CN102566435B

CN102566435B - 一种光伏电站的性能预报及故障报警方法

Info

Publication number: CN102566435B
Application number: CN 201210036332
Authority: CN
Inventors: 赵永丽; 王丽娜; 于立业; 薛向荣
Original assignee: Automation Research and Design Institute of Metallurgical Industry
Current assignee: Automation Research and Design Institute of Metallurgical Industry
Priority date: 2012-02-17
Filing date: 2012-02-17
Publication date: 2013-10-02
Anticipated expiration: 2032-02-17
Also published as: CN102566435A

Abstract

本发明公开了一种光伏电站的性能预报及故障报警方法，包括：a，设置电站的状态；b，设置电站的工作模式；c，判断是否具有需要的实时数据或历史数据；d，若a状态为设计新光伏电站，且c为否定的，则通过经验模型预测电站的性能，若c为肯定的，则通过数据驱动性能模型预测电站的性能；e，若a为运行中的光伏电站并且c是肯定的，则通过数据驱动性能模型或多项式回归模型预测电站的性能，若c是否定的，则通过经验模型预测电站的性能；f，对比实际性能与预测性能，进行故障报警；g，通过Kalman滤波方法对模型进行在线修正并转至c，否则直接转至e。本发明最大限度利用太阳能资源和减少用电成本；提高了性能预报及故障诊断的准确性。

Description

一种光伏电站的性能预报及故障报警方法

技术领域

本发明涉及一种光伏电站的性能预报及故障报警方法，属于先进能源技术中的太阳能光伏发电技术领域。

背景技术

由于传统能源资源的日益枯竭以及当今社会对电能质量要求的提高，环保、灵活的光伏发电已经被世界各国所重视，太阳能光伏发电已成为目前最有前景的绿色能源利用方式之一。但光伏发电系统的输出受到太阳辐射强度、环境、操作条件、天气等因素的影响，其发电性能是一个非平稳的随机过程；同时，由于各光伏电站使用的光伏电池种类及其安装位置随机性也很大，光伏发电系统相对于大电网来说将是一个不可控源，使得能量生产与需求之间的平衡难以保证，随时会对大电网造成冲击，从而造成巨大的损失。因此，需要加强对光伏阵列发电性能预测的研究，预先获得光伏发电系统的发电量、发电功率、发电效率等性能曲线，从而协调电力系统制定发电计划，减小光伏发电的随机性对电力系统造成的影响。

此外，光伏阵列由于损坏、污蚀、老化或人为破坏等原因造成的故障，会导致光伏阵列工作异常及性能曲线的畸变等，大大降低了发电效率，因此，及时的监测和纠正这些异常和故障对于光伏系统的性能保证、可靠性和安全性都很必要。

由于基于实验室标准测试环境(STC，即太阳能辐照度为1000W.m^-2，电池温度为25℃，大气质量为1.5t)测得的数据不能如实的反映实际环境下的性能指标，不能满足用户对光伏系统可靠性、运行成本等的真实需求。而且我国在光伏发电建设及电站设计方面的经验较少，可靠的实测数据和积累的实际经验十分匮乏，设计过程中仅局限于理论计算和有限的经验，导致电站建设成后整个寿命周期内的实际发电量、组件或设备故障率、运行和维护成本难以估算，同时低水平技术开发容易造成资源浪费。光伏电站的设计和建设，通过预计算来确定电站的容量、预计发电水平、电池阵列的安装、上网电量等指标，在没有数据参考的情况下，通过有效的模型来估算系统容量和性能，显得尤为重要。由于光伏系统的功率、发电量等性能取决于众多参数，传统的方法是通过现有的模型，利用气象预报来从其导出局部化的预报，进而获得在光伏模块平面中的光照的预报，最终获得基于预定义效率估计系统的功率、电力产量等，但是整个过程中得到的数据存在较大的误差，不能给出准确和令人满意的结果。

另外，国内已提出针对光伏阵列的故障检测方法，如中国发明专利申请“大型光伏阵列的故障诊断方法”，其申请号为CN 101893678A，该发明的技术方案是：将若干电池板先并联连接形成一层，然后再串联连接形成串接的若干层，设第一层与电池板直接相连的电流传感器连接的电池板数据为L₀，则通过第一层可能产生的最大电流为L₀×I_m，I_m为电池板在正常条件下可能产生的最大电流，若已知了工作条件，则要将I_m改为在此种情况下的工作电流，通过各层传感器的电流最大值用作判断是否产生误差的基准值，检测出L₀个电池板中是否有故障产生。但是该发明仅能预报电池阵列的故障情况，并不能预报逆变器等其他光伏器件的故障情况；而且通过上述方法测得的数据的精度有限，数据的准确性不高；最后，该发明需要很多电压传感器和电流传感器等设备，增加了系统成本。

发明内容

本发明的目的在于，提供一种光伏电站的性能预报及故障报警方法，它可以提高光伏电站性能预报的准确性，实现最大限度的利用太阳能资源及减少用电成本，而且它还可以为光伏电站的故障诊断提供模型分析及专家知识的支持，进而提高故障诊断的准确性；另外本发明不但能够用于运行中光伏电站的性能预报与故障报警，还能用于新系统的设计。

为解决上述技术问题，本发明通过如下的技术方案：一种光伏电站的性能预报及故障报警方法，包括以下步骤：

a，设置光伏电站的状态，所述的状态包括：设计新的光伏电站或运行中的光伏电站；

b，根据光伏电站的实际位置及季节和日期，设置光伏电站的工作模式，具体包括：设置季节和工作时段信息；

c，通过读取数据库相应区域的标签数据判断该数据库中是否具有采集到的历史数据或实时数据，所述的采集到的历史数据或实时数据包括：总辐射度、温度、风速、逆变器直流输入电压、逆变器直流输入电流、直流输入功率、逆变器交流输出功率(有功)；

d，若a中光伏电站的状态为设计新的光伏电站并且c为否定的，则通过经验模型与CO2减排评估模型进行光伏电站的性能预测，若a中光伏电站的状态为设计新的光伏电站并且c为肯定的，则通过数据驱动性能模型与CO2减排评估模型进行光伏电站的性能预测，所述的光伏电站的性能包括：发电功率随时间的变化曲线(P-t曲线)、累计发电量、发电效率、逆变器最大跟踪效率及CO2减排量；

e，若a中光伏电站的状态为运行中的光伏电站并且c是肯定的，则通过数据驱动性能模型或多项式回归模型与CO2减排评估模型进行光伏电站的性能预测，若a中光伏电站的状态为运行中的光伏电站并且c是否定的，则通过经验模型与CO2减排评估模型进行光伏电站的性能预测；

f，通过气象站、检测仪表、汇流箱和逆变器的输出量检测及计算光伏电站的实际性能，并将该实际性能与预测性能进行比较，如果其差值超过预定的范围或不满足预定的指标要求，则进行故障报警，将数据及结果进行输出显示；

g，若光伏电站的性能预测值与实际值的均方根误差和相关系数大于设定的参考值，则通过Kalman滤波方法对所采用的模型进行在线修正并转至c，否则直接转至e。

上述方法中，相比较来说，数据驱动性能模型由于其所涉及的各种因素比较全面，又结合实际采集的数据进行计算，精度相对较高，但涉及到的计算量比较大，需要的参数或数据比较多，比较适合正在运行中的系统性能预报，也可以用于新系统的设计；经验模型涉及到的参数比较少，也比较容易得到，计算量不大，但精度相对较低，比较适合新系统设计估算；而多项式回归模型需要实时测量的数据，其精度可以通过在线模型修正来保证，比较适用于正在运行中的系统性能预报。通过系统状态、用户需求等情况来优选合适的性能预报模型。

上述方法中，通过经验模型预测光伏电站的性能需要电压、电流温度系数，这些数据可以从生产厂家获取；另外还需要标准测试条件下的开路电压、短路电流、最大功率电压和最大功率电流，这些数据可以在实验室进行测试得到，也可以从生产厂家获取；通过数据驱动性能模型预测光伏电站的性能需要室外测量数据、标准测试数据、生产厂家数据及经验数据，其中所需的室外测量数据包括实时采集到的数据，如总辐射度、温度、风速、逆变器直流输入电压、逆变器直流输入电流、直流输入功率、逆变器交流输出功率(有功)等，当天地理信息数据，如经纬度、海拔等，本地卫星气象预报数据和历史数据，经验数据是指经过测试验证过的经验数据及参数；通过多项式回归模型预测光伏电站的性能需要实时采集到的数据包括测量的电池组件的温度及对应的总的太阳入射照度。

前述的光伏电站的性能预报及故障报警方法中，步骤c所述的实时数据通过串口或OPC采集。

前述的光伏电站的性能预报及故障报警方法中，步骤e还包括：在通过数据驱动性能模型或多项式回归模型进行光伏电站的性能预测前，对数据进行数据预处理，所述的数据预处理包括：数据格式标准化及剔除极限误差，从而可以进一步提高数据预报及故障报警的准确性。

前述的光伏电站的性能预报及故障报警方法中，所述的剔除极限误差通过以下步骤实现：

a.计算数据分布的偏度系数：设原始数据被分成n组，各组的变量值分别为x₁，x₂，x₃，......，x_n，各组变量值出现的次数分别为f₁，f₂，f₃，......，f_n，其中

偏态细数

α = \frac{v_{3}}{σ^{3}} = \frac{Σ_{i = 1}^{n} {(x_{i} - \overset{&OverBar;}{x})}^{3} f_{i}}{Σ_{i = 1}^{n} f_{i} g σ^{3}},

平均数

\overset{&OverBar;}{x} = \frac{x_{1} f_{1} + x_{2} f_{2} + . . . . . . + x_{n} f_{n}}{f_{1} + f_{2} + . . . . . . + f_{n}} = \frac{Σ_{i = 1}^{n} x_{i} f_{i}}{Σ_{i = 1}^{n} f_{i}}

标准差

σ = \sqrt{\frac{Σ_{i = 1}^{n} {(x_{i} - \overset{&OverBar;}{x})}^{2} f_{i}}{Σ_{i = 1}^{n} f_{i}}}

若f_i＝1，则

σ = \sqrt{\frac{Σ_{i = 1}^{n} {(x_{i} - \overset{&OverBar;}{x})}^{2}}{n}}

当α＝0时，分布对称；

当α＞0时，表示正偏离差值较大，可以判断为正偏或右偏；

当α＜0时，表述负偏离差值较大，可以判断为负偏或左偏；

偏态系数α的数值在0到±3之间，α越接近0，分布的偏斜度越小；α越接近于±3，分布的偏斜度越大；

b.按以下方式进行剔除：

当α＝0时，分布对称；

如果x_i＞3σ，则将该值剔除

当α≠0时

如果x_i＞M₀且x_i＞3σ+kα·σ(其中，k为可调系数，它的数值在0.5～1之间)，则将该值剔除；

如果x_i＜M_o且x_i＞3σ-kα·σ(k为可调系数0.5～1之间)，则将该值剔除；

其中，M_o为一组数据中出现次数最多的变量值。

前述的光伏电站的性能预报及故障报警方法中，步骤g所述的通过Kalman滤波方法对所采用的模型进行在线修正，具体包括以下步骤：

a.计算均方根误差和相关系数，其中x_e和x₀分别代表预测值和测量值

均方根误差：

RMSE = \sqrt{\frac{1}{N} Σ_{t = 1}^{N} {(x_{e} (t) - x_{o} (t))}^{2}}

相关系数：

COR = \frac{Σ_{t = 1}^{N} [x_{o} (t) - {\overset{&OverBar;}{x}}_{o} (t)] [x_{e} (t) - {\overset{&OverBar;}{x}}_{e} (t)]}{\sqrt{Σ_{t = 1}^{N} {[x_{o} (t) - {\overset{&OverBar;}{x}}_{o} (t)]}^{2}} \sqrt{Σ_{t = 1}^{N} {[x_{e} (t) - {\overset{&OverBar;}{x}}_{e} (t)]}^{2}}}

b.将计算的RMSE和COR分别与设定的参考值进行比较，如果大于设定的参考值，则通过Kalman滤波方法进行偏差移除，修正所采用的模型。

前述的光伏电站的性能预报及故障报警方法中，步骤f所述的进行故障报警，将数据及结果进行输出显示具体包括：若光伏电站的实际性能与预测性能的差值超过预定的范围或不满足预定的指标要求，则与故障模型库中的故障类型进行匹配，如果存在相应的故障类型，则输出故障报警信息，进行可视化显示；如果不存在相应的故障类型，则产生新的故障类型，存入临时故障模型库，由专家或技术人员确认后存入正式的故障模型库。

前述的光伏电站的性能预报及故障报警方法中，步骤d所述的CO2减排评估模型通过光伏系统CO2潜力PM的计算方法获得。

前述的光伏电站的性能预报及故障报警方法中，所述的光伏系统CO2潜力PM的计算公式为：

PM＝(H_t×P₀×P_R×N-2525)×MF

式中：

H_t为倾斜方阵面上全年接收到的太阳总辐照量，单位是kWh/(m²·年)；

P₀为光伏系统额定功率，单位是kW；

P_R为系统综合效率；

N为寿命周期年数；

MF为CO2排放指数，单位是kg/KWh；

其中，根据不同种类燃料所发电能或根据发电平均耗煤量来计算所述的CO2排放指数。

前述的光伏电站的性能预报及故障报警方法中，所述方法还包括：在汇流箱的输入端设置数据采集单元，采集各路的直流电压及直流电流参数，从而可以准确定位故障电池板的位置。

与现有技术相比，本发明通过闭环结构，通过不断地对预报模型进行在线修正，从而提高了光伏电站性能预报的准确性，由于本发明可以更加准确的预报太阳能光伏阵列一天之中发电功率随时间的变化曲线(P-t曲线)和累计发电量等指标，那么用户就能够根据P-t曲线和发电量等指标合理安排用电器使用时间，达到最大限度利用太阳能资源和减少用电成本的目的；而且光伏电站的性能预报为故障诊断提供了高精度的数据支持，进而提高了故障诊断的准确性。据大量数据统计表明，采用本发明后，对光伏电站进行性能预报的准确性提高了3％左右。此外，本发明通过将性能预报模型预报得到的曲线与实际测量曲线进行比较以及性能参数进行比较，超出正常范围指标或曲线范围，则判断系统故障；其中根据性能预报模型计算的最大功率曲线与逆变器输出的最大功率曲线进行比较就可以方便的判断逆变器是否故障。另外，本发明主要利用现有数据及历史数据，通过基于数据的数学方法，来实现对光伏电站的性能预报及故障诊断，无需对现有系统进行改造，可行性比较强，而且相对于现有技术来说节约了成本。另外通过当地气候、气象条件，计算一定时期内系统预计发电量等信息，从而可以用来设计系统容量；运行中的光伏电站性能，指通常意义的光伏电站性能，如发电量、发电效率等，通过性能预报，将得到最大功率、最大效率，与逆变器测量的最大跟踪效率、逆变器标称效率相比较，从而可以实现评估安装后的光伏电站性能以及最大跟踪效率和逆变器效率。

附图说明

图1是光伏电站的性能预报及故障报警系统结构示意框图；

图2是数据驱动性能模型的计算流程图；

图3是性能预报及故障报警流程图；

图4是采用经验模型在不同光照条件下预测得到的I-V曲线、P-V曲线及最大功率点；

图5是采用经验模型在不同温度条件下预测得到的I-V曲线、P-V曲线及最大功率点。

下面结合附图和具体实施方式对本发明作进一步的说明。

具体实施方式

本发明的实施例：一种光伏电站的性能预报及故障报警方法，如图1和图3所示，包括以下步骤：

上述方法中，通过经验模型预测光伏电站的性能需要电压、电流温度系数，这些数据可以从生产厂家获取；另外还需要标准测试条件下的开路电压、短路电流、最大功率电压和最大功率电流，这些数据可以在实验室进行测试得到，也可以从生产厂家获取；通过数据驱动性能模型预测光伏电站的性能需要室外测量数据、标准测试数据、生产厂家数据及经验数据，其中所需的室外测量数据包括实时采集到的数据，如总辐射度、温度、风速、逆变器直流输入电压、逆变器直流输入电流、直流输入功率、逆变器交流输出功率(有功)等，当天地理信息数据，如经纬度、海拔等，本地卫星气象预报数据和历史数据，标准测试数据包括短路电流(I_sc)、开路电压(U_oc)、最大功率点电流(I_m)、最大功率点电压(U_m)、最大功率点功率(P_m)，生产厂家数据包括太阳能电池板的开路电压、最佳工作电压、短路电流、最佳工作电流、最大功率及产品规格、温度及系数和逆变器性能参数，经验数据是指经过测试验证过的经验数据及参数；通过多项式回归模型预测光伏电站的性能需要实时采集到的数据包括测量的电池组件的温度及对应的总的太阳入射照度。

步骤e中，所述的通过数据驱动性能模型或多项式回归模型进行光伏电站的性能预测包括：根据通过各个模型所需的参数情况通过其中的一种模型进行性能预报或者通过两种模型同时进行预报，根据各组预报结果的均方根误差和相关系数进行判断，选取最优的一组预报结果。

步骤d所述的经验模型为：

I = I_{sc} - C_{1} \exp (- \frac{V_{oc}}{C_{2}}) [\exp (\frac{V}{C_{2}}) - 1] - - - (1)

C_{2} = \frac{V_{mp} - V_{oc}}{\ln (1 - \frac{I_{mp}}{Isc})} - - - (2)

C_{1} = \frac{I_{sc} - I_{mp}}{\exp (\frac{V_{mp} - V_{oc}}{C_{2}})} - - - (3)

其中：

I——输出电流

V——输出电压

V_oc——开路电压

I_sc——短路电流

V_mp——最大功率电压

I_mp——最大功率电流

C₁——模型系数

C₂——模型系数

为了得到任意工作条件下的电池组件的性能，应用下面的转换方程：

V_oc(T)＝V_oc(T_r)-β_Voc(T_r-T) (4)

I_sc(T)＝I_sc(T_r)[1-α_IscE/E₀(T_r-T)] (5)

V_mp(T)＝V_mp(T_r)-β_Vmp(T_r-T) (6)

I_mp(T)＝I_mp(T_r)[1-α_ImpE/E₀(T_r-T)] (7)

其中：

V_oc(T)——在电池组件温度T条件下的开路电压，V

V_oc(T_r)——在电池组件参考温度T_r条件下的开路电压，V

I_sc(T)——在电池组件温度T条件下的短路电流，A

I_sc(T_r)——在电池组件参考温度T_r条件下的短路电流，A

V_mp(T)——在电池组件温度T条件下的最大工作电压，V

V_mp(T_r)——在电池组件参考温度T_r条件下的最大工作电压，V

I_mp(T)——在电池温度T条件下的最大工作电流，A

I_mp(T_r)——在电池组件参考温度T_r条件下的最大工作电流，A

β_Voc——在参考条件下(SRC)的开路电压温度系数，V/℃

β_Vmp——在参考条件下(SRC)的最大工作电压温度系数，V/℃

α_Lsc——在参考条件下(SRC)的短路电流温度系数，A/℃

α_Imp——在参考条件下(SRC)的最大工作电流温度系数，A/℃

E₀——在电池组件温度T条件下的电池组件平面的标准福照度，1000W/m²

E——在电池组件参考温度T_r条件下的电池组件平面的福照度，W/m²

T——电池组件温度，℃

T_r——电池组件参考温度，℃

利用该经验模型进行计算不需要光伏系统的内部参数，仅利用电池组件制造商提供的数据就可以预测光伏组件的性能参数如V_oc、I_sc、V_mp、I_mp等，应用该模型可以产生除标准测试条件下的其他温度、光照条件下的I-V曲线。

步骤d所述的数据驱动性能模型，其计算流程如图2所示为：

I_sc(E，T_c，AM_a，AOI)＝(E/E_o)f₁(AM_a)f₂(AOI){I_sco+α_Isc(T_c-T_o)} (1)

E_e＝I_sc(E，T_c＝T_o，AM_a，AOI)/I_sco (2)

I_mp(E_e，T_c)＝C₀+E_e{I_mpo+α_Imp(T_c-T_o)} (3)

V_oc(E_e，T_c)＝V_oco+C₁ln(E_e)+β_Voc(T_c-T_o) (4)

V_mp(E_e，T_c)＝V_mpo+C₂ln(E_e)+C₃{ln(E_e)}²+β_Vmp(T_c-T_o) (5)

其中：

E——测量的电池组件平面的福照度，W/m²

E₀——电池组件平面的标准福照度，1000W/m²

E_e——电池组件平面的有效福照度，1000W/m²

f(AM_a)——太阳光谱影响的经验公式：

M_am＝a₀+a₁AM_a+a₂AM_a ²+a₃AM_a ³+a₄AM_a ⁴ (6)

一般对于不同材料和工艺的光伏电池类型，系数a具有不同的固定值，但是选定一组固定值，经过对所有光伏电池实验测试，结果差别并不大；

f(AOI)——太阳入射角影响的经验公式(通过数据拟合得到)

AM_a——绝对空气质量，计算公式为：

AM＝[cos(Z_s)+0.5057·(96.080-Z_s)^-1.634]^-1

\frac{P}{P_{0}} \approx e^{(- 0.0001184 \cdot h)}

A M_{a} = \frac{P}{P_{0}} \cdot AM

其中，AM为大气光学空气质量

Z_s为太阳天顶角

AM_a为绝对空气质量

P为本地大气压力，mmHg

P₀为标准海平面压力，760mmHg

h为地面海拔高度，m

AOI——电池组件的太阳入射角度(通过天文计算得到)

I_sco＝I_sc(E＝1000W/m²，T_c＝T_o℃，AM_a＝1.5，AOI＝0°)

I_mpo＝I_mp(E_e＝1，T_c＝T_o℃)

V_oco＝V_oc(E_e＝1，T_c＝T_o℃)

V_mpo＝V_mp(E_e＝1，T_c＝T_o℃)

T_c——电池组件温度，℃(电池组件温度可以通过大气温度进行估算得到，估算公式：T_m＝T_amb+E_POA·exp(a+b·WS)

T_{c} = T_{m} + \frac{E_{POA}}{E} VT

其中，T_m：太阳能电池板后表面温度(也可以通过测量得到)

T_amb：大气温度

T_c：电池组件温度

E_POA：太阳辐射度

WS：风速

E₀：标准条件下太阳辐射度

VT：标准条件下T_c与T_m之间的温度差)

T₀——电池组件参考温度，℃

α_Isc——I_sc短路电流温度系数，A/℃

α_Imp——I_mp温度系数，A/℃

β_Voc——V_oc开路电压温度系数，V/℃

β_Vmp——V_mp温度系数，V/℃

C₀——I_mp与光照度的模型系数

C₁——V_oc与光照度的模型系数

C₂，C₃——V_mp与光照度的模型系数

数据驱动性能模型的优点是所涉及的各种因素比较全面，预测结果准确性高；能够用来设计新系统；能够评估安装后的光伏阵列性能；能够连续监测比较光伏阵列实际性能与预报性能指标；有助于评估最大功率跟踪效率和逆变器效率等，从而实现预报逆变器等其他光伏器件的故障情况。

步骤e所述的多项式回归模型为：

P = A + B T_{c} \cdot H_{i} + C H_{i} + D H_{i}^{2}

其中

T_c——电池组件温度，℃

H_i——总的入射照度

A，B，C，D——通过最小二乘法确定的多项式系数

当标准测试数据、生产厂家数据及经验数据等这些基本参数无法获取但具有大量可用的实时采集到的数据时，该模型可以实现光伏电站的性能预报。

上述模型中，倾斜面上太阳辐射度的计算方法如下：

首先计算日角：

θ＝2πt/365.2422， (1)

t＝N-N₀ (2)

其中，

θ——日角，

N——积日，就是日期在年内的顺序号，要注意平年和闰年的差异，

N₀＝79.6764+0.2422×(年份-1985)-INT((年份-1985)/4) (3)

其次计算太阳赤纬角(日地中心的连线与赤道面间的夹角每天都处于变化之中，这个角度称为太阳赤纬角)：

E_D＝0.3723+23.2567sinθ+0.1149sin2θ-0.1712sin3θ

-0.758cosθ+0.3656cos2θ+0.0201cos3θ (4)

其中，θ为日角。

水平面上的太阳辐射总量H与直接辐射量H_b和天空散射辐射量H_d的关系：

H＝H_b+H_d (5)

而倾斜面上的太阳辐射总量H_T由直接辐射量H_bT、天空散射辐射量H_dT及地面上直接辐射量H_rT三部分组成：H_T＝H_bT+H_dT+H_rT (6)

H_bT与水平面上直接辐射量H_b之间有如下关系：H_bT＝H_b·R_b (7)

对于朝向赤道的倾斜面，二者的比值由下式确定：

式中，R_b为辐射因子，与当地纬度

太阳电池倾角β，太阳赤纬角E_d等有关。

水平面上日落时角：

倾斜面上日落时角：

H_{dT} = H_{d} [\frac{(H - H_{d})}{H_{0}} R_{b} + \frac{1}{2} (1 + \cos β) (1 - \frac{(H - H_{d})}{H_{0}})] - - - (11)

式中，H_d和H分别为水平面上散射辐射及总辐射量，H₀为大气层外水平面上辐射量，

可由下式求出：

式中，I_sc为太阳常数；

地面反射辐射量的表达式为：

H_{rT} = \frac{1}{2} ρH (1 - \cos β) - - - (13)

式中，ρ为地面反射率，一般情况下ρ＝0.2

将式(7)、(11)、(13)代入(6)即可得到倾斜面上太阳辐射总量的表达式：

H_{T} = H_{b} \cdot R_{b} + H_{d} [\frac{H_{b}}{H_{0}} \cdot R_{b} + \frac{1}{2} (1 + \cos β) (1 - \frac{H_{b}}{H_{0}})] + \frac{ρ}{2} H (1 - \cos β) - - - (14)

由以上各公式，结合各地的水平面直接辐射和散射辐射数据，可计算出各地在不同倾角的斜面上太阳辐射量，将各月辐射求和得全年总辐射量，倾斜面上太阳辐射度计算方法，只要获取当地气象站的水平面辐射量值，就可以计算出当地倾斜面上太阳辐射度，在没有辐射度测量仪的情况下或在设计新系统时，该方法非常有用。

上述方法中，步骤e还包括：在通过数据驱动性能模型或多项式回归模型进行光伏电站的性能预测前，对数据进行数据预处理，所述的数据预处理包括：数据格式标准化及剔除极限误差，从而可以进一步提高光伏电站性能预报的准确性。

上述方法中，所述的剔除极限误差通过以下步骤实现：

偏态细数

α = \frac{v_{3}}{σ^{3}} = \frac{Σ_{i = 1}^{n} {(x_{i} - \overset{&OverBar;}{x})}^{3} f_{i}}{Σ_{i = 1}^{n} f_{i} g σ^{3}},

平均数

\overset{&OverBar;}{x} = \frac{x_{1} f_{1} + x_{2} f_{2} + . . . . . . + x_{n} f_{n}}{f_{1} + f_{2} + . . . . . . + f_{n}} = \frac{Σ_{i = 1}^{n} x_{i} f_{i}}{Σ_{i = 1}^{n} f_{i}}

标准差

σ = \sqrt{\frac{Σ_{i = 1}^{n} {(x_{i} - \overset{&OverBar;}{x})}^{2} f_{i}}{Σ_{i = 1}^{n} f_{i}}}

若f_i＝1，则

σ = \sqrt{\frac{Σ_{i = 1}^{n} {(x_{i} - \overset{&OverBar;}{x})}^{2}}{n}}

当α＝0时，分布对称；

当α＞0时，表示正偏离差值较大，可以判断为正偏或右偏；

当α＜0时，表述负偏离差值较大，可以判断为负偏或左偏；

偏态系数α的数值一般在0到±3之间，α越接近0，分布的偏斜度越小；α越接近于±3，分布的偏斜度越大；

b.按以下方式进行剔除：

当α＝0时，分布对称；

如果x_i＞3σ，则将该值剔除

当α≠0时

如果x_i＞M_o且x_i＞3σ+kα·σ(其中，k为可调系数，它的数值在0.5～1之间)，则将该值剔除；

其中，M_o为一组数据中出现次数最多的变量值。

上述方法中，步骤g所述的通过Kalman滤波方法对所采用的模型进行在线修正，具体包括以下步骤：

a.计算均方根误差和相关系数，其中x_e和x_o分别代表预测值和测量值

均方根误差：

RMSE = \sqrt{\frac{1}{N} Σ_{t = 1}^{N} {(x_{e} (t) - x_{o} (t))}^{2}}

Claims

1. 一种光伏电站的性能预报及故障报警方法，其特征在于，包括以下步骤：

c，通过读取数据库相应区域的标签数据判断该数据库中是否具有采集到的历史数据或实时数据，所述的采集到的历史数据或实时数据包括：总辐射度、温度、风速、逆变器直流输入电压、逆变器直流输入电流、直流输入功率、逆变器交流输出有功功率；

d，若a中光伏电站的状态为设计新的光伏电站并且c为否定的，则通过经验模型与CO2减排评估模型进行光伏电站的性能预测，若a中光伏电站的状态为设计新的光伏电站并且c为肯定的，则通过数据驱动性能模型与CO2减排评估模型进行光伏电站的性能预测，所述的光伏电站的性能包括：发电功率随时间的变化曲线即P-t曲线、累计发电量、发电效率、逆变器最大跟踪效率及CO2减排量；

g，若光伏电站的性能预测值与实际值的均方根误差和相关系数大于设定的参考值，则通过Kalman滤波方法对所采用的模型进行在线修正并转至c，否则直接转至c。

2. 根据权利要求1所述的光伏电站的性能预报及故障报警方法，其特征在于，步骤c中所述的实时数据通过串口或OPC采集。

3. 根据权利要求2所述的光伏电站的性能预报及故障报警方法，其特征在于，步骤e还包括：在通过数据驱动性能模型或多项式回归模型进行光伏电站的性能预测前，对数据进行数据预处理，所述的数据预处理包括：数据格式标准化及剔除极限误差。

4. 根据权利要求3所述的光伏电站的性能预报及故障报警方法，其特征在于，所述的剔除极限误差通过以下步骤实现：

a. 计算数据分布的偏度系数：设原始数据被分成n组，各组的变量值分别为

Figure 2012100363326100001DEST_PATH_IMAGE002

，各组变量值出现的次数分别为

Figure 2012100363326100001DEST_PATH_IMAGE004

，其中

偏度系数

Figure 2012100363326100001DEST_PATH_IMAGE006

，平均数

Figure 2012100363326100001DEST_PATH_IMAGE008

标准差

Figure 2012100363326100001DEST_PATH_IMAGE010

若

=1，则

Figure 2012100363326100001DEST_PATH_IMAGE014

当

Figure 2012100363326100001DEST_PATH_IMAGE016

时，分布对称；

当

时，表示正偏离差值较大，可以判断为正偏或右偏；

当

时，表述负偏离差值较大，可以判断为负偏或左偏；

偏度系数

的数值在0到之间，越接近0，分布的偏斜度越小；

越接近于

，分布的偏斜度越大；

b. 按以下方式进行剔除：

当

时，分布对称；

如果

，则将该值剔除

当

时

如果

且

，其中，k为可调系数，它的数值在0.5~1之间，则将该值剔除；

如果

且，k为可调系数0.5~1之间，则将该值剔除；

其中，为一组数据中出现次数最多的变量值。

5. 根据权利要求4所述的光伏电站的性能预报及故障报警方法，其特征在于，步骤g所述的通过Kalman滤波方法对所采用的模型进行在线修正，具体包括以下步骤：

a.计算均方根误差和相关系数；

b.将计算的均方根误差和相关系数分别与设定的参考值进行比较，如果大于设定的参考值，则通过Kalman滤波方法进行偏差移除，修正所采用的模型。

6. 根据权利要求1所述的光伏电站的性能预报及故障报警方法，其特征在于，步骤f中所述的进行故障报警，将数据及结果进行输出显示具体包括：若光伏电站的实际性能与预测性能的差值超过预定的范围或不满足预定的指标要求，则与故障模型库中的故障类型进行匹配，如果存在相应的故障类型，则输出故障报警信息，进行可视化显示；如果不存在相应的故障类型，则产生新的故障类型，存入临时故障模型库，由专家或技术人员确认后存入正式的故障模型库。

7. 根据权利要求1所述的光伏电站的性能预报及故障报警方法，其特征在于，步骤d中所述的CO2减排评估模型通过光伏系统CO2潜力PM的计算方法获得。

8. 根据权利要求7所述的光伏电站的性能预报及故障报警方法，其特征在于，所述的光伏系统CO2潜力PM的计算公式为：

式中：

为倾斜方阵面上全年接收到的太阳总辐照量，单位是

；

为光伏系统额定功率，单位是kW；

为系统综合效率；

N 为寿命周期年数；

MF为CO2排放指数，单位是

；