基于云变分析的超短期光伏功率预测方法

摘要

本发明公开了一种基于云变分析的超短期光伏功率预测方法，属于光伏发电技术领域。本发明采用实时图像采集技术，实时获取光伏电站上空图像信息，对光伏电站上空气象条件进行预测，再将预测结果作为修正参数输入到光伏发电模型中预测光伏电站的输出功率。本发明可达到对超短期功率进行准确预测的效果，预算精度可达到未来0~4小时，电网调度可以根据预测结果，实时修正当日发电计划，实现在保证电网能够进行稳定运行的前提下，提高光伏电站的发电利用率。

说明书

技术领域

本发明涉及一种基于云变分析的超短期光伏功率预测方法，属于光伏发电技术领域。

背景技术

目前，中国光伏发电进入规模化高速发展阶段。但是由于光伏发电具有间歇性和随机性的特点，随着大量的光伏发电接入电网，势必会对电力系统的安全、稳定运行以及保证电能质量带来严峻挑战，若能预先判断光伏电站输出功率的变化趋势，及时调整电网调度运行方案，解决光伏发电出力随机性对电网安全的影响就有了技术依据。

光伏发电超短期功率预测是解决该问题的有效途径之一。现有超短期光伏功率预测方法主要有：一类是基于统计分析的预测方法，比如支持向量机和神经网络；另一类是基于时间序列模型的预测方法。

现有技术提供的超短期功率预测一般采用历史发电功率推算实现，无法实时跟踪光伏电站上空云层信息，预测结果不准确，导致光伏电站发电利用率偏低。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种基于云变分析的超短期光伏功率预测方法，解决现有技术中光伏电站超短期光伏功率预测准确度不高，导致光伏电站发电利用率偏低的技术问题。

为解决上述技术问题，本发明所采用的技术方案是：基于云变分析的超短期光伏功率预测方法，实时获取光伏电站上空图像信息，对光伏电站上空气象条件进行预测，再将预测结果作为修正参数输入到光伏发电模型中预测光伏电站的输出功率。

本发明具体包括如下步骤：

步骤一：对光伏电站历史输出功率、上空图像、及气象信息进行分析，计算不同气象天气类型下光伏电站上空云层数据；

步骤二：实时获取光伏电站上空图像信息，计算当前时刻光伏电站上空云层面积和运动速度；

步骤三：推算云层的运动轨迹，算出0～4小时内15分钟间隔点在光伏电站上空的云层面积；

步骤四：根据气象站提供的气象参数使用神经网络模型预测光伏电站输出功率，根据步骤三推算的云层面积计算修正系数，预测0～4小时内超短期功率。

步骤二中计算光伏电站上空云层面积的具体步骤如下：

步骤201：对上空图像信息进行预处理：设当前时刻光伏电站上空为RGB彩色图像，将RGB彩色图像转变为灰度图像，转换公式如下：

Y＝0.299R+0.587G+0.114B

式中：Y表示灰度值；R表示红色通道值；G表示绿色通道值；B表示蓝色通道值；

步骤202：将灰度图像平滑处理，采用Gaussian滤波，采用二维零均值离散Gaussian函数作平滑滤波器，二维Gaussian函数为：

$G_0(x,y)=\frac{1}{2\pi \sqrt{{\sigma }_x{\sigma }_y}}{e}^{\frac{-{(x-{\mu }_x)}^2}{2{\sigma }_x^2}+\frac{-{(y-{\mu }_y)}^2}{2{\sigma }_y^2}}$

其中：G₀(x,y)表示输出像素值；x表示横坐标值；y表示纵坐标值；μ_x表示高斯核函数在x方向的均值；μ_y表示高斯核函数在y方向的均值；σ_x表示高斯核函数在x方向的标准差；σ_y表示变量高斯核函数在y方向的标准差；采用腐蚀膨胀形态学闭运算去除图像噪声；

步骤203：选择晴空无云条件下的上空灰度图像作为标准背景差分图像，将实时灰度图像和标准背景差分图像进行差分，检测实时灰度图像中是否有云层运动；

步骤204：利用Canny算法进行边缘检测：判断图像中的点在梯度方向的二阶导数是否过零点：如果是过零点，则该点就是图像中的边缘点；否则，不是；

步骤205：由步骤204得到上空云层图像的连续边缘轮廓曲线，采用指定精度逼近云层的多边形曲线，计算云层面积。

步骤三中是采用质心迭代跟踪算法推算云层的运动轨迹，具体算法如下：

步骤301：把前一帧图像的目标区域位置定义为新搜索开始的初始位置，根据式得到初始候选目标区域的

表示目标区域和目标模板之间的相似度；y_i表示初始帧目标位置；x_i表示以y_i为中心的当前帧所在候选区域中的各像素位置；i＝1,2,…,m；m表示目标区域的像素数；

步骤302：根据计算当前候选目标区域内各个点上的像素值与目标位置点上像素值的相似程度；式中：g(x_i)表示位于x处的像素的相似度贡献值，q_u(x_i)表示候选区域的第u维值，s_u(x_i)表示搜索区域的第u维值；

步骤303：根据式计算下一个候选目标区域的各个点上的像素值；

式中：y_j表示迭代过程中贞目标位置，y_j+1表示下一步迭代位置；j表示迭代次数；x_k表示以y_j为中心的当前帧所在候选区域中的各像素位置；k＝1,2,…,m；

步骤304：在新的候选目标区域中计算表示新的候选区域的目标区域和目标模板之间的相似度；

步骤305：若||y_j+1-y_j||＜ε，ε表示任意给定的正数，则迭代结束；否则，转步骤302。

与现有技术相比，本发明所达到的有益效果是：本发明根据神经网络模型预测输出功率，对云层实时跟踪计算预测输出功率的修正系数，达到对超短期功率进行准确预测的效果，预算精度可达到未来0～4小时，电网调度可以根据预测结果，实时修正当日发电计划，实现在保证电网能够进行稳定运行的前提下，提高光伏电站的发电利用率。

附图说明

图1是本发明的流程图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

本发明基于云变分析的超短期光伏功率预测方法，采用实时图像采集技术，实时获取光伏电站上空图像信息，对光伏电站上空气象条件进行预测，再将预测结果作为修正参数输入到光伏发电模型中预测光伏电站的输出功率。电网调度能够根据光伏电站输出功率预测结果，及时修正当日发电计划，保障电网稳定运行，提高光伏电站发电利用率。

如图1所示，是本发明的流程图，具体包括如下步骤：

步骤一：对光伏电站历史输出功率、上空图像、及气象信息进行分析，计算不同气象天气类型下光伏电站上空云层数据，即电站上空的云层图像信息，以分析获得晴空下，标准图像信息作为质心运行检测的标准背景图像。

步骤二：实时获取光伏电站上空图像信息，计算当前时刻光伏电站上空云层面积和运动速度。

计算光伏电站上空云层面积的具体步骤如下：

步骤201：对上空图像信息进行预处理：设当前时刻光伏电站上空为RGB彩色图像，将RGB彩色图像转变为灰度图像，转换公式如下：

Y＝0.299R+0.587G+0.114B

式中：Y表示灰度值；R表示红色通道值；G表示绿色通道值；B表示蓝色通道值；

步骤202：将灰度图像平滑处理，采用Gaussian滤波，采用二维零均值离散Gaussian函数作平滑滤波器，二维Gaussian函数为：

$G_0(x,y)=\frac{1}{2n\sqrt{{\sigma }_x{\sigma }_y}}{e}^{\frac{-{(x-{\mu }_x)}^2}{2{\sigma }_x^2}+\frac{-{(y-{\mu }_y)}^2}{2{\sigma }_y^2}}$

其中：G₀(x,y)表示输出像素值；x表示横坐标值；y表示纵坐标值；μ_x表示高斯核函数在x方向的均值；μ_y表示高斯核函数在y方向的均值；σ_x表示高斯核函数在x方向的标准差；σ_y表示变量高斯核函数在y方向的标准差；采用腐蚀膨胀形态学闭运算去除图像噪声；

步骤203：选择晴空无云条件下的上空灰度图像作为标准背景差分图像，将实时灰度图像和标准背景差分图像进行差分，检测实时灰度图像中是否有云层运动；

步骤204：利用Canny算法进行边缘检测：判断图像中的点在梯度方向的二阶导数是否过零点：如果是过零点，则该点就是图像中的边缘点；否则，不是；

步骤205：由步骤204得到上空云层图像的连续边缘轮廓曲线，采用指定精度逼近云层的多边形曲线，计算云层面积。

步骤三：推算云层的运动轨迹，算出0～4小时内15分钟间隔点在光伏电站上空的云层面积。

云层运动轨迹是采用质心迭代跟踪算法进行推算的，具体包括如下步骤：

步骤301：把前一帧图像的目标区域位置定义为新搜索开始的初始位置，根据式得到初始候选目标区域的

表示目标区域和目标模板之间的相似度；y_i表示初始帧目标位置；x_i表示以y_i为中心的当前帧所在候选区域中的各像素位置；i＝1,2,…,m；m表示目标区域的像素数；

步骤302：根据计算当前候选目标区域内各个点上的像素值与目标位置点上像素值的相似程度；式中：g(x_i)表示位于x处的像素的相似度贡献值，q_u(x_i)表示候选区域的第u维值，s_u(x_i)表示搜索区域的第u维值；

步骤303：根据式计算下一个候选目标区域的各个点上的像素值；

式中：y_j表示迭代过程中贞目标位置，y_j+1表示下一步迭代位置；j表示迭代次数；x_k表示以y_j为中心的当前帧所在候选区域中的各像素位置；k＝1,2,…,m；

步骤304：在新的候选目标区域中计算表示新的候选区域的目标区域和目标模板之间的相似度；

步骤305：若||y_j+1-y_j||＜ε，ε表示任意给定的正数，则迭代结束；否则，转步骤302。

质心迭代跟踪算法能够降低背景像素对跟踪性能的影响，在复杂背景及发生遮挡情况下的跟踪效果也比较好，且无需对图像进行核函数加权，降低了算法的复杂度，改善了计算效率，提高了图像跟踪的准确性。

步骤四：根据气象站提供的气象参数，使用神经网络模型预测光伏电站输出功率，根据步骤三推算的云层面积计算修正系数，预测0～4小时内超短期功率。此处，神经网络模型可选用RPROP神经网络模型。修正后预测功率的计算公式如下：

P1＝P2–KS；

式中：P1表示修正后预测功率，P2表示神经网络预测的光伏电站输出功率，K表示比例系数，S表示云层面积，K可根据历史数据采用最小二乘法得出。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。