一种光伏电站辐照度预测方法技术

本发明专利技术涉及一种光伏电站辐照度预测方法，通过获取光伏电站所在地区的历史辐照度数据，代入到所建立的辐照度模型中，获得辐照度的原始数据。利用欧式距离和所建立的类别目标价值函数，将天气类型相同的原始数据组成具有高度相似特征的聚类数据子集，并将其作为样本数据。建立光伏电站所在地的辐照度预测模型，从样本数据中选取训练样本集并代入到辐照度预测模型，进而得出待预测时间段内天气的辐照度。本发明专利技术充分考虑天气的各种影响因素并分为多种类别，从而能够更好地拟合预测日的天气情况，大幅度提高了所预测辐照度的准确性。

【技术实现步骤摘要】

本专利技术涉及，属于新能源控制的

技术介绍
作为衡量光伏发电量的重要参数，太阳辐照度对于光伏发电的规划、运行与控制 是非常重要的。太阳辐照度同时还是影响光伏发电功率的主要因素，如果能够较为准确地 预测太阳辐照度，将会对并网型光伏电站的发电功率的预测有重要意义，使得光伏发电商 可以合理安排电站的运行计划，优化电网调度，从而降低电力系统运行成本，保证电网经济 运行。 在辐照度预测方法上，主要有传统预测方法和新型预测方法。其中传统方法主要 持续法、回归预测法与时间序列分析法；新型预测方法主要有神经网络法，专家系统法等； 由于光伏电站中辐照度受云层覆盖、温度、气压等多种气象因素的影响，具有很强的随机 性，现有技术的预测方法都很难应对不同天气类型下各种影响预测因素影响，要实现精确 的预测难度很大。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提出了， 解决了变电站无法针对不同天气情况进行辐照度预测的技术问题。 本专利技术是通过如下方案予以实现的：、 -种光伏电站辐照度预测方法，步骤如下： 步骤1，获取光伏电站所在地区的历史辐照度数据，并代入到所建立的辐照度模型 中，计算得到光伏发电站所在地区的理论辐照度值；根据理论辐照度值，对采集的历史辐照 数据进行优化，进而得到辐照度的原始数据值Xjt)(i= 1，2,…，m)，其中，m为数据集数 目； 步骤2,选取原始数据Xi⑴的气象特征向量Vi，并对Vi进行归一化处理得到Vlj; 然后根据不同天气类型的辐照度的差异，根据标准差建立类别目标价值函数，并结合欧式 距离将天气类型相同的原始数据组成具有高度相似特征的聚类数据子集，所得到的数据子 集作为样本数据； 步骤3,建立光伏电站所在地的辐照度预测模型，确定该预测模型的输入和输出参 数，根据输入参数的影响因素不同，对每个样本数据设定权值，形成新的加权样本集； 步骤4,选取与待测天气类型相同的加权样本集作为训练样本集，将所述的训练样 本集代入到辐照度预测模型，进而得出待预测时间段内天气的辐照度。 进一步的，步骤1中所述的辐照度模型为： 其中，E为地外辐照度值；Esc为太阳常数，取值为1367W/m2;(rQ/r)2为日地距离修 正系数；σ为太阳赤炜角；EtS时差；Θ为日角；N为积日；ΛΝ为积日的订正值；Y为年份； INT为取括号内数字的整数部分；τ为该点所求时刻的太阳时角；Sd是该点的地方时；货为 该点的地理炜度；γ为该点的地理经度；S是该点地方标准时的小时数；F是该点地方标准 时的分钟数。 进一步的，步骤1中通过理论辐照度值采集的历史辐照数据进行优化为：从历 史辐照度数据库中选取每日从从早6点到晚6点之间的辐照度数据组成连续的时间序列 X(t)，若X(t)中的数据不满足0<X(t) <E(t)，即定位该数据异常并删除该数据所对应当 日的所有数据；若X(t)中存在遗失的数据，则利用线性差值的算法补全该遗失的数据，其 中，E(t)为t时刻该光伏电站所在地区的地外辐照度理论值。 进一步的，步骤2中所述的类别目标价值函数的表达式δi为：其中，δi表示第i类的标准差，也即为类别目标价值函数值；聚类个数为k， 则k个类别用1^_ = 1，2,…，k)表示，IT」是类别T,中所包含数据对象的个数；J同一类别数据对象的质心Α表示原始数据Xjt)中的气象 特征向量，d(Vi，c(Tj))表示\^与c(TJ的欧式距离值。进一步的，步骤2中所述的气象特征向量1= ;其中，Thl，TH，Tal分别为第i日大气最高温度、最低温度、平均温度；tH，t2l分别 为第i日最高、最低气温出现的时刻；Hhl，HH，Hal分别为第i日相对湿度的最高、最低、平均 值；t3l，t4l分别为第i日相对湿度的最高、最低出现时刻；Py别为第i日平均气压、平 均风速。 进一步的，步骤2中所述的欧式距离表达式为： 其中，Va= (val,va2，…，van)，Vb= (vbl,vb2，…vJ，分别表示两个气象特征 向量，η为气象特征向量的维数。 进一步的，步骤3中所述的输入参数为：从待预测日所在数据聚类中选出前7天同 一时间段的辐照度均值及方差、前一日该时间段前后2个时间段的均值及方差、前一日的 平均气压、平均风速、平均气温、相对湿度及当天积日共23维变量；所述的输出参数为：待 预测时间段内天气的辐照度。 进一步的，步骤3中采用熵权法计算设定权值，首先计算影响因素的熵值为： ?=1 其中，E,为第j个影响因素的熵值；Pu为输入参数的影响因素的出现概率；K= 1/ lnm;m为样本数据数目； 根据所得的熵值，计算影响因素的权值为： 其中，Dj为第j个影响因素的权值；则样本数据的权值为与其对应的影响因素的 权值。 进一步的，所述的步骤4中利用加权相似度选取与待测天气类型相同的加权样本 集作为训练样本集，该加权相似度表达式如下：：/=1其中，D#j个影响因素的权值，r。为所述的样本数据，r为将要预测时刻的归 一化数据；η为输入参数中影响因素的个数； 将得到相似度λ i按从大到小来排序，选取排在前面的1个作为训练样集。 进一步的，所述的步骤4中利用支持向量机建立预测模型计算待预测时间段内天 气的福照度，表达式如下：[0034；i=I 其中，给定的训练样本为：yj(i= 1，2,…1j= 1，2, ···]!)，以为η维 输入向量，y#R为目标输出，1为训练样本数；b为偏置，k(x1+1，x)为核函数，本文采用高 斯基核函数bLagrange乘子。 本专利技术和现有技术相比的有益效果是： 本专利技术提出了，选择若干相关历史辐照度数据作为 样本集，利用不同天气类型下气温、湿度、风速等影响因素对辐照度的影响，对样本数据进 行聚类，将样本集分为多个类别。选取与待测天气相似的类别作为训练样本，代入到预测模 型中即可得到预测时间的辐照度。本专利技术充分考虑天气的各种影响因素并分为多种类别， 从而能够更好地拟合预测日的天气情况，实现更加全面的预测，大幅度提高了所预测辐照 度的准确性，对于控制光伏发电的发电量具有指导意义。 本专利技术考虑到预测模型的输入参数中包含多种影响因素，且不同影响因素与辐照 度相关程度的不同中，对不同影响因素赋予不同的熵权，并对训练样本集进行加权处理，然 后利用加权支持向量机建立预测模型，不仅有效提高了模型训练速度，同时保证了较高泛 化性能和精确度，具有广泛的工程应用价值。【附图说明】 图1是专利技术实施例中的流程图。【具体实施方式】 下面结合附图和实施例对本专利技术做进一步详细的说明。 ，步骤如下：步骤（一）、获取光伏电站所在地区的历史辐照度数据，并代入到所建立的辐照度 模型中，计算得到光伏发电站所在地区的理论辐照度值；通过理论辐照度值采集的历史辐 照数据进行优化，进而得到原始数据值& (t)(i= 1，2,…，m)，m为数据集数目，具体方式如 下： (1)所建立光伏电站辐照度模型为： 其中，E为地外辐照度值；ES。为太阳常数，取值为1367W/m2当前第1页1 2 3 本文档来自技高网...

【技术保护点】
一种光伏电站辐照度预测方法，其特征在于，步骤如下：步骤1，获取光伏电站所在地区的历史辐照度数据，并代入到所建立的辐照度模型中，计算得到光伏发电站所在地区的理论辐照度值；根据理论辐照度值，对采集的历史辐照数据进行优化，进而得到辐照度的原始数据值Xi(t)(i＝1,2,…,m)，其中，m为数据集数目；步骤2，选取原始数据Xi(t)的气象特征向量Vi，并对Vi进行归一化处理得到Vij；然后根据不同天气类型的辐照度的差异，根据标准差建立类别目标价值函数，并结合欧式距离将天气类型相同的原始数据组成具有高度相似特征的聚类数据子集，所得到的数据子集作为样本数据；步骤3，建立光伏电站所在地的辐照度预测模型，确定该预测模型的输入和输出参数，根据输入参数的影响因素不同，对每个样本数据设定权值，形成新的加权样本集；步骤4，选取与待测天气类型相同的加权样本集作为训练样本集，将所述的训练样本集代入到辐照度预测模型，进而得出待预测时间段内天气的辐照度。

【技术特征摘要】

【专利技术属性】
技术研发人员：陶颍军，孔波利，崔丽艳，沈志广，李现伟，樊鹏，吴双惠，唐宇，陈斌，张秀娟，段太钢，高建琨，胡叶宾，李燕，熊焰，
申请(专利权)人：许昌许继软件技术有限公司，许继电气股份有限公司，许继集团有限公司，国家电网公司，
类型：发明
国别省市：河南;41