基于卫星云图的区域分布式光伏出力预测方法技术

一种基于卫星云图的区域分布式光伏出力预测方法，包括如下步骤：步骤1：按照网格划分区域分布式光伏系统；步骤2：数据记录；步骤3：历史数据处理；步骤4：功率晴空模型的功率数据修正；步骤5：云指数计算；步骤6：对各网格输出功率不同时滞尺度数据、修正后的晴空模型功率、太阳时空模型数据、空气质量数据、气象预报信息和卫星云图云指数算子数据归一化处理，进而利用随机训练方法分别建立Elman神经网络模型；步骤7：将最新计算的输入变量参数输入至上述模型，将每个网格的预测数据叠加作为区域光伏出力预测数据。本发明专利技术预测精度较高、效率较高。

Regional distributed photovoltaic power forecasting method based on satellite cloud image

A regional satellite image based on distributed PV output forecasting method, which comprises the following steps: Step 1: according to the meshing area of distributed photovoltaic system; step 2: Step 3: historical data records; data processing; step 4: clear power power data model; step 5: cloud computing index; step 6: for each at the same time lag output power grid scale data, the modified model of power, sky solar space-time model data, air quality data, weather information and satellite operator Juntuyun index data is normalized, and then establish the Elman neural network model with random training method; step 7: the latest calculation parameter is input to the input variables model, the prediction data superposition of each grid as a regional PV output prediction data. The invention has higher prediction accuracy and higher efficiency.

【技术实现步骤摘要】
基于卫星云图的区域分布式光伏出力预测方法
本专利技术涉及一种基于卫星云图的区域分布式光伏出力预测方法，主要包括一种分布式光伏区域网格分割并分别建模的方法，数据差错处理方法以及充分利用卫星图像改善预测精度的策略和利用随机训练方法的Elman神经网络算法。
技术介绍
随着光伏新能源发电行业的发展，分布式光伏并网规模越来越大。由于光伏出力具有随机性、间歇性和波动性，因此建立精度可靠的光伏发电功率预测系统尤为重要。现有的出力预测方法大多数只考虑单个光伏系统，无法适应实际情况中电网内存在多个分布式光伏系统的情况。其次已有模型无法在输出功率变化较大的情况下即时反映变化信息，导致电网的能量调度不及时，产生电压波动。另一方面部分预测系统采用昂贵的云图测量仪器，不能满足经济性要求。
技术实现思路
为了克服已有现有技术中无法实现区域分布式光伏出力预测的不足，本专利技术提供一种预测精度较高、效率较高的基于卫星云图的区域分布式光伏出力预测方法。本专利技术解决其技术问题所采用的技术方案是：一种基于卫星云图的区域分布式光伏出力预测方法，包括如下步骤：步骤1：按照网格划分区域分布式光伏系统；步骤2：记录区域光伏电站的近期实测功率数据和因特网气象服务器的相关信息和云高度计测量数据；步骤3：对所述光伏电站的历史实测功率数据、因特网气象相关数据和云高度数据进行数据预处理；步骤4：所述分布式光伏电站的空间地理信息和时间信息计算太阳时空模型相关理论数据，并以此修正功率晴空模型的功率数据；步骤5：使用连续两张风云2号气象卫星索引图像，利用Heliosat方法提取云图信息，对得到云指数像素区域进行修正，进而利用平均云指数构造新的云指数算子；步骤6：对各网格输出功率不同时滞尺度数据、修正后的晴空模型功率、太阳时空模型数据、空气质量数据、气象预报信息和卫星云图云指数算子数据归一化处理，进而利用随机训练方法分别建立Elman神经网络模型；步骤7：将最新计算的输入变量参数输入至上述模型，将每个网格的预测数据累加作为区域光伏出力预测数据。进一步，所述步骤4中，修正功率晴空模型的功率数据的过程如下：计算太阳时角ω、太阳天顶角θ和太阳辐射度理论数据GCLR；ω＝15×(ST-12)其中ST为时间，以24小时计，θ＝arccos(sinφsinδ+cosφcosδcosω)其中φ为计算点的纬度，δ为赤纬角，其中k是由经验确定的正常数，ai为拟合得到的经验系数，进一步搜索各分布式光伏系统最临近晴空天气下的历史功率数据进一步利用待测日和上述历史数据日期的理论辐射度数据比值修正功率数据，以此作为晴空模型下的功率数据，式中Picl为待预测时间的晴空功率，G'CLR为待预测时间的模型计算辐射度，G'n为最临近晴空天气对应时间的模型计算辐射度。更进一步，所述步骤5中，云指数算子的计算过程如下：首先在原始卫星云图中截取合适大小区域的局部云图，进一步利用PIV测速，每张图像的所有像素点都被分配一个单独的运动矢量，进而求其平均值其中N为像素点数，ui和vi分别表示水平和竖直方向上的速度，ex和ey指代两个方向；进一步，利用上述云运动平均矢量计算指定时间尺度内云运动经过的像素点数M，该像素点数目为取整值；进一步，通过分析相关区域的每一个像素获得云指数，像素强度用E表示，E(t)＝I0ρcos(θ(t))^((1+α))ρ＝E(t)/(I0ρcos(θ(t))^((1+α)))其中ρ为像素反射率，α为经验系数，I0为地外太阳辐射常数，n＝(ρ-ρ_max)/(ρ_max-ρ_min)其中ρ_max和ρ_min分别是从历史图片中计算得到的最大值和最小值；进一步利用太阳时空模型修正与地面分布式光伏对应的像素区域，将Δy和Δx分别按照权利要求1步骤a所述比例换算成像素点数，利用Δx修正ex横向方向上的偏移，利用Δy修正ey纵向方向上的偏移；Δx＝-htanθsinωΔy＝-htanθcosω其中h为测量的云高度，进一步利用上述各像素点的云指数和像素点数目M，按照云运动方向的反方向选取像素点并求其云指数的平均值进一步利用基础数学函数构造平均云指数的新算子：所述步骤6中，归一化处理；X′(i)＝(X(i)-Xmin(i))/(Xmax(i)-Xmin(i))其中，X′(i)为归一化后的值，X(i)、Xmax(i)、Xmin(i)分别为样本实际值、样本最大值和样本最小值。所述步骤6中，所用的Elman神经网络训练方法为随机训练验证方法，过程如下：6.1)对要学习的数据分组70％用来训练，剩余的数据用来做测试；6.2)训练部分的数据根据天气情况分组进一步分成各20个子集，将各子集中数据随机排序；6.3)多个同类子集随机选择训练Elman神经网络；6.4)训练好的Elman神经网络，通过准备好的测试数据进行测试；6.5)测试结果满足实际需求后停止训练。本专利技术基于卫星云图的区域分布式光伏出力预测方法，利用卫星云图、空气质量信息和天气预报这些互联网气象服务资源，地面光伏系统功率数据信息和云高度计数据。本专利技术实施例提供了一种区域短时间尺度功率预测方法，所述方法包括：网格划分区域分布式光伏出力预测方法；计及云运动的云层指数算法；引入晴空模型功率修正计算公式；利用随机训练方法的Elman神经网络算法。本专利技术提供的区域分布式光伏发电功率预测方法，以指定区域太阳时空模型数据、修正的功率晴空模型数据、卫星云图数据、云高度数据、不同时滞尺度历史功率数据和天气预报数据作为输入变量。与传统的功率预测相比，充分考虑了利用开放的网络数据和理论数据提高了区域分布式光伏出力预测的精准度，降低了建设传感器的成本。预测数据可为电网系统的平稳运行提供数据支持。本专利技术的有益效果主要表现在：1.该预测方法充分利用了网络开放资源，提高区域分布式光伏电站发电功率短时间尺度预测精度，为智能控制区域电力，减少电力系统旋转备用容量，降低运行成本提供数据支撑。2.采用基于卫星云图信息利用改进方法，修正像素区域并引入新的云指数算子，比传统云指数计算更高效的云层指数算法。3.利用随机训练方法建立Elman神经网络模型，避免神经网络的局部过度拟合，提高建模效率。附图说明图1是本专利技术卫星云图应用的计算流程图。图2是本专利技术Elman神经网络训练方法流程图。图3是本专利技术区域分布式光伏预测流程图。具体实施方式下面结合附图对本专利技术作进一步描述。参照图1～图3，一种基于卫星云图的区域分布式光伏出力预测方法，包括以下步骤：步骤1.按照网格划分的区域分布式光伏系统，对指定区域内的分布式光伏系统进行网格划分，使划分网格最小单元的距离符合卫星云图单个像素指代的距离，当实际光伏系统与网格线重合时，以分割部分占比大的作为其所在网格；步骤2.记录所述区域内所有光伏电站的实测功率数据、因特网气象服务网站的卫星云图、空气质量、气象预报信息和云高度计测量数据；步骤3.对各分布式光伏电站的实测功率数据、因特网气象预报相关数据进行数据差错处理，当在记录数据中出现缺测和异常数据时采用如下方法：首先根据事先选定的样本大小，计算出各数据类型正常情况下的数据数目。检查各类型数据的数量是否与计算的数量相符。若数据数目不等则查找数据断点并标记。并检查各数据的起始时间与结束时间是否一致。进一步以线性插补法本文档来自技高网...

【技术保护点】
一种基于卫星云图的区域分布式光伏出力预测方法，其特征在于：包括如下步骤：步骤1：按照网格划分区域分布式光伏系统；步骤2：记录区域光伏电站的近期实测功率数据和因特网气象服务器的相关信息和云高度计测量数据；步骤3：对所述光伏电站的历史实测功率数据、因特网气象相关数据和云高度数据进行数据预处理；步骤4：所述分布式光伏电站的空间地理信息和时间信息计算太阳时空模型相关理论数据，并以此修正功率晴空模型的功率数据；步骤5：使用连续两张风云2号气象卫星索引图像，利用Heliosat方法提取云图信息，对得到云指数像素区域进行修正，进而利用平均云指数构造新的云指数算子；步骤6：对各网格输出功率不同时滞尺度数据、修正后的晴空模型功率、太阳时空模型数据、空气质量数据、气象预报信息和卫星云图云指数算子数据归一化处理，进而利用随机训练方法分别建立Elman神经网络模型；步骤7：将最新计算的输入变量参数输入至上述模型，将每个网格的预测数据累加作为区域光伏出力预测数据。

【技术特征摘要】
1.一种基于卫星云图的区域分布式光伏出力预测方法，其特征在于：包括如下步骤：步骤1：按照网格划分区域分布式光伏系统；步骤2：记录区域光伏电站的近期实测功率数据和因特网气象服务器的相关信息和云高度计测量数据；步骤3：对所述光伏电站的历史实测功率数据、因特网气象相关数据和云高度数据进行数据预处理；步骤4：所述分布式光伏电站的空间地理信息和时间信息计算太阳时空模型相关理论数据，并以此修正功率晴空模型的功率数据；步骤5：使用连续两张风云2号气象卫星索引图像，利用Heliosat方法提取云图信息，对得到云指数像素区域进行修正，进而利用平均云指数构造新的云指数算子；步骤6：对各网格输出功率不同时滞尺度数据、修正后的晴空模型功率、太阳时空模型数据、空气质量数据、气象预报信息和卫星云图云指数算子数据归一化处理，进而利用随机训练方法分别建立Elman神经网络模型；步骤7：将最新计算的输入变量参数输入至上述模型，将每个网格的预测数据累加作为区域光伏出力预测数据。2.如权利要求1所述的基于卫星云图的区域分布式光伏出力预测方法，其特征在于：所述步骤4中，修正功率晴空模型的功率数据的过程如下：计算太阳时角ω、太阳天顶角θ和太阳辐射度理论数据GCLR；ω＝15×(ST-12)其中ST为时间，以24小时计，θ＝arccos(sinφsinδ+cosφcosδcosω)其中φ为计算点的纬度，δ为赤纬角，其中k是由经验确定的正常数，ai为拟合得到的经验系数，进一步搜索各分布式光伏系统最临近晴空天气下的历史功率数据进一步利用待测日和上述历史数据日期的理论辐射度数据比值修正功率数据，以此作为晴空模型下的功率数据，式中Picl为待预测时间的晴空功率，G'CLR为待预测时间的模型计算辐射度，G'n为最临近晴空天气对应时间的模型计算辐射度。3.如权利要求1或2所述的基于卫星云图的区域分布式光伏出力预测方法，其特征在于：所述步骤5中，云指数算子的计算过程如下：首先在原始卫星云图中截取合适大小区域的局部云图，进一...

【专利技术属性】
技术研发人员：潘国兵，吴雄增，陈金鑫，毛涛涛，普帅帅，卢从成，叶颖，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江,33