2020年11月第16卷第4期
系统仿真技术
System Simulation Technology
Nov.，2020
Vol.16，No.4
量化方法
马明1，邢瑞敏2，沈润杰2
（1.国网甘肃省电力公司电力科学研究院，甘肃兰州730070；2.同济大学电子与信息工程学院，上海201804）
摘要：复杂天气类型是影响光伏发电的重要因素，如何划分天气类型以及如何量化不同天气对光伏发电功率的衰减影响是目前研究的主要方向。主要研究了基于多源数据融合的复杂天气类型动态综合评判及
统一量化方法。首先，采用信息熵及波动量，对天气类型进行划分，得到简单天气类型及复杂天气类型。简单天气类型中，采用聚类算法，将天气类型划分为晴、多云、阴、雨四种类型。其次，为了量化不同天气类型对光伏电站发电功率的影响程度，建立了晴空模型，并用功率衰减程度，作为影响程度量化值，并提供了一种有效的针对光伏发电场景的天气类型划分及量化方法。
关键词：光伏发电；天气类型划分；量化方法
点云扫描Classification of Complex Weather Types and Quantification Method of its Impact on Photovoltaic Power Generation
MA Ming1，XING Ruimin2，SHEN Runjie2
（1.Electric Power Research Institute，State Grid Gansu Electric Power Company，Lanzhou730070，China；
2.College of Electronic and Information Engineering，Tongji University，Shanghai201804，China）
Abstract：The type of complex weather is an important factor affecting photovoltaic power generation. How to classify weather types and how to quantify the impact of different weather on the attenuation of photovoltaic power generation is the main direction of current research.This paper mai
nly studies the dynamic comprehensive evaluation and unified quantification method of complex weather types based on multi-source data fusion.First，using information entropy and fluctuations to classify weather types，simple weather types and complex weather types are obtained.In simple weather types，clustering algorithms are used to classify weather types into four types：sunny，cloudy，overcast，and rainy.Next，in order to quantify the degree of influence of different weather types on the power generation of photovoltaic power plants，a clear sky model was established，and the degree of power attenuation was used as a quantitative value of the degree of influence.This article provided an effective weather classification and quantification method.
Key words：photovoltaic power generation；weather type classification；quantitative method
天气因素无疑是影响光伏发电重要因素之一。目前，在光伏发电功率预测研究中，天气类型的划分偏向于简单划分，即阴天、多云、晴天、雨天等类型。在这种划分方式下，目前大多数对天气的类型划分主要采用“相似日”方法［1］。相似日指的是天气因素指标相似的日期可互为相似日，从而达到划分天气类型的目的。选取相似日的算法包括相关性、聚类以及灰关联分析等［2-3］。这种划分主要存在两个问题，首先是天气类
中图分类号:TM615文献标识码:A
马明，等：复杂天气类型划分及影响光伏发电功率程度的量化方法
型的划分过于简单，不能够充分描述复杂天气类型；其次，对于不同天气类型对光伏电场发电功率的影响缺乏研究，且没有量化方法。因此，为了解决上述两个问题，提出了新的天气类型划分依据以及复杂天气类型影响光伏功率程度的量化方法。
1系统框架
复杂天气类型划分使用的数据包括历史功率数据及主要环境影响因子。根据这些特征数据的波动情况，分为简单天气类型与复杂天气类型。在获得天气类型划分结果的基础上，建立晴空模型用于计算理论功率输出值，并与不同天气类型下的真实功率值相比较，提出衰减因子，以此作为影响程度的量化方法。研究框架如图1所示。
2复杂天气类型划分
划分天气类型的主要思路是首先根据光伏发电功率波动情况，将天气类型划分为复杂天气类型和简单天气类型，进而不同功率曲线所对应的关键影响因子也就构成了天气类型的环境因素指标。本研究从光伏发电功率曲线本身来划分天气类型，并映射到不同天气类型下，所对应的关键影响因子的不同数值。
整体上可以将天气类型划分为复杂和简单两种，复杂气象类型的输出功率主要受沙尘天气影响或者受云层运动影响，呈现出较大的波动性和随机性。而简单气象类型则因为关键影响因子相对稳定，从而功率
波动性小，具有比较明显的规律和特征。在本研究中，对于简单气象类型进一步细分为晴/阴/雨三种气象类型。波动量分析是通过分别计算功率数据的样本熵E SE 和一阶差分越限次数N D 实现。其中，样本熵衡量
该时段功率序列的复杂程度，数值在0-1之间；一阶差分值衡量相邻时刻功率波动的大小，二者互为补充。波动量分析流程图如图2所示。
图2中，P i ，m 为第i 时段m 时刻的光伏功率值；E *SE
为判断序列复杂程度的阈值，当某一功率序列的样本熵E SE 大于E *SE 时判断为复杂序列，
对应复杂气象类型；a i （i =1，
2，…，N ）为各时段中相邻时刻功率波动幅度的参考值，∆P i ，j 大于a i 时认为该时刻波动较大。N *
D 为功率波动越限次数阈值，N D 小于N *
柔性电路D
时判断为简单气象类型。E *SE 、
a i 、N *D 的取值需要根据不同电场的光伏功率特点选取。在以上算法中，已经实现了复杂天气类型和简单天气类型的划分。在简单天气类型中，采用聚类的方法，将天气划分为晴、阴、雨三种类型［4-6］。
3复杂天气类型对光伏场发电能力影响的统一量化方法
在本小节中，提出复杂天气类型对光伏场发电能力影响的统一量化方法。在上一小节中，已经实现
了天气类型的划分，那么为了衡量天气类型是如何影响光伏场发电能力，需要提出统一的量化方法。因此，建立晴空模型，对比实际输出功率，计算折损率，并以此作为量化标准。
到达地表的直接辐射（DNI ）随时间产生变化的根源在于太阳和地球相对地理位置的变化，如果忽略云层遮挡、灰尘、气压等气象因素的干扰，
可以通过建模
图1复杂天气类型划分研究框架图
Fig.1
Research frame diagram of
classification
图2波动量分析流程
Fig.2
Volatility analysis process
227
系统仿真技术第16第4期
获得基于地理位置关系接收到的辐照度的理论值，也就是所谓的晴空模型。晴空模型不考虑任何环境因素的影响，拟合出测点应该接收的理论辐照度。本研究中采用的晴空模型是基于数据拟合的方法对太阳天顶角的余弦值及其幂级数进行线性回归。在研究中，对上述两种晴空模型分别建模，并选取气象站监测的某晴天DNI 值进行验证，模型的评价指标为实测DNI 值与预测DNI 值的均方根误差RMSE ，计算公式为
RMSE
=
（1）
其中，e 为实测DNI 值与预测DNI 值的绝对误差，n 为数据个数，模型的均方根误差越小代表预测精度越好。ca3420
3.1地面辐照度相关几何参数
同一地点不同时刻，太阳和地球的相对地理位置
不同；同一时刻在地球上不同的观测点，太阳的相对高度和角度也不同。在本文中选用太阳高度角和太阳天顶角描述太阳和测点的相对位置关系。高度角和天顶角可以通过经纬仪实际测得，但在光伏发电预测过程中，实测不能满足实时性，因此需要利用算法来实现，可根据测点经纬度和时间自动计算几何参数［7-8］。
太阳天顶角和高度角的示意图如图3所示。设某一时刻太阳的中心点为P ，地球表面上的某一测点为O ，则太阳光线OP 与地平面法线之间的夹角就是太阳天顶角Z ；太阳光线OP 与其在地平面上投影线之间的夹角就是太阳高度角h ，代表太阳高出水平面的高度；太阳光线在地面上的投影线和地平线上正北方向的夹角为太阳方位角A ，根据几何关系可以发现天顶角与高度角的关系为［9］
Z +h =90∘
（2）
天顶角、高度角及方位角可以很好地描述某一时刻某一地点的太阳位置，但不能体现太阳位置与测点位置及测量时间的对应关系。为此，还需引入赤纬角及时角，如图4所示。其中δ为赤纬角，即太阳中心与
地心连线和赤道平面的夹角；α为时角，由真太阳时计算，在正午时刻为0°，上午为正，下午为负，日出时为-90°，日落时为90°。平均每小时变化15°。赤纬角及时角的计算公式为
δ=23.45sin [360×
284+n
365
]（3）t =(真太阳时-12)×15∘
（4）
高度角及方位角的计算公式为
sin E a =cos Z a =sin ϕsin δ+cos ϕcos δcos t （5）
过敏性鼻炎仪
cos A a =(sin E a ×sin ϕ-sin δ)
÷(cos E a ×cos ϕ)（6）
其中，ϕ为测点的地理纬度。
根据以上原理，在算法中输入测点的经纬度、所在
时区及预测时间，可实现对几何参数的自动拟合，以太阳天顶角为例，其拟合结果与真实角度对比如图5所示，可见计算结果较为准确，
可用于后续辐照度预测。
图3
太阳高度角、天顶角、方位角示意图
Fig.3
Schematic diagram of sun altitude,zenith and
azimuth
图4
太阳赤纬角、时角示意图
Fig.4
Schematic diagram of solar declination and hour
angle
图5
天顶角计算结果Fig.5
Zenith angle calculation result
228
马明，等：复杂天气类型划分及影响光伏发电功率程度的量化方法
3.2基于回归拟合的晴空辐照度模型
由于在晴空模型中假设天空晴朗无云，地面辐照
度主要受太阳光入射角度的影响，可以根据当地数据自行拟合系数对太阳天顶角的余弦值进行线性回归，
DNI 由天顶角余弦值的八次多项式给出，即
DNI =∑n =0
8a n (cos θ)n
（7）
表达式中系数a n 是通过选取20天晴天数据，利用最小二乘法LSM 拟合得到，最终确定的系数矩阵为［418740，-1589700，2432900，-1910200，803250，-164250，592.5，433.17，120.4058］。其中，a 1~a 8为余弦对应幂次项的系数，a 9为常数项。利用该线性回归模型对晴天DNI 进行拟合，与实测DNI 的对比结果如图6所示，其中均方根误差仅为20.1157，拟合效果达到预期。
3.3辐照度实测值
基于晴空模型计算出的辐照度可以看作固定地理
位置在固定时刻应接收的太阳能辐照度理论值，但在实际情况中受到各种气象因素和环境因素的影响，实测辐照度与计算值往往有较大差别，特别是在多云天气下，波动较大且无规律可循。曝辐量是一段时间内单位面积接收的辐照度之和，对于较长时间范围内的辐照度统计分析具有参考意义，本节以日为单位统计了光伏电站2011-2017年共七年的日曝辐量，作出曝辐量随年份变化的曲线，如图7所示，再以2017年为例，以小时为单位作出全年365天的辐照度曲线，如图8所示。
由图8可得，真实的辐照度曲线并不光滑，而是受环境因素干扰具有波动性，从而导致功率曲线同样带
有波动性。在本研究中，认为晴空模型下，根据光伏电池板PV 曲线得到的功率值与真实功率值的差为天气类型带来的影响因素。为了量化这种影响，引入影响
因子ρ，即
ρ=
P clear -P real
P clear
（8）
由式（8）可见，ρ值分布在0~1之间，反映了影响程度的大小，其中数值越靠近1，表示天气对光伏发电功率的影响越大，反之亦然。
4结论
本文提出的天气类型划分方法，合理划分功率复杂波动情况下的天气类型与晴、阴、雨等简单天气类型。针对不同的天气类型，可以发现其辐照度及功率曲线的变化趋势有明显区别，该方法有效区分了不同的天气类型。在获得天气类型的基础上，借助MATLAB 仿真模型，针对光伏电场建立了晴空模型，并
得到了影响功率程度的量化结果。
图6晴空模型
Fig.6
Clear sky
model
图7曝辐量Fig.7
Exposure
图82017年日辐照度曲线
Fig.8
2017daily irradiance curve
229
系统仿真技术第16第4期
参考文献：
［1］陈禹帆，温蜜，张凯，等.基于相似日匹配及TCN-Attention的短期光伏出力预测［J/OL］.电测与仪表：
1-9［2020-12-08］.http：//knski/kcms/detail/
23.1202.TH.20200727.1612.024.html.
CHEN Yufan，WEN Mi，ZHANG Kai，et al.Short term
photovoltaic output prediction based on similar day
matching and TCN-Attention［J/OL］.Electrical
measurement and instrumentation：1-9［2020-12-08］
http：//knski/kcms/detail/23.1202.TH.20200727.
1612.024.html.
［2］彭周宁，林培杰，赖云锋，等.基于混合灰关联分析-广义回归神经网络的光伏电站短期功率预测［J］.
电气技术，2019，20（10）：11-18.
PENG Zhouning，LIN Peijie，LAI Yunfeng，et al.Short
term power prediction of photovoltaic power station
based on hybrid grey relational analysis generalized
regression neural network［J］.Electrical Technology，
2019，20（10）：11-18.
［3］郭辉.基于电站聚类和相似气象日的光伏电站不良数据修复［D］.西安：西安理工大学，2019.
GUO Hui.Bad data restoration of photovoltaic power
station based on cluster analysis and similar weather
days［D］.Xi’an：Xi’an University of Technology，2019.［4］乔延辉，韩爽，许彦平，等.考虑天气分型的风光出力互补性分析方法［J］.电力系统自动化，2021，45（2）：
82-88.
QIAO Yanhui，HAN Shuang，XU Yanping，et al.Wind solar
output complementarity analysis method considering
weather classification［J］.Automation Power System of
Electric，2021，45（2）：82-88.涤纶编织物浸水性能试验
黄光制程［5］连魏魏.基于天气条件划分的光伏功率预测方法［D］.
北京：华北电力大学，2019.
LIAN Wei.Photovoltaic power prediction method based
on weather condition division［D］.Beijing：North China
Electric Power University，2019.
［6］李驰.基于波动特性的新能源出力时间序列建模方法研究［D］.北京：中国电力科学研究院，2015.
LI Chi.Research on new energy output time series
modeling method based on fluctuation characteristics
［D］.Beijing：China Electric Power Research Institute，
2015.
［7］SHEN Yu，WEI Haikun，ZHU Tingting，et al.A data-driven clear sky model for direct normal irradiance［J］.
Journal of Physics：Conference Series，2018，1072（1）.［8］ERIC Bruneton.A qualitative and quantitative evaluation of8clear sky models.［J］.IEEE Transactions
on Visualization and Computer graphics，2016.
［9］王炳忠.太阳辐射计算讲座：第一讲太阳能中天文参数的计算［J］.太阳能，1999（2）：8-10.
WANG Bingzhong.Lecture on solar radiation calculation：
Lecture1：Calculation of astronomical parameters in solar
energy［J］.Solar Energy，1999（2）：8-10.
马明男（1983-），甘肃人，主要研
究方向为可再生能源发电系统控制、
可再生能源集成技术、电力系统安全
稳定、可再生能源并网运行控制、大数
据处理等。
230
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议