CN111489028B - 基于雷云轨迹跟踪的雷电条件下的光伏功率预测方法 - Google Patents
基于雷云轨迹跟踪的雷电条件下的光伏功率预测方法 Download PDFInfo
- Publication number
- CN111489028B CN111489028B CN202010272463.9A CN202010272463A CN111489028B CN 111489028 B CN111489028 B CN 111489028B CN 202010272463 A CN202010272463 A CN 202010272463A CN 111489028 B CN111489028 B CN 111489028B
- Authority
- CN
- China
- Prior art keywords
- photovoltaic power
- thundercloud
- cloud
- irradiance
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000013528 artificial neural network Methods 0.000 claims abstract description 28
- 230000014509 gene expression Effects 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000001133 acceleration Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 238000010248 power generation Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 3
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000006243 chemical reaction Methods 0.000 abstract description 3
- 238000005457 optimization Methods 0.000 abstract 1
- 238000012216 screening Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Photovoltaic Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于雷云轨迹跟踪的雷电条件下的光伏功率预测方法,基于雷云轨迹跟踪技术,预测出雷云到达和离开光伏电站上空的时刻,结合动量定理判断云体大小和风度之间的关系,进而知道雷云在光伏电站上空的持续时间;然后,通过气象因素和辐照度历史信息,利用BP神经网络将温度和湿度作为输入进行辐照度预测,最后通过光伏功率转化公式得到光伏功率的预测值。本发明通过光伏功率转化公式简化了天气因素与辐照度的非线性关系,通过云轨迹跟踪技术,解决在雷电等极端气候条件下光伏功率预测有效性问题,提高预测精度,为电力调度部门提供可靠的预测值,便于调度部门在雷电等极端气候影响下提前进行电网潮流优化和调度,提高电力***安全性和稳定性。
Description
技术领域
本发明属于光伏功率预测技术领域,尤其涉及一种基于雷云轨迹跟踪预测和BP神经网络的雷电气候条件下的光伏功率预测方法。
背景技术
随着全球气候变暖,地球化石能源日益减少,新能源必定是未来发电的趋势,近年来光伏发电的装机容量逐渐提高,但是,想要提高光伏发电的上网利用率,必须解决光伏发电带来的波动性和不确定性。这种波动性和不稳定性是由气象条件引起的,其中光伏电站上空的云层变化是引起光伏出力变化最主要的原因,尤其在雷电气候条件下,由于雷云和周围其他的云厚度变化明显,会出现光伏剧烈波动的现象,这种波动的特点是幅值变化落差大,变化前后时间差短,会给电网带来较大的冲击,小比例的光伏投入可能会影响电能质量,大比例的光伏投入可能会影响电力***安全稳定运行,因此将及时精确的雷云跟踪技术用于雷电条件下的光伏预测,大大提高光伏预测的时效性和准确性。
目前,在光伏功率预测方面,分为直接预测和间接预测。直接预测方面,是利用已有的功率、辐照度和气象信息对光伏功率直接进行预测,这类方法结合大量的历史信息,通过机器学习的方法总结统计规律,最终获得较为准确的光伏功率预测值。
现有技术中,典型的直接预测方案是根据目标光伏电站气象和光伏功率历史信息基于反向误差传播神经网络的光伏功率预测。具体方法步骤为:1.历史数据的筛选,选择与光伏功率相关的气象数据;2.神经网络的训练:将气象数据作为神经网络的输入,将光伏功率数据作为神经网络的输出,根据反向误差传播修正神经网络的输入层和隐藏层、隐藏层和输出层的权值以及各层神经源的阈值得到训练好的神经网络;3.光伏功率预测:将预测时间段的气象信息作为训练好的神经网络的输入,得到的输出结果就是预测时间段的光伏功率。
现有技术对光伏功率的直接预测方案有如下缺点:
(1)由于气象信息仅和辐照度有直接的物理联系,光伏功率和辐照度之间是通过光电转化模型联系起来的,也就是说气象信息与光伏功率之间没有直接的物理联系,因此这样的预测方法采用单纯的统计学方法,无法解释预测结果的物理意义,而且增加了统计预测中建立的非线性函数的复杂程度。
(2)雷电气象条件下,光伏电站上空雷云的出现和消失是引起光伏的剧烈波动的主要原因,现有的方法无法对雷云出现在光伏电站上空和光伏电站上空未出现雷云两种现象进行有效区分,预测结果不能反映雷电气候条件下短时间辐照度或光伏功率陡升和陡降的特点,这样的预测在雷电条件下往往是失效的。
(3)现有方法笼统的将所有气象信息统一作为预测的输入,大量的数据占用计算机大量的内存,将这些历史数据用于机器学习需要消耗大量的时间,如果没有对用特定气象条件筛选相关的历史数据,那么机器学习后再进行预测的可靠性和准确性是没有办法保证的。
针对上述缺点,本发明通过气象因素预测辐照度,根据温度和湿度进行辐照度预测,由于辐照度适合气象因素直接相关的,因此具有一定的物理意义,与直接建立气象因素和光伏功率的非线性关系相比,这样做简化了预测的非线性关系,使得机器在学习的过程中需要更少的历史数据就能得出较为精确的非线性关系。基于雷云轨迹跟踪技术,对雷云出现在光伏电站上空和光伏电站上空未出现雷云两种现象进行有效区分,预测出雷云到达和离开光伏电站上空的时刻,进而知道雷云在光伏电站上空的持续时间,并结合雷云到达光伏电站上空的气象和辐照度历史数据进行辐照度的幅值预测,有效预测出雷电气象条件下陡升的陡降的变化程度和辐照度跌落后的持续时间,提高在雷电等极端气候条件下的辐照度的有效性和准确性。
发明内容
为解决现有技术存在的以上问题,本发明公开了一种基于雷云轨迹跟踪的雷电条件下的光伏功率预测方法。
本发明的上述技术问题主要通过以下技术方案得以解决:
一种基于雷云轨迹跟踪的雷电条件下的光伏功率预测方法,其特征在于,所述光伏功率预测方法包括以下步骤:
步骤1,确定目标光伏电站经纬度,从历史数据库中采集雷云轨迹预测数据和辐照度预测数据;
其中,所述雷云轨迹预测数据是指目标光伏电站周围设定范围内云地闪发生的时刻和经纬度;所述辐照度预测数据是指目标光伏电站周围设定范围内发生云地闪期间的温度、湿度和辐照度的值;
步骤2,对步骤1所述采集的雷云轨迹预测数据、辐照度预测数据进行预处理;
步骤3,将经步骤2预处理过的辐照度预测数据中云地闪发生期间的温度、湿度作为神经网络的输入,将辐照度数据作为神经网络的输出训练BP神经网;
步骤4,基于当前的实测风速和步骤2预处理后的雷云轨迹预测数据预测雷云到达和离开目标光伏电站上空的时刻,以及在目标光伏电站的持续时间;
步骤5,预测雷云在目标光伏电站上空辐照度幅值及目标光伏电站的光伏功率幅值。
本发明进一步包括以下优选方案。
在步骤1中,所述目标光伏电站周围设定范围是指以目标光伏电站为中心,半径为3000km-9000km的范围。
在本申请的优选方案中,所述目标光伏电站周围设定范围是指以目标光伏电站为中心,半径为5600km的范围。
以设定范围内且距离光伏电站中心最远的位置发生云地闪的时间为采集数据的起始时间;
云地闪定位空间分辨率分别为为0.0001°经度和0.0001°纬度,时间分辨率为0.1×10-6秒。
通过以下方式获得目标光伏电站周围设定范围和设定时间段内每一云地闪期间的温度、湿度以及辐照度的值:在历史记录中查询目标光伏电站设定范围和设定时间内有云地闪记录的日期,观察对应日期光伏电站的辐照度变化曲线,将具有先陡降使得辐照度等于或低于设定辐照度阈值并持续设定时间段,然后再陡升的辐照度变化曲线截取出来,记录该持续时间下温度、湿度以及辐照度的值。
其中,所述陡降和陡升是指在设定时间内每平方米的辐照度大于等于辐照变化阈值。所述陡降和陡升是指30min时间内辐照度变化大于等于400W/m2/h。
设定辐照度阈值是指辐照度晴朗指数平均值小于0.28。
所述持续设定时间段是指持续时间大于90min。
在步骤2中,对雷云轨迹预测数据的处理包括:
计算相邻时刻云地闪的时间差和经纬度差,按照时间顺序,第一个时间差记为t1,对应的经度差记为Sψ1,对应的纬度差记为Sφ1,同理,第n个时间差记为tn,对应的经度差记为Sψn,对应的纬度差记为Sφn。
在步骤2中,对辐照度预测数据的处理包括:
将云地闪发生期间的温度、湿度作为BP神经网络的输入,将辐照度数据作为BP神经网络的输出,以二对一的映射关系对应起来形成数据集;
在步骤4中,预测雷云到达和离开目标光伏电站上空的时刻以及在目标光伏电站的持续时间,包括以下内容:
步骤4.1,将步骤2预处理过的雷云轨迹预测数据即相邻时刻云地闪的时间差和经纬度差按照顺序代入雷云移动轨迹在经线方向和纬线方向的运动学拟合表达式;
t1,t2,…,tn;Sψ1,Sψ2,…,Sψn;Sφ1,Sφ2,…,Sφn带入经度和纬度方向的拟合表达式中,利用线性拟合的方法分别拟合出经度和纬度方向上云层的初速度v0和加速度a;最终得到拟合表达式:
经度方向上的拟合表达式为:
纬度方向上的拟合表达式为:
tn为同一雷云发生第n次云地闪和相邻下一次发生云地闪时刻的时间差,Sψn为云层tn时间段内在经度方向上移动的距离,vψ0为云层在经度方向上移动的初速度,aψ为云层在经度方向上移动的加速度;Sφn为云层tn时间段内在纬度方向上移动的距离,为云层在纬度方向上移动的初速度,aφ为云层在纬度方向上移动的加速度;v0为云层的初速度,为vψ0和的合成矢量;a为云层的加速度,为aψ和aφ的合成矢量;
将目标光伏电站的中心位置的经纬度和有记录的最后一次发生云地闪的经纬度分别做差,将差值分别带入上述表达式中的Sψn和Sφn中,求取tn,两个拟合表达式中tn计算结果分别代表雷云经度中心与光伏电站经度中心重合的时间和雷云纬度中心与光伏电站纬度中心重合的时间,求两个拟合表达式中tn计算结果的平均值则被认为是辐照度数值在雷云影响下幅值最低持续时间段内的中间时刻,记为t中间时刻。
步骤4.2,预测雷云在光伏电站上空持续时间,包括以下内容:
根据下式计算目标光伏电站在历史数据库中每次云地闪事件的时间常数τ:
其中,v为历史数据库中垂直云层风速实测值;v0为云层的初速度,为vψ0和的合成矢量,通过步骤4.1拟合计算得到;a为云层的加速度,为aψ和aφ的合成矢量,通过步骤4.1拟合计算得到;v云指云层的移动速度,通过云层加速度a和历史数据库中获得的每次云地闪发生和结束时刻计算得到;
根据历史数据信息按照下式求均值得到统计比值p:
其中,w是历史数据库中云地闪事件个数的变量表示,m是历史数据库中云地闪事件总个数,通过查询历史数据库确定,τw为所计算得到的历史数据库中第w次云地闪事件的时间常数;t持续时间w为通过历史数据库查询得到的第w次云地闪事件的持续时间;p是统计比值;
根据当前的实测风速v以及拟合结果中的v0和a,计算得到预测云地闪事件的时间常数τ,舍去负值,再根据统计比值p得到预测雷云在光伏电站上空的持续时间t持续时间:
t持续时间=p×τ。
步骤4.3,计算预测雷云到达和离开光伏电站上空的时刻。
将步骤4.2中得到的t持续时间通过结合步骤4.1得到的t中间时刻,分别得到预测雷云到达和离开光伏电站上空的时刻ts和te:
其中:
在步骤5中,将步骤4预测得到的预测雷云到达和离开目标光伏电站上空的时刻,将对应时刻的温度、湿度的预报数据作为步骤3训练好的BP神经网络预测模型的输入,对雷云经过目标光伏电站期间的辐照度进行预测;然后根据辐照度的预测值计算雷电条件下的光伏功率预测值;
按照下式将辐照度预测值转化为光伏功率预测值:
PS=ηPVSE[1-0.005(T+0.03E+25)]
其中:PS为光伏发电功率预测值;ηPV为光伏电池转换效率;S为光伏电池板的面积;E为辐照度预测值;T为气温。
本发明具有以下有益的技术效果:
现有的光伏功率预测技术在雷电等极端气候条件下的预测结果精确度不足,甚至是不可靠的,本发明根据雷电条件下辐照度特征提出基于雷云跟踪的光伏功率预测方法,解决在雷电等极端气候条件下光伏功率预测有效性问题,提高雷电等极端气候条件下光伏功率的预测精度,为电力调度部门提供可靠的预测值,便于调度部门在雷电等极端气候影响下提前进行电网潮流转移和调度,减少雷电天气对电网产生的影响,提高电力***安全性和稳定性。
附图说明
图1所示为本发明基于雷云轨迹跟踪的雷电条件下的光伏功率预测方法的流程示意图。
具体实施方式
下面结合说明书附图和实施例对本发明作进一步详细介绍。
如附图1所示,本发明公开了一种基于雷云轨迹跟踪的雷电条件下的光伏功率预测方法。在本发明中,首先,确定假设条件和拟合表达式:
确定假设条件:(1)所研究对象为从远方飘来的雷云,不能是光伏电站上空突然生成的。(2)近似的认为云地闪落点的经纬度为积雨云中心所处的位置;(3)风的推力和云速满足动量定理;(4)认为云层的移动轨迹在经线方向和纬线方向分别为初速度不为0的匀加速直线运动,由多组数据拟合得到相应的结果。
确定拟合表达式:云层的移动轨迹在经线方向和纬线方向的运动学拟合表达式均为:
经线方向拟合表达式为:
……
纬线方向拟合表达式为:
……
其中,tn为同一片云层发生云地闪相邻时刻的时间差,Sψn为云层tn时间段内在经度方向上移动的距离,vψ0为云层在经度方向上移动的初速度,aψ为云层在经度方向上移动的加速度;Sφ1为云层tn时间段内在纬度方向上移动的距离,为云层在纬度方向上移动的初速度,aφ为云层在纬度方向上移动的加速度。
如附图1所示,本发明具体包括以下步骤:
步骤1,确定目标光伏电站经纬度,根据目标光伏电站经纬度从历史数据库中采集光伏电站周围设定范围和设定时间段内的雷云轨迹预测数据;在历史数据库中查询目标光伏电站周围设定范围和设定时间段内发生云地闪记录的日期,获取目标光伏电站的辐照度预测数据;
雷云轨迹预测数据的筛选:在已知目标光伏电站准确经纬度范围的前提下,记录光伏电站周围一定范围内的云地闪发生的时刻以及经纬度,其中云地闪定位空间分辨率分别为为0.0001°经度和0.0001°纬度,时间分辨率为0.1×10-6秒。
所述目标光伏电站周围设定范围是指以目标光伏电站为中心,半径为3000km-9000km的范围。在本申请的优选实施例中,选取半径为5600km的范围作为目标光伏电站周围设定范围进行预测。
用于辐照度预测历史数据的筛选:在历史记录中查询光伏电站周围一定范围内有云地闪记录的日期,观察对应日期光伏电站的辐照度变化曲线,将具有先陡降,后在幅值很低处持续一段的时间,这段持续时间的辐照度晴朗指数平局值小于0.28,再陡升的曲线截取出来,记录该持续时间下温度、湿度以及辐照度的值。
其中,所述陡降和陡升是指在设定时间内每平方米的辐照度大于辐照变化阈值。在本申请的优选实施例中,所述陡降和陡升是指30min时间内辐照度变化大于等于400W/m2/h。设定辐照度阈值是指辐照度晴朗指数平均值小于0.28。所述持续设定时间段是指持续时间大于90min。
其中辐照度晴朗指数的计算公式为:
kex=I/Iex
Iex=IONcosθZ
cosθZ=sinδsinφ+cosδcosφcosω
δ=23.45°sin[360°(284+N)/365]
ω=(S+F/60-12)15°
真太阳时=北京时-(120-当地经度)/15+E
其中:kex为晴朗指数;I为实际辐照度;Iex为计算下不受云层和大气影响的晴空辐照度;Isc为太阳常数,其值约为1367;ION为大气层外切平面的太阳辐射强度;θZ为太阳天顶角;δ为太阳赤纬角;φ为当地的地理纬度;ω为太阳时角;N为积日;S,F分别代表真太阳时的小时数和分钟数;E为地球绕太阳公转时运动和转速变化而产生的时差,时差单位为min。
步骤2,对步骤1所述采集的雷云轨迹预测数据、辐照度预测数据进行预处理。
步骤2.1,雷云轨迹预测数据的处理:根据雷云轨迹预测筛选数据计算得到相邻时刻云地闪的时间差和经纬度差,按照时间顺序,第一个时间差记为t1,对应的经度差记为Sψ1,对应的纬度差记为Sφ1,同理,第n个时间差记为tn,对应的经度差记为Sψn,对应的纬度差记为Sφn。
步骤2.2,辐照度预测数据的处理:以时刻相同为依据,将雷电发生时刻的温度、湿度作为神经网络的输入,将辐照度数据作为神经网络的输出,以二对一的映射关系对应起来形成数据集。
步骤3,BP神经网络的训练:将历史数据中雷电发生时刻的温度、湿度作为神经网络的输入,将辐照度数据作为神经网络的输出训练BP神经网。
步骤4,预测雷云到达和离开目标光伏电站上空的时刻以及在目标光伏电站的持续时间;
在本申请的技术方案中,雷云轨迹预测的方法可以采用现有技术中的时间序列法和人工智能法,也可以采用本申请下面介绍到的优选实施例。
需要说明的是,本申请优选下述的雷云轨迹预测方法,并非是对本发明精神的限制,而是为了更好的阐述本发明的技术方案。凡是现有技术中已存在的雷云轨迹预测方法均可以应用到本发明中,并能取得有益的技术效果。
步骤4.1,雷云轨迹预测:
将t1,t2,…,tn;Sψ1,Sψ2,…,Sψn;Sφ1,Sφ2,…,Sφn带入步骤1.2中的经度和纬度方向的拟合表达式中,利用线性拟合的方法分别拟合出经度和纬度方向上的初速度v0和加速度a。最终得到拟合表达式:
经度方向上的拟合表达式为:
纬度方向上的拟合表达式为:
将光伏电站的中心位置的经纬度和有记录的最后一次发生云地闪的经纬度分别做差,将差值分别带入上述表达式中的Sψn和Sφn中,求取tn,每个方程有两个结果,分别舍掉每个方程中值为负数的结果,最终保留两个值为正的结果,分别代表雷云经度中心与光伏电站经度中心重合的时间和雷云纬度中心与光伏电站纬度中心重合的时间,求平均值认为是辐照度数值在雷云影响下幅值最低持续时间段内的中间时刻,记为t中间时刻。
步骤4.2,雷云在光伏电站上空持续时间预测:
Ft=m风(v-v0)
m风=ρ风QS
Q=v*1=v
得到:
F=ρ风v(v-v0)S
由于:
a指雷云的总加速的,是aψ和aφ的矢量和
m云=ρ云V∝hr2
V是指雷云的体积
S∝hr
得到:
满足:
v云指云层的移动速度,τ是设定参数,无实际物理意义,与t持续时间成正比,其中:
τ∝t持续时间
其中:S为风与云层的接触面积;Q为风的流量;v为某方向的垂直云层风速实测值;v0为与风速相同方向上云的初速度,为vψ0和的合成矢量,通过步骤4.1拟合计算得到;F为推力;m风为空气质量;ρ风为空气密度,本申请取为1.293g/L;m云为云的质量;h为云的高度;r为云俯视图的广义半径;
根据历史数据信息可以统计分析求均值得到:
其中,w是历史数据个数的变量表示,m是历史数据具体个数,具体的m的值根据可查询历史数据个数来定;p是统计的比值
根据实测风速v以及拟合结果中的v0和a,计算得到τ,舍去负值,再根据统计结果p得到雷云在光伏电站上空的持续时间t持续时间:
t持续时间=p×τ
步骤4.3,雷云到达和离开光伏电站上空的时刻:
将步骤4.2中得到的t持续时间通过结合步骤4.1得到的t中间时刻,分别得到雷云到达和离开光伏电站上空的时刻ts和te。
其中:
步骤5,预测雷云在目标光伏电站上空辐照度幅值及目标光伏电站的光伏功率幅值:
将步骤4预测得到的雷云到达和离开目标光伏电站上空的时刻,将对应时刻的温度、湿度的预报数据作为步骤3训练好的BP神经网络预测模型的输入,对雷云经过目标光伏电站期间的辐照度进行预测;然后根据辐照度的预测值计算雷电条件下的光伏功率预测值;
按照下式将辐照度预测值转化为光伏功率预测值:
PS=ηPVSE[1-0.005(T+0.03E+25)]
其中:PS为光伏发电功率预测值;ηPV为光伏电池转换效率;S为光伏电池板的面积;E为辐照度预测值;T为气温。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (12)
1.一种基于雷云轨迹跟踪的雷电条件下的光伏功率预测方法,其特征在于,所述光伏功率预测方法包括以下步骤:
步骤1,确定目标光伏电站经纬度,从历史数据库中采集雷云轨迹预测数据和辐照度预测数据;其中,所述雷云轨迹预测数据是指目标光伏电站周围设定范围内云地闪发生的时刻和经纬度;所述辐照度预测数据是指目标光伏电站周围设定范围内发生云地闪期间的温度、湿度和辐照度的值;
步骤2,对步骤1所述采集的雷云轨迹预测数据、辐照度预测数据进行预处理;
步骤3,将经步骤2预处理过的辐照度预测数据中云地闪发生期间的温度、湿度作为神经网络的输入,将辐照度数据作为神经网络的输出训练BP神经网络;
步骤4,将预处理过的雷云轨迹预测数据即相邻时刻云地闪的时间差和经纬度差按照顺序代入雷云移动轨迹在经线方向和纬线方向的运动学拟合表达式,计算雷云经度中心与光伏电站经度中心重合的时间和雷云纬度中心与光伏电站纬度中心重合的时间的平均雷云持续时间段内的中间时刻,记为t中间时刻;预测雷云在光伏电站上空的持续时间t持续时间;计算预测雷云到达和离开光伏电站上空的时刻;
步骤5,根据步骤4预测得到的雷云到达和离开目标光伏电站上空的时刻,将对应时刻的温度、湿度的预报数据作为步骤3训练好的BP神经网络预测模型的输入,对雷云经过目标光伏电站期间的辐照度进行预测;然后根据辐照度的预测值计算雷电条件下的光伏功率预测值。
2.根据权利要求1所述的基于雷云轨迹跟踪的雷电条件下的光伏功率预测方法,其特征在于:
在步骤1中,所述目标光伏电站周围设定范围是指以目标光伏电站为中心,半径为3000km-9000km的范围。
3.根据权利要求1所述的基于雷云轨迹跟踪的雷电条件下的光伏功率预测方法,其特征在于:
所述目标光伏电站周围设定范围是指以目标光伏电站为中心,半径为5600km的范围。
4.根据权利要求1或2所述的基于雷云轨迹跟踪的雷电条件下的光伏功率预测方法,其特征在于:
以设定范围内且距离光伏电站中心最远的位置发生云地闪的时间为采集数据的起始时间;
云地闪定位空间分辨率分别为0.0001°经度和0.0001°纬度;时间分辨率为0.1×10-6秒。
5.根据权利要求1或2所述的基于雷云轨迹跟踪的雷电条件下的光伏功率预测方法,其特征在于:
通过以下方式获得目标光伏电站周围设定范围内每一云地闪期间的温度、湿度以及辐照度的值:在历史记录中查询目标光伏电站设定范围和设定时间内有云地闪记录的日期,观察对应日期光伏电站的辐照度变化曲线,将具有先陡降使得辐照度等于或低于设定辐照度阈值并持续设定时间段,然后再陡升的辐照度变化曲线截取出来,记录该持续设定时间段下温度、湿度以及辐照度的值;
其中,所述陡降和陡升是指在设定时间内辐照度的变化大于等于辐照变化阈值。
6.根据权利要求5所述的基于雷云轨迹跟踪的雷电条件下的光伏功率预测方法,其特征在于:
所述陡降和陡升是指30min时间内辐照度变化大于等于400W/m2;
设定辐照度阈值是指辐照度晴朗指数平均值小于0.28;
所述持续设定时间段是指持续时间大于90min。
7.根据权利要求1所述的基于雷云轨迹跟踪的雷电条件下的光伏功率预测方法,其特征在于:
在步骤2中,对雷云轨迹预测数据的处理包括:
计算相邻时刻云地闪的时间差和经纬度差,按照时间顺序,第一个时间差记为t1,对应的经度差记为Sψ1,对应的纬度差记为Sφ1,同理,第n个时间差记为tn,对应的经度差记为Sψn,对应的纬度差记为Sφn。
8.根据权利要求7所述的基于雷云轨迹跟踪的雷电条件下的光伏功率预测方法,其特征在于:
在步骤2中,对辐照度预测数据的处理包括:
将云地闪发生期间的温度、湿度作为BP神经网络的输入,将辐照度数据作为BP神经网络的输出,以二对一的映射关系对应起来形成数据集。
9.根据权利要求1所述的基于雷云轨迹跟踪的雷电条件下的光伏功率预测方法,其特征在于:
步骤4.1,将步骤2预处理过的雷云轨迹预测数据即相邻时刻云地闪的时间差和经纬度差按照顺序代入雷云移动轨迹在经线方向和纬线方向的运动学拟合表达式;
t1,t2,…,tn;Sψ1,Sψ2,…,Sψn;Sφ1,Sφ2,…,Sφn带入经度和纬度方向的拟合表达式中,利用线性拟合的方法分别拟合出经度和纬度方向上云层的初速度v 0和加速度a;最终得到拟合表达式:
经度方向上的拟合表达式为:
纬度方向上的拟合表达式为:
tn为同一雷云发生第n次云地闪和相邻下一次发生云地闪时刻的时间差,Sψn为云层tn时间段内在经度方向上移动的距离,v ψ0为云层在经度方向上移动的初速度,a ψ为云层在经度方向上移动的加速度;Sφn为云层tn时间段内在纬度方向上移动的距离,为云层在纬度方向上移动的初速度,a φ为云层在纬度方向上移动的加速度;v 0为云层的初速度,为v ψ0和的合成矢量;a为云层的加速度,为a ψ和a φ的合成矢量;
将目标光伏电站的中心位置的经纬度和有记录的最后一次发生云地闪的经纬度分别做差,将差值分别带入上述表达式中的Sψn和Sφn中,求取tn,两个拟合表达式中tn计算结果分别代表雷云经度中心与光伏电站经度中心重合的时间和雷云纬度中心与光伏电站纬度中心重合的时间,求两个拟合表达式中tn计算结果的平均值则被认为是辐照度数值在雷云影响下幅值最低持续时间段内的中间时刻,记为t中间时刻。
10.根据权利要求9所述的基于雷云轨迹跟踪的雷电条件下的光伏功率预测方法,其特征在于:
步骤4.2,预测雷云在光伏电站上空持续时间,包括以下内容:
根据下式计算目标光伏电站在历史数据库中每次云地闪事件的时间常数τ:
其中,v为历史数据库中垂直云层风速实测值;v 0为云层的初速度,为v ψ0和的合成矢量,通过步骤4.1拟合计算得到;a为云层的加速度,为a ψ和a φ的合成矢量,通过步骤4.1拟合计算得到;v 云指云层的移动速度,通过云层加速度a和历史数据库中获得的每次云地闪发生和结束时刻计算得到;
根据历史数据信息按照下式求均值得到统计比值p:
其中,w是历史数据库中云地闪事件个数的变量表示,m是历史数据库中云地闪事件总个数,通过查询历史数据库确定,τw为所计算得到的历史数据库中第w次云地闪事件的时间常数;t持续时间w为通过历史数据库查询得到的第w次云地闪事件的持续时间;p是统计比值;
根据当前的实测风速v以及拟合结果中的v 0和a,计算得到预测云地闪事件的时间常数τ,舍去负值,再根据统计比值p得到预测雷云在光伏电站上空的持续时间t持续时间:
t持续时间=p×τ。
12.根据权利要求1或11所述的基于雷云轨迹跟踪的雷电条件下的光伏功率预测方法,其特征在于:
步骤5,按照下式将辐照度预测值转化为光伏功率预测值:
Ps=ηPVSE[1-0.005(T+0.03E+25)]
其中:Ps为光伏发电功率预测值;ηPV为光伏电池转换效率;S为光伏电池板的面积;E为辐照度预测值;T为气温。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010272463.9A CN111489028B (zh) | 2020-04-09 | 2020-04-09 | 基于雷云轨迹跟踪的雷电条件下的光伏功率预测方法 |
PCT/CN2021/086048 WO2021204226A1 (zh) | 2020-04-09 | 2021-04-09 | 基于雷云轨迹跟踪的雷电条件下的光伏功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010272463.9A CN111489028B (zh) | 2020-04-09 | 2020-04-09 | 基于雷云轨迹跟踪的雷电条件下的光伏功率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111489028A CN111489028A (zh) | 2020-08-04 |
CN111489028B true CN111489028B (zh) | 2021-06-08 |
Family
ID=71812691
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010272463.9A Active CN111489028B (zh) | 2020-04-09 | 2020-04-09 | 基于雷云轨迹跟踪的雷电条件下的光伏功率预测方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111489028B (zh) |
WO (1) | WO2021204226A1 (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111489028B (zh) * | 2020-04-09 | 2021-06-08 | 国网江苏省电力有限公司苏州供电分公司 | 基于雷云轨迹跟踪的雷电条件下的光伏功率预测方法 |
CN113837121B (zh) * | 2021-09-28 | 2024-03-01 | 中国科学技术大学先进技术研究院 | 一种基于类脑的防疫机器人视听觉协同感知方法及*** |
CN114021447B (zh) * | 2021-10-29 | 2024-06-21 | 国网山西省电力公司电力科学研究院 | 一种新能源光伏发电功率预测方法 |
CN114492922A (zh) * | 2021-12-14 | 2022-05-13 | 电力规划总院有限公司 | 一种中长期发电量预测方法 |
CN114492941A (zh) * | 2021-12-29 | 2022-05-13 | 东南大学 | 一种基于集群划分和数据增强的整县光伏预测方法 |
CN114418093B (zh) * | 2022-01-19 | 2023-08-25 | 北京百度网讯科技有限公司 | 训练路径表征模型、输出信息的方法和装置 |
CN114626604B (zh) * | 2022-03-11 | 2024-07-12 | 国网江苏省电力有限公司电力科学研究院 | 一种基于基准站感知的分布式光伏观测方法及*** |
CN114676893B (zh) * | 2022-03-11 | 2024-02-02 | 中国长江三峡集团有限公司 | 一种基于最优图结构的光伏电站太阳辐照度短期预测方法及存储介质 |
CN114462723B (zh) * | 2022-04-12 | 2022-07-29 | 南方电网数字电网研究院有限公司 | 基于高空风资源影响的云层迁移分钟级光伏功率预测方法 |
CN114880958B (zh) * | 2022-07-12 | 2022-10-11 | 南京气象科技创新研究院 | 一种基于多气象因子智能深度学习的能见度预报方法 |
CN115173408B (zh) * | 2022-07-27 | 2024-05-07 | 国网湖南省电力有限公司 | 一种基于皮尔逊相关系数的分布式光伏电站聚合预测方法 |
CN115811044A (zh) * | 2022-11-18 | 2023-03-17 | 国网河北省电力有限公司营销服务中心 | 光伏功率突变预测方法 |
CN116307269B (zh) * | 2023-05-16 | 2023-10-31 | 华能山东泰丰新能源有限公司 | 一种基于人工智能的光伏发电功率预测方法及装置 |
CN116865263B (zh) * | 2023-08-30 | 2024-01-09 | 天津市普迅电力信息技术有限公司 | 一种基于空间网格的分布式光伏功率预测方法 |
CN117713218B (zh) * | 2023-12-29 | 2024-06-25 | 浙江大学 | 一种基于知识与数据融合驱动的光伏出力预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886616A (zh) * | 2014-02-25 | 2014-06-25 | 国家电网公司 | 一种基于全天空成像数据的光伏发电功率超短期预测方法 |
US20180375334A1 (en) * | 2017-06-26 | 2018-12-27 | Tsinghua University | Method and apparatus for photovoltaic power forecast based on numerical weather prediction |
CN109829572A (zh) * | 2019-01-14 | 2019-05-31 | 国网江苏省电力有限公司苏州供电分公司 | 雷电气候下的光伏发电功率预测方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10599747B1 (en) * | 2011-07-25 | 2020-03-24 | Clean Power Research, L.L.C. | System and method for forecasting photovoltaic power generation system degradation |
CN103218673A (zh) * | 2013-03-27 | 2013-07-24 | 河海大学 | 基于bp神经网络的光伏发电短期出力预测方法 |
CN103971169B (zh) * | 2014-04-14 | 2017-09-01 | 国家电网公司 | 一种基于云量模拟的光伏超短期发电功率的预测方法 |
KR20160003373A (ko) * | 2014-07-01 | 2016-01-11 | 경북대학교 산학협력단 | 위도 및 경도별 태양광 발전량 계측시스템 |
CN105182089B (zh) * | 2015-07-24 | 2019-03-26 | 中国石油化工股份有限公司 | 一种自修正的雷云轨迹预测方法 |
CN105303254B (zh) * | 2015-10-26 | 2019-05-31 | 国网浙江省电力公司电力科学研究院 | 一种对光伏电站接收辐射进行预测的方法及装置 |
CN105913150A (zh) * | 2016-04-12 | 2016-08-31 | 河海大学常州校区 | 一种基于遗传算法的bp神经网络光伏电站发电量预测方法 |
US11545830B2 (en) * | 2017-01-18 | 2023-01-03 | Board Of Regents, The University Of Texas System | Systems and methods of hierarchical forecasting of solar photovoltaic energy production |
CN109615131A (zh) * | 2018-12-07 | 2019-04-12 | 国能日新科技股份有限公司 | 光伏功率预测方法和装置 |
CN110443405A (zh) * | 2019-06-28 | 2019-11-12 | 国网山东省电力公司济宁市任城区供电公司 | 一种光伏电站发电量预测***及方法 |
CN111489028B (zh) * | 2020-04-09 | 2021-06-08 | 国网江苏省电力有限公司苏州供电分公司 | 基于雷云轨迹跟踪的雷电条件下的光伏功率预测方法 |
-
2020
- 2020-04-09 CN CN202010272463.9A patent/CN111489028B/zh active Active
-
2021
- 2021-04-09 WO PCT/CN2021/086048 patent/WO2021204226A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886616A (zh) * | 2014-02-25 | 2014-06-25 | 国家电网公司 | 一种基于全天空成像数据的光伏发电功率超短期预测方法 |
US20180375334A1 (en) * | 2017-06-26 | 2018-12-27 | Tsinghua University | Method and apparatus for photovoltaic power forecast based on numerical weather prediction |
CN109829572A (zh) * | 2019-01-14 | 2019-05-31 | 国网江苏省电力有限公司苏州供电分公司 | 雷电气候下的光伏发电功率预测方法 |
Non-Patent Citations (2)
Title |
---|
"地基云图结合径向基函数人工神经网络的光伏功率超短期预测模型";陈志宝等;《中国电机工程学报》;20150205;第35卷(第3期);全文 * |
"组合数值天气预报与地基云图的光伏超短期功率预测模型";朱想等;《电力***自动化》;20150425;第39卷(第6期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
WO2021204226A1 (zh) | 2021-10-14 |
CN111489028A (zh) | 2020-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111489028B (zh) | 基于雷云轨迹跟踪的雷电条件下的光伏功率预测方法 | |
CN108388956B (zh) | 考虑辐射衰减的光伏功率预测方法 | |
Liu et al. | An improved photovoltaic power forecasting model with the assistance of aerosol index data | |
WO2020215405A1 (zh) | 基于并网逆变器运行数据的光伏电站功率预测方法及*** | |
CN102566597B (zh) | 光伏发电智能自适应跟踪控制方法及控制*** | |
CN113496311A (zh) | 光伏电站发电功率预测方法及*** | |
CN109034464A (zh) | 一种短期光伏发电***功率预测及结果校核的方法 | |
CN107832869A (zh) | 一种风力发电与光伏发电的发电功率预测方法 | |
Hiester et al. | Meteorological aspects of siting large wind turbines | |
Pawar et al. | Solar PV power forecasting using modified SVR with Gauss-Newton method | |
CN109599899B (zh) | 一种新能源运行模拟边界条件的设定方法 | |
Marzouq et al. | ANN-based modelling and prediction of daily global solar irradiation using commonly measured meteorological parameters | |
Sahoo et al. | Energy forecasting for grid connected MW range solar PV system | |
CN109829572B (zh) | 雷电气候下的光伏发电功率预测方法 | |
CN112288129A (zh) | 一种基于迁移学习和地基云图的超短期光伏功率预测模型 | |
Poitras et al. | Wind speed prediction for a target station using neural networks and particle swarm optimization | |
Azad et al. | Effect of wind shear coefficient on wind velocity at coastal sites of Bangladesh | |
CN116222002A (zh) | 基于应力和光斑实测的碟式聚光***风扰聚光误差建模与补偿方法 | |
KR102491085B1 (ko) | 대기모형 예보 기반 풍력 발전량 예측 장치 및 방법 | |
CN105956685B (zh) | 一种光伏功率因子表预测方法 | |
Aji et al. | Highly accurate daily solar radiation forecasting using SW-SVR for hybrid power plant in Indonesia | |
Shi et al. | Short-term photovoltaic power forecast based on long short-term memory network | |
Jury et al. | Wind energy potential in the Cape coastal belt | |
CN109347434B (zh) | 一种计及老化时光伏发电功率的方法 | |
Zhang et al. | Research on power prediction of photovoltaic power station based on similar hour and LM-BP neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |