基于激光雷达云图探测的光伏电站短期发电功率预测方法技术

本发明专利技术公开了一种基于激光雷达云图探测的光伏电站短期发电功率预测方法，采用地基激光雷达探测扫描光伏电站附近空域得到目标空域激光散射吸收后反馈回波信号，并根据聚类算法实时连续探测估算大气云层信息，从而预测云层边界在目标光伏电站太阳能板的占比和停留时间，实现光伏电站发电功率的短期预测。本发明专利技术设备体积小、重量轻、能连续实时观测，且分辨率高的特点，与梯度法GARD和标准化偏差法STD相比，具有相同一致性，在较大噪声时，精确率更高，能有效避免估错从而降低短期发电功率预测误差率。误差率。误差率。

【技术实现步骤摘要】
基于激光雷达云图探测的光伏电站短期发电功率预测方法


[0001]本专利技术属于激光雷达成像识别
，尤其涉及基于激光雷达云图探测的光伏电站短期发电功率预测方法。

技术介绍

[0002]由于石化能源的日益消耗枯竭，且对环境带来污染影响，而太阳能光伏发电由于其清洁可持续等优点，在全球能源体系中扮演着越来越大重要角色。随着我国光伏产业的投资建设规模不断增加，光伏发电系统的优势和规模效应逐渐得到体现，尤其处于拥有高海拔、日照长、人烟稀少无遮挡等优点的高海拔高高北纬地带，光伏发电产业得到持续高速发展，其作为优质能源通常采用分布式智能并网模式补充能源短缺。
[0003]但光伏发电的光电转化效率和发电功率容易受到天气、气候和昼夜周期性等因素影响，因此是一种典型的间歇性电源。光伏发电系统的输出功率主要受到太阳辐射能量的影响发生较大、且频繁的波动，影响因素主要包括大气层外辐射度、大气状态、空气成分、云层遮挡等因素。光伏发电输出的间歇不稳定性波动对发电系统和电网设备的安全稳定带来安全隐患，同时影响储能模块的寿命。针对该问题，电网调度需要对光伏发电功率进行预测从而能及时采取调节分布式储能吸收平抑波动，启动最大功率点跟踪策略或极端断网等应对措施确保电网的安全稳定。
[0004]国内外针对光伏功率的预测有了很多研究，但大多集中在光伏发电系统中，云层和大气状态的不定性才是影响地面辐射量的最主要因素，因此云层种类，云层占空比及移动速度的监测是光伏发电功率短期预测的关键影响因素。目前云层监测手段主要包括人工观测、卫星成像云层图像识别、地基全天空图像识别，而人工观测在复杂情形及大尺度环境下无法做到准确判定和预测，且效率低下；卫星成像云层图像识别需要借助卫星图像，成本极高，大多数光伏电站无法实现；地基全天空图像识别则需要在光伏电站周边设置大量的地基全天空摄像CCD设备，成本过高，且由于需要对云层图像识别，需要长期采集图像进行识别算法训练，且图像中涉及到的太阳光晕和非空环境成像干扰导致数据处理过程复杂，使得预测误差较大，不同光伏发电场之间的预测模型相对独立，光伏发电场启用调试周期延长，对于初次光伏电站使用，可能由于缺少大气气候及光伏发电历史数据，造成建设周期延长和成本增加。

技术实现思路

[0005]专利技术目的：针对上述现有存在的问题和不足，本专利技术的目的是提供了一种基于激光雷达云图探测的光伏电站短期发电功率预测方法，从而能尽可能降低光伏电站发电并网时对电力系统稳定运行、继电保护、储能元件的不利影响，进而能为多元能源的吸纳与调控提供决策性依据。
[0006]技术方案：为实现上述专利技术目的，本专利技术采用以下技术方案：一种基于激光雷达云图探测的光伏电站短期发电功率预测方法，包括以下步骤：
步骤S1，利用大气气体分子和气溶胶对激光的散射吸收作用，采用地基激光雷达探测扫描光伏电站附近空域得到目标空域激光散射吸收后反馈信号，该反馈信号为不同空间坐标点上的呈梯度衰减的反馈信号时间序列集，为信号距离，为信号方位角，为信号极角；步骤S2，采用Haar函数对反馈信号函数值进行小波变换得到小波协方差函数转换值，如式（1）和（2）所示：
ꢀꢀꢀ
（1）（2）式中，为经小波协方差Haar函数变换后的取值，为激光雷达探测扫描尺度，为Haar函数的中心位置，为表示信号距离，和分别为反馈信号高度的最大值和最小值；由于小波协方差函数值越大表明信号函数与Haar函数越相似，反映其阶跃变化度越大，此时将小波协方差函数值中的第一峰值信号作为大气云层边界反馈信号，并形成第一峰值信号数据集，所述第一峰值信号对应的高度作为云层高度，对应的坐标作为云层的经纬坐标；步骤S3，以小波协方差函数的第一峰值信号相似度作为距离标准，并设置幅度阈值，采用DBSCAN聚类算法对所述第一峰值信号数据集进行聚类处理，形成相应的聚类中心及不超阈值范围内的坐标数据集，完成云层边界检测；步骤S4，对云层边界信号的空间坐标进行笛卡尔坐标转换和计算得到云层在地面的投影范围；步骤S5，以云层聚类中心点作为特征点，根据激光雷达扫描得到的信号时间序列，计算得到其相应时间段内的平均移动速度作为云层的移动速度；步骤S6，将光伏电站太阳能板有效面积进行网格划分，根据云层边界范围和移动速度计算得到云层阴影在每个网格中的停留时间和云层投影占每个网格的面积比的预测值，进而获得光伏发电功率的预测值。
[0007]进一步的，步骤S3聚类算法的具体步骤包括：setp1：首先，以小波协方差函数第一峰值信号相似度作为节点距离，并设置相似阈值E允许出现的误差节点数量阈值；step2：然后，导入反馈信号函数值并经过小波协方差函数变换得到第一峰值信号数据集，并通过下式（3）计算获得各节点间的小波协方差函数第一峰值信号相似度，
ꢀꢀꢀꢀ
（3）式中，为两两数据点间的小波协方差函数第一峰值信号相似度值，和分别为向量和的各维度分量，为向量和拥有的维度分量数量；step3：接着，扫描统计第一峰值信号数据集，如果存在某个数据使得相似阈值E范围内的数据个数小于，则将其记录为临时核心点，并将该范围内所有数据点设为临时聚类簇，否则继续对第一峰值信号数据集继续扫描；step4：继续扫描所有临时聚类簇，对具有相同临时核心点的临时聚类簇进行合并，得到新的聚类簇；step5：重复步骤step3和step4直到聚类簇中不存在新的临时核心点，完成云层边界的检测，并确定各聚类簇的聚类中心。
[0008]进一步的，所述相似阈值E的取值范围为0.030~0.045，所述误差节点数量阈值的取值范围为3~5。
[0009]进一步的，步骤S6中所述光伏发电功率的预测值通过式（4）获得，
ꢀꢀ
（4）式中，为时刻后的时间段内云层投影在第i个太阳能板网格的面积比，为第i个太阳能板网格理想环境下的发电最大值，j为光伏电站太阳能网格总数。
[0010]有益效果：与现有技术相比，本专利技术的核心是采用激光雷达回波信号的动态突变跃迁信息获取大气云层信息和大气状况，具有体积小、重量轻、能连续实时观测，且分辨率高的特点，相对多地基云层图像观测设备，投入和建设成本更低；同时，本专利技术无需目标区域大气气候和光伏发电全历史数据，应用范围更广，具有建设周期更短的优点；另外，与梯度法GARD和标准化偏差法STD相比，具有相同一致性，在较大噪声时，精确率更高，能有效避免估错从而降低短期发电功率预测误差率。
附图说明
[0011]图1为本专利技术所述基于激光雷达云图探测的光伏电站短期发电功率预测方法的流程示意图。
[0012]图2为本专利技术所述聚类算法的流程示意图。
[0013]图3为本专利技术所述聚类算法的原理图。
[0014]图4为本专利技术实施例反馈信号采用本专利技术小波协方差Harr、梯度法GRAD和标准偏差法STD处理后信号对应云层高度随时间变化图。
[0015]图5为本专利技术实施例发电功率预测值与实际输出值RMSE误差比较示意图。
具体实施方式
[0016]下面结合附图和具体实施例，进一步阐明本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于激光雷达云图探测的光伏电站短期发电功率预测方法，其特征在于包括以下步骤：步骤S1，利用大气气体分子和气溶胶对激光的散射吸收作用，采用地基激光雷达探测扫描光伏电站附近空域得到目标空域激光散射吸收后反馈信号，该反馈信号为不同空间坐标点上的呈梯度衰减的反馈信号时间序列集，为信号距离，为信号方位角，为信号极角；步骤S2，采用Haar函数对反馈信号函数值进行小波变换得到小波协方差函数转换值，如式（1）和（2）所示： （1）（2）式中，为经小波协方差Haar函数变换后的取值，为激光雷达探测扫描尺度，为Haar函数的中心位置，为表示信号距离，和分别为反馈信号高度的最大值和最小值；由于小波协方差函数值越大表明信号函数与Haar函数越相似，反映其阶跃变化度越大，此时将小波协方差函数值中的第一峰值信号作为大气云层边界反馈信号，并形成第一峰值信号数据集，所述第一峰值信号对应的高度作为云层高度，对应的坐标作为云层的经纬坐标；步骤S3，以小波协方差函数的第一峰值信号相似度作为距离标准，并设置幅度阈值，采用DBSCAN聚类算法对所述第一峰值信号数据集进行聚类处理，形成相应的聚类中心及不超阈值范围内的坐标数据集，完成云层边界检测；步骤S4，对云层边界信号的空间坐标进行笛卡尔坐标转换和计算得到云层在地面的投影范围；步骤S5，以云层聚类中心点作为特征点，根据激光雷达扫描得到的信号时间序列，计算
得到其相应时间段内的平均移动速度作为云层的移动速度；步骤S6，将光伏电站太阳能板有效面积进行网格划分，根据云层边界范围和移动速度计算得到云层阴影在每个网格中的停留时间和云层投影占每个网格的面积比的预测值，进而获得光伏发电功...

【专利技术属性】
技术研发人员：周鹏，章旺，吴斌，
申请(专利权)人：南京鼐云信息技术有限责任公司，
类型：发明
国别省市：