CN116365508A - 一种基于气候模式的光伏电站发电量预测方法及系统 - Google Patents
一种基于气候模式的光伏电站发电量预测方法及系统 Download PDFInfo
- Publication number
- CN116365508A CN116365508A CN202310222044.8A CN202310222044A CN116365508A CN 116365508 A CN116365508 A CN 116365508A CN 202310222044 A CN202310222044 A CN 202310222044A CN 116365508 A CN116365508 A CN 116365508A
- Authority
- CN
- China
- Prior art keywords
- climate
- power generation
- prediction
- data
- historical
- 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 25
- 238000010248 power generation Methods 0.000 claims abstract description 112
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 16
- 230000004907 flux Effects 0.000 claims description 12
- 230000032683 aging Effects 0.000 claims description 11
- 230000010354 integration Effects 0.000 claims description 8
- 230000005855 radiation Effects 0.000 claims description 8
- 238000012847 principal component analysis method Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002349 favourable effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于气候模式的光伏电站发电量预测方法及系统,属于电站管理技术领域,方法包括:构建气候预测模型和发电功率预测模型;通过气候预测模型得到各个气候因子的预测结果;获取历史发电功率数据以及相应的历史气候数据;根据气候因子的预测结果,分析在历史气候数据中是否存在类似气候数据;在存在类似气候数据的情况下,从历史发电功率数据中查询类似气候数据对应的发电功率,并直接作为发电功率预测值;在不存在类似气候数据的情况下,通过气候因子的预测结果计算辐照度预测值;根据辐照度预测值计算发电功率预测值;对发电功率预测值按照时间进行积分,得到逐小时、逐日、逐月、逐年的发电量预测数据。
Description
技术领域
本发明属于电站管理技术领域,具体涉及一种基于气候模式的光伏电站发电量预测方法及系统。
背景技术
光伏发电作为可再生能源发电方式的重要形式,具有清洁、无污染、可持续的优点,发展前景极为广阔。由于受到诸多因素影响,光伏发电功率具有波动性、间歇性和非线性的特点,光伏大规模并网容易对电网造成冲击,影响电网正常安全运行,并且准确的光电预测对于确定合理的调度计划和确保电网安全、经济运行具有重要意义。
现有的光伏发电功率预测方法多依赖于历史观测资料,不利于复杂天气的光伏出力预测,光伏电站发电量的预测准确性低,难以确定合理的调度计划,对电网安全造成影响。
发明内容
为了解决现有的光伏发电功率预测方法多依赖于历史观测资料,不利于复杂天气的光伏出力预测,光伏电站发电量的预测准确性低,难以确定合理的调度计划,对电网安全造成影响的技术问题,本发明提供一种基于气候模式的光伏电站发电量预测方法及系统。
第一方面
本发明提供一种基于气候模式的光伏电站发电量预测方法,包括:
S101:构建气候预测模型和发电功率预测模型,其中,气候预测模型的输出端连接发电功率预测模型的输入端;
S102:通过气候预测模型对不同区域进行气候预测,以得到各个气候因子的预测结果,其中气候因子包括:湿度、地表温度、露点温度、空气温度、风速、风向、到达底面短波辐射通量、短时风场变化、短时气压变化和气压;
S103:将气候因子的预测结果输入至发电功率预测模型;
S104:获取历史发电功率数据以及相应的历史气候数据;
S105:根据气候因子的预测结果,分析在历史气候数据中是否存在类似气候数据;
S106:在存在类似气候数据的情况下,从历史发电功率数据中查询类似气候数据对应的发电功率,并直接作为发电功率预测值;
S107:在不存在类似气候数据的情况下,通过气候因子的预测结果计算辐照度预测值;
S108:根据辐照度预测值计算发电功率预测值;
S109:对发电功率预测值按照时间进行积分,得到逐小时、逐日、逐月、逐年的发电量预测数据。
第二方面
本发明提供一种基于气候模式的光伏电站发电量预测系统,包括:
构建模块,用于构建气候预测模型和发电功率预测模型,其中,气候预测模型的输出端连接发电功率预测模型的输入端;
预测模块,用于通过气候预测模型对不同区域进行气候预测,以得到各个气候因子的预测结果,其中气候因子包括:湿度、地表温度、露点温度、空气温度、风速、风向、到达底面短波辐射通量、短时风场变化、短时气压变化和气压;
输入模块,用于将气候因子的预测结果输入至发电功率预测模型;
获取模块,用于获取历史发电功率数据以及相应的历史气候数据;
分析模块,用于根据气候因子的预测结果,分析在历史气候数据中是否存在类似气候数据;
查询模块,用于在存在类似气候数据的情况下,从历史发电功率数据中查询类似气候数据对应的发电功率,并直接作为发电功率预测值;
第一计算模块,用于在不存在类似气候数据的情况下,通过气候因子的预测结果计算辐照度预测值;
第二计算模块,用于根据辐照度预测值计算发电功率预测值;
积分模块,用于对发电功率预测值按照时间进行积分,得到逐小时、逐日、逐月、逐年的发电量预测数据。
与现有技术相比,本发明至少具有以下有益技术效果:
在本发明中,基于气候预测数据计算辐照度预测值,根据辐照度预测值计算发电功率预测值,进而对发电功率预测值按照时间进行积分,得到逐小时、逐日、逐月、逐年的发电量预测数据。可以对光伏电站的发电量进行准确的预测,有助于确定合理的调度计划,保障电网安全。
附图说明
下面将以明确易懂的方式,结合附图说明优选实施方式,对本发明的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是本发明提供的一种基于气候模式的光伏电站发电量预测方法的流程示意图;
图2是本发明提供的一种模型结构示意图;
图3是本发明提供的一种基于气候模式的光伏电站发电量预测系统的结构示意图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对照附图说明本发明的具体实施方式。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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,并获得其他的实施方式。
为使图面简洁,各图中只示意性地表示出了与发明相关的部分,它们并不代表其作为产品的实际结构。另外,以使图面简洁便于理解,在有些图中具有相同结构或功能的部件,仅示意性地绘示了其中的一个,或仅标出了其中的一个。在本文中,“一个”不仅表示“仅此一个”,也可以表示“多于一个”的情形。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
在本文中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
另外,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在一个实施例中,参考说明书附图1,本发明提供的一种基于气候模式的光伏电站发电量预测方法的流程示意图。参考说明书附图2,本发明提供的一种模型结构示意图。
本发明提供的一种基于气候模式的光伏电站发电量预测方法,包括:
S101:构建气候预测模型和发电功率预测模型。
其中,气候预测模型的输出端连接发电功率预测模型的输入端,也就是说,气候预测模型得出的数据可直接用于在发电功率预测模型中进行发电功率预测。
S102:通过气候预测模型对不同区域进行气候预测,以得到各个气候因子的预测结果。
其中,气候因子包括但不限于:湿度、地表温度、露点温度、空气温度、风速、风向、到达底面短波辐射通量、短时风场变化、短时气压变化和气压。
需要说明的是,以上的气候因子均会对光伏电站的发电量造成不同程度的影响。
在一种可能的实施方式中,S102具体包括子步骤S1021至S1026:
S1021:通过欧拉控制方程组构建气候预测模型。
S1022:通过地形跟随质量构建欧拉控制方程组的垂直坐标z:
其中,Ph表示实际坐标点的气压、Pht表示底层气压、Phs表示顶层气压,μ(X,Y)表示区域单位面积的大气质量,(X,Y)表示二维坐标,z的模式底层值为1,模式顶层值为0。
此时,欧拉控制方程组的通量形式可表示为:
V=μv=(U,V,W)
Ω=μz
Θ=μθ
其中,v=(u,v,w),w=z,θ表示温度,U和V表示水平风速矢量,W表示垂直风速矢量。
其中,α表示任意常量,γ=1.4,Rd表示干空气气体常量,p0表示标准气压。
S1024:在水平方向上,按照Arakawa-C网格进行差分处理,将水平风速矢量U和V、垂直风速矢量W定义在Arakawa-C网格的边界上,温度、湿度、气压等标量被定义在网格的中央,并多重网格进行嵌套积分。
需要说明的是,采用不同分辨率的多重网格嵌套进行积分,母网格与其内嵌套的子网格空间步长为奇数比,在同一个时间步长内,母网格根据外部边界条件进行积分计算,计算结果向子网格传递,作为进一步积分的边界条件,同时子网格将积分结果反馈回母网格,既提高了高分辨率积分计算的精度又提升了计算效率。
S1025:在时间方向上,采用Runge-Kutta算法进行积分。
需要说明的是,采用Runge-Kutta算法进行积分可以保证积分计算的准确性。
S1026:通过欧拉控制方程组对不同区域进行气候预测,以得到各个气候因子的预测结果。
S103:将气候因子的预测结果输入至发电功率预测模型。
具体地,将预测得到的不同区域的湿度、地表温度、露点温度、空气温度、风速、风向、到达底面短波辐射通量、短时风场变化、短时气压变化和气压输入至发电功率预测模型。
S104:获取历史发电功率数据以及相应的历史气候数据。
S105:根据气候因子的预测结果,分析在历史气候数据中是否存在类似气候数据。
具体地,在历史气候数据寻找是否存在某段时间的气候特征值与预测得到的气候因子的预测结果较为相似。
可选地,在历史气候数据中某段时间的气候特征值在湿度、地表温度、露点温度、空气温度、风速、风向、到达底面短波辐射通量、短时风场变化、短时气压变化和气压输入等方面与预测得到的气候因子的预测结果之间的差值均在预设范围内,可以认定为此段气候数据为类似气候数据。
S106:在存在类似气候数据的情况下,从历史发电功率数据中查询类似气候数据对应的发电功率,并直接作为发电功率预测值。
需要说明的是,类似气候特征下,光伏电站的发电量也是类似的,因此,可以利用类似气候数据的发电功率直接作为发电功率预测值。这样,可以减少算法的计算量,提升发电量预测的效率。
S107:在不存在类似气候数据的情况下,通过气候因子的预测结果计算辐照度预测值。
需要说明的是,不存在类似气候数据时,意味着之前的数据没有参考意义,需要进行进一步的计算。
在一种可能的实施方式中,S107具体包括子步骤S1071至S1077:
S1071:将历史气候数据分类为晴天数据、多云数据、阴天数据、晴转多云数据和多云转阴数据。
进一步地,还可以分类出雪天数据,在本发明中,为了提升计算效率,将雪天数据归类至阴天数据中。
需要说明的是,不同的气候条件下,气候因子对应的实际辐照度将会发生变化。
S1072:分析历史气候数据中各个气候因子与历史发电量的相关度。
进一步地,子步骤S1072具体包括:
S107A:令各个气候因子的预测结果为X,历史发电量为Y,气候因子的预测结果X的边际分布为F(X),历史发电量Y的边际分布为G(Y),构造气候因子的预测结果X与历史发电量Y之间的关联结构函数为C(a,b),a表示边际分布F(X),b表示边际分布G(Y)。
其中,关联结构函数C(a,b)可以反应气候因子的预测结果为X与历史发电量为Y之间的相关程度。
S107B:计算各个气候因子的预测结果X与历史发电量Y之间的相关度ω:
S1073:按照相关度的大小对各个气候因子进行降序排列。
S1074:通过主成分分析法,计算前N个气候因子的累计贡献率:
其中,M表示所有成分样本的总方差,Mi表示各成分样本的方差,m为成分种类数目。
S1075:在累计贡献率高于预设比例的情况下,将相应的气候因子作为实际辐照度的主要影响因子。
需要说明的是,对于光伏电站而言,其发电量与辐照度成正比,因此,发电量的主要影响因子同样可以理解为是辐照度的主要影响因子。
可选地,预设比例为80%,本领域技术人员可以根据实际需要选择预设比例的具体数值,本发明不做限定。
S1076:对主要影响因子进行多元逐步回归,建立按照天气分类的辐照度预报方程:
其中,Q表示辐照度,β表示主要影响因子的系数,Hi表示主要影响因子的特征值。
S1077:通过按照天气分类的辐照度预报方程对不同区域进行辐照度预测。
可以理解的是,晴天数据、多云数据、阴天数据、晴转多云数据和多云转阴数据中,每一类数据均有自己对应的辐照度预报方程。依据不同的气候模式从而选用不同的辐照度预报方程,可以提升发电量预测的准确性。例如,在气候预测结果为晴天时,应当选用晴天数据对应的辐照度预报方程进行辐照度预测。
S108:根据辐照度预测值计算发电功率预测值。
在一种可能的实施方式中,S108具体包括:
根据辐照度预测值S,通过以下公式计算发电功率预测值P:
P=η1η2η3SQ[1-0.005(T-25)]
其中,η1表示电池转换效率,η2表示系统老化系数,η3表示修正系数,S表示光伏阵列面积,T表示当前温度。
进一步地,光伏电站在使用过程中,器件将不可避免的发生老化,器件老化将不可避免的影响光伏电站的发电,老化系数η2的计算方式为:
根据历史发电功率数据,计算历史年平均发电功率。
对工作年限与历史年平均发电功率进行线性拟合,获取线性斜率,将线性斜率作为系统老化系数η2。
其中,在发电量预测的过程中引入系统老化系数可以提升发电量预测的准确性。
S109:对发电功率预测值按照时间进行积分,得到逐小时、逐日、逐月、逐年的发电量预测数据。
与现有技术相比,本发明至少具有以下有益技术效果:
在本发明中,基于气候预测数据计算辐照度预测值,根据辐照度预测值计算发电功率预测值,进而对发电功率预测值按照时间进行积分,得到逐小时、逐日、逐月、逐年的发电量预测数据。可以对光伏电站的发电量进行准确的预测,有助于确定合理的调度计划,保障电网安全。
实施例2
在一个实施例中,参考说明书附图3,本发明提供的一种基于气候模式的光伏电站发电量预测系统的结构示意图。
本发明提供的一种基于气候模式的光伏电站发电量预测系统30,包括:
构建模块301,用于构建气候预测模型和发电功率预测模型,其中,气候预测模型的输出端连接发电功率预测模型的输入端;
预测模块302,用于通过气候预测模型对不同区域进行气候预测,以得到各个气候因子的预测结果,其中气候因子包括:湿度、地表温度、露点温度、空气温度、风速、风向、到达底面短波辐射通量、短时风场变化、短时气压变化和气压;
输入模块303,用于将气候因子的预测结果输入至发电功率预测模型;
获取模块304,用于获取历史发电功率数据以及相应的历史气候数据;
分析模块305,用于根据气候因子的预测结果,分析在历史气候数据中是否存在类似气候数据;
查询模块306,用于在存在类似气候数据的情况下,从历史发电功率数据中查询类似气候数据对应的发电功率,并直接作为发电功率预测值;
第一计算模块307,用于在不存在类似气候数据的情况下,通过气候因子的预测结果计算辐照度预测值;
第二计算模块308,用于根据辐照度预测值计算发电功率预测值;
积分模块309,用于对发电功率预测值按照时间进行积分,得到逐小时、逐日、逐月、逐年的发电量预测数据。
在一种可能的实施方式中,预测模块302具体用于:
通过欧拉控制方程组构建气候预测模型;
通过地形跟随质量构建欧拉控制方程组的垂直坐标z:
其中,Ph表示实际坐标点的气压、Pht表示底层气压、Phs表示顶层气压,μ(X,Y)表示区域单位面积的大气质量,(X,Y)表示二维坐标;
欧拉控制方程组的通量形式可表示为:
V=μv=(U,V,W)
Ω=μz
Θ=μθ
其中,v=(u,v,w),w=z,θ表示温度,U和V表示水平风速矢量,W表示垂直风速矢量;
其中,α表示任意常量,γ=1.4,Rd表示干空气气体常量,p0表示标准气压;
在水平方向上,按照Arakawa-C网格进行差分处理,将水平风速矢量U和V、垂直风速矢量W定义在Arakawa-C网格的边界上,温度、湿度、气压等标量被定义在网格的中央,并多重网格进行嵌套积分;
在时间方向上,采用Runge-Kutta算法进行积分;
通过欧拉控制方程组对不同区域进行气候预测,以得到各个气候因子的预测结果。
在一种可能的实施方式中,第一计算模块307具体用于:
将历史气候数据分类为晴天数据、多云数据、阴天数据、晴转多云数据和多云转阴数据;
分析历史气候数据中各个气候因子与历史发电量的相关度;
按照相关度的大小对各个气候因子进行降序排列;
通过主成分分析法,计算前N个气候因子的累计贡献率:
其中,M表示所有成分样本的总方差,Mi表示各成分样本的方差,m为成分种类数目;
在累计贡献率高于预设比例的情况下,将相应的气候因子作为实际辐照度的主要影响因子;
对主要影响因子进行多元逐步回归,建立按照天气分类的辐照度预报方程:
其中,Q表示辐照度,β表示主要影响因子的系数,Hi表示主要影响因子的特征值;
通过按照天气分类的辐照度预报方程对不同区域进行辐照度预测。
在一种可能的实施方式中,第一计算模块307具体用于:
令各个气候因子的预测结果为X,历史发电量为Y,气候因子的预测结果X的边际分布为F(X),历史发电量Y的边际分布为G(Y),构造气候因子的预测结果X与历史发电量Y之间的关联结构函数为C(a,b),a表示边际分布F(X),b表示边际分布G(Y);
计算各个气候因子的预测结果X与历史发电量Y之间的相关度ω:
在一种可能的实施方式中,第二计算模块308具体用于:
根据辐照度预测值S,通过以下公式计算发电功率预测值P:
P=η1η2η3SQ[1-0.005(T-25)]
其中,η1表示电池转换效率,η2表示系统老化系数,η3表示修正系数,S表示光伏阵列面积,T表示当前温度。
在一种可能的实施方式中,老化系数η2的计算方式为:
根据历史发电功率数据,计算历史年平均发电功率;
对工作年限与历史年平均发电功率进行线性拟合,获取线性斜率,将线性斜率作为系统老化系数η2。
本发明提供的基于气候模式的光伏电站发电量预测系统30能够实现上述方法实施例中实现的各个过程,为避免重复,这里不再赘述。
本发明提供的虚拟系统可以是系统,也可以是终端中的部件、集成电路、或芯片。
与现有技术相比,本发明至少具有以下有益技术效果:
在本发明中,基于气候预测数据计算辐照度预测值,根据辐照度预测值计算发电功率预测值,进而对发电功率预测值按照时间进行积分,得到逐小时、逐日、逐月、逐年的发电量预测数据。可以对光伏电站的发电量进行准确的预测,有助于确定合理的调度计划,保障电网安全。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于气候模式的光伏电站发电量预测方法,其特征在于,包括:
S101:构建气候预测模型和发电功率预测模型,其中,所述气候预测模型的输出端连接所述发电功率预测模型的输入端;
S102:通过所述气候预测模型对不同区域进行气候预测,以得到各个气候因子的预测结果,其中所述气候因子包括:湿度、地表温度、露点温度、空气温度、风速、风向、到达地面短波辐射通量、短时风场变化、短时气压变化和气压;
S103:将所述气候因子的预测结果输入至所述发电功率预测模型;
S104:获取历史发电功率数据以及相应的历史气候数据;
S105:根据所述气候因子的预测结果,分析在所述历史气候数据中是否存在类似气候数据;
S106:在存在所述类似气候数据的情况下,从所述历史发电功率数据中查询所述类似气候数据对应的发电功率,并直接作为发电功率预测值;
S107:在不存在所述类似气候数据的情况下,通过所述气候因子的预测结果计算辐照度预测值;
S108:根据所述辐照度预测值计算所述发电功率预测值;
S109:对所述发电功率预测值按照时间进行积分,得到逐小时、逐日、逐月、逐年的发电量预测数据。
2.根据权利要求1所述的光伏电站发电量预测方法,其特征在于,所述S102具体包括:
S1021:通过欧拉控制方程组构建所述气候预测模型;
S1022:通过地形跟随质量构建所述欧拉控制方程组的垂直坐标z:
其中,Ph表示实际坐标点的气压、Pht表示底层气压、Phs表示顶层气压,μ(X,Y)表示区域单位面积的大气质量,(X,Y)表示二维坐标;
所述欧拉控制方程组的通量形式可表示为:
V=μv=(U,V,W)
Ω=μz
Θ=μθ
其中,v=(u,v,w),w=z,θ表示温度,U和V表示水平风速矢量,W表示垂直风速矢量;
其中,α表示任意常量,γ=1.4,Rd表示干空气气体常量,p0表示标准气压;
S1024:在水平方向上,按照Arakawa-C网格进行差分处理,将水平风速矢量U和V、垂直风速矢量W定义在Arakawa-C网格的边界上,温度、湿度、气压等标量被定义在网格的中央,并多重网格进行嵌套积分;
S1025:在时间方向上,采用Runge-Kutta算法进行积分;
S1026:通过所述欧拉控制方程组对不同区域进行气候预测,以得到各个所述气候因子的预测结果。
3.根据权利要求1所述的光伏电站发电量预测方法,其特征在于,所述S107具体包括:
S1071:将所述历史气候数据分类为晴天数据、多云数据、阴天数据、晴转多云数据和多云转阴数据;
S1072:分析所述历史气候数据中各个气候因子与历史发电量的相关度;
S1073:按照所述相关度的大小对各个所述气候因子进行降序排列;
S1074:通过主成分分析法,计算前N个气候因子的累计贡献率:
其中,M表示所有成分样本的总方差,Mi表示各成分样本的方差,m为成分种类数目;
S1075:在所述累计贡献率高于预设比例的情况下,将相应的气候因子作为实际辐照度的主要影响因子;
S1076:对所述主要影响因子进行多元逐步回归,建立按照天气分类的辐照度预报方程:
其中,Q表示辐照度,β表示所述主要影响因子的系数,Hi表示所述主要影响因子的特征值;
S1077:通过按照天气分类的所述辐照度预报方程对不同区域进行辐照度预测。
5.根据权利要求1所述的光伏电站发电量预测方法,其特征在于,所述S108具体包括:
根据所述辐照度预测值S,通过以下公式计算所述发电功率预测值P:
P=η1η2η3SQ[1-0.005(T-25)]
其中,η1表示电池转换效率,η2表示系统老化系数,η3表示修正系数,S表示光伏阵列面积,T表示当前温度。
6.根据权利要求5所述的光伏电站发电量预测方法,其特征在于,所述老化系数η2的计算方式为:
根据所述历史发电功率数据,计算历史年平均发电功率;
对工作年限与所述历史年平均发电功率进行线性拟合,获取线性斜率,将所述线性斜率作为所述系统老化系数η2。
7.一种基于气候模式的光伏电站发电量预测系统,其特征在于,包括:
构建模块,用于构建气候预测模型和发电功率预测模型,其中,所述气候预测模型的输出端连接所述发电功率预测模型的输入端;
预测模块,用于通过所述气候预测模型对不同区域进行气候预测,以得到各个气候因子的预测结果,其中所述气候因子包括:湿度、地表温度、露点温度、空气温度、风速、风向、到达地面短波辐射通量、短时风场变化、短时气压变化和气压;
输入模块,用于将所述气候因子的预测结果输入至所述发电功率预测模型;
获取模块,用于获取历史发电功率数据以及相应的历史气候数据;
分析模块,用于根据所述气候因子的预测结果,分析在所述历史气候数据中是否存在类似气候数据;
查询模块,用于在存在所述类似气候数据的情况下,从所述历史发电功率数据中查询所述类似气候数据对应的发电功率,并直接作为发电功率预测值;
第一计算模块,用于在不存在所述类似气候数据的情况下,通过所述气候因子的预测结果计算辐照度预测值;
第二计算模块,用于根据所述辐照度预测值计算所述发电功率预测值;
积分模块,用于对所述发电功率预测值按照时间进行积分,得到逐小时、逐日、逐月、逐年的发电量预测数据。
8.根据权利要求7所述的光伏电站发电量预测系统,其特征在于,所述预测模块具体用于:
通过欧拉控制方程组构建所述气候预测模型;
通过地形跟随质量构建所述欧拉控制方程组的垂直坐标z:
其中,Ph表示实际坐标点的气压、Pht表示底层气压、Phs表示顶层气压,μ(X,Y)表示区域单位面积的大气质量,(X,Y)表示二维坐标;
所述欧拉控制方程组的通量形式可表示为:
V=μv=(U,V,W)
Ω=μz
Θ=μθ
其中,v=(u,v,w),w=z,θ表示温度,U和V表示水平风速矢量,W表示垂直风速矢量;
其中,α表示任意常量,γ=1.4,Rd表示干空气气体常量,p0表示标准气压;
在水平方向上,按照Arakawa-C网格进行差分处理,将水平风速矢量U和V、垂直风速矢量W定义在Arakawa-C网格的边界上,温度、湿度、气压等标量被定义在网格的中央,并多重网格进行嵌套积分;
在时间方向上,采用Runge-Kutta算法进行积分;
通过所述欧拉控制方程组对不同区域进行气候预测,以得到各个所述气候因子的预测结果。
9.根据权利要求7所述的光伏电站发电量预测系统,其特征在于,所述第一计算模块具体用于:
将所述历史气候数据分类为晴天数据、多云数据、阴天数据、晴转多云数据和多云转阴数据;
分析所述历史气候数据中各个气候因子与历史发电量的相关度;
按照所述相关度的大小对各个所述气候因子进行降序排列;
通过主成分分析法,计算前N个气候因子的累计贡献率:
其中,M表示所有成分样本的总方差,Mi表示各成分样本的方差,m为成分种类数目;
在所述累计贡献率高于预设比例的情况下,将相应的气候因子作为实际辐照度的主要影响因子;
对所述主要影响因子进行多元逐步回归,建立按照天气分类的辐照度预报方程:
其中,Q表示辐照度,β表示所述主要影响因子的系数,Hi表示所述主要影响因子的特征值;
通过按照天气分类的所述辐照度预报方程对不同区域进行辐照度预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310222044.8A CN116365508B (zh) | 2023-03-09 | 2023-03-09 | 一种基于气候模式的光伏电站发电量预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310222044.8A CN116365508B (zh) | 2023-03-09 | 2023-03-09 | 一种基于气候模式的光伏电站发电量预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116365508A true CN116365508A (zh) | 2023-06-30 |
CN116365508B CN116365508B (zh) | 2023-12-12 |
Family
ID=86910994
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310222044.8A Active CN116365508B (zh) | 2023-03-09 | 2023-03-09 | 一种基于气候模式的光伏电站发电量预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116365508B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116742622A (zh) * | 2023-08-09 | 2023-09-12 | 山东理工职业学院 | 一种基于光伏发电的发电量预测方法及系统 |
CN117094521A (zh) * | 2023-08-31 | 2023-11-21 | 重庆跃达新能源有限公司 | 一种光伏电站智能选址方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104021427A (zh) * | 2014-06-10 | 2014-09-03 | 上海电力学院 | 一种基于因子分析的并网光伏电站日发电量预测方法 |
CN106203709A (zh) * | 2016-07-13 | 2016-12-07 | 国网江苏省电力公司电力科学研究院 | 基于多因子的光伏电站中长期发电量预测方法 |
CN113689057A (zh) * | 2021-10-25 | 2021-11-23 | 广东电网有限责任公司佛山供电局 | 一种光伏发电功率的预测方法及装置 |
-
2023
- 2023-03-09 CN CN202310222044.8A patent/CN116365508B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104021427A (zh) * | 2014-06-10 | 2014-09-03 | 上海电力学院 | 一种基于因子分析的并网光伏电站日发电量预测方法 |
CN106203709A (zh) * | 2016-07-13 | 2016-12-07 | 国网江苏省电力公司电力科学研究院 | 基于多因子的光伏电站中长期发电量预测方法 |
CN113689057A (zh) * | 2021-10-25 | 2021-11-23 | 广东电网有限责任公司佛山供电局 | 一种光伏发电功率的预测方法及装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116742622A (zh) * | 2023-08-09 | 2023-09-12 | 山东理工职业学院 | 一种基于光伏发电的发电量预测方法及系统 |
CN116742622B (zh) * | 2023-08-09 | 2023-11-03 | 山东理工职业学院 | 一种基于光伏发电的发电量预测方法及系统 |
CN117094521A (zh) * | 2023-08-31 | 2023-11-21 | 重庆跃达新能源有限公司 | 一种光伏电站智能选址方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116365508B (zh) | 2023-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116365508B (zh) | 一种基于气候模式的光伏电站发电量预测方法及系统 | |
US20120166085A1 (en) | Solar power monitoring and predicting of solar power output | |
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 | |
CN111815021B (zh) | 一种基于太阳辐射气候特征识别的光伏功率预测方法 | |
Li et al. | Photovoltaic power forecasting: Models and methods | |
JP6003247B2 (ja) | 情報処理装置、情報処理装置の制御方法及びプログラム | |
CN103530527A (zh) | 基于数值天气预报集合预报结果的风电功率概率预测方法 | |
CN105678396A (zh) | 光伏电站超短时功率预测装置 | |
CN112070311A (zh) | 基于相似日聚类和气象因子赋权的日前光功率预测方法 | |
JP2020108188A (ja) | Pv出力予測支援装置、pv出力予測装置、pv出力予測支援方法及びpv出力予測支援プログラム | |
CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
Zhang et al. | Modeling and simulation of high-frequency solar irradiance | |
CN112884601A (zh) | 一种基于天气区划策略的电力系统运行风险评估方法 | |
Karabiber et al. | Short term PV power estimation by means of extreme learning machine and support vector machine | |
JP6562491B1 (ja) | 期待値計算による発電量精密予測法、期待値計算による発電量精密予測システムおよび期待値計算による発電量精密予測プログラム | |
Bencherif et al. | Solar cell parameter identification using the three main points of the current–voltage characteristic | |
CN112580844A (zh) | 气象数据处理方法、装置、设备及计算机可读存储介质 | |
CN116050636A (zh) | 光伏电站的出力预测方法、装置、设备及介质 | |
CN117236720A (zh) | 利用多气象因子特征的光伏电站发电功率预测方法 | |
CN104537448A (zh) | 一种基于纵向时刻的风电功率Markov链模型状态划分改进方法 | |
CN111476411A (zh) | 一种光伏电站发电量计算方法及服务器 | |
Zhang et al. | Correntropy‐based parameter estimation for photovoltaic array model considering partial shading condition | |
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 | |
CN115173421A (zh) | 一种基于渐进拉丁超立方采样的概率最优潮流计算方法 | |
CN115575737A (zh) | 一种载流量检测方法及系统 |
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 |