CN117043793A - 预测可再生能源设施的发电 - Google Patents
预测可再生能源设施的发电 Download PDFInfo
- Publication number
- CN117043793A CN117043793A CN202180095403.7A CN202180095403A CN117043793A CN 117043793 A CN117043793 A CN 117043793A CN 202180095403 A CN202180095403 A CN 202180095403A CN 117043793 A CN117043793 A CN 117043793A
- Authority
- CN
- China
- Prior art keywords
- power generation
- renewable energy
- data map
- current
- facility
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 141
- 238000000034 method Methods 0.000 claims abstract description 99
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000009792 diffusion process Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 2
- 230000005611 electricity Effects 0.000 description 6
- 238000003306 harvesting Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000000758 substrate Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 229930091051 Arenine Natural products 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
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
- 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
- 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"
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种用于确定可再生能源设施的预测发电的计算机实现的方法。该方法包括:接收指示一个或多个相邻可再生能源设施中的每个相邻可再生能源设施的当前发电值的当前发电数据;以及基于所接收的当前发电数据来确定指示跨区域的当前发电值的当前数据图,该区域包括该可再生能源设施和该一个或多个相邻可再生能源设施。该方法包括:检索指示在先前时间跨该区域的发电值的先前数据图;以及基于该先前数据图和该当前数据图来确定指示在未来时间跨该区域的发电值的未来数据图;基于所确定的未来数据图来确定该可再生能源设施在该未来时间的预测发电值。
Description
技术领域
本发明涉及确定可再生能源设施(诸如太阳能设施、风力涡轮发电机或波浪能设施)的预测发电。具体地,本发明使用附近的另外的可再生能源设施的过去和现在的发电水平来预测可再生能源设施的发电。
背景技术
从可再生资源收集能量在满足总体能量需求方面继续发挥越来越大的作用。例如,来自太阳的光和热可通过多种技术(诸如光伏和太阳能加热)作为太阳能加以利用,通常通过使用朝向天空的太阳能面板来捕获能量。风力涡轮机可用于从风中捕获能量以便生成电力。另外,可利用来自由刮过海面上的风和/或由潮汐生成的波浪的能量来发电。
与可再生能源相关联的关键挑战是它们固有地是间歇性的。即,来自这些源的能量不能按需调度,这导致供应侧的相关联的不确定性。此类可再生能源的间歇性质的主要原因是由于可变的天气模式。能够预测可再生能源系统或设施附近的天气模式是重要的,使得可适当地调度由电力供电的设备或设施,电力从由可再生能源系统捕获的能量生成,或电力可源自另选的源。
可再生能源系统受到主要天气的长期变化和短期变化两者的影响。例如,在几个小时的相对长的范围内的天气预测可指示晴朗的条件,使得太阳照射用于捕获太阳能的太阳能面板。然而,即使单个经过的云也可能影响可由面板在较短时间范围内(例如,小于半小时)捕获的太阳能的量。因此,这可能影响在该较短时间段内可用于电气系统的能量的量。
用于预测天气模式以便适当地调度和规划电力供应的各种方法是已知的。一种此类方法利用从气象组织获得的数值天气模拟,该数值天气模拟对于例如几个小时的较长时间尺度上的预测是有用的,但对于预测较短期的天气变化是不太有用的。另一种此类方法利用卫星图像来追踪即将到来的天气的不同特征;然而同样,在这种情况下,卫星观测的更新相对较少,这意味着该方法对于较短期的天气预测是不太有用的。在较短时间尺度上表现更好的一种方法是在可再生能源系统处现场使用传感器来追踪和监测变化的天气条件。然而,此类解决方案的缺点是成本高昂,因为它们需要安装和维护专用硬件以及相当大的计算要求。
本发明就是在这种背景下提出的。
发明内容
根据本发明的一个方面,提供了一种用于确定可再生能源设施的预测发电的计算机实现的方法。该方法包括:接收指示一个或多个相邻可再生能源设施中的每个相邻可再生能源设施的当前发电值的当前发电数据。该方法包括:基于所接收的当前发电数据来确定指示跨包括该可再生能源设施和该一个或多个相邻可再生能源设施的区域的当前发电值的当前数据图。该方法包括:检索指示在先前时间跨该区域的发电值的先前数据图,以及基于该先前数据图和该当前数据图来确定指示在未来时间跨该区域的发电值的未来数据图。该方法包括:基于所确定的未来数据图来确定该可再生能源设施在该未来时间的预测发电值。
针对相邻可再生能源设施中的每个相邻可再生能源设施,该方法可包括:检索指示相邻可再生能源设施的一个或多个历史发电值的历史发电数据;以及,将所接收的当前发电数据相对于所检索的历史发电数据归一化。可基于所归一化的当前发电数据来确定当前数据图。
在一些示例中,将所接收的当前发电数据归一化可包括将当前发电值除以表示相邻可再生能源设施的该一个或多个历史发电值的值。任选地,代表性的值是该一个或多个历史发电值的平均值。
所检索的历史发电数据可包括相邻可再生能源设施在一个或多个先前日子的与当前时间相同的时间的发电值。
未来数据图可包括归一化的发电值。在一些示例中,确定预测发电值可包括:检索指示可再生能源设施的一个或多个历史发电值的历史发电数据;从所确定的未来数据图获得可再生能源设施在未来时间的归一化的预测发电值;从相对于可再生能源设施的所检索的历史发电数据的归一化的预测发电值来确定预测发电值。
在一些示例中,确定预测发电值可包括将归一化的预测发电值乘以表示可再生能源设施的该一个或多个历史发电值的值。任选地,代表性的值是该一个或多个历史发电值的平均值。
在一些示例中,确定当前数据图可包括跨区域对指示当前发电值的数据进行插值。任选地,跨覆盖该区域的网格执行插值。
当前数据图可以是从指示当前发电值的插值数据获得的热图。
在一些示例中,确定未来数据图包括:基于先前数据图和当前数据图来确定该区域的运动矢量场,以及沿着所确定的运动矢量场将当前数据图转换到未来时间。
在一些示例中,确定运动矢量场可包括应用以下中的一者:Lucas-Kanade算法;Farneback多项式展开法;各向异性扩散法;以及,Horn-Schunk方法。
在一些示例中,相邻可再生能源设施中的每个相邻可再生能源设施可处于距可再生能源设施的规定距离内。
该方法可包括:在确定当前数据图之前:针对相邻可再生能源设施中的每个相邻可再生能源设施,在该相邻可再生能源设施与该可再生能源设施之间形成虚拟线;以及,如果邻近的虚拟线之间的角度中的每个角度低于规定阈值角度,则确定当前数据图。任选地,规定阈值角度可以是120度,或任何合适的角度。
该方法可包括:在确定当前数据图之前:在相邻可再生能源设施之间拟合虚拟多边形,每个相邻可再生能源设施是虚拟多边形的顶点,并且每对邻近的相邻可再生能源设施通过虚拟多边形的边连接;识别最靠近该可再生能源设施的边;以及,如果该可再生能源设施与所识别的边到该可再生能源设施的最近点之间的距离大于规定距离,则确定当前数据图。
该方法可包括:接收可再生能源设施附近的天气条件的行进方向。任选地,天气条件的行进方向可以是例如可再生能源设施附近的风向,或云移动的方向。该方法可包括:如果行进方向与从所识别的边的最近点到该可再生能源设施的方向不同,则确定当前数据图。任选地,差值可由两个方向之间的角度来量化。例如,该方法可包括:如果相应方向之间的角度大于规定阈值角度,则确定当前数据图。
在一些示例中,先前时间与当前时间之间的差值等于当前时间与未来时间之间的差值。
该方法可包括:输出指示预测发电值的信号。该方法可包括:基于预测发电值来发送控制信号以控制由可再生能源设施供电的一个或多个设备的操作。
该可再生能源设施和该相邻可再生能源设施可以是以下中的一者:太阳能设施;风能设施;以及波浪能设施。
根据本发明的另一方面,提供了一种其上存储有指令的非暂态计算机可读存储介质,这些指令在由处理器执行时使得该处理器执行如上所述的方法。
根据本发明的另一方面,提供了一种系统,该系统包括一个或多个计算机处理器以用于确定可再生能源设施的预测发电的系统。该系统被配置为:接收指示一个或多个相邻可再生能源设施中的每个相邻可再生能源设施的当前发电值的当前发电数据。该系统被配置为:基于所接收的当前发电数据来确定指示跨包括该可再生能源设施和该一个或多个相邻可再生能源设施的区域的当前发电值的当前数据图。该系统被配置为:检索指示在先前时间跨该区域的发电值的先前数据图;以及基于该先前数据图和该当前数据图来确定指示在未来时间跨该区域的发电值的未来数据图。该系统被配置为:基于所确定的未来数据图来确定可再生能源设施在未来时间的预测发电值。
该系统可包括控制器,该控制器被配置为基于预测发电值来发送控制信号以控制由可再生能源设施供电的一个或多个设备的操作。
根据本发明的另一方面,提供了一种包括如上所述的系统的可再生能源设施。
附图说明
现在将参考附图描述本发明的示例,其中:
图1示出了跨地理区域布置的多个可再生能源设施的示意性平面图;
图2示出了预测图1中的可再生能源设施中的一个可再生能源设施的发电的方法的步骤;并且,
图3示出了跨地理区域布置的多个可再生能源设施的示意性平面图的与图1不同的示例。
具体实施方式
间歇性可再生能源对天气具有很强的依赖性。天气的变化影响可由这些源收集的能量的量,这继而可能影响电力质量水平并且导致由此类可再生能源供电的电气系统的能量缩减。
通过预测可再生能源设施或系统将面临的即将到来的天气,可确定该设施的预期的即将到来的发电能力,并且可执行适当的规划以处理其中预期发电水平较低的时段。例如,如果预测到由于天气而在发电时存在即将到来的时间间隔,则由可再生设施供电的电池系统可被调度以确保其在即将到来的时间间隔之前被完全充电。在此类系统(例如,电动车辆电池)中,天气预测可通知电池是否应当在夜间充电。具体地,在太阳能供电的系统的情况下,如果预测到第二天是多云的,则电池可在夜间充电,并且在夜间充电资费更便宜。
以下描述了预测太阳能系统或设施附近的天气的示例;然而,应当理解,本文所述的方法也适用于其它类型的可再生能源系统,诸如风能、波浪能和潮汐能系统。
预测方法通常从较长期预测(例如,几天或几周)到较短期预测(例如,几小时或更短)都有。一般来讲,进行预测的时间范围越短,预测越准确,因为预测中的不确定性的范围越小。然而,就太阳能而言,较短期预测的准确性在云层覆盖增加的日子里降低。这是因为,在没有晴天的日子里,相对小的云移动可对太阳能面板的发电能力具有相对显著的影响。这产生难以预测的可变性,这可能导致潜在的电力不平衡。
就太阳能光伏(PV)系统而言,预测电力输出通常包括两个步骤。首先,预测太阳辐照度,即太阳能面板的每单位面积的太阳辐射电力,其次,通过使用描述PV设施的函数将辐照度值转换为PV电力输出。该函数通常可基于面板效率、面板角度等。
用于确定太阳辐照度的一种方法是通过对从气象组织(例如,美国国家海洋和大气管理局(US National Oceanic and Atmospheric Administration))获得的数值天气模拟进行后处理。这也许是用于较长期计算(例如,大于四小时或类似时间)的最准确的方法。然而,模拟并不直接预测云层覆盖;相反,模拟仅提供云层覆盖的概率。因此,此类方法可用于确定较长时间段内的能量生成,但对于提供即时电力值的较短期计算或预测而言不太准确。
用于确定太阳辐照度的另一种方法是通过使用卫星图像来追踪云的运动。然后可使用计算机视觉技术来推断云位置并且预测地面辐照度。与使用数值天气模拟相比,当通过卫星图像直接观测云时,此类方法在较短时间尺度(例如,小于四小时或类似时间)上更准确。然而,卫星观测不是连续更新的,更新通常间隔大约十五分钟。这意味着针对大约半小时或更短的时间段内的预测,卫星图像方法是不太准确的。此外,使用此类方法不能直接测量地面上的辐照度,这也会导致不太精确的计算。
用于确定太阳辐照度的另一种方法涉及使用具有广角镜头的相机,该相机现场位于太阳能面板设施附近。具体地,相机指向天空并且用于追踪紧邻区域中的云的运动。然后可使用计算机视觉技术来推断云位置,由此可确定辐照度预测。此类方法在相对短的时间段(诸如半小时或更短的时间段)内可能是最准确的,因为其地面观测频繁地或甚至连续地更新。然而,这是实现起来成本特别高昂的方法,因为它需要安装和维护专用硬件,并且具有相当大的计算要求。因此,该方法仅可用于相对大的太阳能场。例如,如果设施靠近居民区,则还可能存在关于隐私的问题。
本发明的优点在于,其提供准确的天气预测——特别是在相对短的时间段内,诸如一小时、半小时、一刻钟等——而不需要昂贵的传感器设备,诸如广角镜头相机。实际上,本发明的有益效果在于不需要任何附加的硬件。具体地,可使用从一个或多个周围或相邻可再生能源设施获得的数据来确定可再生能源设施或系统在特定时间段内的发电容量。因此,就太阳能PV面板而言,本发明可特别适用于存在相对高密度的可再生能源设施的区域(例如,城市中)。具体地,本发明仅需要周围设施的即时发电值以便执行预测。
图1示出了包括多个可再生能源设施的地理区域10的平面图的示意图。在所述示例中,这些设施是PV太阳能面板设施;然而,应当理解,这些设施可以是不同种类的太阳能设施。区域10包括目标可再生能源设施或系统12以及围绕目标设施12的多个相邻可再生能源设施14。
期望确定目标设施12在特定时间段内的预期未来电力输出。该未来电力输出将取决于可由目标设施12捕获的太阳辐射量,该太阳辐射量继而取决于该时间段内目标设施12附近的主要天气条件。
图1示出了包括太阳能设施12、14的区域10附近的云16。具体地,示出了云16正在朝向目标设施12头顶上方的方向上移动。实际上,可看到,云16在到达目标设施12之前将经过相邻设施14中的一些相邻设施。
因此,在云16到达目标设施12之前,由于云层覆盖,在这些相邻设施14处的发电量的降低将是明显的并且将被测量。然后,该信息连同相邻设施14相对于目标设施12的位置一起可用于预测当云16经过时目标设施12将经历的发电量降低。更一般地,来自相邻设施14的电力输出值可用于以考虑相对短期的天气变化的方式预测目标设施12的后续电力输出值。
图2示出了用于确定可再生能源设施(例如,目标太阳能设施12)的预测发电的方法20的步骤。根据本发明的方法的步骤22包括接收指示一个或多个相邻可再生能源设施14中的每个相邻可再生能源设施的当前发电值的当前发电数据。这可涉及从相邻设施14中的每个相邻设施获得实时电力输出或生成值。这些在特定时间(例如,当前时间t)获得的电力输出值被相应地加时间戳,并且可被存储在数据库或数据存储库中以供稍后处理。例如,可使用位于相邻设施14处的传感器来获得实时或当前电力输出值。具体地,该方法可采用现有的PV面板作为光敏检测器阵列,其实际上成为(低分辨率)分布式相机。
在接收到当前发电数据之前或之后,可执行检查是否可从周围设施14获得足够多的数据的步骤,以便以足够高的准确性确定目标设施12的发电。在所述示例中,目标设施12需要被相邻设施14充分地包围,以执行发电预测。
其一部分可以是关于从目标设施12到相邻设施14中的每个相邻设施的距离的确定。例如,可设定规定阈值距离,并且仅来自在该阈值距离内的那些相邻设施14的数据被包括并且被用于预测目标设施电力输出。
距离目标设施12比阈值距离更远的设施可被认为正在经历太远的天气,以至于在感兴趣的时间段(例如,15分钟、30分钟等)内对目标设施12的发电能力没有显著的影响。在太阳能的当前背景下,该阈值距离可以是几公里,诸如数十公里,例如30公里。应当理解,可规定任何合适的阈值距离。
是否可从周围设施14获得足够多的数据的另一部分可以是检查相邻设施14是否充分地分布或散布在目标设施12周围,使得不管主要天气条件的行进方向如何,天气变化都在考虑之中。在图1所示的示例中,示出了三个相邻设施14。在这种情况下,如果适用的话,相邻设施14中的每个相邻设施在目标设施12的规定阈值距离内。
在所述示例中,确定相邻设施14是否充分地分布在目标设施12周围的检查涉及围绕目标设施12形成(虚拟)多边形。具体地,多边形被形成为使得相邻设施14是多边形的顶点,并且在相应的每对邻近的相邻设施14之间形成的直线是多边形的边。在这种情况下,对于三个相邻设施14,多边形是三角形。
然后可识别多边形的最靠近目标设施12的边,并且可计算该边与目标设施12之间的最小距离。如果该最小距离小于规定阈值最小距离,则可认为目标设施12没有被相邻设施14充分地包围而不能获得准确的预测。另一方面,在这种情况下,至少针对云的特定行进方向,仍然可确定预测,但同时也承认其可能不太准确。
在一个示例中,如果一个或多个相邻设施被认为太靠近目标设施12,则可在发电预测时不使用它们。例如,如果此类相邻设施距目标设施12的距离小于规定距离,则可省略此类相邻设施。另选地,如果如上所述形成的多边形具有太靠近目标设施12的边——例如,其最近点小于规定阈值最小距离——则可省略相邻设施中形成相关边的顶点的至少一个相邻设施,并且可利用剩余的相邻设施来重新计算多边形,任选地,通过添加一个或多个另外的相邻设施。以这种方式,多边形可以是包围目标设施12的最大多边形,其可由在距目标设施12的最大规定半径内的相邻设施14形成。
显然,针对该特定示例,需要至少三个相邻设施14;然而,显然也可使用大于三的任何数量的相邻设施。实际上,更大数量的相邻设施可得到更准确的预测。
在图1所示的示例中,目标设施12具有形成多边形/三角形ABC的三个相邻设施14。顶点A处的相邻设施14距目标设施12 10km,顶点B处的相邻设施14距目标设施8km,并且顶点C处的相邻设施14距目标设施25km。在该示例中,规定最大阈值距离是30km,并且因此三个相邻设施14中的每个相邻设施被认为足够靠近以在确定目标设施12的电力输出时被包括在内。在这种情况下,多边形ABC的到目标设施12的最近边是边BC,在其最近点处距目标设施4km。在所述示例中,这被认为距目标设施12足够远以允许及时计算云的传播。在图1所示的示例中,在最坏情况下(在预测准确性方面),云将从目标设施12的大致东北方向来,因为这是在从目标设施12观察时相邻设施14“覆盖最少”的方向。
在一些示例中,当认为目标设施12没有被相邻设施14充分地包围时,如果满足进一步的条件,则仍然可确定电力输出预测。例如,如果主要天气条件的行进方向(例如在这种情况下,云移动的方向)是来自目标设施12被相邻设施14充分地包围的方向,则可确定仍然可获得准确的预测。
作为一个选项,这可基于云16在到达目标设施12之前经过虚拟多边形的哪条(哪些)边来确定。如果相关边离目标设施12足够远,则仍然可获得准确的预测。作为另一个选项,可参考云16的行进方向与从所识别的边的最近点到目标设施12的方向之间的差值来进行确定。例如,如果相应方向之间的角度大于规定阈值角度,则可执行发电预测。作为另一个选项,可参考云16的行进方向与从相邻设施14中的相关一个相邻设施到目标设施12的方向之间的差值来进行确定。
在图1所示的示例中,云锋面16将从目标设施12的大致西南方向来。由于云16将首先在多边形的点C处遇到相邻设施14,因此在该地点/设施处将存在相关联的电力降级的记录。在几分钟内,将在多边形的点A处的相邻设施14处获取另一个降级样本,并且因此可使用以下描述的方法来推断云移动的模式连同其厚度,以估计云16将何时以及如何覆盖目标设施12。例如,如果云16以40km/h的速度移动,则其将在初始检测之后大约15分钟到达目标设施12,因为目标设施12距多边形的边AC 10km远。
返回到图2,一旦已经从相关的相邻设施14获得当前发电数据,根据本发明的下一步骤24涉及确定指示跨区域10(即包括目标设施12和相邻设施14的区域)的当前发电值的当前数据图。具体地,基于所接收的当前发电数据来确定当前数据图。当前数据图提供跨地理区域10的不同部分的当前发电值的指示,这些当前发电值使用所接收的相邻设施数据来计算。
优选地,在确定当前数据图之前将所接收的当前发电数据归一化。有利地,这允许在不同的相邻设施14之间进行直接且有意义的比较,特别是使得各种所接收的值可用于差值或类似操作以确定当前数据图。这是因为不同的相邻设施14将可能具有不同的规格并且具有不同水平的太阳能面板效率。
一个选项是调整从每个相邻设施14接收的当前发电数据,以考虑相应相邻设施14的不同能量收集能力,其中所调整的值用于确定当前数据图。
优选的选项是使用来自相应相邻设施的历史数据将所接收的当前发电量归一化。有利地,该方法不需要知道影响相邻设施14中的每个相邻设施的电力输出的各种规格细节,例如,面板效率、面板角度等。即,与一些已知方法不同,所述方法不需要执行从电力输出(kW)到辐照度的转换。由于此类转换(其可使用例如受过训练的神经网络来执行)增加了预测中的误差源,所以所述发明允许获得更准确的预测。
特定相邻设施14的历史数据可以是表示相邻设施的发电能力的任何合适的数据。例如,特定相邻设施14的历史数据可包括特定数量的先前日子中的每一天在与当前或实时时间对应的时间(即,时间戳时间t)的电力输出数据。基于该历史数据的代表性的值可被确定并用于将特定相邻设施14的当前电力输出值归一化。例如,可计算历史电力输出值的平均值,然后可将当前电力输出值除以该平均值以获得归一化的当前电力输出值。归一化值也可被称为特定相邻设施14的电力指数。历史数据可被存储在存储器中,使得其可在需要时被检索。
然后相邻设施14中的每个相邻设施的当前电力输出的归一化值可用于确定指示跨地理区域10的不同部分的当前能量收集能力的当前数据图。在一个示例中,数据图是热图。例如,地理区域10可被视为笛卡尔平面,每个相邻设施14的归一化的电力输出值表示平面上的点。
可跨区域10限定规则网格,其中网格点之间的间隔相等。在一个示例中,网格点在二维网格中间隔10米;然而,应当理解,可使用任何合适的间隔。最靠近相应相邻设施14的网格点可被设定为具有等于相应相邻设施14的归一化的当前输出值的值。这将导致网格点中的一些网格点具有限定值,而一些没有。因此,可使用具有限定值的网格点来执行内插,以限定跨区域网格的剩余网格点的值。在一个示例中,可在现有的归一化值(电力指数)的值之间执行三次插值。然而,可使用其它合适的插值方法,例如线性插值、克里格法、自然邻近插值或双谐波样条插值。
一旦确定了网格的缺失或未限定值,就可基于网格值来确定热图。即,热图表示指示跨地理区域10的当前或实时能量收集机会的参数的量值。然后可将该(当前)热图存储在数据库中,以备在后续处理中使用。
再次参考图2,根据本发明的步骤26涉及确定指示在未来时间(即,未来时间步,诸如下一时间步t+1)跨区域10的发电值的未来数据图。具体地,基于当前数据图(如上所述确定的)并且还基于一个或多个先前数据图来进行该确定。例如,先前数据图可对应于指示在先前时间步t-1(相对于当前时间步t)跨区域10的发电值的图。具体地,先前数据图可能已经以与当前数据图对应的方式进行计算,如上所述,并且被存储在数据库中以备在后续处理中使用。因此可从存储器检索先前数据图(或先前数据图中的每个先前数据图),以便确定未来数据图。通常,先前时间t-1与当前时间t之间的差值等于当前时间t与未来时间t+1之间的差值。
为了从所检索的当前数据图和先前数据图确定未来数据图,可基于先前数据图和当前数据图来确定区域10的运动矢量场。在当前数据图和先前数据图是区域10的热图图像的示例中,这些热图图像可被输入到算法,该算法可求解光流方程以获得覆盖区域10的限定网格的每个像素/面板的运动矢量。具体地,该算法通过拍摄从相同位置但在时间上严密地隔开的两个图像(即,当前数据图和先前数据图)来确定(跨区域10的指示电力值的)图像的每个像素的运动矢量。
在这种情况下,光流方程将是未限定的,其包含针对两个未知数的一个方程。为了解决这个问题,该算法可针对网格的每个像素假设相邻像素经历相同的运动,从而创建过度限定该系统的一组方程。这然后可使用例如最小二乘法来求解,以获得中心像素的近似运动矢量。
可使用任何合适的算法来确定运动矢量场,诸如Lucas-Kanade方法、Farneback多项式展开法、各向异性扩散方法或Horn-Schunk方法。尽管仅使用两个帧来描述上述示例,即,针对时间t-1和t的数据图,应当理解,可使用更大数量的帧。
然后可沿着所确定的运动矢量场将当前数据图转换到未来时间步t+1,以获得在时间t+1的预期电力指数热图,即,未来数据图。以这种方式,产生区域/地区10的电力指数的插值热图,并且使用光流方法来推断其未来位置以允许确定电力预测。
使用光流方法的另选方案可以是使用确定或预测下一视频帧的算法。例如,这可以是机器学习或人工智能算法,该算法采用当前数据图和先前数据图形式的已知帧作为输入,并且在时间t+1以未来数据图形式输出预测帧。
再次参考图2,根据本发明的方法的下一步骤28涉及基于在步骤26处获得的未来数据图来确定目标设施12在未来时间t+1的预测发电值。在其中未来数据图包括归一化的发电值的情况下,则该归一化需要被逆转以获得实际预测发电或输出值。
以与上述归一化过程对应的方式,反转过程可利用与目标设施12相关联的历史数据。具体地,这可涉及从存储器检索指示目标设施12的一个或多个历史发电值的历史发电数据。
目标设施12的历史数据可以是表示目标设施12的发电能力的任何合适的数据。例如,历史数据可包括特定数量的先前日子中的每一天在与未来或当前时间对应的时间的电力输出数据。
基于该历史数据的代表性的值可被确定并用于逆转从未来数据图获得的目标设施12的未来电力输出值的归一化。例如,可计算历史电力输出值的平均值,并且然后可将从未来数据图获得的归一化的未来电力输出值(即,在对应于目标设施12的点处的未来数据图的值)乘以该平均值,以获得实际的预测或预期电力输出值。然后可重复方法20以获得下一未来时间步的预期电力输出值。
在上文中,描述了使用从相邻设施14中的每个相邻设施获得的发电数据来确定当前数据图和先前数据图。优选地,该确定还使用从目标设施12本身获得的发电数据。
一旦已经获得目标设施12的预测发电值,则该信息可用于通知设备等的电力调度。例如,可输出指示预测发电值的信号,使得可采取适当的控制动作。该方法可任选地包括基于预测发电值来发送控制信号以控制由目标设施12供电的一个或多个设备的操作。例如,可执行电池充电的自动调度以优化充电效率,例如,当预测到目标设施12处的能量收集潜力的时间间隔(例如,由于云层覆盖)时不调度充电。例如,预期电力输出可用于调度设备,以在晴天或云移开的情况下利用预期过剩的太阳能,或如果预期在短期内(例如,接下来的15至20分钟)没有足够多的太阳能,则临时地使一些设备暂停。而且,预期可再生能源的短期过剩或不足可在对等的本地交互式能源系统中得到利用,以更好地映射短期内可再生能源的生产者和消费者,从而解决潜在的电力不平衡。
因此,本发明通过例如在微网格和智能网格中更好地规划能量调度来提供用于解决(短期)电力不平衡的附加的支持,从而保持更高的电力质量水平并且减少可再生能源的缩减。
图3示意性地示出了用于确定目标设施12是否被相邻设施14充分地包围使得可获得所需/期望准确性的预测的另选的方法。在例示的示例中,可看到存在潜在地可用于预测的九个相邻设施14。然而,这些相邻设施14中的一些相邻设施(即,相邻设施14a)被识别为距目标设施12太远,即它们大于规定最大阈值距离,例如,30km。
因此,仅剩余的相邻设施14(即,相邻设施14b)将被用于确定目标设施12是否具有(附近的)相邻设施14的足够多的分布以获得准确的预测。为了做到这一点,可形成从目标设施12到附近的相邻设施14b中的每个相邻设施的(虚拟)径向线。然后可执行计算以检查这些径向线(仅到附近的相邻设施14b)之间角度中的任何角度是否大于规定阈值角度。仅作为例示性示例,阈值角度可以是120度。假设角度中的每个角度小于阈值角度,则可确定目标设施12具有相邻设施14的足够多的分布以获得准确的预测。
所述方法可在任何合适的计算设备上实现,例如通过在一个或多个计算机处理器上实现的一个或多个功能单元或模块实现。此类功能单元可由使用常规或客户处理器和存储器在任何合适的计算基板上运行的合适的软件来提供。该一个或多个功能单元可使用公共计算基板(例如,它们可在同一服务器上运行)或独立基板,或一者或两者自身可分布在多个计算设备之间。计算机存储器可存储用于执行该方法的指令,并且处理器可执行所存储的指令以执行该方法。
实现该方法的计算设备可现场位于目标可再生能源设施附近,或可远离目标可再生能源设施定位。计算设备可以是可与相邻设施通信以接收发电数据的网络(例如,云网络)的一部分。被执行以实现该方法的处理可在单个位置处或在作为分布式网络的一部分的不同位置中执行,任选地,全部或部分地在云中执行。
在不脱离本文特别参考所附权利要求来限定的本发明的实质和范围的情况下,可对上述示例进行许多修改。
尽管已经在太阳能的上下文中描述了上述示例,但应当理解,本发明也适用于不同类型的可再生能源。假设发电数据可用于收集相同类型的可再生能源的周围设施,则可确定目标设施的发电预测,其考虑了感兴趣的地理区域上的变化的天气条件,例如,云层覆盖、风向、风速等。
在上述示例中,需要多个相邻设施(例如,至少三个相邻设施),以便提供对目标设施处的预期发电的准确确定。然而,应当理解,更一般地,一个或多个相邻设施可足以提供准确的预测。例如,如果单个相邻设施被定位在目标设施与即将到来的锋面(例如,云层覆盖)之间,则这可能仍然足以在云层覆盖到达目标设施之前预测在目标设施处的电力输出的降级。
Claims (21)
1.一种用于确定可再生能源设施的预测发电的计算机实现的方法,所述方法包括:
接收指示一个或多个相邻可再生能源设施中的每个相邻可再生能源设施的当前发电值的当前发电数据;
基于所接收的当前发电数据来确定指示跨包括所述可再生能源设施和所述一个或多个相邻可再生能源设施的区域的当前发电值的当前数据图;
检索指示在先前时间跨所述区域的发电值的先前数据图,以及基于所述先前数据图和所述当前数据图来确定指示在未来时间跨所述区域的发电值的未来数据图;以及,
基于所确定的未来数据图来确定所述可再生能源设施在所述未来时间的预测发电值。
2.根据权利要求1所述的方法,所述方法包括:对于所述相邻可再生能源设施中的每个相邻可再生能源设施:
检索指示所述相邻可再生能源设施的一个或多个历史发电值的历史发电数据;以及,
将所接收的当前发电数据相对于所检索的历史发电数据归一化,其中基于所归一化的当前发电数据来确定所述当前数据图。
3.根据权利要求2所述的方法,其中将所接收的当前发电数据归一化包括将所述当前发电值除以表示所述相邻可再生能源设施的所述一个或多个历史发电值的值,任选地,所述一个或多个历史发电值的平均值。
4.根据权利要求2或权利要求3所述的方法,其中所检索的历史发电数据包括所述相邻可再生能源设施在一个或多个先前日期的与当前时间相同的时间的发电值。
5.根据权利要求2至4所述的方法,其中所述未来数据图包括归一化的发电值,并且其中确定所述预测发电值包括:
检索指示所述可再生能源设施的一个或多个历史发电值的历史发电数据;
从所确定的未来数据图获得所述可再生能源设施在所述未来时间的归一化的预测发电值;以及,
从相对于所述可再生能源设施的所检索的历史发电数据的所述归一化的预测发电值来确定所述预测发电值。
6.根据权利要求5所述的方法,其中确定所述预测发电值包括将所述归一化的预测发电值乘以表示所述可再生能源设施的所述一个或多个历史发电值的值,任选地,所述一个或多个历史发电值的平均值。
7.根据任一前述权利要求所述的方法,其中确定所述当前数据图包括跨所述区域对指示当前发电值的所述数据进行插值,任选地,跨覆盖所述区域的网格执行插值。
8.根据权利要求7所述的方法,其中所述当前数据图是从指示当前发电值的插值数据获得的热图。
9.根据任一前述权利要求所述的方法,其中确定所述未来数据图包括:
基于所述先前数据图和所述当前数据图来确定所述区域的运动矢量场;以及,
沿着所确定的运动矢量场将所述当前数据图转换到所述未来时间。
10.根据权利要求9所述的方法,其中确定所述运动矢量场包括应用以下中的一者:Lucas-Kanade算法;Farneback多项式展开法;各向异性扩散法;以及,Horn-Schunk方法。
11.根据任一前述权利要求所述的方法,其中所述相邻可再生能源设施中的每个相邻可再生能源设施在距所述可再生能源设施的规定距离内。
12.根据任一前述权利要求所述的方法,所述方法包括:在确定所述当前数据图之前:
对于所述相邻可再生能源设施中的每个相邻可再生能源设施,在所述相邻可再生能源设施与所述可再生能源设施之间形成虚拟线;以及,
如果邻近的虚拟线之间的角度中的每个角度低于规定阈值角度,任选地其中所述规定阈值角度是120度,则确定所述当前数据图。
13.根据任一前述权利要求所述的方法,所述方法包括:在确定所述当前数据图之前:
在所述相邻可再生能源设施之间拟合虚拟多边形,每个相邻可再生能源设施是所述虚拟多边形的顶点,并且每对邻近的相邻可再生能源设施通过所述虚拟多边形的边连接;
识别最靠近所述可再生能源设施的边;以及,
如果所述可再生能源设施与所识别的边到所述可再生能源设施的最近点之间的距离大于规定距离,则确定所述当前数据图。
14.根据权利要求13所述的方法,所述方法包括:
接收所述可再生能源设施附近的天气条件的行进方向,任选地,风向;以及,
如果所述行进方向与从所识别的边的所述最近点到所述可再生能源设施的方向不同,任选地,如果相应方向之间的角度大于规定阈值角度,则确定所述当前数据图。
15.根据任一前述权利要求所述的方法,其中所述先前时间与当前时间之间的差值等于所述当前时间与所述未来时间之间的差值。
16.根据任一前述权利要求所述的方法,所述方法包括输出指示所述预测发电值的信号,任选地,包括基于所述预测发电值来发送控制信号以控制由所述可再生能源设施供电的一个或多个设备的操作。
17.根据任一前述权利要求所述的方法,其中所述可再生能源设施和所述相邻可再生能源设施是以下中的一者:
太阳能设施;
风能设施;和,
波浪能设施。
18.一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质上存储有指令,所述指令在由处理器执行时使所述处理器执行根据任一前述权利要求所述的方法。
19.一种系统,所述系统包括一个或多个计算机处理器以用于确定可再生能源设施的预测发电,所述系统被配置为:
接收指示一个或多个相邻可再生能源设施中的每个相邻可再生能源设施的当前发电值的当前发电数据;
基于所接收的当前发电数据来确定指示跨区域的当前发电值的当前数据图,所述区域包括所述可再生能源设施和所述一个或多个相邻可再生能源设施;
检索指示在先前时间跨所述区域的发电值的先前数据图,以及基于所述先前数据图和所述当前数据图来确定指示在未来时间跨所述区域的发电值的未来数据图;以及,
基于所确定的未来数据图来确定所述可再生能源设施在所述未来时间的预测发电值。
20.根据权利要求19所述的系统,所述系统包括控制器,所述控制器被配置为基于所述预测发电值来发送控制信号以控制由所述可再生能源设施供电的一个或多个设备的操作。
21.一种可再生能源设施,所述可再生能源设施包括根据权利要求19或权利要求20所述的系统。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/EP2021/057276 WO2022199789A1 (en) | 2021-03-22 | 2021-03-22 | Predicting power generation of a renewable energy installation |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117043793A true CN117043793A (zh) | 2023-11-10 |
Family
ID=75377710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180095403.7A Pending CN117043793A (zh) | 2021-03-22 | 2021-03-22 | 预测可再生能源设施的发电 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20240095612A1 (zh) |
EP (1) | EP4315194A1 (zh) |
CN (1) | CN117043793A (zh) |
WO (1) | WO2022199789A1 (zh) |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100198420A1 (en) * | 2009-02-03 | 2010-08-05 | Optisolar, Inc. | Dynamic management of power production in a power system subject to weather-related factors |
-
2021
- 2021-03-22 CN CN202180095403.7A patent/CN117043793A/zh active Pending
- 2021-03-22 US US18/551,784 patent/US20240095612A1/en active Pending
- 2021-03-22 WO PCT/EP2021/057276 patent/WO2022199789A1/en active Application Filing
- 2021-03-22 EP EP21716274.2A patent/EP4315194A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
EP4315194A1 (en) | 2024-02-07 |
WO2022199789A1 (en) | 2022-09-29 |
US20240095612A1 (en) | 2024-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10928845B2 (en) | Scheduling a computational task for performance by a server computing device in a data center | |
Wang et al. | A minutely solar irradiance forecasting method based on real-time sky image-irradiance mapping model | |
Wang et al. | A satellite image data based ultra-short-term solar PV power forecasting method considering cloud information from neighboring plant | |
Tascikaraoglu | Evaluation of spatio-temporal forecasting methods in various smart city applications | |
US10359797B2 (en) | Weather tracking in a photovoltaic energy generation system | |
US20200241170A1 (en) | System and method for variance-based photovoltaic fleet power statistics building with the aid of a digital computer | |
Carneiro et al. | Review on photovoltaic power and solar resource forecasting: current status and trends | |
EP2891904A1 (en) | Solar irradiance forecasting | |
CN103971169A (zh) | 一种基于云量模拟的光伏超短期发电功率的预测方法 | |
Lonij et al. | Forecasts of PV power output using power measurements of 80 residential PV installs | |
Paletta et al. | Omnivision forecasting: Combining satellite and sky images for improved deterministic and probabilistic intra-hour solar energy predictions | |
Bosisio et al. | Improving DTR assessment by means of PCA applied to wind data | |
Moreno et al. | A day-ahead irradiance forecasting strategy for the integration of photovoltaic systems in virtual power plants | |
Hatanaka et al. | Diffusion models for high-resolution solar forecasts | |
WO2016176064A1 (en) | Charging profiles for a storage device in an energy generation system | |
Dissawa et al. | Cross-correlation based cloud motion estimation for short-term solar irradiation predictions | |
US20200379824A1 (en) | Hybrid spatial-temporal event probability prediction method | |
Wen et al. | A regional solar forecasting approach using generative adversarial networks with solar irradiance maps | |
CN114895380A (zh) | 一种太阳辐射预测方法、装置、设备和介质 | |
Trigo-González et al. | Photovoltaic power electricity generation nowcasting combining sky camera images and learning supervised algorithms in the Southern Spain | |
WO2017221343A1 (ja) | 太陽光出力予測装置、電力系統制御装置及び太陽光出力予測方法 | |
CN117043793A (zh) | 预测可再生能源设施的发电 | |
Kamadinata et al. | Solar irradiance fluctuation prediction methodology using artificial neural networks | |
EP3271875A1 (en) | System and method for predicting solar power generation | |
US11728767B2 (en) | Techniques for quantifying behind-the-meter solar power generation |
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 |