一种基于天气分型的光伏功率预测方法技术

本发明专利技术涉及一种基于天气分型的光伏功率预测方法，包括：S1：获取当地历史数据；S2：针对历史数据根据数据中的总云量进行分类，总云量低于或等于2成的分为天气类型1，总云量大于2成的进一步进行分类；S3：针对需要进一步分类的对应部分数据，利用数据中的日照百分率、直射比和修正大气清晰度指数计算得到天气类型指数SCF，并按照SCF的大小范围进一步划分为天气类型2、天气类型3和天气类型4；S4：4种天气类型进行输入因子诊断分析后选用不同的输入因子；S5：对输入变量进行主成分分析降维后，使用统计学模型区分天气类型进行训练建模，继而进行光伏出力预测。本发明专利技术具有减小光伏功率预测的误差，精度高，天气类型的识别效果更好等优点。点。点。

【技术实现步骤摘要】
一种基于天气分型的光伏功率预测方法


[0001]本专利技术涉及光伏预测
，尤其是涉及一种基于天气分型的光伏功率预测方法。

技术介绍

[0002]我国提出将继续推进能源结构改革，始终坚持绿色低碳的战略方向，着力提高清洁能源消费比重，逐步实现对现有主体能源即化石能源的替代。传统化石燃料的燃烧是温室气体的主要来源，利用可再生能源替代传统化石能源可以有效减少温室气体排放。在电力绿色发展的时代大潮下，我国电力行业立足风能、太阳能资源较为丰富的能源资源特点，大力推动可再生能源发展，形成了风电、光伏发电、水电等可再生能源多元化发展的局面。其中，太阳能资源潜力巨大，正受到越来越多的关注。根据相关部门统计，2020年上半年，全国新增光伏发电装机1278万千瓦，其中集中式光伏新增装机708.2万千瓦，分布式光伏新增装机443.5万千瓦。截止6月底，光伏发电累计装机达到2.16亿千瓦，其中集中式光伏1.49亿千瓦，分布式光伏6707万千瓦。2020年上半年，全国光伏发电量1278亿千瓦时，同比增长20％；全国光伏利用小时数595小时，同比增长19小时。
[0003]目前，国内外学者对光伏发电功率预测的研究较多，而关于天气分型方法的相关研究较少。从太阳能的周期性和波动性特点以及目前的开发前景来看，合理的天气分型方法可以进一步细化光伏功率预测模型。有的做法利用机器学习从澳大利亚光伏系统实测数据集中获取可用的天气特征，并将这些天气特征数据用于功率预测。有的做法考虑了太阳光谱效应、入射角和污染因子提出了12种组合预测模型，并区分天气类型比较了各组合模型的预测精度。有的做法在分析辐照度变化规律基础上，综合考虑分类总数、类型代表性和分布均衡性，针对气象专业天气类型进行归纳合并，得到4种广义天气类型，并给出了光伏发电功率分类预测的基本框架。还有的做法分析了天气类型对光伏发电出力的影响，基于BP神经网络，建立了计及天气类型指数的光伏发电短期出力预测模型。
[0004]我们的前期工作表明，利用清晰度指数或修正清晰度指数与总云量交叉划分天气类型的方法，可以显著提高水平面“直散分离”(即从水平面总辐射中分离出散射辐射、直接辐射)的预测精度。
[0005]综上所述，区分天气类型或考虑气象环境因素的影响是当前提高光伏功率预测准确性的重要思路。
[0006]然而，目前的相关做法仍有以下缺点：
[0007]1、现有的天气分型方法大多选择单一指标，而气象状况较为复杂难以使用单一指标进行描述。
[0008]2、现有的天气分型方法中分类指标的选择缺乏统一标准。
[0009]3、目前已有的天气分型方法对各天气类型的描述物理意义不够明确，不同天气类型下光伏出力的差异性不够明显。

技术实现思路

[0010]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于天气分型的光伏功率预测方法。
[0011]本专利技术的目的可以通过以下技术方案来实现：
[0012]一种基于天气分型的光伏功率预测方法，该方法包括以下步骤：
[0013]步骤1：获取当地历史数据，包括辐射数据和气象数据，其中辐射数据包括水平面总辐射、散射辐射、直接辐射以及反射辐射等；气象数据包括总云量、能见度等，对数据进行筛选和质量控制，剔除异常数据，并且根据水平面辐射观测值和天文地理因子计算出来地外水平面总辐射及修正清晰度指数等；
[0014]步骤2：针对历史数据根据数据中的总云量进行分类，总云量低于或等于2成的分为天气类型1，总云量大于2成的进一步进行分类；
[0015]步骤3：针对需要进一步分类的对应部分数据，利用数据中的日照百分率、直射比和修正大气清晰度指数计算得到天气类型指数SCF，并按照SCF的大小范围进一步划分为天气类型2、天气类型3和天气类型4，其中天气类型2条件次好，为多云转晴或晴转多云等；天气类型3条件较差，为阴；天气类型4条件最差，主要包括雨雪雾霾等恶劣天气；
[0016]步骤4：4种天气类型进行输入因子诊断分析后选用不同的输入因子；
[0017]步骤5：对输入变量进行主成分分析降维后，使用统计学模型区分天气类型进行训练建模，如多元线性回归模型、BP神经网络模型、SVR支持向量回归模型等，继而进行光伏出力预测。进一步地，所述步骤4中的统计学模型包括多元线性回归模型、BP神经网络模型、SVR支持向量回归模型或深度学习模型。
[0018]进一步地，所述步骤4中的统计学模型包括多元线性回归模型、BP神经网络模型、SVR支持向量回归模型或深度学习模型。
[0019]进一步地，所述步骤2中的天气类型1为晴，所述步骤3中按照SCF的大小范围进一步划分为天气类型2、天气类型3和天气类型4的过程具体包括：
[0020]当0.44＜SCF≤0.74时，对应的天气类型2为多云转晴或晴转多云；
[0021]当0.18＜SCF≤0.44时，对应的天气类型3为多云转晴或晴转多云；
[0022]当0＜SCF≤0.18时，对应的天气类型4为恶劣天气，包括雨雪雾霾等。
[0023]进一步地，所述步骤3中的天气类型指数SCF，其计算公式为：
[0024]SCF＝ω1H
sun
+ω2k
′
T
+ω3B
d
[0025]式中，SCF为天气类型指数SCF，ω1、ω2和ω3为权重系数，3个权重系数与输出交流的相关系数成正比且总和为1，H
sun
为日照百分率，k'
T
为修正大气清晰度指数，B
d
为水平面直射比。
[0026]进一步地，所述修正大气清晰度指数，其计算公式为：
[0027][0028]式中，k
T
为修正前的大气清晰度指数，m为大气质量。
[0029]进一步地，所述修正前的大气清晰度指数，其计算公式为：
[0030][0031][0032]式中，I表示获取的历史数据中的太阳辐射量，γ为日地距离变化引起大气层上界的太阳辐射通量的修正值，I
SC
为太阳常数，取值为1367
±
7W/m2，δ为赤纬角，和ω分别为维度和时角。
[0033]进一步地，所述赤纬角，其计算公式为：
[0034][0035]式中，n为所求日期该天在一年中的日序数。
[0036]进一步地，所述日地距离变化引起大气层上界的太阳辐射通量的修正值，其计算公式为：
[0037][0038]式中，n为所求日期该天在一年中的日序数。
[0039]进一步地，所述步骤4中针对经过步骤2和步骤3结合得到的4种天气类型进行输入因子诊断分析后选用不同的输入因子的过程具体包括：
[0040]针对天气类型1，最终选用的输入因子为：水平面散射辐射、直接辐射、反射辐射、日照百分率、直射比、大气浑浊度TG、修正大气清晰度指数、气温和水平能见度；
[0041]针对天气类型2，最终选用的输入因子为：水平本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于天气分型的光伏功率预测方法，其特征在于，该方法包括以下步骤：步骤1：获取当地历史数据，包括辐射数据和气象数据；步骤2：针对历史数据根据数据中的总云量进行分类，总云量低于或等于2成的分为天气类型1，总云量大于2成的进一步进行分类；步骤3：针对需要进一步分类的对应部分数据，利用数据中的日照百分率、直射比和修正大气清晰度指数计算得到天气类型指数SCF，并按照SCF的大小范围进一步划分为天气类型2、天气类型3和天气类型4；步骤4：针对4种天气类型进行输入因子诊断分析后选用不同的输入因子；步骤5：对输入因子进行主成分分析降维后，分别用统计学模型进行训练建模，继而进行光伏出力预测。2.根据权利要求1所述的一种基于天气分型的光伏功率预测方法，其特征在于，所述步骤5中的统计学模型包括多元线性回归模型、BP神经网络模型、SVR支持向量回归模型或深度学习模型。3.根据权利要求1所述的一种基于天气分型的光伏功率预测方法，其特征在于，所述步骤2中的天气类型1为晴，所述步骤3中按照SCF的大小范围进一步划分为天气类型2、天气类型3和天气类型4的过程具体包括：当0.44＜SCF≤0.74时，对应的天气类型2为多云转晴或晴转多云；当0.18＜SCF≤0.44时，对应的天气类型3为阴；当0＜SCF≤0.18时，对应的天气类型4为恶劣天气，包括雨雪雾霾。4.根据权利要求1所述的一种基于天气分型的光伏功率预测方法，其特征在于，所述步骤3中的天气类型指数SCF，其计算公式为：SCF＝ω1H
sun
+ω2k
′
T
+ω3B
d
式中，SCF为天气类型指数SCF，ω1、ω2和ω3为权重系数，3个权重系数与输出交流的相关系数成正比且总和为1，H
sun
为日照百分率，k'
T
为修正大气清晰度指数，B
d
为水平面直射比。5.根据权利要求4所述的一种基于天气分型的光伏功率预测方法，其特征在于，所述修正大气清晰度指数，其计算公式为：式中，k
T<...

【专利技术属性】
技术研发人员：李芬，周尔畅，孙改平，毛玲，薛花，杨兴武，王育飞，
申请(专利权)人：上海电力大学，
类型：发明
国别省市：