[发明专利]一种基于天文和气象环境因子的逐时散射比预测方法

说明书

本发明涉及一种基于天文和气象环境因子的逐时散射比预测方法，该方法包括如下步骤：(1)获取辐射数据、天文数据和气象环境数据；(2)对天气类型进行划分，天气类型包括晴、晴渐云、晴渐阴、多云渐阴和雨雪霾；(3)根据天气类型选择预先设定的模型进行预测得到逐时散射比，具体地：当天气类型为晴、晴渐云和晴渐阴时，采用PCA‑LMBP神经网络模型进行预测，当天气类型为多云渐阴时，采用LMBP神经网络模型进行预测，当天气类型为雨雪霾时，采用线性回归模型进行预测，其中，PCA‑LMBP神经网络模型、LMBP神经网络模型以及线性回归模型均为基于天文因子、气象因子及天气类型筛选后的预测模型。与现有技术相比，本发明预测结果更加准确可靠。

技术领域

本发明涉及一种逐时散射比预测方法，尤其是涉及一种基于天文和气象环境 因子的逐时散射比预测方法。

背景技术

近日，国家能源局发布“2017年上半年光伏发电建设运行信息简况”。根据统 计，截止2017年上半年，我国并网光伏总量达到101.82GW，其中：光伏电站 84.39GW、占比83％，分布式光伏17.43GW、占比17％。截止6月份，已经超过 10个省份光伏装机超过6GW。从新增装机分布来看，由西北地区向中东部地区转 移的趋势更加明显。华东地区新增装机为8.25GW，同比增加1.5倍，占全国的34％， 其中浙江、江苏和安徽三省新增装机均超过2GW。华中地区新增装机4.23GW， 同比增加37％，占全国的17.3％。西北地区新增装机为4.16GW。这与中国光伏发 电设备的价格、技术水平和国家政策有较大关系，同时也客观反映了中国光伏发电 市场较大的需求空间。

地表水平面上所接收的太阳总辐射量由太阳直接辐射量和散射辐射量两部分 组成，即两地的太阳总辐射量相同，其直接辐射量与散射辐射量所占比例通常并不 一样，散射比为水平面散射辐射量与太阳总辐射量的比值。随着社会的发展，能源、 环境与气候变化等方面的问题日益突出，并网光伏渗透率的不断提高，准确预报太 阳能资源的变化成为保障居民用电安全和电网平稳运行的必然要求。而对于目前常 见的小时尺度直散分离模型来讲，仅仅考虑单一自变量来提高散射比的预测精度难 度较大。如要改进模型的预测精度，需要考虑其他影响因子。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于天文和 气象环境因子的逐时散射比预测方法。

本发明的目的可以通过以下技术方案来实现：

一种基于天文和气象环境因子的逐时散射比预测方法，该方法包括如下步骤：

(1)获取辐射数据、天文数据和气象环境数据；

(2)根据辐射数据和气象环境数据对天气类型进行划分，所述的天气类型包 括晴、晴渐云、晴渐阴、多云渐阴和雨雪霾；

(3)根据天气类型选择预先设定的模型进行预测得到逐时散射比，具体地： 当天气类型为晴、晴渐云和晴渐阴时，采用PCA-LMBP神经网络模型进行预测， 当天气类型为多云渐阴时，采用LMBP神经网络模型进行预测，当天气类型为雨 雪霾时，采用线性回归模型进行预测，其中，PCA-LMBP神经网络模型、LMBP 神经网络模型以及线性回归模型均为基于天文因子、气象因子及天气类型筛选后的 预测模型。

所述的辐射数据包括水平面上小时太阳总辐射量以及大气层外水平面上小时 太阳辐射量；

所述的天文数据包括太阳高度角；

所述的气象环境数据包括能见度、总云量和PM2.5。

步骤(2)具体为：

(21)根据辐射数据得到小时清晰度指数k_T：

其中，I为水平面上小时太阳总辐射量，I₀为大气层外水平面上小时太阳辐射 量；