一种基于雷达数据的逆温层下光伏功率预测方法、系统、设备及介质与流程
本发明涉及光伏发电功率预测,特别涉及一种基于雷达数据的逆温层下光伏功率预测方法、系统、设备及介质。
背景技术:
1、随着光伏发电在电力系统中占比的持续提升,功率预测的准确性对电网调度和场站运行至关重要。然而,大气逆温层诱发的近地面气溶胶积聚对太阳辐照度产生显著衰减效应,导致现有预测模型在逆温天气频发时段出现系统性偏差,尤其在冬季和静稳天气条件下预测误差显著增大,成为制约光伏功率预测精度提升的关键痛点。
2、目前,光伏发电功率预测主要采用三类方法:一是传统机器学习方法,如极端梯度提升、随机森林等,通过提取气象要素与功率之间的浅层特征建立预测模型;二是深度学习方法,如双向长短时记忆网络及其改进模型,利用时序建模能力捕捉气象数据间的复杂非线性关系;三是基于物理模型的方法,根据光伏发电物理原理建立数学模型进行预测。然而,上述现有技术均存在一个共同的缺陷:受光伏场站逆温层影响,目前缺乏光伏场站高精度、自观测的大气垂直结构数据,而现有数值预报数据并未考虑逆温层对辐照度衰减的物理影响,导致预测模型仅能笼统地将该衰减效应归因于污染或霾,未能从逆温层物理机制源头进行定量分析和建模,从而在逆温天气下预测精度出现系统性偏差。
技术实现思路
1、针对现有技术中未考虑逆温层对辐照度衰减的物理影响,从而在逆温天气下预测精度出现系统性偏差的问题,本发明提供了一种基于雷达数据的逆温层下光伏功率预测方法、系统、设备及介质,能够使预测模型能够从大气垂直稳定层结的物理机制层面主动响应逆温层对辐照度的衰减效应,而非被动笼统归因,显著提升了光伏场站在逆温天气条件下的功率预测精度。具体技术方案如下:
2、第一方面,本发明提供一种基于雷达数据的逆温层下光伏功率预测方法,包括以下步骤:
3、获取光伏场站区域的天气预报数据、历史实际辐照度数据以及物理量约束数据;
4、获取光伏场站区域的差分吸收激光雷达数据,并进行空间匹配和时间匹配,得到对应位置的激光雷达数据;
5、根据所述激光雷达数据计算温度廓线,基于所述温度廓线确定大气逆温层的顶高和底高,并根据顶高和底高分别计算逆温层强度和厚度;
6、基于所述逆温层强度和厚度,利用傅里叶预测神经网络fan预测目标时段的逆温层强度和厚度的预测结果;
7、基于所述气逆温层强度和厚度的预测结果、历史逆温层强度和厚度数据、天气预报数据、历史实际辐照度数据和物理量约束数据,利用仿生神经网络overlock进行光伏功率预测,输出光伏场站未来功率预测结果。
8、优选的,在获取所述差分吸收激光雷达数据之后、进行空间匹配和时间匹配之前,还包括:
9、对所述差分吸收激光雷达数据进行预处理,所述预处理包括缺值填充、异常值识别替换和标准化处理。
10、优选的,所述空间匹配采用空间临近搜索法,匹配光伏场站经纬度最近的网格点差分吸收激光雷达数据;
11、所述时间匹配采用时间临近搜索法,匹配预设时间分辨率的数据;当存在数据缺失时,通过前后时间数据均值进行填补;当连续缺失时,剔除对应时段数据。
12、优选的,根据所述激光雷达数据计算温度廓线,包括:
13、获取差分吸收激光雷达两个波长的回波信号,分别计算第一波长和第二波长对应的回波功率;
14、计算所述第一波长对应的回波功率与所述第二波长对应的回波功率之间的回波功率比;
15、对所述回波功率比取自然对数,并沿高度方向求导,得到差分分子吸收系数;
16、利用氧气分子吸收线的多普勒线型函数,建立所述差分分子吸收系数与大气温度和大气压力之间的函数关系;
17、根据所述函数关系和所述差分分子吸收系数,反演得到大气温度随高度的分布,作为所述温度廓线。
18、优选的,基于所述温度廓线确定大气逆温层的顶高和底高,并根据顶高和底高分别计算逆温层强度和厚度,包括:
19、基于温度廊线,确定大气逆温层的顶高和底高,计算大气逆温层厚度;
20、通过分析温度的垂直廓线,确定气温开始随高度递增的起始高度和终止高度,再计算出大气逆温层强度。
21、优选的,基于所述逆温层强度和厚度,利用傅里叶预测神经网络fan预测目标时段的逆温层强度和厚度的预测结果,包括:
22、以预设历史时段内的逆温层强度和厚度时序数据为输入特征,以预设预测时段内的逆温层强度和厚度时序数据为标签,构建第一训练数据集,利用所述第一训练数据集训练fan;
23、将当前预设历史时段内的逆温层强度和厚度时序数据输入训练后的fan,输出未来预设预测时段内的逆温层强度和厚度的预测结果。
24、优选的,基于所述气逆温层强度和厚度的预测结果、历史逆温层强度和厚度数据、天气预报数据、历史实际辐照度数据和物理量约束数据,利用仿生神经网络overlock进行光伏功率预测,输出光伏场站未来功率预测结果,包括:
25、以将所述气逆温层强度和厚度的预测结果、历史逆温层强度和厚度数据、天气预报数据、历史实际辐照度数据和物理量约束数据为输入特征,以光伏场站实际功率为标签,构建第二训练数据集,利用所述第二训练数据集训练overlock;
26、将所述输入特征输入训练后的overlock,输出光伏场站在所述目标时段内的功率预测时序。
27、优选的,所述天气预报数据包括水平面总辐照度、直接辐照度、散射辐照度、近地面气温、相对湿度、风速、风向、云量、气压中的至少一种。
28、第二方面,本发明还提供一种基于雷达数据的逆温层下光伏功率预测系统,包括:
29、第一数据获取单元,用于获取光伏场站区域的天气预报数据、历史实际辐照度数据以及物理量约束数据;
30、第二数据获取单元,用于获取光伏场站区域的差分吸收激光雷达数据,并进行空间匹配和时间匹配,得到对应位置的激光雷达数据;
31、计算单元,用于根据所述激光雷达数据计算温度廓线,基于所述温度廓线确定大气逆温层的顶高和底高,并根据顶高和底高分别计算逆温层强度和厚度;
32、第一预测单元,基于所述逆温层强度和厚度,利用傅里叶预测神经网络fan预测目标时段的逆温层强度和厚度的预测结果;
33、第二预测单元,用于基于所述气逆温层强度和厚度的预测结果、历史逆温层强度和厚度数据、天气预报数据、历史实际辐照度数据和物理量约束数据,利用仿生神经网络overlock进行光伏功率预测,输出光伏场站未来功率预测结果。
34、第三方面,本发明还提供一种计算机设备,包括:
35、处理器;
36、用于存储处理器可执行指令的存储器;
37、其中,所述处理器通过运行所述可执行指令以实现前述的方法。
38、第四方面,本发明还提供一种计算机可读存储介质,其上存储有计算机指令,该指令被处理器执行时实现前述的方法的步骤。
39、与现有技术相比,本发明的有益效果为:
40、本发明通过在光伏场站区域布设差分吸收激光雷达,计算逆温层强度和厚度,实现了光伏场站从逆温层物理机制源头对辐照度衰减进行自观测和定量分析。在此基础上,利用傅里叶预测神经网络fan对逆温层时序数据进行高精度次日预报,再结合多源气象数据和物理量约束,通过仿生神经网络overlock完成光伏功率预测,使预测模型能够从大气垂直稳定层结的物理机制层面主动响应逆温层对辐照度的衰减效应,而非被动笼统归因,显著提升了光伏场站在逆温天气条件下的功率预测精度。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com