准确性。
（2）本发明通过对新能源电源的供电功率进行预测，根据预测的供电功率来分配对应数量的电解槽，能够保证运行电解槽数量的合理性，减少电解槽数量反复开启关闭对其寿命造成的影响，同时保证了制氢过程的稳定性；另外由于电解槽的运行数量与预测的状态相匹配，因此需要电网的馈电量较少，馈电功率较低，所以制氢过程对电网造成的压力较低。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明新能源发电功率预测方法的步骤流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1所示，在一个实施例中，提供了一种新能源发电功率预测方法，所述方法包括：
步骤一、对光伏电源进行周期划分；根据预测气象信息及光伏电源所处位置确定下个周期的预测辐射量曲线；
步骤二、在下个周期开始时获取第一云系图像信息，在设定间隔时长后获取第二云系图像信息，通过第一云系图像信息、第二云系图像信息及其变化状态对预测辐射量曲线进行调整，获得调整辐射量曲线；
步骤三、根据温度预测变化曲线及调整辐射量曲线获得预测光伏电源馈入功率。
通过上述技术方案，在光伏硬件状态、光伏组件所处地域、位置确定的基础上，不仅通过预测气象信息对下个周期的预测辐射量进行判断，还结合下个周期的云系图像信息对预测辐射量曲线进行调整，显然，调整后的辐射量曲线在预测气象信息的基础上根据光伏电源馈电周期的初始时段的实际状况综合判断，进而能够提高预测结果的准确性。
需要说明的是，光伏电源的馈电周期为一天，设定间隔时长≤1小时，因此第一云系图像信息与第二云系图像信息获取时间点之间的时段馈电功率较大，不予考虑。
作为本发明的一种实施方式，调整辐射量曲线获取的过程为：
获取气候状况，所述气候状况包括晴天和非晴天；
非晴天状态下，按预设的最低发电功率曲线作为预测光伏电源馈入功率曲线；
晴天状态下，对第一云系图像信息及第二云系图像信息进行识别，识别出云层区域面积S；
通过公式
Figure 393582DEST_PATH_IMAGE035
计算出云层占比变化速率；
其中，
Figure 527761DEST_PATH_IMAGE002
为第一时间点的云层区域面积，
Figure 108915DEST_PATH_IMAGE003
为第二时间点的云层区域面积，
Figure 820912DEST_PATH_IMAGE004
为 天空图像总面积，t为设定间隔时长；
通过
Figure 753096DEST_PATH_IMAGE003
及
Figure 690965DEST_PATH_IMAGE005
的大小对第二时间点后的预测辐射量曲线进行调整，获得调整辐射 量曲线，根据温度预测变化曲线及调整辐射量曲线获得预测光伏电源馈入功率曲线。
通过上述技术方案，本实施例给出了一种预测光伏电源馈入功率随时间变化曲线 的方法，首先通过获取气象信息判断天气状况，显然，当为雨雪天、阴天等非晴天状态时，光 伏电源的馈入功率较低，因此按预设的最低发电功率曲线；当为晴天状态时，由于光伏电源 的发电功率会随着云系对光线的遮挡而发生影响，因此，本实施例通过采集天空图像信息 并对图像信息中的云层区域进行识别，进而判断天空中的云系状态，另外，由于云系的变化 速率不同，其对光伏电源的影响也不相同，因此，本实施例通过采集两个时间点的图像信 息，通过公式
Figure 392205DEST_PATH_IMAGE036
获取云层占比变化速率，通过
Figure 508059DEST_PATH_IMAGE002
及
Figure 927539DEST_PATH_IMAGE005
的大小对第二时间点后 的预测辐射量曲线进行调整，进而获得更为准确的调整辐射量曲线，根据温度预测变化曲 线及调整辐射量曲线获得预测光伏电源馈入功率曲线，实现光伏电源输出功率的准确判 断。
需要说明的是，预设辐射量曲线根据光伏电源所处的经纬度信息、海拔信息及光伏板的型号获得，另外，光伏电源的馈入功率和温度相关，因此通过获取温度预测变化曲线并结合调整辐射量曲线获取预测光伏电源馈入功率曲线，此过程中，预设辐射量曲线的设定及其结合温度预测变化曲线分析的过程均可通过光伏领域的现有技术实现，在此不作详述。
作为本发明的一种实施方式，所述预测辐射量曲线调整的方式为：
当
Figure 403520DEST_PATH_IMAGE037
时，
若
Figure 224846DEST_PATH_IMAGE005
≤0，则将第二时间点后的预测辐射量曲线与预测系数相乘，得到调整辐射 量曲线；
若
Figure 10137DEST_PATH_IMAGE005
＞0，则将第二时间点后按预设的最低发电功率曲线作为预测光伏电源馈入 功率曲线；
当
Figure 916913DEST_PATH_IMAGE038
时，
若
Figure 196584DEST_PATH_IMAGE005
≤0，则将第二时间点后的预测辐射量曲线作为调整辐射量曲线；
若
Figure 872416DEST_PATH_IMAGE005
＞0，则将第二时间点后的预测辐射量曲线与预测系数相乘，得到调整辐射 量曲线；
所述云层区域面积S包括浅云层区域面积
Figure 330074DEST_PATH_IMAGE008
及厚云层区域面积
Figure 724146DEST_PATH_IMAGE009
；
通过公式
Figure 541929DEST_PATH_IMAGE039
获取预测系数
Figure 337847DEST_PATH_IMAGE011
；
其中，
Figure 202291DEST_PATH_IMAGE012
为预设阈值，
Figure 83659DEST_PATH_IMAGE013
为第二时间点的浅云层区域面积，
Figure 705134DEST_PATH_IMAGE014
为第二时间点的 厚云层区域面积，
Figure 355558DEST_PATH_IMAGE015
、
Figure 155018DEST_PATH_IMAGE016
为预设系数。
通过上述技术方案，本实施例给出了具体调整的方式，首先识别图像信息中云层 区域的浅云层区域面积和厚云层区域面积，将总面积与预设阈值进行比对，当
Figure 258103DEST_PATH_IMAGE040
且
Figure 620951DEST_PATH_IMAGE005
≤0，说明天空中云系较多但面积占比在变少，因此通过预测系数 进行调整，当
Figure 188199DEST_PATH_IMAGE040
且
Figure 860357DEST_PATH_IMAGE005
＞0，说明天空中云系较多且面积占比在增加，此时会 严重影响光伏的发电量，因此按预设的最低发电功率曲线作为L（t）；当
Figure 247476DEST_PATH_IMAGE041
且
Figure 414016DEST_PATH_IMAGE005
≤0时，说明天空云系较少且云系逐渐变小，云层对于光伏的影响效果可以忽略不计，因 此将第二时间点后的预设辐射量曲线作为调整辐射量曲线；当
Figure 835770DEST_PATH_IMAGE042
且
Figure 180294DEST_PATH_IMAGE005
＞0 时，说明云系处于变多的过程，此时通过预测系数进行调整，由于预测系数
Figure 54709DEST_PATH_IMAGE043
， 因此通过
Figure 100002_DEST_PATH_IMAGE044
，进而获得调整后的预设辐射量曲线。
上述方案中，通过公式
Figure 24940DEST_PATH_IMAGE039
计算预测系数，其中，由于 厚云层和浅云层对于光伏发电功率的影响程度不同，因此通过预设系数
Figure 72837DEST_PATH_IMAGE015
、
Figure 634268DEST_PATH_IMAGE016
进行调整， 其具体数值根据实际测试数据拟合获取；另外，
Figure 199242DEST_PATH_IMAGE012
数值及预测系数
Figure 255054DEST_PATH_IMAGE011
的公式均通过测试数 据分析获得。
作为本发明的一种实施方式，所述方法还包括对风力电源进行预测，所述风力电源馈入功率的预测过程为：
获取风力电源所处位置的预测风力状况，所述预测风力状况包括风速及风向角随时间变化曲线；
获取风力电源所处位置的预测温度变化曲线；
以特定时间间隔采集风速、风向角及温度数据，将风速、风向角及温度数据输入至分析模型中，获取每个时间点的预测发电功率，将所有时间点的预测发电功率数值连接，获取预测风力电源馈入功率曲线；
所述分析模型根据历史数据训练获得。
通过上述技术方案，本实施例通过获取风力电源所处位置的风速及风向角随时间变化曲线，及风力电源所处位置的预测温度变化曲线，通过以特定时间间隔采集风速、风向角及温度数据，进而能够对各个时间点的风力电源发电功率进行计算，进而通过将所有时间点的计算结果拟合，获取预测风力电源馈入功率曲线W（t）。
需要说明的是，风力电源所处位置的风速、风向角、温度状况随时间变化曲线均可通过连接气象网站Api端口获取，在此不作详述；分析模型根据历史数据训练获得，具体训练过程可通过常见的机器学习算法实现，例如通过卷积神经网络实现，在此不作详述。
作为本发明的一种实施方式，根据光伏电源及风力电源的馈入功率及实时馈入功率调整氢储能策略。
作为本发明的一种实施方式，所述氢储能策略调整的方法包括：
通过公式
Figure 589083DEST_PATH_IMAGE045
计算出电解槽的数量n；
其中，L(t)为预测光伏电源馈入功率曲线；W（t）为预测风力电源馈入功率曲线；min()为最小值函数，[]为取整符号，p为单个电解槽制氢所需最低功率。
由于新能源电源产生的电能会随着环境产生波动，因此需要设置相关的储能策略，氢储能的方式能够通过电解水的方式制备氢能的方式，能够制备纯度较高的氢气，且在制备过程中对环境造成的影响较小，制备获得的氢气在使用过程中，可以做到无污染可再生；然而电解槽需要满足特定的功率方能稳定工作，因此当输入功率无法满足电解槽的最低功率需求时，会对电解槽的正常运行造成影响。
而本实施例基于新能源电源的预测功率来分配对应数量的电解槽，能够保证运行电解槽数量的合理性，减少电解槽数量反复开启关闭对其寿命造成的影响，同时保证了制氢过程的稳定性。
具体地，通过两种能源接入方式的设置，能够减少单种能源造成的功率波动，进而 提高了新能源电源整体输出功率的稳定性；同时对光伏电源馈入功率随时间变化曲线L（t） 进行预测，对风力电源馈入功率随时间变化曲线W（t）进行预测，通过公式
Figure 321416DEST_PATH_IMAGE046
计算获得电解槽的数量n，使得最低的电能功率输入即能满足所有的 电解槽的最低功率需求，具体的，单个电解槽制氢所需最低功率p可根据电解槽的具体性能 选定，通常电解槽稳定运行的最低功率为其总功率的22%~30%之间，另外，此种设定能够在 新能源电源功率提升时，提供了较大的运行空间，即当新能源电源功率提升时，减少了电解 槽增加数量的几率，进而减少了电解槽反复开启关闭的过程，保证了电解槽使用的寿命。
另外，在以获得数量的电解槽进行制氢时，即使出现需要通过电网进行辅助馈电的状态，由于电解槽的运行数量与预测的状态相匹配，所以产生较大偏差的几率较低，进而需要电网的馈电量较少，馈电功率较低，所以制氢过程对电网造成的压力较低。
还需要说明的是，新能源电源的输入已根据其具体的类型进行了转换器转换，此过程通过现有技术实现，在此不作详述。
作为本发明的一种实施方式，所述氢储能策略调整的方法还包括：
获取光伏电源实时输出功率
Figure 373685DEST_PATH_IMAGE018
及风力电源实时输出功率
Figure 731723DEST_PATH_IMAGE019
；
判断是否
Figure 920259DEST_PATH_IMAGE047
：
若
Figure 495597DEST_PATH_IMAGE021
，则不通过电网进行供电；
否则通过公式
Figure 363059DEST_PATH_IMAGE022
获得电网供电功率
Figure 100002_DEST_PATH_IMAGE048
。
通过上述技术方案，根据光伏电源实时输出功率
Figure 229515DEST_PATH_IMAGE018
及风力电源实时输出功率
Figure 662770DEST_PATH_IMAGE019
获取新能源电源总功率
Figure 612272DEST_PATH_IMAGE018
+
Figure 281544DEST_PATH_IMAGE019
，当
Figure 76324DEST_PATH_IMAGE049
时，说明新能源电源实时功率满足所有电解 槽的最低运行功率，因此此时不通过电网进行供电，当
Figure 364086DEST_PATH_IMAGE050
时，通过
Figure 750068DEST_PATH_IMAGE051
获得电网供电功率
Figure 874013DEST_PATH_IMAGE052
，通过电网的接入，保证电解槽运行的稳定性。
需要说明的是，本实施例中的方案虽然通过电网进行辅助供电，但相对常规的电网供电的方式，本实施例提前对新能源电源的功率进行了预测，因此能够大大减少电网的供电，因此不会给电网运行造成较大的压力。
作为本发明的一种实施方式，将光伏电源实时输出功率
Figure 738064DEST_PATH_IMAGE018
及风力电源实时输出功 率
Figure 411491DEST_PATH_IMAGE019
与电解槽设定功率值
Figure 437216DEST_PATH_IMAGE024
进行比对，根据比对结果判断是否增加电解槽。
通过上述技术方案，在预测功率数据与实际功率数据产生较大偏差时，本实施例 通过光伏电源实时输出功率
Figure 546992DEST_PATH_IMAGE018
及风力电源实时输出功率
Figure 214734DEST_PATH_IMAGE019
与电解槽设定功率值
Figure 477088DEST_PATH_IMAGE024
进行 比对，提前判断是否增加电解槽数量，其中，电解槽设定功率值
Figure 939293DEST_PATH_IMAGE024
小于电解槽的最大功率 值，因此通过对比，能够提前调整电解槽数量，减少电网功率输入。
作为本发明的一种实施方式，比对方法为：
若
Figure 37830DEST_PATH_IMAGE053
，则保持当前电解槽数量；
若
Figure 243684DEST_PATH_IMAGE026
，则增加
Figure 360544DEST_PATH_IMAGE027
个电解槽数量；
其中，
Figure 259230DEST_PATH_IMAGE054
。
具体地，本实施例提供了具体地对比方法，将
Figure 346528DEST_PATH_IMAGE018
+
Figure 90493DEST_PATH_IMAGE019
与
Figure 327439DEST_PATH_IMAGE055
进行比对，当
Figure 131447DEST_PATH_IMAGE056
时，说明新能源电源功率与电解槽运行数量较为匹配，因此保持当前电解 槽数量；当
Figure 204577DEST_PATH_IMAGE057
时，说明电解槽数量满足不了新能源电源的输入，因此通过增加
Figure 752233DEST_PATH_IMAGE027
个电解槽数量来提高制氢量，其中，
Figure 109265DEST_PATH_IMAGE058
。
作为本发明的一种实施方式，比对方法还包括：
将电网供电功率
Figure 349753DEST_PATH_IMAGE029
与预设阈值
Figure 143135DEST_PATH_IMAGE030
进行比对：
若
Figure 494482DEST_PATH_IMAGE059
，则减少
Figure 440441DEST_PATH_IMAGE032
个电解槽数量；
若
Figure 851831DEST_PATH_IMAGE060
，保持当前电解槽数量；
其中，
Figure 633973DEST_PATH_IMAGE061
。
通过上述技术方案，本实施例还将电网供电功率
Figure 523432DEST_PATH_IMAGE029
与预设阈值
Figure 589477DEST_PATH_IMAGE030
进行比对，当
Figure 171768DEST_PATH_IMAGE059
时，说明电网供电功率
Figure 942671DEST_PATH_IMAGE029
较大，因此通过减少
Figure 635820DEST_PATH_IMAGE062
个电解槽数量来避免对电网 造成的影响，其中，
Figure 290793DEST_PATH_IMAGE063
；当
Figure 43985DEST_PATH_IMAGE064
时，保持当前电解槽数量。
需要说明的是，
Figure 535140DEST_PATH_IMAGE030
为预设功率阈值，其数值的选择根据电解槽的性能选择设定。
以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。

Claims (8)

1.一种新能源发电功率预测方法，其特征在于，所述方法包括：
步骤一、对光伏电源进行周期划分；根据预测气象信息及光伏电源所处位置确定下个周期的预测辐射量曲线；
步骤二、在下个周期开始时获取第一云系图像信息，在设定间隔时长后获取第二云系图像信息，通过第一云系图像信息、第二云系图像信息及其变化状态对预测辐射量曲线进行调整，获得调整辐射量曲线；
步骤三、根据温度预测变化曲线及调整辐射量曲线获得预测光伏电源馈入功率；
调整辐射量曲线获取的过程为：
获取气候状况，所述气候状况包括晴天和非晴天；
非晴天状态下，按预设的最低发电功率曲线作为预测光伏电源馈入功率曲线；
晴天状态下，对第一云系图像信息及第二云系图像信息进行识别，识别出云层区域面积S；
通过公式
Figure DEST_PATH_IMAGE002
计算出云层占比变化速率；
其中，
Figure DEST_PATH_IMAGE004
为第一时间点的云层区域面积，
Figure DEST_PATH_IMAGE006
为第二时间点的云层区域面积，
Figure DEST_PATH_IMAGE008
为天空图像总面积，t为设定间隔时长；
通过
Figure 302410DEST_PATH_IMAGE006
及
Figure DEST_PATH_IMAGE010
的大小对第二时间点后的预测辐射量曲线进行调整，获得调整辐射量曲线，根据温度预测变化曲线及调整辐射量曲线获得预测光伏电源馈入功率曲线；
所述预测辐射量曲线调整的方式为：
当
Figure DEST_PATH_IMAGE012
时，
若
Figure DEST_PATH_IMAGE014
，则将第二时间点后的预测辐射量曲线与预测系数相乘，得到调整辐射量曲线；
若
Figure DEST_PATH_IMAGE016
，则将第二时间点后按预设的最低发电功率曲线作为预测光伏电源馈入功率曲线；
当
Figure DEST_PATH_IMAGE018
时，
若
Figure DEST_PATH_IMAGE020
，则将第二时间点后的预测辐射量曲线作为调整辐射量曲线；
若
Figure DEST_PATH_IMAGE022
，则将第二时间点后的预测辐射量曲线与预测系数相乘，得到调整辐射量曲线；
所述云层区域面积S包括浅云层区域面积
Figure DEST_PATH_IMAGE024
及厚云层区域面积
Figure DEST_PATH_IMAGE026
；
通过公式
Figure DEST_PATH_IMAGE028
获取预测系数
Figure DEST_PATH_IMAGE030
；
其中，
Figure DEST_PATH_IMAGE032
为预设阈值，
Figure DEST_PATH_IMAGE034
为第二时间点的浅云层区域面积，
Figure DEST_PATH_IMAGE036
为第二时间点的厚云层区域面积,
Figure DEST_PATH_IMAGE038
、
Figure DEST_PATH_IMAGE040
为预设系数。
2.根据权利要求1所述的一种新能源发电功率预测方法，其特征在于，所述方法还包括对风力电源进行预测，所述风力电源馈入功率的预测过程为：
获取风力电源所处位置的预测风力状况，所述预测风力状况包括风速及风向角随时间变化曲线；
获取风力电源所处位置的预测温度变化曲线；
以特定时间间隔采集风速、风向角及温度数据，将风速、风向角及温度数据输入至分析模型中，获取每个时间点的预测发电功率，将所有时间点的预测发电功率数值连接，获取预测风力电源馈入功率曲线；
所述分析模型根据历史数据训练获得。
3.根据权利要求2所述的一种新能源发电功率预测方法，其特征在于，根据光伏电源及风力电源的馈入功率及实时馈入功率调整氢储能策略。
4.根据权利要求3所述的一种新能源发电功率预测方法，其特征在于，所述氢储能策略调整的方法包括：
通过公式
Figure DEST_PATH_IMAGE042
计算出电解槽的数量n；
其中，L(t)为预测光伏电源馈入功率曲线；W（t）为预测风力电源馈入功率曲线；min()为最小值函数，[]为取整符号，p为单个电解槽制氢所需最低功率。
5.根据权利要求4所述的一种新能源发电功率预测方法，其特征在于，所述氢储能策略调整的方法还包括：
获取光伏电源实时输出功率
Figure DEST_PATH_IMAGE044
及风力电源实时输出功率
Figure DEST_PATH_IMAGE046
；
判断是否
Figure DEST_PATH_IMAGE048
：
若
Figure 424080DEST_PATH_IMAGE048
，则不通过电网进行供电；
否则通过公式
Figure DEST_PATH_IMAGE050
获得电网供电功率
Figure DEST_PATH_IMAGE052
。
6.根据权利要求4所述的一种新能源发电功率预测方法，其特征在于，将光伏电源实时输出功率
Figure DEST_PATH_IMAGE054
及风力电源实时输出功率
Figure DEST_PATH_IMAGE056
与电解槽设定功率值
Figure DEST_PATH_IMAGE058
进行比对，根据比对结果判断是否增加电解槽。
7.根据权利要求6所述的一种新能源发电功率预测方法，其特征在于，比对方法为：
若
Figure DEST_PATH_IMAGE060
，则保持当前电解槽数量；
若
Figure DEST_PATH_IMAGE062
，则增加
Figure DEST_PATH_IMAGE064
个电解槽数量；
Figure DEST_PATH_IMAGE066
Figure DEST_PATH_IMAGE068
。
8.根据权利要求7所述的一种新能源发电功率预测方法，其特征在于，比对方法还包括：
将电网供电功率
Figure DEST_PATH_IMAGE070
与预设阈值
Figure DEST_PATH_IMAGE072
进行比对：
若
Figure DEST_PATH_IMAGE074
，则减少
Figure DEST_PATH_IMAGE076
个电解槽数量；
若
Figure DEST_PATH_IMAGE078
，保持当前电解槽数量；
其中，
Figure DEST_PATH_IMAGE080
。
CN202211299523.1A 2022-10-24 2022-10-24 一种新能源发电功率预测方法 Active CN115441447B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211299523.1A CN115441447B (zh) 2022-10-24 2022-10-24 一种新能源发电功率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211299523.1A CN115441447B (zh) 2022-10-24 2022-10-24 一种新能源发电功率预测方法

Publications (2)

Publication Number Publication Date
CN115441447A CN115441447A (zh) 2022-12-06
CN115441447B true CN115441447B (zh) 2023-01-17

Family

ID=84252509

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211299523.1A Active CN115441447B (zh) 2022-10-24 2022-10-24 一种新能源发电功率预测方法

Country Status (1)

Country Link
CN (1) CN115441447B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116413509B (zh) * 2023-06-05 2023-08-29 江苏扬子鑫福造船有限公司 一种大容量冷箱系统功率监测调节方法
CN117411088B (zh) * 2023-12-13 2024-02-27 山东鼎鑫能源工程有限公司 一种光伏发电系统的运行控制方法及光伏发电系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102244483A (zh) * 2011-03-22 2011-11-16 苏州市思玛特电力科技有限公司 基于气象信息的光伏发电有功功率在线评估方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011159199A (ja) * 2010-02-03 2011-08-18 Gifu Univ 太陽光発電装置の発電量予測システム及び発電量予測方法
CN107133685B (zh) * 2016-02-26 2020-07-28 华为技术有限公司 光伏发电系统发电量的预测方法及预测系统
CN106372749B (zh) * 2016-08-29 2019-07-02 南京国电南自维美德自动化有限公司 基于云变分析的超短期光伏功率预测方法
CN110598898B (zh) * 2019-07-30 2022-07-05 深圳供电局有限公司 一种基于开放获取天气数据的光伏预测方法、系统以及存储介质
CN113690938A (zh) * 2021-08-31 2021-11-23 河北建投新能源有限公司 一种基于功率模型预测的制氢系统控制方法
CN115130785A (zh) * 2022-08-10 2022-09-30 南京工程学院 一种可再生能源制氢系统容量优化配置方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102244483A (zh) * 2011-03-22 2011-11-16 苏州市思玛特电力科技有限公司 基于气象信息的光伏发电有功功率在线评估方法

Also Published As

Publication number Publication date
CN115441447A (zh) 2022-12-06

Similar Documents

Publication Publication Date Title
CN115441447B (zh) 一种新能源发电功率预测方法
CN112257941B (zh) 基于改进型Bi-LSTM的光伏电站短期功率预测方法
Zhong et al. Prediction of photovoltaic power generation based on general regression and back propagation neural network
CN104021427A (zh) 一种基于因子分析的并网光伏电站日发电量预测方法
CN110334870B (zh) 基于门控循环单元网络的光伏电站短期功率预测方法
CN108614612B (zh) 太阳能光伏电池最大功率追踪方法和系统
CN110781458B (zh) 一种基于混合回归模型预测地表太阳辐照度的方法
CN114021420A (zh) 一种分布式光伏超短期发电功率预测方法及系统
CN113837426A (zh) 一种基于天气分型的光伏功率预测方法
CN114091316B (zh) 一种区域光伏发电量计算方法
CN117060407B (zh) 一种基于相似日划分的风电集群功率预测方法及系统
CN109767353A (zh) 一种基于概率分布函数的光伏发电功率预测方法
CN116611702A (zh) 一种面向楼宇综合能源管理的集成学习光伏发电预测方法
CN111815020A (zh) 一种基于太阳辐射气候特征识别的南墙辐射预测方法
CN111082446A (zh) 一种考虑电池自消耗的储能优化配置方法
CN110796292A (zh) 计及雾霾影响的光伏功率短期预测方法
CN110598896A (zh) 基于预测误差校正的光伏功率预测方法
Miao et al. Harnessing climate variables for predicting PV power output: A backpropagation neural network analysis in a subtropical climate region
CN112116127B (zh) 一种基于气象过程与功率波动关联的光伏功率预测方法
CN115544895A (zh) 光伏电站年出力保证率模型优化方法
CN113437938B (zh) 考虑因地域差异的现场特征的光伏阵列输出功率计算方法
CN111626645B (zh) 一种未来年储能配置容量测算方法及系统
CN109347434B (zh) 一种计及老化时光伏发电功率的方法
CN117669391B (zh) 一种基于深度学习的短期光伏功率预测方法
Zhiwen Research on Prediction Model of Photovoltaic Power Generation Based on Nonlinear Regression Based on BP Neural Network

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