基于风云4A卫星和随机森林的地表总辐射超短期预测方法技术

本发明专利技术涉及一种基于风云4A卫星和随机森林的地表总辐射超短期预测，包括以下步骤：

【技术实现步骤摘要】
基于风云4A卫星和随机森林的地表总辐射超短期预测方法


[0001]本专利技术涉及地表太阳辐照度预测的
，尤其涉及基于风云4A卫星和随机森林的地表总辐射超短期预测方法。

技术介绍

[0002]太阳能作为地球上最大的清洁和可再生能源，未来有望成为世界上最主要的能源之一。近年来，太阳能电池板及相关设备的成本大幅下降，这为未来几十年大规模研究和应用光伏发电系统创造了条件。太阳能发电的市场渗透率正在迅速增长，这种增长给要实时进行平衡的电网运行带来了挑战，而准确预测地表接收到的太阳辐照度是光伏发电中一个重要的环节。
[0003]近年来大量卫星数据被用于太阳能光伏研究，如GEO
‑
13、陆地卫星系列和气象卫星第二代（MSG）。然而，对太阳辐照度估算和光伏产业的应用来说，每颗卫星和传感器都有一定的局限性。风云4号卫星是第二代地球静止轨道（GEO）定量遥感气象卫星，采用三轴稳定控制方案。作为新一代的地球静止轨道定量遥感气象卫星，风云4号在功能和性能上实现了跨越式发展。风云
‑
2G卫星辐射成像通道从5个增加到14个，覆盖可见光、短波、中波和长波红外波段。
[0004]相较常规利用遥感数据预测太阳辐照度的方法（经验法、参数法和查表法）来说，机器学习能够更好地处理在噪音环境中复杂多维的线性关系。但近年来大多数利用机器学习预测太阳辐照度的研究都是基于TSI（全天空成像仪）数据。虽然TSI数据的空间分辨率更高，但是需要前期投入大量精力进行仪器架设及维护，费用十分昂贵，这并不利于分散式光伏产业的发展。

技术实现思路

[0005]本专利技术所要解决的技术问题是提供一种高效率、高精度的基于风云4A卫星和随机森林的地表总辐射超短期预测方法。
[0006]为解决上述问题，本专利技术所述的基于风云4A卫星和随机森林的地表总辐射超短期预测，包括以下步骤：
⑴
根据所选取的研究区，确定该区域的海拔信息和经纬度信息，收集整理研究区域的1min时间间隔的总辐射观测数据GHI
ob1min
，通过平均处理得到10min时间间隔的总辐射观测数据GHI
ob10min
；
⑵
在McClear晴空模型的网页中，将研究区的海拔高度和经纬度信息作为输入信息，选取输出时间步长为1min，即得研究区晴空太阳辐照度的McClear预测数值；选取1min时间间隔在晴空条件下的总辐射观测数据GHI
ob1min
与晴空太阳辐照度的McClear预测数值进行订正，将订正后的数据通过平均处理得到10min时间间隔的晴空太阳辐照度GHI
clear
‑
sky10min
；
⑶
下载风云4号卫星云图数据，并对其进行预处理，读取可见光、短波红外和中波
红外3个通道的不同像素点的数据，经过线性插值，分别得到3个通道10min时间分辨率的反照率区域平均值、、；
⑷
在Python中下载安装sklearn程序包 ，通过输入10min时间间隔的总辐射观测数据GHI
ob10min
、晴空太阳辐照度GHI
clear
‑
sky10min
和3个通道10min时间分辨率的反照率区域平均值、、对随机森林模型进行训练和超参数调优，建立预测模型；
⑸
利用预测模型通过输入10min时间间隔的总辐射观测数据GHI
ob10min
、GHI
clear
‑
sky10min
和、、数据，输出该地区相应预测时间步长的地表太阳总辐照度预测值。
[0007]所述步骤
⑶
中风云4号卫星云图数据来自国家气象科学数据中心，所使用的卫星图像的空间分辨率为2 km
×
2 km，分别选择可见光0.47μm、短波红外2.22μm、中波红外3.72μm共计 3个通道；同时删除太阳高度角小于10
°
的数据。
[0008]所述步骤
⑶
中卫星云图按下述方法进行预处理：先对卫星云图进行几何定标和辐射定标，卫星云图裁剪的面积是32km
×
32km，反演地区像素点居中；然后对于缺失的卫星云图采用线性插值方法进行插补，最后分别得到10min时间分辨率的3个通道反照率区域平均值、、。
[0009]所述步骤
⑷
中随机森林模型的训练和超参数调优按下述方法进行：
①
在Python中下载安装sklearn程序包；
②
利用Python中的Random模块，随机选取70%的数据用于建立预测模型，30%的数据用于预测模型效果的评估，并将10min时间间隔的总辐射观测数据GHI
ob10min
、10min时间间隔的晴空太阳辐照度GHI
clear
‑
sky10min
和3个通道10min时间分辨率的反照率区域平均值、、作为模型建立和验证的输入变量；
③
在预测模型建立的过程中，分别选择网格搜索和随机搜索两种方法对下述六种超参数进行调优：决策树个数n_estimators，决策树最大深度max_depth，最小分离样本数min_samples_split，最小叶子节点样本数min_samples_leaf，最大分离特征数max_features以及是否进行随机抽样bootstrap。
[0010]本专利技术与现有技术相比具有以下优点：1、本专利技术通过结合地表总辐射观测数据、风云4号卫星数据、McClear晴空模型预测数据和随机森林算法，建立高精度的超短期地表太阳辐照度预测方法，时间分辨率可达10min，空间分辨率为2km。
[0011]2、本专利技术所需要的参数较少，通过选取3个对预测效果影响显著的卫星图像通道进行预测，在不影响预测精度的情况下会明显减少预测模型的建立时间，这对保障光伏电站的稳定运行具有重要意义。
附图说明
[0012]下面结合附图对本专利技术的具体实施方式作进一步详细的说明。
[0013]图1为本专利技术的流程图。
[0014]图2为本专利技术实施例提供的风云4号卫星云图示意图。
[0015]图3为本专利技术实施例提供的随机森林模型参数寻优程序运行示意图。
[0016]图4为本专利技术实施例提供的地表太阳辐照度超短期预测效果示意图。
具体实施方式
[0017]如图1所示，基于风云4A卫星和随机森林的地表总辐射超短期预测，包括以下步骤：
⑴
根据所选取的研究区，确定该区域的海拔信息和经纬度信息，收集整理研究区域的1min时间间隔的总辐射观测数据GHI
ob1min
（单位：W/m2），通过平均处理得到10min时间间隔的总辐射观测数据GHI
ob10min
（单位：W/m2）。
[0018]⑵
在McClear本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于风云4A卫星和随机森林的地表总辐射超短期预测，包括以下步骤：
⑴
根据所选取的研究区，确定该区域的海拔信息和经纬度信息，收集整理研究区域的1min时间间隔的总辐射观测数据GHI
ob1min
，通过平均处理得到10min时间间隔的总辐射观测数据GHI
ob10min
；
⑵
在McClear晴空模型的网页中，将研究区的海拔高度和经纬度信息作为输入信息，选取输出时间步长为1min，即得研究区晴空太阳辐照度的McClear预测数值；选取1min时间间隔在晴空条件下的总辐射观测数据GHI
ob1min
与晴空太阳辐照度的McClear预测数值进行订正，将订正后的数据通过平均处理得到10min时间间隔的晴空太阳辐照度GHI
clear
‑
sky10min
；
⑶
下载风云4号卫星云图数据，并对其进行预处理，读取可见光、短波红外和中波红外3个通道的不同像素点的数据，经过线性插值，分别得到3个通道10min时间分辨率的反照率区域平均值、、；
⑷
在Python中下载安装sklearn程序包 ，通过输入10min时间间隔的总辐射观测数据GHI
ob10min
、晴空太阳辐照度GHI
clear
‑
sky10min
和3个通道10min时间分辨率的反照率区域平均值、、对随机森林模型进行训练和超参数调优，建立预测模型；
⑸
利用预测模型通过输入10min时间间隔的总辐射观测数据GHI
ob10min
、GHI
clear
‑
sky10min
和、、数据，输出该地区相应预测时间步长的地表太阳总辐照度预测值。2.如权利要求1所述的基于风云4A卫星和随机森林的地表总辐射超短期预测...

【专利技术属性】
技术研发人员：贾东于，李开明，曾建军，高福元，
申请(专利权)人：兰州城市学院，
类型：发明
国别省市：