CN116881743A - 一种用于光伏功率预测的气象转折天气识别方法和系统 - Google Patents

一种用于光伏功率预测的气象转折天气识别方法和系统 Download PDF

Info

Publication number
CN116881743A
CN116881743A CN202311139832.7A CN202311139832A CN116881743A CN 116881743 A CN116881743 A CN 116881743A CN 202311139832 A CN202311139832 A CN 202311139832A CN 116881743 A CN116881743 A CN 116881743A
Authority
CN
China
Prior art keywords
weather
turning
power
sample
data
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
Application number
CN202311139832.7A
Other languages
English (en)
Other versions
CN116881743B (zh
Inventor
鲁晓秋
肖金星
徐冰雁
沈东明
周彦
唐丹红
叶影
沈杰士
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.)
State Grid Shanghai Electric Power Co Ltd
Original Assignee
State Grid Shanghai Electric Power Co Ltd
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 State Grid Shanghai Electric Power Co Ltd filed Critical State Grid Shanghai Electric Power Co Ltd
Priority to CN202311139832.7A priority Critical patent/CN116881743B/zh
Publication of CN116881743A publication Critical patent/CN116881743A/zh
Application granted granted Critical
Publication of CN116881743B publication Critical patent/CN116881743B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本发明涉及一种用于光伏功率预测的气象转折天气识别方法和系统，属于光伏发电技术领域，用以解决现有的天气分型方法不能很好地识别出出现较大幅度的功率波动的气象转折天气问题。本发明的方法包括如下步骤：根据目标地区的历史光伏功率数据获取功率变化率数据；基于SOM网络对功率变化率数据进行聚类并划分为至少两类，并将功率波动幅度最大的一类筛选出并作为潜在转折天气样本；根据历史太阳辐射数据计算潜在转折天气样本所在时间点的清晰度指数；将清晰度指数小于清晰度阈值的潜在转折天气样本所在日的天气类型识别为气象转折天气。本发明能够精确地将气象转折天气识别出来，实现对天气类型的有效划分，有利于提高光伏功率预测的精准度。

Description

一种用于光伏功率预测的气象转折天气识别方法和系统
技术领域
本发明涉及光伏发电技术领域，尤其涉及一种用于光伏功率预测的气象转折天气识别方法和系统。
背景技术
光伏发电是一种可再生、清洁、灵活的分布式能源，在满足世界范围内日益增长的清洁能源需求方面发挥着重要作用。随着光伏发电一体化带来了显著的经济效益和环境效益，光伏发电渗透率逐步提高，但它的高普及率也给现有电网系统的运行带来了许多新的问题。尤其是，光伏出力具有波动性和间歇性，光伏电站高比例地接入电网后，会给电力系统带来冲击。为了解决上述问题，对光伏出力预测的需求不断增加，其中，微气象环境下基于精细化天气分型识别的分布式光伏电站出力预测是光伏出力预测的重要领域，通过对天气类型的有效划分可以提高光伏功率预测的精准度。
现有技术中，用于光伏出力预测的天气分型技术大多针对全天气类型进行细分，例如通过清晰度指数对天气类型进行划分将天气划分为3类，或者通过引入总云量交叉细分进而将晴天类型分为三类。但是，在工程应用中，由于气象环境因子的不确定性，往往一天之中出现较大波动的气象转折天气（即气象剧烈变化的天气）对于光伏出力以及电网的稳定性和调度的影响较大，在进行光伏并网储能设计时通常要考虑这种影响，而以往的天气类型划分不能很好的识别出出现较大幅度的功率波动的气象转折天气所在日，导致光伏功率预测的精准度较低。
发明内容
鉴于上述的分析，本发明实施例旨在提供一种用于光伏功率预测的气象转折天气识别方法和系统，用以解决现有的天气分型方法不能很好地识别出出现较大幅度的功率波动的气象转折天气的问题。
一方面，本发明实施例提供了一种用于光伏功率预测的气象转折天气识别方法，所述方法包括如下步骤：
根据目标地区的历史光伏功率数据获取功率变化率数据；
基于SOM网络对所述功率变化率数据进行聚类并划分为至少两类，并将功率波动幅度最大的一类筛选出并作为潜在转折天气样本；
根据历史太阳辐射数据计算所述潜在转折天气样本所在时间点的清晰度指数；
将清晰度指数小于清晰度阈值的所述潜在转折天气样本所在日的天气类型识别为气象转折天气。
基于上述方法的进一步改进，所述潜在转折天气样本所在日的清晰度指数根据如下公式计算：
；
式中，为清晰度指数，/>为到达地面的水面总辐射，/>为地外水平面太阳总辐射。
基于上述方法的进一步改进，所述清晰度阈值的取值范围为0.1至0.3。
基于上述方法的进一步改进，所述根据目标地区的光伏电站的历史光伏功率数据获取功率变化率数据，包括如下步骤：
计算目标地区的太阳高度角，并将太阳高度角大于预设角度的时段作为光伏出力统计时间段；
根据所述历史光伏功率数据计算所述光伏出力统计时间段的功率变化率，以获取功率变化率数据。
基于上述方法的进一步改进，所述太阳高度角根据如下公式计算：
；
；
；
式中，为太阳高度角，/>为天顶角，/>为目标地区的纬度，/>为赤纬角，/>为时角，/>为一年中日期的序号，/>为小时。
基于上述方法的进一步改进，所述预设角度的取值范围为5°至15°。
基于上述方法的进一步改进，所述功率变化率为逐时功率之差，根据如下公式计算：
；
式中，逐时功率变化率，/>为每日/>时刻的功率值，/>为每日/>时刻的功率值。
基于上述方法的进一步改进，所述SOM网络的优胜邻域半径根据如下公式计算：
；
式中，为优胜邻域半径，/>为预设的最大半径，/>为预设的最小半径，/>为总迭代次数，/>为当前的迭代次数。
基于上述方法的进一步改进，所述SOM网络的节点权重更新公式为：
；
式中，为第/>轮迭代中优胜邻域内需要更新的第/>个神经元节点的权重，第/>轮迭代中优胜邻域内更新后的第/>个神经元节点的权重，/>为第/>轮迭代的学习率，/>为第/>个样本，/>为第/>个样本对应的获胜神经元的权重，/>为第个样本对应的优胜邻域内第/>个神经元节点的更新约束。
另一方面，本发明实施例提供了一种用于光伏功率预测的气象转折天气识别系统，所述系统包括：
第一计算模块，根据目标地区的历史光伏功率数据获取功率变化率数据；
聚类筛选模块，基于SOM网络对所述功率变化率数据进行聚类并划分为至少两类，并将功率波动幅度最大的一类筛选出并作为潜在转折天气样本；
第二计算模块，根据历史太阳辐射数据计算所述潜在转折天气样本所在时间点的清晰度指数；
天气类型识别模块，将清晰度指数小于清晰度阈值的所述潜在转折天气样本所在日的天气类型识别为气象转折天气。
与现有技术相比，本发明至少可实现如下有益效果之一：
1、本发明中，采用功率变化率表示历史光伏功率数据波动，然后通过对功率变化率数据进行聚类初筛，再结合天文气象因子-清晰度指数进行二次筛选，从而较精确地将出现较大幅度的功率波动的气象转折天气识别出来，实现对天气类型的有效划分，进而能够提高光伏功率预测的精准度。
2、本发明中考虑到光伏出力具有显著的时间周期特性，通过计算目标地区的太阳高度角对初始的历史光伏功率数据进行筛选处理，从而能够更好地利用有效数据。
3、本发明中，采用SOM网络（自组织映射神经网络）功率变化率数据进行聚类，SOM网络能够自动寻找数据样本中的内在规律和本质属性，能够适应光伏数据的复杂模式，准确、有效地进行分类。
本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件；
图1为本发明实施例的气象转折天气识别方法的流程图；
图2为本发明实施例的斜面辐射模型；
图3为本发明实施例的日变化率数据的散点图；
图4为本发明实施例的日变化率数据的聚类效果图；
图5为本发明实施例的第五类功率波动较大时刻的日功率曲线；
图6为本发明实施例的气象平稳天气下的阴雨日的光伏日功率变化曲线；
图7为本发明实施例的气象平稳天气下的晴天和晴间多云的光伏日功率变化曲线；
图8为本发明实施例的气象转折天气的光伏功率日变化曲线；
图9为本发明实施例的未经识别的光伏功率日变化曲线。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
本发明的一个具体实施例，公开了一种用于光伏功率预测的气象转折天气识别方法，如图1所示。所述方法包括如下步骤：
步骤1：根据目标地区的历史光伏功率数据获取功率变化率数据；
步骤2：基于SOM网络对所述功率变化率数据进行聚类并划分为至少两类，并将功率波动幅度最大的一类筛选出并作为潜在转折天气样本；
步骤3：根据历史太阳辐射数据计算所述潜在转折天气样本所在时间点的清晰度指数；
步骤4：将清晰度指数小于清晰度阈值的所述潜在转折天气样本所在日的天气类型识别为气象转折天气。
本发明实施例的方法是基于历史光伏功率数据和同期的历史太阳辐射数据实现的，实施时，考虑到剧烈变化的气象条件下通常伴随着光伏出力的大幅波动，因此首先通过功率变化率在数值上满足波动的识别幅度，但是非天气因素也会引起功率波动，尤其是晴天日出或日落时候光伏功率受太阳高度角的影响会大幅波动，因此在识别气象转折天气时不仅需要关注功率波动这一特征，还需要引入能够反映因此天气变化引起的光照辐射量波动的物理量，其中，清晰度指数能够反应大气的透明程度，与天气状况及太阳辐射密切相关，因此本发明实施例中通过清晰度指数进行二次筛选，将根据功率变化率进行聚类得到的潜在转折天气样本中的晴天数据筛除，仅保留会导致功率波动较大的真正气象转折天气的数据，从而实现气象转折天气的识别。即如果某一日的光伏出力能够满足功率变化率的波动幅度要求，同时该日又能够满足相应的大气条件，则可将该日的天气类型识别为具有较大波动幅度的气象转折天气。
与现有技术相比，本发明中，采用功率变化率表示历史光伏功率数据波动，然后通过对功率变化率数据进行聚类初筛，再结合天文气象因子-清晰度指数进行二次筛选，从而较精确地将出现较大幅度的功率波动的气象转折天气识别出来，实现对天气类型的有效划分，进而能够提高光伏功率预测的精准度。
需要说明地是，本发明实施例中，所在时间点的清晰度指数小于清晰度阈值的潜在转折天气样本的所在日的天气类型识别为气象转折天气。同时，其他日期的天气类型则为非气象转折天气，即气象平稳天气。
此外，本发明实施例中所采用的目标地区的历史光伏功率数据和历史太阳辐射数据是从目标地区的光伏电站获取并经过数据质量检查后的数据。
具体地，步骤1：所述根据目标地区的光伏电站的历史光伏功率数据获取功率变化率数据，包括如下步骤：
步骤11：计算目标地区的太阳高度角，并将太阳高度角大于预设角度的时段作为光伏出力统计时间段；
步骤12：根据所述历史光伏功率数据计算所述光伏出力统计时间段的功率变化率，以获取功率变化率数据。
具体地，步骤11中，所述预设角度的取值范围为5°至15°，优选为10°。即，优选将太阳高度角大于10°的时段作为光伏出力统计时间段。
太阳高度角是指太阳光线与地平面法线之间的夹角。实施时，考虑到光伏出力具有显著的时间周期特性，通过计算目标地区的太阳高度角对初始的历史光伏功率数据进行筛选处理，从而能够更好地利用有效数据。
图2中的斜面辐射模型的示意图中示出了太阳高度角与天顶角、纬度及赤纬角之间的关系。
所述太阳高度角根据如下公式计算：
；
；
；
式中，为太阳高度角，/>为天顶角， />为目标地区的纬度，/>为赤纬角，/>为时角，/>为一年中日期的序号，/>为小时。
例如，每年的1月1日，n=1；平年的12月31日，n=365；闰年的12月31日，n=366。
时角从天子午圈上的Q点起算（从太阳的正午起算），顺时针方向为正，逆时针方向为负，即上午为负，下午为正，它的数值上等于离正午的时间（小时）乘以15°。
具体地，步骤1中，所述功率变化率为逐时功率之差，根据如下公式计算：
；
式中，逐时功率变化率，/>为每日/>时刻的功率值，/>为每日/>时刻的功率值。
实施时，首先将历史光伏功率数据按照时序小时值进行排列，然后求取逐小时的功率变化率。
步骤2：基于SOM网络对所述功率变化率数据进行聚类并划分为至少两类，并将功率波动幅度最大的一类筛选出并作为潜在转折天气样本。
由于目前的标准对于功率波动的大小很难界定给出一个量值，因此，为了筛选出功率波动幅度足够大的一类数据样本，本发明实施例中通过SOM网络（自组织映射神经网络）对功率变化率数据进行无监督自组织聚类，划分为多个类别，从而筛选出功率波动幅度最大的一类数据样本并将其作为潜在转折天气样本。
优选地，步骤2中，将功率负波动幅度最大的一类筛选出并作为潜在转折天气样本。功率负波动幅度最大的一类为功率变化率为负值且波动幅度最大的一类。
可以理解的，功率波动幅度包括：功率负波动幅度和功率正波动幅度；其中，采用功率负波动幅度最大的一类作为潜在转折天气样本，是由于功率正波动幅度较大的情况，大多是发生在由阴天或雨雪等恶劣天气变化为晴天时，而采用清晰度指数识别气象转折天气时会将晴天数据筛除，因此在聚类筛选时直接将功率负波动幅度最大的一类筛选出作为潜在转折天气样本，有利于提高处理效率。
同时，光伏出力波动中由气象因素的不稳定导致的光伏功率下降对电网的稳定性以及调度影响最大，并且光伏功率随着一天中太阳高度角变化有着显著的时间周期性，一天中出现幅度较大的功率正波动时，也会伴随着较大幅度的功率负波动，因此在聚类筛选时未将功率正波动幅度最大的一类筛选出并作为潜在转折天气样本，不会对气象转折天气的识别结果和光伏预测功率结果产生较大影响。
其中，SOM网络是无导师学习网络，其通过自动寻找数据样本中的内在规律和本质属性，自组织、自适应地改变网络参数与结构，能够适应光伏数据的复杂模式，准确、有效地进行分类。
SOM网络模拟了人类大脑神经网络自组织特征映射的功能。SOM为层次型结构，包括：输入层和竞争层（又称输出层）。输入层接收外界信息，将输入模式向竞争层传递，起“观察”作用；竞争层负责对输入模式进行“分析比较”，寻找规律并归类。SOM网络的聚类算法原理为：输入至少一个多维向量后，该向量进入竞争层后，陆续经过二维网格上的有序节点，这些节点一般分为输入节点和竞争节点。在初始化状态下，SOM网络的各神经元的权值是随机的，通过迭代计算，竞争层的拓扑结构不断发生变化，具体表现为神经元权值的更新，以及相邻神经元随之发生变化。随着迭代的进行，权值的大小将逐渐趋于收敛，竞争层将逐渐呈现均匀化二维网格的结构。
在迭代过程中，优胜领域影响聚类效果。具体地，所述SOM网络的优胜邻域半径根据如下公式计算：
；
式中，为优胜邻域半径，/>为预设的最大半径，/>为预设的最小半径，/>为总迭代次数，/>为当前的迭代次数。
其中，更新节点能够使得优胜节点更加逼近样本点。具体地，所述SOM网络的节点权重更新公式为：
；
式中，为第/>轮迭代中优胜邻域内需要更新的第/>个神经元节点的权重，第/>轮迭代中优胜邻域内更新后的第/>个神经元节点的权重，/>为第/>轮迭代的学习率，/>为第/>个样本，/>为第/>个样本对应的获胜神经元的权重，/>为第个样本对应的优胜邻域内第/>个神经元节点的更新约束。
在一个具体的实施例中，将SOM网络的聚类数目设置为5。这样，步骤2中，基于SOM网络对所述功率变化率数据进行聚类并划分为五类，其中功率负波动最大的一类与其他四类分开，其他四类主要包括了晴天、雨天、功率波动不大的晴转阴等类型，功率负波动最大的一类此时也包括了晴天以及突然的气象转折天气等类型。
步骤3：根据同期的历史太阳辐射数据计算所述潜在转折天气样本所在日的清晰度指数。
具体地，所述潜在转折天气样本所在日的清晰度指数根据如下公式计算：； 式中，/>为清晰度指数，/>为总辐射，/>为地外水平面太阳总辐射。地外水平面太阳总辐射根据如下公式计算：
；
式中，为太阳常数，/>为日地距离变化引起大气层上界的太阳辐射通量的修正值，/>为日出至日落时间段中的时角。
步骤4：将清晰度指数小于清晰度阈值的所述潜在转折天气样本所在日的天气类型识别为气象转折天气。
步骤4中，通过清晰度指数识别所述潜在转折天气样本所在日的天气类型。其中，所述清晰度阈值的取值范围为0.1至0.3，优选为0.2。
一般来说，时对应的天气为小雨、阵雨、小雪、轻雾、霾、中雨及以上、中雪及以上等。
本发明实施例的另一方面提供一种用于光伏功率预测的气象转折天气识别系统，所述系统包括：第一计算模块，根据目标地区的历史光伏功率数据获取功率变化率数据；聚类筛选模块，基于SOM网络对所述功率变化率数据进行聚类并划分为至少两类，并将功率波动幅度最大的一类筛选出并作为潜在转折天气样本；第二计算模块，根据历史太阳辐射数据计算所述潜在转折天气样本所在时间点的清晰度指数；以及天气类型识别模块，将清晰度指数小于清晰度阈值的所述潜在转折天气样本所在日的天气类型识别为气象转折天气。
实施例
下面以某一光伏站为例，基于其历史光伏数据和历史太阳辐射数据识别光伏站所在地域的全年中的气象转折天气。
步骤1：根据目标地区的历史光伏功率数据获取功率变化率数据。
具体地，步骤1中，所述功率变化率为逐时功率之差。将步骤1获取的功率变化率数据绘制为图3所示的散点图。由图3中可以看出，功率变化率的取值范围在-600W到+600W之间，并且，在全年样本中仅有少数的较大波动幅度的样本，即目前的功率变化率数据并不能精确包含相应提炼的信息。
步骤2：基于SOM网络对所述功率变化率数据进行聚类并划分为五类，并将功率负波动幅度最大的一类筛选出并作为潜在转折天气样本。
SOM网络将原本没有规律的功率变化数据分成了五类，功率变化率数据的聚类效果如图4中所示，五类数据样本的个数分别为780、837、1119、506和513。由图5中可以看出，聚类后将原来没有明显特征区分的数值为-600到600之间的功率变化率分成了五类，其中功率负波动最大的一类与其他四类分开，其他四类主要包括晴天、雨天、功率波动不大的晴转阴等天气，功率负波动幅度最大的一类此时也包括了晴天以及突然的气象转折天气等天气。出现这种情况的原因是在傍晚时候光伏出力受太阳高度角的影响还是较大，因此自然的大幅度功率波动也会被SOM网络计入负波动很大的一类。
将功率负波动幅度最大的一类筛选出，第五类功率负波动幅度较大的数据样本所对应的日功率曲线如图5中所示。由于在夏季总体太阳辐射变化较大，在夏季功率平稳正弦变化的数据样本大多被包含在了第五类中。气象平稳天气下的太阳辐射变化通常不会引起较大的光伏功率波动，其他四类数据样本中，阴雨日的光伏日功率变化曲线如图6中所示，晴天和晴间多云的日功率变化曲线如图7所示。由图6中可以看出，典型的阴雨日总体光伏功率处于偏低的水平，这是因为阴雨天太阳辐射较低。由图7中可以看出，晴天及晴间多云天气下功率呈现出明显的正弦变化，在下午傍晚时刻光伏功率的爬坡较大，晴间多云天气下波峰会低于晴朗无云天气。
由图6和图7中我们可以看出，阴雨天气和晴天一般都会被归入到气象平稳天气，这是因为晴天通常不会出现较大的光伏出力的功率减少，而阴雨天气往往一整天的光伏功率都处在一个较低的水平上，也不需要去额外注意，因此根据功率变化率聚类的初筛效果是可观的。
步骤3：根据历史太阳辐射数据计算所述潜在转折天气样本所在时间点的清晰度指数。
所述潜在转折天气样本所在日的清晰度指数根据如下公式计算：；式中，为清晰度指数，/>为到达地面的水平面总辐射，/>为地外水平面太阳总辐射。
步骤4：将清晰度指数小于0.2的所述潜在转折天气样本所在日的天气类型识别为气象转折天气。
步骤4中，通过清晰度指数识别所述潜在转折天气样本所在日的天气类型，图8中示出了识别为气象转折天气的光伏功率日变化曲线，图9中示出了未经识别的光伏功率日变化曲线。将图8与图9对比，选取精确率为评价指标，精确率的计算公式如下：；式中，/>为真正例，/>为假正例。
统计一年中气象转折天气判断的精确率，其中真正例的个数为47，假正例的个数为9，计算出精确率为0.839。从而说明本发明的气象转折天气识别方法的效果良好。
此外，本发明的方法可应用于分析气象转折天气对电网调度的影响，适用性强。
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种用于光伏功率预测的气象转折天气识别方法，其特征在于，所述方法包括如下步骤：
根据目标地区的历史光伏功率数据获取功率变化率数据；
基于SOM网络对所述功率变化率数据进行聚类并划分为至少两类，并将功率波动幅度最大的一类筛选出并作为潜在转折天气样本；
根据历史太阳辐射数据计算所述潜在转折天气样本所在时间点的清晰度指数；
将清晰度指数小于清晰度阈值的所述潜在转折天气样本所在日的天气类型识别为气象转折天气。
2.根据权利要求1所述的方法，其特征在于，所述潜在转折天气样本所在日的清晰度指数根据如下公式计算：
；
式中，为清晰度指数，/>为到达地面的水平面总辐射，/>为地外水平面太阳总辐射。
3.根据权利要求1或2所述的方法，其特征在于，所述清晰度阈值的取值范围为0.1至0.3。
4.根据权利要求1或2所述的方法，其特征在于，所述根据目标地区的光伏电站的历史光伏功率数据获取功率变化率数据，包括如下步骤：
计算目标地区的太阳高度角，并将太阳高度角大于预设角度的时段作为光伏出力统计时间段；
根据所述历史光伏功率数据计算所述光伏出力统计时间段的功率变化率，以获取功率变化率数据。
5.根据权利要求4所述的方法，其特征在于，所述太阳高度角根据如下公式计算：
；
；
；
式中，为太阳高度角，/>为天顶角， />为目标地区的纬度，/>为赤纬角，/>为时角，/>为一年中日期的序号，/>为小时。
6.根据权利要求4所述的方法，其特征在于，所述预设角度的取值范围为5°至15°。
7.根据权利要求1或2所述的方法，其特征在于，所述功率变化率为逐时功率之差，根据如下公式计算：
；
式中，逐时功率变化率，/>为每日/>时刻的功率值，/>为每日/>时刻的功率值。
8.根据权利要求1或2所述的方法，其特征在于，所述SOM网络的优胜邻域半径根据如下公式计算：
；
式中，为优胜邻域半径，/>为预设的最大半径，/>为预设的最小半径，为总迭代次数，/>为当前的迭代次数。
9.根据权利要求8所述的方法，其特征在于，所述SOM网络的节点权重更新公式为：
；
式中，为第/>轮迭代中优胜邻域内需要更新的第/>个神经元节点的权重，/>第/>轮迭代中优胜邻域内更新后的第/>个神经元节点的权重，/>为第/>轮迭代的学习率，/>为第/>个样本，/>为第/>个样本对应的获胜神经元的权重，/>为第/>个样本对应的优胜邻域内第/>个神经元节点的更新约束。
10.一种用于光伏功率预测的气象转折天气识别系统，其特征在于，所述系统包括：
第一计算模块，根据目标地区的历史光伏功率数据获取功率变化率数据；
聚类筛选模块，基于SOM网络对所述功率变化率数据进行聚类并划分为至少两类，并将功率波动幅度最大的一类筛选出并作为潜在转折天气样本；
第二计算模块，根据历史太阳辐射数据计算所述潜在转折天气样本所在时间点的清晰度指数；
天气类型识别模块，将清晰度指数小于清晰度阈值的所述潜在转折天气样本所在日的天气类型识别为气象转折天气。
CN202311139832.7A 2023-09-06 2023-09-06 一种用于光伏功率预测的气象转折天气识别方法和系统 Active CN116881743B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311139832.7A CN116881743B (zh) 2023-09-06 2023-09-06 一种用于光伏功率预测的气象转折天气识别方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311139832.7A CN116881743B (zh) 2023-09-06 2023-09-06 一种用于光伏功率预测的气象转折天气识别方法和系统

Publications (2)

Publication Number Publication Date
CN116881743A true CN116881743A (zh) 2023-10-13
CN116881743B CN116881743B (zh) 2024-01-19

Family

ID=88264810

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311139832.7A Active CN116881743B (zh) 2023-09-06 2023-09-06 一种用于光伏功率预测的气象转折天气识别方法和系统

Country Status (1)

Country Link
CN (1) CN116881743B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180163700A1 (en) * 2014-08-21 2018-06-14 Identiflight International, Llc Imaging array for bird or bat detection and identification
CN108923738A (zh) * 2018-08-09 2018-11-30 上海电力学院 一种基于天气类型判别的双跟踪光伏发电系统控制方法
CN112862630A (zh) * 2021-03-08 2021-05-28 海南省电力学校(海南省电力技工学校) 基于天气类型指数区间的光伏功率预测方法、终端及介质
US20210263186A1 (en) * 2020-02-24 2021-08-26 International Business Machines Corporation Location-based forecasting of weather events based on user impact
CN113722375A (zh) * 2021-08-10 2021-11-30 国网浙江省电力有限公司电力科学研究院 一种基于多算法优化的双层混合光伏预测方法及计算机设备
CN114386324A (zh) * 2021-12-27 2022-04-22 上海电力大学 一种基于转折性时段识别的超短期风电功率分段预测方法
CN116029465A (zh) * 2023-03-29 2023-04-28 山东大学 转折性天气日前风电功率预测方法、装置、介质及设备
US20230136352A1 (en) * 2021-10-29 2023-05-04 Economic and Technological Research Institute of State Grid Liaoning Electric Power Co., Ltd. Method and system for predicting a day-ahead wind power of wind farms

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180163700A1 (en) * 2014-08-21 2018-06-14 Identiflight International, Llc Imaging array for bird or bat detection and identification
CN108923738A (zh) * 2018-08-09 2018-11-30 上海电力学院 一种基于天气类型判别的双跟踪光伏发电系统控制方法
US20210263186A1 (en) * 2020-02-24 2021-08-26 International Business Machines Corporation Location-based forecasting of weather events based on user impact
CN112862630A (zh) * 2021-03-08 2021-05-28 海南省电力学校(海南省电力技工学校) 基于天气类型指数区间的光伏功率预测方法、终端及介质
CN113722375A (zh) * 2021-08-10 2021-11-30 国网浙江省电力有限公司电力科学研究院 一种基于多算法优化的双层混合光伏预测方法及计算机设备
US20230136352A1 (en) * 2021-10-29 2023-05-04 Economic and Technological Research Institute of State Grid Liaoning Electric Power Co., Ltd. Method and system for predicting a day-ahead wind power of wind farms
CN114386324A (zh) * 2021-12-27 2022-04-22 上海电力大学 一种基于转折性时段识别的超短期风电功率分段预测方法
CN116029465A (zh) * 2023-03-29 2023-04-28 山东大学 转折性天气日前风电功率预测方法、装置、介质及设备

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
容花呀_AI: ""SOM网络--机器学习(郑捷著)"", 《HTTPS://BLOG.CSDN.NET/JYH_AI/ARTICLE》 *
李芬等: ""一种新型天气分型方法及其在光伏功率预测中的应用"", 《上海交通大学学报》, vol. 55, no. 12 *
李芬等: ""基于天气类型有效识别的太阳辐射推算方法"", 《电力自动化设备》, vol. 41, no. 8, pages 1 *
马明等: ""复杂天气类型划分及影响光伏发电功率程度的量化方法"", 《系统仿真技术》, vol. 16, no. 4, pages 1 - 2 *

Also Published As

Publication number Publication date
CN116881743B (zh) 2024-01-19

Similar Documents

Publication Publication Date Title
Guermoui et al. A comprehensive review of hybrid models for solar radiation forecasting
Liu et al. Random forest solar power forecast based on classification optimization
Adedeji et al. Neuro-fuzzy resource forecast in site suitability assessment for wind and solar energy: A mini review
CN111666918B (zh) 一种基于多因素的海岸线变化识别方法
Rediske et al. Determinant factors in site selection for photovoltaic projects: A systematic review
Ohba et al. Impacts of synoptic circulation patterns on wind power ramp events in East Japan
Chu et al. Nonlinear, intraseasonal phases of the East Asian summer monsoon: Extraction and analysis using self-organizing maps
CN111079980B (zh) 基于自适应分类策略和混合优化svr的光功率预测方法
CN114792156B (zh) 基于曲线特征指标聚类的光伏输出功率预测方法和系统
CN109948281A (zh) 基于天气类型有效识别和组合预测的直散分离建模方法
Jo et al. Classification of localized heavy rainfall events in South Korea
Omar et al. Seasonal clustering forecasting technique for intelligent hourly solar irradiance systems
Koolagudi Long-range prediction of Indian summer monsoon rainfall using data mining and statistical approaches
Tempa et al. Assessment of solar energy potential using GIS and AHP approach: A case study of Bumthang Valley
CN116881743B (zh) 一种用于光伏功率预测的气象转折天气识别方法和系统
CN113920349A (zh) 基于密度峰值-fcm的含气象数据的风光典型场景构造方法
Kim et al. Solar radiation forecasting using boosting decision tree and recurrent neural networks
CN117175569B (zh) 一种基于精细化天气分型的光伏预测方法和系统
CN114997475B (zh) 一种基于Kmeans的融合模型光伏发电短期预测方法
CN117200199B (zh) 一种基于天气分型的光伏功率预测方法和系统
Aupke et al. Impact of clustering methods on machine learning-based solar power prediction models
CN111934358B (zh) 一种微电网中光伏发电系统输出功率平均值的计算方法
CN117200200A (zh) 一种光伏功率预测模型的训练方法
Little et al. Bayesian objective classification of extreme UK daily rainfall for flood risk applications
Nayak et al. Multi-level statistical model for forecasting solar radiation

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