CN117713218A - 一种基于知识与数据融合驱动的光伏出力预测方法 - Google Patents
一种基于知识与数据融合驱动的光伏出力预测方法 Download PDFInfo
- Publication number
- CN117713218A CN117713218A CN202311847004.9A CN202311847004A CN117713218A CN 117713218 A CN117713218 A CN 117713218A CN 202311847004 A CN202311847004 A CN 202311847004A CN 117713218 A CN117713218 A CN 117713218A
- Authority
- CN
- China
- Prior art keywords
- irradiance
- photovoltaic
- data
- photovoltaic module
- knowledge
- 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 43
- 230000004927 fusion Effects 0.000 title claims abstract description 27
- 238000010248 power generation Methods 0.000 claims abstract description 25
- 230000007246 mechanism Effects 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000010521 absorption reaction Methods 0.000 claims abstract description 8
- 238000003062 neural network model Methods 0.000 claims abstract description 6
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 4
- 238000012937 correction Methods 0.000 claims description 33
- 230000003595 spectral effect Effects 0.000 claims description 28
- 230000004044 response Effects 0.000 claims description 14
- 238000002834 transmittance Methods 0.000 claims description 11
- 238000005316 response function Methods 0.000 claims description 10
- 238000001228 spectrum Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 7
- 230000003287 optical effect Effects 0.000 claims description 7
- 238000002310 reflectometry Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 244000025254 Cannabis sativa Species 0.000 claims description 2
- 230000004913 activation Effects 0.000 claims description 2
- 238000004140 cleaning Methods 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims description 2
- 238000011176 pooling Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 abstract description 6
- 238000013499 data model Methods 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 3
- 239000011521 glass Substances 0.000 description 3
- 238000003064 k means clustering Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910021421 monocrystalline silicon Inorganic materials 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- H02J3/38—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
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Power Engineering (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明公开了一种基于知识与数据融合驱动的光伏出力预测方法,涉及电力系统技术领域,包括采集光伏历史数据、地理位置数据及NWP天气数据,进行数据预处理,分析光伏板吸收辐照度的机理建立有效辐照度机理模型,依据发电数据和天气数据,将数据聚类为晴天、阴天、雨天三个场景,结合天气数据和机理模型得到的特征序列,在不同天气场景下利用CNN‑LSTM神经网络建模得到不同场景下的光伏出力预测模型,判断未来一段时间内的天气类别,输入对应算法模型得到光伏出力预测数据,在晴天场景下,知识与数据融合驱动的光伏出力预测模型的预测结果相较于传统的BP神经网络模型、单一的LSTM数据模型、CNN‑LSTM混合数据模型,RMSE分别降低了32%、37%、26%,预测精度得到较大提升。
Description
技术领域
本发明涉及电力系统技术领域,尤其是涉及一种基于知识与数据融合驱动的光伏出力预测方法。
背景技术
光伏电站建设环境复杂,人工检测难度大、运维检修成本高且具有安全风险,亟待进一步的技术提升。光伏功率预测作为光伏电站智能化调控以及光伏系统灵活化运行的基础支撑技术,一直都备受重视。为减少弃光弃电,增加光伏出力稳定性,研究光伏功率精准预测及装备性能评估技术,对光伏电站性能精准评估、系统高效运维具有重要意义。
目前主流预测方法往往只是对模型进行不同程度的改进和完善,对光伏出力的机理层面分析不足,对光伏出力影响因素考虑不全面,导致模型精度偏低,普适性较差。本发明特别针对传统模型预测精度低的问题,提出了一种基于知识与数据融合驱动的光伏出力预测方法,适应多气候类型及多运行工况的光伏电站动态输出功率预测。
发明内容
本发明提供了一种基于知识与数据融合驱动的光伏出力预测方法,解决变天气类型、多变运行工况下光伏电站功率的全时序精准预测难题。
一种基于知识与数据融合驱动的光伏出力预测方法包括以下步骤:
步骤1:获取历史气象数据及光伏电站时序历史出力数据并进行预处理,采用聚类分析将历史气象数据划分为多个不同的天气类型,同时获取光伏电站地理位置信息及光伏组件性能参数;所述光伏组件有效辐照度通过直接辐照度、散射辐照度和地面反射辐照度计算获得;
步骤2:结合历史空气质量信息初步建立光伏组件在不同空气质量条件下的光谱响应模型,进一步采用光伏组件光谱检测仪现场测试数据修正,建立不同光伏组件在不同空气质量条件下的光谱响应修正函数;
步骤3:采用光谱检测仪现场测试得到的不同入射角对应的光伏板透射率,构造,建立不同光伏组件在不同太阳光入射角下的入射角-透射率修正函数;
步骤4:结合光伏电站地理信息数据和影响光伏组件吸收辐照度的经验参数,初步建立基于知识的光伏组件有效辐照度预测模型;进一步通过辐照度测试仪现场检测光伏电站不同位置的光伏组件辐照度,结合步骤2和步骤3建立的光谱响应修正函数和入射角-透射率修正函数,对基于知识的光伏组件有效辐照度预测模型进行修正,形成知识-数据融合的光伏组件有效辐照度预测模型;
步骤5:将气象数据及光伏板的物理参数代入到步骤4中所建立的知识-数据融合的光伏组件有效辐照度预测模型,获得不同时段不同气象条件下的光伏组件有效辐照度;
步骤6:针对不同天气类型下的光伏组件历史发电功率和光伏组件有效辐照度预测数据,建立基于CNN-LSTM神经网络的光伏电站功率预测模型;
步骤7:判断未来某一时段所属的天气类型,将步骤5获得的有效辐照度数据及光伏组件历史出力数据代入步骤6建立的光伏电站功率预测模型中,预测该时段的光伏电站出力数据;
作为优选,光伏组件环境参数动态变化,如地面反射率大小会直接影响到地面反射辐照度,且会随着地面积灰、地面长草、地面下雪、地面清洁情况发生相应改变,需要对知识-数据融合的光伏组件有效辐照度预测模型进行实时修正;
作为优选,当光伏出力预测数据与实时运行数据偏差大于5%时,采用现场运行数据对光伏电站功率预测模型进行修正。
作为优选,所述基于知识的光伏组件有效辐照度预测模型表达式如下:
其中,ET0表示基于经验知识的光伏组件有效辐照度预测数据,Eb×Rb表示斜面上的太阳直接辐照度,Eb是水平面上的太阳直接辐照度,表示倾斜表面上的太阳直接辐射量,β是PV板的倾斜角,Ed是水平面上的太阳散射辐照度,(Eb+Ed×cosθz)×/>表示地面反射辐照度,ρ是地面反射率,θT为太阳光线在倾斜表面上的入射角,θz为天顶角;
作为优选,所述知识-数据融合的光伏组件有效辐照度预测模型表达式如下:
其中,ET表示基于经验知识的光伏组件有效辐照度预测数据;f(AMa)为光谱修正光伏组件吸收辐照度系数;f(θ)为入射角修正光伏组件吸收辐照度系数;SP为空间位置修正光伏组件吸收辐照度系数。
所述光谱修正光伏组件吸收辐照度系数,是以大气光学质量AMa=1.5条件下光伏组件的光谱响应函数为参考,将当前大气光学质量条件下组件的光谱响应函数与参考的光谱响应函数的积分比值作为修正参数;
进一步优选,所述大气光学质量AMa和光谱修正系数M表达式如下:
其中,P为大气压力,P0为标准大气压力,Rr(λ)为参考光伏组件的光谱响应,Rt(λ)为当前条件下光伏组件的光谱响应,E0(λ)为参考的光谱辐照度,E(λ)为光谱辐照度,λ1、λ2、λ3、λ4为积分区间,即光伏电池光谱响应的波长范围。
作为优选,光伏电站尤其是大型光伏电站不同区域的光伏组件所吸收到的辐照度大小存在差异,其与气象测量点的相对位置不同将会导致实际接收的辐照度大小不同,因此通过实际测量光伏组件与气象测量点不同相对位置所对应的辐照度大小差异,汇总成对应表并拟合成光伏组件吸收辐照度与相对空间位置信息的对应曲线,进而获得不同空间位置修正光伏组件吸收辐照度系数函数。
作为优选,所述CNN-LSTM神经网络模型架构包括依次连接的一个输入层(历史功率数据和有效辐照度)、一个卷积层、一个池化层、两个LSTM层、一个Relu激活层、一个全连接层、一个回归层和光伏组件发电功率输出层。
所述光伏组件发电功率出力模型表达式如下:
P=ηSET[1-β(Tc-Tcref)] (5)
式中:P代表的是光伏出力功率;η代表的是光电转换效率;S代表的是太阳能电池板面积;ET代表的是太阳能电池板实际接收到的太阳辐照度;β代表的是温度系数,一般光伏组件的峰值功率温度系数大概在-0.35%/℃~0.50%/℃之间;Tc代表的是太阳能电池板表面的温度;Tcref代表的是环境参考温度,标准条件下一般取25℃。
与现有技术相比,本发明的有益效果及优点在于:
(1)本发明的有效辐照度机理模型部分,充分考虑了影响光伏板吸收的辐照度的多种影响因素,并通过大量数据对传统的辐照度计算模型进行多方面的修正,实现了光伏组件吸收的有效辐照度精准预测。
(2)本发明提取不同历史日的天气特征,将历史数据聚类划分为晴、阴、雨三类,并训练不同类型的出力预测模型,结合机理模型预测得到的有效辐照度数据,最终实现光伏出力的精准预测。通过实例验证,所述混合模型的预测结果相较于传统的BP神经网络模型、单一的LSTM数据模型、CNN-LSTM混合数据模型,RMSE分别降低了55%、52%、48%,预测精度得到较大提升。
(3)本发明通过机理与数据融合的混合模型精准预测光伏出力,有效减少弃光,为光伏电站决策提供依据,有助于提高电站运行的稳定性,利于推动太阳能产业的进一步发展。
附图说明
图1是本发明的光伏出力预测混合模型流程框图;
图2是本发明的光伏组件吸收的有效辐照度计算示意图;
图3是本发明的机理模型流程示意图;
图4是本发明的入射角对应的光伏板透射率修正函数实验仪器简图;
图5是本发明在实施实例中得到的晴天天气情况下的预测结果对比图。
图6是本发明在实施实例中得到的阴天天气情况下的预测结果对比图。
图7是本发明在实施实例中得到的雨天天气情况下的预测结果对比图。
具体实施方式
下面将通过具体的实施例结合附图对本发明做详细说明,以使人更加直观形象地理解本发明的内容及具体特征,但本发明的保护范围不限于下述的实施例。
如附图1所示,本发明涉及一种基于知识与数据融合驱动的光伏出力预测方法,包括数据获取及数据预处理,根据气象数据以及地理信息的机理模型分析,原始发电数据的聚类分析,CNN-LSTM神经网络建模,光伏发电功率的预测。本发明首先获取建模所需的光伏发电历史数据和光伏电站气象数据原始数据,进行数据预处理,并基于光伏发电功率数据和光伏电站气象数据,采用k-means算法将天气类型分为晴天、阴天、雨天三类,结合建立的知识模型,获得光伏组件的有效辐照度数据,采用CNN-LSTM神经网络进行建模分析,获得光伏电站未来时段的发电功率预测数据。
优选地,采集光伏电站的光伏发电功率历史数据,采用光伏电站的环境监测仪获取太阳直接辐照度、散射辐照度、太阳天顶角、环境温度、臭氧浓度、风速、风向影响光伏发电功率的环境因素数据,通过异常值剔除,缺失值补全方法进行数据预处理,采用k-means聚类方法将光伏电站数据聚类为晴天、阴天、雨天三种类型。数据预处理包括基于箱线图法的异常值处理、基于移动均值的插值处理和有效发电数据的筛选。
优选地,通过皮尔逊相关系数方法对影响光伏发电功率的因素进行相关性分析,筛选出影响光伏发电功率的关键气象因子。皮尔逊相关系数(Pearson CorrelationCoefficient)可以对不同因素间相关性进行量化分析,相关系数越接近±1,表示与光伏发电功率的相关性越大。已知两随机变量的采样序列分别为:x={x1,…,xn},y={y1,…,yn},则两随机变量之间的皮尔逊相关系数rp可以表示为:
式中:n表示采样序列大小;和/>分别表示随机变量x和y的样本均值。
本发明采用某个光伏电站的实际运行数据做相关性分析,将相关系数rp按照从大到小排序。经过排序之后的光伏发电功率和不同气象特征之间的相关系数如表1所示。
表1影响光伏发电功率的不同变量之间的相关系数
通过分析表1的数据,在影响光伏发电功率的气象因素中,直接辐照度、散射辐照度、环境温度、太阳天顶角具有较高的相关性,通过所述知识-数据融合的光伏组件有效辐照度模型获得的有效辐照度与光伏发电功率的相关系数达到了0.935,在各个因素中相关性最高,从相关性层面验证了所述知识-数据融合的光伏组件有效辐照度模型的有效性。
优选地,不同材料的光伏组件具有不同的光谱响应,针对单晶硅光伏组件,通过实验测得不同大气光学质量下的光谱响应函数,所述光谱响应修正函数表达式为:
优选地,通过实验测得不同入射角情况下组件的透射率数据,针对标准的光伏玻璃,所述入射角-透射率修正函数表达式为:
f(θ)=-1.474×10-6·e0.1486·θ+1.005e-6.515×10-4·θ (8)
优选地,通过实验测得不同位置条件下的辐照度大小,建立地理位置修正函数,对不同位置的光伏组件进行辐照度修正。
优选地,通过所述知识-数据融合的光伏组件有效辐照度模型,结合采集的光伏电站气象数据、光伏组件性能数据,获得光伏电站的有效辐照度数据,采用k-means聚类算法,结合气象数据将历史数据分为晴天、阴天、雨天三种类型,采用CNN-LSTM神经网络,结合三种天气类型的数据进行模型训练得到晴天预测模型、阴天预测模型和雨天预测模型;判断预测时段所属天气类型,代入对应预测模型得到光伏发电功率预测值。
优选地,所述辐照度计算机理如图2所示,光伏组件吸收的有效辐照度由(1)直接辐照度、(2)散射辐照度、(3)地面反射辐照度三部分组成,图中1为光伏组件,2为地面,地面反射率由2的实际工况条件决定,3为大气中云层、臭氧、二氧化碳吸收太阳辐射的部分,经过3散射到光伏组件的辐照度为散射辐照度,4为太阳光,是辐照度的源头。
优选地,所述入射角-透射率修正函数通过图4的实验系统获得,图4为实验系统的简图,5为光源,6为量角器,7为光伏板,8为光谱仪,实验系统简图仅为说明实验目的及实施方案,用于测试光伏玻璃透射率以及接收透射光部分所必要的实验仪器并未列出。5中发出的光以垂直地面的方向射向光伏组件,6的底线平行于地面,7中设有转轴,可以方便地修改入射角角度,8的作用为接收透射过光伏玻璃的透射光辐照度,经过计算后,记录不同入射角情况下光伏玻璃的透射率大小,从而得到入射角-透射率修正函数。
优选地,分别选取晴天、阴天、雨天的典型日,选取单一LSTM模型、单一BP模型、CNN-LSTM混合模型和所述基于知识与数据融合驱动的光伏出力预测方法对比,在不同的天气类型下,所述基于知识与数据融合驱动的光伏出力预测方法预测结果均好于其他模型,验证了所述基于知识与数据融合驱动的光伏出力预测方法在光伏功率预测方面的优越性,预测结果如表2所示:
表2不同天气类型的不同预测模型的预测结果
优选地,所述基于知识与数据融合驱动的光伏出力预测方法,相较于传统的BP神经网络预测而言,雨天、阴天、晴天预测结果的RMSE分别降低了32.05%、3.21%、18.56%;相较于单一的LSTM数据模型而言,雨天、阴天、晴天预测结果的RMSE分别降低了37.38%、24.22%、17.45%。相较于CNN-LSTM混合数据模型而言,雨天、阴天、晴天预测结果的RMSE分别降低了26.29%、16.40%、42.80%。在晴天、阴天、雨天3种不同的天气情况下,所述基于知识与数据融合驱动的光伏出力预测方法预测结果拟合度(R2)均优于传统的神经网络模型,说明了所提的混合模型在晴天、阴天、雨天情况下的光伏功率预测方面均具有较大优势。
优选地,所述基于知识与数据融合驱动的光伏出力预测方法基于光伏发电机理,面对不同的应用场景,将不同环境的影响转化为模型的物理参数,耦合数据驱动方法实现光伏发电功率的高精度预测,具有很强的适应性。所述基于知识与数据融合驱动的光伏出力预测方法能够提高光伏电站友好并网水平,增加电站运行的稳定性,具有很强的适用性。
本发明提及的其他技术,例如数据预处理、K-means聚类等均为现有技术,因而未加详述。
以上结合实施例对本发明进行了详细说明,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,均应仍属于本发明的专利涵盖范围之内。
Claims (8)
1.一种基于知识与数据融合驱动的光伏出力预测方法,其特征在于,包括以下步骤:
步骤1:获取历史气象数据以及历史光伏发电功率数据并进行数据预处理,通过k-means算法聚类将历史气象数据划分为晴天、阴天、雨天三个不同的天气类型;
步骤2:通过光伏电站现场数据采集,获取不同光伏组件倾角、方位角地理位置信息以及短路电流、开路电压、额定温度性能参数;
步骤3:通过光伏组件光谱检测仪现场测试,获取不同的光伏组件在不同大气质量信息条件下的光谱响应函数,并与参考大气质量条件下的组件光谱响应函数对比,建立不同光伏组件在不同空气质量条件下的光谱响应修正函数;
步骤4,采用光谱检测仪现场测试得到的不同入射角对应的光伏板透射率,建立不同光伏组件在不同太阳光入射角下的入射角-透射率修正函数;
步骤5,针对大型光伏电站的光伏组件在不同位置接收辐照度的差异,采用辐照度检测仪测量不同地理位置的辐照度变化,并通过数据拟合建立在不同位置情况下的辐照度地理位置修正函数;
步骤6:根据步骤2得到的光伏组件地理位置信息及光伏组件性能参数建立光伏组件吸收有效辐照度的知识模型,通过机理和经验知识分析将光伏组件吸收的辐照度分为直接辐照度、散射辐照度及地面反射辐照度三部分,由光伏组件倾角、所处位置经纬度、地面反射率物理参数计算得到有效辐照度;根据步骤3得到的光谱响应修正函数、步骤4得到的入射角-透射率修正函数和步骤5得到的地理位置修正函数对光伏板吸收的有效辐照度进行修正,经过修正得到所述光伏组件有效辐照度知识模型;
步骤7:将步骤1中得到的气象数据和步骤2得到的光伏组件地理位置信息及光伏组件性能参数代入到步骤6建立的光伏组件吸收有效辐照度的知识模型中,计算每日的有效辐照度;
步骤8:根据步骤1划分的不同天气类型,分别训练CNN-LSTM神经网络模型,得到对应不同天气类型的光伏功率预测模型;
步骤9:根据步骤8建立的针对不同天气类型的预测模型,判断未来预测时段所属的天气类型,将预测时段的有效辐照度数据以及光伏组件历史功率数据代入对应的预测模型中,预测光伏功率;
步骤10:将步骤9中预测的光伏功率与实际功率数据对比,采用现场运行数据对光伏电站功率预测模型进行实时修正。
2.根据权利要求书1所述的一种基于知识与数据融合驱动的光伏出力预测方法,其特征在于:历史气象数据包括直接辐照度DNI、散射辐照度DHI、环境温度、相对湿度、臭氧浓度、太阳天顶角、大气压强、风速、风向、PM2.5浓度。
3.根据权利要求书1所述的一种基于知识与数据融合驱动的光伏出力预测方法,其特征在于:数据预处理包括基于箱线图的异常值处理,基于移动均值的插值处理及有效发电数据的筛选。
4.根据权利要求书1所述的一种基于知识与数据融合驱动的光伏出力预测方法,其特征在于:光伏组件的地理位置信息包括光伏组件的倾斜角、方位角、地面反射率,性能参数包括组件效率及额定电气参数。
5.根据权利要求书1所述的一种基于知识与数据融合驱动的光伏出力预测方法,其特征在于:光伏板吸收辐照度由三部分组成,包括折算到光伏组件法线方向的直接辐照度,散射辐照度以及经过地面反射后到达光伏组件的地面反射辐照度,所述入射角-透射率修正函数用于直接辐照度的修正,所述光谱响应修正函数用于总辐照度的修正。
6.根据权利要求书1所述的一种基于知识与数据融合驱动的光伏出力预测方法,其特征在于:光伏电站不同位置的光伏组件所接收的辐照度大小存在差异,考虑不同位置的光伏组件与气象测量点的相对位置,建立所述地理位置修正函数,对不同位置的光伏组件进行辐照度修正。
7.根据权利要求书1所述的一种基于知识与数据融合驱动的光伏出力预测方法,其特征在于:所述CNN-LSTM神经网络模型包括依次连接的一个输入层、一个卷积层、一个池化层、两个LSTM层、一个Relu激活层、一个全连接层、一个回归层和一个输出层,所述输入层用于有效辐照度数据和历史发电功率数据的输入,所述输出层用于光伏发电功率预测数据的输出。
8.根据权利要求书1所述的一种基于知识与数据融合驱动的光伏出力预测方法,其特征在于:光伏组件环境参数动态变化,如地面反射率大小会直接影响到地面反射辐照度,且会随着地面积灰、地面长草、地面下雪、地面清洁情况发生相应改变,需要对知识-数据融合的光伏组件有效辐照度预测模型进行实时修正;
当光伏出力预测数据与实时运行数据偏差大于5%时,采用现场运行数据对光伏电站功率预测模型进行修正;
所述基于知识的光伏组件有效辐照度预测模型表达式如下:
其中,ET0表示基于经验知识的光伏组件有效辐照度预测数据,Eb×Eb表示斜面上的太阳直接辐照度,Eb是水平面上的太阳直接辐照度,表示倾斜表面上的太阳直接辐射量,β是PV板的倾斜角,Ed是水平面上的太阳散射辐照度,/> 表示地面反射辐照度,ρ是地面反射率,θT为太阳光线在倾斜表面上的入射角,θz为天顶角;
所述知识-数据融合的光伏组件有效辐照度预测模型表达式如下:
其中,ET表示基于经验知识的光伏组件有效辐照度预测数据;f(AMa)为光谱修正光伏组件吸收辐照度系数;f(θ)为入射角修正光伏组件吸收辐照度系数;SP为空间位置修正光伏组件吸收辐照度系数;
所述光谱修正光伏组件吸收辐照度系数,是以大气光学质量AMa=1.5条件下光伏组件的光谱响应函数为参考,将当前大气光学质量条件下组件的光谱响应函数与参考的光谱响应函数的积分比值作为修正参数;
所述大气光学质量AMa和光谱修正系数M表达式如下:
其中,P为大气压力,P0为标准大气压力,Rr(λ)为参考光伏组件的光谱响应,Rt(λ)为当前条件下光伏组件的光谱响应,E0(λ)为参考的光谱辐照度,E(λ)为光谱辐照度,λ1、λ2、λ3、λ4为积分区间,即光伏电池光谱响应的波长范围。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311847004.9A CN117713218B (zh) | 2023-12-29 | 2023-12-29 | 一种基于知识与数据融合驱动的光伏出力预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311847004.9A CN117713218B (zh) | 2023-12-29 | 2023-12-29 | 一种基于知识与数据融合驱动的光伏出力预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117713218A true CN117713218A (zh) | 2024-03-15 |
CN117713218B CN117713218B (zh) | 2024-06-25 |
Family
ID=90149822
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311847004.9A Active CN117713218B (zh) | 2023-12-29 | 2023-12-29 | 一种基于知识与数据融合驱动的光伏出力预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117713218B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117937478A (zh) * | 2024-03-22 | 2024-04-26 | 长江三峡集团实业发展(北京)有限公司 | 光伏功率预测方法、装置、计算机设备及存储介质 |
CN118399406A (zh) * | 2024-06-28 | 2024-07-26 | 浙江大学 | 一种基于多源数据的光伏出力预测方法、设备、存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1690727A (zh) * | 2004-04-23 | 2005-11-02 | 富士施乐株式会社 | 紫外线辐射测量方法及紫外线测量设备 |
CN106909985A (zh) * | 2017-01-11 | 2017-06-30 | 沃太能源南通有限公司 | 一种光伏发电预测系统及预测方法 |
CN109299820A (zh) * | 2018-09-20 | 2019-02-01 | 国网河南省电力公司电力科学研究院 | 基于斜面辐射修正的光伏发电功率预测方法及装置 |
US20210194424A1 (en) * | 2019-04-25 | 2021-06-24 | Shandong University | Method and system for power prediction of photovoltaic power station based on operating data of grid-connected inverters |
WO2021204226A1 (zh) * | 2020-04-09 | 2021-10-14 | 国网江苏省电力有限公司苏州供电分公司 | 基于雷云轨迹跟踪的雷电条件下的光伏功率预测方法 |
CN113837426A (zh) * | 2020-11-29 | 2021-12-24 | 上海电力大学 | 一种基于天气分型的光伏功率预测方法 |
US20220373984A1 (en) * | 2021-05-19 | 2022-11-24 | Shandong University | Hybrid photovoltaic power prediction method and system based on multi-source data fusion |
CN116632823A (zh) * | 2023-05-24 | 2023-08-22 | 上海电力大学 | 基于功率转换模型与多层感知机的短期光伏功率预测方法 |
CN117134334A (zh) * | 2023-08-28 | 2023-11-28 | 淮阴工学院 | 一种基于机理-数据驱动混合集成的光伏发电功率预测方法 |
-
2023
- 2023-12-29 CN CN202311847004.9A patent/CN117713218B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1690727A (zh) * | 2004-04-23 | 2005-11-02 | 富士施乐株式会社 | 紫外线辐射测量方法及紫外线测量设备 |
CN106909985A (zh) * | 2017-01-11 | 2017-06-30 | 沃太能源南通有限公司 | 一种光伏发电预测系统及预测方法 |
CN109299820A (zh) * | 2018-09-20 | 2019-02-01 | 国网河南省电力公司电力科学研究院 | 基于斜面辐射修正的光伏发电功率预测方法及装置 |
US20210194424A1 (en) * | 2019-04-25 | 2021-06-24 | Shandong University | Method and system for power prediction of photovoltaic power station based on operating data of grid-connected inverters |
WO2021204226A1 (zh) * | 2020-04-09 | 2021-10-14 | 国网江苏省电力有限公司苏州供电分公司 | 基于雷云轨迹跟踪的雷电条件下的光伏功率预测方法 |
CN113837426A (zh) * | 2020-11-29 | 2021-12-24 | 上海电力大学 | 一种基于天气分型的光伏功率预测方法 |
US20220373984A1 (en) * | 2021-05-19 | 2022-11-24 | Shandong University | Hybrid photovoltaic power prediction method and system based on multi-source data fusion |
CN116632823A (zh) * | 2023-05-24 | 2023-08-22 | 上海电力大学 | 基于功率转换模型与多层感知机的短期光伏功率预测方法 |
CN117134334A (zh) * | 2023-08-28 | 2023-11-28 | 淮阴工学院 | 一种基于机理-数据驱动混合集成的光伏发电功率预测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117937478A (zh) * | 2024-03-22 | 2024-04-26 | 长江三峡集团实业发展(北京)有限公司 | 光伏功率预测方法、装置、计算机设备及存储介质 |
CN117937478B (zh) * | 2024-03-22 | 2024-05-28 | 长江三峡集团实业发展(北京)有限公司 | 光伏功率预测方法、装置、计算机设备及存储介质 |
CN118399406A (zh) * | 2024-06-28 | 2024-07-26 | 浙江大学 | 一种基于多源数据的光伏出力预测方法、设备、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117713218B (zh) | 2024-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117713218B (zh) | 一种基于知识与数据融合驱动的光伏出力预测方法 | |
WO2020215405A1 (zh) | 基于并网逆变器运行数据的光伏电站功率预测方法及系统 | |
Dolara et al. | Comparison of different physical models for PV power output prediction | |
Lindsay et al. | Errors in PV power modelling due to the lack of spectral and angular details of solar irradiance inputs | |
Stefenon et al. | Photovoltaic power forecasting using wavelet neuro-fuzzy for active solar trackers | |
KR102023467B1 (ko) | 기상 데이터를 분석하여 효율을 향상시킨 태양광 발전 시스템 | |
Zhao et al. | Optimal PV panel tilt angle based on solar radiation prediction | |
CN109299820B (zh) | 基于斜面辐射修正的光伏发电功率预测方法及装置 | |
CN102566435A (zh) | 一种光伏电站的性能预报及故障报警方法 | |
Roumpakias et al. | Comparative performance analysis of grid-connected photovoltaic system by use of existing performance models | |
KR102488669B1 (ko) | 구름 음영 효과를 적용한 태양광 발전 예측 시스템 | |
Askins et al. | Performance of hybrid micro-concentrator module with integrated planar tracking and diffuse light collection | |
Pal et al. | Simulation of bifacial and monofacial silicon solar cell short-circuit current density under measured spectro-angular solar irradiance | |
KR102488667B1 (ko) | 머신러닝을 이용한 태양광 발전 예측 시스템 | |
CN116632823A (zh) | 基于功率转换模型与多层感知机的短期光伏功率预测方法 | |
CN113837426A (zh) | 一种基于天气分型的光伏功率预测方法 | |
Peláez | Bifacial solar panels system design, modeling, and performance | |
Yordanov | Characterization and analysis of photovoltaic modules and the solar resource based on in-situ measurements in southern Norway | |
CN116800172B (zh) | 一种光电转换方法及储能系统 | |
CN117236720A (zh) | 利用多气象因子特征的光伏电站发电功率预测方法 | |
CN111596384B (zh) | 一种基于天气类型有效识别的斜面辐射预测方法 | |
Magare et al. | Estimation of module temperature effects on seasonal performance variation of different photovoltaic technology modules | |
CN115759391A (zh) | 一种高精度光伏发电功率预测分析方法及系统 | |
CN115034078A (zh) | 一种针对山地电站的光伏组串融合模型的建模方法 | |
CN107179122B (zh) | 光伏电池表面沙尘沉积和有效太阳辐射的测量方法及装置 |
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 |