基于天气图像的分布式光伏电站功率预测模型研究

A method of short-term forecast of the output of distributed photovoltaic (PV) power using sky images generated by Total Sky Imager(TSI) is presented in this project. The blocked area in a sky image is restored and the distortion correction is made. On this basis, cloud is identified and cloud motions are predicted. With historical data of images and ground radiation, the radiation model and the radiation attenuation model caused by the block of cloud are built. The model of output of PV power with methods of echo state networks with leaky-integrator based on temperature ,irradiance and wind speed is built. With this model and information obtained from sky image, short-term output of PV power is forecasted. Compared with other methods, the impact caused by low accuracy of weather forecast on forecasting PV output are reduced, for original ground based sky images are introduced into the PV prediction system. Traditional physical and statistical models are based on a combination of numerical weather prediction technology of PV power, in which a sharp decline in solar power will be caused by cloud block. So the predicted results can be delayed. These problems can be well overcome in this project and the accuracy of prediction of PV can be greatly improved. The emergence and development of a new generation of PV forecasting system are promoted and both theoretical significance and practical significance can be obtained.

本项目利用全天空成像仪产生的全天空云图进行短期分布式光伏功率预测。首先对云图进行遮挡复原以及畸变校正，在此基础上进行云团的识别和云团的运动预测，并结合历史云图数据与地面辐射数据，构建太阳辐射模型和云遮挡对太阳辐射的衰减模型，最后利用泄露积分型回声状态网络建立基于温度、辐照度及风速的光伏发电功率模型，利用此模型以及从云图中获取的信息最终实现短期的光伏功率预测。本项目直接利用原始的地基云图进行光伏预测，与其它预测技术相比，降低了天气预报准确率低对光伏功率预测的影响。同时由于传统的基于物理和统计模型并结合数值天气预报的光伏功率预测技术在遇到因云遮挡而导致光伏功率骤然下降的情况时，其预测结果具有滞后性；而本项目方法则能够很好地克服这类问题，从而大为提高光伏功率预测的准确度。预计本项目的研究将促进新一代的光伏预测系统的出现和发展，具有十分重要的理论意义和实际应用价值。

本项目利用全天空成像仪采集的地基云图进行短期分布式光伏功率预测。首先根据地基云图特点，改进Criminisi图像修复算法，完成了地基云图的遮挡复原，并结合天体运动提出基于地理模型的畸变校正方法，融合模板标定方法，解决了地基云图的畸变校正问题；然后，通过红色和绿色通道共同决定的ARGD特征进行零阈值分割，实现了云团识别，方法简单稳定准确，识别准确率达98.77％；在此基础上，利用不确定问题解决方法——粗糙集理论进一步完成厚云薄云的分类；之后，对影响光伏功率输出的云团进行了外推，从机器学习角度，利用序列图像相关性，提出基于级联因果LSTM的云团外推模型和基于序列差方法的云团运动预测，有效地解决了云团运动趋势预测问题，为后续进行光伏功率预测奠定了很好的基础；最后针对云团提出了能很好反映太阳辐照的云因子特征，并结合太阳透光率、太阳高度以及反映图像细节特征的高频量，建立了基于GBDT的光伏发电功率模型，最终实现了短期光伏功率预测。预测结果的均方根误差为0.347%。. 本项目直接利用原始的地基云图进行光伏预测，与其它预测技术相比，降低了天气预报结果对光伏功率预测的影响。同时由于传统的基于物理和统计模型结合数值天气预报的光伏功率预测技术，在遇到因云遮挡而导致光伏功率骤然下降的情况时，其预测结果具有滞后性；而本项目方法则能够很好地克服这类问题，从而大为提高光伏功率预测的准确度。. 本项目的研究将机器学习与图像处理结合，有效地实现了光伏功率的短时预测，为大规模的分布式光伏功率的准确预测提供了新的途径。该项技术的广泛应用，能够有效地化解分布式光伏接入电网所带来的不确定性，可以为智能配电网的优化调度提供有力的技术支撑，带来巨大的经济和社会效益。