基于云团特征分析的分布式光伏系统超短期出力预测方法

摘要

基于云团特征分析的分布式光伏系统超短期出力预测方法，包括以下步骤：首先对天空云团检测装置采集到的稀疏云团进行预处理，提取出云团的核心区域作为目标区域，进而对其影响光伏系统超短期功率输出的关键动态特征参数进行数学描述；通过图像预处理之后，接着在云团核心区域中寻找一个特殊点的运动情况来代表整个云团的运动情况；应用像素深浅差异聚类分析法进行厚度和数字化的描述，主要利用灰度分割法将灰度等级分类，并用伪彩色图处理，直观形象地表示云团不同区域的厚度；云团特征提取及出力预测；设计独立的基于稀疏云团动态特征的超短期出力预测软件模块及其数据库系统,基于云团特征分析的分布式光伏系统超短期出力预测。

主权项

基于云团特征分析的分布式光伏系统超短期出力预测方法，包括以下步骤：1)首先对天空云团检测装置采集到的稀疏云团进行预处理，提取出云团的核心区域作为目标区域，进而对其影响光伏系统超短期功率输出的关键动态特征参数进行数学描述；对云团采用开运算操作，即对云团进行先腐蚀后膨胀提取云团的共性，先采用一个相对较大的结构元对云团进行腐蚀，设A为云团的点集，B为结构元，B对A的腐蚀操作就是所有B中包含于A中的点z的集合用z平移，公式为：F＝AΘB＝{z|(B)_z∩A^c＝φ}其中，A^c是A的补集，φ是空集；由于采用一个较大的结构元对云团进行腐蚀操作，将大部分的边缘都消除了，剩下云团核心区域，即云团最集中的区域，然后对经过腐蚀的云团进行膨胀操作，公式为：$G=F\oplus B=\left\{z\right|{\left(B\right)}_z\cap A\ne \phi \}$即用z平移的B与F至少有一个元素重叠的所有的点z的集合；2)通过图像预处理之后，接着在云团核心区域中寻找一个特殊点的运动情况来代表整个云团的运动情况，即云团核心区域的质心；质心坐标公式为：$\bar{x}=\frac{1}{n}\underset{i=1}{\overset{n}{\Sigma }}{x}_i$$\bar{y}=\frac{1}{n}\underset{i=1}{\overset{n}{\Sigma }}{y}_i$通过上述两个平均公式得到云团质心的平均坐标；其中()就是计算得到的质心坐标，x_i和y_i分别代表云图中云团核心区域各点x和y方向坐标，n代表云团核心区域的像素点数，采用前后几幅时序图像提取云团的质心进行向量化跟踪计算云团的运动速度；即：代表t_n时刻云团质心的横坐标，代表t_n时刻云团质心的纵坐标；代表t_n+1时刻云团质心的横坐标，代表t_n+1时刻云团质心的纵坐标；t_n与t_n+1相隔单位时间，则t_n+1时刻云团的运动速度v、t_n+1时刻与t_n时刻云团质心之间的连线与X轴的夹角β分别表示为：$v=\sqrt{{({\bar{x}}_{n+1}-{\bar{x}}_n)}^2+{({\bar{y}}_{n+1}-{\bar{y}}_n)}^2}$$\beta =\arctan \left(\frac{\overline{y_{n+1}}-\overline{y_n}}{\overline{x_{n+1}}-\overline{x_n}}\right)$上述两个公式可以定量表示出云团在一定时间内的运动情况；采用质心角函数描述云团的形状特征，以云团的质心为极点、水平方向为极轴建立极坐标系，则云团轮廓上任意点C到质心的距离r可由极坐标函数r(θ)表示，从直角坐标系到极坐标系的转换方程为：$r_p=\sqrt{{(X_p-\bar{x})}^2+{(Y_p-\bar{y})}^2}$其中，(X_p,Y_p)代表直角坐标系中的云团核心区域边界点，r_p表示在极坐标系中边界点(X_p,Y_p)到质心的距离，θ_p表示极坐标系中边界上任意点C与质心点连线与极轴的夹角；3)应用像素深浅差异聚类分析法进行厚度和数字化的描述，主要利用灰度分割法将灰度等级分类，直观形象地表示云团不同区域的云团质量；在实验系统的数据库中设计云团动态特征向量，将上述各动态特征构成统一的数据结构加以存储和调用；首先判断云团边界附近的一些虚云，以云团的每个边界点bi为圆心，设定以bi为圆心，R为半径的圆且与云团重叠的区域为云团的边界区域，即虚云所在的区域，以半径为R的圆，圆心位置沿着云团的边界移动一周，此时所形成的区域与云团的交集即为虚云区域：I＝{z|(B)_z∩A≠φ}其中A代表云团的点集，(B)z代表以r为半径的圆沿云团边界移动一周过后的区域的点集，I代表云团的虚云所在区域的点集；然后将剩下的云团部分的云团质量与云团的颜色进行对应，由此通过不同的灰度值将云团质量进行量化分析，通过预处理得到云团的灰度图，运用聚类分析将云团划分为几个不同的灰度值区域，通过连续几张云团的灰度值划分区域分析，预测未来时刻云团灰度值的基本划分区域，再得出云团有效遮挡区域的灰度值，通过将遮挡面积与对应灰度值进行积分处理，最终得出未来某一时刻云团的遮挡效率，通过聚类分析将云团图划分几个不同的灰度区域后，利用灰度分割法进行云团质量分区间表示；灰度分割法就是以[0,N‑1]表示灰度级，令V₀代表黑色[f(x,y)＝0],并令V_N‑1代表白色[f(x,y)]＝N‑1；假定在[0,N‑1]中取M个点，将这M个点定义为灰度级V₁，V₂，...，V_M。然后，假定0<M<N‑1,M个点就将灰度分为M+1个区间S₁，S₂，...S_M+1；灰度级到彩色赋值根据如下关系进行：IF:f(x,y)∈S_kTHEN:f(x,y)＝c_k其中c_k是与第k个灰度区间S_k对应的颜色，S_k由位于x＝k‑1和x＝k区间定义；将256个灰度等级等分成8个区间，每个区间里包含32个灰度等级，每个区间近似对应一种云团质量，8个区间对应8个云团质量；4)云团特征提取及出力预测通过云层监测装置及图片采集装置获取一组时序云团图,分别在t₀，t₁，t₂，...t_n‑1时刻拍得，接着结合上述步骤的算法将t₀，t₁，t₂，...t_n‑1时刻的云团位置、形状和云团质量分布情况等信息提取出来，并预测出t_n时刻云团所在的位置、形状和云团质量分布情况，再结合对应时间点造成光伏面板遮挡的有效区域，确定对应时间点云团与有效区域的重叠面积大小以及重叠部分的云团质量分布情况，进而通过计算确定对应时间点下光伏面板的太阳辐射指数；假设光伏面板总面积为S_总，经过计算未来时刻云团与有效遮挡区域的重合面积为S_有效，在重合区域面积中用n种颜色划分了n个区域，每种颜色代表一种灰度区间，进而代表一种云团质量，因此代表了n种云团质量，即n种遮挡能力e₁，e₂，e₃，...，e_n，e_i表示e₁到e_n中的任意一个，且0≤e_i＜1，对应的光伏面板遮挡面积分别为S₁，S₂，S₃，...，S_n；设地面单位面积可接收的最大太阳辐射值为Q_s，则在云团的遮挡下，光伏面板对应遮挡面积为S_i区域接收到的太阳辐射量Q_i可表达为：Q_i＝Q_s×S_i×(1‑e_i)而光伏面板接收的太阳辐射指数可表示为：其中表示光伏面板接收的太阳辐射指数，范围为[0，1]，当晴天无遮挡时为1，当遮挡能力最强的乌云对光伏面板造成完全遮挡时，此时为0，介于这两者之间的部分遮挡为(0，1)；5)设计独立的基于稀疏云团动态特征的超短期出力预测软件模块及其数据库系统，收集包括温度、风速、太阳辐射量等历史气象数据以及光伏系统历史输出功率数据，并导入超短期出力预测模块；在该超短期出力预测软件中通过处理算法实现目标云团的辨识、特征提取、历史数据的离线训练和在线补偿，最终实现基于云团特征分析的分布式光伏系统超短期出力预测。