基于地基云图的超短期光伏电站辐照度预测研究

摘要

光伏发电技术因具有清洁安全、储量巨大等优点，在减少环境污染、缓解能源危机等方面作用突出，现已成为全世界可再生能源发展的重要方向。太阳辐照度(Ground Horizon Irradiance，GHI)是光伏发电功率的重要影响因素，其随机性和周期性是光伏发电功率呈现波动性和不稳定性的主要原因，大规模光伏电站的并网会对电力系统管理调度和电网运行安全带来挑战。因此，太阳辐照度预测对于光伏功率预测和光伏发电规划、运行控制具有重要意义。
　　目前太阳辐照度超短期预测领域的研究方法主要以借助历史数据和天气预报数据建模为主，未考虑云团遮挡这一重要影响因素。本文通过天空成像仪拍摄地基云图，借助鱼眼镜头的宽阔视角充分获取光伏实验平台上空的云团数据，对地基云图进行一系列图像处理，配合历史辐照度数据预测五分钟后太阳辐照度。具体实验步骤如下:首先对采集的地基云图进行畸变校正和去除障碍等预处理工作。然后使用经随机抽样一致性方法(RANdom SAmple Consensus，RANSAC)优化后的尺度不变特征匹配算法(Scale-invariant feature transform，SIFT)对连续地基云图进行匹配分析，预测云团移动速度。接着使用归一化蓝红比阈值法和晴空库法对不同天气情况下的地基云图进行云团检测，获得当前云量和云团分布信息。然后根据云团预测速度和云团分布情况预测未来时间内云团对太阳的遮挡程度，分析太阳辐照度影响因素作为预测模型的输入。最后使用经遗传算法优化的BP神经网络和支持向量机回归方法建立太阳辐照度预测模型，验证了两种方法的预测性能。经实验结果分析，经遗传算法优化的BP神经网络预测模型误差在15％以内，可用于太阳辐照度的超短期预测。

目录

声明

致谢

摘要

1．1 课题研究背景

1．2 国内外研究现状

1．2．1 光伏发电预测技术

1．2．2 太阳辐照度预测技术

1．2．3 预测时间尺度

1．3 本文的主要内容和工作

第2章 实验数据预处理

2．1 实验数据来源

2．1．1 地基云图

2．1．2 太阳辐照度

2．2 鱼眼镜头畸变校正

2．2．1 摄像机内参数

2．2．2 透镜畸变参数

2．2．3 摄相机标定

2．2．4 去除障碍物

2．3 本章小结

第3章 地基云图云团移动速度预测

3．1 尺度不变特征点匹配算法SIFT

3．1．1 尺度空间极值检测

3．1．2 构建高斯金字塔及差分金字塔

3．1．3 空间极值点检测

3．2 RANSAC算法过滤SIFT特征点

3．3 云团速度预测

3．4 本章小结

第4章 超短期太阳辐照度预测

4．1 地基云图云团检测

4．1．1 蓝红比固定阈值法

4．1．2 归一化蓝红比阈值法

4．1．3 晴空库法

4．1．4 不同云量情况下云团检测方法的选取

4．2 栅栏云指数法获取太阳遮挡系数

4．3 BP神经网络

4．4 遗传算法确定BP神经网络参数

4．5 支持向量机

4．6 本章小结

第5章 超短期太阳辐照度预测结果

5．1 太阳辐照度预测模型评估标准

5．2 基于遗传算法优化的BP神经网络预测模型分析

5．3 支持向量机回归预测模型分析

5．4 预测模型选择

5．5 本章小结

第6章 总结与展望

参考文献

作者筒历