CN108537357A - 基于降额因子的光伏发电量损失预测方法 - Google Patents
基于降额因子的光伏发电量损失预测方法 Download PDFInfo
- Publication number
- CN108537357A CN108537357A CN201810134105.4A CN201810134105A CN108537357A CN 108537357 A CN108537357 A CN 108537357A CN 201810134105 A CN201810134105 A CN 201810134105A CN 108537357 A CN108537357 A CN 108537357A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic
- power generation
- derating factor
- days
- photovoltaic module
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 65
- 238000013277 forecasting method Methods 0.000 title abstract 2
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 30
- 239000013598 vector Substances 0.000 claims abstract description 21
- 238000005286 illumination Methods 0.000 claims abstract description 18
- 238000004140 cleaning Methods 0.000 claims description 28
- 238000005070 sampling Methods 0.000 claims description 26
- 239000000428 dust Substances 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 19
- 230000003203 everyday effect Effects 0.000 claims description 15
- 230000002354 daily effect Effects 0.000 claims description 13
- 230000005855 radiation Effects 0.000 claims description 12
- 238000012843 least square support vector machine Methods 0.000 claims description 11
- 230000008021 deposition Effects 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 abstract 2
- 230000008901 benefit Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005406 washing Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 239000002912 waste gas Substances 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
- 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)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Photovoltaic Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于降额因子的光伏发电量损失预测方法，包括：根据光伏组件的功率输出模型，建立光伏降额因子模型公式；采集光伏组件温度、辐照强度及逆变器输出功率；采集预定天数内的光伏组件发电功率、光照辐照数据、光伏组件表面温度；利用光伏降额因子模型公式，根据采集到的预定天数内的光伏组件发电功率、光照辐照数据、光伏组件表面温度，计算所述预定天数内的光伏降额因子；利用计算出的所述预定天数内的光伏降额因子，采用最小二乘支持向量机训练模型，预测所述预定天数之后的日期内的光伏降额因子；利用预测得到的光伏降额因子和未来光伏的实际发电量，计算发电量损失。
Description
技术领域
本发明涉及分布式能源领域，尤其涉及一种基于降额因子的光伏发电量损失预测方法。
背景技术
化石燃料的大量燃烧，排放出大量废气及粉尘颗粒物，造成严重的大气污染。大气污染物降落在长时间暴露的光伏电池板表面玻璃上，削弱了电池板接收太阳辐照的强度，减少了光伏电站的发电量，在降尘严重的干旱、半干旱地区尤为严重。
因此，对光伏组件进行清洗是目前提高光伏组件发电效率最有效的方式之一。目前大部分光伏电站通过固定时间清洗或者电站站长根据其经验来制定清洗计划，这种清洗方式不能为电站带来最大收益；针对此不足，不少专家学者展开了灰尘对光伏发电的影响及组件清洗方案的研究，但大多针对连续晴天的情况或需要购买额外的传感器，对于存在阴雨天的情况往往会忽视掉。
而且，实际电站的光伏清洗，通常不考虑天气因素的影响，且根据经验对光伏电站进行清洗，电站效益达不到最大化。而通过实验获得积灰导致的发电量损失量，在应用到其他电站时需要重新进行实验，增加了人力成本。建立积灰模型或降雨模型等需要增加额外的传感器或购买详细的天气数据，增加清洗成本。
发明内容
有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是提供一种基于降额因子的光伏发电量损失预测方法，预测损失量作为未来清洗判断基础，能够结合气象台的天气信息和光伏电站已有的历史数据，定期预测光伏组件的清洗日期，使清洗效益最大化。
为实现上述目的，本发明提供了一种基于降额因子的光伏发电量损失预测方法，包括：
根据光伏组件的功率输出模型，建立光伏降额因子模型公式；
针对清洁光伏组件，采集用来确定光伏降额因子模型中的常数h的光伏组件温度、辐照强度及逆变器输出功率；
将清洁光伏组件投入使用，并且采集预定天数内的光伏组件发电功率、光照辐照数据、光伏组件表面温度；
利用光伏降额因子模型公式，根据采集到的预定天数内的光伏组件发电功率、光照辐照数据、光伏组件表面温度，计算所述预定天数内的光伏降额因子；
利用计算出的所述预定天数内的光伏降额因子，采用最小二乘支持向量机训练模型，预测所述预定天数之后的日期内的光伏降额因子；
利用预测得到的光伏降额因子和未来光伏的实际发电量，计算发电量损失。
优选地，光伏降额因子模型公式为：
其中，
而且其中，为太阳辐照强度，P为逆变器的输出功率，为标准测试条件下的太阳辐照强度，αP是光伏电池组件的功率温度系数，Tc为当前时间步长的光伏组件温度，Tc，STC为标准测试条件下的光伏组件温度。
优选地，根据公式计算清洗后n天内的光伏降额因子fPV、 fPV+1、fPV+2、fPV+3、fPV+i、fPV+i+1、fPV+n。
优选地，计算发电量损失包括：
确定最小二乘支持向量机的训练集和测试集，其中，训练集为光伏清洗后 n-3天内的历史数据；测试集为待预测日前三天的历史数据，其中n为采集历史数据的天数；
确定训练模型的输入输出向量；
对所有的输入输出向量进行归一化处理；
对最小二乘支持向量机进行训练，模型训练达到预定精度后预测第n+1天的光伏降额因子；
根据以上步骤得到光伏清洗后n+m天内的光伏降额因子平均值，其中m 为预测的天数，随后根据光伏日发电量计算每天由于积灰引起的光伏发电量损失量。
优选地，光伏发电量损失量的计算公式为：其中，Pi为每天第i个采样点的瞬时发电功率，t为采样周期。
优选地，光伏发电量损失量的计算公式为：其中，Pi为每天第i个采样点的瞬时发电功率，t为采样周期，fPVi是每天第i个采样点的瞬时计算或预测得到的光伏降额因子。
优选地，还提供了一种基于降额因子的光伏发电量损失预测方法，包括：
根据光伏组件的功率输出模型，建立光伏降额因子模型公式；
针对清洁光伏组件，采集用来确定光伏降额因子模型中的常数的光伏组件温度、辐照强度及逆变器输出功率；
将清洁光伏组件投入使用，并且采集预定天数内的光伏组件发电功率、光照辐照数据、光伏组件表面温度；
根据采集到的预定天数内的光伏组件发电功率、光照辐照数据、光伏组件表面温度，采用训练模型，预测所述预定天数内及之后的预定日期内的光伏降额因子；
利用预测的所述预定天数内及之后的预定日期内的光伏降额因子，计算日灰尘引起的光伏发电量损失量。
优选地，光伏降额因子模型公式为：
其中，
而且其中，为太阳辐照强度，P为逆变器的输出功率，为标准测试条件下的太阳辐照强度，αP是光伏电池组件的功率温度系数，Tc为当前时间步长的光伏组件温度，Tc，STC为标准测试条件下的光伏组件温度。
优选地，光伏发电量损失量的计算公式为：其中，Pi为每天第i个采样点的瞬时发电功率，t为采样周期，fPVi是每天第i个采样点的瞬时计算或预测得到的光伏降额因子。
由此，本发明提供了一种基于降额因子的光伏发电量损失预测方法，根据此方法预测损失量作为未来清洗判断基础，能够结合气象台的天气信息和光伏电站已有的历史数据，定期预测光伏组件的清洗周期，使清洗效益最大化。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
附图说明
结合附图，并通过参考下面的详细描述，将会更容易地对本发明有更完整的理解并且更容易地理解其伴随的优点和特征，其中：
图1是根据本发明优选实施例的通过预测光伏降额因子来计算灰尘引起的发电量损失量的处理的流程示意图。
图2是计算光伏降额因子的流程图。
图3是最小二乘支持向量机预测的流程图。
需要说明的是，附图用于说明本发明，而非限制本发明。注意，表示结构的附图可能并非按比例绘制。并且，附图中，相同或者类似的元件标有相同或者类似的标号。
具体实施方式
图1是根据本发明优选实施例的通过预测光伏降额因子来计算灰尘引起的发电量损失量的处理的流程示意图。
光伏组件的功率输出模型通常如式(1)所示。
式中，PPV为光伏组件的输出有功功率，单位为kW。YPV为光伏组件的额定容量，是光伏组件在标准测试条件下的输出功率，单位为kW。fPV为光伏降额因子，表示光伏组件上的尘土和积雪等对其的遮挡，通常取0-1之间的数，此参数为判定光伏组件是否需要清洗的依据。光伏组件清洁无尘土时此参数值为1。为实际环境下，当前时间步长的太阳辐照强度，单位为kW/m2；为标准测试条件(standard test condition，STC)下的太阳辐照强度，单位为 kW/m2，通常取1。αP是光伏电池组件的功率温度系数，单位为％/℃，通常取 -0.0047。Tc为当前时间步长的光伏组件温度，单位为℃，通常实际工程中，若有专门测量光伏组件表面温度的传感器，可用实际测量数据，若无专门传感器测量光伏组件表面温度，此参数可取47℃。Tc，STC为标准测试条件下的光伏组件温度，单位为℃，通常取25。
公式(1)可用来求取或预测光伏组件的输出有功功率，公式中除光伏降额因子外的其他参数都是已知的常数或可以通过环境测量仪测量得到的数据，且光伏降额因子fPV与光伏组件的输出功率成正比，因此光伏降额因子直接影响光伏组件发电效率，是判断光伏组件是否需要清洗的直接影响参数。
但由于很少有环境测量仪能直接测量得到光伏降额因子，因此计算光伏降尘因子一般需要增加额外的灰尘检测装置，这无疑增加了测量成本。为了避免购置额外设备，本发明将PPV作为可测量或可预测量，进而通过公式(1)来推导或预测光伏降尘因子。
公式(1)中，YPV、αP、Tc，STC对于确定的光伏组件，是固定的常数，在光伏电站建立后，可以等效成唯一确定的常数；环境测量仪通常会配备采集光伏电站的光照辐照强度、温度、风速和天气等因素的传感器，因此、Tc等参数可测得；PPV为光伏组件的输出有功功率，但实际应用中测量的是逆变器输出功率，用表示，表达式如下：
P＝PPV·fi (2)
其中，fi为逆变器转换效率，在不考虑逆变器退化的情况下，可假设逆变器转换效率为定值。
短时间内可以不考虑其他退化的影响，式(1)可以简化成：
其中，h为常数，在一个确定的光伏组件中，h可认为是个常数；为太阳辐照强度，环境测量仪可测量；P为逆变器的输出功率，数据可测量。
通过公式(3)可以得到光伏降额因子，通过光伏降额因子可表示灰尘对光伏组件的影响程度，避免了实验计算光伏组件的实时功率损失及在某时间段内损失的发电量。
例如，预测光伏降额因子的前期步骤下所示：
(1)如果光伏电站是刚建成的，在光伏组件最干净的时候(清洁光伏组件，例如新光伏组件或者刚清洗过的光伏组件)实时采集用来确定光伏降额因子模型中的常数h的光伏组件温度、辐照强度及逆变器输出功率，采集周期通常是5分钟一次或者更短的时间，根据具体工程现场的实际情况确定。
(2)如果光伏电站是已建成的，在光伏电池还未开始发电时对光伏组件进行彻底的清洗，并实时采集光伏组件温度、辐照强度及逆变器输出功率，采集周期通常是5分钟一次或者更短的时间，根据具体工程现场的实际情况确定。
(3)αP、Tc，STC为常数，取值为：1、-0.0047、25；根据电站具体的设备确定公式(4)中各个参数，计算h的值。
(4)根据式(3)计算清洗后n天内的光伏降额因子fPV、fPV-1、fPV+2、 fPV+3、fPV+i、fPV+i+1、fPV+n。式(2)中。需要注意的是，此处每天的光伏降额因子也是求取的平均值，是将一天中采集的每个时间周期的光伏组件发电功率、光照辐照数据、光伏组件表面温度带入式(3)求取的光伏降额因子的平均值。
在获取了清洗后n天内的光伏降额因子fPVfPV、fPV+1fPV+1、fPV+2fPV+2、fPV+3 fPV+3、fPV+ ifPV+i、fPV+i+1fPV+i+1、fPV+nfPV+n后，作为历史数据便可预测n+1 天的光伏降额因子。
本发明优选地选用最小二乘支持向量机作为训练模型，考虑到能拿到光照强度预报数据的情况比较少，所以此处分能拿到光照强度预报数据和不能拿到光照强度预报数据两种情况来确定输入输出向量。
<方法一：不能拿到光照强度预报数据的情况>
由于光伏降额因子大小会受前几天天气的影响，且光伏降额因子的变化随着时间有一定趋势性，所以采取时间序列预测法，通过前三天的光伏降额因子以及后一天的天气预报情况，预测后一天的光伏降额因子。假设预测清洗后第n+1天的光伏降额因子，预测步骤如下所示：
(1)确定最小二乘支持向量机的训练集、测试集。其中，训练集为光伏清洗后n-3天内的历史数据；测试集为待预测日前三天的历史数据。
(2)确定训练模型的输入输出向量。其中，输入向量用X表示，输出向量用 Y表示。W1、W2表示待预测日的天气情况，例如晴转多云等，天气类型用具体数字表示；T表示待预测日的温度。
则输入输出向量表达式如下所示：
(3)对所有的输入输出向量进行归一化处理。
(4)对最小二乘支持向量机进行训练，模型训练达到一定精度后预测第n+1天的光伏降额因子。
(5)如果需要预测未来几天的光伏降额因子，可以将第n+1天的预测值作为历史数据，继续预测第n+2天的光伏降额因子，直到达到目标要求。
根据以上步骤得到光伏清洗后n+m(n为采集历史数据的天数，m为预测的天数) 天内的光伏降额因子平均值，便可根据光伏日发电量计算每天由于积灰引起的光伏发电量损失量。
如果采样周期为t(小时)，则日发电量的计算公式如下：
其中，E代表日发电量，单位为，Pi为每天第i个采样点的瞬时发电功率。
则日灰尘引起的光伏发电量损失量如下所示：
<方法二：能拿到光照强度预报数据的情况>
由于光伏降额因子受光照强度、天气类型、温度等因素影响，所以可以将这些因素作为预测模型的输入向量，光伏降额因子作为输出向量。假设预测清洗后第 n+1天的光伏降额因子，预测步骤如下所示：
(1)确定最小二乘支持向量机的训练集、测试集。其中，训练集为光伏清洗后n-3天内的历史数据；测试集为待预测日前三天的历史数据。
(2)确定训练模型的输入输出向量。由于天气类型一般是文字表示，此处将天气类型用具体的数字表示，不同的天气类型赋予不同的系数，如表1所示。则输入向量用X表示，X的大小由实际环境中的数据采集频率确定，X的维度由输入变量的个数决定；输出向量用Y表示，Y的大小和维度与输入向量对应。输入输出变量如下所示：
其中，T(n-3)i代表清洗后第(n-3)天的第i个采样时刻的温度，i代表每天采样时刻点，如果采样周期为1h，1≤i≤24；W(n-3)i代表第(n-3)天的第i个采样时刻的天气类型的系数；G(n-3)i代表第(n-3)天的第i个采样时刻的光照强度。
(3)对所有的输入输出向量进行归一化处理。
(4)对最小二乘支持向量机进行训练，模型训练达到一定精度后预测第n+1天的光伏降额因子。
(5)如果需要预测未来几天的光伏降额因子，且能拿到第n+2天的天气预报数据，继续预测第n+2天的光伏降额因子，直到达到目标要求。
方法二得到的每天的光伏降额因子的数量受数据采样周期的影响，如果采样周期为t(小时)，则每天计算或预测得到的光伏降额因子为：fPV1，fPV2，......，fPV23/t，fPV24/t；而日发电量的计算公式如下：
其中，E代表日发电量，单位为，Pi为第i个采样点的瞬时发电功率。
则日灰尘引起的光伏发电量损失量如下所示：
不管是通过方法一还是方法二都能计算或预测日灰尘量引起的光伏发电量损失量，得到发电量损失量之后便进一步设计光伏组件清洗方案。
本发明预测损失量作为未来清洗判断基础，能够结合气象台的天气信息和光伏电站已有的历史数据，定期预测光伏组件的清洗周期，使清洗效益最大化。而且，本发明不需要额外增加传感设备，不需要通过长时间的实验对比，减少了人力物力成本。
<具体示例>
选择实验所需的光伏组件，以额定容量为20kW的单晶光伏组件为例，采集12 天的光伏发电效率数据、环境测量仪数据及天气数据，数据采集周期为1h。根据公式(4)计算每天的光伏降额因子，可得到数据如表1。
将这12天的数据作为最小二乘支持向量机的训练数据，其中最高温、最低温、辐照、天气类型作为输入向量；光伏降额因子作为输出向量。支持向量机训练完成后，根据天气预报信息得到待预测日的输入向量信息，并预测待预测日的光伏降额因子，预测结果如表2所示。
表1实验采集数据
表2光伏降额因子预测值
| 未来第i天 | 最高温 | 最低温 | 辐照 | 天气类型1 | 天气类型2 | 降额因子实际值 | 降额因子预测值 |
| 1 | 19 | 12 | 6.298 | 0.5 | 0.5 | 0.40526 | 0.46 |
| 2 | 16 | 11 | 4.097 | 0.7 | 0.8 | 0.4943 | 0.5037 |
| 3 | 16 | 12 | 5.986 | 0.15 | 0.7 | 0.5066 | 0.4593 |
| 4 | 17 | 13 | 0.724 | 0.7 | 0.3 | 0.4656 | 0.4592 |
由表2预测结果可知，光伏降额因子的预测值贴近实际值，计算可得预测未来四天的光伏降额因子的平均误差为6.53％，可见预测精确度达到90％左右，证明本专利的方法能较准确的预测光伏降额因子。
根据公式计算/预测日灰尘引起的光伏发电量损失量可得表3：
表3日灰尘引起的光伏发电量损失量
上述说明示出并描述了本发明的优选实施例，如前所述，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。
Claims (11)
1.一种基于降额因子的光伏发电量损失预测方法，其特征在于包括：
根据光伏组件的功率输出模型，建立光伏降额因子模型公式；
针对清洁光伏组件，采集用来确定光伏降额因子模型中的常数的光伏组件温度、辐照强度及逆变器输出功率；
将清洁光伏组件投入使用，并且采集预定天数内的光伏组件发电功率、光照辐照数据、光伏组件表面温度；
利用光伏降额因子模型公式，根据采集到的预定天数内的光伏组件发电功率、光照辐照数据、光伏组件表面温度，计算所述预定天数内的光伏降额因子；
利用计算出的所述预定天数内的光伏降额因子，采用训练模型，预测所述预定天数之后的日期内的光伏降额因子；
利用预测得到的光伏降额因子和未来光伏的实际发电量，计算发电量损失。
2.如权利要求1所述的基于降额因子的光伏发电量损失预测方法，其特征在于，光伏降额因子模型公式为：
其中，
而且其中，为太阳辐照强度，P为逆变器的输出功率，为标准测试条件下的太阳辐照强度，αP是光伏电池组件的功率温度系数，Tc为当前时间步长的光伏组件温度，Tc,STC为标准测试条件下的光伏组件温度。
3.如权利要求1或2所述的基于降额因子的光伏发电量损失预测方法，其特征在于，根据公式计算清洗后n天内的光伏降额因子fPV、fPV+1、fPV+2、fPV+3、fPV+i、fPV+i+1、fPV+n。
4.如权利要求1或2所述的基于降额因子的光伏发电量损失预测方法，其特征
在于，计算发电量损失包括：
确定最小二乘支持向量机的训练集和测试集，其中，训练集为光伏清洗后n-3天内的历史数据；测试集为待预测日前三天的历史数据，其中n为采集历史数据的天数；
确定训练模型的输入输出向量；
对所有的输入输出向量进行归一化处理；
对最小二乘支持向量机进行训练，模型训练达到预定精度后预测第n+1天的光伏降额因子；
根据以上步骤得到光伏清洗后n+m天内的光伏降额因子平均值，其中m为预测的天数，随后根据光伏日发电量计算每天由于积灰引起的光伏发电量损失量。
5.如权利要求4所述的基于降额因子的光伏发电量损失预测方法，其特征在于，光伏发电量损失量的计算公式为：其中，Pi为每天第i个采样点的瞬时发电功率，t为采样周期。
6.如权利要求4所述的基于降额因子的光伏发电量损失预测方法，其特征在于，光伏发电量损失量的计算公式为：其中，Pi为每天第i个采样点的瞬时发电功率，t为采样周期，fPVi是每天第i个采样点的瞬时计算或预测得到的光伏降额因子。
7.如权利要求1或2所述的基于降额因子的光伏发电量损失预测方法，其特征在于，根据采集到的连续的预定天数内的光伏组件发电功率、光照辐照数据、光伏组件表面温度，计算所述预定天数内的光伏降额因子。
8.如权利要求1或2所述的基于降额因子的光伏发电量损失预测方法，其特征在于，所述训练模型是最小二乘支持向量机训练模型。
9.一种基于降额因子的光伏发电量损失预测方法，其特征在于包括：
根据光伏组件的功率输出模型，建立光伏降额因子模型公式；
针对清洁光伏组件，采集用来确定光伏降额因子模型中的常数的光伏组件温度、辐照强度及逆变器输出功率；
将清洁光伏组件投入使用，并且采集预定天数内的光伏组件发电功率、光照辐照数据、光伏组件表面温度；
根据采集到的预定天数内的光伏组件发电功率、光照辐照数据、光伏组件表面温度，采用训练模型，预测所述预定天数内及之后的预定日期内的光伏降额因子；
利用预测的所述预定天数内及之后的预定日期内的光伏降额因子，计算日灰尘引起的光伏发电量损失量。
10.如权利要求9所述的基于降额因子的光伏发电量损失预测方法，其特征在于，光伏降额因子模型公式为：
其中，
而且其中，为太阳辐照强度，P为逆变器的输出功率，为标准测试条件下的太阳辐照强度，αP是光伏电池组件的功率温度系数，Tc为当前时间步长的光伏组件温度，Tc,STC为标准测试条件下的光伏组件温度。
11.如权利要求9或10所述的基于降额因子的光伏发电量损失预测方法，其特征在于，光伏发电量损失量的计算公式为：其中，Pi为每天第i个采样点的瞬时发电功率，t为采样周期，fPVi是每天第i个采样点的瞬时计算或预测得到的光伏降额因子。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810134105.4A CN108537357B (zh) | 2018-02-09 | 2018-02-09 | 基于降额因子的光伏发电量损失预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810134105.4A CN108537357B (zh) | 2018-02-09 | 2018-02-09 | 基于降额因子的光伏发电量损失预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108537357A true CN108537357A (zh) | 2018-09-14 |
| CN108537357B CN108537357B (zh) | 2021-10-01 |
Family
ID=63485959
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810134105.4A Active CN108537357B (zh) | 2018-02-09 | 2018-02-09 | 基于降额因子的光伏发电量损失预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108537357B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112926798A (zh) * | 2021-03-26 | 2021-06-08 | 苏州朋友保科技有限公司 | 预测灰尘导致的光伏发电损失的方法、装置、设备及介质 |
| CN114021838A (zh) * | 2021-11-16 | 2022-02-08 | 西安热工研究院有限公司 | 一种光伏发电站灰尘覆盖度预测方法 |
| CN115333479A (zh) * | 2022-09-09 | 2022-11-11 | 北京智盟信通科技有限公司 | 一种光伏组件尘遮挡识别方法 |
| CN116667443A (zh) * | 2023-06-20 | 2023-08-29 | 苏州天富利新能源科技有限公司 | 一种光伏设备和光伏设备控制系统 |
| CN117455183A (zh) * | 2023-11-09 | 2024-01-26 | 国能江苏新能源科技开发有限公司 | 一种基于深度强化学习的综合能源系统优化调度方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011172397A (ja) * | 2010-02-19 | 2011-09-01 | Tokyo Electric Power Co Inc:The | 太陽光発電量予測方法および配電系統制御システム |
| CN103390116A (zh) * | 2013-08-07 | 2013-11-13 | 华北电力大学（保定） | 采用分步方式的光伏电站发电功率预测方法 |
| CN105631558A (zh) * | 2016-03-22 | 2016-06-01 | 国家电网公司 | 基于相似日的bp神经网络光伏发电系统功率预测方法 |
| WO2016132569A1 (ja) * | 2015-02-17 | 2016-08-25 | オーナンバ株式会社 | 太陽光発電システムの未来の電流値または発電量の低下の時期を予測する方法 |
| CN105956685A (zh) * | 2016-04-20 | 2016-09-21 | 南京国电南自电网自动化有限公司 | 一种光伏功率因子表预测方法 |
-
2018
- 2018-02-09 CN CN201810134105.4A patent/CN108537357B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011172397A (ja) * | 2010-02-19 | 2011-09-01 | Tokyo Electric Power Co Inc:The | 太陽光発電量予測方法および配電系統制御システム |
| CN103390116A (zh) * | 2013-08-07 | 2013-11-13 | 华北电力大学（保定） | 采用分步方式的光伏电站发电功率预测方法 |
| WO2016132569A1 (ja) * | 2015-02-17 | 2016-08-25 | オーナンバ株式会社 | 太陽光発電システムの未来の電流値または発電量の低下の時期を予測する方法 |
| CN105631558A (zh) * | 2016-03-22 | 2016-06-01 | 国家电网公司 | 基于相似日的bp神经网络光伏发电系统功率预测方法 |
| CN105956685A (zh) * | 2016-04-20 | 2016-09-21 | 南京国电南自电网自动化有限公司 | 一种光伏功率因子表预测方法 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112926798A (zh) * | 2021-03-26 | 2021-06-08 | 苏州朋友保科技有限公司 | 预测灰尘导致的光伏发电损失的方法、装置、设备及介质 |
| CN114021838A (zh) * | 2021-11-16 | 2022-02-08 | 西安热工研究院有限公司 | 一种光伏发电站灰尘覆盖度预测方法 |
| CN115333479A (zh) * | 2022-09-09 | 2022-11-11 | 北京智盟信通科技有限公司 | 一种光伏组件尘遮挡识别方法 |
| CN115333479B (zh) * | 2022-09-09 | 2024-01-09 | 北京智盟信通科技有限公司 | 一种光伏组件尘遮挡识别方法 |
| CN116667443A (zh) * | 2023-06-20 | 2023-08-29 | 苏州天富利新能源科技有限公司 | 一种光伏设备和光伏设备控制系统 |
| CN116667443B (zh) * | 2023-06-20 | 2024-04-26 | 苏州天富利新能源科技有限公司 | 一种光伏设备和光伏设备控制系统 |
| CN117455183A (zh) * | 2023-11-09 | 2024-01-26 | 国能江苏新能源科技开发有限公司 | 一种基于深度强化学习的综合能源系统优化调度方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108537357B (zh) | 2021-10-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108537357B (zh) | 基于降额因子的光伏发电量损失预测方法 | |
| CN108399493B (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 | |
| Gonzalo et al. | Survey of maintenance management for photovoltaic power systems | |
| Akhsassi et al. | Experimental investigation and modeling of the thermal behavior of a solar PV module | |
| Deceglie et al. | Quantifying soiling loss directly from PV yield | |
| Cristaldi et al. | Simplified method for evaluating the effects of dust and aging on photovoltaic panels | |
| CN109787552B (zh) | 一种光伏电站的清洗方法及系统 | |
| Rodrigo et al. | Review of methods for the calculation of cell temperature in high concentration photovoltaic modules for electrical characterization | |
| Theristis et al. | Energy yield in photovoltaic systems | |
| Besson et al. | Long-term soiling analysis for three photovoltaic technologies in Santiago region | |
| CN102566435A (zh) | 一种光伏电站的性能预报及故障报警方法 | |
| CN104680424A (zh) | 大型光伏电站的电压电能情况预估方法 | |
| Abraim et al. | Techno-economic assessment of soiling losses in CSP and PV solar power plants: A case study for the semi-arid climate of Morocco | |
| CN108053048A (zh) | 一种单步渐进式光伏电站超短期功率预测方法及系统 | |
| Torres-Ramírez et al. | Study on analytical modelling approaches to the performance of thin film PV modules in sunny inland climates | |
| Kam et al. | Comparative Weibull distribution methods for reliable global solar irradiance assessment in France areas | |
| Chiteka et al. | A method to predict solar photovoltaic soiling using artificial neural networks and multiple linear regression models | |
| Fernández-Solas et al. | Estimation of soiling losses in photovoltaic modules of different technologies through analytical methods | |
| Abuzaid et al. | Impact of dust accumulation on photovoltaic panels: a review paper | |
| CN115641029B (zh) | 基于环境气象影响的光伏组件清洗需求评估方法及系统 | |
| Shirbhate et al. | Time-series energy prediction using hidden Markov model for smart solar system | |
| Schuss et al. | Moving photovoltaic installations: Impacts of the sampling rate on maximum power point tracking algorithms | |
| Karabiber et al. | Short term PV power estimation by means of extreme learning machine and support vector machine | |
| Shirbhate et al. | Solar panel monitoring and energy prediction for smart solar system | |
| CN110796292A (zh) | 计及雾霾影响的光伏功率短期预测方法 |
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 |