CN115689067A - 太阳辐照度预测方法、装置及存储介质 - Google Patents
太阳辐照度预测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN115689067A CN115689067A CN202211720332.8A CN202211720332A CN115689067A CN 115689067 A CN115689067 A CN 115689067A CN 202211720332 A CN202211720332 A CN 202211720332A CN 115689067 A CN115689067 A CN 115689067A
- Authority
- CN
- China
- Prior art keywords
- element information
- irradiance
- data
- solar irradiance
- determining
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000010219 correlation analysis Methods 0.000 claims abstract description 19
- 238000005259 measurement Methods 0.000 claims description 33
- 230000005684 electric field Effects 0.000 claims description 24
- 238000000513 principal component analysis Methods 0.000 claims description 12
- 238000001556 precipitation Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000010248 power generation Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 13
- 230000005855 radiation Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012805 post-processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Landscapes
- Photometry And Measurement Of Optical Pulse Characteristics (AREA)
Abstract
本申请实施例提供一种太阳辐照度预测方法、装置及存储介质,属于光伏发电技术领域。该太阳辐照度预测方法包括:基于实测数据和数值天气预报数据确定第一气象要素信息;基于对所述第一气象要素信息进行相关性分析确定第二气象要素信息;将第二气象要素信息输入回归模型进行训练,得到太阳辐照度。本申请实施例提供的太阳辐照度预测方法、装置及存储介质,通过实测数据和数值天气预报数据共同确定气象要素信息,并对该气象要素信息进行相关性分析,得到影响太阳辐照度的主要气象要素信息,并将其输入回归模型中进行训练,得到优化后的太阳辐照度预测数据。
Description
技术领域
本申请涉及光伏发电技术领域,尤其涉及一种太阳辐照度预测方法、装置及存储介质。
背景技术
光伏发电技术利用清洁可再生的太阳能进行发电,而太阳能具有一定的间歇性和随机性,受太阳辐照度、太阳辐射角度、季节等因素的影响较大。其中,光伏发电功率与太阳辐照度直接相关,对太阳辐照度进行预测从而对光伏发电功率进行预测,结合预测的发电功率合理安排发电计划,保证电网的稳定运行。
现有技术中对太阳辐照度的预测主要通过数值天气预报(Numerical WeatherPrediction,NWP)方法,预测未来一定时段的大气运动状态和天气现象,然后根据预测结果结合统计学原理对太阳辐照度进行订正,得到最终的太阳辐照度预测结果。
但现有的对太阳辐照度的预测方法中,预测的准确性受气象要素的选择的影响,而且对于多云阴天以及多变的天气情况,现有的辐照度预测方法的预测效果并不稳定,预测的准确性低。
发明内容
本申请实施例提供一种太阳辐照度预测方法、装置及存储介质,用以解决现有技术中太阳辐照度预测的准确性低的技术问题。
第一方面,本申请实施例提供一种太阳辐照度预测方法,包括:
基于实测数据和数值天气预报数据确定第一气象要素信息;
对所述第一气象要素信息进行相关性分析得到第二气象要素信息;
将第二气象要素信息输入回归模型进行训练,得到太阳辐照度。
在一些实施例中,所述第一气象要素信息包括以下信息中的一种或多种:
太阳天顶角;
地表辐照度;
晴空辐照度;
晴空指数;
地面温度;
相对湿度;
云覆盖率;
大气压强;
降水量;
风速;
太阳辐照度。
在一些实施例中,所述基于实测数据和数值天气预报数据确定第一气象要素信息,包括:
基于实测数据确定地表辐照度和晴空辐照度;
基于所述地表辐照度和所述晴空辐照度计算晴空指数;
基于所述地表辐照度、所述晴空辐照度、所述晴空指数以及数值天气预报数据确定第一气象要素信息。
在一些实施例中,所述基于所述地表辐照度、所述晴空辐照度、所述晴空指数以及数值天气预报数据确定第一气象要素信息,包括:
对数值天气预报数据进行插值,得到目标数值天气预报数据;
基于所述地表辐照度、所述晴空辐照度、所述晴空指数以及所述目标数值天气预报数据确定第一气象要素信息。
在一些实施例中,所述基于对所述第一气象要素信息进行相关性分析确定第二气象要素信息,包括:
对所述第一气象要素信息进行主成分分析得到预测因子;
基于所述预测因子确定第二气象要素信息。
在一些实施例中,所述方法还包括:
通过筛选光伏电场得到合格场站;
基于测量所述合格场站确定实测数据。
在一些实施例中,所述基于测量所述合格场站确定实测数据,包括:
测量所述合格场站得到初始测量数据;
剔除所述初始测量数据中的异常值,得到实测数据。
第二方面,本申请实施例提供一种太阳辐照度预测装置,包括:
第一确定模块,用于基于实测数据和数值天气预报数据确定第一气象要素信息;
分析模块,用于基于对所述第一气象要素信息进行相关性分析确定第二气象要素信息;
训练模块,用于将第二气象要素信息输入回归模型进行训练,得到太阳辐照度。
在一些实施例中,所述第一气象要素信息包括以下信息中的一种或多种:
太阳天顶角;
地表辐照度;
晴空辐照度;
晴空指数;
地面温度;
相对湿度;
云覆盖率;
大气压强;
降水量;
风速;
太阳辐照度。
在一些实施例中,还包括:
第二确定模块,用于基于实测数据确定地表辐照度和晴空辐照度;
计算模块,用于基于所述地表辐照度和所述晴空辐照度计算晴空指数;
第三确定模块,用于基于所述地表辐照度、所述晴空辐照度、所述晴空指数以及数值天气预报数据确定第一气象要素信息。
在一些实施例中,所述第三确定模块具体用于:
对数值天气预报数据进行插值,得到目标数值天气预报数据;
基于所述地表辐照度、所述晴空辐照度、所述晴空指数以及所述目标数值天气预报数据确定第一气象要素信息。
在一些实施例中,所述分析模块具体用于:
对所述第一气象要素信息进行主成分分析得到预测因子;
基于所述预测因子确定第二气象要素信息。
在一些实施例中,还包括:
筛选模块,用于通过筛选光伏电场得到合格场站;
第四确定模块,用于基于测量所述合格场站确定实测数据。
在一些实施例中,所述第四确定模块具体用于:
测量所述合格场站得到初始测量数据;
剔除所述初始测量数据中的异常值,得到实测数据。
第三方面,本申请实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述第一方面所述的太阳辐照度预测方法。
第四方面,本申请实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述第一方面所述的太阳辐照度预测方法。
本申请实施例提供的太阳辐照度预测方法、装置及存储介质,通过实测数据与数值天气预测数据共同确定多气象要素组合,并对组合中的各气象要素进行相关性分析,得到影响太阳辐照度的主要气象要素,提升了气象要素选择的合理性和准确性,将影响太阳辐照度的主要气象要素加入回归模型中训练得到太阳辐照度预测数据,提高了太阳辐照度预测的准确性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的太阳辐照度预测方法的流程示意图;
图2是本申请实施例提供的一种太阳辐照度预测装置的结构示意图;
图3是本申请实施例提供的电子设备的结构示意图。
具体实施方式
数值天气预报(Numerical Weather Prediction,NWP)是常用的一种气象预报方法,同时也是光伏发电预测的重要基础。但是由于气象模式初始条件和物理参数化的不确定性、地形的复杂多样等等,使得数值天气预报有着不可避免的误差。所以,通常数值天气预报需要结合后处理技术来减少预测偏差。
数值天气预报数据的后处理可以结合统计学方法,例如MOS(Model OutputStatistics),即确定一个目标变量和从一个数值天气模型的输出中得到的一组预测器之间的统计关系。利用统计学原理来改进数值天气预报的后处理模型被大量应用在太阳辐照度预测领域。而当前辐照度订正主要集中在回归理论研究上,其中,以线性回归、树模型、神经网络等为主。
大多数的辐照度订正研究都是在不同的数据集或其不同的子集上进行的,它们通常跨越了多个区域范围和时空,所以数据集的选择会直接影响回归方法的表现差异。而且,由于云层的类型、时间模式、水蒸气含量或气溶胶负荷的不同,不同类型的天气变化也会影响辐照度订正方法的性能效果。当前辐照度订正方法对于多云阴天、天气突变等情况的预报能力仍有不足,对于多变的天气情况,其预测水平仍不够稳定,导致太阳辐照度预测的准确性低。
基于上述技术问题,本申请实施例提出一种太阳辐照度预测方法,通过将实测数据与数值天气预报数据结合生成多气象要素组合,并对该多气象要素组合中的气象要素进行相关性分析,得到影响太阳辐照度的主要气象要素,将该主要气象要素加入回归模型中进行训练,输出优化后的太阳辐照度预测数据,提高了太阳辐照度预测的准确性。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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他实施例,都属于本申请保护的范围。
图1是本申请实施例提供的太阳辐照度预测方法的流程示意图,如图1所示,本申请实施例提供一种太阳辐照度预测方法。该方法包括:
步骤101、基于实测数据和数值天气预报数据确定第一气象要素信息。
具体地,在本申请实施例中,实测数据指对所选的多个光伏电场进行气象检测得到的数据,例如太阳天顶角、太阳高度角、大气逆辐射、地面长波辐射、地面温度等数据。
数值天气预报数据指采用数值天气预报方法得到的预测数据。可选地,选择更为准确的欧洲中期天气预报中心(European Centre for Medium-Range WeatherForecasts,ECMWF)生产的数据作为数值天气预报数据,以提高数值天气预报数据的准确性。
第一气象要素信息指实测数据包含的气象要素类型和具体数值,以及数值天气预报数据包含的气象要素类型和具体数值。即第一气象要素信息包括了通过测量光伏电场得到的气象要素信息,与通过数值天气预报直接输出的气象要素信息。
例如,通过对多个光伏电场进行测量,通过对测量数据进行计算,得到光伏电场的地表辐照度、晴空辐照度,并基于地表辐照度和晴空辐照度得到晴空辐照度;通过数值天气预报得到地面温度、相对湿度、云覆盖率、大气压强、降雨量、太阳辐照度、风速等多个气象要素数据;将上述所有气象要素及数据组合作为第一气象要素信息。
步骤102、对所述第一气象要素信息进行相关性分析得到第二气象要素信息。
具体地,对所述第一气象要素信息中的各气象要素进行相关性分析,筛选出影响太阳辐照度的主要气象要素及其数值作为第二气象要素信息。
例如,将通过实测和数值天气预报得到的气象要素进行主成分分析(PrincipalComponent Analysis,PCA),将重复的气象要素或关系紧密的气象要素进行清理,即将多余的气象要素删除,保留尽可能少的与太阳辐照度相关性更高的气象要素,即保留影响太阳辐照度的主要的气象要素,将该部分气象要素及其数值作为第二气象要素信息。
步骤103、将第二气象要素信息输入回归模型进行训练,得到太阳辐照度。
具体地,将第二气象要素作为回归模型的输入,利用回归模型进行训练,输出优化后的太阳辐照度。
可选地,所述回归模型可以为支持向量机(Support Vector Machine,SVM),也可以为通过贝叶斯回归、随机森林或自适应回归等方法建立的模型。
本申请实施例提供的太阳辐照度预测方法,基于光伏电场的实测数据与数值天气预报数据结合生成多气象要素组合,并对该多气象要素组合中的气象要素进行相关性分析,得到影响太阳辐照度的主要气象要素,将该主要气象要素加入回归模型中进行训练,输出优化后的太阳辐照度预测数据,提高了太阳辐照度预测的准确性。
在一些实施例中,所述第一气象要素信息包括以下信息中的一种或多种:
太阳天顶角;
地表辐照度;
晴空辐照度;
晴空指数;
地面温度;
相对湿度;
云覆盖率;
大气压强;
降水量;
风速;
太阳辐照度。
具体地,第一气象要素信息包括多个与太阳辐照度有关的气象因素,包括太阳天顶角、地表辐照度、晴空辐照度、晴空指数、地面温度、相对湿度、云覆盖率、大气压强、降水量、风速、太阳辐照度等多个气象要素。
例如,通过对光伏电场进行测量得到太阳天顶角、地面温度、大气逆辐射、地面长波辐射等数据,基于实测的数据计算地表辐照度、晴空辐照度等数据,然后基于地表辐照度和晴空辐照度计算晴空指数,并将地表辐照度、晴空辐照度和晴空指数加入到第一气象要素信息中。
通过数值天气预报获得地面温度、相对湿度、云覆盖率、大气压强、降水量、太阳辐照度、风速等气象要素,并将这些气象要素加入到第一气象要素信息中。
本申请实施例提供的太阳辐照度预测方法,将太阳天顶角、晴空指数等作为气象要素加入第一气象要素信息中,进一步减少了突发多变天气给太阳辐照度预测带来的不稳定性,提高了太阳辐照度预测的准确性。
在一些实施例中,所述基于实测数据和数值天气预报数据确定第一气象要素信息,包括:
基于实测数据确定地表辐照度和晴空辐照度;
基于所述地表辐照度和所述晴空辐照度计算晴空指数;
基于所述地表辐照度、所述晴空辐照度、所述晴空指数以及数值天气预报数据确定第一气象要素信息。
具体地,对光伏电厂进行测量得到实测数据,所述实测数据包括场站基础信息,例如场站的经纬度坐标及其他位置信息、太阳天顶角、地面温度、大气逆辐射、地面长波辐射等,基于实测数据计算电场的地表辐照度和晴空辐照度,然后将数值天气预报数据与计算获得的地表辐照度和晴空辐照度综合起来作为第一气象要素信息。
例如,通过光伏电厂的实测数据计算得到光伏电厂的地表辐照度V1和晴空辐照度V2,用V1除以V2计算得到晴空指数Kc,将V1、V2、Kc加入到第一气象要素信息中,此外实测数据中的太阳天顶角等气象要素及其数值也加入到第一气象要素信息中。再选择ECMWF所产生的数据确定数值天气预报数据,例如地面温度、相对湿度、云覆盖率、大气压强、降水量、风速、太阳辐照度等加入到该第一气象要素信息中。
本申请实施例提供的太阳辐照度预测方法,将地表辐照度、晴空辐照度以及晴空指数等作为预测太阳辐照度的气象因素,减小了天气的多变性带来的辐照度预测效果的不稳定性,提升了预测的稳定性和准确性,为光伏功率预测提供了更准确的数据支持。
在一些实施例中,所述基于所述地表辐照度、所述晴空辐照度、所述晴空指数以及数值天气预报数据确定第一气象要素信息,包括:
对数值天气预报数据进行插值,得到目标数值天气预报数据;
基于所述地表辐照度、所述晴空辐照度、所述晴空指数以及所述目标数值天气预报数据确定第一气象要素信息。
具体地,通过插值方法对数值天气预报数据进行处理,使每个气象要素对应的数据通过插值在时间上连续,得到目标数值天气预报数据,将该目标数值天气预报数据加入到第一气象要素信息中。
例如,选择ECMWF所产生的数值天气预报数据来提取气象要素信息,并通过插值方法提取光伏电场气象要素逐分钟级数据,得到目标数值天气预报数据,包括地面温度、相对湿度、云覆盖率、大气压强、降水量、风速、太阳辐照度等。将由实测数据得到的太阳天顶角、地表辐照度、晴空辐照度、晴空指数等数据以及目标数值天气预报数据组合得到第一气象要素信息。
本申请实施例提供的太阳辐照度预测方法,通过插值方法对数值天气预报数据进行处理,使基于数值天气预报方法获得的离散预报数据,补插为连续时间上的连续取值,便于后续的太阳辐照度预测。
在一些实施例中,所述基于对所述第一气象要素信息进行相关性分析确定第二气象要素信息,包括:
对所述第一气象要素信息进行主成分分析得到预测因子;
基于所述预测因子确定第二气象要素信息。
具体地,对所述第一气象要素信息中的气象要素进行主成分分析,筛选出与太阳辐照度相关的气象要素作为预测因子,保留相关性更高的预测因子作为第二气象要素信息中的气象要素。
例如,对第一气象要素信息中的气象要素进行主成分分析,筛选出与太阳辐照度相关的气象要素,并将多余的气象要素信息(例如重复的气象要素数据或者关系紧密的气象要素)删除,得到预测因子为地表温度、大气压强、太阳辐照度、晴空辐照度、晴空指数、降水量、风速、云覆盖率、相对湿度、太阳天顶角,然后将预测因子作为第二气象要素信息中的气象要素,并将预测因子对应的气象要素数值添加到第二气象要素信息中。
本申请实施例提供的太阳辐照度预测方法,通过对选择的气象要素进行进一步处理,如利用主成分分析方法,选择了主要影响太阳辐照度的气象要素作为训练数据,提升了太阳辐照度预测的准确率的同时,选择出影响太阳辐照度的主要气象要素作为最终的气象要素组合,加入到回归模型中进行训练,减少了回归模型的训练数据量,减轻了回归模型的训练压力,提升了训练或预测效率。
在一些实施例中,所述方法还包括:
通过筛选光伏电场得到合格场站;
基于测量所述合格场站确定实测数据。
具体地,对若干光伏电场进行数据质量判断,排除掉数据质量不合格的场站,如排除太阳天顶角大于设定阈值的场站,得到合格场站,对筛选出的合格场站进行气象数据的测量,得到实测数据。
其中,合格场站指能够用于太阳辐照度预测的场站,通过排除掉数据质量不合格的场站得到,例如,排除掉连续十天或十天以上实测数据为0和/或负数的场站;再例如,排除掉连续十天或十天以上实测数据大于实际晴空辐照度数据的场站。
例如,设置太阳天顶角的阈值为75度,若光伏电场的太阳天顶角大于该阈值,则不考虑使用该场站的数据作为实测数据,判断该场站为不合格场站。排除所有不合格场站后得到合格场站,对合格场站进行测量,测量的数据包括太阳天顶角、地表辐照度等,即实测数据。
本申请实施例提供的太阳辐照度预测方法,通过对光伏电场进行筛选,排除掉数据质量不合格的场站,并可以将直接影响太阳辐照度的太阳天顶角作为筛选条件之一,将太阳天顶角大于某一阈值的场站划分为不合格场站,从而保障获取到有效数据进行预测,并通过减少不合格数据提高了预测效率,减小了数据质量不合格的数据对预测结果的影响,提升了预测的准确性。
在一些实施例中,所述基于测量所述合格场站确定实测数据,包括:
测量所述合格场站得到初始测量数据;
剔除所述初始测量数据中的异常值,得到实测数据。
具体地,对合格场站进行测量得到初始测量数据,对该初始测量数据进行数据质量控制,剔除初始测量数据中的异常值,得到合格的数据作为实测数据。
例如,剔除初始测量数据中的夜间测量值为0的辐照度值、大于某一设定阈值的测量值、小于某一设定阈值的测量值、NaN(Not a Number,非数)值等。其中,阈值的设定可根据不同测量环境以及不同预测需求灵活取值。
本申请实施例提供的太阳辐照度预测方法,对光伏电场的测量数据进行进一步优化处理,剔除初始测量数据中的异常值,用剩下的测量数据作为实测数据进行后续的预测,提高了选择的数据的质量,从而提高了太阳辐照度预测的准确性。
下面通过具体示例对上述实施例中的方法进行进一步说明。
通过获取实测数据以及数值天气预报数据,从中提取预测因子,将该预测因子加入到回归模型中进行训练,得到优化后的太阳辐照度预测结果,具体步骤如下:
步骤1:选取若干光伏电场,排除掉数据质量不合格场站和太阳天顶角大于75度的场站,并对合格场站进行气象数据的测量。
步骤2:对所选电场实测的气象数据如辐照度进行数据质量控制,剔除异常值(其中包括夜间非0值、NAN值、过大值等)。
步骤3:整理实测数据,获得电场地表辐照度(surface solar irradiance)V1逐15分钟数据。
步骤4:利用晴空理论计算晴空辐照度,获得电场晴空辐照度(clear skyirradiance)V2逐15分钟数据。
步骤5:通过上述步骤3、步骤4所得的数据V1、V2,计算晴空指数Kc,Kc的计算式为Kc=V1/V2。
步骤6:选择预报更为准确的欧洲中期天气预报中心(ECMWF)所生产的EC预报数据,作为数值天气预报数据。
步骤7:通过插值方法提取光伏电场气象要素逐15分钟数据,包括地面2米温度(2m温度)、相对湿度、总云覆盖率、大气压强、降雨量、太阳辐照度、风速等多个气象要素的数据。
步骤8:综合步骤1、步骤2确定气象要素数据包括2m温度、相对湿度、总云覆盖率、大气压强、降雨量、风速、太阳辐照度、太阳天顶角、地表辐照度、晴空辐照度、晴空指数等。
步骤9:利用PCA主成分分析筛选相关的预测因子,从而保留相关性更高的气象要素作为最终选择的气象要素。
步骤10:利用回归理论模型如SVM支持向量机进行训练,得到订正或优化后的太阳辐照度预测数据。
本申请实施例提供的太阳辐照度预测方法,基于光伏电场的实测数据与数值天气预报数据结合生成多气象要素组合,并对该多气象要素组合中的气象要素进行相关性分析,得到影响太阳辐照度的主要气象要素,将该主要气象要素加入回归模型中进行训练,输出优化后的太阳辐照度预测数据,提高了太阳辐照度预测的准确性。
图2是本申请实施例提供的一种太阳辐照度预测装置的结构示意图,如图2所示,本申请实施例提供一种太阳辐照度预测装置,包括第一确定模块201、分析模块202和训练模块203,其中:
第一确定模块201用于基于实测数据和数值天气预报数据确定第一气象要素信息;
分析模块202用于基于对所述第一气象要素信息进行相关性分析确定第二气象要素信息;
训练模块203用于将第二气象要素信息输入回归模型进行训练,得到太阳辐照度。
在一些实施例中,所述第一气象要素信息包括以下信息中的一种或多种:
太阳天顶角;
地表辐照度;
晴空辐照度;
晴空指数;
地面温度;
相对湿度;
云覆盖率;
大气压强;
降水量;
风速;
太阳辐照度。
在一些实施例中,还包括:
第二确定模块,用于基于实测数据确定地表辐照度和晴空辐照度;
计算模块,用于基于所述地表辐照度和所述晴空辐照度计算晴空指数;
第三确定模块,用于基于所述地表辐照度、所述晴空辐照度、所述晴空指数以及数值天气预报数据确定第一气象要素信息。
在一些实施例中,所述第三确定模块具体用于:
对数值天气预报数据进行插值,得到目标数值天气预报数据;
基于所述地表辐照度、所述晴空辐照度、所述晴空指数以及所述目标数值天气预报数据确定第一气象要素信息。
在一些实施例中,所述分析模块具体用于:
对所述第一气象要素信息进行主成分分析得到预测因子;
基于所述预测因子确定第二气象要素信息。
在一些实施例中,还包括:
筛选模块,用于通过筛选光伏电场得到合格场站;
第四确定模块,用于基于测量所述合格场站确定实测数据。
在一些实施例中,所述第四确定模块具体用于:
测量所述合格场站得到初始测量数据;
剔除所述初始测量数据中的异常值,得到实测数据。
具体地,本申请实施例提供的上述太阳辐照度预测装置,能够实现上述太阳辐照度预测方法实施例所实现的所有方法步骤,且能够达到相同的技术效果,在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
图3是本申请实施例提供的电子设备的结构示意图,如图3所示,该电子设备可以包括:处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340,其中,处理器310,通信接口320,存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令,以执行太阳辐照度预测方法,该方法包括:
基于实测数据和数值天气预报数据确定第一气象要素信息;
对所述第一气象要素信息进行相关性分析得到第二气象要素信息;
将第二气象要素信息输入回归模型进行训练,得到太阳辐照度。
处理器310可以是中央处理器(Central Processing Unit,CPU)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或复杂可编程逻辑器件(Complex Programmable LogicDevice,CPLD),处理器也可以采用多核架构。
此外,上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在一些实施例中,所述第一气象要素信息包括以下信息中的一种或多种:
太阳天顶角;
地表辐照度;
晴空辐照度;
晴空指数;
地面温度;
相对湿度;
云覆盖率;
大气压强;
降水量;
风速;
太阳辐照度。
在一些实施例中,所述基于实测数据和数值天气预报数据确定第一气象要素信息,包括:
基于实测数据确定地表辐照度和晴空辐照度;
基于所述地表辐照度和所述晴空辐照度计算晴空指数;
基于所述地表辐照度、所述晴空辐照度、所述晴空指数以及数值天气预报数据确定第一气象要素信息。
在一些实施例中,所述基于所述地表辐照度、所述晴空辐照度、所述晴空指数以及数值天气预报数据确定第一气象要素信息,包括:
对数值天气预报数据进行插值,得到目标数值天气预报数据;
基于所述地表辐照度、所述晴空辐照度、所述晴空指数以及所述目标数值天气预报数据确定第一气象要素信息。
在一些实施例中,所述基于对所述第一气象要素信息进行相关性分析确定第二气象要素信息,包括:
对所述第一气象要素信息进行主成分分析得到预测因子;
基于所述预测因子确定第二气象要素信息。
在一些实施例中,所述方法还包括:
通过筛选光伏电场得到合格场站;
基于测量所述合格场站确定实测数据。
在一些实施例中,所述基于测量所述合格场站确定实测数据,包括:
测量所述合格场站得到初始测量数据;
剔除所述初始测量数据中的异常值,得到实测数据。
需要说明的是,本申请上述各实施例中对单元/模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
在一些实施例中,还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的太阳辐照度预测方法,该方法包括:
基于实测数据和数值天气预报数据确定第一气象要素信息;
对所述第一气象要素信息进行相关性分析得到第二气象要素信息;
将第二气象要素信息输入回归模型进行训练,得到太阳辐照度。
具体地,本申请实施例提供的上述计算机可读存储介质,能够实现上述各方法实施例所实现的所有方法步骤,且能够达到相同的技术效果,在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
需要说明的是:所述计算机可读存储介质可以是处理器能够存取的任何可用介质或数据存储设备,包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NAND FLASH)、固态硬盘(SSD))等。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
另外需要说明的是:本申请实施例中术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换,以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施,且“第一”、“第二”所区别的对象通常为一类,并不限定对象的个数,例如第一对象可以是一个,也可以是多个。
本申请实施例中术语“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
本申请实施例中术语“多个”是指两个或两个以上,其它量词与之类似。
本申请中的“基于A确定B”表示确定B时要考虑A这个因素。并不限于“只基于A就可以确定出B”,还应包括:“基于A和C确定B”、“基于A、C和E确定B”、基于“A确定C,基于C进一步确定B”等。另外还可以包括将A作为确定B的条件,例如,“当A满足第一条件时,使用第一方法确定B”;再例如,“当A满足第二条件时,确定B”等;再例如,“当A满足第三条件时,基于第一参数确定B”等。当然也可以是将A作为确定B的因素的条件,例如,“当A满足第一条件时,使用第一方法确定C,并进一步基于C确定B”等。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机可执行指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机可执行指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些处理器可执行指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的处理器可读存储器中,使得存储在该处理器可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些处理器可执行指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种太阳辐照度预测方法,其特征在于,包括:
基于实测数据和数值天气预报数据确定第一气象要素信息;
对所述第一气象要素信息进行相关性分析得到第二气象要素信息;
将第二气象要素信息输入回归模型进行训练,得到太阳辐照度。
2.根据权利要求1所述的太阳辐照度预测方法,其特征在于,所述第一气象要素信息包括以下信息中的一种或多种:
太阳天顶角;
地表辐照度;
晴空辐照度;
晴空指数;
地面温度;
相对湿度;
云覆盖率;
大气压强;
降水量;
风速;
太阳辐照度。
3.根据权利要求1所述的太阳辐照度预测方法,其特征在于,所述基于实测数据和数值天气预报数据确定第一气象要素信息,包括:
基于实测数据确定地表辐照度和晴空辐照度;
基于所述地表辐照度和所述晴空辐照度计算晴空指数;
基于所述地表辐照度、所述晴空辐照度、所述晴空指数以及数值天气预报数据确定第一气象要素信息。
4.根据权利要求3所述的太阳辐照度预测方法,其特征在于,所述基于所述地表辐照度、所述晴空辐照度、所述晴空指数以及数值天气预报数据确定第一气象要素信息,包括:
对数值天气预报数据进行插值,得到目标数值天气预报数据;
基于所述地表辐照度、所述晴空辐照度、所述晴空指数以及所述目标数值天气预报数据确定第一气象要素信息。
5.根据权利要求1所述的太阳辐照度预测方法,其特征在于,所述对所述第一气象要素信息进行相关性分析得到第二气象要素信息,包括:
对所述第一气象要素信息进行主成分分析得到预测因子;
基于所述预测因子确定第二气象要素信息。
6.根据权利要求1所述的太阳辐照度预测方法,其特征在于,所述方法还包括:
通过筛选光伏电场得到合格场站;
基于测量所述合格场站确定实测数据。
7.根据权利要求6所述的太阳辐照度预测方法,其特征在于,所述基于测量所述合格场站确定实测数据,包括:
测量所述合格场站得到初始测量数据;
剔除所述初始测量数据中的异常值,得到实测数据。
8.一种太阳辐照度预测装置,其特征在于,包括:
第一确定模块,用于基于实测数据和数值天气预报数据确定第一气象要素信息;
分析模块,用于对所述第一气象要素信息进行相关性分析得到第二气象要素信息;
训练模块,用于将第二气象要素信息输入回归模型进行训练,得到太阳辐照度。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述太阳辐照度预测方法。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述太阳辐照度预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211720332.8A CN115689067A (zh) | 2022-12-30 | 2022-12-30 | 太阳辐照度预测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211720332.8A CN115689067A (zh) | 2022-12-30 | 2022-12-30 | 太阳辐照度预测方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115689067A true CN115689067A (zh) | 2023-02-03 |
Family
ID=85057008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211720332.8A Pending CN115689067A (zh) | 2022-12-30 | 2022-12-30 | 太阳辐照度预测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115689067A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117828488A (zh) * | 2024-03-05 | 2024-04-05 | 华北电力大学 | 一种基于随机森林与稳健回归的太阳辐射度预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180039891A1 (en) * | 2016-08-02 | 2018-02-08 | International Business Machines Corporation | Solar forecasting using machine learned cloudiness classification |
CN110781458A (zh) * | 2019-10-30 | 2020-02-11 | 云南师范大学 | 一种基于混合回归模型预测地表太阳辐照度的方法 |
CN112801427A (zh) * | 2021-04-08 | 2021-05-14 | 国能日新科技股份有限公司 | 基于XGBoost的光伏辐照度预报方法及系统 |
-
2022
- 2022-12-30 CN CN202211720332.8A patent/CN115689067A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180039891A1 (en) * | 2016-08-02 | 2018-02-08 | International Business Machines Corporation | Solar forecasting using machine learned cloudiness classification |
CN110781458A (zh) * | 2019-10-30 | 2020-02-11 | 云南师范大学 | 一种基于混合回归模型预测地表太阳辐照度的方法 |
CN112801427A (zh) * | 2021-04-08 | 2021-05-14 | 国能日新科技股份有限公司 | 基于XGBoost的光伏辐照度预报方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117828488A (zh) * | 2024-03-05 | 2024-04-05 | 华北电力大学 | 一种基于随机森林与稳健回归的太阳辐射度预测方法 |
CN117828488B (zh) * | 2024-03-05 | 2024-05-28 | 华北电力大学 | 一种基于随机森林与稳健回归的太阳辐射度预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ozoegwu | Artificial neural network forecast of monthly mean daily global solar radiation of selected locations based on time series and month number | |
CN107832881B (zh) | 考虑负荷水平和风速分段的风电功率预测误差评价方法 | |
CN111709569B (zh) | 风电场输出功率预测修正方法及装置 | |
Junior et al. | Forecasting regional photovoltaic power generation-a comparison of strategies to obtain one-day-ahead data | |
CN114330935B (zh) | 基于多种结合策略集成学习的新能源功率预测方法和系统 | |
Liao et al. | Ultra-short-term interval prediction of wind power based on graph neural network and improved bootstrap technique | |
CN114493052B (zh) | 多模型融合自适应新能源功率预测方法和系统 | |
CN112508299A (zh) | 一种电力负荷预测方法、装置、终端设备及存储介质 | |
CN114911788B (zh) | 一种数据插补方法、装置及存储介质 | |
CN117117819A (zh) | 一种光伏发电短期功率预测方法、系统、设备和介质 | |
CN115689067A (zh) | 太阳辐照度预测方法、装置及存储介质 | |
CN114169434A (zh) | 一种负荷预测方法 | |
CN116799796A (zh) | 一种光伏发电功率预测方法、装置、设备及介质 | |
CN114330934A (zh) | 一种模型参数自适应的gru新能源短期发电功率预测方法 | |
CN116739172B (zh) | 一种基于爬坡识别的海上风电功率超短期预测方法及装置 | |
CN112016744B (zh) | 一种基于土壤水分的森林火灾预测方法、装置及存储介质 | |
TW201740296A (zh) | 再生能源發電量預測方法與系統 | |
Heydari et al. | A new combined PV output power forecasting model based on optimized LSTM network | |
Muschinski et al. | Predicting power ramps from joint distributions of future wind speeds | |
KR20230066927A (ko) | 발전량 예측 방법 및 장치 | |
CN115563848A (zh) | 一种基于深度学习的分布式光伏总辐射预测方法及系统 | |
Huang et al. | Probabilistic prediction intervals of wind speed based on explainable neural network | |
Pham et al. | LS-SPP: A LSTM-Based Solar Power Prediction Method from Weather Forecast Information | |
CN112215383A (zh) | 一种分布式光伏发电功率预测方法和系统 | |
Javed et al. | Forecasting of electricity generation for hydro power plants |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230203 |
|
RJ01 | Rejection of invention patent application after publication |