System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及光伏电站功率预测,尤其涉及一种分布式光伏电站功率预测方法。
技术介绍
1、随着太阳能资源在电力行业的快速发展,人类意识到仅仅发展集中式光伏电站,会导致大多数太阳能资源没有被利用,由此分布式光伏电站引起了广泛的关注,由于云团的瞬息万变,导致分布式光伏发电波动性大,而且其安装地点分散,发电功率不易预测。
2、现有的研究中,大多数利用电站大量历史功率数据,通过统计学模型挖掘其周期性规律;或者利用临近集中式光伏电站功率预测,通过时空相关性,找到其与待预测场站的功率关系对分布式光伏电站功率进行预测,但是利用大量历史功率数据进行预测,忽略了短时间内待预测场站光伏环境的突变,如云团的产生与消失,同时忽略了大部分分布式光伏电站分布分散,缺少数据采集装置的问题,部分分布式电站没有临近集中式光伏电站;还有部分研究应用云图进行功率预测,地基云图由于其价格与维修费用昂贵,无法运用到安装容量小、分布广泛的分布式光伏电站。
3、而卫星云图覆盖范围大,与分布式光伏电站有很好的契合度,卫星云图数据最直观体现太阳辐照度的变化,再从太阳辐照度到功率的转换,现有技术只考虑将卫星云图特征与气象特征作为预测模型的输入,分布式光伏电站功率作为预测模型的输出,然而云团直接影响的是太阳辐照度,然后再转换为电,由于分布式光伏电站缺少数据采集装置,缺少太阳辐照度采集数据,没有将中间变量太阳辐照度引入对模型进行修正,预测误差大。
技术实现思路
1、为了解决现有技术存在的问题,本专利技术提供一种分布
2、获取分布式光伏电站所在区域的历史时刻卫星云图与天气预报信息和当前时刻卫星云图与天气预报信息;
3、预处理历史时刻卫星云图和当前时刻卫星云图,并对预处理后的卫星云图进行特征提取,得到历史时刻卫星云图特征和当前时刻卫星云图特征;
4、根据历史时刻卫星云图特征和当前时刻卫星云图特征预测未来时刻卫星云图特征;
5、在分布式光伏电站所在区域中选择若干光伏电站位置安装太阳辐照度采集装置,并根据卫星云图、采集到的太阳辐照度和光伏电站位置信息推算未安装太阳辐照度采集装置的光伏电站太阳辐照度;
6、根据历史时刻卫星云图特征与对应时刻太阳辐照度,确定卫星云图特征与太阳辐照度映射关系;
7、根据预测得到的未来时刻卫星云图特征以及卫星云图特征与太阳辐照度映射关系,得到未来对应时刻分布式光伏电站太阳辐照度;
8、根据未来时刻分布式光伏电站太阳辐照度与天气预报信息,预测未来时刻分布式光伏电站功率。
9、可选的,所述预处理历史时刻卫星云图和当前时刻卫星云图,并对预处理后的卫星云图进行特征提取,包括:
10、对历史时刻卫星云图和当前时刻卫星云图进行灰度处理,得到历史时刻卫星灰度云图和当前时刻卫星灰度云图;
11、对历史时刻卫星灰度云图和当前时刻卫星灰度云图进行线性变化与直方图均衡化,得到预处理后的卫星云图;
12、从预处理后的卫星云图中提取云团像素值作为云团厚度特征,并基于灰度共生矩阵从预处理后的卫星云图中提取云团纹理特征。
13、可选的,所述根据历史时刻卫星云图特征和当前时刻卫星云图特征预测未来时刻卫星云图特征,包括:
14、对历史时刻卫星云图特征和当前时刻卫星云图特征进行时间排序,得到卫星云图特征量时间序列;
15、根据卫星云图特征量时间序列画出卫星云图特征序列的趋势图,并判断卫星云图特征量时间序列是否为平稳时间序列;
16、若卫星云图特征量时间序列为非平稳时间序列,则对卫星云图特征量时间序列进行d阶差分运算得到平稳时间序列;
17、绘制卫星云图特征量时间序列的自相关图和偏自相关图,并根据自相关图和偏自相关图的拖尾和截尾的情况确定arima模型的p值和q值;
18、将历史时刻卫星云图特征和当前时刻卫星云图特征输入arima模型,得到未来时刻卫星云图特征。
19、可选的,所述在分布式光伏电站所在区域中选择若干光伏电站位置安装太阳辐照度采集装置,并根据卫星云图、采集到的太阳辐照度和光伏电站位置信息推算未安装太阳辐照度采集装置的光伏电站太阳辐照度,包括:
20、在分布式光伏电站所在区域中选取n个光伏电站安装太阳辐照度采集装置记为数据完备电站,获取数据完备电站的太阳辐照度;
21、根据分布式光伏电站位置信息从卫星云图对应位置中提取分布式光伏电站的像素值;
22、获取数据完备电站的经纬度τ、倾斜角β、赤纬角δ和时角ω,计算数据完备电站的单位辐照度cosz,公式如下:
23、cosz=sinδsin(τ-β)+cosδcos(τ-β)cosω
24、根据数据完备电站的太阳辐照度ex、数据完备电站的单位辐照度cosz和大气辐射强度计算数据组λf(px),公式如下:
25、
26、将数据完备电站的像素值数据组px与数据组λf(px)进行函数拟合,得到函数f(p);
27、选取一个未安装太阳辐照度采集装置的光伏电站并从数据完备电站中选择对应的参考电站,获取各参考电站和该未安装太阳辐照度采集装置的光伏电站的温度数据;
28、根据各参考电站和未安装太阳辐照度采集装置的光伏电站的温度数据计算各参考电站与未安装太阳辐照度采集装置的光伏电站的皮尔逊积矩相关系数rp,并选择皮尔逊积矩相关系数最大的参考电站为最相关电站,皮尔逊积矩相关系数rp计算公式如下:
29、
30、其中,xi为参考电站的温度值,yi为未安装太阳辐照度采集装置的光伏电站的温度值,xave为参考电站的温度平均值,yave为未安装太阳辐照度采集装置的光伏电站的温度平均值;
31、根据最相关电站的太阳辐照度ea、最相关电站的像素值pa以及未安装太阳辐照度采集装置的光伏电站的像素值pa计算未安装太阳辐照度采集装置的光伏电站太阳辐照度ea,公式如下:
32、ea=f(pa)ea/f(pa)
33、选取其他未安装太阳辐照度采集装置的光伏电站,按照上述方法计算未安装太阳辐照度采集装置的光伏电站太阳辐照度,得到全部光伏电站太阳辐照度。
34、可选的,所述根据卫星云图特征与对应时刻太阳辐照度,确定卫星云图特征与太阳辐照度映射关系,包括:
35、将历史时刻卫星云图特征作为elman神经网络输入,对应时刻光伏电站太阳辐照度作为elman神经网络输出,对elman神经网络进行训练,得到卫星云图特征与太阳辐照度映射关系。
36、可选的,所述根据未来时刻分布式光伏电站太阳辐照度与天气预报信息,预测未来时刻分布式光伏电站功率,包括:
37、将历史时刻光伏电站太阳辐照度和天气预报信息中对应时刻温度作为lstm神经网络输入,对应时刻分布式光伏电站功率作为lstm神经网络输出,对lstm神经网络进行训练,本文档来自技高网...
【技术保护点】
1.一种分布式光伏电站功率预测方法,其特征在于,包括:
2.根据权利要求1所述的分布式光伏电站功率预测方法,其特征在于,所述预处理历史时刻卫星云图和当前时刻卫星云图,并对预处理后的卫星云图进行特征提取,包括:
3.根据权利要求1所述的分布式光伏电站功率预测方法,其特征在于,所述根据历史时刻卫星云图特征和当前时刻卫星云图特征预测未来时刻卫星云图特征,包括:
4.根据权利要求1所述的分布式光伏电站功率预测方法,其特征在于,所述在分布式光伏电站所在区域中选择若干光伏电站位置安装太阳辐照度采集装置,并根据卫星云图、采集到的太阳辐照度和光伏电站位置信息推算未安装太阳辐照度采集装置的光伏电站太阳辐照度,包括:
5.根据权利要求1所述的分布式光伏电站功率预测方法,其特征在于,所述根据卫星云图特征与对应时刻太阳辐照度,确定卫星云图特征与太阳辐照度映射关系,包括:
6.根据权利要求1所述的分布式光伏电站功率预测方法,其特征在于,所述根据未来时刻分布式光伏电站太阳辐照度与天气预报信息,预测未来时刻分布式光伏电站功率,包括:
【技术特征摘要】
1.一种分布式光伏电站功率预测方法,其特征在于,包括:
2.根据权利要求1所述的分布式光伏电站功率预测方法,其特征在于,所述预处理历史时刻卫星云图和当前时刻卫星云图,并对预处理后的卫星云图进行特征提取,包括:
3.根据权利要求1所述的分布式光伏电站功率预测方法,其特征在于,所述根据历史时刻卫星云图特征和当前时刻卫星云图特征预测未来时刻卫星云图特征,包括:
4.根据权利要求1所述的分布式光伏电站功率预测方法,其特征在于,所述在分布式光伏电站所在区域中...
【专利技术属性】
技术研发人员:张龙龙,李晓冬,王艳松,辛明瑞,郑菲玲,赵竟成,秦霄,
申请(专利权)人:中国石油大学华东,
类型:发明
国别省市:
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。