CN103455730A - 分布式光伏发电能力评估系统及生成太阳辐射数据的方法 - Google Patents

Abstract

本发明公开了一种分布式光伏发电能力评估系统及生成太阳辐射数据的方法，其可广泛应用于太阳能相关领域的科学研究和工程应用，本发明中，综合运算模块利用代表性气象年月方法对获取的气象指标数据进行运算、分析；评估量化值获取模块对综合运算模块中生成的全年逐日太阳总辐射数据进行叠加、转化，获得评估量化值；分布式光伏发电评价模块将量化值与评价体系进行比对，得到分布式光伏发电能力评价结果。本发明能够广泛适用于各种区域和气候条件下，生成的全年逐日的太阳辐射数据具有代表性，评价结果客观、合理，可以满足分布式光伏发电规划工程应用的需求。

Description

分布式光伏发电能力评估系统及生成太阳辐射数据的方法

技术领域

本发明属于分布式光伏发电规划领域的系统，具体是一种分布式光伏发电能力评估系统及生成太阳辐射数据的方法。

背景技术

能源是人类社会存在与发展的物质基础。根据中国国家统计局2009年国家经济和社会发展统计公报，2012年全年能源消费总量36.2亿吨标准煤，比上年增长3.9%。中国作为世界第二大能源消费国，面临着快速增长的能源需求和日益严重的环境问题的双重压力。太阳能是一种清洁的可再生能源，受到了我国政府的高度重视。我国国土面积2/3以上的年太阳能辐射量超过60亿焦耳/平方米，每年地表吸收的太阳能大约相当于1.7万亿吨标准煤的能量，具有良好的太阳能利用条件，据此，我国光伏发电拥有广阔的应用前景。根据国家发改委的中国可再生能源产业发展报告，我国光伏发电规划目标2020年达到200万千瓦，2040年发电装机容量将超过2亿千瓦。因此，光伏发电规划显得尤为重要。

太阳辐射数据是太阳能应用中最基础、最重要的参数，是地区光伏发电规划、评估光伏发电能力的重要依据。目前，国外多采用通过太阳辐射的实测数据，拟合出太阳辐射经验公式，再利用经验公式预测太阳辐射数据的方法。国内目前在这方面的研究还较少，只有少数地区拟合出了一些简单的太阳辐射经验公式，而这些公式的适用范围受到地域和气候的限制。因此，该领域迫切需要提出一种能够广泛应用的获取太阳辐射数据的方法，用于接入规划的分布式光伏发电能力评估，从而满足太阳能资源利用的需求。

发明内容

发明目的：本发明根据现有发明中明显不足，用一种分布式光伏发电能力评估系统及生成太阳辐射数据的方法能够广泛适用于各种区域和气候条件下，生成的全年逐日的太阳辐射数据具有代表性，评价结果客观、合理，可以满足分布式光伏发电规划工程应用的需求。

技术方案：一种分布式光伏发电能力评估系统及生成太阳辐射数据的方法，

包括：综合运算模块、评估量化值获取模块、分布式光伏发电能力评估模块，其中：

综合运算模块利用代表性气象年月方法对从数据测量仪中获取8种气象指标数据（温度的日最高值、日最低值、日平均值，大气相对湿度的日最低值、日平均值，风速的日最高值、日平均值和太阳辐射的日总辐射值）进行处理、分析，生成地区全年逐日的代表性太阳总辐射数据，并将该数据传输给评估量化值获取模块；

评估量化值获取模块对综合运算模块中生成的数据进行叠加，获得太阳总辐射的年总量，并转化为发电量，即评估量化值；

分布式光伏发电能力评价模块建立评价体系，并将评估量化值中获取模块获得的量化值与评价体系进行比对，得到发电能力评价结果。

所述综合运算模块利用代表性气象年月方法进行计算的步骤包括：

（1）分布函数计算：根据采集的8种气象指标的相关数据，分别计算各个指标各月的长期分布函数和每年该月的短期分布函数；

（2）统计量FS运算：计算历年各月的8种气象指标的统计量FS；

（3）FS值的加权运算：根据计算出的历年各月的8种气象指标的FS值和给定的权重系数，对所有指标的FS值进行加权综合统计，得到加权统计值WS；

（4）候选月的选取：对应于每个月，选取相应的加权统计值WS最小的5个月作为该月的候选月；

（5）代表月的选择：对应于每个月，计算其5个候选月的日总太阳辐射值与其历年的平均值之间的均方根误差，选择误差最小值的月份作为代表月；

（6）代表年的构成：将12个代表月组合起来，构成代表气象年；

（7）代表性辐射数据的生成：根据构成的代表气象年，生成全年逐日的代表性太阳辐射数据。

所述综合运算模块的步骤（1）中的8种气象指标的长期、短期分布函数的计算公式为：

$S_n\left(x\right)=\left\{\begin{array}{cc}0& x<x_1\\ (i-0.5)/n& x_i\&le;x<x_{i+1}\\ 1& x\&GreaterEqual;x_n\end{array}\right.$ (1)式中，Sn(x)是某气象指标x的累积分布值；n是某指标x元素的总个数；i为序数(i=1,2,3,…,n-1)。

所述综合运算模块的步骤（2）中的历年各月的8种气象指标统计量FS的计算公式如下：

${\mathrm{FS}}_x(y,m)=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}|{\mathrm{CDF}}_m\left(x_i\right)-{\mathrm{CDF}}_{y,m}\left(x_i\right)|$ (2)式中，FSx(y,m)是第y年，m月，某气象指标x的FS的统计值；CDFm(xi)是指对于所有观测年的第m月，某气象指标x的长期累积分布值；CDFy,m(xi)是指对于第y年的第m月，某气象指标x的短期累积分布值；N是指第m月的总日数。

所述综合运算模块的步骤（3）中的对8种气象指标的FS值进行加权运算的公式为：

$\mathrm{WS}(y,m)=\frac{1}{M}\underset{x=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{WF}}_x\&CenterDot;{\mathrm{FS}}_x(y,m)$ (3)式中，WS(y,m)是第y年，m月，FS的加权统计值；WFx是某气象指标x的权重；M是所统计的气象指标的总数。

所述综合运算模块的步骤（3）中的8种气象指标的权重系数参见表1。

所述综合运算模块的步骤（5）中的均方根误差的计算公式如下：

$\mathrm{RMSD}={\left[\frac{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{(H_{y,m,i}-H_{\mathrm{ma}})}^2}{N}\right]}^{1/2}$ 4)式中，RMSD是指太阳辐射的均方根误差；Hy,m,i是第y年，m月，i日的总太阳辐射值；Hma是指第m月的日总太阳辐射量历年的均值；N是指第m月的总日数。

所述分布式光伏发电能力评价模块，其评价体系的级制将分布式光伏发电能力等级分为四级，分别为：很强、强、一般和偏弱。

有益效果：

（1）本发明能够广泛适用于各种区域和气候条件下；

（2）其生成的全年逐日的太阳辐射数据具有代表性；

（3）评价结果客观、合理，满足分布式光伏发电规划的实际工程应用。

附图说明

图1为本发明实施例的结构框图；

图2为本发明涉及的分布式光伏发电能力评估系统的综合处理模块中代表性气象年月方法的处理流程图；

图3是具体实施方式中某城市1月份日总太阳辐射量的长期分布函数和短期分布函数的比较图。

具体实施方式

下面结合附图对本发明作进一步详细说明。

图1是本发明涉及的一种用于接入规划的分布式光伏发电能力评估系统的结构框图，包括综合运算模块、评估量化值获取模块、分布式光伏发电能力评价模块，其中，

综合运算模块利用代表性气象年月方法对从数据测量仪中获取8种气象指标数据（温度的日最高值、日最低值、日平均值，大气相对湿度的日最低值、日平均值，风速的日最高值、日平均值和太阳辐射的日总辐射值）进行处理、分析，生成地区全年逐日的代表性太阳总辐射数据，并将该数据传输给评估量化值获取模块；

评估量化值获取模块对综合运算模块生成的全年逐日太阳总辐射数据进行叠加，获得太阳总辐射的年总量，即评估量化值；

分布式光伏发电能力评价模块建立评价体系，并将评估量化值获取模块中获得的量化值与评价体系进行比对，得到分布式光伏发电能力评价结果；分布式光伏发电能力评价模块的评价体系的级制将分布式光伏发电能力等级分为四级，分别为：很强、强、一般和偏弱；分布式光伏发电能力评价模块的评价体系级制见表2。

图2示出了本发明涉及的一种用于接入规划的分布式光伏发电能力评估系统的综合处理模块中代表性气象年月方法的处理流程图。下面对其执行程序具体说明：

1）分布函数计算：根据采集的8种气象指标的相关数据，对气象参数的每个指标x的n个测量值进行升序排列，然后分别计算各个指标各月的长期分布函数和每年该月的短期分布函数；

长期和短期分布函数的计算公式如下：

$S_n\left(x\right)=\left\{\begin{array}{cc}0& x<x_1\\ (i-0.5)/n& x_i\&le;x<x_{i+1}\\ 1& x\&GreaterEqual;x_n\end{array}\right.---\left(1\right)$

式中，Sn(x)是某气象指标x的累积分布值；n是某指标x元素的总个数；i为序数(i=1,2,3,…,n-1)。

2）统计量FS运算：计算历年各月的8种气象指标统计量FS；

统计量FS的计算公式如下：

${\mathrm{FS}}_x(y,m)=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}|{\mathrm{CDF}}_m\left(x_i\right)-{\mathrm{CDF}}_{y,m}\left(x_i\right)|---\left(2\right)$

式中，FSx(y,m)是第y年，m月，某气象指标x的FS的统计值；CDFm(xi)是指对于所有观测年的第m月，某气象指标x的长期累积分布值；CDFy,m(xi)是指对于第y年的第m月，某气象指标x的短期累积分布值；N是指第m月的总日数。

3）FS值的加权运算：根据计算出的历年各月的8种气象指标FS值和给定的权重系数，对所有指标的FS值进行加权综合统计，得到加权统计值WS；

FS值的加权运算的公式如下：

$\mathrm{WS}(y,m)=\frac{1}{M}\underset{x=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{WF}}_x\&CenterDot;{\mathrm{FS}}_x(y,m)---\left(3\right)$

式中，WS(y,m)是第y年，m月，FS的加权统计值；WFx是某气象指标x的权重；M是所统计的气象指标的总数（本发明中为8）。

8种气象指标的权重值可以参考表1。

4）候选月的选取：对应于每个月，选取相应的加权统计值WS最小的5个月作为该月的候选月；

5）代表月的选择：对应于每个月，计算其5个候选月的日总太阳辐射值与其历年的平均值之间的均方根误差，选择误差最小值的月份作为代表月；

均方根误差的计算公式如下：

$\mathrm{RMSD}={\left[\frac{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{(H_{y,m,i}-H_{\mathrm{ma}})}^2}{N}\right]}^{1/2}---\left(4\right)$

式中，RMSD是指太阳辐射的均方根误差；Hy,m,i是第y年，m月，i日的总太阳辐射值；Hma是指第m月的日总太阳辐射量历年的均值；N是指第m月的总日数。

6）代表年的构成：组合12个代表月，则构成代表气象年；

7）代表性辐射数据的生成：根据构成的代表气象年，生成全年逐日的代表性太阳辐射数据。

以中国某城市为例，来说明一种用于接入规划的分布式光伏发电能力评估系统的具体实施过程。该城市安装了数据测量仪，对该城市长期（1994年-2009年）的气象参数进行观测。

从数据测量仪中获得8种气象指标的相关数据：气温的日最高值、日最低值、日平均值，大气压力的日平均值，大气相对湿度的日最低值、日平均值，风速的日最高值、日平均值和太阳辐射的日总辐射值。获取的历年气象数据见表3所示。

表3

综合运算模块利用代表性气象年月方法对获取的该城市8种气象指标数据进行运算、分析，生成该地区全年逐日的代表性太阳总辐射数据，具体过程、结果如下：

（1）分别对各个指标的所有测量值进行升序排列，然后根据公式(1)，计算各个气象指标各月的长期分布函数CDFm和每年该月的短期分布函数CDFy,m。

例如，图3示出了该城市1月份日总太阳辐射量的长期分布函数和短期分布函数的比较图，横轴为日总太阳辐射量，纵轴为累积分布函数值。图中有四条曲线，实线为历年1月份的累积分布函数值；带圆圈的实线为1998年1月份的累积分布函数，其与历年1月份变化最为接近；带叉字符的实线为代表年2005年1月份的累积分布函数；带方块的实线为2008年1月份的累积分布函数，其与历年1月份变化相差最大。

（2）利用公式(2)，计算该城市各个气象指标历年每个月的统计量FS值。例如，表4给出了日总太阳辐射量的FS的计算结果。

表4

（3）根据公式(3)和表1的权重系数，对所有指标的FS值进行加权综合统计，求得的WS值见下表5：

表5

（4）对应于每个月，从表5中选取出相应的WS值最小的5个月作为该月的候选月，候选月的选取结果见表6。

表6

（5）根据公式(4)，计算出表6中5个候选月的对应的均方根误差RMSD，并根据误差RMSD最小来确定代表月。表7给出了均方根误差RMSD的计算结果，加粗的则为代表月。

表7

（6）将表7中的12个代表月组合起来，则构成该地区的代表气象年，表8给出了该城市代表年的构成结果。

表8

（7）根据表8构成的代表性气象年，生成全年逐日的代表性太阳辐射数据。该城市的代表性太阳总辐射数据结果见表9。

表9

评估量化值获取模块对综合运算模块生成的该城市全年逐日太阳总辐射数据进行叠加，即对表9中全年逐日太阳总辐射数据进行叠加，得到辐射量为5662.15MJ/(m2·a)，考虑光伏电池发电效率为12%，转化为发电量为188.74kWh/(m2·a)，即评估量化值为188.74kWh/(m^2.a)。

分布式光伏发电能力评价模块将评估量化值获取模块中获得的该城市的评估量化值与表2中的评价体系进行比对，得到分布式光伏发电能力评价结果；该城市用于接入规划的分布式光伏发电能力为强。

该城市为我们太阳资源较丰富的西部地区，所以分布式光伏发电能力为强是合理的。

Claims (10)

1.一种用于接入规划的分布式光伏发电能力评估系统，其特征在于，包括：综合运算模块、评估量化值获取模块和分布式光伏发电能力评估模块，其中：

综合运算模块：利用代表性气象年月方法对从数据测量仪中获取气象数据，进行处理、分析，生成地区全年逐日的代表性太阳总辐射数据，并将该数据传输给评估量化值获取模块；

评估量化值获取模块：对综合运算模块中生成的数据进行叠加，获得太阳总辐射的年总量，并转化为发电量，即评估量化值；

分布式光伏发电能力评价模块：建立评价体系，并将评估量化值中的获取模块获得的量化值与评价体系进行比对，得到发电能力评价结果。

2.根据权利要求1所述的用于接入规划的分布式光伏发电能力评估系统，其特征在于：所述的分布式光伏发电能力评价模块，将分布式光伏发电能力等级分为四级，分别为很强、强、一般和偏弱。

3.根据权利要求1所述的用于接入规划的分布式光伏发电能力评估系统，其特征在于，所述的分布式光伏发电能力评价模块的评价体系级制见表1，

表1评价体系级制

4.根据权利要求1所述的用于接入规划的分布式光伏发电能力评估系统，其特征在于，所述的综合运算模块中获取的气象数据包括8种气象数据：温度的日最高值、日最低值、日平均值，大气相对湿度的日最低值、日平均值，风速的日最高值、日平均值和太阳辐射的日总辐射值。

5.一种用于如权利要求1-4任意一项所述的综合运算模块的生成代表性太阳辐射数据的方法，其特征在于，包括如下步骤：

（1）根据采集的8种气象指标的相关数据，分别处理得到各个指标：各月的长期分布函数和每年该月的短期分布函数；

（2）处理得到历年各月的8种气象指标的统计量FS；

（3）对所述FS值的进行加权处理：根据历年各月的8种气象指标的FS值和给定的权重系数，对所有指标的FS值进行加权综合统计，得到加权统计值WS；

（4）对应于每个月，选取相应的加权统计值WS最小的5个月作为该月的候选月；

（5）对应于每个月，求其5个候选月的日总太阳辐射值与其历年的平均值之间的均方根误差，选择误差最小值的月份作为代表月；

（6）将12个代表月组合起来，构成代表气象年；

（7）根据构成的代表气象年，生成全年逐日的代表性太阳辐射数据。

6.根据权利要求5所述的综合运算模块的生成代表性太阳辐射数据的方法，其特征在于，所述步骤1中，处理得到8种气象指标的长期、短期分布函数的方法为：

$S_n\left(x\right)=\left\{\begin{array}{cc}0& x<x_1\\ (i-0.5)/n& x_i\&le;x<x_{i+1}\\ 1& x\&GreaterEqual;x_n\end{array}\right.$

式中，S_n(x)是某气象指标x的累积分布值；n是某指标x元素的总个数；i为序数(i=1,2,3,…,n-1)。

7.根据权利要求5所述的综合运算模块的生成代表性太阳辐射数据的方法，其特征在于，所述步骤2中，处理得到历年各月的8种气象指标统计量FS的方法为：

${\mathrm{FS}}_x(y,m)=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}|{\mathrm{CDF}}_m\left(x_i\right)-{\mathrm{CDF}}_{y,m}\left(x_i\right)|$

式中，FS_x(y,m)是第y年，m月，某气象指标x的FS的统计值；CDF_m(x_i)是指对于所有观测年的第m月，某气象指标x的长期累积分布值；CDF_y,m(x_i)是指对于第y年的第m月，某气象指标x的短期累积分布值；N是指第m月的总日数。

8.根据权利要求5所述的综合运算模块的生成代表性太阳辐射数据的方法，其特征在于，所述步骤3中，对所述FS值的进行加权处理中，对8种气象指标的FS值进行加权的方法为：

$\mathrm{WS}(y,m)=\frac{1}{M}\underset{x=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{WF}}_x\&CenterDot;{\mathrm{FS}}_x(y,m)$

式中，WS(y,m)是第y年，m月，FS的加权统计值；WF_x是某气象指标x的权重；M是所统计的气象指标的总数。

9.根据权利要求5所述的综合运算模块的生成代表性太阳辐射数据的方法，其特征在于，所述步骤3中，8种气象指标的权重系数如表2，

表2气象指标的权重系数

10.根据权利要求5所述的综合运算模块的生成代表性太阳辐射数据的方法，其特征在于，其特征在于，所述步骤5中，所述的均方根误差的求解方法如下：

$\mathrm{RMSD}={\left[\frac{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{(H_{y,m,i}-H_{\mathrm{ma}})}^2}{N}\right]}^{1/2}$

式中，RMSD是指太阳辐射的均方根误差；H_y,m,i是第y年，m月，i日的总太阳辐射值；H_ma是指第m月的日总太阳辐射量历年的均值；N是指第m月的总日数。

Images