CN108428019B - 组件电池温度计算模型的建立方法及光伏功率预测方法 - Google Patents
组件电池温度计算模型的建立方法及光伏功率预测方法 Download PDFInfo
- Publication number
- CN108428019B CN108428019B CN201810461066.9A CN201810461066A CN108428019B CN 108428019 B CN108428019 B CN 108428019B CN 201810461066 A CN201810461066 A CN 201810461066A CN 108428019 B CN108428019 B CN 108428019B
- Authority
- CN
- China
- Prior art keywords
- temperature
- model
- battery
- equivalent
- component
- 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.)
- Active
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000011156 evaluation Methods 0.000 claims description 13
- 230000007613 environmental effect Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 239000011521 glass Substances 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000009795 derivation Methods 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000002310 reflectometry Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 5
- 238000012360 testing method Methods 0.000 description 8
- 238000009529 body temperature measurement Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
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)
- Secondary Cells (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明提供一种组件电池温度计算模型的建立方法,以最大输出功率为衡量因子,计算得到组件电池的等效温度的数据库,进而求取得到组件电池的温度计算模型;则将组件电池的可测替代温度输入至该温度计算模型后,以得到的等效温度进行光伏功率预测,能够有效避免不同电池片温度对整个组件影响的不可计量化,进而从改善输入参数角度提高功率预测的准确性。本发明还提供了一种光伏功率预测方法,通过采用上述方法获得的模型,改善了输入参数,进而提高功率预测的准确性。
Description
技术领域
本发明涉及光伏发电技术领域,特别涉及一种组件电池温度计算模型的建立方法及光伏功率预测方法。
背景技术
当前,光伏电站的智能运维工作中,通常需要进行光伏功率预测,其中,组件电池温度是进行光伏功率预测的一个重要环境参数;然而,由于成本等方面的限制,组件电池温度这一参数并不容易直接获取。
在现有技术中,大多数研究方案均选择测量组件背板上某一点温度,通过推导组件电池温度与组件背板温度的关系,获取经验公式,进而实现组件背板温度向组件电池温度的转化;甚至在部分场合下,会直接采用组件背板温度代替组件电池温度。
但是,在实际应用环境中,组件的不同电池片温度是存在不一致性的,即在同一块组件上,不同电池片的温度数值并不相同。比如,在组件背板的四个角和中心位置各布置一个测温点(T1、T2、T3、T4、T5),图1a为其测温点布置示意图,图1b为各测温点温度与其所在背板平均温度绝对差值的算术平均值(T1-diff、T2-diff、T3-diff、T4-diff、T5-diff)示意图。而不同电池片的不同温度对各个电池片的光生电流和整个组件的IV曲线都会产生不同的影响,综合起来即间接地影响了整个组件的最大输出功率;因此,若用于预测的组件电池温度选取不合适,则会影响光伏功率预测的准确性。
发明内容
本发明提供一种组件电池温度计算模型的建立方法及光伏功率预测方法,以提高光伏功率预测的准确性。
为实现上述目的,本申请提供的技术方案如下:
一种组件电池温度计算模型的建立方法,包括:
根据组件电池的物理模型及历史数据,由所述组件电池的等效温度、有效辐照及最大输出功率之间的预设关系,计算得到所述等效温度的数据库;
根据所述等效温度的数据库及所述历史数据,求取所述等效温度与所述组件电池的可测替代温度之间的多种模型;
对各种模型进行误差比较和评估,选择最优的模型作为所述组件电池的温度计算模型进行导出。
优选的,根据组件电池的物理模型及历史数据,由所述组件电池的等效温度、有效辐照及最大输出功率之间的预设关系,计算得到所述等效温度的数据库,包括:
选择满足预设条件的历史训练时间段;
读取所述历史训练时间段内所述历史数据中的最大输出功率数据和有效辐照数据;
根据所述组件电池的物理模型,由所述预设关系计算得到所述等效温度的数据库。
优选的,所述组件电池的物理模型为:单二极管简化模型、单二极管模型及双二极管模型中的任意一种。
优选的,根据所述等效温度的数据库及所述历史数据,求取所述等效温度与所述组件电池的可测替代温度之间的多种模型,包括:
读取所述历史训练时间段内所述历史数据中的温度相关参数;所述温度相关参数中包括所述可测替代温度;
以所述等效温度为输出、所述温度相关参数为输入,基于数据驱动的方式,求取线性回归模型、决策树回归模型、梯度提升树模型及随机森林回归模型。
优选的,所述温度相关参数包括:环境参数;
所述环境参数包括:所述可测替代温度、风速及所述有效辐照。
优选的,所述可测替代温度为背板温度或者环境温度。
优选的,所述温度相关参数还包括:组件特性参数;
所述组件特性参数包括:表面玻璃的反射率、表面玻璃的吸收率、表面玻璃厚度及电池片厚度。
优选的,对各种模型进行误差比较和评估,选择最优的模型作为所述组件电池的温度计算模型进行导出,包括:
分别计算各种模型的均方根误差、平均相对误差及平均绝对误差;
对各种模型的均方根误差、平均相对误差及平均绝对误差进行分类比较和加权评估,得到评估结果最优的模型;
以所述评估结果最优的模型作为所述组件电池的温度计算模型进行导出。
一种光伏功率预测方法,包括:
向组件电池的温度计算模型输入当前检测得到的组件电池的可测替代温度,得到所述组件电池的等效温度;所述组件电池温度计算模型为根据权利要求1-8任一所述的组件电池温度计算模型的建立方法得到的;
将所述等效温度及当前检测得到的有效辐照输入至功率预测模型,得到所述组件电池的应发最大输出功率。
优选的,所述功率预测模型为物理模型或者基于时间序列的数据驱动模型。
本发明提供的组件电池温度计算模型的建立方法,以最大输出功率为衡量因子,计算得到组件电池的等效温度的数据库,进而求取得到组件电池的温度计算模型;则将组件电池的可测替代温度输入至该温度计算模型后,以得到的等效温度进行光伏功率预测,能够有效避免不同电池片温度对整个组件影响的不可计量化,进而从改善输入参数角度提高功率预测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术内的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述内的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1a是现有技术提供的组件的背板测温点布置示意图;
图1b是现有技术提供的各测温点温度与其所在背板平均温度绝对差值的算术平均值示意图;
图2a是本发明实施例提供的组件电池温度计算模型的建立方法的流程图;
图2b是本发明实施例提供的组件电池温度计算模型的建立方法的具体流程图;
图3a是本发明实施例提供的单二极管简化模型结构示意图;
图3b是本发明实施例提供的单二极管模型结构示意图;
图3c是本发明实施例提供的双二极管模型结构示意图;
图4是本发明另一实施例提供的光伏功率预测方法的流程图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本发明提供一种组件电池温度计算模型的建立方法,以提高光伏功率预测的准确性。
参见图2a,该组件电池温度计算模型的建立方法包括:
S101、根据组件电池的物理模型及历史数据,由组件电池的等效温度、有效辐照及最大输出功率之间的预设关系,计算得到等效温度的数据库;
具体的,参见图2b,步骤S101,包括:
S111、选择满足预设条件的历史训练时间段;
在选择合适的历史训练时间段时,应当尽量选择涵盖丰富天气范围类型的时间段,即满足一定预设条件的时间段,进而促使得到的数据更为丰富,使训练结果更为丰富,拓宽模型的适用性,提高模型的兼容性。
S112、读取历史训练时间段内历史数据中的最大输出功率数据和有效辐照数据;
S113、根据组件电池的物理模型,由预设关系计算得到等效温度的数据库。
目前,组件电池的物理模型主要分为三种:单二极管简化模型(如图3a所示)、单二极管模型(如图3b所示)和双二极管模型(如图3c所示)。这三种模型均可用于计算组件电池的等效温度,以图3b所示的单二极管模型为例进行说明,结合KCL定理和理想二极管电压电流方程,最终可以得到:
其中,IL为光生电流,ID为等效二极管的电流,Rsh为并联电阻,Rs为串联电阻,I为输出电流,V为输出电压,a为理想因子,I0为等效二极管的反向饱和电流。
式(1)中的a、I0和IL、Rsh、Rs共同组成了5参数,且标准测试条件下,即有效辐照的标准值Gref=1000W/m2、组件电池的标准温度Tc,ref=25℃时,上述5参数均可以通过组件出厂时提供的手册计算得到或直接在Pvsyst软件上查询得到。而在非标准测试状况下,即任意有效辐照和温度时,上述5参数则可以通过标况下的5参数和转换公式计算得到,转换公式分别如式(2)—式(6)所示:
式(2)—式(6)中,Tc为组件电池温度,G为有效辐照,aref为标准测试条件下的理想因子、I0,ref为标准测试条件下的等效二极管的反向饱和电流,IL,ref为标准测试条件下的光生电流,Rsh,ref为标准测试条件下的并联电阻,Rs,ref为标准测试条件下的串联电阻,Mref为标准测试条件下的大气质量调整系数;而玻尔兹曼常数k、材料带宽Eg、大气质量调整系数M及短路电流温度系数αIsc均可由出厂手册计算或Pvsyst软件查询得到。
根据转换后的5参数,即可结合式(1)计算出任意有效辐照和温度下的输出电流I和输出电压V,进而即可计算出输出功率P,再根据最大功率跟踪原则寻找到输出的最大直流功率Pm。因此,可以认为Pm和有效辐照G、组件电池温度Tc建立了如下函数关系:
Pm=max(I·V)=max(g(G,Tc)) (7)
从式(7)可以看出,在获得有效辐照G和组件电池温度Tc之后,即可结合5参数模型,计算出最大输出功率Pm。若对该物理模型的因变量和自变量建立数据库,即在任意G和Tc下都有唯一与之对应的Pm;反过来可以得到,在任意Pm和G下,由组件电池的等效温度、有效辐照及最大输出功率之间的预设关系h,也有唯一的Tc与之对应:
Tc=h(Pm,G) (8)
考虑到有效辐照获取的多样性,最大输出功率获取的直接性,在保证最大输出功率Pm和有效辐照G准确时,此时逆向分析得到的Tc真正地反映了组件电池温度对最大输出功率的影响作用,因此,可以认为Tc为整个组件的电池等效温度。
需要指出的是,上述方法也可用于图3a所示的单二极管简化模型和图3c所示的双二极管模型,只是和单二极管的5参数相比,单二极管简化模型的参数简化为4参数(a、I0、IL、Rs),双二极管模型的参数扩大为7参数(a1、a2、I01、I02和IL、Rsh、Rs),其中,a1为图3c中对应第一等效二极管(其电流为ID1)的理想因子,a2为图3c中对应第二等效二极管(其电流为ID2)的理想因子,I01为图3c中第一等效二极管的反向饱和电流,I02为图3c中第二等效二极管的反向饱和电流。但是三者分析方法都是类似的,都可以通过有效辐照、组件电池温度和4参数(或5参数或7参数)与最大输出功率之间的联系,求取组件温度的数据库。不同的是,相比较于单二极管简化模型和双二极管模型,本实施例中所采用的单二极管模型能够较好地平衡计算准确度和计算难度,利于应用。
步骤S101提供上述三个具体步骤完成了以最大输出功率Pm为衡量因子的组件电池等效温度的获取,下面将寻找组件电池的等效温度Tc与可测替代温度(比如环境温度或者背板实际测温点的背板温度Tb)之间的关系,以便将实际便于测量的测温点温度向实际影响组件输出功率的等效温度转化。
S102、根据等效温度的数据库及历史数据,求取等效温度与组件电池的可测替代温度之间的多种模型;
具体的,参见图2b,步骤S102包括:
S121、读取历史训练时间段内历史数据中的温度相关参数;温度相关参数中包括可测替代温度;
优选的,该温度相关参数包括:环境参数;该环境参数可以从环境监测仪上获取,具体包括:可测替代温度、风速fW及有效辐照G;可选的,该可测替代温度为背板温度Tb或者环境温度。
由于实际电站中一般采集的是背板上某点的温度(即背板温度Tb),因此,以背板温度Tb为可测替代温度时,能够利用电站现有的采集资源去推导真正反映影响组件功率输出的等效温度。另外,在实际电站中,若组件背板温度数据缺乏,但是具有高精度和高密度的环境温度数据,此时也可以用环境温度代替背板温度作为可测替代温度进行输入,构建模型,此处不做具体限定,视其应用环境而定,均在本申请的保护范围内。
另外,现有的技术方案中,大多只考虑了环境影响因素对组件电池等效温度Tc的影响。而实际上,组件电池等效温度Tc的主要影响因素分为环境因素和组件特性因素两大类,因此,本实施例中提供了一种更为优选的方案,即在上述内容的基础之上,该温度相关参数还包括:组件特性参数;该组件特性参数可以从厂家手册或其他途径获取,具体包括:表面玻璃的反射率rg、表面玻璃的吸收率ag、表面玻璃厚度thg及电池片厚度thc。
因此,本实施例不仅考虑了环境影响因素,还考虑了光伏组件本身的组件特性影响因子;而光伏组件特性影响因子的加入,结合了不同组件类型对模型的影响,使得本实施例得到的模型能有更广的适用范围。
S122、以等效温度为输出、温度相关参数为输入,基于数据驱动的方式,求取线性回归模型、决策树回归模型、梯度提升树模型及随机森林回归模型;
由上可知,若利用数据驱动的方式寻找Tc和Tb之间的联系,需结合其他相关影响因素,以Tc作为输出,以Tb、fW、G、rg、ag、thg、thc作为输入,其映射关系用F表示,用函数表达即为
Tc=F(Tb,fW,G,rg,ag,thg,thc) (9)
为了得到其映射关系F,采用数据驱动的方式,在所选时间段中,一一读取所需的环境参数和组件特性参数作为输入参数,组件电池的等效温度Tc作为输出参数,进而分别选择线性回归模型、决策树回归模型、梯度提升树模型以及随机森林回归模型一一建立合适的模型。
值得说明的是,步骤S101和步骤S102中对于历史数据中各种数据的读取,数据密度可以是1min级,也可以是其他值,此处仅为一种示例,可以视其具体应用环境而定,均在本申请的保护范围内。
S103、对各种模型进行误差比较和评估,选择最优的模型作为组件电池的温度计算模型进行导出。
优选的,参见图2b,步骤S103包括:
S131、分别计算各种模型的均方根误差、平均相对误差及平均绝对误差;
S132、对各种模型的均方根误差、平均相对误差及平均绝对误差进行分类比较和加权评估,得到评估结果最优的模型;
S133、以评估结果最优的模型作为组件电池的温度计算模型进行导出。
通过步骤S102获得各种模型之后,即可利用误差项中的均方根误差、相对误差项中的平均相对误差、绝对误差项中的平均绝对误差这三项指标综合评判各模型的优劣性,最终加权选择相对最优的模型作为F,进一步地,即可导出选择出来的最优模型F作为该组件电池的温度计算模型。进而在大数据的样本和误差评判标准的检验下,提高了数据驱动方法的准确性和普适性,避免了现有技术中采用单纯地理想状况假设下的公式推导带来的局限性。
在后续进行光伏功率预测的计算过程中,将包括实际测温点的温度(也即上文中提到的可测替代温度,比如背板温度Tb或者环境温度)在内的环境相关影响因素和组件特性的相关影响因素输入模型,即可得到输出的组件电池的等效温度Tc。
需要指出的是,作为该组件电池的温度计算模型的最优模型F在实际运维中应是一个动态调整的模型,而非恒定不变的模型,随着组件衰减、地理位置等参量改变,运维人员应适时地重新抓取数据调整模型,以得到适于当前实际应用环境的组件电池的温度计算模型。
本实施例提供的该组件电池温度计算模型的建立方法,以最大输出功率为衡量因子,计算得到组件电池的等效温度的数据库,进而求取得到组件电池的温度计算模型;则将组件电池的可测替代温度输入至该温度计算模型后,以得到的等效温度进行光伏功率预测,能够有效避免不同电池片温度对整个组件影响的不可计量化,解决了在测量得到众多温度之后仍然无法明确选用哪一点的温度作为电池温度的问题,进而从改善输入参数角度提高功率预测的准确性。
本发明另一实施例还提供了一种光伏功率预测方法,参见图4,包括:
S201、向组件电池的温度计算模型输入当前检测得到的组件电池的可测替代温度,得到组件电池的等效温度;
组件电池温度计算模型为根据上述实施例所述的温度计算模型的建立方法得到的;
S202、将等效温度及当前检测得到的有效辐照输入至功率预测模型,得到组件电池的应发最大输出功率。
组件接收到的有效辐照和组件电池温度是两个重要的参数,保持其他参数一致,辐照越高,光伏输出功率越大;保持其他参数一致,组件电池温度越高,光伏输出功率越小。
目前,对于有效辐照而言,其获取方式较多,如通过短路电流的方式、辐照仪测量结果推算的方式和I-V曲线扫描的方式等等,此处不做具体限定,视其具体应用环境而定,均在本申请的保护范围内。
而对于组件电池温度的获取,则可以通过上述实施例所述方法得到的温度计算模型,由组件电池的可测替代温度得到组件电池的等效温度,进而实现功率预测。
优选的,该功率预测模型为物理模型或者基于时间序列的数据驱动模型。
本实施例提供的该光伏功率预测方法,可以根据实际应用环境进行功率预测模型的选用,此处不做具体限定;通过上述实施例所述的组件电池温度计算模型的建立方法,可以改善功率预测模型输入参数的精度和有效性,进而提供功率预测的精度。
其余原理与上述实施例相同,此处不再一一赘述。
本发明中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明。任何熟悉本领域的技术人员,在不脱离本发明技术方案范围情况下,都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰,或修改为等同变化的等效实施例。因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰,均仍属于本发明技术方案保护的范围内。
Claims (8)
1.一种组件电池温度计算模型的建立方法,其特征在于,包括:
根据组件电池的物理模型,获取所述组件电池的等效温度、有效辐照及最大输出功率之间的预设关系;再根据历史数据中的有效辐照及最大输出功率,由所述预设关系计算得到所述等效温度的数据库;
根据所述等效温度的数据库及所述历史数据,以所述历史数据中的温度相关参数作为输入、所述等效温度作为输出,建立所述等效温度与所述组件电池的可测替代温度之间的多种模型;其中,所述温度相关参数为:环境参数和组件特性参数;所述环境参数包括:所述可测替代温度、风速及所述有效辐照;所述组件特性参数包括:表面玻璃的反射率、表面玻璃的吸收率、表面玻璃厚度及电池片厚度;
对各种模型进行误差比较和评估,动态选择最优的模型作为所述组件电池的温度计算模型进行导出。
2.根据权利要求1所述的组件电池温度计算模型的建立方法,其特征在于,根据组件电池的物理模型及历史数据,由所述组件电池的等效温度、有效辐照及最大输出功率之间的预设关系,计算得到所述等效温度的数据库,包括:
选择满足预设条件的历史训练时间段;
读取所述历史训练时间段内所述历史数据中的最大输出功率数据和有效辐照数据;
根据所述组件电池的物理模型,由所述预设关系计算得到所述等效温度的数据库。
3.根据权利要求2所述的组件电池温度计算模型的建立方法,其特征在于,所述组件电池的物理模型为:单二极管简化模型、单二极管模型及双二极管模型中的任意一种。
4.根据权利要求2所述的组件电池温度计算模型的建立方法,其特征在于,根据所述等效温度的数据库及所述历史数据,以所述历史数据中的温度相关参数作为输入、所述等效温度作为输出,建立所述等效温度与所述组件电池的可测替代温度之间的多种模型,包括:
读取所述历史训练时间段内所述历史数据中的温度相关参数;所述温度相关参数中包括所述可测替代温度;
以所述等效温度为输出、所述温度相关参数为输入,基于数据驱动的方式,求取线性回归模型、决策树回归模型、梯度提升树模型及随机森林回归模型。
5.根据权利要求1所述的组件电池温度计算模型的建立方法,其特征在于,所述可测替代温度为背板温度或者环境温度。
6.根据权利要求1-5任一项所述的组件电池温度计算模型的建立方法,其特征在于,对各种模型进行误差比较和评估,动态选择最优的模型作为所述组件电池的温度计算模型进行导出,包括:
分别计算各种模型的均方根误差、平均相对误差及平均绝对误差;
对各种模型的均方根误差、平均相对误差及平均绝对误差进行分类比较和加权评估,得到评估结果最优的模型;
以所述评估结果最优的模型作为所述组件电池的温度计算模型进行导出。
7.一种光伏功率预测方法,其特征在于,包括:
向组件电池的温度计算模型输入当前检测得到的组件电池的可测替代温度,得到所述组件电池的等效温度;所述温度计算模型为根据权利要求1-6任一项所述的组件电池温度计算模型的建立方法得到的;
将所述等效温度及当前检测得到的有效辐照输入至功率预测模型,得到所述组件电池的应发最大输出功率。
8.根据权利要求7所述的光伏功率预测方法,其特征在于,所述功率预测模型为物理模型或者基于时间序列的数据驱动模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810461066.9A CN108428019B (zh) | 2018-05-15 | 2018-05-15 | 组件电池温度计算模型的建立方法及光伏功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810461066.9A CN108428019B (zh) | 2018-05-15 | 2018-05-15 | 组件电池温度计算模型的建立方法及光伏功率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108428019A CN108428019A (zh) | 2018-08-21 |
CN108428019B true CN108428019B (zh) | 2021-09-03 |
Family
ID=63163114
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810461066.9A Active CN108428019B (zh) | 2018-05-15 | 2018-05-15 | 组件电池温度计算模型的建立方法及光伏功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108428019B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109447350A (zh) * | 2018-10-31 | 2019-03-08 | 北华大学 | 一种太阳能电池板输出功率响应的预测方法、系统及平台 |
CN109767041B (zh) * | 2019-01-15 | 2022-04-08 | 阳光电源股份有限公司 | 一种光伏电站组串有效温度的获取方法及装置 |
CN110009098A (zh) * | 2019-04-19 | 2019-07-12 | 上海交通大学 | 一种光伏电池工作温度与发电功率联合估计方法 |
CN111950752A (zh) * | 2019-05-14 | 2020-11-17 | 京东方科技集团股份有限公司 | 光伏电站发电量预测方法、装置、系统及其存储介质 |
Citations (9)
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 |
CN102522917A (zh) * | 2011-11-18 | 2012-06-27 | 中国电力科学研究院 | 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 |
CN202523101U (zh) * | 2011-11-18 | 2012-11-07 | 中国电力科学研究院 | 光伏电站发电输出功率预测系统 |
CN102930358A (zh) * | 2012-11-28 | 2013-02-13 | 江西九江供电公司 | 一种光伏电站发电功率的神经网络预测方法 |
CN105184678A (zh) * | 2015-09-18 | 2015-12-23 | 齐齐哈尔大学 | 基于多种神经网络组合算法的光伏电站发电量短期预测模型的构建方法 |
CN105260800A (zh) * | 2015-10-26 | 2016-01-20 | 国网浙江省电力公司电力科学研究院 | 一种光伏组件温度预测方法及装置 |
CN106452355A (zh) * | 2016-10-17 | 2017-02-22 | 温州大学 | 一种基于模型辨识的光伏发电系统最大功率跟踪方法 |
CN106875033A (zh) * | 2016-12-26 | 2017-06-20 | 华中科技大学 | 一种基于动态自适应的风电集群功率预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI413270B (zh) * | 2008-03-12 | 2013-10-21 | Ind Tech Res Inst | 形成太陽能電池的最佳化特性曲線之方法及其系統 |
-
2018
- 2018-05-15 CN CN201810461066.9A patent/CN108428019B/zh active Active
Patent Citations (9)
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 |
CN102522917A (zh) * | 2011-11-18 | 2012-06-27 | 中国电力科学研究院 | 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 |
CN202523101U (zh) * | 2011-11-18 | 2012-11-07 | 中国电力科学研究院 | 光伏电站发电输出功率预测系统 |
CN102930358A (zh) * | 2012-11-28 | 2013-02-13 | 江西九江供电公司 | 一种光伏电站发电功率的神经网络预测方法 |
CN105184678A (zh) * | 2015-09-18 | 2015-12-23 | 齐齐哈尔大学 | 基于多种神经网络组合算法的光伏电站发电量短期预测模型的构建方法 |
CN105260800A (zh) * | 2015-10-26 | 2016-01-20 | 国网浙江省电力公司电力科学研究院 | 一种光伏组件温度预测方法及装置 |
CN106452355A (zh) * | 2016-10-17 | 2017-02-22 | 温州大学 | 一种基于模型辨识的光伏发电系统最大功率跟踪方法 |
CN106875033A (zh) * | 2016-12-26 | 2017-06-20 | 华中科技大学 | 一种基于动态自适应的风电集群功率预测方法 |
Non-Patent Citations (1)
Title |
---|
《太阳能光伏发电系统最大功率跟踪(MPPT)技术研究》;马士伟;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20170415;第20-23页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108428019A (zh) | 2018-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108428019B (zh) | 组件电池温度计算模型的建立方法及光伏功率预测方法 | |
Myers | Solar radiation modeling and measurements for renewable energy applications: data and model quality | |
CN111369070B (zh) | 一种基于包络线聚类的多模融合光伏功率预测方法 | |
RU2007140372A (ru) | Устройство и способ прогнозирования температуры человека | |
Whitfield et al. | Procedure for determining the uncertainty of photovoltaic module outdoor electrical performance | |
CN101726451A (zh) | 一种测定内燃机油粘度指数的方法 | |
CN110298765B (zh) | 一种基于客观关联因素的配电网用电功率异常检测方法 | |
Strobach et al. | Modeling a grid‐connected concentrator photovoltaic system | |
Boland et al. | Models of diffuse solar fraction | |
CN112182883B (zh) | 基于自适应lm的光伏组件参数估计方法 | |
CN104253586B (zh) | 一种太阳能电池板电气参数在线测量评价装置及方法 | |
CN101650359A (zh) | 一种基于知识融合机器学习算法的煤热值软测量方法 | |
Marion et al. | Calculation of solar radiation using a methodology with worldwide potential | |
Padovan et al. | DNI estimation procedures for the assessment of solar radiation availability in concentrating systems | |
Chesneau et al. | Hindcasting with multistations using analog ensembles | |
CN115561697A (zh) | 一种智能电表误差分析方法 | |
Zaiani et al. | New approach to establish a clear sky global solar irradiance model | |
RU2747739C1 (ru) | Методика верификации измерений солености морской воды автоматическими средствами измерений | |
Ransome | Validating Energy Yield Modelling with the NREL Outdoor Dataset | |
Paviet‐Salomon et al. | New guidelines for a more accurate extraction of solar cells and modules key data from their current–voltage curves | |
Chen et al. | Estimating hourly global solar irradiance using artificial neural networks–A case study of Hong Kong | |
CN110210711A (zh) | 一种电动汽车电能计量准确度评估方法 | |
Driesse et al. | UNCERTAINTY OF TILTED IRRADIANCE MEASUREMENTS USING PHOTODIODES AND REFERENCE CELLS | |
CN111123406A (zh) | 手持气象仪温度数据拟合方法 | |
Alarcón-Maza et al. | Design and experimental validation of an IoT data-logger device for indirect measurement of solar irradiance based on a correlation model |
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 |