CN105512760A - 基于神经网络的光伏电站发电量的计算方法及系统 - Google Patents
基于神经网络的光伏电站发电量的计算方法及系统 Download PDFInfo
- Publication number
- CN105512760A CN105512760A CN201510884004.5A CN201510884004A CN105512760A CN 105512760 A CN105512760 A CN 105512760A CN 201510884004 A CN201510884004 A CN 201510884004A CN 105512760 A CN105512760 A CN 105512760A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic
- intensity
- theoretical
- neural network
- generated energy
- 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.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 74
- 238000004364 calculation method Methods 0.000 title claims abstract description 63
- 230000005855 radiation Effects 0.000 claims abstract description 92
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000010248 power generation Methods 0.000 claims description 82
- 238000005259 measurement Methods 0.000 claims description 14
- 230000001537 neural effect Effects 0.000 claims description 6
- 238000013461 design Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011160 research Methods 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明公开了一种基于神经网络的光伏电站发电量的计算方法,包括:计算得到水平面理论太阳辐射强度S;获取光伏电站的历史发电量以及光伏电站所在位置的气象要素历史运行数据;所述气象要素包含光伏电站所在位置的环境温度Ta、光伏组件的背板温度Tb和实际辐照强度C;将获取的数据样本[T?C?S]作为神经网络的输入向量,将[0?0?P]作为神经网络的输出向量,建立基于神经网络的光伏电站发电量P的计算模型;输入任意时刻的气象要素数据,通过所述计算模型计算得到该时刻光伏电站的发电量。本发明还公开了一种基于神经网络的光伏电站发电量的计算系统。所述基于神经网络的光伏电站发电量的计算方法及系统能够快速、准确计算得到光伏电站发电量。
Description
技术领域
本发明涉及光伏电站发电量计算技术领域,特别是指一种基于神经网络的光伏电站发电量的计算方法及系统。
背景技术
随着光伏发电装机容量的日益增加,光伏电站发电量的计算在光伏电站的并网运行、规划、设计和决策方面起到的作用越来越重要。准确计算出光伏电站的发电量,有助于掌握大规模光伏电站的运行特性,实现大规模光伏电站和电力系统的协调运行。一方面,由于光伏出力的随机波动性使得光伏发电的出力难以准确预测,从而影响电力系统的调度和发电计划的指定;另一方面,光伏电站发电量的准确计算也是光伏电站优化设计,实现光伏电站精细化运行管理的基础。
光伏电站发电量计算在光伏电站规划设计阶段和建成之后有着不同的方法。在光伏电站设计的科研阶段,通常根据当地年均辐射量来推算光伏电站的发电量,通过建立太阳辐射模型和光伏发电系统模型,实现对光伏电站输出功率和发电量的计算。该类计算方法由于数据源颗粒度粗大和气象资料同化所带来的误差导致计算发电量和实际发电量偏差较大。光伏电站运行后能够有效获取高分辨率的气象数据,使得实现光伏电站发电量的精确计算成为可能,通常根据光伏发电机理模型建立光伏电站辐照量和功率模型实现光伏电站发电量计算。对于光伏电站发电量的精确计算而言,问题主要来自于如下几个方面:传统的光伏电站发电量计算方法没有考虑电站实际特性,仅仅用转换效率来表征实际辐照量输入和输出功率之间的映射关系,模型误差较大;在实际环境条件下光伏阵列排布复杂、倾角不一致,特别是固定式安装的光伏电站实际辐照量难以计算;基于机理的光伏发电量计算模型结构复杂,参数难以获得,同时光伏电站实际发电量受光伏电站核心关键设备性能退化和实际运行温度影响较大,难以用机理模型进行描述。
发明内容
有鉴于此,本发明的目的在于提出一种基于神经网络的光伏电站发电量的计算方法及系统,能够快速、准确计算得到光伏电站发电量。
基于上述目的本发明提供的基于神经网络的光伏电站发电量的计算方法,包括:根据光伏电站所在地理位置和时间计算得到水平面理论太阳辐射强度;
获取光伏电站的历史发电量以及光伏电站所在位置的气象要素历史运行数据;所述气象要素包含光伏电站所在位置的环境温度、光伏组件的背板温度和实际辐照强度;
将获取的数据样本[TCS]作为神经网络的输入向量,将[00P]作为神经网络的输出向量,建立基于神经网络的光伏电站发电量的计算模型,其中T为光伏组件的背板温度或环境温度,C为实际辐照强度,S为水平面理论太阳辐射强度,P为光伏电站发电量;
输入任意时刻的气象要素数据,通过所述计算模型计算得到该时刻光伏电站的发电量。
可选的,所述水平面理论太阳辐射强度的计算步骤为:根据大气衰减系数以及太阳高度角计算得到太阳直接辐射强度;根据大气衰减系数、太阳高度角以及散射系数计算得到太阳散射辐射强度;将太阳直接辐射强度加上太阳散射辐射强度即为所述水平面理论太阳辐射强度。
进一步,所述太阳直接辐射强度的计算公式为:
Sbh=S0×τb×sinh
所述太阳散射辐射强度的计算公式为:
其中,Sbh为太阳直接辐射强度,S0为入射到水平面上的太阳直接辐射强度,τb为直接辐射衰减系数,h为太阳高度角;Sdh为太阳散射辐射强度,Edh为入射到水平面上的太阳散射辐射强度,τd为散射辐射衰减系数,k2为大气质量系数。
可选的,所述大气质量系数k2的取值范围为:0.60≤k2≤0.90。
进一步,所述大气质量系数k2的取值具体为:大气质量浑浊时,0.60≤k2≤0.70;大气质量正常时,0.710≤k2≤0.80;大气质量较好时,0.810≤k2≤0.90。
可选的,所述建立基于神经网络的光伏电站发电量的计算模型的步骤还包括:
根据所述光伏电站所在位置的环境温度和光伏组件的背板温度分别建立基于神经网络的光伏电站发电量的环境温度计算模型和背板温度计算模型;
将某一时刻的光伏电站发电量的环境温度、实测辐照量、水平面理论太阳辐射强度作为环境温度计算模型的输入量,计算得到该时刻光伏电站的第一理论发电量;
将同一时刻的光伏组件的背板温度、实测辐照量、水平面理论太阳辐射强度作为背板温度计算模型的输入量,计算得到该时刻光伏电站的第二理论发电量;
同时将所述第一理论发电量和所述第二理论发电量与该时刻的实际发电量进行比较,将所述第一理论发电量和所述第二理论发电量中计算精度高的对应的计算模型作为最优计算模型。
本发明还提供了一种基于神经网络的光伏电站发电量的计算系统,包括:
理论计算模块,用于根据光伏电站所在地理位置和时间计算得到水平面理论太阳辐射强度;
数据采集模块,用于获取光伏电站的历史发电量以及光伏电站所在位置的气象要素历史运行数据;
神经网络建模模块,用于将获取的数据样本[TCS]作为神经网络的输入向量,将[00P]作为神经网络的输出向量,建立基于神经网络的光伏电站发电量的计算模型,其中T为光伏组件的背板温度或环境温度,C为实际辐照强度,S为水平面理论太阳辐射强度,P为光伏电站发电量;
计算模块,用于根据输入的任意时刻的气象要素数据,通过所述计算模型计算得到该时刻光伏电站的发电量。
优选的,所述神经网络建模模块还用于根据所述光伏电站所在位置的环境温度和光伏组件的背板温度分别建立基于神经网络的光伏电站发电量的环境温度计算模型和背板温度计算模型;
所述计算模块还用于将某一时刻的光伏电站发电量的环境温度、实测辐照量、水平面理论太阳辐射强度作为环境温度计算模型的输入量,计算得到该时刻光伏电站的第一理论发电量;将同一时刻的光伏组件的背板温度、实测辐照量、水平面理论太阳辐射强度作为背板温度计算模型的输入量,计算得到该时刻光伏电站的第二理论发电量;将所述第一理论发电量和所述第二理论发电量与该时刻的实际发电量进行比较,将所述第一理论发电量和所述第二理论发电量中计算精度高的对应的计算模型作为最优计算模型。
从上面所述可以看出,本发明提供的基于神经网络的光伏电站发电量的计算方法及系统,通过采用神经网络建立计算模型避免了机理模型结构复杂、参数难以确定的问题;通过计算理论太阳辐照强度使得计算模型收敛;通过选用光伏电站的环境温度和光伏组件背板温度进一步对计算模型进行优化,使得计算模型更加准确,最后将需要计算的光伏电站的气象因素输入计算模型能够快速得到精确的光伏电站发电量。
附图说明
图1为本发明提供的基于神经网络的光伏电站发电量的计算方法的一个实施例的流程图;
图2为本发明提供的基于神经网络的光伏电站发电量的计算方法的另一个实施例的流程图;
图3为本发明提供的基于神经网络的光伏电站发电量的计算系统的一个实施例的结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
需要说明的是,本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量,可见“第一”“第二”仅为了表述的方便,不应理解为对本发明实施例的限定,后续实施例对此不再一一说明。
参照图1所示,为本发明提供的基于神经网络的光伏电站发电量的计算方法的一个实施例的流程图。所述基于神经网络的光伏电站发电量的计算方法包括:
步骤101,根据光伏电站所在地理位置和时间计算得到水平面理论太阳辐射强度;
步骤102,获取光伏电站的历史发电量以及光伏电站所在位置的气象要素历史运行数据;所述气象要素包含光伏电站所在位置的环境温度、光伏组件的背板温度和实际辐照强度;
步骤103,将获取的数据样本[TCS]作为神经网络的输入向量,将[00P]作为神经网络的输出向量,建立基于神经网络的光伏电站发电量的计算模型,其中T为光伏组件的背板温度或环境温度,C为实际辐照强度,S为水平面理论太阳辐射强度,P为光伏电站发电量;
步骤104,输入任意时刻的气象要素数据,通过所述计算模型计算得到该时刻光伏电站的发电量。
其中,由于太阳辐照强度和发电量均与时间密切相关,因此获得的数据均与时间相关。例如:某一时刻t0的所述气象要素包含该时间点的环境温度T、光伏组件背板温度Tb、实际辐照强度C在内的数据,且对应的所述水平面理论太阳辐射强度也为t0时刻的计算值;对应的历史发电量也为t0时刻的发电量。步骤103是指将获取的关于光伏电站的不同时刻的历史气象要素和历史发电量数据分别作为神经网络的输入向量和输出向量,通过神经网络工具箱建立基于神经网络的计算模型。步骤104是指将需要计算的时刻的光伏电站的气象要素数据作为计算模型的输入向量,通过基于神经网络的计算模型的运算得到该时刻的光伏电站的发电量。
由上述实施例可知,上述基于神经网络的光伏电站发电量的计算方法通过将获得的历史运行数据和历史发电量分别作为神经网络的输入、输出量,从而获得基于神经网络的计算模型,不但大大简化了建立计算模型的步骤和计算量,而且通过采用温度和水平面理论太阳辐射强度进一步优化了计算模型,最后能够计算得到精确的光伏电站发电量。
需要说明的是,本发明不限于上述步骤的顺序,例如:步骤101中的计算水平面理论太阳辐射强度可以处于步骤102获取光伏电站历史发电量和历史气象运行数据之后,或者也可以二者同时实施,以加快发电量计算的效率。
在一些可选的实施例中,所述水平面理论太阳辐射强度的计算步骤为:根据大气衰减系数以及太阳高度角计算得到太阳直接辐射强度;根据大气衰减系数、太阳高度角以及散射系数计算得到太阳散射辐射强度;将太阳直接辐射强度加上太阳散射辐射强度即为所述水平面理论太阳辐射强度。也即,所述水平面理论太阳辐射强度包括太阳直接辐射强度和太阳散射辐射强度,二者的比例与实际的天气状态有关,例如:晴天无云的气候条件下,所述太阳直接辐射强度远大于所述太阳散射辐射强度,相反,当有云的天气时,所述太阳散射辐射强度所占的比例会有所上升。因此,实际计算水平面理论太阳辐射强度时与光伏电站所处的地理位置,气候以及时间均有关联,而通过对所述水平面理论太阳辐射强度的计算可以保证后续建立的计算模型的收敛,也即大大提高了所述基于神经网络的光伏电站发电量的计算方法的准确性。
在一些可选的实施例中,所述太阳直接辐射强度的计算公式为:
Sbh=S0×τb×sinh
所述太阳散射辐射强度的计算公式为:
其中,Sbh为太阳直接辐射强度,S0为入射到水平面上的太阳直接辐射强度,τb为直接辐射衰减系数,h为太阳高度角;Sdh为太阳散射辐射强度,Edh为入射到水平面上的太阳散射辐射强度,τd为散射辐射衰减系数,k2为大气质量系数。这里,所述太阳直接辐射强度的计算需要加上直接辐射衰减系数和太阳高度角是为了考虑到大气等各种因素对辐照强度的衰减以及太阳角度对辐照强度的影响;而所述太阳散射辐射强度还与云形、云量以及大气状态有关。这样,可以准确计算得到所述太阳直接辐射强度和所述太阳散射辐射强度,也即保证了所述水平面理论太阳辐射强度的准确性。
在一些可选的实施例中,所述大气质量系数k2的取值范围为0.60≤k2≤0.90。
进一步,所述大气质量系数k2的取值具体为:大气质量浑浊时,0.60≤k2≤0.70;大气质量正常时,0.710≤k2≤0.80;大气质量较好时,0.810≤k2≤0.90。由此可以看出,大气质量越好,获得的太阳辐射强度越强。
在一些可选的实施例中,所述建立基于神经网络的光伏电站发电量的计算模型的步骤还包括:
根据所述光伏电站所在位置的环境温度和光伏组件的背板温度分别建立基于神经网络的光伏电站发电量的环境温度计算模型和背板温度计算模型;
将某一时刻的光伏电站发电量的环境温度、实测辐照量、水平面理论太阳辐射强度作为环境温度计算模型的输入量,计算得到该时刻光伏电站的第一理论发电量;
将同一时刻的光伏组件的背板温度、实测辐照量、水平面理论太阳辐射强度作为背板温度计算模型的输入量,计算得到该时刻光伏电站的第二理论发电量;
同时将所述第一理论发电量和所述第二理论发电量与该时刻的实际发电量进行比较,将所述第一理论发电量和所述第二理论发电量中计算精度高的对应的计算模型作为最优计算模型。
由上述实施例可知,所述基于神经网络的光伏电站发电量的计算方法分别通过将所述光伏电站所在位置的环境温度和所述光伏组件的背板温度作为神经网络的输入量计算得到两个不同的计算模型,然后通过将同一时刻的气象数据作为计算输入量获得两个不同的理论计算发电量,最后将获得的理论计算发电量与该时刻的实际发电量比较,选取其中计算较为准确的计算模型作为最优计算模型,也即进一步提高了所述基于神经网络的光伏电站发电量的计算方法的稳定性和准确性。
参照图2所示,为本发明提供的基于神经网络的光伏电站发电量的计算方法的另一个实施例的流程图。所述基于神经网络的光伏电站发电量的计算方法包括:
步骤201,根据光伏电站所在地理位置和时间计算太阳直接辐射Sbh;
步骤202,根据光伏电站所在地理位置和时间计算太阳散射辐射Sdh;
步骤203,计算得到水平面理论太阳辐射强度S=Sbh+Sdh;
步骤204,获得光伏发电站发电量P、水平面理论太阳辐照度S数据和光伏电站所在位置的气象要素历史运行数据;
步骤205,将获取的数据样本[TaCS]作为神经网络输入向量,将[00P]作为神经网络输出向量,建立基于神经网络光伏电站发电量P的模型M1,也即环境温度计算模型;其中,Ta为光伏电站所在位置的环境温度;
步骤206,将获取的数据样本[TbCS]作为神经网络输入向量,将[00P]作为神经网络输出向量,建立基于神经网络光伏电站发电量P的模型M2,也即背板温度计算模型;其中,Tb为光伏组件的背板温度;
步骤207,将历史数据中某一发电量时段的光伏电站所在位置的环境温度Ta、实测辐照量C、水平面理论太阳辐射强度S作为模型M1的输入向量,得到光伏电站第一理论发电量值P1;
步骤208,将历史数据中某一发电量时段的光伏组件的背板温度Tb、实测辐照量C、水平面理论太阳辐射强度S作为模型M2的输入向量,得到光伏电站第二理论发电量值P2;
步骤209,将所述第一理论发电量值P1和所述第二理论发电量值P2与统一时段的实际发电量P进行比较,判断哪个计算值更加准确,若所述第一理论发电量值P1更加接近实际发电量P,那么执行步骤210;若所述第二理论发电量值P2更加接近实际发电量P,那么执行步骤211;
步骤210,将环境温度计算模型M1作为最优模型;
步骤211,将背板温度计算模型M2作为最优模型;
步骤212,将需要计算的光伏电站的气象数据作为最优模型的输入量,计算得到光伏电站的发电量。
由上述实施例可知,所述基于神经网络的光伏电站发电量的计算方法通过找到影响光伏电站发电量的气象要素,并分析得出了主要影响因子是温度和辐照度。采用了基于神经网络的智能模型方法避免了机理模型结构复杂、参数难以获得,以及光伏电站自身特性的数学描述。还加入了温度对光伏电站发电量的修正,同时把加入环境温度和背板温度的计算结果与实际光伏电站发电量进行对比,选择出最优模型,使计算结果精度更高。另外还加入理论辐照量的计算避免了神经网络模型的发散,保证在给定条件下可以计算得到精度更高的发电量值。
参照图3所示,为本发明提供的基于神经网络的光伏电站发电量的计算系统的一个实施例的结构框图。所述基于神经网络的光伏电站发电量的计算系统包括:
理论计算模块,用于根据光伏电站所在地理位置和时间计算得到水平面理论太阳辐射强度;
数据采集模块,用于获取光伏电站的历史发电量以及光伏电站所在位置的气象要素历史运行数据,其中,所述气象要素包含光伏电站所在位置的环境温度、光伏组件的背板温度和实际辐照强度;
神经网络建模模块,用于将获取的数据样本[TCS]作为神经网络的输入向量,将[00P]作为神经网络的输出向量,建立基于神经网络的光伏电站发电量的计算模型,其中T为光伏组件的背板温度或环境温度,C为实际辐照强度,S为水平面理论太阳辐射强度,P为光伏电站发电量;
计算模块,用于根据输入的任意时刻的气象要素数据,通过所述计算模型计算得到该时刻光伏电站的发电量。
这样,所述基于神经网络的光伏电站发电量的计算系统通过采集电站的气象要素历史运行数据以及发电量作为神经网络的建模原始数据,同时将计算得到的水平面理论太阳辐射强度作为修正,得到准确的基于神经网络的发电量计算模型,可以精确计算得到光伏电站的发电量。
进一步,所述神经网络建模模块还用于根据所述光伏电站所在位置的环境温度和光伏组件的背板温度分别建立基于神经网络的光伏电站发电量的环境温度计算模型和背板温度计算模型;
所述计算模块还用于将某一时刻的光伏电站发电量的环境温度、实测辐照量、水平面理论太阳辐射强度作为环境温度计算模型的输入量,计算得到该时刻光伏电站的第一理论发电量;将同一时刻的光伏组件的背板温度、实测辐照量、水平面理论太阳辐射强度作为背板温度计算模型的输入量,计算得到该时刻光伏电站的第二理论发电量;将所述第一理论发电量和所述第二理论发电量与该时刻的实际发电量进行比较,将所述第一理论发电量和所述第二理论发电量中计算精度高的对应的计算模型作为最优计算模型。
由上述实施例可知,通过分别建立基于光伏电站所在位置的环境温度和光伏组件的背板温度的计算模型,将其计算结果与实际发电量进行比较可以获得更为准确的计算模型,也即大大提高了所述基于神经网络的光伏电站发电量的计算系统的准确性。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本公开的范围(包括权利要求)被限于这些例子;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明的不同方面的许多其它变化,为了简明它们没有在细节中提供。因此,凡在本发明的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于神经网络的光伏电站发电量的计算方法,其特征在于,包括:
根据光伏电站所在地理位置和时间计算得到水平面理论太阳辐射强度;
获取光伏电站的历史发电量以及光伏电站所在位置的气象要素历史运行数据;所述气象要素包含光伏电站所在位置的环境温度、光伏组件的背板温度和实际辐照强度;
将获取的数据样本[TCS]作为神经网络的输入向量,将[00P]作为神经网络的输出向量,建立基于神经网络的光伏电站发电量的计算模型,其中T为光伏组件的背板温度或环境温度,C为实际辐照强度,S为水平面理论太阳辐射强度,P为光伏电站发电量;
输入任意时刻的气象要素数据,通过所述计算模型计算得到该时刻光伏电站的发电量。
2.根据权利要求1所述的方法,其特征在于,所述水平面理论太阳辐射强度的计算步骤为:根据大气衰减系数以及太阳高度角计算得到太阳直接辐射强度;根据大气衰减系数、太阳高度角以及散射系数计算得到太阳散射辐射强度;将太阳直接辐射强度加上太阳散射辐射强度即为所述水平面理论太阳辐射强度。
3.根据权利要求2所述的方法,其特征在于,所述太阳直接辐射强度的计算公式为:
Sbh=S0×τb×sinh
所述太阳散射辐射强度的计算公式为:
其中,Sbh为太阳直接辐射强度,S0为入射到水平面上的太阳直接辐射强度,τb为直接辐射衰减系数,h为太阳高度角;Sdh为太阳散射辐射强度,Edh为入射到水平面上的太阳散射辐射强度,τd为散射辐射衰减系数,k2为大气质量系数。
4.根据权利要求3所述的方法,其特征在于,所述大气质量系数k2的取值范围为:0.60≤k2≤0.90。
5.根据权利要求4所述的方法,其特征在于,所述大气质量系数k2的取值具体为:大气质量浑浊时,0.60≤k2≤0.70;大气质量正常时,0.710≤k2≤0.80;大气质量较好时,0.810≤k2≤0.90。
6.根据权利要求1所述的方法,其特征在于,所述建立基于神经网络的光伏电站发电量的计算模型的步骤还包括:
根据所述光伏电站所在位置的环境温度和光伏组件的背板温度分别建立基于神经网络的光伏电站发电量的环境温度计算模型和背板温度计算模型;
将某一时刻的光伏电站发电量的环境温度、实测辐照量、水平面理论太阳辐射强度作为环境温度计算模型的输入量,计算得到该时刻光伏电站的第一理论发电量;
将同一时刻的光伏组件的背板温度、实测辐照量、水平面理论太阳辐射强度作为背板温度计算模型的输入量,计算得到该时刻光伏电站的第二理论发电量;
同时将所述第一理论发电量和所述第二理论发电量与该时刻的实际发电量进行比较,将所述第一理论发电量和所述第二理论发电量中计算精度高的对应的计算模型作为最优计算模型。
7.一种基于神经网络的光伏电站发电量的计算系统,其特征在于,包括:
理论计算模块,用于根据光伏电站所在地理位置和时间计算得到水平面理论太阳辐射强度;
数据采集模块,用于获取光伏电站的历史发电量以及光伏电站所在位置的气象要素历史运行数据;
神经网络建模模块,用于将获取的数据样本[TCS]作为神经网络的输入向量,将[00P]作为神经网络的输出向量,建立基于神经网络的光伏电站发电量的计算模型,其中T为光伏组件的背板温度或环境温度,C为实际辐照强度,S为水平面理论太阳辐射强度,P为光伏电站发电量;
计算模块,用于根据输入的任意时刻的气象要素数据,通过所述计算模型计算得到该时刻光伏电站的发电量。
8.根据权利要求7所述的系统,其特征在于,所述神经网络建模模块还用于根据所述光伏电站所在位置的环境温度和光伏组件的背板温度分别建立基于神经网络的光伏电站发电量的环境温度计算模型和背板温度计算模型;
所述计算模块还用于将某一时刻的光伏电站发电量的环境温度、实测辐照量、水平面理论太阳辐射强度作为环境温度计算模型的输入量,计算得到该时刻光伏电站的第一理论发电量;将同一时刻的光伏组件的背板温度、实测辐照量、水平面理论太阳辐射强度作为背板温度计算模型的输入量,计算得到该时刻光伏电站的第二理论发电量;将所述第一理论发电量和所述第二理论发电量与该时刻的实际发电量进行比较,将所述第一理论发电量和所述第二理论发电量中计算精度高的对应的计算模型作为最优计算模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510884004.5A CN105512760B (zh) | 2015-12-04 | 2015-12-04 | 基于神经网络的光伏电站发电量的计算方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510884004.5A CN105512760B (zh) | 2015-12-04 | 2015-12-04 | 基于神经网络的光伏电站发电量的计算方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105512760A true CN105512760A (zh) | 2016-04-20 |
CN105512760B CN105512760B (zh) | 2019-08-20 |
Family
ID=55720722
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510884004.5A Active CN105512760B (zh) | 2015-12-04 | 2015-12-04 | 基于神经网络的光伏电站发电量的计算方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105512760B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106251023A (zh) * | 2016-08-05 | 2016-12-21 | 浙江大学 | 一种适用于小样本的光伏功率短期预测方法 |
CN106407591A (zh) * | 2016-09-29 | 2017-02-15 | 常州天合光能有限公司 | 基于智能终端设备的光伏系统发电量模拟app |
CN106788244A (zh) * | 2016-11-18 | 2017-05-31 | 中国电子科技集团公司第四十研究所 | 一种获得光伏组件全天气象条件下功率值的方法 |
CN107784165A (zh) * | 2017-09-29 | 2018-03-09 | 国网青海省电力公司 | 基于光伏电站的地表温度场多尺度资料同化方法 |
CN109284870A (zh) * | 2018-10-08 | 2019-01-29 | 南昌大学 | 基于长短期记忆神经网络的短期光伏发电量预测方法 |
CN110598335A (zh) * | 2019-09-17 | 2019-12-20 | 阳光电源股份有限公司 | 一种超短期光伏功率预测的辐照修正方法 |
CN111047076A (zh) * | 2019-11-21 | 2020-04-21 | 国网甘肃省电力公司 | 一种基于葵花8号卫星云图的光伏短期功率预报方法 |
CN111160602A (zh) * | 2019-11-21 | 2020-05-15 | 国网甘肃省电力公司 | 一种基于葵花8号卫星云图的光伏超短期功率预报方法 |
CN117543823A (zh) * | 2023-11-16 | 2024-02-09 | 创维互联(北京)新能源科技有限公司 | 一种基于多模型的光伏组串损失电量计算方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521670A (zh) * | 2011-11-18 | 2012-06-27 | 中国电力科学研究院 | 基于气象要素的光伏电站发电输出功率预测方法 |
CN102567809A (zh) * | 2011-11-18 | 2012-07-11 | 中国电力科学研究院 | 光伏电站发电输出功率预测系统 |
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 |
CN103218673A (zh) * | 2013-03-27 | 2013-07-24 | 河海大学 | 基于bp神经网络的光伏发电短期出力预测方法 |
CN104616085A (zh) * | 2015-02-16 | 2015-05-13 | 河海大学常州校区 | 一种基于bp神经网络的光伏发电量预测方法 |
-
2015
- 2015-12-04 CN CN201510884004.5A patent/CN105512760B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521670A (zh) * | 2011-11-18 | 2012-06-27 | 中国电力科学研究院 | 基于气象要素的光伏电站发电输出功率预测方法 |
CN102567809A (zh) * | 2011-11-18 | 2012-07-11 | 中国电力科学研究院 | 光伏电站发电输出功率预测系统 |
CN103218673A (zh) * | 2013-03-27 | 2013-07-24 | 河海大学 | 基于bp神经网络的光伏发电短期出力预测方法 |
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 |
CN104616085A (zh) * | 2015-02-16 | 2015-05-13 | 河海大学常州校区 | 一种基于bp神经网络的光伏发电量预测方法 |
Non-Patent Citations (1)
Title |
---|
王章野等: ""基于气象学和传热学的城市建筑物红外成象模型"", 《系统仿真学报》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106251023A (zh) * | 2016-08-05 | 2016-12-21 | 浙江大学 | 一种适用于小样本的光伏功率短期预测方法 |
CN106251023B (zh) * | 2016-08-05 | 2020-01-14 | 浙江大学 | 一种适用于小样本的光伏功率短期预测方法 |
CN106407591A (zh) * | 2016-09-29 | 2017-02-15 | 常州天合光能有限公司 | 基于智能终端设备的光伏系统发电量模拟app |
CN106407591B (zh) * | 2016-09-29 | 2020-03-27 | 天合光能股份有限公司 | 基于智能终端设备的光伏系统发电量模拟系统 |
CN106788244A (zh) * | 2016-11-18 | 2017-05-31 | 中国电子科技集团公司第四十研究所 | 一种获得光伏组件全天气象条件下功率值的方法 |
CN106788244B (zh) * | 2016-11-18 | 2018-10-19 | 中国电子科技集团公司第四十一研究所 | 一种获得光伏组件全天气象条件下功率值的方法 |
CN107784165B (zh) * | 2017-09-29 | 2021-07-09 | 国网青海省电力公司 | 基于光伏电站的地表温度场多尺度资料同化方法 |
CN107784165A (zh) * | 2017-09-29 | 2018-03-09 | 国网青海省电力公司 | 基于光伏电站的地表温度场多尺度资料同化方法 |
CN109284870A (zh) * | 2018-10-08 | 2019-01-29 | 南昌大学 | 基于长短期记忆神经网络的短期光伏发电量预测方法 |
CN110598335A (zh) * | 2019-09-17 | 2019-12-20 | 阳光电源股份有限公司 | 一种超短期光伏功率预测的辐照修正方法 |
CN110598335B (zh) * | 2019-09-17 | 2023-08-11 | 阳光慧碳科技有限公司 | 一种超短期光伏功率预测的辐照修正方法 |
CN111160602A (zh) * | 2019-11-21 | 2020-05-15 | 国网甘肃省电力公司 | 一种基于葵花8号卫星云图的光伏超短期功率预报方法 |
CN111047076A (zh) * | 2019-11-21 | 2020-04-21 | 国网甘肃省电力公司 | 一种基于葵花8号卫星云图的光伏短期功率预报方法 |
CN117543823A (zh) * | 2023-11-16 | 2024-02-09 | 创维互联(北京)新能源科技有限公司 | 一种基于多模型的光伏组串损失电量计算方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105512760B (zh) | 2019-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105512760A (zh) | 基于神经网络的光伏电站发电量的计算方法及系统 | |
US10740512B2 (en) | System for tuning a photovoltaic power generation plant forecast with the aid of a digital computer | |
Jamil et al. | Uncertainty analysis of energy production for a 3× 50 MW AC photovoltaic project based on solar resources | |
Gandoman et al. | Short-term solar power forecasting considering cloud coverage and ambient temperature variation effects | |
CN103020487B (zh) | 一种光伏电站辐照度预测值修正方法 | |
CN103208029B (zh) | 基于净空模型的光伏电站超短期功率预测方法 | |
CN103971169A (zh) | 一种基于云量模拟的光伏超短期发电功率的预测方法 | |
Ding et al. | Empirical model for capacity credit evaluation of utility-scale PV plant | |
Gulin et al. | A one-day-ahead photovoltaic array power production prediction with combined static and dynamic on-line correction | |
CN104318314A (zh) | 一种基于光伏发电效率的发电量预测方法 | |
Wang et al. | An online optimization method for extracting parameters of multi-parameter PV module model based on adaptive Levenberg-Marquardt algorithm | |
CN105335560A (zh) | 光伏发电功率波动性及其自动发电控制备用需求计算方法 | |
CN103106314A (zh) | 太阳能光伏电源输出功率的时序概率建模方法 | |
Li et al. | Day-ahead hourly photovoltaic generation forecasting using extreme learning machine | |
Lave et al. | Testing a wavelet-based variability model (WVM) for solar PV power plants | |
CN103823504A (zh) | 一种基于最小二乘支持向量机的最大功率跟踪控制方法 | |
KR20200040448A (ko) | 태양광 에너지 발전량 예측 시뮬레이션 장치 및 방법 | |
Zhu et al. | Online modelling and calculation for operating temperature of Silicon‐Based PV modules based on BP‐ANN | |
Kleissl et al. | Aggregate solar variability | |
Lurwan et al. | Predicting power output of photovoltaic systems with solar radiation model | |
CN105701556A (zh) | 一种光伏电站超短时功率预测修正方法 | |
Prilliman et al. | Technoeconomic analysis of changing PV array convective cooling through changing array spacing | |
CN106649943A (zh) | 一种建筑集成光伏系统斜面总辐射量的估算方法 | |
TW201419009A (zh) | 追日式太陽能光電系統增益之預估方法 | |
Graabak et al. | Developing a wind and solar power data model for Europe with high spatial-temporal resolution |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20190606 Address after: 100085 Beijing city Haidian District Qinghe small Camp Road No. 15 Applicant after: Beijing China Power Information Technology Co., Ltd. Applicant after: Fibrlink Networks Co., Ltd. Address before: 100070 the 28 tier of fortune Fortune Plaza, No.1, hang Feng Road, Fengtai District, Beijing. Applicant before: Beijing Guodiantong Network Technology Co., Ltd. Applicant before: Fibrlink Networks Co., Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |