CN107818410A - 一种光伏组件积灰程度远程智能诊断方法 - Google Patents
一种光伏组件积灰程度远程智能诊断方法 Download PDFInfo
- Publication number
- CN107818410A CN107818410A CN201710993819.6A CN201710993819A CN107818410A CN 107818410 A CN107818410 A CN 107818410A CN 201710993819 A CN201710993819 A CN 201710993819A CN 107818410 A CN107818410 A CN 107818410A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msubsup
- photovoltaic
- dust stratification
- rainfall
- 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
- 239000000428 dust Substances 0.000 title claims abstract description 62
- 238000013517 stratification Methods 0.000 title claims abstract description 44
- 238000002405 diagnostic procedure Methods 0.000 title claims abstract description 12
- 238000004140 cleaning Methods 0.000 claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 claims abstract description 3
- 230000005611 electricity Effects 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 25
- 230000007423 decrease Effects 0.000 claims description 13
- 238000003745 diagnosis Methods 0.000 claims description 7
- 230000007935 neutral effect Effects 0.000 claims description 7
- 238000010348 incorporation Methods 0.000 claims description 6
- 238000000034 method Methods 0.000 claims description 6
- 230000001932 seasonal effect Effects 0.000 claims description 6
- 238000010248 power generation Methods 0.000 claims description 5
- 238000011161 development Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000005457 optimization Methods 0.000 abstract description 2
- 238000009434 installation Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 210000004218 nerve net Anatomy 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001680 brushing effect Effects 0.000 description 1
- 239000012459 cleaning agent Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000003786 synthesis reaction 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明公开了一种光伏组件积灰程度远程智能诊断方法,属于光伏优化运行技术领域,针对不同天气类型历史样本,分别建立清洁状态下基于模糊神经网络的光伏出力预估模型,根据模型计算出光伏清洁状态下理论出力值;将清洁状态预估值Pst与实时采集光伏实际出力值Pout比较;判断积灰损失电量是否达到清洗成本E,满足则记从上次清洗到当前时刻为T1,拟合日发电量衰退函数F(x);根据发电量衰退函数计算出T1时刻开始达到n倍积灰成本,这段时间,记为T2;再判断T2时刻内降雨量是否满足积灰冲刷阈值,满足则放弃此次清洗,等待降雨除尘,不满足则需立即组织清洗工作。本发明最大程度节省清洗成本。
Description
技术领域
本发明属于光伏优化运行技术领域,涉及一种光伏组件积灰程度远程智能诊断方法。
背景技术
光伏运维费用约占电站成本1%,以光伏电站成本7元/W来计算,运维成本约0.07元/W。2016年底全国的光伏装机总量为77.42GW,光伏运维市场规模突破50亿元。而根据“十三五”规划,2020年全中国的光伏装机量目标105GW以上,并且根据近期中国各地方政府陆续提出的装机规划,2020年的光伏装机总量可望突破147GW,光伏运维市场规模将达到70亿元~100亿元,光伏运维市场规模可观。
文献《光伏组件自动除尘装置设计与研究》设计了一种光伏组件自动除尘装置。该装置可通过铲、刷、抹3种动作完成光伏组件表面的清理。装置具有低耗、无水、无清洁剂和无二次污染等特点。文献《灰尘对光伏发电的影响及组件清洗研究》从灰尘的来源、种类及特性出发进行分析,结合国内外光伏电站组件清洗相关实测数据,研究灰尘对光伏发电的影响;并在此基础上,总结、对比目前已有的光伏电站组件清洗方式,分析各种清洗方式的选择方法和清洗周期的判断。《一款外置机械式光伏组件除尘装置除尘性能测试》设计一款自行设计的外置机械式光伏组件除尘装置样机进行了除尘效果的测试.以光伏组件闭路电流几为参考量,测试分析表明该除尘装置具有有效去除光伏组件表面灰尘、克服灰尘效应的功能,最佳作业次数为3次。这些文献大都涉及高效除尘装置的设计、各类清洗方式的选择方法,未考虑清洗的成本、发电量损失等指标。尚未有光伏组件积灰程度在线诊断方法,无法使光伏电站运行人员及时了解光伏组件积尘情况,缺少明确有效的清洗策略。
发明内容
本发明的目的在于克服现有技术中存在的缺陷,实现光伏电站的高效率运行,提供一种光伏组件积灰程度远程智能诊断方法,该方法不仅实时反映光伏组件的积灰程度、发电量损失情况等,同时提出了光伏组件远程智能诊断的光伏组件清洗预警策略,综合考虑清洗费用、清洗周期、天气情况等方面内容,为光伏电站运行人员提供精细化管理意见,最大程度节省清洗成本。
其具体技术方案为:
一种光伏组件积灰程度远程智能诊断方法,包括以下步骤:
步骤1:针对不同季节下不同天气类型历史样本,分别建立清洁状态下基于模糊神经网络的光伏出力预估模型,根据模型计算出光伏面板清洁状态下理论出力值;
步骤2:将上次清洗到当前时刻清洁状态预估值Pst与通过光伏发电站的遥测系统实时采集光伏组串实际出力值Pout(认为是光伏组件积尘情况下输出)比较,计算光伏衰减发电量Qsh;
步骤3:判断积灰导致的经济损失是否达到单次清洗成本E,满足则记从上次清洗到当前时刻为T1,且统计T1周期内日发电衰退量,拟合日发电量衰退函数F(x);根据发电量衰退函数计算出T1刻开始达到n倍积灰成本,这段时间(例如取值为0.5E)记为T2;再根据天气预报降雨量,T2时刻内降雨量是否满足积灰冲刷阈值,满足则放弃此次清洗,等待降雨除尘,不满足则需立即组织清洗工作。
进一步,步骤1具体为:
首先,分别针对光伏电站清洁发电功率历史数据和气象站提供的太阳辐照度、大气温度、相对湿度,分成不同季节下晴天、阴天、雨天等多种天气类型建立训练样本数据库,采用模糊神经网络建立光伏面板清洁状态理论发电模型;最后,采用不同类别下的预估模型对光伏清洁状态发电功率进行预估,输入样本xl=[x1 l........xn l]T,依次为温度、湿度、辐照度、历史清洁数据,网络误差函数E设为:
其中,y=[y1......yl]T表示神经网络的实际输出;d=[d1.......dl]T表示神经网络的期望输出;||*||2表示向量的2范数;
为了降低神经网络学习算法的复杂度,将隶属度函数变为
将神经网络的输出函数变为:
得出清洁状态下理论出力值。
进一步,步骤2中,计算光伏衰减发电量Qsh。
其中,Pst为清洁状态理论预估值;Pout为实际出力值。
进一步,步骤3具体为:
判断积灰导致的经济损失是否达到单次清洗成本E,
其中,c为光伏上网电价;E为单次除尘成本;
满足则记从上次清洗到当前时刻为T1;分别统计T1周期内日发电衰退量,拟合日发电量衰退函数F(x),拟合步骤如下:
1)统计从上次人工清洗开始到当前时刻每日光伏积尘导致发电衰减量;
2)判断T1周期内是否存在降雨,存在降雨则从最近一次降雨时刻到当时刻发电量衰退量进行拟合,得出后面一段时间积灰发展趋势;
根据发电量衰退函数计算T2:
根据发电量衰退函数计算出T1刻开始达到n倍积灰成本;再根据天气预报预报降雨量,判断T2时刻内降雨量是否满足积灰冲刷阈值,满足则放弃此次清洗,等待降雨除尘,不满足则需立即组织清洗工作;
诊断周期T1段:
预测周期T2段:
其中,c为光伏上网电价;E为单次除尘成本;
算法运行所处的时间角度:T1:站在第i天的角度上计算过去第1,2,…,i天的光伏发电累计损失量;T2:站在T1时刻计算未来1,2,…,i天的光伏发电预计损失量。
与现有技术相比,本发明的有益效果:
本发明不仅实时反映光伏组件的积灰程度、发电量损失情况等,同时提出了光伏组件远程智能诊断的光伏组件清洗预警策略,综合考虑清洗费用、清洗周期、天气情况等方面内容,为光伏电站运行人员提供精细化管理意见,最大程度节省清洗成本。
附图说明
图1光伏组件积灰程度远程智能诊断方法流程图;
图2按不同天气类型建立预测模型流程图;
图3情形一清洁状态预估值与实际值对比图;
图4情形二清洁状态预估值与实际值对比图;
图5清洗一积灰导致日发电量衰退结果图;
图6情形二积灰导致日发电量衰退结果图;
图7情形一积灰导致日发电衰退量拟合曲线;
图8情形二积灰导致日发电衰退量拟合曲线。
具体实施方式
下面结合具体实施例对本发明的技术方案作进一步详细地说明。
下面以甘肃某光伏电站两个不同时间段(情形一、情形二)实际数据为具体实施例对其进行详细说明,实例用于说明但不限于本发明,积灰程度诊断方法流程图见图1。
步骤1:针对不同季节下不同天气类型历史样本,分别建立清洁状态下基于模糊神经网络的光伏出力预估模型,根据模型计算出光伏面板清洁状态下理论出力值。由图2所示,分别针对光伏电站清洁发电功率历史数据和气象站提供的太阳辐照度、大气温度、相对湿度,分成不同季节下晴天、阴天、雨天等多种天气类型建立训练样本数据库,采用模糊神经网络建立光伏面板清洁状态理论发电模型;最后,采用不同类别下的预估模型对光伏清洁状态发电功率进行预估,输入样本xl=[x1 l........xn l]T,依次为温度、湿度、辐照度、历史清洁数据,网络误差函数E设为:
其中,y=[y1......yl]T表示神经网络的实际输出;d=[d1.......dl]T表示神经网络的期望输出;||*||2表示向量的2范数;
为了降低神经网络学习算法的复杂度,将隶属度函数变为
将神经网络的输出函数变为:
得出清洁状态下理论出力值。
得出清洁状态下理论出力值。情形一如图3,情形二见图4。
步骤2:将上述两种情形从上次清洗到当前时刻,清洁状态预估值Pst与通过光伏发电站的遥测系统实时采集光伏组串实际出力值Pout(认为是光伏组件积尘情况下输出,见图2、3实线曲线)比较,计算两种情形光伏衰减发电量,结果如图5、附图6所示。计算光伏衰减发电量Qsh。
其中,Pst为清洁状态理论预估值;Pout为实际出力值。
步骤3:判断积灰导致的经济损失是否达到单次清洗成本E,
其中,c为光伏上网电价;E为单次除尘成本;
图2、3中黑色虚线表示当前时刻,从0时刻到当前时刻为T1;分别统计T1周期内日发电衰退量,拟合日发电量衰退函数F(x),满足则记从上次清洗到当前时刻为T1;分别统计T1周期内日发电衰退量,拟合日发电量衰退函数F(x),拟合步骤如下:
1)统计从上次人工清洗开始到当前时刻每日光伏积尘导致发电衰减量;
2)判断T1周期内是否存在降雨,存在降雨则从最近一次降雨时刻到当时刻发电量衰退量进行拟合,得出后面一段时间积灰发展趋势;
实例两种情形发电量衰退函数拟合结果如、图7、8所示。
根据发电量衰退函数计算T2:
根据发电量衰退函数计算出T1刻开始达到n倍积灰成本;再根据天气预报预报降雨量,判断T2时刻内降雨量是否满足积灰冲刷阈值,满足则放弃此次清洗,等待降雨除尘,不满足则需立即组织清洗工作;
诊断周期T1段:
预测周期T2段:
其中,c为光伏上网电价;E为单次除尘成本;
算法运行所处的时间角度:T1:站在第i天的角度上计算过去第1,2,…,i天的光伏发电累计损失量;T2:站在T1时刻计算未来1,2,…,i天的光伏发电预计损失量。
计算出T1刻开始达到n倍积灰成本(本实例取值为0.5E)这段时间,记为T2,结果如图7、8所示;根据天气预报降雨量,判断如下:
情形一T2周期内(2两天),存在降雨且降雨量(30mm),满足积灰冲刷阈值10mm(注:该值不同与光伏面板天顶角有关),故放弃此次清洗,等待降雨除尘。
情形二T2周期内(3天),不存在降雨,不满足积灰冲刷降雨条件,远程终端发出积尘清洗预警信号,提醒光伏电站运维人员当前时刻需立即组织清洗工作。
据此就得到一种光伏组件积灰程度远程智能诊断方法。
以上所述,仅为本发明较佳的具体实施方式,本发明的保护范围不限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,可显而易见地得到的技术方案的简单变化或等效替换均落入本发明的保护范围内。
Claims (4)
1.一种光伏组件积灰程度远程智能诊断方法,其特征在于,包括以下步骤:
步骤1:针对不同季节下不同天气类型历史样本,分别建立清洁状态下基于模糊神经网络的光伏出力预估模型,根据模型计算出光伏面板清洁状态下理论出力值;
步骤2:将上次清洗到当前时刻清洁状态预估值Pst与通过光伏发电站的遥测系统实时采集光伏组串实际出力值Pout比较,计算光伏衰减发电量Qsh;
步骤3:判断积灰导致的经济损失是否达到单次清洗成本E,满足则记从上次清洗到当前时刻为T1,且统计T1周期内日发电衰退量,拟合日发电量衰退函数F(x);根据发电量衰退函数计算出T1刻开始达到n倍积灰成本,这段时间,记为T2;再根据天气预报降雨量,T2时刻内降雨量是否满足积灰冲刷阈值,满足则放弃此次清洗,等待降雨除尘,不满足则需立即组织清洗工作。
2.根据权利要求1所述的光伏组件积灰程度远程智能诊断方法,其特征在于,步骤1具体为:
首先,分别针对光伏电站清洁发电功率历史数据和气象站提供的太阳辐照度、大气温度、相对湿度,分成不同季节下晴天、阴天、雨天的多种天气类型建立训练样本数据库,采用模糊神经网络建立光伏面板清洁状态理论发电模型;最后,采用不同类别下的预估模型对光伏清洁状态发电功率进行预估,输入样本xl=[x1 l........xn l]T,依次为温度、湿度、辐照度、历史清洁数据,网络误差函数E设为:
<mrow>
<mi>E</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>L</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>l</mi>
</msub>
<mo>-</mo>
<msub>
<mi>d</mi>
<mi>l</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>-</mo>
<mo>|</mo>
<mo>|</mo>
<mi>y</mi>
<mo>-</mo>
<mi>d</mi>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mn>2</mn>
<mn>2</mn>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,y=[y1......yl]T表示神经网络的实际输出;d=[d1.......dl]T表示神经网络的期望输出;||*||2表示向量的2范数;
为了降低神经网络学习算法的复杂度,将隶属度函数变为
<mrow>
<msubsup>
<mi>w</mi>
<mi>i</mi>
<mi>j</mi>
</msubsup>
<mo>=</mo>
<mi>exp</mi>
<mo>&lsqb;</mo>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>b</mi>
<mi>i</mi>
<mi>j</mi>
</msubsup>
<mo>(</mo>
<mrow>
<msubsup>
<mi>x</mi>
<mi>i</mi>
<mi>l</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>c</mi>
<mi>i</mi>
<mi>j</mi>
</msubsup>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>&rsqb;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
将神经网络的输出函数变为:
<mrow>
<msub>
<mi>y</mi>
<mi>l</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msubsup>
<mi>w</mi>
<mi>i</mi>
<mi>j</mi>
</msubsup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>p</mi>
<mn>0</mn>
<mi>j</mi>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>p</mi>
<mn>1</mn>
<mi>j</mi>
</msubsup>
<msubsup>
<mi>x</mi>
<mn>1</mn>
<mi>l</mi>
</msubsup>
<mo>+</mo>
<mo>...</mo>
<mo>&CenterDot;</mo>
<mo>&CenterDot;</mo>
<msubsup>
<mi>p</mi>
<mi>n</mi>
<mi>j</mi>
</msubsup>
<msubsup>
<mi>x</mi>
<mi>n</mi>
<mi>l</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
得出清洁状态下理论出力值。
3.根据权利要求1所述的光伏组件积灰程度远程智能诊断方法,其特征在于,步骤2中,计算光伏衰减发电量Qsh;
<mrow>
<msub>
<mi>Q</mi>
<mrow>
<mi>s</mi>
<mi>h</mi>
</mrow>
</msub>
<mo>=</mo>
<msubsup>
<mo>&Integral;</mo>
<mn>0</mn>
<mi>t</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>P</mi>
<mi>o</mi>
<mi>u</mi>
<mi>t</mi>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
<mo>-</mo>
<mi>P</mi>
<mi>s</mi>
<mi>t</mi>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>t</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,Pst为清洁状态理论预估值;Pout为实际出力值。
4.根据权利要求1所述的光伏组件积灰程度远程智能诊断方法,其特征在于,步骤3具体为:
判断积灰导致的经济损失是否达到单次清洗成本E,
<mrow>
<mi>c</mi>
<mo>&CenterDot;</mo>
<msubsup>
<mo>&Integral;</mo>
<mn>0</mn>
<mi>t</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>P</mi>
<mi>o</mi>
<mi>u</mi>
<mi>t</mi>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
<mo>-</mo>
<mi>P</mi>
<mi>s</mi>
<mi>t</mi>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>t</mi>
<mo>&GreaterEqual;</mo>
<mi>E</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,c为光伏上网电价;E为单次除尘成本;
满足则记从上次清洗到当前时刻为T1;分别统计T1周期内日发电衰退量,拟合日发电量衰退函数F(x),拟合步骤如下:
1)统计从上次人工清洗开始到当前时刻每日光伏积尘导致发电衰减量;
2)判断T1周期内是否存在降雨,存在降雨则从最近一次降雨时刻到当时刻发电量衰退量进行拟合,得出后面一段时间积灰发展趋势;
根据发电量衰退函数计算T2:
<mrow>
<mi>c</mi>
<mo>&CenterDot;</mo>
<msubsup>
<mo>&Integral;</mo>
<msub>
<mi>T</mi>
<mn>1</mn>
</msub>
<mi>t</mi>
</msubsup>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>x</mi>
<mo>&GreaterEqual;</mo>
<mn>0.5</mn>
<mi>E</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
根据发电量衰退函数计算出T1刻开始达到n倍积灰成本;再根据天气预报预报降雨量,判断T2时刻内降雨量是否满足积灰冲刷阈值,满足则放弃此次清洗,等待降雨除尘,不满足则需立即组织清洗工作;
诊断周期T1段:
预测周期T2段:
其中,c为光伏上网电价;E为单次除尘成本;
算法运行所处的时间角度:T1:站在第i天的角度上计算过去第1,2,…,i天的光伏发电累计损失量;T2:站在T1时刻计算未来1,2,…,i天的光伏发电预计损失量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710993819.6A CN107818410B (zh) | 2017-10-23 | 2017-10-23 | 一种光伏组件积灰程度远程智能诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710993819.6A CN107818410B (zh) | 2017-10-23 | 2017-10-23 | 一种光伏组件积灰程度远程智能诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107818410A true CN107818410A (zh) | 2018-03-20 |
CN107818410B CN107818410B (zh) | 2021-12-14 |
Family
ID=61608437
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710993819.6A Active CN107818410B (zh) | 2017-10-23 | 2017-10-23 | 一种光伏组件积灰程度远程智能诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107818410B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108960453A (zh) * | 2018-07-31 | 2018-12-07 | 江苏林洋新能源科技有限公司 | 光伏电站积灰经济清洗计算方法 |
CN110046329A (zh) * | 2019-04-24 | 2019-07-23 | 河海大学常州校区 | 一种计算光伏组件积灰损失的多元回归模型的构建方法 |
CN110162836A (zh) * | 2019-04-22 | 2019-08-23 | 创维互联(北京)新能源科技有限公司 | 基于光伏板发电能力的积灰评价方法、积灰清洗控制方法及积灰评价系统和可读存储介质 |
CN111461407A (zh) * | 2020-03-10 | 2020-07-28 | 苏州瑞得恩工业物联网科技有限公司 | 光伏电站清洗频率的预测方法及存储介质 |
CN112487609A (zh) * | 2020-11-06 | 2021-03-12 | 华北电力科学研究院有限责任公司 | 一种光伏组件清洗时刻确定方法及装置 |
CN112949921A (zh) * | 2021-02-26 | 2021-06-11 | 杭州电子科技大学 | 基于光伏组件发电效率估算的光伏面板积尘度评测方法 |
CN113393046A (zh) * | 2021-06-23 | 2021-09-14 | 阳光电源股份有限公司 | 一种光伏功率预测方法及其应用装置 |
CN113676135A (zh) * | 2021-09-08 | 2021-11-19 | 国能日新科技股份有限公司 | 基于神经网络及光学污染测量的光伏能效监测方法及系统 |
CN115861855A (zh) * | 2022-12-15 | 2023-03-28 | 福建亿山能源管理有限公司 | 一种光伏电站的运维监测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105827195A (zh) * | 2016-03-18 | 2016-08-03 | 许继集团有限公司 | 一种光伏组件清洗方法 |
CN206177366U (zh) * | 2016-11-16 | 2017-05-17 | 安阳师范学院 | 一种光伏组件积灰检测与清扫控制装置 |
WO2017145194A1 (ja) * | 2016-02-24 | 2017-08-31 | 株式会社 スカイロボット | 太陽光発電パネルの清掃装置 |
CN107133713A (zh) * | 2017-03-13 | 2017-09-05 | 华电电力科学研究院 | 一种光伏电站智能清洗决策系统的建立方法 |
CN107181461A (zh) * | 2017-05-23 | 2017-09-19 | 青海大唐国际格尔木光伏发电有限责任公司 | 一种光伏组串清洗方法和装置 |
CN107222721A (zh) * | 2017-06-30 | 2017-09-29 | 安徽大恒能源科技有限公司 | 一种光伏组件除尘需求监控和预测方法 |
-
2017
- 2017-10-23 CN CN201710993819.6A patent/CN107818410B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017145194A1 (ja) * | 2016-02-24 | 2017-08-31 | 株式会社 スカイロボット | 太陽光発電パネルの清掃装置 |
CN105827195A (zh) * | 2016-03-18 | 2016-08-03 | 许继集团有限公司 | 一种光伏组件清洗方法 |
CN206177366U (zh) * | 2016-11-16 | 2017-05-17 | 安阳师范学院 | 一种光伏组件积灰检测与清扫控制装置 |
CN107133713A (zh) * | 2017-03-13 | 2017-09-05 | 华电电力科学研究院 | 一种光伏电站智能清洗决策系统的建立方法 |
CN107181461A (zh) * | 2017-05-23 | 2017-09-19 | 青海大唐国际格尔木光伏发电有限责任公司 | 一种光伏组串清洗方法和装置 |
CN107222721A (zh) * | 2017-06-30 | 2017-09-29 | 安徽大恒能源科技有限公司 | 一种光伏组件除尘需求监控和预测方法 |
Non-Patent Citations (2)
Title |
---|
曹晓宁等: "光伏电站组件清洗方案的经济性分析", 《节能与环保》 * |
陈利等: "光伏组件清洁工作对光伏发电成本的经济性分析", 《国网技术学院学报》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108960453B (zh) * | 2018-07-31 | 2022-03-08 | 江苏林洋新能源科技有限公司 | 光伏电站积灰经济清洗计算方法 |
CN108960453A (zh) * | 2018-07-31 | 2018-12-07 | 江苏林洋新能源科技有限公司 | 光伏电站积灰经济清洗计算方法 |
CN110162836A (zh) * | 2019-04-22 | 2019-08-23 | 创维互联(北京)新能源科技有限公司 | 基于光伏板发电能力的积灰评价方法、积灰清洗控制方法及积灰评价系统和可读存储介质 |
CN110046329A (zh) * | 2019-04-24 | 2019-07-23 | 河海大学常州校区 | 一种计算光伏组件积灰损失的多元回归模型的构建方法 |
CN110046329B (zh) * | 2019-04-24 | 2023-01-31 | 河海大学常州校区 | 一种计算光伏组件积灰损失的多元回归模型的构建方法 |
CN111461407A (zh) * | 2020-03-10 | 2020-07-28 | 苏州瑞得恩工业物联网科技有限公司 | 光伏电站清洗频率的预测方法及存储介质 |
CN112487609A (zh) * | 2020-11-06 | 2021-03-12 | 华北电力科学研究院有限责任公司 | 一种光伏组件清洗时刻确定方法及装置 |
CN112487609B (zh) * | 2020-11-06 | 2024-03-26 | 华北电力科学研究院有限责任公司 | 一种光伏组件清洗时刻确定方法及装置 |
CN112949921A (zh) * | 2021-02-26 | 2021-06-11 | 杭州电子科技大学 | 基于光伏组件发电效率估算的光伏面板积尘度评测方法 |
CN112949921B (zh) * | 2021-02-26 | 2023-10-31 | 杭州电子科技大学 | 基于光伏组件发电效率估算的光伏面板积尘度评测方法 |
CN113393046A (zh) * | 2021-06-23 | 2021-09-14 | 阳光电源股份有限公司 | 一种光伏功率预测方法及其应用装置 |
CN113676135A (zh) * | 2021-09-08 | 2021-11-19 | 国能日新科技股份有限公司 | 基于神经网络及光学污染测量的光伏能效监测方法及系统 |
CN113676135B (zh) * | 2021-09-08 | 2024-02-20 | 国能日新科技股份有限公司 | 基于神经网络及光学污染测量的光伏能效监测方法及系统 |
CN115861855A (zh) * | 2022-12-15 | 2023-03-28 | 福建亿山能源管理有限公司 | 一种光伏电站的运维监测方法及系统 |
CN115861855B (zh) * | 2022-12-15 | 2023-10-24 | 福建亿山能源管理有限公司 | 一种光伏电站的运维监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107818410B (zh) | 2021-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107818410A (zh) | 一种光伏组件积灰程度远程智能诊断方法 | |
CN105827195B (zh) | 一种光伏组件清洗方法 | |
CN107276079A (zh) | 一种智能清洁评估系统 | |
CN108960453B (zh) | 光伏电站积灰经济清洗计算方法 | |
CN108399493A (zh) | 积灰致光伏发电量损失预测方法及光伏组件清洗判断方法 | |
CN105069527A (zh) | 一种基于数据挖掘技术的台区合理线损预测方法 | |
CN106100579B (zh) | 一种基于数据分析的光伏电站故障诊断方法 | |
CN106529723A (zh) | 基于监控平台实现光伏电站清洗周期估计的方法 | |
CN107679672A (zh) | 一种基于积尘发电损失预测的光伏电站清洗时机辅助决策方法 | |
CN107040206A (zh) | 一种光伏电池板积灰状态监测系统与清洗周期优化方法 | |
CN107507163A (zh) | 一种识别光伏太阳能板表面污垢程度的方法及系统 | |
CN103345637A (zh) | 输电线路复合绝缘子憎水性在线检测系统及方法 | |
CN110022123A (zh) | 光伏电站智能清洁管理系统 | |
CN108572011B (zh) | 一种基于机器视觉的光伏电池板积灰状态监测系统及计算方法 | |
CN108268028A (zh) | 光伏电池板清洗工作的智能规划系统及方法 | |
CN107403015A (zh) | 一种基于时间序列相似性的短期光功率预测方法 | |
CN113888559A (zh) | 一种光伏组件清洗机器人的智能控制方法 | |
CN105930424A (zh) | 一种实现配电网数据在线异步采集智能挖掘的方法 | |
CN112232532A (zh) | 基于视觉感知的光伏电池板夜间清洁方案自动生成方法 | |
CN106649972A (zh) | 基于改进模糊神经网络的输电线路绝缘子状态检测方法 | |
CN107248740A (zh) | 一种家庭用电设备负荷预测方法 | |
CN206177366U (zh) | 一种光伏组件积灰检测与清扫控制装置 | |
CN107229817B (zh) | 光伏电站灰尘遮挡损失分析方法 | |
CN104484828B (zh) | 一种基于逻辑回归的高压电器运行质量评估方法及系统 | |
CN103824124B (zh) | 一种针对电网公司的节能潜力评估方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |