【技术实现步骤摘要】
一种基于典型云层遮挡辐照差异的超短期辐照预测方法
本专利技术涉及一种基于典型云层遮挡辐照差异的超短期辐照预测方法，属于太阳辐照与光伏发电非线性系统多模型控制
技术介绍
随着光伏并网量快速增长，光伏出力本身具有的随机波动性给电网运行带来了巨大挑战，尤其是数十分钟内由于云层运动所导致的辐照大幅度下降问题，近年来引起业内重视。针对此问题，相关学者通过对全天空地基云图提取的特征数据进行处理分析，从而预测未来辐照波动情况；目前的研究中主要利用网格云指数法，预测未来云层对理想晴空辐照的折减系数，从而得出辐照预测值。此类方法假设云层为单层匀质结构，与真实云层差距较大，辐照预测结果存在较大误差；且由于未考虑不同类型云层遮挡辐照存在差异，模型在不同云层类型条件下的泛化能力较弱。
技术实现思路
本专利技术的目的在于克服现有技术中的不足，提供一种基于典型云层遮挡辐照差异的超短期辐照预测方法，考虑真实天空条件下不同类型云层遮挡辐照存在的差异，对云层造成太阳辐照的衰减影响进行有效量化预测。为解决上述技术问题，本专...
【技术保护点】
1.一种基于典型云层遮挡辐照差异的超短期辐照预测方法，其特征在于，/n获取即时的同一观测点的地基云图与辐照数据；/n从地基云图中获得子图像，根据子图像分类模型对子图像进行分类；/n对地基云图进行特征数据提取；/n根据子图像的分类结果，选择预先训练好的预测模型，根据辐照数据和提取的特征数据确定输入量，将输入量输入到所述预测模型，输出超短辐照预测值。/n
【技术特征摘要】
1.一种基于典型云层遮挡辐照差异的超短期辐照预测方法，其特征在于，
获取即时的同一观测点的地基云图与辐照数据；
从地基云图中获得子图像，根据子图像分类模型对子图像进行分类；
对地基云图进行特征数据提取；
根据子图像的分类结果，选择预先训练好的预测模型，根据辐照数据和提取的特征数据确定输入量，将输入量输入到所述预测模型，输出超短辐照预测值。
2.根据权利要求1所述的基于典型云层遮挡辐照差异的超短期辐照预测方法，其特征在于，所述子图像采用基于正方形网格的划分方式，将地基云图进行等大小区块划分。
3.根据权利要求1所述的基于典型云层遮挡辐照差异的超短期辐照预测方法，其特征在于，所述子图像分类模型采用基于支持向量机构建的模型，模型建立包括：子图像定标签、子图像分类模型训练、即时子图像分类；
所述子图像定标签包括：对前期积累的地基云图进行区块划分获得若干子图像，并对子图像所属的云类型给定标签值；所述云类型包括：无云、卷云、卷层云、高积云、积云、层云，分别对应云类型标签值0～5；
所述子图像分类模型训练包括：
建立子图像训练样本集，所述建立子图像训练样本集的过程为：
建立单个子图像对应的输入量p＝[MER，MEB，SDB，SKB，Dij，ENB，CONB，ENTB，HOMB，CC]，将输入量p与子图像类型标签值g组成训练样本集T0为：
T0＝{(p1,g1),(p2,g2),...,(pn,gn)}
其中，(p1,g1)为第一个子图像输入量与其类型标签值组成的单个训练样本，n为参与训练的子图像总数目；
R通道及B通道平均灰度值：
B通道标准差SDB：
B通道偏度SKB：
灰度偏差Dij：
Dij＝MEi-MEj；
其中，i,j∈{R，G，B}，ali表示像素l在i通道对应的灰度值，l∈{0,…,(N－1)}，N表示单个子图像的总像素数目；
B通道能量ENB：
B通道对比度CONB：
B通道熵ENTB：
B通道逆方差HOMB：
其中，M表示图像灰度级数，PΔ(a,b)表示图像灰度共生矩阵中两点灰度值a和b的像素距离；
区块云层覆盖率：CC＝Ncloud/N；
其中，Ncloud为单个子图像中云像素点的数目；
将构建的子图像训练集T0中的子图像输入量与类型标签值通过支持向量机进行样本集数据边界划分，建立子图像分类模型。
4.根据权利要求1所述的基于典型云层遮挡辐照差异的超短期辐照预测方法，其特征在于，所述对地基云图进行特征数据提取的过程包括：
计算地基云图中总云量占比，得到二值化云图；判别云层运动方向，在运动反方向上划分网格，求取各网格内的云量占比。
5.根据权利要求4所述的基于典型云层遮挡辐照差异的超短期辐照预测方法，其特征在于，所述总云量占比的计算方法采用利用最小交叉熵法确定云图的归一化红蓝比最佳阈值来判断云层与天空，判断得到的云层总像素点与云图总像素数目的比值为总云量占比C。
6.根据权利要求5...
【专利技术属性】
技术研发人员：邵玺，张臻，伍敏燕，徐国安，杜聚鑫，
申请(专利权)人：河海大学常州校区，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。