CN104408562B - 一种基于bp神经网络的光伏系统发电效率综合评估方法 - Google Patents
一种基于bp神经网络的光伏系统发电效率综合评估方法 Download PDFInfo
- Publication number
- CN104408562B CN104408562B CN201410689756.1A CN201410689756A CN104408562B CN 104408562 B CN104408562 B CN 104408562B CN 201410689756 A CN201410689756 A CN 201410689756A CN 104408562 B CN104408562 B CN 104408562B
- Authority
- CN
- China
- Prior art keywords
- msub
- mrow
- index
- neural network
- photovoltaic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000011156 evaluation Methods 0.000 claims abstract description 88
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 239000010410 layer Substances 0.000 claims description 68
- 210000002569 neuron Anatomy 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 14
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 7
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 5
- 239000011229 interlayer Substances 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 230000005611 electricity Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 230000001537 neural effect Effects 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 239000000428 dust Substances 0.000 claims description 3
- 229910052742 iron Inorganic materials 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000002834 transmittance Methods 0.000 claims description 3
- 230000006698 induction Effects 0.000 claims description 2
- 238000000205 computational method Methods 0.000 claims 1
- 239000012141 concentrate Substances 0.000 claims 1
- 238000013461 design Methods 0.000 abstract description 6
- 238000010248 power generation Methods 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 abstract description 3
- 230000008901 benefit Effects 0.000 abstract description 2
- 230000006872 improvement Effects 0.000 abstract description 2
- 230000015572 biosynthetic process Effects 0.000 abstract 1
- 238000003786 synthesis reaction Methods 0.000 abstract 1
- 230000007935 neutral effect Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 3
- 238000010835 comparative analysis Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013211 curve analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明公开了一种基于BP神经网络的光伏系统发电效率综合评估方法,使用BP神经网络实现对各评估指标的权重赋值,能够在训练过程中逐渐消弭人为因素对赋权的影响,实现权值修正,实现了对光伏发电系统的分级以及整体效率评估,能够有效判断光伏系统及其关键设备所处的运行效率水平,揭示影响光伏系统及其关键设备效率水平的关键因素,探索发电效率改进策略,促进光伏系统及其关键设备发电效率的提升。该方法能够为任一光伏电站提供可靠精准的多项量效率分析和综合评估分析结果,为光伏电站运维决策提供理论依据,为光伏电站设计优化提供数据支撑,进而提升光伏电站发电效率,提高发电量,增加经济效益,具有较强的应用价值。
Description
技术领域
本发明光伏系统发电效率整体评估技术领域,具体涉及一种基于BP神经网络的光伏系统发电效率综合评估方法。
背景技术
我国太阳能资源非常丰富,其开发利用的潜力非常广阔,近几年我国光伏产业发展迅猛,大型光伏电站实现了跨越式的发展,全国各地出现很多兆瓦级以上电站,2011年国内光伏发电新增装机容量已超过2GW,随着光伏电站的补贴模式从电站建设补贴过渡到发电度电补贴,越来越多的投资业主开始关注光伏电站的运营管理,对于大批进入运营阶段的光伏电站,需要考虑如何保证电站在其设计的全寿命周期内最大限度发挥功效,并为业主带来直接收益的问题,而最大限度发挥功效,即是实现光伏系统发电效率最大、发电量最大。因此,电站运行状况检测、电站运行性能分析和系统发电效率评估将成为运营阶段的重点研究工作。
光伏电站系统效率是表征光伏电站运行性能的最终指标,在电站容量和光辐照量一致的情况下,系统效率越高代表发电量越大,因此,分析影响光伏系统发电效率的关键因素,针对系统发电效率进行综合评估,进而提升系统发电效率是光伏电站设计及运维管理的重点,本发明重点就光伏电站发电效率综合评估进行分析研究。
目前,国内外针对光伏系统发电效率评估的研究尚处于起步阶段,评估指标体系尚不完善,我国已有的效率评估指标体系多是从某一特定角度进行评估,指标设计分类不够,缺乏相对完整的客观评估依据,且在针对光伏电站累积的海量数据进行统计分析过程中,易筛掉部分有用信息。
发明内容
本发明的目的是提供一种基于BP神经网络的光伏系统发电效率综合评估方法,以解决现有光伏系统发电效率评估结果存在评估指标体系不完善、评估结果误差较大、不能有效指导电站运维与设计的问题。
为了实现以上目的,本发明所采用的技术方案是:一种基于BP神经网络的光伏系统发电效率综合评估方法,包括如下步骤:
(1)选取评估指标集:利用评估指标间的显著性检验将直接或间接关乎光伏系统发电效率的影响因素分成n类,然后对每一类选取若干相关指标,形成指标集,并根据光伏系统发电效率评估指标集建立评估指标体系;
(2)构建评估标准集:对应评估指标集设定每一项评估指标的理想取值范围;
(3)利用BP神经网络算法对各评估指标权值进行调整:将影响待评估对象效率的指标作为BP神经网络输入层神经元建立神经网络模型,并进行神经网络训练,在学习过程中对权值不断调整更新;
(4)采集一组对应于待评估对象的评估指标的实测值输入已训练好的BP神经网络评估模型中,BP神经网络的输出值即为待评估对象的实际效率值,将该效率值与评估标准集中对应的设定值比较,分析得出效率评估结论。
所述步骤(1)中每一类指标中既有定量指标,又有定性指标,将各指标通过非参数检验方法进行优化,并以抽样方法将定性指标转换为可定量的指标,形成指标集。
所述BP神经网络模型为三层结构,包括输入层、隐含层和输出层,输入层包括评估标准集中各待评估对象对应的评估指标,输出层为各待评估对象的效率。
对BP神经网络进行训练时,首先搜集若干组待评估对象评估指标的实测值{Xi}作为样本,并根据评估标准集确定对应的期望输出;然后对{Xi}进行标准化处理,消除量纲后得到{xi};之后将{xi}作为学习样本输入到BP神经网络模型中对BP神经网络进行训练。
将光伏系统发电效率评估指标体系中的各评估指标按照增长型X1、降落型X2、中心型X3三种指标类型进行划分,当指标的实测值为Xi时,其相应的无量纲化属性值xi为:
增长型指标,对于任意的Xi∈X1,
降落型指标,对于任意的Xi∈X2,
中心型指标,对于任意的Xi∈X3,
其中,Xmax、Xmin分别为各指标在各自论域上确定的最大值和最小值。
所述BP神经网络的隐含层激活函数选择双曲正切S型传递函数tansig;输出层激活函数选择对数S型传递函数logsig;训练函数选择梯度下降函数traingd,则BP网络输入net与输出y的关系如下:
net=x1*w1+x2*w2+...+xn*wn
其中,x1、x2……xn为各层间评估指标的实测无量纲化属性值,w1、w2……wn为各层间初始连接权值。
在BP神经网络的训练过程中,当实际输出与期望输出不符时,进入误差的反向传播阶段,误差通过输出层,按误差梯度下降的方式修正各层权值,并向隐含层、输入层逐层反传,直至误差达到预设精度或学习次数大于设定的最大次数时结束训练过程。
若待评估对象为光伏系统,则输入层神经元包括环境因素、光伏阵列、交/直流线缆、光伏并网逆变器、变压器和光伏系统自身损耗31个输入变量,所述环境因素包括环境温度、太阳辐照度、风速、风向、降雨量;光伏阵列包括阵列之间的阴影遮挡、组件表面污渍和灰尘遮挡、组件温度、组件热斑、组件相对透射率、组件功率衰减、组件隐裂、组件分段串并联失配、光伏组串最大功率跟踪点偏离;交/直流线缆包括线缆长度、线径、电阻率、阻抗、感抗;光伏并网逆变器包括功率因数、MPPT精度、逆变器转换效率、内部IGBT损耗、低功率运行时间和输入功率;变压器包括铁损空载损耗、短路损耗、负载值和输入功率;光伏系统自身损耗包括设备故障率和电网检修率;隐含层神经元数目为16,输出层神经元数目为1。
若待评估对象为光伏阵列、交/直流线缆、光伏并网逆变器、变压器的任一单一设备,则其输入层神经元为其包括的各输入变量。
本发明的基于BP神经网络的光伏系统发电效率综合评估方法实现了对光伏发电系统的分级以及整体效率评估,能够有效判断光伏系统及其关键设备所处的运行效率水平,揭示影响光伏系统及其关键设备效率水平的关键因素,探索发电效率改进策略,促进光伏系统及其关键设备发电效率的提升。该方法能够为任一光伏电站提供可靠精准的多项量效率分析和综合评估分析结果,为光伏电站运维决策提供理论依据,为光伏电站设计优化提供数据支撑,进而提升光伏电站发电效率,提高发电量,增加经济效益,具有较强的应用价值。
该方法使用BP神经网络实现对各评估指标的权重赋值,能够在训练过程中逐渐消弭人为因素对赋权的影响,实现权值修正,即使评估指标发生变化,也能通过具有自适应性与学习能力的BP神经网络快速得到学习样本模式,实现权值更新。
附图说明
图1是光伏系统发电效率综合评估流程图;
图2是光伏系统效率评估指标体系图;
图3是逆变器效率单项评估流程图。
具体实施方式
下面结合附图及具体的实施例对本发明进行进一步介绍。
如图1所示,本发明的基于BP神经网络的光伏系统发电效率综合评估方法主要由评估指标集选取,评估指标体系建立,评估标准集构建,利用BP神经网络实现评估指标权值更新,建立光伏系统发电效率单项及综合评估模型,生成评估结果以指导决策构成,各步骤具体分析如下:
(1)选取评估指标集:利用评估指标间的显著性检验将直接或间接关乎光伏系统发电效率的影响因素分成n类,然后对每一类选取若干相关指标,形成指标集,并根据光伏系统发电效率评估指标集建立评估指标体系。
评估指标的选择直接影响到光伏系统效率评估的实现。选择评估指标要重视单个指标的代表意义和整个指标体系的内部结构,评估指标的选择遵循下述原则:真实性原则,指标选取要确实能够影响光伏系统发电效率,同时力求消除人为主观影响;间接性原则,在充分反映效率的前提下,指标选取的数量不宜过多,便于计算分析;可比性原则,关于发电效率的评估指标要保证时间、计量单位、计算内容等的一致性;可操作原则,选取的指标必须能够获取相应的数据信息,即应该考虑指标数据能否获取,无论是直接获取,还是通过计算获取,或是间接通过专家评判获取。
根据《并网光伏电站性能检测和质量评估技术规范(草案)》所述以及实际工程经验,并利用评估指标间的显著性检验将直接或间接关乎光伏系统发电效率的影响因素分成六类:环境因素,如环境温度、太阳辐照度、风速、风向、降雨量;光伏阵列环节,包括阵列之间的阴影遮挡、组件表面污渍和灰尘遮挡、组件温度、组件热斑、组件相对透射率、组件功率衰减、组件隐裂、组件分段串并联失配、光伏组串最大功率跟踪点偏离;交/直流线缆损耗,影响因子包括线缆长度、线径、电阻率、阻抗、感抗;光伏并网逆变器环节,影响因子有功率因数、MPPT精度、逆变器转换效率、内部IGBT损耗、低功率运行时间、输入功率;变压器环节的影响因子有变压器自身损耗,包括铁损(空载损耗)、铜损(短路损耗),还有负载情况、输入功率;光伏系统自身损耗,包括设备故障率、电网检修率。
若待评估对象为光伏阵列、交/直流线缆、光伏并网逆变器、变压器的任一单一设备,则其评估指标为其包括的各输入变量。
然后上述每一类的指标既有定量指标,又有定性指标,对各定性和定量指标通过非参数检验方法进行优化,并通过工程实践经验,以抽样方法将定性指标转换为可定量的指标,形成一个较全面的、分级的指标集。
以多个运营中光伏电站的实时监测数据与历史运行数据为基础,通过海量数据的挖掘分析与处理,根据光伏系统发电效率评估指标集建立多角度、立体化的评估指标体系,形成三级结构,能够较全面覆盖光伏系统发电效率的影响因素,实现对光伏系统及关键设备的发电效率及运行状况的考评,以激励优化关键设备运行效率,如图2所示。
(2)构建评估标准集:评估标准集明确了待评估对象,如关键环节与光伏系统的发电效率应该达到的水平范围。依托光伏电站建设与运营项目,利用光伏专家知识库,以及各关键环节发电效率简单计算方法,抽取二十组效率数据,将光伏系统发电效率评估标准集对应于评估指标集,给出每一项评估指标的理想取值范围,如表1所示。
表1待评估对象的标准集简表
(3)利用BP神经网络算法对各评估指标权值进行调整:将影响待评估对象效率的指标作为BP神经网络输入层神经元建立神经网络模型,并进行神经网络训练,在学习过程中对权值不断调整更新。
在指标体系评估过程中,各个指标所起的作用和影响程度是不同的,为了评估的科学性,通常需要对不同的指标赋予不同的权重。常规方法是通过行业专家根据经验确定待评估对象的指标权重值,但由于知识和工程数据的缺乏以及专家经验不足等情况,该常规方法带有一定的主观偏好性,指标权重缺乏科学性与客观性,且随着时间的推移,各指标对待评估对象的影响程度也会发生变化,确定的初始权重不一定符合实际情况。因此,本发明将神经网络评估法应用于评估指标权重赋值,BP神经网络是一种多层次反馈型网络,通过其自学习、自组织能力,能够根据样本模式逐渐调整权值,使神经网络具有较强的适用性、良好的容错能力、卓越的处理能力。该方法能够在训练过程中逐渐消弭人为因素对赋权的影响,实现权值修正。
本实施例通过计算二十组不同时段、不同天气状况下实际工程中各评估指标值与各效率值,通过粗略计算得出每个指标分别相对关键设备效率与系统效率的权重,将此作为BP神经网络中各层之间的初始连接权值。然后,遵循评估指标体系搜集学习样本,消除量纲,输入BP神经网络,按照BP算法进行训练,神经网络在外界输入样本的刺激下不断改变网络的连接权值,以使网络的输出不断地接近期望的输出。
针对系统效率进行评估的BP神经网络算法的具体步骤简介如下:
1)首先根据光伏系统评估指标体系的最细化指标数目作为BP网络输入层神经元数目,此处取值为31。其次在BP网络的隐含层,选取隐含层神经元数时既要考虑BP网络的精确度,又要兼顾网络的学习效率。遵循隐含层神经元数的确定规则:隐含层的神经元数目大于等于输入层神经元和输出层神经元数目和的一半,小于输入层神经元和输出层神经元数目的和。本发明中隐含层神经元数的取值为16。最后,将输出层的神经元数目设置为1。
当评估关键环节效率时,需要将影响关键环节效率的指标作为样本输入,重新训练神经网络,更新权值。关键环节效率评估包括光伏阵列效率、交直流线路传输效率、逆变器效率、变压器效率。
2)搜集二十组待评估光伏系统的评估指标实测值{Xi}作为样本,并利用评估标准集确定对应的期望输出值。
3)对{Xi}进行标准化处理,即消除量纲。
由于待评估对象的各个特征指标之间没有统一的度量标准,无法进行综合比较,为使各评估指标在整个系统中具有可比性,应在完成数据采集工作后,先对评估指标特征值进行标准化处理,如按某种隶属度函数将其归一化到某一无量纲区间,如[0,1]。
已知光伏系统的效率评估指标中有取值越大越好的增长型指标,如太阳辐照度;也有取值越小越好的降落型指标,如阵列之间的阴影遮挡率;还有取值稳定在某一固定中心为最好的中心型指标,如光伏组串最大功率跟踪点偏离值。将光伏系统效率评估指标体系中的各指标按照上述三种指标类型进行划分,共计X1、X2、X3三种指标集合。为了将各评估指标转化为无量纲属性值,定义每个指标的实际值为Xi,首先在它们的论域上确定各自的最大值Xmax和最小值Xmin。则相应的无量纲化属性值为:
增长型指标,对于任意的Xi∈X1,
降落型指标,对于任意的Xi∈X2,
中心型指标,对于任意的Xi∈X3,
4)正向传播:首先将归一化处理过的{xi}作为BP网络的学习样本输入BP神经网络。隐含层的激活函数选择双曲正切S型传递函数tansig,它把神经元的输入范围从(-∞,+∞)映射到(-1,1);输出层的激活函数选择对数S型传递函数logsig,它把神经元的输入范围从(-∞,+∞)映射到(0,1);训练函数选择梯度下降函数traingd。则BP网络输入net与输出y的关系如下:
net=x1*w1+x2*w2+…+xn*wn (4)
x1、x2……xn为各层间评估指标的实测无量纲化属性值,w1、w2……wn为各层间初始连接权值,该权值是通过工程数据抽样确定的。
对神经网络进行训练时应该将net的值尽量控制在收敛比较快的范围内。通过上述输入与输出的关系,计算隐含层和输出层的输入、输出。
5)反向传播误差量:在BP神经网络的训练过程中,当实际输出与期望输出不符时,进入误差的反向传播阶段,误差通过输出层,按误差梯度下降的方式修正各层权值,并向隐含层、输入层逐层反传。
周而复始的信息正向传播和误差反向传播过程,是各层权值不断调整的过程,也是神经网络学习训练的过程,直至网络全局误差达到预设精度或学习次数大于设定的最大次数时结束训练过程。
上述神经网络训练得到的权值是各层神经元之间的关系,还需利用以下几项参考系数来计算得到评估指标的权重。
相关显著性系数:
相关指数:
绝对影响系数:
2、其中,i为输入层,i=1,2,…,m;j为输出层,j=1,2,…,l,此处取1;k为隐含层,k=1,2,…,p;wki为输入层神经元i与隐含层神经元k之间的权值;wjk为隐含层神经元k与输出层神经元j之间的权值。该绝对影响系数Sij即是所要求的评估指标对应待评估对象的权值,该权值是通过实例学习获得,不仅可以模拟专家进行定量评估,而且避免了专家经验赋权的主观影响,其指标权值不是一成不变的。
(4)采集一组对应于待评估对象的评估指标的实测值输入已训练好的BP神经网络评估模型中,BP神经网络的输出值即为待评估对象的实际效率值,将该效率值与评估标准集中对应的设定值比较,分析得出效率评估结论。
最后,利用BP神经网络测试单环节效率和综合效率值,并给出效率评估结论,可指导光伏电站的运维决策,对比评估不同电站的运行效率,为深入分析不同电站运行效率不同的原因和电站设计与施工方案优化提供数据支撑。比如,将发电效率和发电总量与电站问题联系在一起,可以有针对性得判断出电站出现的问题。如图3所示,例如逆变器单项评估的内容至少包括两种,一是判断逆变器转换效率是否处于稳定的临界输入直流功率;二是判断逆变器转换效率是否达到组件曝辐量范围。再例如,经效率计算发现某关键设备发电效率为0,简单的效率评估结论为“该关键设备发电效率明显低下”,结合其他关键设备与光伏系统的效率值,可深入分析,判定该设备是否出现严重故障,以致停运,还可进一步通过效率曲线分析计算该设备的失效时间,并作出及时更换和淘汰低效设备的决策,保障电站全生命周期发电稳定性;根据评估结论指导光伏电站的运维决策,可以协助实现预防性报警,规避潜在电站风险,保障电站安全平稳运行;对比评估不同电站的运行效率,若效率低于理想值,应及时优化系统。
以上实施例仅用于帮助理解本发明的核心思想,不能以此限制本发明,对于本领域的技术人员,凡是依据本发明的思想,对本发明进行修改或者等同替换,在具体实施方式及应用范围上所做的任何改动,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于BP神经网络的光伏系统发电效率综合评估方法,其特征在于,包括如下步骤:
(1)选取评估指标集:利用评估指标间的显著性检验将直接或间接关乎光伏系统发电效率的影响因素分成n类,然后对每一类选取若干相关指标,形成指标集,并根据光伏系统发电效率评估指标集建立评估指标体系;
(2)构建评估标准集:对应评估指标集设定每一项评估指标的理想取值范围;
(3)利用BP神经网络算法对各评估指标权值进行调整:将影响待评估对象效率的指标作为BP神经网络输入层神经元建立神经网络模型,并进行神经网络训练,在学习过程中对权值不断调整更新;
(4)采集一组对应于待评估对象的评估指标的实测值输入已训练好的BP神经网络评估模型中,BP神经网络的输出值即为待评估对象的实际效率值,将该效率值与评估标准集中对应的设定值比较,分析得出效率评估结论;
步骤(3)中所述评估指标权值的计算方法为:
i)根据各层神经元之间的权重系数计算得到相关显著性系数rij,计算公式为
ii)根据步骤i)中的相关显著性系数计算得到相关指数Rij,计算公式为
iii)根据步骤ii)中的相关指数计算得到绝对影响系数Sij,计算公式为
其中,i为输入单元,i=1,2,…,m;j为输出单元,j=1,2,…,l;k为隐含单元,k=1,2,…,p;wki为输入层神经元i与隐含层神经元k之间的权值;wjk为隐含层神经元k与输出层神经元j之间的权值;所述绝对影响系数即是所述评估指标权值。
2.根据权利要求1所述的基于BP神经网络的光伏系统发电效率综合评估方法,其特征在于:所述步骤(1)中每一类指标中既有定量指标,又有定性指标,将各指标通过非参数检验方法进行优化,并以抽样方法将定性指标转换为可定量的指标,形成指标集。
3.根据权利要求1所述的基于BP神经网络的光伏系统发电效率综合评估方法,其特征在于:所述BP神经网络模型为三层结构,包括输入层、隐含层和输出层,输入层包括评估标准集中各待评估对象对应的评估指标,输出层为各待评估对象的效率。
4.根据权利要求3所述的基于BP神经网络的光伏系统发电效率综合评估方法,其特征在于:对BP神经网络进行训练时,首先搜集若干组待评估对象评估指标的实测值{Xi}作为样本,并根据评估标准集确定对应的期望输出;然后对{Xi}进行标准化处理,消除量纲后得到{xi};之后将{xi}作为学习样本输入到BP神经网络模型中对BP神经网络进行训练。
5.根据权利要求4所述的基于BP神经网络的光伏系统发电效率综合评估方法,其特征在于:将光伏系统发电效率评估指标体系中的各评估指标按照增长型X1、降落型X2、中心型X3三种指标类型进行划分,当指标的实测值为Xi时,其相应的无量纲化属性值xi为:
增长型指标,对于任意的Xi∈X1,
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
<mrow>
<msub>
<mi>X</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
</mfrac>
</mrow>
降落型指标,对于任意的Xi∈X2,
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>X</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>X</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
</mfrac>
</mrow>
中心型指标,对于任意的Xi∈X3,
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfenced open='{' close=''>
<mtable>
<mtr>
<mtd>
<mfrac>
<mrow>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>X</mi>
<mi>min</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>X</mi>
<mi>avg</mi>
</msub>
<mo>-</mo>
<msub>
<mi>X</mi>
<mi>min</mi>
</msub>
</mrow>
</mfrac>
</mtd>
<mtd>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>&Element;</mo>
<mo>[</mo>
<msub>
<mi>X</mi>
<mi>min</mi>
</msub>
<mo>,</mo>
<msub>
<mi>X</mi>
<mi>avg</mi>
</msub>
<mo>]</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mfrac>
<mrow>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>X</mi>
<mi>max</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>X</mi>
<mi>avg</mi>
</msub>
<mo>-</mo>
<msub>
<mi>X</mi>
<mi>max</mi>
</msub>
</mrow>
</mfrac>
</mtd>
<mtd>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>&Element;</mo>
<mo>[</mo>
<msub>
<mi>X</mi>
<mi>avg</mi>
</msub>
<mo>,</mo>
<msub>
<mi>X</mi>
<mi>max</mi>
</msub>
<mo>]</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mi>others</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中,Xmax、Xmin分别为各指标在各自论域上确定的最大值和最小值。
6.根据权利要求4所述的基于BP神经网络的光伏系统发电效率综合评估方法,其特征在于:所述BP神经网络的隐含层激活函数选择双曲正切S型传递函数tansig;输出层激活函数选择对数S型传递函数logsig;训练函数选择梯度下降函数traingd,则BP网络输入net与输出y的关系如下:
net=x1*w1+x2*w2+...+xn*wn
<mrow>
<mi>y</mi>
<mo>=</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mi>e</mi>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>n</mi>
<mi>e</mi>
<mi>t</mi>
</mrow>
</msup>
</mrow>
</mfrac>
</mrow>
其中,x1、x2……xn为各层间评估指标的实测无量纲化属性值,w1、w2……wn为各层间初始连接权值。
7.根据权利要求6所述的基于BP神经网络的光伏系统发电效率综合评估方法,其特征在于:在BP神经网络的训练过程中,当实际输出与期望输出不符时,进入误差的反向传播阶段,误差通过输出层,按误差梯度下降的方式修正各层权值,并向隐含层、输入层逐层反传,直至误差达到预设精度或学习次数大于设定的最大次数时结束训练过程。
8.根据权利要求3所述的基于BP神经网络的光伏系统发电效率综合评估方法,其特征在于:若待评估对象为光伏系统,则输入层神经元包括环境因素、光伏阵列、交/直流线缆、光伏并网逆变器、变压器和光伏系统自身损耗31个输入变量,所述环境因素包括环境温度、太阳辐照度、风速、风向、降雨量;光伏阵列包括阵列之间的阴影遮挡、组件表面污渍和灰尘遮挡、组件温度、组件热斑、组件相对透射率、组件功率衰减、组件隐裂、组件分段串并联失配、光伏组串最大功率跟踪点偏离;交/直流线缆包括线缆长度、线径、电阻率、阻抗、感抗;光伏并网逆变器包括功率因数、MPPT精度、逆变器转换效率、内部IGBT损耗、低功率运行时间和输入功率;变压器包括铁损空载损耗、短路损耗、负载值和输入功率;光伏系统自身损耗包括设备故障率和电网检修率;隐含层神经元数目为16,输出层神经元数目为1。
9.根据权利要求8所述的基于BP神经网络的光伏系统发电效率综合评估方法,其特征在于:若待评估对象为光伏阵列、交/直流线缆、光伏并网逆变器、变压器的任一单一设备,则其输入层神经元为其包括的各输入变量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410689756.1A CN104408562B (zh) | 2014-11-25 | 2014-11-25 | 一种基于bp神经网络的光伏系统发电效率综合评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410689756.1A CN104408562B (zh) | 2014-11-25 | 2014-11-25 | 一种基于bp神经网络的光伏系统发电效率综合评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104408562A CN104408562A (zh) | 2015-03-11 |
CN104408562B true CN104408562B (zh) | 2018-01-16 |
Family
ID=52646191
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410689756.1A Expired - Fee Related CN104408562B (zh) | 2014-11-25 | 2014-11-25 | 一种基于bp神经网络的光伏系统发电效率综合评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104408562B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104778550A (zh) * | 2015-04-15 | 2015-07-15 | 国网湖南省电力公司 | 一种基于实时运行数据的电网质量分析方法 |
CN105024390B (zh) * | 2015-07-21 | 2018-04-20 | 清华大学 | 基于bp神经网络的微网电池储能系统调频控制方法 |
CN105337576B (zh) * | 2015-12-11 | 2017-12-22 | 上能电气股份有限公司 | 一种光伏电池板组串健康程度评价方法 |
CN109978299B (zh) * | 2017-12-28 | 2023-03-24 | 江苏金风科技有限公司 | 用于海上风电业务的数据分析方法、装置和存储介质 |
CN108280270A (zh) * | 2018-01-04 | 2018-07-13 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种激光供能系统中追踪光伏阵列最大输出功率点以提高能效的方法 |
CN108269014A (zh) * | 2018-01-18 | 2018-07-10 | 安徽聚润互联信息技术有限公司 | 一种远程教育学生学习状况评估方法 |
CN110689032A (zh) * | 2018-07-04 | 2020-01-14 | 北京京东尚科信息技术有限公司 | 数据处理方法及系统、计算机系统和计算机可读存储介质 |
CN111160674A (zh) * | 2018-11-08 | 2020-05-15 | 中国船舶重工集团公司第七一一研究所 | 用于生物质电站的数据挖掘方法 |
CN109636194B (zh) * | 2018-12-14 | 2020-10-16 | 国网山东省电力公司电力科学研究院 | 一种输变电项目重大变动多源协同检测方法与系统 |
CN109697572A (zh) * | 2018-12-28 | 2019-04-30 | 国网电子商务有限公司 | 光伏电站健康状况的评估方法、装置及电子设备 |
CN111339215A (zh) * | 2019-05-31 | 2020-06-26 | 北京东方融信达软件技术有限公司 | 结构化数据集质量评价模型生成方法、评价方法及装置 |
CN112365024A (zh) * | 2020-10-10 | 2021-02-12 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种基于深度学习的高压直流换流站能效预测方法及系统 |
CN112865703A (zh) * | 2021-01-25 | 2021-05-28 | 杭州易达光电有限公司 | 一种光伏电站的数据采集处理系统 |
CN115689334A (zh) * | 2022-09-30 | 2023-02-03 | 深圳市库宝软件有限公司 | 仓库管理系统的效率分析方法、系统及计算机设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102495953A (zh) * | 2011-11-29 | 2012-06-13 | 河北省电力建设调整试验所 | 基于采集到的电能质量数据和环境参数对光伏数据进行分析评估和发电负荷预测的方法 |
CN103218674A (zh) * | 2013-04-07 | 2013-07-24 | 国家电网公司 | 基于bp神经网络模型的光伏发电系统输出功率预测方法 |
CN103279894A (zh) * | 2013-04-24 | 2013-09-04 | 江苏大学 | 企业用户的电力能效Hopfield神经网络评估方法及系统 |
CN103837764A (zh) * | 2013-03-27 | 2014-06-04 | 江苏理工学院 | 家用太阳能光伏发电的电能质量评估系统及方法 |
CN104021315A (zh) * | 2014-06-27 | 2014-09-03 | 四川电力设计咨询有限责任公司 | 基于bp神经网络的电厂厂用电率计算方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5888640B2 (ja) * | 2011-09-27 | 2016-03-22 | 学校法人明治大学 | 太陽光発電予測装置、太陽光発電予測方法及び太陽光発電予測プログラム |
-
2014
- 2014-11-25 CN CN201410689756.1A patent/CN104408562B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102495953A (zh) * | 2011-11-29 | 2012-06-13 | 河北省电力建设调整试验所 | 基于采集到的电能质量数据和环境参数对光伏数据进行分析评估和发电负荷预测的方法 |
CN103837764A (zh) * | 2013-03-27 | 2014-06-04 | 江苏理工学院 | 家用太阳能光伏发电的电能质量评估系统及方法 |
CN103218674A (zh) * | 2013-04-07 | 2013-07-24 | 国家电网公司 | 基于bp神经网络模型的光伏发电系统输出功率预测方法 |
CN103279894A (zh) * | 2013-04-24 | 2013-09-04 | 江苏大学 | 企业用户的电力能效Hopfield神经网络评估方法及系统 |
CN104021315A (zh) * | 2014-06-27 | 2014-09-03 | 四川电力设计咨询有限责任公司 | 基于bp神经网络的电厂厂用电率计算方法 |
Non-Patent Citations (1)
Title |
---|
基于改进的BP神经网络的光伏组件发电量预测模型设计;杨柳宁 等;《水电能源科学》;20130930;第31卷(第9期);第243-246页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104408562A (zh) | 2015-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104408562B (zh) | 一种基于bp神经网络的光伏系统发电效率综合评估方法 | |
Dong et al. | Regional differences study of renewable energy performance: A case of wind power in China | |
CN110689240A (zh) | 一种配电网经济运行模糊综合评价方法 | |
CN104318482A (zh) | 一套智能配电网综合评估体系和方法 | |
CN110111024A (zh) | 基于ahp模糊综合评价模型的科技成果市场价值评估方法 | |
CN105956788A (zh) | 一种输变电工程造价的动态管理控制方法 | |
CN110363334B (zh) | 基于灰色神经网络模型的光伏并网的电网线损预测方法 | |
CN110910026B (zh) | 一种跨省输电线路线损智能管理与决策方法及系统 | |
CN108921322A (zh) | 一种基于实时电价的超短期节点负荷预测方法及系统 | |
CN108876114A (zh) | 考虑新能源接入的电网效率效益评估方法 | |
CN113095648A (zh) | 基于数据驱动的配电网故障停电风险指标评估方法及系统 | |
CN114912339A (zh) | 一种变电站一次设备多因素温度预测方法 | |
CN113361776A (zh) | 一种基于用户用电行为聚类的电力负荷概率预测方法 | |
CN116307287B (zh) | 一种光伏发电有效时段的预测方法、系统及预测终端 | |
CN104598969A (zh) | 一种基于神经网络的高压电器运行质量评估方法及系统 | |
Chen et al. | Accounting information disclosure and financial crisis beforehand warning based on the artificial neural network | |
Lu et al. | A deep belief network based model for urban haze prediction | |
Ramsami et al. | Neural network frameworks for electricity forecasting in mauritius and rodrigues Islands | |
CN107025497A (zh) | 一种基于Elman神经网络的电力负荷预警方法及装置 | |
Chen et al. | Research on short-term electricity price prediction in power market based on BP neural network | |
CN106341837A (zh) | 一种质差话务比例值预测方法及装置 | |
Liu et al. | Research on Overload Warning Method of Distribution Network Transformer Based on Neural Network | |
CN109829574A (zh) | 基于acde和bp神经网络的电力负荷预测方法 | |
Xie | Electric load forecast of long-period rail transit based on fuzzy mathematics | |
CN104123594B (zh) | 一种基于数据重构的电力负荷短期预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180116 |
|
CF01 | Termination of patent right due to non-payment of annual fee |