[发明专利]基于相似日晴朗系数修正的太阳辐照量预测方法

说明书

本发明涉及一种基于相似日晴朗系数修正的太阳辐照量预测方法，本太阳辐照量预测方法包括如下步骤：步骤S1，选取日累计辐照量的影响因素；步骤S2，构建及训练神经网络；以及步骤S3，获得预测日的辐照量的修正值；本发明的基于相似日晴朗系数修正的太阳辐照量预测方法，通过对相似日及预测日太阳辐照数据分析，并通过晴朗系数对预测日太阳辐照量进行修正，提高了太阳辐照量预测的准确度，为光伏电站发电量的预测提供基础。

技术领域

本发明涉及一种基于相似日晴朗系数修正的太阳辐照量预测方法，属于光伏发电技术领域。

背景技术

太阳能作为一种可再生能源近年来得到广泛应用，对于已建成的光伏电站，科学的运维和管理是必不可少的，短期的发电量预测是指导合理运维的参考指标。辐照量预测是光伏发电量预测的基础，地表辐照量预测的准确性直接影响光伏发电量的预测精度。因此提升辐照量预测的精度是提高光伏电站发电量预测精度的关键。目前，辐照量的预测主要有物理模型和统计模型，其中统计模型是根据光伏电站现有的运行数据和相关气象信息建立相关数学统计模型，能够更好地根据实际情况拟合历史数据与未来辐照量之间关系。然而，地表辐照量受到环境和气象多方面因素的影响，相互耦合且呈现非线性相关，由于神经网络能够以任意精度逼近任何非线性映射，因此适合描述具有复杂非线性特点的光伏电站地表辐照量的变化，再基于辐照量庞大的礼数数据，利用相似日的特征对预测日进行一定的修正有助于提高光伏电站辐照量预测的准确度，同时为发电量预测作基础。

发明内容

本发明的目的是提供一种基于相似日晴朗系数修正的太阳辐照量预测方法，以提高太阳辐照量预测的准确度，为光伏电站发电量的预测提供基础。

为了解决上述技术问题，本发明提供了一种太阳辐照量预测方法，包括如下步骤：

步骤S1，选取日累计辐照量的影响因素；

步骤S2，构建及训练神经网络；以及

步骤S3，获得预测日的辐照量的修正值。

进一步，所述步骤S1中选取日累计辐照量的影响因素的方法包括：

将天气类型模糊分类成四种类型，收集并处理典型日的历史气象数据，选取天气类型、日照时数、日平均气温、气温日较差、日均总云量、日均水平大气压、日均相对湿度、AQI指数、大气层外日累计辐照量中作为日累计辐照量的影响因素。

进一步，所述步骤S2中构建及训练神经网络的方法包括：

构建BP神经网络，且将各影响因素作为BP神经网络的输入向量，以其所对应的日累计水平面辐照量为输出向量，归一化处理后得到训练样本，对BP神经网络进行训练。

进一步，所述步骤S3中获得预测日的辐照量的修正值的方法包括：

步骤S31，通过BP神经网络获得辐照量初步预测值；

步骤S32，对输入和输出因素的相关性进行回归分析，得出各输入因素的相对贡献率；

步骤S33，遍历历史数据库，得到5组最优相似日；

步骤S34，提取最优相似日对应的晴朗系数和水平面日累计辐射量对初步预测值加权修正，以获得所述修正值。

进一步，步骤S31中通过BP神经网络获得辐照量初步预测值的方法包括：

选取待预测日的预报的天气类型、日照时数、日平均气温、气温日较差、日均总云量、日均水平大气压、日均相对湿度、AQI指数、大气层外日累计辐照量数据作为BP神经网络的输入向量，得到预测日对应的辐照量初步预测值Y，并计算预测日的晴朗系数K_{f_a}；其中，H_{f_0}为预测日的大气层外日累计辐照量。