考虑辐射衰减的光伏功率预测方法技术

本发明专利技术涉及光伏发电领域技术领域，尤其涉及一种考虑辐射衰减的光伏功率超短期预测方法，包括：采用间接预测的方法，训练得到晴天地表辐射预测模型；根据得到的晴天地表辐射预测模型，获得历史中每日地表辐射的衰减系数，根据该衰减系数建立地表辐射衰减系数的预测模型，建立云遮系数预测模型；将历史真实地表辐射和温度、湿度作为气象因素的输入，将光伏功率作为输出，训练得到光伏功率预测模型；将地表辐射的预测值作为地表辐射值的输入，将天气预报的气象数据作为气象因素的输入，利用光伏功率预测模型预测光伏发电功率。本发明专利技术提出的方法能够降低云对预测精度的影响程度；本发明专利技术提出的方法省去了图像分析处理的过程，算法更加简单高效。

Photovoltaic power prediction method considering radiation attenuation

The invention relates to the technical field of photovoltaic power generation, in particular to an ultra-short-term prediction method of photovoltaic power considering radiation attenuation, which comprises: training a sunny surface radiation prediction model by using an indirect prediction method; and obtaining daily surface radiation attenuation in history by using the obtained sunny surface radiation prediction model. Coefficient, according to the attenuation coefficient to establish the prediction model of the surface radiation attenuation coefficient, cloud cover coefficient prediction model; historical real surface radiation and temperature, humidity as the meteorological factors input, photovoltaic power as the output, training to get the photovoltaic power prediction model; the surface radiation prediction value as the surface radiation. The meteorological data of weather forecast are taken as the input of meteorological factors and the photovoltaic power prediction model is used to predict the photovoltaic power generation. The method proposed by the invention can reduce the influence degree of cloud on prediction accuracy, and the method proposed by the invention omits the process of image analysis and processing, and the algorithm is simpler and more efficient.

【技术实现步骤摘要】
考虑辐射衰减的光伏功率预测方法
本专利技术涉及光伏发电
，尤其涉及一种考虑辐射衰减的光伏功率预测方法。
技术介绍
由于受天气等因素的影响，光伏发电功率曲线具有一定的随机性和波动性。随着大规模光伏并入电网，其发电功率的不确定性给电网的安全稳定运行造成了巨大冲击。精确的光伏功率预测，能够为电网调度提供有效支持，保障电网的安全和稳定。近年来，出现利用数值天气预报并结合支持向量机和神经网络等机器学习算法建模进行光伏功率预测的方法。但是由于地表太阳辐射受云的运动和变化影响，导致光伏功率曲线的波动。而传统预测方法没有考虑云对太阳辐射及光伏功率输出的影响，导致此种方法的预测结果无法适用于多种天气类型，尤其对功率变化曲线波动较大的预测误差较大。目前，国内外大部分考虑云的影响的超短期功率预测中都直接或间接地利用了云图信息。然而在利用卫星云图和天气预报信息的方法中，所获取的云量信息的覆盖面积较大，不能反映光伏电站所在区域的云遮挡信息，因此适合短期功率预测，而不适合超短期功率预测。
技术实现思路
针对上述问题，本专利技术提出了一种考虑辐射衰减的光伏功率预测方法，包括：步骤1：采用间接预测的方法，结合地表辐射的衰减程度和曲线波动情况将历史每日地表辐射分为无云天气和有云天气，利用无云天气的地表辐射历史数据，训练得到晴天地表辐射预测模型；步骤2：根据步骤1得到的晴天地表辐射预测模型，得到有云天气的晴天预测地表辐射，再与有云天气的真实地表辐射进行对比获得历史云遮系数数据，根据该数据训练得到云遮系数预测模型；步骤3：将历史真实地表辐射和温度、湿度作为气象因素的输入，将光伏功率作为输出，训练得到光伏功率预测模型；步骤4：利用晴天地表辐射模型获得全天的晴天地表辐射值，再利用预测时刻前的真实地表辐射值获得预测时刻前的云遮系数，利用该云遮系数序列数据和云遮系数预测模型预测未来时刻的云遮系数，对晴天地表辐射预测结果进行修正，获得地表辐射预测结果，光伏功率预测部分中，将各预测时刻的地表辐射预测值和数值天气预报预测值带入光伏功率预测模型，获得最终的光伏功率预测值。所述步骤1具体包括：晴天判别条件type为：其中，N为样本取值点个数；Xi为第i个地外辐射值；xi为第i个地表辐射值；Nv为地表辐射曲线中谷值点个数；α为地表辐射相对于地外辐射的整体衰减率，0≤α≤1；m为最大谷值点个数的阈值，其中，L为局部极小值点个数；Nl为局部极小值点，为第i个局部最小值；为第i个局部最大值；为第i+1个局部最大值；Nh为局部极大值点；β为判断极小值点是否为谷值点的阈值；dist(x,y)为两点之间的欧式距离；I(·)和J(·)为指示函数，同时满足所有条件则为1，否则为0，通过调节α、m和β的值来判别天气类型，将一天分为上午、中午和下午三个时间段，以地外太阳辐射值、日期、时刻和时间段作为输入，以晴天地表太阳辐射作为输出，采用支持向量回归机算法ε-SVR建立晴天地表辐射预测模型，采用径向基函数RBF作为核函数，利用序列最小最优化算法SMO优化参数，训练得到晴天地表辐射预测模型。所述步骤1具体还包括：上午为7:00到11:00，中午为11:00到14:00，,下午为14:00到19:00。所述步骤2具体包括：云遮系数的表达式为：其中，ρ为云遮系数；xh为假设晴天的地表辐射值；xt为真实地表辐射值，采用多尺度加权平均马尔可夫链模型，将多个时间跨度作为上一状态，假设取值点时间间隔为Δt，并且有k个模型，则各个模型训练数据取值间隔分别为Δt，2Δt，…，kΔt，假设预测时刻为T，第一个模型利用T-Δt时刻的数据作为上一时刻，第二个模型利用T-2Δt作为上一时刻，分别利用各自模型的状态转移矩阵，计算预测时刻T的状态，状态转移概率P(i)为第i个模型的权值，模型递归衰减率为δ(i)，对个模型预测结果求加权平均，如公式(4)所示，根据历史云遮系数数据，获得K个不同时间跨度的状态转移矩阵，然后利用前K个时刻对应的状态转移矩阵获得对应的转移状态Xt-i，(i＝1,2,…,K)，将最大转移概率P作为权值，利用公式(4)求滑动平均，获得下一时刻的状态，其中，δ∈(0,1]为滑动衰减率；p(i)为t-i时刻状态为xt-i的最大转移概率；x(i)为转移状态；round(·)为取整；将云遮系数ρ的取值范围0～1分别映射到1～15的整数后作为马尔科夫链模型的状态划分，根据云遮系数历史数据统计出K为6时的间隔尺度的状态转移矩阵,其中时间间隔为15min，对数据集的晴天和多云天气条件下各时刻进行预测。所述步骤3具体包括：采用梯度提升决策树GBDT算法构建光伏功率的预测模型。所述步骤4具体包括：预测时，将地表辐射预测模型修正后的太阳辐射预测值和预测时刻的数值天气预报的温度、湿度和风速作为输入带入光伏功率预测模型，获得最终的功率预测值。有益效果：本专利技术综合考虑预测精度和预测成本问题，提出根据地表辐射的历史数据训练模型，获得地表辐射衰减系数的预测值来修正地表辐射的预测值，从而达到提高光伏功率的预测效果。与不考虑云的影响的功率预测相比，本专利技术提出的方法能够降低云对预测精度的影响程度；与采用卫星云图和地基云图的预测方法相比，本专利技术提出的方法省去了图像分析处理的过程，算法更加简单高效，本专利技术的预测性能整体上优于不考虑云对地表辐射变化的影响的预测方法。附图说明图1为本专利技术的方法流程图；图2为光伏功率与气象因素散点图；图3为不同云量的太阳辐射对比示意图；图4为本专利技术实施例1的云遮系数预测示意图；图5为本专利技术实施例1的晴天地表辐射预测结果示意图；图6为本专利技术实施例1的不同状态划分的预测误差示意图；图7为本专利技术实施例1的晴天功率预测结果示意图；图8为本专利技术实施例1的多云天气功率预测结果示意图。具体实施方式下面结合附图，对实施例作详细说明。实施例1实施例1的实验数据来自学校发电研发(实验)中心屋顶光伏电站，海拔高度为260m，装机容量为10kw，配置高分辨率气象站，实时采集2015年全年的太阳辐射、温度、湿度和风速数据，数据采集的时间分辨率为15min/次。本专利技术算法的流程如图1所示，在训练过程中，首先针对历史地外、地表辐射值进行天气类型判别，获取晴天数据，再以地外太阳辐射值、日期、时刻和时间段作为输入建立SVR晴天地表辐射预测引擎；将相对晴天地表辐射的衰减程度作为云遮系数，利用晴天地表辐射预测引擎得到其他天气的假设为晴天的地表辐射，结合真实地表辐射计算出每一时刻的云遮系数，将云遮系数离散化后映射到若干状态，应用马尔科夫模型建立云遮系数预测引擎；最后利用历史地表辐射、温度和湿度作为输入建立GBDT功率预测引擎。在预测过程中，首先通过晴天地表辐射预测模型得到预测时刻和前N个时刻的晴天地表辐射，与真实地表辐射对比获得前N个时刻的云遮系数，通过前N个时刻的云遮系数判断当前是否为晴天，如果是晴天，即前N个时刻的云遮系数全为0，则当前预测的晴天地表辐射为最终的地表辐射预测值；如果不是晴天，先通过云遮系数预测模型获得预测时刻的云遮系数，然后用云遮系数来修正预测时刻的晴天地表辐射值，获得最终的地表辐射预测值；最后，将地表辐射预测值、环境湿度和温度作为输入，利用功率预测引擎获得光伏超短期功率预测值。图2是光伏发电功率与不同影响因素本文档来自技高网...

【技术保护点】
1.考虑辐射衰减的光伏功率预测方法，其特征在于，包括：步骤1：采用间接预测的方法，结合地表辐射的衰减程度和曲线波动情况将历史每日地表辐射分为无云天气和有云天气，利用无云天气的地表辐射历史数据，训练得到晴天地表辐射预测模型；步骤2：根据步骤1得到的晴天地表辐射预测模型，得到有云天气的晴天预测地表辐射，再与有云天气的真实地表辐射进行对比获得历史云遮系数数据，根据该数据训练得到云遮系数预测模型；步骤3：将历史真实地表辐射和温度、湿度作为气象因素的输入，将光伏功率作为输出，训练得到光伏功率预测模型；步骤4：利用晴天地表辐射模型获得全天的晴天地表辐射值，再利用预测时刻前的真实地表辐射值获得预测时刻前的云遮系数，利用该云遮系数序列数据和云遮系数预测模型预测未来时刻的云遮系数，对晴天地表辐射预测结果进行修正，获得地表辐射预测结果，光伏功率预测部分中，将各预测时刻的地表辐射预测值和数值天气预报预测值带入光伏功率预测模型，获得最终的光伏功率预测值。

【技术特征摘要】
1.考虑辐射衰减的光伏功率预测方法，其特征在于，包括：步骤1：采用间接预测的方法，结合地表辐射的衰减程度和曲线波动情况将历史每日地表辐射分为无云天气和有云天气，利用无云天气的地表辐射历史数据，训练得到晴天地表辐射预测模型；步骤2：根据步骤1得到的晴天地表辐射预测模型，得到有云天气的晴天预测地表辐射，再与有云天气的真实地表辐射进行对比获得历史云遮系数数据，根据该数据训练得到云遮系数预测模型；步骤3：将历史真实地表辐射和温度、湿度作为气象因素的输入，将光伏功率作为输出，训练得到光伏功率预测模型；步骤4：利用晴天地表辐射模型获得全天的晴天地表辐射值，再利用预测时刻前的真实地表辐射值获得预测时刻前的云遮系数，利用该云遮系数序列数据和云遮系数预测模型预测未来时刻的云遮系数，对晴天地表辐射预测结果进行修正，获得地表辐射预测结果，光伏功率预测部分中，将各预测时刻的地表辐射预测值和数值天气预报预测值带入光伏功率预测模型，获得最终的光伏功率预测值。2.根据权利要求1所述的考虑辐射衰减的光伏功率预测方法，其特征在于，所述步骤1具体包括：晴天判别条件type为：其中，N为样本取值点个数；Xi为第i个地外辐射值；xi为第i个地表辐射值；Nv为地表辐射曲线中谷值点个数；α为地表辐射相对于地外辐射的整体衰减率，0≤α≤1；m为最大谷值点个数的阈值，其中，L为局部极小值点个数；Nl为局部极小值点，为第i个局部最小值；为第i个局部最大值；为第i+1个局部最大值；Nh为局部极大值点；β为判断极小值点是否为谷值点的阈值；dist(x,y)为两点之间的欧式距离；I(·)和J(·)为指示函数，同时满足所有条件则为1，否则为0，通过调节α、m和β的值来判别天气类型，将一天分为上午、中午和下午三个时间段，以地外太阳辐射值、日期、时刻和时间段作为输入，以晴天地表太阳辐射作为输出，采用支持向量回归机算法ε-SVR建立晴天地表辐射预测模型，采用径向基函数RBF作为核函数，利用序列最小最优化算法SMO优化参数，训练得到晴天地表辐射预测模型。3...

【专利技术属性】
技术研发人员：彭文，韩立涛，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：北京,11