1.本发明一种区域光伏电站发电功率超短期预测方法涉及光伏发电技术领域 的一种功率预测方法，具体地，涉及一种基于蒙特卡洛算法为未来某一时段天气 复杂变化造成的光伏电站发电功率发生大幅波动的光伏功率预测方法。
背景技术：2.为解决传统能源带来的各类问题，太阳能光伏发电技术迅速发展；光伏发电 的随机性和间歇性为电网稳定可靠运行带来显著影响，精准的短期光伏及超短期 光伏功率预测愈发重要，目前已有较多相关研究成果。
3.光伏电站发电功率预测按照预测过程可以分为间接预测和直接预测；其中， 直接预测将历史发电量和天气数据进行建模，具备建模过程简单、无需测量太阳 辐射强度的优势；以神经网络为主流的元启发式学习算法由于非线性表达能力强 等优势在直接光伏功率预测领域得到广泛应用；光伏电站发电功率的直接预测基 于历史发电功率和气象预报数据，由于大气环境复杂，天气类型的变化成为目前 光伏功率预测精度下降的主要原因之一。当原始数据样本少且天气预报类型分 散时，神经网络学习效率下降，复杂规律将被遮盖；当遇到较为复杂的天气类型 时，神经网络直接预测结果与实际光伏电站发电功率结果往往差距较大，不能反 映未来光伏功率变化趋势。
4.所以有必要设计出一种新的算法来满足实际的预测需求。
技术实现要素：5.本发明有鉴于此，提供了一种区域光伏电站发电功率超短期预测方法。针 对地区未来某段时间内较为复杂的天气变化，采用蒙特卡洛算法以光伏电站晴朗 天气下的预期发电功率为基础进行预测，可以提高预测准确度，降低由于规律遮 蔽现象产生的误差。
6.一种区域光伏电站发电功率超短期预测方法，该研究方法的步骤如下：
7.(1)、确定某需求区域可分为若干个单位区域s1，s2，s3
……
单位区域内天气类 型在任意时刻视为一致，单位区域内光伏电站发电功率受天气类型影响视为相同；
8.(2)、确定某一单位区域内复杂天气持续时间t；
9.(3)、确定该单位区域t时段内某一时刻t光伏电站理想天气情况下发电功率pt；
10.(4)、确认t时段内t时刻天气类型wt；
11.(5)、设置蒙特卡洛的循环模拟次数为m；
12.(6)、确定天气类型wt影响的各类参数；
13.(7)、确定计划并网和例行维护对光伏电站输出影响mt；
14.(8)、重复步骤(5)-步骤(7)，获得该单位区域复杂天气持续时段t内某一时刻t 光伏电站发电功率pt；
15.(9)、令t＝t+1，重复步骤(2)-步骤(8)，叠加获得总数为t的单位区域光伏电 站发电功率预测曲线，得到该单位区域某一复杂天气持续时段t内的光伏电站发 电功率预测曲
线图。
16.(6.1)、步骤(6)中确定天气类型wt影响的参数包括：确定天气类型对地表上 的太阳辐射总量影响st。
17.(6.2)、步骤(6)中确定天气类型wt影响的参数包括：确定t时刻天气类型对 光伏电站太阳能光伏电池组件产生遮挡对太阳能电池组件输出影响e1t。
18.(6.3)、步骤(6)中确定天气类型wt影响的参数包括：确定t时刻天气类型对 光伏电站太阳能光伏电池组件特性产生的功率温度系数变化e2t。
19.(6.4)、步骤(6)中确定天气类型wt影响的参数包括：确定t时刻天气类型产 生的湿度变化对光伏电站发电功率影响e3t。
20.(6.5)、步骤(6)中确定天气类型wt影响的参数包括：确定t时刻天气类型产 生的破坏性因素对光伏电站太阳能光伏电池组件功率的衰减影响e4t。
21.利用本发明所记载的技术方案，针对地区未来某段时间内较为复杂的天气变 化，以光伏电站晴朗天气下的预期发电功率为基础进行预测，可以提高预测准确 度，降低由于规律遮蔽现象产生的误差，具有良好的使用和推广效果。
附图说明
22.下面结合附图1-6与实施例对本发明作进一步的说明。
23.图1是某单位区域晴朗天气下的光伏电站发电功率曲线图。
24.图2是该单位区域复杂天气(大风降温降雨)下的光伏电站发电功率预测曲 线图，预测方法为神经网络算法。
25.图3是神经网络算法预测曲线图与实际光伏电站发电功率曲线比较图。
26.图4是蒙特卡洛算法预测曲线图与实际光伏电站发电功率曲线比较图。
27.图5是神经网络算法准确度与蒙特卡洛算法准确度比较图。
28.图6是t时刻与天气类型wt相关的五类变量st、e1t、e2t、e3t、e4t和五 类变量之和ut对光伏电站输出影响曲线图。
具体实施方式
29.参照附图1-6，一种区域光伏电站发电功率超短期预测方法，该研究方法的 步骤如下：
30.(1)、确定某需求区域可分为若干个单位区域s1，s2，s3
……
单位区域内天气类 型在任意时刻视为一致，单位区域内光伏电站发电功率受天气类型影响视为相同；
31.(2)、确定某一单位区域内复杂天气持续时间t；
32.(3)、确定该单位区域t时段内某一时刻t光伏电站理想天气情况下发电功率pt；
33.(4)、确认t时段内t时刻天气类型wt；
34.(5)、设置蒙特卡洛的循环模拟次数为m；
35.(6)、确定天气类型wt影响的各类参数；
36.(7)、确定计划并网和例行维护对光伏电站输出影响mt；
37.(8)、重复步骤(5)-步骤(7)，获得该单位区域复杂天气持续时段t内某一时刻t 光伏电站发电功率pt；
38.(9)、令t＝t+1，重复步骤(2)-步骤(8)，叠加获得总数为t的单位区域光伏电 站发电功率预测曲线，得到该单位区域某一复杂天气持续时段t内的光伏电站发 电功率预测曲线图。
39.(6.1)、步骤(6)中确定天气类型wt影响的参数包括：确定天气类型对地表上 的太阳辐射总量影响st。
40.(6.2)、步骤(6)中确定天气类型wt影响的参数包括：确定t时刻天气类型对 光伏电站太阳能光伏电池组件产生遮挡对太阳能电池组件输出影响e1t。
41.(6.3)、步骤(6)中确定天气类型wt影响的参数包括：确定t时刻天气类型对 光伏电站太阳能光伏电池组件特性产生的功率温度系数变化e2t。
42.(6.4)、步骤(6)中确定天气类型wt影响的参数包括：确定t时刻天气类型产 生的湿度变化对光伏电站发电功率影响e3t。
43.(6.5)、步骤(6)中确定天气类型wt影响的参数包括：确定t时刻天气类型产 生的破坏性因素对光伏电站太阳能光伏电池组件功率的衰减影响e4t。
44.实施例
45.(1)、晴朗天气下，光伏电站发电功率曲线类似钟形曲线，光伏电站发电功率最 高时刻往往出现在正午，太阳高度角(太阳光线与地平线的夹角)最大，等量太 阳辐射经过的大气路程最短，受到大气削弱最少，到达地面的太阳辐射也就最多。 同时，由于太阳高度角最大，等量太阳辐射散布的面积最小，单位面积地面上获 得的太阳辐射最多，因此正午太阳辐射最强。光伏电站发电功率曲线起止时刻与 日出时间、日落时间相关，而日出时间、日落时间又随季节变动。
46.(2)、实际应用中，光伏电站发电功率曲线并非模拟信号，模拟信号的特点是时 间连续、幅值连续，光伏电站发电功率曲线由于采集时间间断，发送、接收信号 时间间断，因此往往是时间离散、幅值离散的数字信号。在本预测研究方法中， 由于针对复杂天气持续时段t内的t时刻，需要根据天气预报判断天气类型wt， 因此将t与t+1的时间间隔定位15min。
47.(3)、晴朗天气下，采用以神经网络为主流的元启发式学习算法进行光伏功率预 测；复杂天气下，切换到基于蒙特卡洛算法在复杂天气情况下的区域光伏电站发 电功率超短期预测研究方法进行光伏功率预测。参照表1界定复杂天气的定义， 即何时开启蒙特卡洛算法进行光伏功率预测，当天气预报预测区域达到中雨及以 上级别的降雨、降雪、短时雷雨大风等强对流天气时，即可开启蒙特卡洛算法。
48.表1：气象系统天气类型的定义
[0049][0050]
(4)、根据天气预报，确定单位区域内极端天气初始时刻，建立单位区域内光伏 电
站发电功率预测功率模型，确定单位区域内复杂天气持续时间t；确定该单位 区域t时段内某一时刻t光伏电站理想天气情况下发电功率pt，pt可由晴朗天 气下的光伏电站发电功率钟形曲线获得。
[0051]
(5)、确认该单位区域内t时段内t时刻天气类型wt，确认t时刻天气类型wt 对地表上的太阳辐射总量影响st，根据每15min的单位区域天气预报，可以很 好地把握单位区域太阳辐射强度的变化，主要是低空厚层云会对太阳辐射强度产 生较为明显的影响，该云系的快速运动会造成光伏电站发电功率曲线产生大幅波 动，如图3实时功率大幅波动所示，设置蒙特卡洛的循环模拟次数为m。
[0052]
(6)、确定t时刻天气类型对光伏电站太阳能光伏电池组件产生遮挡对太阳能电 池组件输出影响e1t，主要是降水降雪遮挡，根据天气类型wt，e1t直接与pt 呈比例系数影响。
[0053]
(7)、确定t时刻天气类型对光伏电站太阳能光伏电池组件特性产生的功率温度 系数变化e2t，根据天气类型wt，在20-100℃范围，大约每升高1℃每片电池 的电压减少2mv；而电流随温度的增加略有上升，总的来说，温度升高太阳电池 的功率下降，典型功率温度系数为-0.35％/℃，即电池温度每升高1℃，则功率 减少0.35％。
[0054]
(8)、确定t时刻天气类型产生的湿度变化对光伏电站发电功率影响e3t，根据 天气类型wt，e3t直接与pt呈显著的负相关关系。
[0055]
(9)、确定t时刻天气类型产生的破坏性因素对光伏电站太阳能光伏电池组件功 率的衰减影响e4t，根据天气类型wt，e4t直接与pt成比例系数影响。
[0056]
(10)、确定计划并网和例行维护对光伏电站输出影响mt，从pt中直接减除。
[0057]
(11)、重复步骤(5)至步骤(10)，获得该单位区域复杂天气持续时段t内某一时 刻t光伏电站发电功率pt；
[0058]
(12)、令t＝t+1，重复步骤(4)-步骤(11)，叠加获得总数为t的单位区域光伏 电站发电功率预测曲线，得到该单位区域某一复杂天气持续时段t内的光伏电站 发电功率预测曲线图。
[0059]
(13)、区域内所有单位区域s1，s2，s3
……
光伏电站发电功率预测曲线叠加即 可得到该区域某一复杂天气持续时段t内的光伏电站发电功率预测曲线图。由于 该区域内包含多个单位区域，当某些单位区域处于复杂天气中，而其他单位区域 已处于晴朗天气下，该蒙特卡洛算法仍可适用，即天气类型对光伏电站太阳能光 伏电池组件产生遮挡对太阳能电池组件输出影响e1t和天气类型产生的破坏性 因素对光伏电站太阳能光伏电池组件功率的衰减影响e4t都为0。
[0060]
(14)、改日该单位区域全天处于复杂天气(大风降温降雨)下，因此复杂天气 持续时段t覆盖了全天；由于蒙特卡洛算法依据15min间隔的单位区域天气预报， 短期内能精准把握低空厚层云会对太阳辐射强度产生的波动影响，因此短期内能 较为准确地预计天气类型wt对地表上的太阳辐射总量影响st；中长期依据现有 气象系统技术条件无法做到单位区域低空厚层云的变化预测，因此中长期st无 法做到精准预测，即无法做到较为精准的光伏电站发电功率波动曲线预测，e1t、 e2t、e3t和e4t依据15min间隔的天气预报能够较为精准预测；采用准确率计 算公式(yct是预测功率，sjt是实际功率，pt
是光伏电站 装机容量)，可以得出神经网络算法和蒙特卡洛算法的准确率。
[0061]
如图5，计算每个t时刻的准确度，即可以看出不同时刻神经网 络算法和蒙特卡洛算法准确度比较，比较两种不同算法在短期、中短期和中长期 预测功率优劣势。短期蒙特卡洛算法能够较为精准的预测光伏电站受天气类型 wt影响产生的功率变化曲线波动。中长期由于无法做到单位区域气象系统低空 厚层云的变化预测，蒙特卡洛算法无法做出光伏电站功率变化曲线，但能依靠精 准的单位区域短时间隔天气预报做出部分钟形曲线图。
[0062]
(15)、参照附图6，蒙特卡洛算法下，t时段内t时刻，光伏电站理想天气情况 下发电功率pt为固定值，确定计划并网和例行维护对光伏电站输出影响mt也为 固定值，天气类型wt对地表上的太阳辐射总量影响st为范围(i，j)内的某一 值，即变量st(i，j)。同理情况，e1t、e2t、e3t和e4t也为范围值，即变量 e1t(i，j)、变量e2t(i，j)、变量e3t(i，j)和变量e4t(i，j)也为范 围值。当蒙特卡洛循环m为1时，得到一组数据st(i1，j1)、e1t(i1，j1)、 e2t(i1，j1)、e3t(i1，j1)和e4t(i1，j1)；当蒙特卡洛循环m为m时， 得到一组数据st(im，jm)、e1t(im，jm)、e2t(im，jm)、e3t(im，jm) 和e4t(im，jm)；直至得到数据st(im，jm)、e1t(im，jm)、e2t(im，jm)、 e3t(im，jm)和e4t(im，jm)。st(i，j)、e1t(i，j)、e2t(i，j)、 e3t(i，j)和e4t(i，j)之和的数字我们称其为ut(i，j)，即ut(i，j) ＝st(i，j)+e1t(i，j)+e2t(i，j)+e3t(i，j)+e4t(i，j)，统计所有 的ut(i，j)，选择出现概率最高的u t即为蒙特卡洛算法算出的我们需要找 的值，即t时刻天气类型wt对地表上的太阳辐射总量影响st、对光伏电站太阳 能光伏电池组件产生遮挡对太阳能电池组件输出影响e1t、光伏电站太阳能光伏 电池组件特性产生的功率温度系数变化e2t、湿度变化对光伏电站发电功率影响e3t和破坏性因素对光伏电站太阳能光伏电池组件功率的衰减影响e4t五类变量 之和最可能的值，m越大，ut越准确。蒙特卡洛算法得出t时刻单位区域光伏电 站发电功率为pt-ut-mt。
技术特征：1.一种区域光伏电站发电功率超短期预测方法，其特征在于：该研究方法的步骤如下：(1)、确定某需求区域可分为若干个单位区域s1，s2，s3
……
单位区域内天气类型在任意时刻视为一致，单位区域内光伏电站发电功率受天气类型影响视为相同；(2)、确定某一单位区域内复杂天气持续时间t；(3)、确定该单位区域t时段内某一时刻t光伏电站理想天气情况下发电功率pt；(4)、确认t时段内t时刻天气类型wt；(5)、设置蒙特卡洛的循环模拟次数为m；(6)、确定天气类型wt影响的各类参数；(7)、确定计划并网和例行维护对光伏电站输出影响mt；(8)、重复步骤(5)-步骤(7)，获得该单位区域复杂天气持续时段t内某一时刻t光伏电站发电功率pt；(9)、令t＝t+1，重复步骤(2)-步骤(8)，叠加获得总数为t的单位区域光伏电站发电功率预测曲线，得到该单位区域某一复杂天气持续时段t内的光伏电站发电功率预测曲线图。2.根据权利要求1所述的一种区域光伏电站发电功率超短期预测方法，其特征在于：(6.1)、步骤(6)中确定天气类型wt影响的参数包括：确定天气类型对地表上的太阳辐射总量影响st。3.根据权利要求1所述的一种区域光伏电站发电功率超短期预测方法，其特征在于：(6.2)、步骤(6)中确定天气类型wt影响的参数包括：确定t时刻天气类型对光伏电站太阳能光伏电池组件产生遮挡对太阳能电池组件输出影响e1t。4.根据权利要求1所述的一种区域光伏电站发电功率超短期预测方法，其特征在于：(6.3)、步骤(6)中确定天气类型wt影响的参数包括：确定t时刻天气类型对光伏电站太阳能光伏电池组件特性产生的功率温度系数变化e2t。5.根据权利要求1所述的一种区域光伏电站发电功率超短期预测方法，其特征在于：(6.4)、步骤(6)中确定天气类型wt影响的参数包括：确定t时刻天气类型产生的湿度变化对光伏电站发电功率影响e3t。6.根据权利要求1所述的一种区域光伏电站发电功率超短期预测方法，其特征在于：(6.5)、步骤(6)中确定天气类型wt影响的参数包括：确定t时刻天气类型产生的破坏性因素对光伏电站太阳能光伏电池组件功率的衰减影响e4t。
技术总结本发明涉及一种区域光伏电站发电功率超短期预测方法。(1)、确定某需求区域可分为若干个单位区域S1，S2，S3
技术研发人员：王玮 钱欣 代宪亚 陈建建 孙萌
受保护的技术使用者：国网江苏省电力有限公司宿迁供电分公司
技术研发日：2022.07.25
技术公布日：2022/11/1
