[發(fā)明專利]一種基于典型云層遮擋輻照差異的超短期輻照預(yù)測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010558199.5
• 申請(qǐng)日: 2020-06-18
• 公開(kāi)（公告）號(hào): CN111738327B
• 公開(kāi)（公告）日: 2022-09-13
• 發(fā)明（設(shè)計(jì)）人: 邵璽;張臻;伍敏燕;徐國(guó)安;杜聚鑫
• 申請(qǐng)（專利權(quán)）人: 河海大學(xué)常州校區(qū)
• 主分類號(hào): G06V10/774
• 分類號(hào): G06V10/774;G06V10/762;G06V10/764;G06V10/82;G06N3/08
• 代理公司: 南京縱橫知識(shí)產(chǎn)權(quán)代理有限公司 32224
• 代理人: 何春廷

本發(fā)明公開(kāi)了一種基于典型云層遮擋輻照差異的超短期輻照預(yù)測(cè)方法，獲取即時(shí)的同一觀測(cè)點(diǎn)的地基云圖與輻照數(shù)據(jù)；從地基云圖中獲得子圖像，根據(jù)子圖像分類模型對(duì)子圖像進(jìn)行分類；對(duì)地基云圖進(jìn)行特征數(shù)據(jù)提取；根據(jù)子圖像的分類結(jié)果，選擇預(yù)先訓(xùn)練好的預(yù)測(cè)模型，根據(jù)輻照數(shù)據(jù)和提取的特征數(shù)據(jù)確定輸入量，將輸入量輸入到所述預(yù)測(cè)模型，輸出超短輻照預(yù)測(cè)值。優(yōu)點(diǎn)：本發(fā)明提出的方法考慮了真實(shí)天空條件下不同類型云層遮擋輻照存在的差異，對(duì)云層造成太陽(yáng)輻照的衰減影響進(jìn)行有效量化預(yù)測(cè)，在實(shí)際應(yīng)用場(chǎng)景下具有良好的普適性和準(zhǔn)確性。

技術(shù)領(lǐng)域

本發(fā)明涉及一種基于典型云層遮擋輻照差異的超短期輻照預(yù)測(cè)方法，屬于太陽(yáng)輻照與光伏發(fā)電非線性系統(tǒng)多模型控制技術(shù)領(lǐng)域。

背景技術(shù)

隨著光伏并網(wǎng)量快速增長(zhǎng)，光伏出力本身具有的隨機(jī)波動(dòng)性給電網(wǎng)運(yùn)行帶來(lái)了巨大挑戰(zhàn)，尤其是數(shù)十分鐘內(nèi)由于云層運(yùn)動(dòng)所導(dǎo)致的輻照大幅度下降問(wèn)題，近年來(lái)引起業(yè)內(nèi)重視。針對(duì)此問(wèn)題，相關(guān)學(xué)者通過(guò)對(duì)全天空地基云圖提取的特征數(shù)據(jù)進(jìn)行處理分析，從而預(yù)測(cè)未來(lái)輻照波動(dòng)情況；目前的研究中主要利用網(wǎng)格云指數(shù)法，預(yù)測(cè)未來(lái)云層對(duì)理想晴空輻照的折減系數(shù)，從而得出輻照預(yù)測(cè)值。此類方法假設(shè)云層為單層勻質(zhì)結(jié)構(gòu)，與真實(shí)云層差距較大，輻照預(yù)測(cè)結(jié)果存在較大誤差；且由于未考慮不同類型云層遮擋輻照存在差異，模型在不同云層類型條件下的泛化能力較弱。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服現(xiàn)有技術(shù)中的不足，提供一種基于典型云層遮擋輻照差異的超短期輻照預(yù)測(cè)方法，考慮真實(shí)天空條件下不同類型云層遮擋輻照存在的差異，對(duì)云層造成太陽(yáng)輻照的衰減影響進(jìn)行有效量化預(yù)測(cè)。

為解決上述技術(shù)問(wèn)題，本發(fā)明提供一種基于典型云層遮擋輻照差異的超短期輻照預(yù)測(cè)方法，

獲取即時(shí)的同一觀測(cè)點(diǎn)的地基云圖與輻照數(shù)據(jù)；

從地基云圖中獲得子圖像，根據(jù)子圖像分類模型對(duì)子圖像進(jìn)行分類；

對(duì)地基云圖進(jìn)行特征數(shù)據(jù)提??；

根據(jù)子圖像的分類結(jié)果，選擇預(yù)先訓(xùn)練好的預(yù)測(cè)模型，根據(jù)輻照數(shù)據(jù)和提取的特征數(shù)據(jù)確定輸入量，將輸入量輸入到所述預(yù)測(cè)模型，輸出超短輻照預(yù)測(cè)值。

進(jìn)一步的，所述子圖像采用基于正方形網(wǎng)格的劃分方式，將地基云圖進(jìn)行等大小區(qū)塊劃分。

進(jìn)一步的，所述子圖像分類模型采用基于支持向量機(jī)構(gòu)建的模型，模型建立包括：子圖像定標(biāo)簽、子圖像分類模型訓(xùn)練、即時(shí)子圖像分類；

所述子圖像定標(biāo)簽包括：對(duì)前期積累的地基云圖進(jìn)行區(qū)塊劃分獲得若干子圖像，并對(duì)子圖像所屬的云類型給定標(biāo)簽值；所述云類型包括：無(wú)云、卷云、卷層云、高積云、積云、層云，分別對(duì)應(yīng)云類型標(biāo)簽值0～5；

所述子圖像分類模型訓(xùn)練包括：

建立子圖像訓(xùn)練樣本集，所述建立子圖像訓(xùn)練樣本集的過(guò)程為：

建立單個(gè)子圖像對(duì)應(yīng)的輸入量p＝[ME_R，ME_B，SD_B，SK_B，D_ij，EN_B，CON_B，ENT_B，HOM_B，CC]，將輸入量p與子圖像類型標(biāo)簽值g組成訓(xùn)練樣本集T0為：

T0＝{(p¹,g₁),(p²,g₂),...,(pⁿ,g_n)}

其中，(p¹,g₁)為第一個(gè)子圖像輸入量與其類型標(biāo)簽值組成的單個(gè)訓(xùn)練樣本，n為參與訓(xùn)練的子圖像總數(shù)目；

R通道及B通道平均灰度值：