太阳直接辐射量预测方法、系统、设备及存储介质技术方案

本发明专利技术属于新能源技术领域，公开了一种太阳直接辐射量预测方法、系统、设备及存储介质，包括根据待预测区域的地域信息和BIRD晴空模型，得到待预测区域的太阳辐射关键量理论数据，并获取待预测区域的太阳辐射关键量扰动变量序列，采用PR

【技术实现步骤摘要】
太阳直接辐射量预测方法、系统、设备及存储介质


[0001]本专利技术属于新能源
，涉及一种太阳直接辐射量预测方法、系统、设备及存储介质。

技术介绍

[0002]能源是人类社会发展的物质基础，能源的生产和利用方式是人类科学技术水平和发展理念的集中体现。近年来，由于化石能源的过度利用，造成了自然环境的严重污染，进而导致全球气候变暖、有毒气体过度排放及生态环境严重恶化，寻求安全可靠的能源将是人类面临的重大挑战。随着新能源行业的快速发展，新能源开发形势正在经历从单一种类开发的时间序列模式向多能互补开发的时间序列模式的转变。然而，由于双碳战略的快速推进，相关的研究和分析工作尚未完全匹配发展需求。比如，在多能互补项目当中，系统的设计、运行和管控都需要面临多种工况，特别是光热发电等新型发电形式，需要对未来相关资源数据趋势变化进行精确的判断，从而实现系统的高效运行。
[0003]作为影响光热电站运行效率的关键因子，太阳直接辐射(DNI)量由于具有随机性、间歇性和波动性等特点，其预测的问题一直以来都是业内研究的重点问题。国内外的学者对此进行了大量的研究工作，并提供一些预测模型取得了一定的研究成果，虽然这些预测模型具有一定的预测能力，但在建模过程中并未充分考虑晴空太阳辐照度(CSI)模型这一重要先验知识对于预测结果的积极影响。其中，CSI模型是评估地球表面各个位置的太阳能资源丰富程度的重要模型。此外，在DNI量预测中并未充分利用DNI相关气象因子的时间序列的不同尺度的变化时间序列模式，最终导致现有的预测模型的预测结果不精确。

技术实现思路

[0004]本专利技术的目的在于克服上述现有技术中，太阳直接辐射量预测结果不精确的缺点，提供一种太阳直接辐射量预测方法、系统、设备及存储介质。
[0005]为达到上述目的，本专利技术采用以下技术方案予以实现：
[0006]本专利技术第一方面，提供一种太阳直接辐射量预测方法，包括：
[0007]获取待预测区域的太阳辐射关键量数据和太阳辐射气象因子数据；
[0008]获取待预测区域的地域信息，并根据待预测区域的地域信息和BIRD晴空模型，得到待预测区域的太阳辐射关键量理论数据；
[0009]根据待预测区域的太阳辐射关键量数据以及太阳辐射关键量理论数据，得到待预测区域的太阳辐射关键量扰动变量序列；
[0010]采用PR
‑
DTW模型对所述太阳辐射关键量扰动变量序列进行处理，得到太阳辐射关键量扰动变量序列的若干时间尺度的时间序列模式；
[0011]将太阳辐射关键量扰动变量序列的若干时间尺度的时间序列模式，均分别与太阳辐射气象因子数据组合，得到若干组合结果并将各组合结果并分别输入至预训练的各太阳辐射集成回归模型，得到若干时间尺度的太阳直接辐射量预测结果；
[0012]将若干时间尺度的太阳直接辐射量预测结果输入至线性回归模型，得到最终的太阳直接辐射量预测结果。
[0013]可选的，所述太阳辐射关键量包括太阳总辐射强度、太阳直接辐射强度以及太阳散射强度；所述太阳辐射气象因子包括平均大气压强、相对湿度、风向和风速。
[0014]可选的，所述待预测区域的地域信息包括待预测区域的经度、纬度和时区。
[0015]可选的，所述根据待预测区域的太阳辐射关键量数据以及太阳辐射关键量理论数据，得到待预测区域的太阳辐射关键量扰动变量序列包括：
[0016]通过下式得到待预测区域的太阳辐射关键量扰动变量序列：
[0017]W_fluc
i
＝{W_fluc
i,1
,...,W_fluc
i,k
,...,W_fluc
i,a
}
[0018][0019]其中，W_fluc
i
为第i个时间窗口的太阳辐射关键量扰动变量序列，W_fluc
i,k
为第k个时刻的太阳辐射关键量扰动变量，a为太阳辐射关键量扰动变量序列的时间窗口的总时刻数，为第k个时刻的太阳辐射关键量数据，第k个时刻的太阳辐射关键量理论数据。
[0020]可选的，所述采用PR
‑
DTW模型对所述太阳辐射关键量扰动变量序列进行处理时间序列模式抽取，得到太阳辐射关键量扰动变量序列的若干时间尺度的时间序列模式包括：
[0021]将太阳辐射关键量扰动变量序列代入PR
‑
DTW模型中，并分别以原始序列长度的1/5、2/5和3/5为抽取序列长度对太阳辐射关键量扰动变量序列进行抽取，得到太阳辐射关键量扰动变量序列的长期时间序列模式、中期时间序列模式和短期时间序列模式。
[0022]可选的，所述PR
‑
DTW模型为：
[0023]min
Q
′
f(Q
′
)＝DTW(Q,Q
′
)
[0024][0025]其中，为抽取的时间序列模式，Q＝{q1,q2,
…
,q
b
}为待进行抽取的序列，n为抽取序列长度，t
i
为原始序列的第t
i
个时刻，即抽取序列的第i个时刻；t
j
为原始序列的第t
j
个时刻，即抽取序列的第j个时刻，DTW为动态弯曲规整计算模型。
[0026]可选的，所述预训练的各太阳辐射集成回归模型，通过以太阳辐射关键量扰动变量序列的各时间尺度的时间序列模式和太阳辐射气象因子数据为输入数据，以各时间尺度的太阳直接辐射量预测结果为目标变量，采用历史数据训练集成回归模型得到。
[0027]本专利技术第二方面，提供一种太阳直接辐射量预测系统，包括：
[0028]数据获取模块，用于获取待预测区域的太阳辐射关键量数据和太阳辐射气象因子数据；
[0029]地域信息处理模块，用于获取待预测区域的地域信息，并根据待预测区域的地域信息和BIRD晴空模型，得到待预测区域的太阳辐射关键量理论数据；
[0030]扰动处理模块，用于根据待预测区域的太阳辐射关键量数据以及太阳辐射关键量理论数据，得到待预测区域的太阳辐射关键量扰动变量序列；
[0031]序列抽取模块，用于采用PR
‑
DTW模型对所述太阳辐射关键量扰动变量序列进行处
理，得到太阳辐射关键量扰动变量序列的若干时间尺度的时间序列模式；
[0032]多尺度预测模块，用于将太阳辐射关键量扰动变量序列的若干时间尺度的时间序列模式，均分别与太阳辐射气象因子数据组合，得到若干组合结果并将各组合结果并分别输入至预训练的各太阳辐射集成回归模型，得到若干时间尺度的太阳直接辐射量预测结果；
[0033]融合预测模块，用于将若干时间尺度的太阳直接辐射量预测结果输入至线性回归模型，得到最终的太阳直接辐射量预测结果。
[0034]本专利技术第三方面，提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种太阳直接辐射量预测方法，其特征在于，包括：获取待预测区域的太阳辐射关键量数据和太阳辐射气象因子数据；获取待预测区域的地域信息，并根据待预测区域的地域信息和BIRD晴空模型，得到待预测区域的太阳辐射关键量理论数据；根据待预测区域的太阳辐射关键量数据以及太阳辐射关键量理论数据，得到待预测区域的太阳辐射关键量扰动变量序列；采用PR
‑
DTW模型对所述太阳辐射关键量扰动变量序列进行处理，得到太阳辐射关键量扰动变量序列的若干时间尺度的时间序列模式；将太阳辐射关键量扰动变量序列的若干时间尺度的时间序列模式，均分别与太阳辐射气象因子数据组合，得到若干组合结果并将各组合结果并分别输入至预训练的各太阳辐射集成回归模型，得到若干时间尺度的太阳直接辐射量预测结果；将若干时间尺度的太阳直接辐射量预测结果输入至线性回归模型，得到最终的太阳直接辐射量预测结果。2.根据权利要求1所述的太阳直接辐射量预测方法，其特征在于，所述太阳辐射关键量包括太阳总辐射强度、太阳直接辐射强度以及太阳散射强度；所述太阳辐射气象因子包括平均大气压强、相对湿度、风向和风速。3.根据权利要求1所述的太阳直接辐射量预测方法，其特征在于，所述待预测区域的地域信息包括待预测区域的经度、纬度和时区。4.根据权利要求1所述的太阳直接辐射量预测方法，其特征在于，所述根据待预测区域的太阳辐射关键量数据以及太阳辐射关键量理论数据，得到待预测区域的太阳辐射关键量扰动变量序列包括：通过下式得到待预测区域的太阳辐射关键量扰动变量序列：W_fluc
i
＝{W_fluc
i，1
，...，W_fluc
i，k
，...，W_fluc
i，a
}其中，W_fluc
i
为第i个时间窗口的太阳辐射关键量扰动变量序列，W_fluc
i，k
为第k个时刻的太阳辐射关键量扰动变量，a为太阳辐射关键量扰动变量序列的时间窗口的总时刻数，为第k个时刻的太阳辐射关键量数据，第k个时刻的太阳辐射关键量理论数据。5.根据权利要求1所述的太阳直接辐射量预测方法，其特征在于，所述采用PR
‑
DTW模型对所述太阳辐射关键量扰动变量序列进行处理时间序列模式抽取，得到太阳辐射关键量扰动变量序列的若干时间尺度的时间序列模式包括：将太阳辐射关键量扰动变量序列代入PR
‑
DTW模型中，并分别以原始序列长度的1/5、2/5和3/5为抽取序列长度对太阳辐射关键量扰动变量序列进行抽取，得到太阳辐射关键量扰动...

【专利技术属性】
技术研发人员：王莹，韩天，付来义，彭勤科，彭怀午，陈康，王晓，郜振鑫，
申请(专利权)人：中国电建集团西北勘测设计研究院有限公司，
类型：发明
国别省市：