专利名称：一种连续时间太阳辐射能预测方法
ー种连续时间太阳辐射能预测方法
技术领域：
本发明属于太阳能开发利用和能效管理领域，特别涉及一种连续时间太阳辐射能预测方法，主要用于涉及到太阳辐射问题的能源系统能效管理与优化，如含太阳能发电的微型电网或智能电网能效管理与优化，建筑能源系统运行过程中的能效管理与优化等。
背景技木太阳能发电作为一种清洁可再生能源，已在全球获得了快速发展和重视。由于受天气因素的影响，太阳能发电输出具有很强的间歇性和波动行，这对集成了太阳能发电装置的智能电网中心控制器尤其是对电网调度和能效管理来说具有极大的挑战性，精确有效预测短时间间隔(小于30分钟)太阳辐射能对于智能电网的调度、控制和能效管理具有重要意义。另外，太阳辐射能也是影响建筑空调负荷变化的重要因素之一，预测分钟级时间间隔太阳辐射能是建筑空调系统运行过程中进行有效能效管理和优化的必要条件。目前有关太阳辐射能预测模型和方法很多，如參数化数学模型方法[1-8]、人工网络(ANN)方法[9-11]、Markov模型[12]、自回归平均滑动(ARMA) [14，15]、傅里叶分析[16，17]和统计方法[19-21]等。參数化方法主要建立在一些经验參数之上的数学方程，其经验參数采用历史数据回归方法确定，由于太阳辐射能变化和当地大气环境与周围环境密切相关，參数模型方法不适合于短时间间隔太阳辐射能预测，一般是用于月或年太阳辐射能计算和预測。人工网络和Markov方法是通过太阳辐射能历史数据训练而建立预测模型，建立的预测模型理论上来说可以用于连续时间太阳辐射能预测，但是这些预测模型和方法需要一些环境參数值如大气温度、大气压力和风速等作为输入变量，因为这些环境变量本身是不确定变量，短时间间隔内这些环境变量难以预测和确定，因此这些通过历史数据训练建立的预测模型和方法一般多用于时间间隔大于I小时太阳辐射能预测，而采用该方法预测短时间间隔太阳辐射能会产生很大误差。统计方法也是目前最常见的太阳辐射能预测方法之一，其中包括ARMA和傅里叶分析，但研究结果表明，目前常用的统计模型和方法预测精度对天气变化非常敏感，要求预测的气候类型必须与建立统计模型数据的气候类型相同或相似，譬如统计模型是建立在多云天气下的数据，则该模型只能预测多云天气，如果预测时段天气发生变化，则建立的预测模型将不可用。參考文献[I] T. Muneer, S. Younes, S. Munawwar, Discourses on solar radiationmodeling, Renewable and Sustainable Energy Reviews,11 (2007) :551-602.[2]L. T. Wong, ff. K. Chow, Solar radiation model, Applied Energy,69 (2001)191-224.[3]L. Kumar, A. K. Skidmore, E.Knowles, Modelling topographic variation insolar radiation in a GIS environment, Int. J. Geographical Information Science,11(1997) :475-497.
[4]K. Bakirci, Models of solar radiation with hours of bright sunshine a review, Renewable and Sustainable Energy Reviews,13(2009) :2580-2588.[5]C. Gueymard, Mathematically integrable parameterization of clear-skybeam and global irradiance and its use in daily irradiation applications. SolarEnergy,50 (1993) :385-397.[6]C. Gueymard, Direct solar transmittance and irradiance predictionswith broadband models. Part II !validation with high-quality measurements，SolarEnergy,74(2003) :381-395.[7] F. J. Batl Ies，M. A. Rubio, J. Tovar, F. J. Olmo，L. Alados-Arboledas,Empirical modeling of hourly direct irradiance by means of hourly globalirradiance,Energy,25(2000) :675-688. [8]R. Chen, E. Kang, X. Ji, J. Yang, J. Wang, An hourly solar radiation modelunder actual weather and terrain conditions a case study in Heihe river basin，Energy,32 (2007) :1148-1157.[9]D. Elizondo,G. Hoogenboom, R. McClendon,Development of a neural networkto predict daily solar radiation, Agric. Forest Meteorol. 71 (1994) :115-132.[10]M. Negnevitsky, T. L. Le, Artificial neural networks application forcurrent rating of overhead lines， IEEE International Conference on NeuralNetworks, Perth,Australia, 27 Nov. -01 Dec. 1995，Vol. 1，pp.418-422.[11]A. Sfetsos, H. Coonick, Univariate and multivariate forecasting ofhourly solar radiation with artificial intelligence techniques， Solar Energy,68(2001) :169-178.[12]Fatih onur Hocaoglu， Stochastic Approach for Daily Solar RadiationModeling，Solar Energy 85(2011)278-287.[13]B. Y. H. Liu, R. C. Jordan, The interrelationship and characteristicdistributions of direct， diffuse and total solar radiation， Solar Energy,4(1960) :1-19.[14]T. Goh,K. Tan,Stochastic modeling and forecasting of solar radiationdata，Solar Energy,19(1977) :755-757.[15]M. Hassannzadeh，M. Etezadi-Amoli，M. S. Fadali，Practical approachfor sub-hourly and hourly prediction of PV power output， North American PowerSymposium(NAPS)，26-28 Sept. 2010，Arlington, TX.，US. [16]D.C.Hittle, C.0. Pedersen, Periodic and stochastic behavior ofweather data, ASHRAF Transactions, 87(1981) :545-557.[17]A. Balouktsis, Ph. Tsalides, Stochastic simulation model of hourlytotal solar radiation，Solar Energy,37(1987) :119-126.[18]W. Ji，C. K. Chan，J. W. Loh，F. H. Choo，L. H. Chen，Solar radiation predictionusing statistical approaches， ICICS 2009-Proceedings of the 7th InternationalConference on Information， Communications and Signal Processing， Macau,8-10Dec. 2009，pp. 1-5.
[19]R. Aguiar, M. Collares-Pereira, A time-dependent，autoregressive,Gaussian model for generating synthetic hourly radiation， Solar Energy,49(1992) :167-174.[20] V. A. Graham, K. G. T. Hollands, T. E. Unny, A time series model for Ktwith application to global synthetic weather generation,Solar Energy,40(1988)269-279.[21]V. A. Graham, K. G. T. Hollands, A method to generate synthetic hourlysolar radiation globally, Solar Energy,44(1990) :333-341.[22]F. Kreith, J. F. Kreider,Principles of Solar Engineering,McGraw Hill，New York,1978.、
[23]Z. I. Botev, J. F. Grotowski, D. P. Kroese, Kernel density estimation viadiffusion，The Annals of Statistics，38(2010) :2916-2957.
发明内容本发明提出了一种连续时间太阳辐射能预测方法，仅仅需要当地的天气类型(如睛天、睛到多云、多云和下雨等)或云层覆盖的大概信息，便可对对任何天气状况下连续时间太阳辐射能预测，预测精度可达到绝大部分应用要求。为了实现上述目的，本发明釆用如下技术方案一种连续时间太阳辐射能预测方法，包括以下步骤步骤一、获取预测当地至少I年太阳辐射能历史数据，记录太阳辐射能的这些历史数据间的时间间隔小于或等于10分钟；釆用方程(3) (17)计算每一个历史数据相应时刻睛朗天气条件下的经验理论值Ig;然后釆用方程(I)计算得到相应时刻的预测模型样本数据V;V = 1^r-(I)其中Ig为睛朗无云天气太阳辐射能，I为实际太阳辐射能；Ig = Idir+Idif+Iref(3)其中Ito、Idif、しf分别为太阳直接辐射能、大气散射辐射能、反射辐射能，Idir>Idif>しf的计算表达式为[3，22]Idir=ItlTdirCosQ)(4)Idif = I0 τ difcos2 (O. 5 β ) sin α(5)Iref = rl0 τ refsin2 (0. 5 β ) sin α(6)方程(4)-(6)中参数由下述方程(7)-(17)进行计算
I0 =50[1 + 0.0344 cos(360°^)](7)cos i = sin o t^sin L cos β -cos L sin β cos γ ) +cos o cosh,, {cos L cos β +sinL sin β cos γ ) +cos δ sin β sin hs(8)τ dir = 0. 56 (e—°. 65M+e—°.095M)(9)
M = [1229+(614sin a )2]0 5-614sin α(10)α = sin-1 (sin L sin δ +cos L cos δ coshs)(11)
权利要求
1.一种连续时间太阳辐射能预测方法，其特征在于，包括以下步骤 步骤一、获取预测当地至少I年太阳辐射能历史数据，记录太阳辐射能的这些历史数据间的时间间隔小于或等于10分钟；采用方程(3)-(17)计算每一个历史数据相应时刻睛朗天气条件下的经验理论值Ig ;然后采用方程(I)计算得到相应时刻的预测模型样本数据V；
2.根据权利I所述的连续时间预测太阳辐射能方法，其特征在于预测统计模型的随 机变量的定义式为V= !V(1) 其中Ig为睛朗无云天气太阳辐射能，I为实际太阳辐射能。
3.根据权利I所述的连续时间预测太阳辐射能方法，其特征在于 对云层覆盖进行分隔的方法为从云层的厚度和广度两方面来进行量化表示对云层覆盖进行分隔，反映太阳光线透过云层的情况； 对时间进行分隔的方法为将一天时间按照I至2个小时进行分割； 对日期进行分隔的方法为将全年分为春季、夏季、秋季和冬季。
4.根据权利I所述的连续时间预测太阳辐射能方法，其特征在于 步骤ニ中天气类型包括睛天、睛到多云、多云、雨或雪； 睛天对应的V子空间为[Vmin，0. I]，对应的云层覆盖信息为无云、1/8天空被云层覆盖或2/8天空被云层覆盖； 睛到多云对应的V子空间为(O. 1,0. 5]，对应的云层覆盖信息为3/8天空被云层覆盖、4/8天空被云层覆盖或5/8天空被云层覆盖； 多云对应的V子空间为(O. 5,0. 9],对应的云层覆盖信息为无6/8天空被云层覆盖、7/8天空被云层覆盖或8/8天空被云层覆盖； 雨或雪对应的V子空间为(O. 9，I]，对应的云层覆盖信息为8/8天空被云层覆盖且下雨或雪。
全文摘要
本发明提供一种连续时间太阳辐射能预测方法；采用统计理论为基础建立连续时间太阳辐射能预测模型，统计预测模型以晴朗无云天气情况下太阳辐射能经验理论值与实际太阳辐射能之差除以晴朗无云太阳辐射能经验理论值为随机变量，将统计样本在云层覆盖、时间和日期三个空间维度上进行分割，建立各样本子空间上的统计预测模型，预测过程中根据当地的天气类型(如晴天、晴到多云、多云和下雨等)或云层覆盖的大概信息，达到对对任何天气状况下连续时间太阳辐射能预测，预测精度可达到绝大部分应用要求。
文档编号G06F19/00GK102663263SQ201210129938
公开日2012年9月12日 申请日期2012年4月28日 优先权日2012年4月28日
发明者张兄文, 李国君 申请人:西安交通大学