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

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

基于雷云轨迹跟踪的雷电条件下的光伏功率预测方法

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S_ψ1，对应的纬度差记为S_φ1，同理，第n个时间差记为t_n，对应的经度差记为S_ψn，对应的纬度差记为S_φn。

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，…，t_n；S_ψ1，S_ψ2，…，S_ψn；S_φ1，S_φ2，…，S_φn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：

t_n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，S_ψn为云层t_n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；S_φn为云层t_n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；v₀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S_ψn和S_φn中，求取t_n，两个拟合表达式中t_n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t_n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，τ_w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t_s和t_e：

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：

P_S＝η_PVSE[1-0.005(T+0.03E+25)]

其中：P_S为光伏发电功率预测值；η_PV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，t_n为同一片云层发生云地闪相邻时刻的时间差，S_ψn为云层t_n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；S_φ1为云层t_n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。

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：

k_ex＝I/I_ex

I_ex＝I_ONcosθ_Z

cosθ_Z＝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：k_ex为晴朗指数；I为实际辐照度；I_ex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；I_ON为大气层外切平面的太阳辐射强度；θ_Z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S_ψ1，对应的纬度差记为S_φ1，同理，第n个时间差记为t_n，对应的经度差记为S_ψn，对应的纬度差记为S_φn。

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，…，t_n；S_ψ1，S_ψ2，…，S_ψn；S_φ1，S_φ2，…，S_φn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S_ψn和S_φn中，求取t_n，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a_ψ和a_φ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v_ψ0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t_s和t_e。

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：

P_S＝η_PVSE[1-0.005(T+0.03E+25)]

其中：P_S为光伏发电功率预测值；η_PV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S_ψ1，对应的纬度差记为S_φ1，同理，第n个时间差记为t_n，对应的经度差记为S_ψn，对应的纬度差记为S_φn。

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，…，t_n；S_ψ1，S_ψ2，…，S_ψn；S_φ1，S_φ2，…，S_φn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：

t_n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，S_ψn为云层t_n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；S_φn为云层t_n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S_ψn和S_φn中，求取t_n，两个拟合表达式中t_n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t_n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，τ_w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。

11.根据权利要求10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4.3，计算雷云到达和离开光伏电站上空的时刻，包括以下内容：

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t_s和t_e：

其中：

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：

P_s＝η_PVSE[1-0.005(T+0.03E+25)]

其中：P_s为光伏发电功率预测值；η_PV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。

Images