CN106203709A - 基于多因子的光伏电站中长期发电量预测方法 - Google Patents
基于多因子的光伏电站中长期发电量预测方法 Download PDFInfo
- Publication number
- CN106203709A CN106203709A CN201610551400.0A CN201610551400A CN106203709A CN 106203709 A CN106203709 A CN 106203709A CN 201610551400 A CN201610551400 A CN 201610551400A CN 106203709 A CN106203709 A CN 106203709A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic plant
- year
- formula
- term
- calculated
- 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.)
- Pending
Links
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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas 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
- 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
Abstract
本发明公开一种基于多因子的光伏电站中长期发电量的预测方法,包括以下步骤,A)根据环境检测仪及气象站的数据,获取光伏电站所在区域的电站维度、倾斜角、历史日水平辐射量,同时选取当月天数、所在一年中日期序号、太阳常数、地面反射率;B)计算出年斜面总辐射量I;C)计算出光伏电站的综合效率;D)计算出光伏电站的年有效小时数;E)计算出首年发电量;F)计算出该光伏电站的第n年发电量值和多年的总发电量。本发明的预测方法计算简单,高效稳定,具有很好的预测收益,具有良好的应用前景。
Description
技术领域
本发明涉及光伏电站发电量预测技术领域,具体涉及一种基于多因子的光伏电站中长期发电量的预测方法。
背景技术
随着光伏电站的大规模应用与投资,光伏电站前期规划和后期运维特别重要,现在算法都比较复杂,操作性不够,没有一种简单的小工具,让投资者时刻能掌握光伏电站的发电量或者收益,引起投资者对未来收益的担忧,收益重要因素就是发电量,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,如何建立一种计算简单,高效稳定,预测准确的光伏电站发电量的预测方法,为光伏电站投资者预测需要及运行中的电站纠偏提供可靠参考,是当前急需解决的问题。
发明内容
本发明的目的是为了克服现有的光伏电站发电量预测,比较复杂,操作性不够,准确性差,不能为光伏电站投资者预测需要及运行中的电站纠偏提供可靠参考的问题。本发明的基于多因子的光伏电站中长期发电量的预测方法,基于多因子电站中长期电量预测及构建方法,可用于电站投资规划、电站出力、电站监控等多个场景报表导出,可以用在不同地区的电站的电量预测,预测方法计算简单,高效稳定,具有很好的预测收益,还能够电站设计人员或者后期运维人员都可以做一个简单预测工具,帮助电站规划或者预警,具有良好的应用前景。
为了达到上述目的,本发明所采用的技术方案是:
一种基于多因子的光伏电站中长期发电量的预测方法,其特征在于:包括以下步骤,
步骤(A),根据环境检测仪及气象站的数据,获取光伏电站所在区域的电站维度、倾斜角、历史日水平辐射量,同时选取当月天数、所在一年中日期序号、太阳常数、地面反射率;
步骤(B),建立光伏电站的年斜面总辐射量与年散射辐射量、年反射辐射量、年直射辐照量的数学模型,计算出年斜面总辐射量I;
步骤(C),根据多因素修正经验值和拟合关系模拟算法相结合的方法,计算出光伏电站的综合效率η;
步骤(D),根据年斜面总辐射量I和综合效率η,计算出光伏电站的年有效小时数H;
步骤(E),根据光伏电站的装机容量C和光伏电站的年有效小时数H,计算出首年发电量W1;
步骤(F),通过光伏组件的衰变率修正值、该光伏电站的首年发电量W1,计算出该光伏电站的第n年发电量值Wn和该光伏电站25年的总发电量W。
前述的基于多因子的光伏电站中长期发电量的预测方法,其特征在于:步骤(A)所述电站维度,其根据光伏电站所在位置,根据GPS定位器测量的维度wd;所述倾斜角度是历史经验值x;所述历史日水平辐射量,借助NASA数据库获得光伏电站所在位置的日水平辐照量spf(i);所述当月天数为选取当年的每月的天数d(i);所在一年中日期序号为选取当年的天数序号n(i);所述太阳常数S=1.367;所述地面反射率a=0.2,其中i为1,2,……12,在选取当年的12个月中各选择一天。
前述的基于多因子的光伏电站中长期发电量的预测方法,其特征在于:步骤(B)建立光伏电站的年斜面总辐射量与年散射辐射量、年反射辐射量、年直射辐照量的数学模型,计算出年斜面总辐射量I,包括以下步骤,
(B1)根据公式(1),计算太阳赤纬角cwj,
cwj=pi*23.45*sin(2*π*(284+n(i))/365)/180
(1)
其中,pi为圆周率;
(B2)根据公式(2),计算太阳时间角sjj,
sjj=acos(-tan(wd)*tan(cwj))
(2)
(B3)根据公式(3),计算大气外辐照量dqw,
dqw=24/π*S*(1+0.033*cos(2*π*n(i)/365))*(cos(wd)*cos(cwj)*sin(sjj)+sjj*sin(wd)*sin(cwj))
(3)
(B4)根据公式(4),计算透射系数tsxs,
tsxs=spf(i)/dqw (4)
(B5)根据公式(5),计算水平散射辐照量sps,
sps=spf(i)*(1-1.13*(tsxs)) (5)
(B6)根据公式(6),计算水平直射辐照量spz,
spz=spf(i)-sps (6)
(B7)根据公式(7),计算倾斜面散射辐照量qxsf,
qxsf=(1+cos(x))*sps/2 (7)
(B8)根据公式(8),计算倾斜面反射辐照量qxff,
qxff=(1-cos(x))*a*spf(i)/2 (8)(B9)根据公式(9),计算最优时间角xsjj,
xsjj=min((sjj),acos(-tan((wd)-x)*tan(cwj))) (9)(B10)根据公式(10),计算倾斜面直射辐照量qxzf,
qxzf=spz*(cos(wd-x)*cos(cwj)*sin(xsjj)+(xsjj)*sin(wd-x)*sin(cwj))/(cos(wd)*cos(cwj)*sin(sjj)+sjj*sin(wd)*sin(cwj))
(10)
(B11)根据公式(11),计算年斜面总辐射量I,
I=(qxsf+qxff+qxzf)*d(i) (11)。
前述的基于多因子的光伏电站中长期发电量的预测方法,其特征在于:步骤(C)根据多因素修正经验值和拟合关系模拟算法相结合的方法,计算出光伏电站的综合效率η,根据公式(12)得到,
η=η1*η2*η3*η4*η5*η6*η7 (12)
其中,η1为光伏温度因子、η2为灰尘损耗率折减因子、η3为逆变器平均效率、η4为光伏电站内的综合损耗系数、η5为光伏电站内的机组可利用率、η6为光伏组件组合利用率、η7为可利用辐射量率。
前述的基于多因子的光伏电站中长期发电量的预测方法,其特征在于:步骤(D),计算出光伏电站的年有效小时数H,根据公式(13)得到,
H=I*η (13)
其中,I为年斜面总辐射量,η为光伏电站的综合效率。
前述的基于多因子的光伏电站中长期发电量的预测方法,其特征在于:步骤(E),计算出首年发电量W1,根据公式(14)得到,
W1=C*H (14)
其中,C为光伏电站的装机容量,η为光伏电站的年有效小时数H。
前述的基于多因子的光伏电站中长期发电量的预测方法,其特征在于:步骤(F),计算出该光伏电站的第n年发电量值Wn,根据公式(15)得到,
Wn=W1*(1-(n-1)*K) (15)
其中,W1为光伏电站的首年发电量,K为光伏组件的衰变率修正值,可为0.7%;
根据公式(16),计算得到该光伏电站25年的总发电量W,
W=W1+W2+……+Wn (16)
其中,n=25。
本发明的有益效果是:本发明的基于多因子的光伏电站中长期发电量的预测方法,基于多因子电站中长期电量预测及构建方法,可用于电站投资规划、电站出力、电站监控等多个场景报表导出,可以用在不同地区的电站的电量预测,预测方法计算简单,高效稳定,具有很好的预测收益,还能够电站设计人员或者后期运维人员都可以做一个简单预测工具,帮助电站规划或者预警,本发明的预测方法适用于不同区域天气条件下,预测电站n年中每年电站发电量及多年电站总发电量,偏差率在5%-10%范围内,对投资者、国家电网等角色具有典型性意义,为规模化、大容量的光伏电站的建立提供技术依据和理论指导,同时确保电站及时预估偏差,评估合理,具有良好的应用前景。
附图说明
图1是本发明的基于多因子的光伏电站中长期发电量的预测方法的流程图。
图2是本发明实施例的因子分类的示意图。
图3是本发明可通过多因子建立关系封装成常态化的电量预测小工具的示意图。
具体实施方式
下面将结合说明书附图,对本发明作进一步的说明。
本发明的基于多因子的光伏电站中长期发电量的预测方法,如图1所示,包括以下步骤,
步骤(A),根据环境检测仪及气象站的数据,获取光伏电站所在区域的电站维度、倾斜角、历史日水平辐射量,同时选取当月天数、所在一年中日期序号、太阳常数、地面反射率,所述电站维度,其根据光伏电站所在位置,根据GPS定位器测量的维度wd;所述倾斜角度是历史经验值x;所述历史日水平辐射量,借助NASA数据库获得光伏电站所在位置的日水平辐照量spf(i);所述当月天数为选取当年的每月的天数d(i);所在一年中日期序号为选取当年的天数序号n(i);所述太阳常数S=1.367;所述地面反射率a=0.2,其中i为1,2,……12,在选取当年的12个月中各选择一天;
步骤(B),建立光伏电站的年斜面总辐射量与年散射辐射量、年反射辐射量、年直射辐照量的数学模型,计算出年斜面总辐射量I,包括以下步骤,
(B1)根据公式(1),计算太阳赤纬角cwj,
cwj=pi*23.45*sin(2*π*(284+n(i))/365)/180
(1)
其中,pi为圆周率;
(B2)根据公式(2),计算太阳时间角sjj,
sjj=acos(-tan(wd)*tan(cwj))
(2)
(B3)根据公式(3),计算大气外辐照量dqw,
dqw=24/π*S*(1+0.033*cos(2*π*n(i)/365))*(cos(wd)*cos(cwj)*sin(sjj)+sjj*sin(wd)*sin(cwj))
(3)
(B4)根据公式(4),计算透射系数tsxs,
tsxs=spf(i)/dqw (4)
(B5)根据公式(5),计算水平散射辐照量sps,
sps=spf(i)*(1-1.13*(tsxs)) (5)
(B6)根据公式(6),计算水平直射辐照量spz,
spz=spf(i)-sps (6)
(B7)根据公式(7),计算倾斜面散射辐照量qxsf,
qxsf=(1+cos(x))*sps/2 (7)
(B8)根据公式(8),计算倾斜面反射辐照量qxff,
qxff=(1-cos(x))*a*spf(i)/2 (8)
(B9)根据公式(9),计算最优时间角xsjj,
xsjj=min((sjj),acos(-tan((wd)-x)*tan(cwj))) (9)(B10)根据公式(10),计算倾斜面直射辐照量qxzf,
qxzf=spz*(cos(wd-x)*cos(cwj)*sin(xsjj)+(xsjj)*sin(wd-x)*sin(cwj))/(cos(wd)*cos(cwj)*sin(sjj)+sjj*sin(wd)*sin(cwj))
(10)
(B11)根据公式(11),计算年斜面总辐射量I,
I=(qxsf+qxff+qxzf)*d(i) (11);
步骤(C),根据多因素修正经验值和拟合关系模拟算法相结合的方法,计算出光伏电站的综合效率η,根据公式(12)得到,
η=η1*η2*η3*η4*η5*η6*η7 (12)
其中,η1为光伏温度因子、η2为灰尘损耗率折减因子、η3为逆变器平均效率、η4为光伏电站内的综合损耗系数、η5为光伏电站内的机组可利用率、η6为光伏组件组合利用率、η7为可利用辐射量率,η1-η7的具体介绍取值如下,
1)光伏温度因子η1
根据晶硅电池片的温度特性,光伏电池的效率会随着其工作时的温度变化而变化,选用的是多晶硅太阳能组件,其温度系数为-0.41%/℃,即当电池片温度每上升1℃,电池片功率输出减少0.41%,结合本发明实施例的杭州气候状况,光伏温度因子η1取95%;
2)光伏阵列的灰尘损耗折减因子η2
经过试验,发现积灰量在0~0.7g/m2时,减少率从0迅速增加为7.4%;光伏方阵的输出功率迅速减小,当灰尘密度大于1g/m2时,减少率逐渐趋缓;直到灰尘密度达到4g/m2时,减少率增加到12.2%,对减少率与灰尘密度之间的关系进行了拟合,得出修正数学模型为
y=3.291lnz+7.904(z≥0.132)
y=-25.06z2+14.15z-0.001(0≤z<0.132)
公式中,z为光伏方阵表面积灰的灰尘密度,单位g/m2;y为输出功率的减少率,单位%,为了验证分析的光伏方阵表面灰尘密度影响输出功率的程度公式,选取杭州、嘉兴、马鞍山等地区夏季和秋季典型周期的测试数据,以一段时间内的光伏组件灰尘数据为基础,将通过所述影响模型预测得出输出功率与实际功率数值进行对比,结合实际功率数据验证影响模型的可靠度,并对影响模型进行修订,灰尘损耗折减因子η2选取97%为修正值;
3)逆变器平均效率η3
本发明实施例选用逆变器额定工作效率为98.6%(华为逆变器),综合工作效率逆变器平均效率η3取97%;
4)光伏电站内的综合损耗系数η4
光伏电站内线缆以线损不超过2%为设计,综合损耗系数η4取98%计(行业经验值);
5)光伏电站内的机组可利用率η5
虽然太阳能电池的故障率极低,但定期检修及电网故障依然造成一定损失,损失系数取1%,光伏电站内的机组可利用率η5取99%(行业经验值);
6)光伏组件组合利用率η6
由于太阳能电池板差异性,在串联、并联使用中会造成电流、电压损失,本项目选用一线品牌组件,在组件一致性上能得到较好的控制,光伏组件组合利用率η6取98%(行业经验值);
7)可利用辐射量率η7
当太阳辐射达到一定强度时逆变器方能启动工作,同时综合早晚太阳高度角低造成的组件阵列前后遮挡等因素,早晚不可利用辐射损失约5%,可利用辐射量率η7取95%(行业经验值);
步骤(D),根据年斜面总辐射量I和综合效率η,计算出光伏电站的年有效小时数H,根据公式(13)得到,
H=I*η (13)
其中,I为年斜面总辐射量,η为光伏电站的综合效率;
步骤(E),根据光伏电站的装机容量C和光伏电站的年有效小时数H,计算出首年发电量W1,根据公式(14)得到,
W1=C*H (14)
其中,C为光伏电站的装机容量,η为光伏电站的年有效小时数H;
步骤(F),通过光伏组件的衰变率修正值、该光伏电站的首年发电量W1,计算出该光伏电站的第n年发电量值Wn,根据公式(15)得到,
Wn=W1*(1-(n-1)*K) (15)
其中,W1为光伏电站的首年发电量,K为光伏组件的衰变率修正值,可为0.7%;
根据公式(16),计算得到该光伏电站25年的总发电量W,
W=W1+W2+……+Wn (16)
其中,n=25,可以根据需要选择不同数量的年份总和。
根据本发明的基于多因子的光伏电站中长期发电量的预测方法,下面介绍一具体实施例,如图2所示,获取随机指标和固定指标两类信息
随机指标指标电站的基本档案及所在地区的气象数据,包括采集电站所在区域的月平均辐射量、电站倾斜角、电站维度、电站组件品牌、逆变器品牌、汇流箱、电站容量及影响综合效率的各个因子的采集,其中,选取杭州电站的2015年情况,电站维度wd=0.529,倾斜角x=0.349,纬度和倾斜角要转换pi/180,历史日水平辐射量spf(i)=[1.95 2.54 2.563.61 4.34 3.96 5.00 4.53 3.71 3.06 2.35 1.96];
固定因子一般不随电站地理位置变化又受影响的指标,区域内区域一个常值的电站综合效率指标、太阳常数、地面反射率,固定因子:当月天数d(i)=[31,28,31,30,31,30,31,31,30,31,30,31];日期序号,n(i)=[15,47,64,105,135,166,198,228,258,288,319,344],取当年的12个月中各选择一天;太阳常数S=1.367;地面反射率a=0.2;i=[1,2,3,4,5,6,7,8,9,10,11,12],
η1光伏温度因子η1为95%、灰尘损耗率折减因子η2为97%、逆变器平均效率η3为97%、光伏电站内的综合损耗系数η4为98%、光伏电站内的机组可利用率η5为99%、光伏组件组合利用率η6为98%、可利用辐射量率温度折减因子η7为95%;
通过上述参数的确认,能够计算出光伏电站的综合效率η为80.7%,能够依次计算光伏电站的年有效小时数H、光伏电站的首年发电量W1、光伏电站第n年发电量值Wn、光伏电站25年的总发电量W。
本发明的基于多因子的光伏电站中长期发电量的预测方法,如图3所示,能够通过多因子建立关系,通过编程或者简单EXCEL建立公式实现业务封装,实现常态化的电量预测小工具。
综上所示,本发明的基于多因子的光伏电站中长期发电量的预测方法,基于多因子电站中长期电量预测及构建方法,可用于电站投资规划、电站出力、电站监控等多个场景报表导出,可以用在不同地区的电站的电量预测,预测方法计算简单,高效稳定,具有很好的预测收益,还能够电站设计人员或者后期运维人员都可以做一个简单预测工具,帮助电站规划或者预警,本发明的预测方法适用于不同区域天气条件下,预测电站n年中每年电站发电量及多年电站总发电量,偏差率在5%-10%范围内,对投资者、国家电网等角色具有典型性意义,为规模化、大容量的光伏电站的建立提供技术依据和理论指导,同时确保电站及时预估偏差,评估合理,具有良好的应用前景。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.基于多因子的光伏电站中长期发电量的预测方法,其特征在于:包括以下步骤,
步骤(A),根据环境检测仪及气象站的数据,获取光伏电站所在区域的电站维度、倾斜角、历史日水平辐射量,同时选取当月天数、所在一年中日期序号、太阳常数、地面反射率;
步骤(B),建立光伏电站的年斜面总辐射量与年散射辐射量、年反射辐射量、年直射辐照量的数学模型,计算出年斜面总辐射量I;
步骤(C),根据多因素修正经验值和拟合关系模拟算法相结合的方法,计算出光伏电站的综合效率η;
步骤(D),根据年斜面总辐射量I和综合效率η,计算出光伏电站的年有效小时数H;
步骤(E),根据光伏电站的装机容量C和光伏电站的年有效小时数H,计算出首年发电量W1;
步骤(F),通过光伏组件的衰变率修正值、该光伏电站的首年发电量W1,计算出该光伏电站的第n年发电量值Wn和该光伏电站25年的总发电量W。
2.根据权利要求1所述的基于多因子的光伏电站中长期发电量的预测方法,其特征在于:步骤(A)所述电站维度,其根据光伏电站所在位置,根据GPS定位器测量的维度wd;所述倾斜角度是历史经验值x;所述历史日水平辐射量,借助NASA数据库获得光伏电站所在位置的日水平辐照量spf(i);所述当月天数为选取当年的每月的 天数d(i);所在一年中日期序号为选取当年的天数序号n(i);所述太阳常数S=1.367;所述地面反射率a=0.2,其中i为1,2,……12,在选取当年的12个月中各选择一天。
3.根据权利要求1所述的基于多因子的光伏电站中长期发电量的预测方法,其特征在于:步骤(B)建立光伏电站的年斜面总辐射量与年散射辐射量、年反射辐射量、年直射辐照量的数学模型,计算出年斜面总辐射量I,包括以下步骤,
(B1)根据公式(1),计算太阳赤纬角cwj,
cwj=pi*23.45*sin(2*π*(284+n(i))/365)/180
(1)
其中,pi为圆周率;
(B2)根据公式(2),计算太阳时间角sjj,
sjj=acos(-tan(wd)*tan(cwj))
(2)
(B3)根据公式(3),计算大气外辐照量dqw,
dqw=24/π*S*(1+0.033*cos(2*π*n(i)/365))*(cos(wd)*cos(cwj)*sin(sjj)+s
jj*sin(wd)*sin(cwj))
(3)
(B4)根据公式(4),计算透射系数tsxs,
tsxs=spf(i)/dqw (4)
(B5)根据公式(5),计算水平散射辐照量sps,
sps=spf(i)*(1-1.13*(tsxs)) (5)
(B6)根据公式(6),计算水平直射辐照量spz,
spz=spf(i)-sps (6)
(B7)根据公式(7),计算倾斜面散射辐照量qxsf,
qxsf=(1+cos(x))*sps/2 (7)
(B8)根据公式(8),计算倾斜面反射辐照量qxff,
qxff=(1-cos(x))*a*spf(i)/2 (8)
(B9)根据公式(9),计算最优时间角xsjj,
xsjj=min((sjj),acos(-tan((wd)-x)*tan(cwj))) (9)
(B10)根据公式(10),计算倾斜面直射辐照量qxzf,
qxzf=spz*(cos(wd-x)*cos(cwj)*sin(xsjj)+(xsjj)*sin(wd-x)
*sin(cwj))/(cos(wd)*cos(cwj)*sin(sjj)+sjj*sin(wd)*sin(cwj))
(10)
(B11)根据公式(11),计算年斜面总辐射量I,
I=(qxsf+qxff+qxzf)*d(i) (11)。
4.根据权利要求1所述的基于多因子的光伏电站中长期发电量的预测方法,其特征在于:步骤(C)根据多因素修正经验值和拟合关系模拟算法相结合的方法,计算出光伏电站的综合效率η,根据公式(12)得到,
η=η1*η2*η3*η4*η5*η6*η7 (12)
其中,η1为光伏温度因子、η2为灰尘损耗率折减因子、η3为逆变器平均效率、η4为光伏电站内的综合损耗系数、η5为光伏电站内的机组可利用率、η6为光伏组件组合利用率、η7为可利用辐射量率。
5.根据权利要求1所述的基于多因子的光伏电站中长期发电量的预测方法,其特征在于:步骤(D),计算出光伏电站的年有效小时数H,根据公式(13)得到,
H=I*η (13)
其中,I为年斜面总辐射量,η为光伏电站的综合效率。
6.根据权利要求1所述的基于多因子的光伏电站中长期发电量的预测方法,其特征在于:步骤(E),计算出首年发电量W1,根据公式(14)得到,
W1=C*H (14)
其中,C为光伏电站的装机容量,H为光伏电站的年有效小时数。
7.根据权利要求1所述的基于多因子的光伏电站中长期发电量的预测方法,其特征在于:步骤(F),计算出该光伏电站的第n年发电量值Wn,根据公式(15)得到,
Wn=W1*(1-(n-1)*K) (15)
其中,W1为光伏电站的首年发电量,K为光伏组件的衰变率修正值,可为0.7%;
根据公式(16),计算得到该光伏电站25年的总发电量W,
W=W1+W2+……+Wn (16)
其中,n=25。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610551400.0A CN106203709A (zh) | 2016-07-13 | 2016-07-13 | 基于多因子的光伏电站中长期发电量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610551400.0A CN106203709A (zh) | 2016-07-13 | 2016-07-13 | 基于多因子的光伏电站中长期发电量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106203709A true CN106203709A (zh) | 2016-12-07 |
Family
ID=57476661
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610551400.0A Pending CN106203709A (zh) | 2016-07-13 | 2016-07-13 | 基于多因子的光伏电站中长期发电量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106203709A (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107092994A (zh) * | 2017-06-21 | 2017-08-25 | 苏州协鑫新能源运营科技有限公司 | 一种预测供电量的方法 |
CN107274021A (zh) * | 2017-06-16 | 2017-10-20 | 南京国电南自电网自动化有限公司 | 一种光伏功率预测系统干扰数据处理系统及方法 |
CN107480841A (zh) * | 2017-10-19 | 2017-12-15 | 四川省电力工业调整试验所 | 一种提高山地光伏发电功率预测的方法 |
CN107977898A (zh) * | 2017-12-28 | 2018-05-01 | 无锡英臻科技有限公司 | 一种光伏电站的发电量保险定价评估方法 |
CN108446811A (zh) * | 2018-06-06 | 2018-08-24 | 中国计量大学 | 一种基于分布式光伏电站设计的预测发电量计算方法 |
CN108549964A (zh) * | 2018-02-24 | 2018-09-18 | 武汉协鑫新能源电力设计有限公司 | 一种光伏对标平台的工作方法 |
CN109101740A (zh) * | 2018-08-24 | 2018-12-28 | 国安瑞(北京)科技有限公司 | 一种温度调节方法 |
CN110110918A (zh) * | 2019-04-30 | 2019-08-09 | 旻投电力发展有限公司 | 一种基于机器学习的光伏年发电量计算方法 |
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 |
CN111985671A (zh) * | 2020-04-10 | 2020-11-24 | 无锡英臻科技有限公司 | 光伏电站发电量预测及风险评估方法 |
CN112200377A (zh) * | 2020-10-16 | 2021-01-08 | 国能日新科技股份有限公司 | 基于sarimax模型的光伏中长期发电量预报方法及装置 |
CN112561150A (zh) * | 2020-12-07 | 2021-03-26 | 国家电网有限公司 | 一种光伏电站发电量预测方法及装置 |
CN112696835A (zh) * | 2020-12-16 | 2021-04-23 | 苏州西热节能环保技术有限公司 | 一种聚光式太阳能发电站的性能考核试验方法 |
CN116227249A (zh) * | 2023-05-10 | 2023-06-06 | 南方电网数字电网研究院有限公司 | 功率气象数据智能迁移的新能源长期电量预测方法与系统 |
CN116365508A (zh) * | 2023-03-09 | 2023-06-30 | 北京东润环能科技股份有限公司 | 一种基于气候模式的光伏电站发电量预测方法及系统 |
CN116938136A (zh) * | 2023-07-25 | 2023-10-24 | 纽艾杰电力工程(浙江)有限公司 | 一种光伏发电量在线检测装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020766A (zh) * | 2012-12-10 | 2013-04-03 | 上海电力设计院有限公司 | 用于光伏发电系统的光伏发电量计划方法 |
CN103942626A (zh) * | 2014-04-25 | 2014-07-23 | 云南省电力设计院 | 一种光伏电站布置原则的优化计算方法 |
-
2016
- 2016-07-13 CN CN201610551400.0A patent/CN106203709A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020766A (zh) * | 2012-12-10 | 2013-04-03 | 上海电力设计院有限公司 | 用于光伏发电系统的光伏发电量计划方法 |
CN103942626A (zh) * | 2014-04-25 | 2014-07-23 | 云南省电力设计院 | 一种光伏电站布置原则的优化计算方法 |
Non-Patent Citations (2)
Title |
---|
(美)凯伊哈尼著: "《智能电网可再生能源系统设计》", 30 September 2012 * |
郭家宝 等: "《光伏发电站设计关键技术》", 31 December 2014 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107274021A (zh) * | 2017-06-16 | 2017-10-20 | 南京国电南自电网自动化有限公司 | 一种光伏功率预测系统干扰数据处理系统及方法 |
CN107092994A (zh) * | 2017-06-21 | 2017-08-25 | 苏州协鑫新能源运营科技有限公司 | 一种预测供电量的方法 |
CN107480841A (zh) * | 2017-10-19 | 2017-12-15 | 四川省电力工业调整试验所 | 一种提高山地光伏发电功率预测的方法 |
CN107977898B (zh) * | 2017-12-28 | 2021-07-30 | 无锡英臻科技有限公司 | 一种光伏电站的发电量保险定价评估方法 |
CN107977898A (zh) * | 2017-12-28 | 2018-05-01 | 无锡英臻科技有限公司 | 一种光伏电站的发电量保险定价评估方法 |
CN108549964B (zh) * | 2018-02-24 | 2022-03-29 | 武汉协鑫新能源电力设计有限公司 | 一种光伏对标平台的工作方法 |
CN108549964A (zh) * | 2018-02-24 | 2018-09-18 | 武汉协鑫新能源电力设计有限公司 | 一种光伏对标平台的工作方法 |
CN108446811A (zh) * | 2018-06-06 | 2018-08-24 | 中国计量大学 | 一种基于分布式光伏电站设计的预测发电量计算方法 |
CN109101740A (zh) * | 2018-08-24 | 2018-12-28 | 国安瑞(北京)科技有限公司 | 一种温度调节方法 |
CN110110918A (zh) * | 2019-04-30 | 2019-08-09 | 旻投电力发展有限公司 | 一种基于机器学习的光伏年发电量计算方法 |
CN110110918B (zh) * | 2019-04-30 | 2023-04-28 | 旻投电力发展有限公司 | 一种基于机器学习的光伏年发电量计算方法 |
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 |
CN111985671A (zh) * | 2020-04-10 | 2020-11-24 | 无锡英臻科技有限公司 | 光伏电站发电量预测及风险评估方法 |
CN112200377A (zh) * | 2020-10-16 | 2021-01-08 | 国能日新科技股份有限公司 | 基于sarimax模型的光伏中长期发电量预报方法及装置 |
CN112561150A (zh) * | 2020-12-07 | 2021-03-26 | 国家电网有限公司 | 一种光伏电站发电量预测方法及装置 |
CN112696835A (zh) * | 2020-12-16 | 2021-04-23 | 苏州西热节能环保技术有限公司 | 一种聚光式太阳能发电站的性能考核试验方法 |
CN112696835B (zh) * | 2020-12-16 | 2022-07-19 | 苏州西热节能环保技术有限公司 | 一种聚光式太阳能发电站的性能考核试验方法 |
CN116365508A (zh) * | 2023-03-09 | 2023-06-30 | 北京东润环能科技股份有限公司 | 一种基于气候模式的光伏电站发电量预测方法及系统 |
CN116365508B (zh) * | 2023-03-09 | 2023-12-12 | 北京东润环能科技股份有限公司 | 一种基于气候模式的光伏电站发电量预测方法及系统 |
CN116227249A (zh) * | 2023-05-10 | 2023-06-06 | 南方电网数字电网研究院有限公司 | 功率气象数据智能迁移的新能源长期电量预测方法与系统 |
CN116227249B (zh) * | 2023-05-10 | 2023-09-15 | 南方电网数字电网研究院有限公司 | 功率气象数据智能迁移的新能源长期电量预测方法与系统 |
CN116938136A (zh) * | 2023-07-25 | 2023-10-24 | 纽艾杰电力工程(浙江)有限公司 | 一种光伏发电量在线检测装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106203709A (zh) | 基于多因子的光伏电站中长期发电量预测方法 | |
CN103440526B (zh) | 一种基于建筑信息模型的发电预测方法和装置 | |
CN103778340B (zh) | 大规模新能源发电特性的统计方法 | |
Mills | Implications of wide-area geographic diversity for short-term variability of solar power | |
Ekren et al. | Break-even analysis and size optimization of a PV/wind hybrid energy conversion system with battery storage–A case study | |
Trueblood et al. | PV Measures up for fleet duty: Data from a tennessee plant are used to illustrate metrics that characterize plant performance | |
CN104318314B (zh) | 一种基于光伏发电效率的发电量预测方法 | |
JP2013529051A (ja) | 太陽光発電予測システム並びに方法 | |
Meng et al. | Data-driven inference of unknown tilt and azimuth of distributed PV systems | |
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 | |
Kichou et al. | Energy performance enhancement of a research centre based on solar potential analysis and energy management | |
Almarshoud | Technical and economic performance of 1MW grid-connected PV system in Saudi Arabia | |
Banguero et al. | A verification study for grid-connected 20 kW solar PV system operating in Chocó, Colombia | |
Ameur et al. | Dynamic forecasting model of a hybrid photovoltaic/gravity energy storage system for residential applications | |
Lopes et al. | Predicted direct solar radiation (ECMWF) for optimized operational strategies of linear focus parabolic-trough systems | |
Basson et al. | Risk mitigation of performance ratio guarantees in commercial photovoltaic systems | |
Wang et al. | Wind power forecasting for reduction of system reserve | |
Dobreva et al. | Energy yield modelling of PV systems operating in Namibian conditions | |
Eseosa et al. | Investigating Impact and Viability of Hostile Weather Conditions on Solar Farm Establishment in Nigeria: A Case Study | |
Zhang et al. | Solar photovoltaic power prediction based on similar day approach | |
Massucco et al. | Optimal Sizing of a Storage System Coupled with Grid Connected Renewable Generation Respecting Day-Ahead Dispatch Profile | |
Makarova | Study, Design and Performance Analysis of a Grid-Connected Photovoltaic System: Case study: 5 MW Grid-Connected PV System in Namibia | |
Al-Jaafreh et al. | Techno-economic viability test of renewable energy supply options in developing countries: Jordan case study | |
Upadyay et al. | Computation of Power Generation of Green Power Unit based on Probability Distribution Parameter | |
Shakirov | An analysis of wind and solar power variability to assess its implications for power grid |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161207 |
|
RJ01 | Rejection of invention patent application after publication |