发明内容
有鉴于此,本发明提出一种光伏电池组件温度的分步预测方法,以更加准确地预测光伏电池组件温度。
本发明的光伏电池组件温度的分步预测方法包括:
S100、获取预测日的预测天气类型;
S200、根据所述预测天气类型选取对应的多个气象影响因子预测模型,每个所述气象影响因子预测模型对应于预测天气类型下的一种气象影响因子;
S300、将至少两种历史气象影响因子数据分别输入到预测天气类型对应的气象影响因子预测模型中,分别对预测日的至少两种气象影响因子进行预测,获取预测日的至少两种气象影响因子的预测值,与光伏电池组件温度的历史数据一同组成光伏电池组件温度预测模型的输入序列。其中,所述历史气象影响因子数据为满足预定条件的预测天气类型下最近至少一天内每隔预定时间间隔获取的气象影响因子数据;所述光伏电池组件温度预测模型的输入序列为在预测日预定时间的所述至少两种气象影响因子的预测值以及组件温度自身历史数据组成的序列;
S400、根据所述预测天气类型选取对应的组件温度预测模型;
S500、以所述至少两种气象影响因子的预测值和组件温度历史数据为输入,根据所述组件温度预测模型预测所述光伏电池组件在预定时间的组件温度预测值。
优选地,所述步骤S300包括:
S310、对每个历史气象影响因子序列进行归一化处理;
S320、根据归一化的历史气象影响因子序列和对应的气象影响因子预测模型获取对应类型的气象影响因子的归一化的预测序列。
优选地,所述步骤S500包括:
S510、以所述至少两种气象影响因子在预定时间的归一化预测值以及光伏电池组件温度的历史数据的归一化值为输入,根据预测天气类型对应的组件温度预测模型获取归一化的光伏电池组件温度预测值;
S520、对归一化的光伏电池组件温度预测值进行反归一化处理,获取光伏电池组件温度预测值。
优选地,所述气象影响因子预测模型训练样本以预测天气类型下归一化后气象影响因子历史数据为样本,基于BP神经网络算法训练获得。
优选地,所述光伏组件温度预测模型训练样本以预测天气类型下同一时刻归一化气象影响因子数据和同一时刻归一化后组件温度历史数据的组合为输入,以此时刻对应归一化后的组件温度值为输出,基于BP神经网络算法训练获得。
优选地,所述气象影响因子包括太阳辐照度、环境温度、风速、相对湿度、风向和气压中的一种或多种。
优选地,所述气象影响因子历史数据为满足预定条件的预测天气类型下的最近至少一天内每隔预定时间间隔获取的气象影响因子数据;所述组件温度历史数据为满足预定条件的预测天气类型下的最近至少一天内每隔预定时间间隔的组件温度数据。
通过在不同天气类型下对不同的类型的气象影响因子建立气象影响因子预测模型,可以基于相同天气类型的历史气象影响因子记录对未来的预测日的气象影响因子进行预测,同时,在不同天气类型下对多种类型的气象影响因子和光伏电池组件温度的自身历史数据对光伏电池组件的温度的影响建模获取温度预测模型,由此,可以基于预测获得的气象影响因子和光伏电池组件温度的历史数据对于光伏电池组件温度进行预测。由此,可以相对准确地预测光伏电池组件温度,可为光伏发电功率预测技术应用奠定基础。
具体实施方式
以下基于实施例对本发明进行描述,但是本发明并不仅仅限于这些实施例。在下文对本发明的细节描述中,详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。为了避免混淆本发明的实质,公知的方法、过程、流程、元件和电路并没有详细叙述。
此外,本领域普通技术人员应当理解,在此提供的附图都是为了说明的目的,并且附图不一定是按比例绘制的。
除非上下文明确要求,否则整个说明书和权利要求书中的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义;也就是说,是“包括但不限于”的含义。
在本发明的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
光伏电池组件温度的预测方法可分为直接预测法和分步预测法。直接预测是利用历史数据通过预测模型直接对组件温度进行预测。优点是简单直观,缺点是建模难度较大,在预测日天气状态与历史数据所对应的状态不同时预测精度无法保证。分步预测方法首先对预测日的光伏电池组件温度气象影响因子进行预测;其次根据光伏电池组件温度与其气象影响因子和光伏电池组件温度自身的历史数据之间的映射模型得到组件温度的预测值。分步预测法反映了光伏电池组件温度的物理意义,能够在一定程度上降低对预测模型的难度要求。
图1是本发明实施例的光伏电池组件温度的分步预测方法的流程图。
如图1所示,所述分步预测方法包括:
步骤S100、获取预测日的预测天气类型。
一般不同天气类型下,各气象影响因子的变化规律不同,对于组件温度的影响程度也有所不同。具体地,在本实施例中,天气类型可被归纳为晴、多云、小雨和大雨四种天气类型,分别表示为A、B、C、D。在每一种天气类型下,分别建立的光伏组件温度气象影响因子的预测子模型和光伏电池组件温度与其气象影响因子和光伏电池组件温度自身历史数据的映射模型,也即,光伏电池组件温度预测模型。
应理解,可以根据需要将天气划分为更多或更少类型。
在本步骤,可以通过互联网从气象数据库获取预测天气类型,也可以通过天气预测算法计算获取预测天气类型。
S200、根据所述预测天气类型选取对应的多个气象影响因子预测模型,每个所述气象影响因子预测模型对应于预测天气类型下的一种气象影响因子。
每种天气类型下,每种气象影响因子都具有其对应的预测模型。具体地,在本发明中气象影响因子可以包括太阳辐照度、环境温度、风速、相对湿度、风向和气压中的一种或多种。
在本实施例中,选取太阳辐照度、环境温度和风速三种类型的气象影响因子和光伏电池组件温度四个因子作为光伏电池组件温度预测的输入。
具体地,本实施例的气象影响因子预测模型以具有对应的天气类型记录日检测获得的归一化的历史气象影响因子序列为样本,基于BP(BackPropagation逆传播)神经网络算法训练获得。气象影响因子预测模型的输入为已知的预测日前最近的历史气象影响因子序列,而输出为预测日的预测气象影响因子序列。
历史气象影响因子数据为满足预定条件的具有相同天气类型的最近的至少一个记录、每隔预定时间间隔获取的气象影响因子数据。也可以简单地称为与预测日相邻的具有同样天气类型的记录日所记录的多个时间点的气象影响因子组成的序列。
例如,对于天气类型A(晴)下的环境温度,在多个天气类型为A的记录日中,每隔1个小时记录一次环境温度,每个记录日可以有24个环境温度记录,这些环境温度检测值组成的序列即为在天气类型A下的环境温度的一个历史气象影响因子序列。以多个历史气象影响因子序列为样本即可训练基于BP神经网络算法训练获得天气类型A下的环境温度的气象影响因子预测模型。
优选地,由于光伏电池组件温度的气象影响因子较多,各因子之间数量级相差较大,如某地的太阳辐照度全年的取值范围为0到1300左右,而环境温度全年的取值范围为-15℃到35℃。为保证BP神经网络不因数据结构过于复杂而收敛过慢或无法收敛,可以对样本数据进行归一化处理后再进行气象影响因子预测模型的训练。
具体地,归一化处理是指将变量原始数据x转换为[0,1]区间范围内的值x’,其通常按照如下公式进行:
其中,x为变量原始数据,x'为变量归一化后的处理数据,maxx为变量原始数据的最大值,minx为变量原始数据的最小值。
步骤S300、以至少两种历史气象影响因子序列为输入,根据对应的气象影响因子预测模型分别对预测日的至少两种气象影响因子进行预测,获取预测日的至少两种气象影响因子的预测序列。
其中,所述历史气象影响因子序列对应的日期的天气类型与所述预测天气类型相同。
优选地,在所述预测模型通过归一化处理的样本数据训练获得的前提下,步骤S300包括:
S310、对每个历史气象影响因子序列进行归一化处理。
所述归一化处理方式与步骤200中进行模型训练时的归一化处理相同。
S320、根据归一化的历史气象影响因子序列和对应的气象影响因子预测模型获取对应气象影响因子的归一化的预测序列。
步骤S400、根据所述预测天气类型选取对应的光伏电池组件温度预测模型。
优选地,所述光伏组件温度预测模型训练样本以预测天气类型下同一时刻归一化气象影响因子数据和同一时刻归一化后组件温度历史数据的组合为输入,以此时刻对应归一化后的组件温度值为输出,基于BP神经网络算法训练获得。
其中,历史气象影响因子组合是某一时刻预测模型所涉及的多个气象影响因子的组合。在本实施例中,如上所述,选取太阳辐照度、环境温度和风速三种类型的气象影响因子和光伏电池组件温度历史数据四个因子作为光伏电池组件温度预测的输入。因此,历史气象影响因子组合为某一时刻太阳辐照度、环境温度和风速的记录值,可记为,[太阳辐照度,环境温度,风速,光伏电池组件温度历史数据]。
例如,对于天气类型A(晴),获取多个天气类型为A的记录日的气象影响因子数据,并获取对应的检测获得的光伏电池组件温度,以上述数据为样本,通过BP神经网络算法就可以训练获得以天气类型A对应的光伏电池组件温度预测模型。所述光伏组件温度预测模型训练样本以预测天气类型下同一时刻归一化气象影响因子数据和同一时刻归一化后组件温度历史数据的组合为输入,以此时刻对应归一化后的组件温度值为输出。
同时,在建立模型时,为保证BP神经网络不因数据结构过于复杂而收敛过慢或无法收敛,可以对样本数据进行归一化处理后再以归一化的数据作为样本进行气象影响因子预测模型的训练。
步骤S500、以所述至少两种气象影响因子的预测值和光伏电池组件温度的历史数据为输入,根据所述电池组件温度预测模型预测所述光伏电池组件在所述预定时间的温度预测值。
优选地,在所述预测模型通过归一化处理的样本数据训练获得的前提下,步骤S500包括:
S510、以所述至少两种气象影响因子在预定时间的归一化预测值以及光伏电池组件温度的历史数据的归一化值为输入,根据预测天气类型对应的组件温度预测模型获取归一化的光伏电池组件温度预测值;
S520、对归一化的光伏电池组件温度预测值进行反归一化处理,获取光伏电池组件温度预测值。
具体地,可以通过如下方式进行反归一化处理:
其中,Tm·pre为反归一化后变量的实际预测值,是利用温度预测模型得到的未反归一化前组件温度的预测值,maxTm为变量原始光伏电池组件温度数据的最大值,minTm为变量原始光伏电池组件温度数据的最小值。
图2是本发明实施例的光伏电池组件温度的分步预测方法的数据流图,其从数据流向角度进一步说明本实施例的技术方案。
如图2所示,存在n个种类的历史气象影响因子序列,每个历史气象影响因子序列为m维向量。不同的历史气象影响因子序列输入到对应的气象影响因子预测模型已获得n组气象影响因子的预测值序列(由k个预测值构成的k维向量)。预测值序列有多个预测值构成,每个预测值对应其在预测日的特定时刻的气象影响因子预测值。
光伏电池组件温度分步预测模型结构如图1所示,图中m和k分别是气象影响因子1,2,…n的预测模型的输入维数和输出维数。光伏电池组件温度与其气象影响因子的温度预测模型取同一时刻的各气象影响因子的检测值和光伏电池组件温度历史数据组成输入序列,输入维数为(n+1),输出为光伏电池组件温度数值,输出维数为1。如确定的气象影响因子为:气象影响因子1、气象影响因子2、气象影响因子3。假设数据间隔为△t小时,而一天的有效时间为T小时,则一天的数据点个数为(T/△t)个,则3个气象影响因子的预测模型输入层的维数m是l*(T/△t)维,l是输入的记录日的天数。输出层维数k是(T/△t)维。光伏电池组件的温度预测模型反映的是同一时刻的光伏电池组件温度与其影响因子以及光伏电池组件温度历史数据的关系,所以模型输入层的维数是4维,输出层维数是1维。最终得到预测日全天时间间隔为△t的组件温度预测值。
例如,气象影响因子预测模型以连续3个相同天气类型的记录日的数据作为输入,每日数据的有效时间为24h,数据间隔为1h,则历史气象影响因子序列的维数m为3*24=72维,其输出的为预测日当天的数据,也即,预测日当天每隔一个小时的气象影响因子预测值,其维度k为24维。在选取太阳辐照度、环境温度和风速作为气象影响因子时,气象影响因子的种类数为3。
然后,从不同的气象影响因子预测值序列中选取预测时刻附近的预测值,组成一个n维的气象影响因子预测值组合,与光伏电池组件温度历史数据组合,将其输入到温度预测模型中。温度预测模型对应输出光伏电池组件的温度预测值。由此实现预测。
通过在不同天气类型下对不同的类型的气象影响因子建立气象影响因子预测模型,可以基于相同天气类型的历史气象影响因子记录对未来的预测日的气象影响因子进行预测,同时,在不同天气类型下对多种类型的气象影响因子和光伏电池组件温度历史数据的组合对光伏电池组件的温度的影响建模获取温度预测模型,由此,可以基于预测获得的气象影响因子和光伏电池组件温度的历史数据对于光伏电池组件温度进行预测。由此,可以相对准确地预测光伏电池组件温度,可为光伏发电功率预测技术应用奠定基础。
基于如上所述的算法,以某500kW并网光伏电站2012年全年运行数据为例,开展基于BP神经网络的光伏电池组件温度分步预测的验证实验。
训练数据选取2012.01.01至2012.05.31与2012.07.01至2012.12.31的数据,而将2012年6月份的数据作为测试数据,数据每日的有效数据时间为7:00-20:00,即14个小时,时间间隔均为1小时。
取其中6月29日为例,根据划分的天气类型,2012年6月29日的数据属于类型B,类型B下距离6月29日最近的数据日期为6月18日。首先利用6月18日的气象影响因子数据对6月29日气象影响因子的数据进行预测,然后将气象影响因子的预测值输入到类型B温度预测模型中,最终即可获得2012年6月29日光伏电池组件温度的预测值。
具体步骤如下:
在现有的光伏电站数据采集记录条件下,确定光伏电池组件温度的气象影响因子为:环境温度、太阳辐照度和风速。
然后,对环境温度、太阳辐照度、风速和组件温度历史数据的归一化处理。
环境温度的归一化公式:
其中,环境温度的最小值minT为-26℃,最大值maxT为36℃。
太阳辐照度的归一化公式:
其中,太阳辐照度的最小值minS为0W/m2,最大值maxS为1200W/m2。
风速的归一化公式:
其中,风速的最小值minW为0m/s,最大值maxW为17m/s。
组件温度的归一化公式:
其中,组件温度的最小值minTm为-25℃,最大值maxTm为44℃。
然后,采用BP神经网络算法对影响光伏电池组件的温度的气象影响因子进行预测。
由于采用的数据时间间隔为1小时,一天有效的数据记录时间为14h,则气象影响因子的预测模型输入层的维数是14维,输出层维数是14维。对应于4种天气类型,分别建立环境温度、太阳辐照度和风速的预测模型,建立12个BP神经网络预测模型,再根据待测日的天气类型,选取合适的预测子模型对3个气象影响因子进行预测。
由于2012年6月29号的天气类型属于类型B,类型B下距离6月29日最近的一天为6月18日,将6月18日的环境温度、太阳辐照度和风速分别输入到类型B下的三个气象影响因子的预测子模型中,预测6月29的太阳辐照度、环境温度和风速的数据。
然后,根据气象影响因子的预测值和光伏电池组件温度的历史数据获取得到光伏电池组件的温度的预测值。
利用历史数据,将训练样本中3个光伏电池组件温度气象影响因子的预测值和光伏电池组件温度历史数据4个因子作为输入,将同一时刻的光伏电池组件温度作为输出,建立4种天气类型下光伏电池组件温度与气象影响因子间的映射模型,即光伏电池组件的温度预测模型。
再将预测得到的6月29日的三种气象影响因子的预测值和6月18日光伏电池组件温度历史数据4个因子作为映射模型的输入,得到该日光伏电池组件温度的预测值。
最后,光伏电池组件温度预测值的反归一化处理。
具体公式为
其中,Tm·pre为反归一化后变量的实际预测值,是利用映射模型得到的未反归一化前组件温度的预测值,组件温度的最小值minTm为-25℃,最大值maxTm为44℃。
得到的6月29日光伏电池组件温度的实际值和预测值如表1所示。
表12012年6月29日分步预测得到的该电厂光伏电池组件温度
时间 |
07:00 |
08:00 |
09:00 |
10:00 |
11:00 |
12:00 |
13:00 |
14:00 |
15:00 |
16:00 |
17:00 |
18:00 |
19:00 |
20:00 |
实际值 |
19 |
23 |
27 |
31 |
35 |
38 |
33 |
36 |
34 |
30 |
30 |
26 |
24 |
21 |
预测值 |
22.17 |
24.62 |
28.29 |
31.77 |
34.78 |
34.19 |
34.66 |
33.07 |
35.12 |
30.18 |
31.49 |
25.77 |
22.70 |
21.82 |
验证预测结果的准确性
根据2012年6月29日组件温度的实际数值以及预测值,利用公式计算分布预测模型预测值的平均绝对百分比误差MAPE。
其中Xpre为预测值,Xact为实际值。
计算所得:
MAPE=5.155%
从结果可以看出,用分步预测法预测光伏组件温度精度较高,可以较为准确的预测光伏组件温度。由于组件温度是光伏发电重要的影响因子之一,且组件温度的研究近乎空白,因此本发明可为光伏发电功率预测技术应用奠定科学基础。
以上所述仅为本发明的优选实施例,并不用于限制本发明,对于本领域技术人员而言,本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。