CN109034441A - 一种光伏组件清洗周期的预测方法、系统及存储设备 - Google Patents
一种光伏组件清洗周期的预测方法、系统及存储设备 Download PDFInfo
- Publication number
- CN109034441A CN109034441A CN201810407881.7A CN201810407881A CN109034441A CN 109034441 A CN109034441 A CN 109034441A CN 201810407881 A CN201810407881 A CN 201810407881A CN 109034441 A CN109034441 A CN 109034441A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic
- photovoltaic module
- cleaning
- cleaning frequency
- derating factor
- 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
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
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06314—Calendaring for a resource
-
- 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
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/90—Financial instruments for climate change mitigation, e.g. environmental taxes, subsidies or financing
-
- 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
本发明技术方案公开了一种光伏组件清洗周期的预测方法,包括如下步骤:S1:确定光伏降额因子;S2:根据光伏降额因子、清洗一次的成本、未清洗的天数、光伏电价、光伏年满发小时数确定经济损失;S3:根据经济损失确定最优清洗周期U。本发明技术方案的光伏组件清洗周期的预测方法,相对于固定清洗周期而言,通过最优化的计算方法,求取光伏组件经济损失最小的清洗周期,且考虑天气因素对光伏组件清洗时间的影响,其经济效益更优。
Description
技术领域
本发明涉及分布式能源领域,尤其涉及一种光伏组件清洗周期的预测方法、系统及存储设备。
背景技术
积灰会导致光伏组件的发电效率下降,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,电站的清洗方式为固定时间清洗或者电站站长根据其经验来制定清洗计划,且实际电站的光伏清洗通常不考虑天气因素的影响,根据经验对光伏电站进行清洗,电站效益达不到最大化,清洗成本较高,如果通过实验获得积灰导致的发电损失量,再应用于其他电站时需要重新进行实验,增加了人力成本。
发明内容
有鉴于现有技术的上述缺陷,本发明技术方案所要解决的技术问题是提供一种光伏组件清洗周期的预测方法,定期预测光伏组件的清洗周期。
为解决上述技术问题,本发明技术方案提供了一种光伏组件清洗周期的预测方法,包括如下步骤:
S1:确定光伏降额因子;
S2:根据光伏降额因子、清洗一次的成本、未清洗的天数、光伏电价、光伏年满发小时数确定经济损失;
S3:根据经济损失确定最优清洗周期U。
可选的,在步骤S1中,按如下模型确定清洗后第i天的光伏降额因子,i取1、2、3、……、 W,W为采用固定周期进行清洗时的清洗周期:
其中,fPV-i为光伏降额因子,表示光伏组件上的遮挡值;PPV为光伏组件的输出有功功率;YPV为光伏组件的额定容量;为实际环境下,当前时间步长的光照辐照强度;为标准测试条件下的光照辐照强度;αP为光伏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。
可选的,通常取1,αP通常取-0.0047,Tc,STC通常为25℃。
可选的,在一般情况下,光伏电厂都不配备温度传感器,所以不能获取光伏组件的表面温度是很普遍的,本发明技术方案也考虑到这一点,在不设温度传感器的情况下,根据光伏组件的输出有功功率、额定容量、光照辐照强度及功率温度系数确定光伏降额因子,具体步骤如下:
S11:构建光伏降额因子的模型,如下:
其中,fPV-i为光伏降额因子;PPV为光伏组件的输出有功功率;YPV为光伏组件的额定容量;为实际环境下,当前时间步长的光照辐照强度;为标准测试条件下的光照辐照强度;αP为光伏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。
S12:忽略光伏组件表面温度的影响,将步骤S11的光伏降额因子模型进行简化,得到简化光伏降额因子模型,如下:
其中,
S13:根据步骤S12中的简化光伏降额因子模型得到h的计算方法,如下:
S14:设定清洗后第一天光伏组件的光伏降额因子为1,根据步骤S13中h的计算方法得到h值;
S15:确定清洗后第i天的光伏降额因子,其中i取1、2、3、……、W,W为采用固定周期进行清洗时的清洗周期:当i等于1时,光伏降额因子为1;当i大于1时,根据步骤S12中的简化光伏降额因子模型,确定第i天的光伏降额因子。
可选的,所述光伏降额因子模型由光伏组件的功率输出模型推导得出,所述功率输出模型如下:
可选的,所述通过环境测量仪测量所得,环境测量仪可用来采集光伏电站的风速、天气等数据,因其成本低,安装方便,通常在微网系统或光伏电站中配备。
在所述功率输出模型中,参数YPV、αP、Tc,STC对于光伏组件来讲,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,所述功率输出模型的变量有PPV、fPV、Tc,因此,fPV的值与PPV、Tc三个参数有关系。
进一步可选的,根据能否直接测量光伏组件的表面温度Tc,fPV的算法分为以下两种:
若不能直接测得Tc,fPV按以下方法计算获得:根据天气信息,选取未来连续晴天的一天,清洗一次光伏组件,取样周期最好是连续15天以上晴天或者多云天气,期间不能有雨天;读取清洗后第一天光伏组件的发电功率、光照辐照强度,现有的功率采集和环境测量仪对光照辐照采集通常是5分钟一次或者更短的时间,此步骤中的采集时间周期根据具体工程现场的实际情况确定;将采集的每个时间周期的发电功率、光照辐照强度带入常数h的模型,因为此时是光伏组件清洗后的第一天,认为此时光伏组件无灰尘遮盖,因此光伏降额因子取值为1,求取常数h;求取一天中h的平均值;记录清洗后每天的光伏组件发电功率和光照辐照数据,记录数据的时间周期根据具体工程现场的实际情况确定;根据简化光伏降额因子模型计算清洗后第1、2、3……、i天的光伏降额因子fPV-1、fPV-2、 fPV-3、…、fPV-i,将一天中每个时间周期的光伏降额因子取平均值,即为每天的光伏降额因子。该算法不需要额外增加传感器装置进行数据采集,进一步降低了清洗检测成本。
若能直接测得Tc,fPV按以下方法计算获得:根据天气信息,选取未来连续晴天的一天,清洗一次光伏组件,取样周期最好是连续15天以上晴天或者多云天气,期间不能有雨天;根据光伏组件的规模确定光伏组件的额定容量YPV;记录清洗后,每天的光伏组件发电功率、光照辐照数据、光伏组件表面温度,采集时间周期根据具体工程现场的实际情况确定;根据光伏降额因子模型计算清洗后第1、2、3……、i天的光伏降额因子fPV-1、fPV-2、fPV-3、…、fPV-i,在光伏降额因子模型中,αP、Tc,STC为常数,分别取:1、-0.0047、 25℃;将一天中每个时间周期的光伏降额因子取平均值,即为每天的光伏降额因子。
可选的,步骤S2具体按如下方法进行计算:将第1、2、3、……、W天的光伏降额因子值代入经济损失公式,分别计算清洗周期为1、2、3、……、W天的光伏组件的经济损失值。
进一步可选的,第1、2、3、……、W天的光伏降额因子值为当天不同时间时的光伏降额因子的平均值。
进一步可选的,所述经济损失公式按如下方式得到:
S221:求第i天减少输出功率比率,为1-fPV-i;
S222:求第i天的光伏组件减少的发电电量,如下所示:
其中,T为光伏年满发小时数;
S223:求第i天因未清洗造成的光伏组件发电损失,如下所示:
其中,T为光伏年满发小时数,B为光伏电价;
S224:以W作为经济损失的统计区间,求清洗周期为G的经济损失,G取1、2、3、……、i、……、W,其计算公式如下:
其中,M为经济损失;R为清洗一次的成本;G为清洗周期;B为光伏电价;T为光伏年满发小时数;表示对取余数;表示对取商。
可选的,在步骤S3中,根据经济损失确定最优清洗周期具体为:选取最小经济损失值对应的清洗周期作为最优清洗周期U。
本发明还提供了一种光伏组件清洗周期的预测系统,包括光伏电站、环境测量仪及控制单元,所述环境测量仪采集所述光伏电站的光照辐照强度并将所得信息传送至所述控制单元,所述控制单元采用如上所述方法对清洗周期进行预测。
可选的,光伏组件清洗周期的预测系统还包括温度传感器,所述温度传感器测量所述光伏电站的光伏组件的表面温度并传送至所述控制单元。
一种存储设备,其中存储有多项指令,所述指令适于由处理器加载并执行如上所述方法。
与现有技术相比,本发明的技术方案具有以下优点:本发明技术方案的光伏组件清洗周期的预测方法,相对于固定清洗周期而言,通过最优化的计算方法,求取光伏组件发电损失最小的清洗周期,且考虑天气因素对光伏组件清洗时间的影响,其经济效益更优。
附图说明
图1为本发明实施例1的光伏组件清洗周期的预测方法流程示意图;
图2为本发明实施例1的光伏降额因子的计算方法示意图;
图3为本发明实施例1的经济损失公式的推导流程示意图;
图4为本发明实施例1的清洗预测流程示意图;
图5为本发明实施例2的光伏降额因子的计算方法示意图;
图6为本发明实施例3清洗后第一天的光照辐照强度曲线;
图7为本发明实施例3清洗后第一天的的光伏发电功率曲线;
图8为本发明实施例3连续8天的光伏发电功率曲线;
图9为本发明实施例3连续8天的光照辐照曲线;
图10为本发明实施例4的光伏组件清洗周期的预测系统的结构示意图。
具体实施方式
实施例1
如图1所示,本发明实施例的光伏组件清洗周期的预测方法主要包括如下步骤:
S1:确定光伏降额因子;
S2:根据光伏降额因子、清洗一次的成本、未清洗的天数、光伏电价、光伏年满发小时数确定经济损失;
S3:根据经济损失确定最优清洗周期U。
下面对光伏组件清洗周期的预测方法详细阐述如下:
已知:光伏电站或微网的光伏组件未采用本清洗策略之前,采用的固定清洗周期为 W天,光伏组件清洗一次的成本为R元,本实施例的光伏组件最优清洗周期为U天,通常情况下W>U,现对光伏组件的清洗周期进行预测:
首先,根据光伏组件的输出有功功率、额定容量确定光伏降额因子,其公式如下:
其中,fPV为光伏降额因子,表示光伏组件的遮挡值;PPV为光伏组件的输出有功功率;fPV为光伏降额因子;YPV为光伏组件的额定容量;为实际环境下,当前时间步长的光照辐照强度;为标准测试条件下的光照辐照强度,在本实施例中为1kW/m2;αP为光伏组件的功率温度系数,在本实施例中为-0.0047%/℃;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,在本实施例中为25℃。
在本实施例中,不考虑光伏组件表面温度的影响,得到简化的光伏降额因子公式:
进而得到常数h的计算模型如下:
如图2所示,计算清洗后第i天(i取1、2、3、……、W)的光伏降额因子fPV-1、fPV-2、fPV-3、…、fPV-i,下面以第i天为例,作以说明:
S110:根据天气预报的信息,选取未来连续15天晴天的一天,清洗一次光伏组件;
S120:采集清洗后第i天光伏组件的发电功率、光照辐照强度,采集时间间隔为5分钟;
S130:将步骤S120测得的数据带入常数h的计算公式,求取常数h1、h2、h3……hi;
S140:求常数h1、h2、h3……hi的平均值,作为该天的h值;
S150:根据简化的光伏降额因子公式计算清洗后第i天不同时间段的光伏降额因子fPV1、fPV2、fPV3、……、fPVi;
S160:求fPV1、fPV2、fPV3、……、fPVi的平均值,即为第i天的fPV-i值。
其中,经济损失具体按如下方法进行计算:将第1、2、3、……、W天的光伏降额因子值代入经济损失公式,分别计算清洗周期为1、2、3、……、W天的光伏组件的经济损失值。
如图3所示,上述的经济损失公式按如下方式得到:
S221:求第i天减少输出功率比率,为1-fPV-i;
S222:求第i天的光伏组件减少的发电电量,如下所示:
S223:求第i天因未清洗造成的光伏组件发电损失,如下所示:
其中,T为光伏年满发小时数,中国不同地区的光伏年满发小时数如表1所示,B为光伏电价。
表1中国各地区年满发小时数表
地区 | 年满发小时数/h | 地区 | 年满发小时数/h | 地区 | 年满发小时数/h |
内蒙古 | 1680 | 辽宁 | 1464 | 江西 | 1000 |
黑龙江 | 1631 | 吉林 | 1371 | 上海 | 1000 |
青海 | 1592 | 陕西 | 1345 | 江苏 | 929 |
四川 | 1605 | 河北 | 1250 | 天津 | 924 |
新疆 | 1580 | 海南 | 1200 | 福建 | 690 |
宁夏 | 1579 | 山东 | 1080 | 广东 | 1000 |
西藏 | 1545 | 安徽 | 1025 | 广西 | 800 |
云南 | 1527 | 甘肃 | 1019 | 湖北 | 1000 |
山西 | 1518 | 河南 | 1000 | 湖南 | 1000 |
S224:以W作为经济损失的统计区间,求清洗周期为G时的经济损失,G取1、2、3、……、i、……、W,如下所示:
其中,M为发电损失;R为清洗一次的成本;G为清洗周期;B为光伏电价;T为光伏年满发小时数;表示对取余数;表示对取商。
根据所得发电损失确定最优清洗周期具体为:选取最小经济损失值对应的清洗周期作为最优清洗周期U。
需要说明的是,本发明技术方案计算的最优光伏清洗周期为全晴天条件下的天数,如图4所示,在工程应用中,若天气预报预测未来会出现雨天,在利用本发明技术方案预测的周期判断是否清洗时,只需要判断雨天和上次清洗时间之间是否小于U,若小于U则不需要清洗,因为雨天在一定程度上对光伏组件起到一定的清洗效果,从经济性考虑,推迟清洗时间,若大于U,则需要清洗。
实施例2
本实施例与实施例2相比,区别在于考虑光伏组件表面温度的影响。如图5所示,在本实施例中,以第i天为例,计算清洗后第i天的光伏降额因子fPV-i,对光伏降额因子的计算方法作以说明:
S111:根据天气预报的预测信息,选取未来连续15天晴天的一天,清洗一次光伏组件;
S121:根据光伏组件的规模确定光伏组件的额定容量;
S131:记录清洗后第i天光伏组件的发电功率、光照辐照数据、光伏组件表面温度,采集时间间隔为5分钟;
S141:根据光伏降额因子模型计算清洗后第i天内不同时间段的光伏降额因子fPV1、 fPV2、fPV3、……、fPVi;
S151:求fPV1、fPV2、fPV3、……、fPVi的平均值,即为第i天的fPV-i值。
其他步骤与实施例1一致。
实施例3
以上海某8000kW光伏电站8天(因上海多雨,因此选取8天作为样本数据,但不限于8天,可根据当地气候情况,适当延长样本数据时间。)的历史数据为样本,仿真验证本清洗算法的有效性。
(1)读取清洗后第一天光伏组件的发电功率、光照辐照强度,清洗后第一天的光照辐照强度和光伏发电功率曲线如图6和图7所示;
(2)根据光照辐照强度和光伏发电功率,求取清洗后第一天常数h的平均值为1.873;
(3)记录清洗后,连续8天的光伏组件发电功率和光照辐照数据如图8和图9;
(4)计算清洗后8天的光伏降额因子fPV-1=1、fPV-2=0.907、fPV-3=0.874、fPV-4=0.802、 fPV-5=0.794、fPV-6=0.78、fPV-7=0.775、fPV-8=0.771;
(5)已知:某光伏电站或微网的光伏组件未采用本清洗策略之前,采用的固定清洗周期为8天,光伏组件清洗一次的成本为1000元。计算清洗光伏组件第1-8天,减少输出功率比率,分别为:0、0.093、0.126、0.198、0.206、0.22、0.225、0.229。
(6)计算清洗后第1-8天,每天的光伏组件减少的累计发电电量,分别为:0W、2.038×103kW、2.761×103kW、4.339×103kW、4.515×103kW、4.821×103kW、4.931×103kW、5.019×103kW;
(7)计算清洗后第1-8天,每天因未清洗造成的光伏组件发电损失,分别为:1.63×103元、2.209×103元、3.472×103元、3.612×103元、3.857×103元、3.945×103元、4.015×103元;
(8)计算相对于前期固定清洗周期8天而言,求清洗周期为G(G=1,2,3,…,W)时因未清洗造成的光伏组件发电损失,如下表2所示:
表2未清洗造成的光伏组件发电损失数据
(10)从上表中可以看出,清洗周期为3天时,因未清洗造成的光伏组件发电损失最小,即最优清洗周期为3天。
实施例4
如图10所示,本实施例的光伏组件清洗周期的预测系统,包括光伏电站、环境测量仪、温度传感器及控制单元,环境测量仪采集光伏电站的光照辐照强度并将所得信息传送至所述控制单元,表面温度传感器测量光伏电站的光伏组件的表面温度并传送至控制单元,控制单元采用上述实施例的预测方法对清洗周期进行预测,在其他实施例中,也可不必配备温度传感器。
本实施例的存储设备,其中存储有多项指令,该指令适于由处理器加载并执行如上实施例的清洗周期的预测方法。
以上详细描述了本发明的具体实施例,应当理解,本领域的普通技术人员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 (10)
1.一种光伏组件清洗周期的预测方法,其特征在于,包括如下步骤:
S1:确定光伏降额因子;
S2:根据光伏降额因子、清洗一次的成本、未清洗的天数、光伏电价、光伏年满发小时数确定经济损失;
S3:根据经济损失确定最优清洗周期U。
2.如权利要求1所述的光伏组件清洗周期的预测方法,其特征在于,在步骤S1中,按如下模型确定清洗后第i天的光伏降额因子,i取1、2、3、……、W,W为采用固定周期进行清洗时的清洗周期:
其中,fPV-i为光伏降额因子;PPV为光伏组件的输出有功功率;YPV为光伏组件的额定容量;为实际环境下,当前时间步长的光照辐照强度;为标准测试条件下的光照辐照强度;αP为光伏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所述的光伏组件清洗周期的预测方法,其特征在于,在步骤S1中,确定光伏降额因子的具体步骤如下:
S11:构建光伏降额因子的模型,如下:
其中,fPV-i为光伏降额因子;PPV为光伏组件的输出有功功率;YPV为光伏组件的额定容量;为实际环境下,当前时间步长的光照辐照强度;为标准测试条件下的光照辐照强度;αP为光伏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。
S12:忽略光伏组件表面温度的影响,将步骤S11的光伏降额因子模型进行简化,得到简化光伏降额因子模型,如下:
S13:根据步骤S12中的简化光伏降额因子模型得到h的计算方法,如下:
S14:设定清洗后第一天光伏组件的光伏降额因子为1,根据步骤S13中h的计算方法得到h值;
S15:确定清洗后第i天的光伏降额因子,其中i取1、2、3、……、W,W为采用固定周期进行清洗时的清洗周期:当i等于1时,光伏降额因子为1;当i大于1时,根据步骤S12中的简化光伏降额因子模型,确定第i天的光伏降额因子。
4.如权利要求2或3所述的光伏组件清洗周期的预测方法,其特征在于,步骤S2具体按如下方法进行计算:将第1、2、3、……、W天的光伏降额因子值代入经济损失公式,分别计算清洗周期为1、2、3、……、W天的光伏组件的经济损失值。
5.如权利要求4所述的光伏组件清洗周期的预测方法,其特征在于,第1、2、3、……、W天的光伏降额因子值为当天不同时间时的光伏降额因子的平均值。
6.如权利要求4所述的光伏组件清洗周期的预测方法,其特征在于,所述经济损失公式按如下方式得到:
S221:求第i天减少输出功率比率,为1-fPV-i;
S222:求第i天的光伏组件减少的发电电量,如下所示:
其中,T为光伏年满发小时数;
S223:求第i天因未清洗造成的光伏组件发电损失,如下所示:
其中,T为光伏年满发小时数,B为光伏电价;
S224:以W作为经济损失的统计区间,求清洗周期为G的经济损失,G取1、2、3、……、i、……、W,其计算公式如下:
其中,M为经济损失;R为清洗一次的成本;G为清洗周期;B为光伏电价;T为光伏年满发小时数;表示对取余数;表示对取商。
7.如权利要求6所述的光伏组件清洗周期的预测方法,其特征在于,在步骤S3中,根据经济损失确定最优清洗周期具体为:选取最小经济损失值对应的清洗周期作为最优清洗周期U。
8.一种光伏组件清洗周期的预测系统,其特征在于,包括光伏电站、环境测量仪、及控制单元,所述环境测量仪采集所述光伏电站的光照辐照强度并将所得光照辐照强度传送至所述控制单元,所述控制单元采用权利要求1~7任一项所述方法对清洗周期进行预测。
9.如权利要求8所述的光伏组件清洗周期的预测系统,其特征在于,还包括温度传感器,所述温度传感器测量所述光伏电站的光伏组件的表面温度并传送至所述控制单元。
10.一种存储设备,其中存储有多项指令,其特征在于,所述指令适于由处理器加载并执行权利要求1~7任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810407881.7A CN109034441B (zh) | 2018-05-02 | 2018-05-02 | 一种光伏组件清洗周期的预测方法、系统及存储设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810407881.7A CN109034441B (zh) | 2018-05-02 | 2018-05-02 | 一种光伏组件清洗周期的预测方法、系统及存储设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109034441A true CN109034441A (zh) | 2018-12-18 |
CN109034441B CN109034441B (zh) | 2022-09-30 |
Family
ID=64629681
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810407881.7A Active CN109034441B (zh) | 2018-05-02 | 2018-05-02 | 一种光伏组件清洗周期的预测方法、系统及存储设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109034441B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445036A (zh) * | 2020-03-10 | 2020-07-24 | 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动态调整方法及存储介质 |
CN112561190A (zh) * | 2020-12-23 | 2021-03-26 | 宁夏中科嘉业新能源研究院(有限公司) | 一种基于离散粒子群算法的光伏电站清洗模型预测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103606913A (zh) * | 2013-10-22 | 2014-02-26 | 清华大学 | 分布式混合发电系统电源规划方法 |
CN105215034A (zh) * | 2015-11-16 | 2016-01-06 | 上海许继电气有限公司 | 实现光伏电站太阳能电池板智能清洗的系统及方法 |
US20160104084A1 (en) * | 2014-10-09 | 2016-04-14 | Sunedison, Inc. | Methods and systems for schedule-based and alert-based cleaning of pv systems |
CN106529723A (zh) * | 2016-11-10 | 2017-03-22 | 上海许继电气有限公司 | 基于监控平台实现光伏电站清洗周期估计的方法 |
CN106548244A (zh) * | 2015-09-16 | 2017-03-29 | 成都鼎桥通信技术有限公司 | 光伏电站清洗方法和装置 |
CN107040206A (zh) * | 2017-05-02 | 2017-08-11 | 东北电力大学 | 一种光伏电池板积灰状态监测系统与清洗周期优化方法 |
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 |
CN107679672A (zh) * | 2017-10-20 | 2018-02-09 | 中冶华天南京电气工程技术有限公司 | 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 |
-
2018
- 2018-05-02 CN CN201810407881.7A patent/CN109034441B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103606913A (zh) * | 2013-10-22 | 2014-02-26 | 清华大学 | 分布式混合发电系统电源规划方法 |
US20160104084A1 (en) * | 2014-10-09 | 2016-04-14 | Sunedison, Inc. | Methods and systems for schedule-based and alert-based cleaning of pv systems |
CN106548244A (zh) * | 2015-09-16 | 2017-03-29 | 成都鼎桥通信技术有限公司 | 光伏电站清洗方法和装置 |
CN105215034A (zh) * | 2015-11-16 | 2016-01-06 | 上海许继电气有限公司 | 实现光伏电站太阳能电池板智能清洗的系统及方法 |
CN106529723A (zh) * | 2016-11-10 | 2017-03-22 | 上海许继电气有限公司 | 基于监控平台实现光伏电站清洗周期估计的方法 |
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 |
CN107040206A (zh) * | 2017-05-02 | 2017-08-11 | 东北电力大学 | 一种光伏电池板积灰状态监测系统与清洗周期优化方法 |
CN107679672A (zh) * | 2017-10-20 | 2018-02-09 | 中冶华天南京电气工程技术有限公司 | 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 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445036A (zh) * | 2020-03-10 | 2020-07-24 | 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动态调整方法及存储介质 |
CN111445036B (zh) * | 2020-03-10 | 2023-05-30 | 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动态调整方法及存储介质 |
CN112561190A (zh) * | 2020-12-23 | 2021-03-26 | 宁夏中科嘉业新能源研究院(有限公司) | 一种基于离散粒子群算法的光伏电站清洗模型预测方法 |
CN112561190B (zh) * | 2020-12-23 | 2023-01-24 | 宁夏中科嘉业新能源研究院(有限公司) | 一种基于离散粒子群算法的光伏电站清洗模型预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109034441B (zh) | 2022-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107425520B (zh) | 一种含节点注入功率不确定性的主动配电网三相区间状态估计方法 | |
CN103117546B (zh) | 一种超短期风电功率滑动预测方法 | |
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 | |
Sun et al. | Research on ultra-short-term wind power prediction considering source relevance | |
CN104899665A (zh) | 风电功率短期预测方法 | |
Wang et al. | Short-term wind speed forecasting combined time series method and arch model | |
CN103258103A (zh) | 基于偏最小二乘回归的戴维南等值参数辨识方法 | |
CN113964885A (zh) | 一种基于态势感知的电网无功主动预测及控制技术 | |
CN111458649A (zh) | 一种电池模组健康度快速检测方法 | |
CN107403015A (zh) | 一种基于时间序列相似性的短期光功率预测方法 | |
Geng et al. | State of charge estimation method for lithium-ion batteries in all-electric ships based on LSTM neural network | |
CN104897304A (zh) | 一种用于输电线路动态增容的线路温度辨识方法 | |
CN109034441A (zh) | 一种光伏组件清洗周期的预测方法、系统及存储设备 | |
CN105373849A (zh) | 光伏电池组件温度的分步预测方法 | |
CN115423153A (zh) | 基于概率预测的光伏储能系统能量管理方法 | |
CN114091316B (zh) | 一种区域光伏发电量计算方法 | |
CN108537357A (zh) | 基于降额因子的光伏发电量损失预测方法 | |
Xiaolan et al. | One-month ahead prediction of wind speed and output power based on EMD and LSSVM | |
CN115481772A (zh) | 一种光伏发电量预测方法及装置 | |
Zhang et al. | Solar photovoltaic power prediction based on similar day approach | |
Nishita et al. | Examination of Solar Power Generation Prediction Method in Snowfall Area Using Machine Learning | |
Lari et al. | Reliable Photovoltaics Output Power Prediction in Qatar | |
CN115000999B (zh) | 一种电动汽车日前响应能力评估方法 | |
Duan et al. | Power forecasting approach of PV plant based on similar time periods and Elman neural network | |
CN110265999B (zh) | 一种高度网状的二次配电网负载估计方法 |
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 |