一种光伏电站超短时功率预测修正方法技术

本发明专利技术公开了一种光伏电站超短时功率预测修正方法，包括以下步骤：步骤一，对光伏电站历史数据按月建立4种日类型集合；步骤二，每数据集合选取每周6个工作日的光伏电站历史数据；步骤三，计算每个工作日连续两采集点之间的温度变化值ΔTN、湿度变化值ΔSN、辐照度变化值ΔFN、以及当前采集点的光伏电站实测功率与预测功率差值ΔPN；步骤四，按月计算每数据集合连续两采集点的温度影响系数KtN、湿度影响系数KsN、辐照度影响系数KfN；步骤五，对光伏电站预测功率进行修正。本发明专利技术引入了温度变化量、辐照度变化量、以及湿度变化量这些气象参数用来衡量实时天气变化，对原有功率预测模型的光伏电站预测功率值加以修正。

【技术实现步骤摘要】
201510745368

【技术保护点】
一种光伏电站超短时功率预测修正方法，其特征在于，包括以下步骤：步骤一，对光伏电站历史数据按月建立4种日类型集合；光伏电站历史数据按月建立4种日类型集合，其具体实施方法为：以同周期历史气象参数及光伏发电功率为主要参数依据，按月建立数据集合，每月同日类型的光伏电站的气象变化和发电功率具有相似性；4种日类型集合为A、B、C、D四种，其中A类日类型为晴、晴间多云、多云间晴天气，B类日类型为阴、阴间多云、多云、多云间阴、雾天气，C类日类型为雨夹雪、小雨、冻雨、小到中雨、阵雪、小雪、小到中雪阵雨、雷阵雨、雷阵雨伴有冰雹天气，D类日类型为特大暴雨、中雪、大雪、暴雪、大暴雨到特大暴雨、中雨、大雨、暴雨、大暴雨、中到大雪、大到暴雪、沙尘暴、中到大雨、大到暴雨、雷雨到大暴雨天气；步骤二，每数据集合选取每周6个工作日的光伏电站历史数据，共建立每月24组工作日数据，其中每组工作日的光伏电站历史数据至少包括温度T、湿度S、辐照度F、光伏电站实测功率Pc、以及功率预测系统的光伏电站预测功率Py，每组工作日的光伏电站历史数据从早晨6点到下午6点之间采集，光伏电站历史数据的采集分辨率为15分钟；步骤三，计算每个工作日连续两采集点之间的温度变化值ΔTN、湿度变化值ΔSN、辐照度变化值ΔFN、以及当前采集点的光伏电站实测功率与预测功率差值ΔPN；其实现方法为：ΔTN＝TN‑1‑TN‑2；ΔSN＝SN‑1‑SN‑2；ΔFN＝FN‑1‑FN‑2；ΔPN＝Pc,N‑Py,N；N点是未来的时间点，N‑1和N‑2是已经发生的时间点，我们这里用前面两个时间点的温度、湿度、辐照度的变化规律来衡量未来时间点的变化规律；其中ΔTN为工作日第N个采集点的温度变化值，ΔSN为工作日第N个采集点的湿度变化值，ΔFN为工作日第N个采集点的辐照度变化值，ΔPN为工作日第N个采集点的实测功率与预测功率差值，Pc,N为工作日第N个采集点的光伏电站实测功率，Py,N为工作日第N个采集点的光伏电站预测功率，N为工作日的第N个采集点，早晨6点为第一个采集点，此时N为1，下午6点为最后一个采集点，此时N为48，每个工作日连续两采集点之间的温度变化值ΔTN、湿度变化值ΔSN、辐照度变化值ΔFN均为46个；步骤四，按月计算每数据集合连续两采集点的温度影响系数KtN、湿度影响系数KsN、辐照度影响系数KfN；第N个采集点的光伏电站实测功率与预测功率差值ΔPN为：ΔPN＝ΔTN,M·KtN,M+ΔSN,M·KsN,M+ΔFN,M·KfN,M；对于光伏电站的历史发电数据，上述ΔPN的算式存在3个未知数，即KtN,M、KsN,M、KfN,M，需要3组数据可以求出KtN,M、KsN,M、KfN,M，但在数据集合中对应每种日类型存在6组工作日数据，故可以得到种解，具体来说,对于温度影响系数KtN，具有KtN,B个解，B是1到20的数，对于湿度影响系数KsN，具有KsN,B个解，B是1到20的数，对于辐照度影响系数KfN，具有KfN,B个解，B是1到20的数；于是，某日类型下的第N采集点的温度影响系数KtN为：KtN=ΣB=120KtN,B20;]]>某日类型下的第N采集点的湿度影响系数KsN为：KsN=ΣB=120KsN,B20;]]>某日类型下的第N采集点的辐照度影响系数KfN为：KfN=ΣB=120KfN,B20;]]>步骤五，对光伏电站预测功率进行修正，其方法为：PX,N＝Py,N+ΔTN·KtN+ΔSN·KsN+ΔFN·KfN其中，PX,N为工作日第N个采集点的光伏电站预测功率修正值，Py,N为工作日第N个采集点的光伏电站预测功率，ΔTN、KtN、ΔSN、KsN、ΔFN、KfN同上；上述求解某月某种日类型的超短时功率预测修正方法，按其同样方法可以应用于某月其它3种日类型的超短时功率预测修正方法，也同理可以应用于其它月的4种不同日类型超短时功率预测修正方法。...

【技术特征摘要】
1.一种光伏电站超短时功率预测修正方法，其特征在于，包括以下步骤：
步骤一，对光伏电站历史数据按月建立4种日类型集合；
光伏电站历史数据按月建立4种日类型集合，其具体实施方法为：以同周
期历史气象参数及光伏发电功率为主要参数依据，按月建立数据集合，每月同
日类型的光伏电站的气象变化和发电功率具有相似性；
4种日类型集合为A、B、C、D四种，其中A类日类型为晴、晴间多云、
多云间晴天气，B类日类型为阴、阴间多云、多云、多云间阴、雾天气，C类日
类型为雨夹雪、小雨、冻雨、小到中雨、阵雪、小雪、小到中雪阵雨、雷阵雨、
雷阵雨伴有冰雹天气，D类日类型为特大暴雨、中雪、大雪、暴雪、大暴雨到
特大暴雨、中雨、大雨、暴雨、大暴雨、中到大雪、大到暴雪、沙尘暴、中到
大雨、大到暴雨、雷雨到大暴雨天气；
步骤二，每数据集合选取每周6个工作日的光伏电站历史数据，共建立每
月24组工作日数据，其中每组工作日的光伏电站历史数据至少包括温度T、湿
度S、辐照度F、光伏电站实测功率Pc、以及功率预测系统的光伏电站预测功率
Py，每组工作日的光伏电站历史数据从早晨6点到下午6点之间采集，光伏电站
历史数据的采集分辨率为15分钟；
步骤三，计算每个工作日连续两采集点之间的温度变化值ΔTN、湿度变化
值ΔSN、辐照度变化值ΔFN、以及当前采集点的光伏电站实测功率与预测功率
差值ΔPN；
其实现方法为：
ΔTN＝TN-1-TN-2；
ΔSN＝SN-1-SN-2；
ΔFN＝FN-1-FN-2；
ΔPN＝Pc,N-Py,N；
N点是未来的时间点，N-1和N-2是已经发生的时间点，我们这里用前面两

\t个时间点的温度、湿度、辐照度的变化规律来衡量未来时间点的变化规律；
其中ΔTN为工作日第N个采集点的温度变化值，ΔSN为工作日第N个采集
点的湿度变化值，ΔFN为工作日第N个采集点的辐照度变化值，ΔPN为工作日
第N个采集点的实测功率与预测功率差值，Pc,N为工作日第N个采集点的光伏
电站实测功率，Py,N为工作日第N个采集点的光伏电站预测功率，N为工作日的
第N个采集点，早晨6点为第一个采集点，此时N为1，下午6点为最后一个
采集点，此时N为48，每个工作日连续两采集点之间的温度变化值ΔTN、湿度
变化值ΔSN、辐照度变化值ΔFN均为46个；
步骤四，按月计算每数据集合连续两采集点的温度影响系数KtN、湿度影响
系数KsN、辐照度影响系数KfN；
第N个采集点的光伏电站实测功率与预测功率差值ΔPN为：
ΔPN＝ΔTN,M·KtN,M+ΔSN,M·KsN,M+ΔFN,M·KfN,M；
对于光伏电站的历史发电数据，上述ΔPN的算式存在3个未知数，即KtN,M、
KsN,M、KfN,M，需要3组数据可以求出KtN,M、...

【专利技术属性】
技术研发人员：廖东进，黄云龙，刘晓龙，方晓敏，黄志平，
申请(专利权)人：衢州职业技术学院，
类型：发明
国别省市：浙江;33