空气质量监测数据驱动的光伏发电多尺度功率预测方法
发布时间：2021-12-23 00:39
近年来频繁出现的污染天气使光伏发电中太阳辐照度随空气质量出现较大变化,对光伏发电功率预测产生较大影响。对此,本文基于空气质量监测数据与气象数据,建立了气溶胶光学厚度（AOT）的光伏发电功率预测软测量模型,采用双波段大气辐射传输模型计算太阳辐照度,以日前与日内的空气质量预报信息为驱动数据,提出了一种多时间尺度的光伏发电功率预测方法,并基于此开发了光伏发电功率预测软件进行试验验证。结果表明,本文方法能够有效反映污染天气对辐照度的影响,实现对光伏发电功率的准确预测,该光伏发电功率预测软件具有较好的工程应用价值。
【文章来源】：热力发电. 2020,49(06)北大核心
【文章页数】：8 页
【部分图文】：
辐照度及光伏发电功率对比Fig.1Thecomparisonofsolarradiationintensityand
0.6710.728气温0.2290.255空气相对湿度0.3860.302气溶胶标高0.2060.232风速–0.126–0.158风向0.0650.080云量0.0140.016时间0.0620.0892.3AOT软测量模型利用MATLAB软件的LibSVM工具箱，分别建立SVR-1与SVR-2的AOT软测量模型，图2为AOT软测量模型结构。图2中，C0为PM10质量浓度，C1为PM2.5质量浓度，R为空气相对湿度，H为气溶胶标高，T为气温，440与1020分别为波段1与波段2的AOT。图2AOT软测量模型结构Fig.2ThestructureoftheAOTsoftsensingmodel随机抽取2132组训练样本中的1964组作为训练样本，其余168组作为检验样本，对2个AOT软测量模型进行学习训练。2个AOT软测量模型均选用径向基核函数，结合试探法与网格搜索法，对训练参数损失系数ε、惩罚因子C以及核函数参数σ2进行优选，最终得出的训练参数见表2。表2AOT软测量模型训练参数Tab.2TrainingparametersoftheAOTsoftsensingmodel训练参数εCσ2SVR-10.02610SVR-20.01710
72热力发电2020年http://www.rlfd.com.cn完成AOT软测量模型学习后，分别在训练样本与检验样本上测试其计算精度，结果如图3和图4所示。图3AOT软测量模型在训练样本上的计算结果Fig.3CalculationresultsoftheAOTsoftsensingmodelontrainingsamples图4AOT软测量模型在检验样本上的绝对误差Fig.4AbsoluteerrorsoftheAOTsoftsensingmodelontestsamples由图3和图4可见，在训练样本上，2个AOT软测量模型的计算结果与AOT实际值均具有高度的一致性；在检验样本上，2个AOT软测量模型的绝对误差平均值分别为0.149与0.063，说明它们具有较高的预测精度。3基于大气辐射传输模型的辐照度预测C.A.Gueymard的研究工作表明，与Bird、CPCR2、Ineichen等大气辐射传输模型相比，REST2模型具有更高的精度，适合计算晴空条件下的辐照度[18]。REST2模型通过分别计算0.29~0.70μm波段与0.70~4.00μm波段的太阳直射辐照度和散射辐照度，进而可得出任一平面的总辐照度。REST2模型的直射辐照度计算公式为bnbn1bn2bniaiwiRiginioi0niEEEETTTTTTE(4)式中，Ebn为总直射辐照度，Ebni为波段i直射辐照度，E0ni为波段i大气层外直射辐照度。Tai为波段i气溶胶透射系数，计算公式为aaaexp()iiTm(5)式中τai为波段i的AOT。Twi为波段i可降水量透射系数，计算公式为：w11w2wT(1hm)(1hm)(6)22w21w2w3w4wT(1cmcm)(1cmcm)(7)TRi为波段i雷利系数，计算公式为：""2RRR1""2RR(11.81690.033454)(12.0630.31978)mmTmm(8
【参考文献】：
期刊论文
[1]基于数值天气预报的光伏功率短期预测分类组合算法[J]. 张俊,贺旭,陆春良,王波. 广东电力. 2019(06)
[2]计及雾霾影响因素的光伏发电超短期功率预测[J]. 刘卫亮,刘长良,林永君,李静,李金拓,熊峰,陈晨. 中国电机工程学报. 2018(14)
[3]一种短期光伏出力的区间预测方法[J]. 陈云龙,殷豪,孟安波,欧晓峰,刘哲. 广东电力. 2018(02)
[4]基于ARIMA和SVR的光伏电站超短期功率预测[J]. 赫卫国,郝向军,郭雅娟,曹潇,陈锦铭,梅飞,刘皓明. 广东电力. 2017(08)
[5]光伏发电短期预测研究进展综述[J]. 荆博,谭伦农,钱政,裴岩,王婧怡. 电测与仪表. 2017(12)
[6]光伏功率预测技术[J]. 龚莺飞,鲁宗相,乔颖,王强. 电力系统自动化. 2016(04)
[7]河北省气溶胶标高时空变化及其成因[J]. 成贺玺,王卫,杜玮璐,邸兰杰,牛子宁,王京涛. 环境科学研究. 2015(02)
[8]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[J]. 陈志宝,丁杰,周海,程序,朱想. 中国电机工程学报. 2015(03)
[9]风力和光伏发电短期功率预测研究进展与展望[J]. 陈深,毛晓明,房敏. 广东电力. 2014(01)
[10]基于ARMA模型的光伏电站出力预测[J]. 兰华,廖志民,赵阳. 电测与仪表. 2011(02)
博士论文
[1]并网型光伏电站发电功率预测方法与系统[D]. 王飞.华北电力大学 2013
本文编号：3547425
【文章来源】：热力发电. 2020,49(06)北大核心
【文章页数】：8 页
【部分图文】：
辐照度及光伏发电功率对比Fig.1Thecomparisonofsolarradiationintensityand
0.6710.728气温0.2290.255空气相对湿度0.3860.302气溶胶标高0.2060.232风速–0.126–0.158风向0.0650.080云量0.0140.016时间0.0620.0892.3AOT软测量模型利用MATLAB软件的LibSVM工具箱，分别建立SVR-1与SVR-2的AOT软测量模型，图2为AOT软测量模型结构。图2中，C0为PM10质量浓度，C1为PM2.5质量浓度，R为空气相对湿度，H为气溶胶标高，T为气温，440与1020分别为波段1与波段2的AOT。图2AOT软测量模型结构Fig.2ThestructureoftheAOTsoftsensingmodel随机抽取2132组训练样本中的1964组作为训练样本，其余168组作为检验样本，对2个AOT软测量模型进行学习训练。2个AOT软测量模型均选用径向基核函数，结合试探法与网格搜索法，对训练参数损失系数ε、惩罚因子C以及核函数参数σ2进行优选，最终得出的训练参数见表2。表2AOT软测量模型训练参数Tab.2TrainingparametersoftheAOTsoftsensingmodel训练参数εCσ2SVR-10.02610SVR-20.01710
72热力发电2020年http://www.rlfd.com.cn完成AOT软测量模型学习后，分别在训练样本与检验样本上测试其计算精度，结果如图3和图4所示。图3AOT软测量模型在训练样本上的计算结果Fig.3CalculationresultsoftheAOTsoftsensingmodelontrainingsamples图4AOT软测量模型在检验样本上的绝对误差Fig.4AbsoluteerrorsoftheAOTsoftsensingmodelontestsamples由图3和图4可见，在训练样本上，2个AOT软测量模型的计算结果与AOT实际值均具有高度的一致性；在检验样本上，2个AOT软测量模型的绝对误差平均值分别为0.149与0.063，说明它们具有较高的预测精度。3基于大气辐射传输模型的辐照度预测C.A.Gueymard的研究工作表明，与Bird、CPCR2、Ineichen等大气辐射传输模型相比，REST2模型具有更高的精度，适合计算晴空条件下的辐照度[18]。REST2模型通过分别计算0.29~0.70μm波段与0.70~4.00μm波段的太阳直射辐照度和散射辐照度，进而可得出任一平面的总辐照度。REST2模型的直射辐照度计算公式为bnbn1bn2bniaiwiRiginioi0niEEEETTTTTTE(4)式中，Ebn为总直射辐照度，Ebni为波段i直射辐照度，E0ni为波段i大气层外直射辐照度。Tai为波段i气溶胶透射系数，计算公式为aaaexp()iiTm(5)式中τai为波段i的AOT。Twi为波段i可降水量透射系数，计算公式为：w11w2wT(1hm)(1hm)(6)22w21w2w3w4wT(1cmcm)(1cmcm)(7)TRi为波段i雷利系数，计算公式为：""2RRR1""2RR(11.81690.033454)(12.0630.31978)mmTmm(8
【参考文献】：
期刊论文
[1]基于数值天气预报的光伏功率短期预测分类组合算法[J]. 张俊,贺旭,陆春良,王波. 广东电力. 2019(06)
[2]计及雾霾影响因素的光伏发电超短期功率预测[J]. 刘卫亮,刘长良,林永君,李静,李金拓,熊峰,陈晨. 中国电机工程学报. 2018(14)
[3]一种短期光伏出力的区间预测方法[J]. 陈云龙,殷豪,孟安波,欧晓峰,刘哲. 广东电力. 2018(02)
[4]基于ARIMA和SVR的光伏电站超短期功率预测[J]. 赫卫国,郝向军,郭雅娟,曹潇,陈锦铭,梅飞,刘皓明. 广东电力. 2017(08)
[5]光伏发电短期预测研究进展综述[J]. 荆博,谭伦农,钱政,裴岩,王婧怡. 电测与仪表. 2017(12)
[6]光伏功率预测技术[J]. 龚莺飞,鲁宗相,乔颖,王强. 电力系统自动化. 2016(04)
[7]河北省气溶胶标高时空变化及其成因[J]. 成贺玺,王卫,杜玮璐,邸兰杰,牛子宁,王京涛. 环境科学研究. 2015(02)
[8]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[J]. 陈志宝,丁杰,周海,程序,朱想. 中国电机工程学报. 2015(03)
[9]风力和光伏发电短期功率预测研究进展与展望[J]. 陈深,毛晓明,房敏. 广东电力. 2014(01)
[10]基于ARMA模型的光伏电站出力预测[J]. 兰华,廖志民,赵阳. 电测与仪表. 2011(02)
博士论文
[1]并网型光伏电站发电功率预测方法与系统[D]. 王飞.华北电力大学 2013
本文编号：3547425
本文链接：https://www.wllwen.com/shengtaihuanjingbaohulunwen/3547425.html
