CN108345576A - 恶劣天气影响下的标杆光伏逆变器辐照度网络建立方法 - Google Patents

Abstract

本发明公开了一种恶劣天气影响下的标杆光伏逆变器辐照度网络建立方法，具体步骤为：利用各种天气数据以及对不同天气影响下各个光伏逆变器的辐照度进行数据包络分析，选择合适的光伏逆变器作为标杆逆变器，将各种环境因素作为输入量，结合所述的标杆光伏逆变器，得到的光伏逆变器和输入的因素量有关系。本发明公开了一个恶劣天气影响下的标杆光伏逆变器辐照度网络建立方法，通过不断比较各个光伏逆变器历史和现在的各个因素寻找标杆光伏逆变器，从而建立网络，来统计整个光伏电场的辐照度。

Description

恶劣天气影响下的标杆光伏逆变器辐照度网络建立方法

技术领域

本发明属于电力系统技术领域，具体涉及光伏电场的辐照度统计技术，尤其涉及一种恶劣天气影响下的标杆光伏逆变器辐照度网络建立方法。

背景技术

随着传统能源的耗尽，太阳能光伏发电在21世纪会占据世界能源消费的重要席位，不但要替代部分常规能源，而且将成为世界能源供应的主体。预计到2030年，可再生能源在总能源结构中将占到30％以上，而太阳能光伏发电在世界总电力供应中的占比也将达到10％以上；到2040年，可再生能源将占总能耗的50％以上，太阳能光伏发电将占总电力的20％以上；到21世纪末，可再生能源在能源结构中将占到80％以上，太阳能发电将占到60％以上。这些数字足以显示出太阳能光伏产业的发展前景及其在能源领域重要的战略地位。

随着光伏发电的发展，光伏电场的规模不断扩大，随之而来的问题是，在整个电场中由于天气情况会出现个别或者局部光伏逆变器出现出力不稳定的情况，而通常情况下，在统计整体电场发电量时，我们不能直接统计所有光伏逆变器的光辐照度，因此我们通常会选取几个光伏逆变器来进行计算得到整体电场的发电量。综上所述，如何选择光伏逆变器在光伏电站标杆逆变器的选择在对整体电场的发电量评估有着重要的作用，是亟待讨论的问题。

发明内容

针对现有技术的上述缺陷，本发明的目的在于提供一种恶劣天气影响下的标杆光伏逆变器辐照度网络建立方法，利用各种天气数据以及对不同天气影响下各个光伏逆变器的辐照度进行分析，选择合适的光伏逆变器作为标杆逆变器，从而在以后利用这些标杆逆变器对整个光伏电场进行辐照度统计。

为实现上述目的，本发明提供了一种恶劣天气影响下的标杆光伏逆变器辐照度网络建立方法，所述方法包括如下步骤：

步骤1.对原始数据进行预处理；

步骤2.利用数据包络分析法，选择标杆光伏逆变器。

将各种环境因素作为输入量，结合所述的标杆光伏逆变器，得到的光伏逆变器和输入的因素量有关系。

进一步地，所述步骤1中所述对原始数据进行预处理的具体过程如下：

原始数据在采集过程中会出现丢失，错误等情况，面对以下情况需要对原始数据进行预处理：

情况1.在一个连续时间区间，某项数据无法得到；

情况2.在一个连续的时间段内，某几项数据无法得到；

情况3.在一些时间段内数据曲线出现大面积缺失；

情况4.出现数据噪声(孤立点)，出现与预期值极其不相符的数据；

情况5.出现跳表情况。

对于原始数据的缺失或者异常，采用最有可能的取值来代替缺失或者异常点。

进一步地，所述步骤2中所述利用数据包络分析法，选择标杆光伏逆变器的具体过程如下：

(1)数据包络分析法：假定某个DMU(可以是学校、企业、政府部门等)在某项生产活动中的投入为m维向量x_i＝(x_i1,x_i2,…,x_ij,…x_im)，产出为n维向量y_i＝(y_i1,y_i2,…,y_ij,…y_in)。

(2)(x_k,y_k)对应第k个DMU的投入、产出向量，(x₀,y₀)对应被评价DMU。

(3)用X,Y表示DMU的整个生产活动，r个DMU的投入集就可以构成一个r×m阶的投入矩阵，其产出集构成一个r×n阶产出矩阵。

(4)结合广义DEA模型和广义DEA-WEI模型实现投入产出计算和多属性综合评价。

(5)对于所述平均DEA模型，平均偏好的DEA模型和矩阵偏好的DEA模型，设“>”表示平均序，则所述广义DEA-WEI模型可写作：

其中w_j表示第j个产出指标的给定权重。为考察上述模型，引入另一种乘数形式的DEA-WEI模型

该乘数模型可以看成是采用了线性加权形式的多属性效用函数模型，并且所有DMUs的效用(绩效得分)都被标准化到(0,1]区间内。

采用所述平均偏好的DEA-WEI模型可以通过其乘数形式模型转化为线性加权的效用函数。DEA-WE不需要对指标数据进行标准化，并将所有DMUs的绩效得分标准化到(0,1]区间内。

如果“>”表示矩阵偏好，则DEA-WEI模型可以写成如下形式:

其中矩阵B可以表示决策者在投入和产出变量上的偏好。

根据所述DEA模型和广义DEA-WEI模型，我们将各种环境因素作为输入量，来得到几个符合条件的标杆光伏逆变器，得到的光伏逆变器和输入的因素量有关系。

附图说明

图1是本发明一较佳实施例的恶劣天气影响下的标杆光伏逆变器辐照度网络建立方法发电能力评估方法流程示意图。

图2是本发明另一较佳实施例的DEA评价方法的流程示意图。

具体实施方式

下面对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。

一种恶劣天气影响下的标杆光伏逆变器辐照度网络建立方法，利用各种天气数据以及对不同天气影响下各个光伏逆变器的辐照度进行分析，选择合适的光伏逆变器作为标杆逆变器，从而在以后利用这些标杆逆变器对整个光伏电场进行辐照度统计。其流程如图1所示，具体包括如下步骤：

步骤1.对原始数据进行预处理；

步骤2.利用数据包络分析法，选择标杆光伏逆变器。

将各种环境因素作为输入量，结合所述的标杆光伏逆变器，得到的光伏逆变器和输入的因素量有关系。

进一步地，所述步骤1中所述对原始数据进行预处理的具体过程如下：

原始数据在采集过程中会出现丢失，错误等情况，面对以下情况需要对原始数据进行预处理：

情况1.在一个连续时间区间，某项数据无法得到；

情况2.在一个连续的时间段内，某几项数据无法得到；

情况3.在一些时间段内数据曲线出现大面积缺失；

情况4.出现数据噪声(孤立点)，出现与预期值极其不相符的数据；

情况5.出现跳表情况。

对于原始数据的缺失或者异常，采用最有可能的取值来代替缺失或者异常点。

进一步地，所述步骤2中所述利用数据包络分析法，选择标杆光伏逆变器的具体过程如下：

(1)数据包络分析法：假定某个DMU(可以是学校、企业、政府部门等)在某项生产活动中的投入为m维向量x_i＝(x_i1,x_i2,…,x_ij,…x_im)，产出为n维向量y_i＝(y_i1,y_i2,…,y_ij,…y_in)。

(2)(x_k,y_k)对应第k个DMU的投入、产出向量，(x₀,y₀)对应被评价DMU。

(3)用X,Y表示DMU的整个生产活动，r个DMU的投入集就可以构成一个r×m阶的投入矩阵，其产出集构成一个r×n阶产出矩阵。

(4)结合广义DEA模型和广义DEA-WEI模型实现投入产出计算和多属性综合评价。其中广义DEA模型为：

广义DEA模型为：

其中，为使最终的绩效测量结果具有实际意义，初始偏好应该满足如下两个性质：

a.传递性，即若A>B，B>C，那么A>C，这样绩效测量的结果便于被评DMU0找到逻辑上合适的标杆。

b.反对称性，即如果A>B，那么B就不>A，除非二者相等。满足了这条性质的偏好才会使绩效测量结果在逻辑上与决策者初始偏好相容境。

这里定义如下偏好：对于

y_A＝(y_A1,y_A2),y_B＝(y_B1,y_B2),

y_A＞y_B，当且仅当其中(y_A1,y_A2)＝(θ₁·y_B1,θ₂·y_B2)。这一偏好所对应的具体DEA-WEI模型为

若假设y_A＝(1,8),y_B＝(6,2),则根据偏好的定义知，(6,2)＝(θ₁，8θ₂)，那么θ₂＝1/4,θ₁+θ₂＞2，即y_B＞y_A。但若从另一边看，(1,8)＝(θ₁6,2θ₂)，则

θ₁＝6，θ₂＝1/4,θ₁+θ₂＞2,即y_A＞y_B。所以该偏好并不满足反对称性。如果将上述数据代入模型计算，则A的效率得分为(6+1/4)/2＝3.125，而B的效率得分为(4+1/6)/2≈2.083，都大于1。即出现A的学习标杆是B，但B的学习标杆又是A的荒谬情况。

(5)对于所述平均DEA模型，平均偏好的DEA模型和矩阵偏好的DEA模型，设“>”表示平均序，则所述广义DEA-WEI模型可写作：

其中w_j表示第j个产出指标的给定权重。为考察上述模型，引入另一种乘数形式的DEA-WEI模型：

该乘数模型可以看成是采用了线性加权形式的多属性效用函数模型，并且所有DMUs的效用(绩效得分)都被标准化到(0,1]区间内。

采用所述平均偏好的DEA-WEI模型可以通过其乘数形式模型转化为线性加权的效用函数。DEA-WE不需要对指标数据进行标准化，并将所有DMUs的绩效得分标准化到(0,1]区间内。

如果“>”表示矩阵偏好，则DEA-WEI模型可以写成如下形式:

其中矩阵B可以表示决策者在投入和产出变量上的偏好。

根据所述DEA模型和广义DEA-WEI模型，我们将各种环境因素作为输入量，来得到几个符合条件的标杆光伏逆变器，得到的光伏逆变器和输入的因素量有关系。

以上实施例公开的方法为电力系统建设者提供了一个恶劣天气影响下的标杆光伏逆变器辐照度网络建立方法，通过不断比较各个光伏逆变器历史和现在的各个因素寻找标杆光伏逆变器，从而建立网络，来统计整个光伏电场的辐照度。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (3)

1.一种恶劣天气影响下的标杆光伏逆变器辐照度网络建立方法，其特征在于，所述方法包括如下步骤：

步骤1.对原始数据进行预处理；

步骤2.利用数据包络分析法，选择标杆光伏逆变器。

将各种环境因素作为输入量，结合所述的标杆光伏逆变器，得到的光伏逆变器和输入的因素量有关系。

2.如权利要求1所述的一种恶劣天气影响下的标杆光伏逆变器辐照度网络建立方法，其特征在于，所述步骤1中所述对原始数据进行预处理的具体过程如下：

原始数据在采集过程中会出现丢失，错误等情况，面对以下情况需要对原始数据进行预处理：

情况1.在一个连续时间区间，某项数据无法得到；

情况2.在一个连续的时间段内，某几项数据无法得到；

情况3.在一些时间段内数据曲线出现大面积缺失；

情况4.出现数据噪声(孤立点)，出现与预期值极其不相符的数据；

情况5.出现跳表情况。

对于原始数据的缺失或者异常，采用最有可能的取值来代替缺失或者异常点。

3.如权利要求1所述的一种恶劣天气影响下的标杆光伏逆变器辐照度网络建立方法，其特征在于，所述步骤2中所述利用数据包络分析法，选择标杆光伏逆变器的具体过程如下：

(1)数据包络分析法：假定某个DMU(可以是学校、企业、政府部门等)在某项生产活动中的投入为m维向量x_i＝(x_i1,x_i2,…,x_ij,…x_im)，产出为n维向量y_i＝(y_i1,y_i2,…,y_ij,…y_in)。

(2)(x_k,y_k)对应第k个DMU的投入、产出向量，(x₀,y₀)对应被评价DMU。

(3)用X,Y表示DMU的整个生产活动，r个DMU的投入集就可以构成一个r×m阶的投入矩阵，其产出集构成一个r×n阶产出矩阵。

(4)结合广义DEA模型和广义DEA-WEI模型实现投入产出计算和多属性综合评价。其中广义DEA模型为：

广义DEA模型为：

其中，为使最终的绩效测量结果具有实际意义，初始偏好应该满足如下两个性质：

a.传递性，即若A>B，B>C，那么A>C，这样绩效测量的结果便于被评DMU0找到逻辑上合适的标杆。

b.反对称性，即如果A>B，那么B就不>A，除非二者相等。满足了这条性质的偏好才会使绩效测量结果在逻辑上与决策者初始偏好相容境。

这里定义如下偏好：对于

y_A＝(y_A1,y_A2),y_B＝(y_B1,y_B2),

y_A＞y_B，当且仅当其中(y_A1,y_A2)＝(θ₁·y_B1,θ₂·y_B2)。这一偏好所对应的具体DEA-WEI模型为

若假设y_A＝(1,8),y_B＝(6,2),则根据偏好的定义知，(6,2)＝(θ₁，8θ₂)，那么θ₂＝1/4,θ₁+θ₂＞2，即y_B＞y_A。但若从另一边看，(1,8)＝(θ₁6,2θ₂)，则

θ₁＝6，θ₂＝1/4,θ₁+θ₂＞2,即y_A＞y_B。所以该偏好并不满足反对称性。如果将上述数据代入模型计算，则A的效率得分为(6+1/4)/2＝3.125，而B的效率得分为(4+1/6)/2≈2.083，都大于1。即出现A的学习标杆是B，但B的学习标杆又是A的荒谬情况。

(5)对于所述平均DEA模型，平均偏好的DEA模型和矩阵偏好的DEA模型，设“>”表示平均序，则所述广义DEA-WEI模型可写作：

其中w_j表示第j个产出指标的给定权重。为考察上述模型，引入另一种乘数形式的DEA-WEI模型

该乘数模型可以看成是采用了线性加权形式的多属性效用函数模型，并且所有DMUs的效用(绩效得分)都被标准化到(0,1]区间内。

采用所述平均偏好的DEA-WEI模型可以通过其乘数形式模型转化为线性加权的效用函数。DEA-WE不需要对指标数据进行标准化，并将所有DMUs的绩效得分标准化到(0,1]区间内。

如果“>”表示矩阵偏好，则DEA-WEI模型可以写成如下形式:

其中矩阵B可以表示决策者在投入和产出变量上的偏好。

根据所述DEA模型和广义DEA-WEI模型，我们将各种环境因素作为输入量，来得到几个符合条件的标杆光伏逆变器，得到的光伏逆变器和输入的因素量有关系。