一种屋顶光伏的时空预测方法与流程

1.本发明涉及光伏技术领域，尤其是涉及一种屋顶光伏的时空预测方法。


背景技术：

2.常规能源都是很有限的，太阳能是人类取之不尽用之不竭的可再生能源，具有充分的清洁性、绝对的安全性、相对的广泛性、确实的长寿命和免维护性、资源的充足性及潜在的经济性等优点，在长期的能源战略中具有重要地位。光伏发电是利用半导体界面的光生伏特效应而将光能直接转变为电能的一种技术。主要由太阳电池板(组件)、控制器和逆变器三大部分组成，主要部件由电子元器件构成。太阳能电池经过串联后进行封装保护可形成大面积的太阳电池组件，再配合上功率控制器等部件就形成了光伏发电装置。随着信息化时代的逐步发展，分布式屋顶光伏电源存量资源数据智能互通对于光伏时空预测具有重要意义。至2020年底，智造新城光伏总装机容量86.9mw，其中接入10kv的光伏电站有24座，总装机容量52.14mw，上网接入模式为全额上网、自发自用余电上网。接入低压的有538座，总装机容量20.239mw，为“自发自用，余量上网”，“全额上网”两种模式。
3.然而由于现有技术无法对屋顶光伏存量资源时空分布进行评估，光伏供电情况预测存在误差，无法对电网数据进行准确关联导致电网企业难以正确的决策电网规划，影响当地的社会效益和经济效益。


技术实现要素：

4.本发明是为了克服现有技术的屋顶光伏存量资源分布误差导致的电网规划误差的问题，提供一种屋顶光伏的时空预测方法，基于gis视图和机器视觉的智能技术，识别制造新城屋顶光伏存量资源，进一步与屋顶资源开发意愿、规模摸排情况进行校对，对制造新城现状新能源资源进行精准感知，基于控规和可开发地块预测未来增量资源。
5.为了实现上述目的，本发明采用以下技术方案：一种屋顶光伏的时空预测方法，包括以下内容：s1、对城市区域屋顶光伏潜力进行评估屋顶面积；s2、建立屋顶光伏时空信息关联模型；s3、根据光伏时空信息关联模型对光伏安装规模进行预测。
6.屋顶光伏采用基于gis视图和机器视觉的智能技术，识别制造新城屋顶光伏存量资源，进一步与屋顶资源开发意愿、规模摸排情况进行校对，对制造新城现状新能源资源进行精准感知，基于控规和可开发地块预测未来增量资源。
7.作为优选，所述s1包括以下内容：s101、生成数字高程模型，使用关联的rpc的立体遥感数据，生成该地区的数字表面模型，下一步生成数字地形模型，在特定磁贴尺寸下寻找特定磁贴大小的本地，使用与建筑物大小相关的瓷砖尺寸可以产生可靠的数字地形模型；瓷砖大小应略大于正在删除的功能，如建筑物、树木等；
s102、选择数字高程模型其中一个图像进行构建检测，图像包括所有全色光谱和多光谱"ms"，在此处，选择接近最低点图像的图像；然后，使用dsm层，对应地面x、y、z和相关图像rpc的3d坐标，计算每个地面点的相应图像坐标；s103、进行图像处理，在图像分割之前，为了同时使用pan和ms波段，使用unb泛锐化方法保留了物体的颜色；s104、植被抑制，将植被区都从研究区移走，使用多种不同的植被指数，如标准化差异植被指数和近红外红外比率，检测到植被；由于高程参数在建筑检测中将发挥关键作用，因此必须抑制其他高架特征，如树木；s105、在植被抑制分割后，将提升值大于特定阈值的段被分配到建筑类，使用形状特征，属于建筑物的段具有高矩形和椭圆形，以及高海拔被分配到建筑类，得到屋顶光伏资源可安装量汇总，将建筑类型分为居民区建筑和工业建筑，汇总各自的屋顶面积；特定阈值一般为2米或更少；考虑到ndsm生成中的噪声和误差，阈值被认为略低于实际建筑高度以减少分类遗漏错误。
8.为对城市区域屋顶光伏潜力进行评估，需要通过高分辨率遥感影像进行建筑探测，该方向是高分辨率遥感影像最苛刻的应用之一，因为存在各种功能，需要建筑物边界，如地图更新和危险影响评估。然而，由于上述任务的复杂性，大量研究使用辅助数据，如路线图和旧建筑地图，在高分遥感图像中进行建筑检测。通常，建筑物是高架矩形物体。因此，形状和高程在基于物体的分析中对建筑检测具有非常重要的意义。
9.作为优选，所述s105中建筑类型再细分为卫生系统建筑屋顶、教育系统建筑屋顶、机关单位建筑屋顶、乡镇村级用房屋顶、农牧场屋顶、工业屋顶、城区住宅屋顶、光电建筑一体化和农户屋顶。
10.作为优选，所述s2包括以下内容：s201、对所采集到的汇总后的屋顶面积的电网数据进行汇总分类；s202、将电网数据按照建筑类型划分为若干个元胞数组，每一个元胞数组对应一个建筑类型，元胞数组表示为ci＝{ai,bi,di,ei}，i表示不同的建筑类型，ai表示建筑体量，bi表示屋顶面积，di表示光伏可安装面积，ei表示光伏预计可安装容量；s203、建立包括光伏可安装面积和光伏预计可安装容量的屋顶光伏时空信息关联模型；η表示屋顶墙面可利用系数，ρ表示光伏发电强度；s204、在所有元胞数组中选取样本进行光伏强度统计；s205、根据光伏强度统计得到基于聚类算法的不同光伏出力曲线。
11.作为优选，所述s3包括以下内容：将光伏时空信息关联模型与对城市区域屋顶光伏潜力进行评估结合，采用自下而上曲线叠加方法量化网格以及各地块的典型日屋顶光伏出力曲线，考虑边界条件为满足负荷极值光伏曲线下的负荷需求。
12.作为优选，所述s202还包括以下内容：元胞数组为按照建筑类型分类，每一个元胞数组下按照用地代码分为多个多级数据节点，用地代码即代表用地性质，用地代码不同代表不同的用地性质，用地性质下的用户性质也存在多种；选取若干元胞数组中元胞数组作为初始聚类中心进行聚类，所及数据节点按照用户性质和地理位置的相似度进行聚类到其罪最相似的元胞数组。
13.作为优选，所述相似度采用以下方式计算：λ
xy
为x用户性质用电量与y用户性质用电量之间的相关度，其数值越大越相关，则分到同意元胞数组中进行聚类，xi表示x用户性质当前时间节点用电量，表示x用户性质在一时间区间内平均用电量，yi表示y用户性质当前时间节点用电量，表示y用户性质在一时间区间内平均用电量。
14.因此，本发明具有如下有益效果：本发明基于遥感影像对屋顶光伏现状进行采集摸排，根据电网数据进行时空预测，采用聚类算法计算各个建筑类型光伏与用电量的关系，采用聚类算法，可得的衢江智造新城不同典型日光伏出力曲线，对制造新城现状新能源资源进行精准感知，基于控规和可开发地块预测未来增量资源。
附图说明
15.图1是本实施例的数字高程模型生成图像。
16.图2是本实施例的图像处理unb泛锐化图片。
17.图3是本实施例的植被抑制图。
18.图4是本实施例的图像识别屋顶资源图。
19.图5是本实施例现状光伏屋顶开发强度统计情况图。
20.图6是本实施例衢江智造新城典型光伏曲线聚类图。
21.图7是本实施例衢江智造新城地区不同典型日光伏代表性出力曲线。
22.图8是本实施例2025年网格典型日光伏曲线(夏晴)。
23.图9是本实施例2025年网格典型日光伏曲线(夏雨)。
具体实施方式
24.下面结合附图与具体实施方式对本发明做进一步的描述。
25.实施例：本实施例提供了一种屋顶光伏的时空预测方法，包括以下内容：s1、对城市区域屋顶光伏潜力进行评估屋顶面积；至2020年底，智造新城光伏总装机容量86.9mw，其中接入10kv的光伏电站有24座，总装机容量52.14mw，上网接入模式为全额上网、自发自用余电上网。
26.接入低压的有538座，总装机容量20.239mw，为“自发自用，余量上网”，“全额上网”两种模式。表格1为智造新城10kv分布式电源统计。
27.表格1表格1s1包括以下内容：s101、生成数字高程模型，如图1所示，使用关联的rpc的立体遥感数据，生成该地区的数字表面模型，下一步生成数字地形模型，在特定磁贴尺寸下寻找特定磁贴大小的本地，使用与建筑物大小相关的瓷砖尺寸可以产生可靠的数字地形模型；s102、选择数字高程模型其中一个图像进行构建检测，在此处，选择接近最低点图像的图像；然后，使用dsm层，对应地面x、y、z和相关图像rpc的3d坐标，计算每个地面点的相应图像坐标；s103、进行图像处理，在图像分割之前，为了同时使用pan和ms波段，使用unb泛锐化方法保留了物体的颜色，如图2所示；s104、植被抑制，将植被区都从研究区移走，使用多种不同的植被指数，如标准化差异植被指数和近红外红外比率，检测到植被如图4所示；s105、在植被抑制分割后，将提升值大于特定阈值的段被分配到建筑类，使用形状特征，属于建筑物的段具有高矩形和椭圆形，以及高海拔被分配到建筑类，得到屋顶光伏资源可安装量汇总，将建筑类型分为居民区建筑和工业建筑，汇总各自的屋顶面积。
28.s105中建筑类型再细分为卫生系统建筑屋顶、教育系统建筑屋顶、机关单位建筑屋顶、乡镇村级用房屋顶、农牧场屋顶、工业屋顶、城区住宅屋顶、光电建筑一体化和农户屋顶。
29.根据衢江智造新城区域屋顶资源调研摸排情况，建筑类型为卫生系统建筑屋顶、教育系统建筑屋顶、机关单位建筑屋顶、乡镇村级用房屋顶、农牧场屋顶、工业屋顶、城区住
宅屋顶、光电建筑一体化、农户屋顶等类型，其中摸排可开发光伏面积共计16.324平方公里，光伏安装容量共计66.04兆瓦。具体如表格2所示。
30.表格2表格2s2、建立屋顶光伏时空信息关联模型；s2包括以下内容：s201、对所采集到的汇总后的屋顶面积的电网数据进行汇总分类；图5是本实施例现状光伏屋顶开发强度统计情况图。
31.s202、将电网数据按照建筑类型划分为若干个元胞数组，每一个元胞数组对应一个建筑类型，元胞数组表示为ci＝{ai,bi,di,ei}，i表示不同的建筑类型，ai表示建筑体量，bi表示屋顶面积，di表示光伏可安装面积，ei表示光伏预计可安装容量；s202还包括以下内容：元胞数组为按照建筑类型分类，每一个元胞数组下按照用地代码分为多个多级数据节点，用地代码即代表用地性质，用地代码不同代表不同的用地性质，用地性质下的用户性质也存在多种；选取若干元胞数组中元胞数组作为初始聚类中心进行聚类，所及数据节点按照用户性质和地理位置的相似度进行聚类到其罪最相似的元胞数组。
32.相似度采用以下方式计算：λ
xy
为x用户性质用电量与y用户性质用电量之间的相关度，其数值越大越相关，则分到同意元胞数组中进行聚类，xi表示x用户性质当前时间节点用电量，表示x用户性质在一时间区间内平均用电量，yi表示y用户性质当前时间节点用电量，表示y用户性质在一时间区间内平均用电量。
33.s203、建立包括光伏可安装面积和光伏预计可安装容量的屋顶光伏时空信息关联模型；η表示屋顶墙面可利用系数，ρ表示光伏发电强度；(1)光伏可安装面积(m2)＝用地面积(m2)
×
屋顶面积占用地面积比(％)
×
屋顶墙面可利用系数(％)
(2)光伏可装机容量(kw)＝光伏可安装面积(m2)
×
屋顶光伏发电强度(kw/m2)根据衢江区的地区定位及社会生活特点，选取各用地性质的屋顶面积占建设用地面积比、屋顶墙面可利用系数、光伏板发电效率参数如表格3所示。
34.表格3表格4为按照用地代码、用地性质区分的可安装光伏明细表。
35.表格4
s204、在所有元胞数组中选取样本进行光伏强度统计；s205、根据光伏强度统计得到基于聚类算法的不同光伏出力曲线。
36.规划区光照资源丰富，年等效小时数约996小时。
37.对现状规划区光伏选取100个样本进行光伏强度统计，统计结果如图5所示，可以看出，区域内光伏屋顶的开发强度大致趋近，分布区间为34w/m2～134w/m2，中位数约为69w/m2。采用spss软件进行均值聚类算法检验，可发现相伴概率值大于显著性水平，可见光伏屋顶的开发强度围绕68w/m2呈高斯分布的假设是成立的。
38.在进行考虑光伏的网供负荷平衡时，进行简单的峰值相减会造成很大误差，必须考虑不同时段的负荷和光伏出力特性。采集于open3000的衢江智造新城地区光伏日出力曲线，同时也展示了基于聚类算法得到的典型光伏日曲线。采用聚类算法，可得的衢江智造新城不同典型日光伏出力曲线如图6所示。
39.图7是本实施例衢江智造新城地区不同典型日光伏代表性出力曲线。
40.s3、根据光伏时空信息关联模型对光伏安装规模进行预测。
41.s3包括以下内容：将光伏时空信息关联模型与对城市区域屋顶光伏潜力进行评估结合，采用自下而上曲线叠加方法量化网格以及各地块的典型日屋顶光伏出力曲线，考虑边界条件为满足负荷极值光伏曲线下的负荷需求。
42.基于典型光伏曲线，结合通过屋顶资源调研得到的光伏装机规模预测结果，采用自下而上曲线叠加方法量化网格以及各地块的典型日屋顶光伏出力曲线。由于规划考虑的负荷极值一般出现在夏季，且夏季雨天光伏削峰不明显，此时负荷相对较大，因此规划应该考虑的边界条件为满足夏季雨天典型光伏曲线下的负荷需求，从图7可见此时光伏出力最大值为理论峰值的40％。
43.衢江智造新城的2025年夏晴光伏出力峰值为126.65mw，夏雨光伏出力峰值为44.3mw，峰值出现在下午一点左右，具体典型日光伏曲线如8所示。
44.衢江智造新城的远景年夏晴光伏出力峰值为为298.88mw，夏雨光伏出力峰值为104.54mw，峰值出现在下午一点左右，具体典型日光伏曲线如图9所示。
45.结合近期的地块开发，房屋建设情况，衢江智造新城近期的光伏出力预测如表格5所示。
46.表格为5为衢江智造新城装机规模预测。
47.表格5上述实施例对本发明的具体描述，只用于对本发明进行进一步说明，不能理解为对本发明保护范围的限定，本领域的技术工程师根据上述发明的内容对本发明作出一些非本质的改进和调整均落入本发明的保护范围内。