CN109447350A - 一种太阳能电池板输出功率响应的预测方法、系统及平台 - Google Patents
一种太阳能电池板输出功率响应的预测方法、系统及平台 Download PDFInfo
- Publication number
- CN109447350A CN109447350A CN201811283803.7A CN201811283803A CN109447350A CN 109447350 A CN109447350 A CN 109447350A CN 201811283803 A CN201811283803 A CN 201811283803A CN 109447350 A CN109447350 A CN 109447350A
- Authority
- CN
- China
- Prior art keywords
- power
- response model
- prediction
- power response
- solar panel
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000005855 radiation Effects 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000003066 decision tree Methods 0.000 claims description 7
- 238000012417 linear regression Methods 0.000 claims description 7
- 238000007637 random forest analysis Methods 0.000 claims description 7
- 238000010248 power generation Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 1
- 229910052753 mercury Inorganic materials 0.000 description 1
- 230000000750 progressive effect Effects 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
- 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)
- Photovoltaic Devices (AREA)
Abstract
本发明公开一种太阳能电池板输出功率响应的预测方法、系统及平台，本发明首先获取训练集样本、测试集样本；其次根据所述训练集样本确定第一功率响应模型、第二功率响应模型和第三功率响应模型；然后将所述测试集样本分别输入至所述第一功率响应模型、所述第二功率响应模型和所述第三功率响应模型，分别获得对应的第一功率预测集、第二功率预测集和第三功率预测集；根据所述第一功率预测集、所述第二功率预测集和所述第三功率预测集确定最优功率响应模型；最后将所述待测样本输入至所述最优功率响应模型，输出太阳能电池板的输出功率响应预测值，以实现提高预测精度。
Description
技术领域
本发明涉及太阳能电池板输出功率响应预测技术领域，特别是涉及一种太阳能电池板输出功率响应的预测方法、系统及平台。
背景技术
太阳能光伏发电系统中，对于太阳能电池板输出功率响应的追踪提出了实时性、高精度性的要求，以保证光伏发电系统的高效性和可靠性，而在实际运行过程中，由于天气的变化或受其他因素的影响，使得太阳光的辐射强度随机变化，常常使得追踪效果不好，严重影响了光伏发电系统的发电效率。该类影响的存在往往是随机的，很难预测的，并不具有周期性。因此，通过建模的方法，对太阳能电池板输出功率响应进行预测是不容易实现的。现有的预测方法不能实时跟踪客观因素的变化，进而不能实时调整预测算法，因此无法准确预测太阳能电池板输出功率响应。
发明内容
本发明的目的是提供一种太阳能电池板输出功率响应的预测方法、系统及平台，以实现准确预测太阳能电池板输出功率响应。
为实现上述目的，本发明提供了一种太阳能电池板输出功率响应的预测方法，所述预测方法包括：
获取训练集样本、测试集样本；所述训练集样本包括第一数量的样本对；所述测试集样本包括第二数量的样本对；每个样本对均包括三个输入、一个输出；所述输入分别为当前时间、太阳光的辐射强度和不确定外界因素归一化值；所述输出为太阳能电池板的实际输出功率响应；
根据所述训练集样本确定第一功率响应模型、第二功率响应模型和第三功率响应模型；
将所述测试集样本分别输入至所述第一功率响应模型、所述第二功率响应模型和所述第三功率响应模型，分别获得对应的第一功率预测集、第二功率预测集和第三功率预测集；
根据所述第一功率预测集、所述第二功率预测集和所述第三功率预测集确定最优功率响应模型；
获取待测样本；所述待测样本包括某一时刻、太阳光的辐射强度和不确定外界因素归一化值；
将所述待测样本输入至所述最优功率响应模型，输出太阳能电池板的输出功率响应预测值。
可选的，所述根据所述训练集样本确定第一功率响应模型、第二功率响应模型和第三功率响应模型，具体包括：
采用线性回归算法，根据所述训练集样本确定第一功率响应模型；
采用决策树的分类算法，根据所述训练集样本确定第二功率响应模型；
采用随机森林算法，根据所述训练集样本确定第三功率响应模型。
可选的，所述根据所述第一功率预测集、所述第二功率预测集和所述第三功率预测集确定最优功率响应模型，具体包括：
判断所述第一功率预测集内的各预测输出功率响应与所述实际输出功率响应的差值是否大于第一设定值，获得第一判断结果；当所述第一判断结果表示为大于第一设定值时，则记录大于第一设定值的次数，获得第一次数；
判断所述第二功率预测集内的各预测输出功率响应与所述实际输出功率响应的差值是否大于第一设定值，获得第二判断结果；当所述第二判断结果表示为大于第一设定值时，则记录大于第一设定值的次数，获得第二次数；
判断所述第三功率预测集内的各预测输出功率响应与所述实际输出功率响应的差值是否大于第一设定值，获得第三判断结果；当所述第三判断结果表示为大于第一设定值时，则记录大于第一设定值的次数，获得第三次数；
从所述第一次数、所述第二次数和所述第三次数中选取最小次数对应的功率响应模型作为最优功率响应模型。
本发明还提供一种太阳能电池板输出功率响应的预测系统，所述预测系统包括：
第一获取模块，用于获取训练集样本、测试集样本；所述训练集样本包括第一数量的样本对；所述测试集样本包括第二数量的样本对；每个样本对均包括三个输入、一个输出；所述输入分别为当前时间、太阳光的辐射强度和不确定外界因素归一化值；所述输出为太阳能电池板的实际输出功率响应；
功率响应模型确定模块，用于根据所述训练集样本确定第一功率响应模型、第二功率响应模型和第三功率响应模型；
输入模块，用于将所述测试集样本分别输入至所述第一功率响应模型、所述第二功率响应模型和所述第三功率响应模型，分别获得对应的第一功率预测集、第二功率预测集和第三功率预测集；
最优功率响应模型确定模块，用于根据所述第一功率预测集、所述第二功率预测集和所述第三功率预测集确定最优功率响应模型；
第二获取模块，用于获取待测样本；所述待测样本包括某一时刻、太阳光的辐射强度和不确定外界因素归一化值；
输出模块，用于将所述待测样本输入至所述最优功率响应模型，输出太阳能电池板的输出功率响应预测值。
可选的，所述功率响应模型确定模块，具体包括：
第一功率响应模型确定单元，用于采用线性回归算法，根据所述训练集样本确定第一功率响应模型；
第二功率响应模型确定单元，用于采用决策树的分类算法，根据所述训练集样本确定第二功率响应模型；
第三功率响应模型确定单元，用于采用随机森林算法，根据所述训练集样本确定第三功率响应模型。
可选的，所述最优功率响应模型确定模块，具体包括：
第一判断单元，用于判断所述第一功率预测集内的各预测输出功率响应与所述实际输出功率响应的差值是否大于第一设定值，获得第一判断结果；当所述第一判断结果表示为大于第一设定值时，则记录大于第一设定值的次数，获得第一次数；
第二判断单元，用于判断所述第二功率预测集内的各预测输出功率响应与所述实际输出功率响应的差值是否大于第一设定值，获得第二判断结果；当所述第二判断结果表示为大于第一设定值时，则记录大于第一设定值的次数，获得第二次数；
第三判断单元，用于判断所述第三功率预测集内的各预测输出功率响应与所述实际输出功率响应的差值是否大于第一设定值，获得第三判断结果；当所述第三判断结果表示为大于第一设定值时，则记录大于第一设定值的次数，获得第三次数；
最优功率响应模型确定单元，用于从所述第一次数、所述第二次数和所述第三次数中选取最小次数对应的功率响应模型作为最优功率响应模型。
本发明还提供一种太阳能电池板输出功率响应的预测平台，所述预测平台包括：
太阳能电池板，用于获取太阳光；
光线传感器，与所述太阳能电池板固定连接，用于检测在同一平面上的当前时间的太阳光的辐射强度；
电流传感器，与所述太阳能电池板连接，用于检测太阳能电池板发电输出的电流；
电压传感器，与所述太阳能电池板连接，用于检测太阳能电池板发电输出的电压；
上位机，分别与所述光线传感器、所述电流传感器和所述电压传感器连接，用于接收所述辐射强度、所述电流和所述电压，并根据所述电流和所述电压确定太阳能电池板的实际输出功率响应；所述上位机用于上述所述的预测方法输出太阳能电池板的输出功率响应预测值。
可选的，所述预测平台还包括：
夹具，用于将所述光线传感器与所述太阳能电池板固定连接；
步进电机和驱动模块，所述驱动模块分别与所述夹具、所述步进电机相连，用于所述步进电机通过所述驱动模块带动所述夹具转动，以使太阳能电池板的朝向与太阳方向一致。
可选的，所述预测平台还包括：
负载电阻，用于模拟太阳能电池板光伏并网时的网侧部分。
可选的，所述预测平台还包括：
串口，所述上位机通过所述串口分别与所述光线传感器、所述电流传感器和所述电压传感器连接。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明首先获取训练集样本、测试集样本；其次根据所述训练集样本确定第一功率响应模型、第二功率响应模型和第三功率响应模型；然后将所述测试集样本分别输入至所述第一功率响应模型、所述第二功率响应模型和所述第三功率响应模型，分别获得对应的第一功率预测集、第二功率预测集和第三功率预测集；根据所述第一功率预测集、所述第二功率预测集和所述第三功率预测集确定最优功率响应模型；最后将所述待测样本输入至所述最优功率响应模型，输出太阳能电池板的输出功率响应预测值，以实现提高预测精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例太阳能电池板输出功率响应的预测方法流程图；
图2为本发明实施例太阳能电池板输出功率响应的预测系统方块图；
图3为本发明实施例太阳能电池板输出功率响应的预测平台结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种太阳能电池板输出功率响应的预测方法、系统及平台，以实现准确预测太阳能电池板输出功率响应。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例太阳能电池板输出功率响应的预测方法流程图，如图1所示，本发明提供一种太阳能电池板输出功率响应的预测方法，所述预测方法包括：
步骤S1：获取训练集样本、测试集样本；所述训练集样本包括第一数量的样本对；所述测试集样本包括第二数量的样本对；每个样本对均包括三个输入、一个输出；所述输入分别为当前时间、太阳光的辐射强度和不确定外界因素归一化值；所述输出为太阳能电池板的实际输出功率响应；
步骤S2：根据所述训练集样本确定第一功率响应模型、第二功率响应模型和第三功率响应模型；
步骤S3：将所述测试集样本分别输入至所述第一功率响应模型、所述第二功率响应模型和所述第三功率响应模型，分别获得对应的第一功率预测集、第二功率预测集和第三功率预测集；
步骤S4：根据所述第一功率预测集、所述第二功率预测集和所述第三功率预测集确定最优功率响应模型；
步骤S5：获取待测样本；所述待测样本包括某一时刻、太阳光的辐射强度和不确定外界因素归一化值；
步骤S6：将所述待测样本输入至所述最优功率响应模型，输出太阳能电池板的输出功率响应预测值。
步骤S2：根据所述训练集样本确定第一功率响应模型、第二功率响应模型和第三功率响应模型，具体包括：
步骤S21：采用线性回归算法，根据所述训练集样本确定第一功率响应模型；
步骤S22：采用决策树的分类算法，根据所述训练集样本确定第二功率响应模型；
步骤S23：采用随机森林算法，根据所述训练集样本确定第三功率响应模型。
步骤S4：根据所述第一功率预测集、所述第二功率预测集和所述第三功率预测集确定最优功率响应模型，具体包括：
步骤S41：判断所述第一功率预测集内的各预测输出功率响应与所述实际输出功率响应的差值是否大于第一设定值，获得第一判断结果；当所述第一判断结果表示为大于第一设定值时，则记录大于第一设定值的次数，获得第一次数；
步骤S42：判断所述第二功率预测集内的各预测输出功率响应与所述实际输出功率响应的差值是否大于第一设定值，获得第二判断结果；当所述第二判断结果表示为大于第一设定值时，则记录大于第一设定值的次数，获得第二次数；
步骤S43：判断所述第三功率预测集内的各预测输出功率响应与所述实际输出功率响应的差值是否大于第一设定值，获得第三判断结果；当所述第三判断结果表示为大于第一设定值时，则记录大于第一设定值的次数，获得第三次数。
步骤S44：从所述第一次数、所述第二次数和所述第三次数中选取最小次数对应的功率响应模型作为最优功率响应模型。
图2为本发明实施例太阳能电池板输出功率响应的预测系统方块图，如图2所示，本发明还提供一种太阳能电池板输出功率响应的预测系统，所述预测系统包括：
第一获取模块1，用于获取训练集样本、测试集样本；所述训练集样本包括第一数量的样本对；所述测试集样本包括第二数量的样本对；每个样本对均包括三个输入、一个输出；所述输入分别为当前时间、太阳光的辐射强度和不确定外界因素归一化值；所述输出为太阳能电池板的实际输出功率响应；
功率响应模型确定模块2，用于根据所述训练集样本确定第一功率响应模型、第二功率响应模型和第三功率响应模型；
输入模块3，用于将所述测试集样本分别输入至所述第一功率响应模型、所述第二功率响应模型和所述第三功率响应模型，分别获得对应的第一功率预测集、第二功率预测集和第三功率预测集；
最优功率响应模型确定模块4，用于根据所述第一功率预测集、所述第二功率预测集和所述第三功率预测集确定最优功率响应模型；
第二获取模块，用于获取待测样本5；所述待测样本包括某一时刻、太阳光的辐射强度和不确定外界因素归一化值；
输出模块6，用于将所述待测样本输入至所述最优功率响应模型，输出太阳能电池板的输出功率响应预测值。
下面对各个模块进行详细论述：
所述功率响应模型确定模块2，具体包括：
第一功率响应模型确定单元，用于采用线性回归算法，根据所述训练集样本确定第一功率响应模型；
第二功率响应模型确定单元，用于采用决策树的分类算法，根据所述训练集样本确定第二功率响应模型；
第三功率响应模型确定单元，用于采用随机森林算法，根据所述训练集样本确定第三功率响应模型。
所述最优功率响应模型确定模块4，具体包括：
第一判断单元，用于判断所述第一功率预测集内的各预测输出功率响应与所述实际输出功率响应的差值是否大于第一设定值，获得第一判断结果；当所述第一判断结果表示为大于第一设定值时，则记录大于第一设定值的次数，获得第一次数；
第二判断单元，用于判断所述第二功率预测集内的各预测输出功率响应与所述实际输出功率响应的差值是否大于第一设定值，获得第二判断结果；当所述第二判断结果表示为大于第一设定值时，则记录大于第一设定值的次数，获得第二次数；
第三判断单元，用于判断所述第三功率预测集内的各预测输出功率响应与所述实际输出功率响应的差值是否大于第一设定值，获得第三判断结果；当所述第三判断结果表示为大于第一设定值时，则记录大于第一设定值的次数，获得第三次数；
最优功率响应模型确定单元，用于从所述第一次数、所述第二次数和所述第三次数中选取最小次数对应的功率响应模型作为最优功率响应模型。
图3为本发明实施例太阳能电池板输出功率响应的预测平台结构图，如图3所示，图中实线表示电连接，图中虚线表示固定连接，本发明还提供一种太阳能电池板输出功率响应的预测平台，所述预测平台包括：
太阳能电池板31，用于获取太阳光；
光线传感器32，与所述太阳能电池板固定连接，用于检测在同一平面上的当前时间的太阳光的辐射强度；
电流传感器33，与所述太阳能电池板连接，用于检测太阳能电池板发电输出的电流；
电压传感器34，与所述太阳能电池板连接，用于检测太阳能电池板发电输出的电压；
上位机35，分别与所述光线传感器、所述电流传感器和所述电压传感器连接，用于接收所述辐射强度、所述电流和所述电压，并根据所述电流和所述电压确定太阳能电池板的实际输出功率响应；所述上位机用于上述所述的预测方法输出太阳能电池板的输出功率响应预测值。
作为一种实施方式，本发明所述预测平台还包括：
夹具，用于将所述光线传感器与所述太阳能电池板固定连接；具体为：所述光线传感器与所述太阳能电池板固定在同一夹具上并保持在同一平面上，即光线传感器的表平面与太阳能电池板的表平面完全重合。光线传感器会随着太阳能电池板的移动而一起移动，从而保证光线传感器与太阳能电池板的朝向一致。
步进电机和驱动模块，所述驱动模块分别与所述夹具、所述步进电机相连，用于所述步进电机通过所述驱动模块带动所述夹具转动，以使太阳能电池板的朝向与太阳方向一致。
作为一种实施方式，本发明所述预测平台还包括：
负载电阻，用于模拟太阳能电池板光伏并网时的网侧部分。
作为一种实施方式，本发明所述预测平台还包括：
串口，所述上位机通过所述串口分别与所述光线传感器、所述电流传感器和所述电压传感器连接。
本发明这里的不确定外界因素指的是气象上的因素。这里取温度、压强、湿度和风向这三个因素作为不确定外界因素并进行归一化处理。而归一化值的确定，其基准值取标准状况下的温度基准(273.15K)和压强基准(101.325kpa)，湿度则直接取相对湿度数值，风向则以360°为基准取其标幺值，最后将三个归一化的值取均值作为不确定外界因素归一化值。
举个例子：温度48华氏度(282K)、压强为30.46英寸汞柱(103.149kpa)、相对湿度59、风向177.39°时对应的不确定外界因素归一化值计算过程如下：温度归一化：
压强归一化：
湿度归一化：
风向归一化：
取均值：
则最终的不确定外界因素归一化值为0.2833。
具体举例：
1、建立预测平台，利用电流传感器和电压传感器分别测量当前时刻t的电流和电压，并将电流和电压上传值上位机，以使上位机根据电流和电压计算太阳能电池板的实际输出功率响应，利用光线传感器检测当前时刻t的太阳能电池板的辐射强度r，同时获取不确定外界因素归一化值uf和太阳能电池板输出功率响应值vr，将同一时间t的r、uf、ur作为一个样本对。
取400组不同组合的样本对，将前300组不同组合的样本对作为训练集样本，将后100组不同组合的样本对作为测试集样本，所述测试集样本的前六组数据如表1所示。
表1前六组训练集样本
| t | r | uf | vr | |
| c(1) | 1475229326 | 1.21 | 0.17 | 1.21 |
| c(2) | 1475229023 | 1.21 | 0.17 | 1.21 |
| c(3) | 1475228726 | 1.23 | 0.15 | 1.23 |
| c(4) | 1475228421 | 1.21 | 0.13 | 1.21 |
| c(5) | 1475228124 | 1.17 | 0.10 | 1.17 |
| c(6) | 1475227824 | 1.21 | 0.12 | 1.21 |
利用线性回归对训练集样本进行训练，得到第一功率响应模型；利用决策树对训练集样本进行训练，得到第二功率响应模型；利用随机森林对训练集样本进行训练，得到第三功率响应模型。
将测试集样本分别输入至第一功率响应模型、第二功率响应模型、第三功率响应模型，分别获得对应的第一功率预测集、第二功率预测集和第三功率预测集。
判断所述第一功率预测集内的各预测输出功率响应与所述实际输出功率响应的差值是否大于所述实际输出功率响应的5％，获得第一判断结果；当所述第一判断结果表示为大于所述实际输出功率响应的5％时，则记录大于所述实际输出功率响应的5％的次数，获得第一次数为37；
判断所述第二功率预测集内的各预测输出功率响应与所述实际输出功率响应的差值是否大于所述实际输出功率响应的5％，获得第二判断结果；当所述第二判断结果表示为大于所述实际输出功率响应的5％时，则记录大于所述实际输出功率响应的5％的次数，获得第二次数为54；
判断所述第三功率预测集内的各预测输出功率响应与所述实际输出功率响应的差值是否大于所述实际输出功率响应的5％，获得第三判断结果；当所述第三判断结果表示为所述实际输出功率响应的5％时，则记录大于所述实际输出功率响应的5％的次数，获得第三次数为32；
通过比较三个不准确值大小，选取选取最小次数对应的功率响应模型作为最优功率响应模型，即将所述第二功率响应模型为最优功率响应模型。
获取待测样本；所述待测样本包括6个样本对；
将所述待测样本输入至所述最优功率响应模型，输出太阳能电池板的输出功率响应预测值，具体详见表2。
表2预测前、后的待测样本
本说明书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。对于实施例公开的系统而言，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。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种太阳能电池板输出功率响应的预测方法，其特征在于，所述预测方法包括：
获取训练集样本、测试集样本；所述训练集样本包括第一数量的样本对；所述测试集样本包括第二数量的样本对；每个样本对均包括三个输入、一个输出；所述输入分别为当前时间、太阳光的辐射强度和不确定外界因素归一化值；所述输出为太阳能电池板的实际输出功率响应；
根据所述训练集样本确定第一功率响应模型、第二功率响应模型和第三功率响应模型；
将所述测试集样本分别输入至所述第一功率响应模型、所述第二功率响应模型和所述第三功率响应模型，分别获得对应的第一功率预测集、第二功率预测集和第三功率预测集；
根据所述第一功率预测集、所述第二功率预测集和所述第三功率预测集确定最优功率响应模型；
获取待测样本；所述待测样本包括某一时刻、太阳光的辐射强度和不确定外界因素归一化值；
将所述待测样本输入至所述最优功率响应模型，输出太阳能电池板的输出功率响应预测值。
2.根据权利要求1所述的预测方法，其特征在于，所述根据所述训练集样本确定第一功率响应模型、第二功率响应模型和第三功率响应模型，具体包括：
采用线性回归算法，根据所述训练集样本确定第一功率响应模型；
采用决策树的分类算法，根据所述训练集样本确定第二功率响应模型；
采用随机森林算法，根据所述训练集样本确定第三功率响应模型。
3.根据权利要求1所述的预测方法，其特征在于，所述根据所述第一功率预测集、所述第二功率预测集和所述第三功率预测集确定最优功率响应模型，具体包括：
判断所述第一功率预测集内的各预测输出功率响应与所述实际输出功率响应的差值是否大于第一设定值，获得第一判断结果；当所述第一判断结果表示为大于第一设定值时，则记录大于第一设定值的次数，获得第一次数；
判断所述第二功率预测集内的各预测输出功率响应与所述实际输出功率响应的差值是否大于第一设定值，获得第二判断结果；当所述第二判断结果表示为大于第一设定值时，则记录大于第一设定值的次数，获得第二次数；
判断所述第三功率预测集内的各预测输出功率响应与所述实际输出功率响应的差值是否大于第一设定值，获得第三判断结果；当所述第三判断结果表示为大于第一设定值时，则记录大于第一设定值的次数，获得第三次数；
从所述第一次数、所述第二次数和所述第三次数中选取最小次数对应的功率响应模型作为最优功率响应模型。
4.一种太阳能电池板输出功率响应的预测系统，其特征在于，所述预测系统包括：
第一获取模块，用于获取训练集样本、测试集样本；所述训练集样本包括第一数量的样本对；所述测试集样本包括第二数量的样本对；每个样本对均包括三个输入、一个输出；所述输入分别为当前时间、太阳光的辐射强度和不确定外界因素归一化值；所述输出为太阳能电池板的实际输出功率响应；
功率响应模型确定模块，用于根据所述训练集样本确定第一功率响应模型、第二功率响应模型和第三功率响应模型；
输入模块，用于将所述测试集样本分别输入至所述第一功率响应模型、所述第二功率响应模型和所述第三功率响应模型，分别获得对应的第一功率预测集、第二功率预测集和第三功率预测集；
最优功率响应模型确定模块，用于根据所述第一功率预测集、所述第二功率预测集和所述第三功率预测集确定最优功率响应模型；
第二获取模块，用于获取待测样本；所述待测样本包括某一时刻、太阳光的辐射强度和不确定外界因素归一化值；
输出模块，用于将所述待测样本输入至所述最优功率响应模型，输出太阳能电池板的输出功率响应预测值。
5.根据权利要求4所述的预测系统，其特征在于，所述功率响应模型确定模块，具体包括：
第一功率响应模型确定单元，用于采用线性回归算法，根据所述训练集样本确定第一功率响应模型；
第二功率响应模型确定单元，用于采用决策树的分类算法，根据所述训练集样本确定第二功率响应模型；
第三功率响应模型确定单元，用于采用随机森林算法，根据所述训练集样本确定第三功率响应模型。
6.根据权利要求4所述的预测系统，其特征在于，所述最优功率响应模型确定模块，具体包括：
第一判断单元，用于判断所述第一功率预测集内的各预测输出功率响应与所述实际输出功率响应的差值是否大于第一设定值，获得第一判断结果；当所述第一判断结果表示为大于第一设定值时，则记录大于第一设定值的次数，获得第一次数；
第二判断单元，用于判断所述第二功率预测集内的各预测输出功率响应与所述实际输出功率响应的差值是否大于第一设定值，获得第二判断结果；当所述第二判断结果表示为大于第一设定值时，则记录大于第一设定值的次数，获得第二次数；
第三判断单元，用于判断所述第三功率预测集内的各预测输出功率响应与所述实际输出功率响应的差值是否大于第一设定值，获得第三判断结果；当所述第三判断结果表示为大于第一设定值时，则记录大于第一设定值的次数，获得第三次数；
最优功率响应模型确定单元，用于从所述第一次数、所述第二次数和所述第三次数中选取最小次数对应的功率响应模型作为最优功率响应模型。
7.一种太阳能电池板输出功率响应的预测平台，其特征在于，所述预测平台包括：
太阳能电池板，用于获取太阳光；
光线传感器，与所述太阳能电池板固定连接，用于检测在同一平面上的当前时间的太阳光的辐射强度；
电流传感器，与所述太阳能电池板连接，用于检测太阳能电池板发电输出的电流；
电压传感器，与所述太阳能电池板连接，用于检测太阳能电池板发电输出的电压；
上位机，分别与所述光线传感器、所述电流传感器和所述电压传感器连接，用于接收所述辐射强度、所述电流和所述电压，并根据所述电流和所述电压确定太阳能电池板的实际输出功率响应；所述上位机用于根据权利要求1-3任一项所述的预测方法输出太阳能电池板的输出功率响应预测值。
8.根据权利要求7所述的预测平台，其特征在于，所述预测平台还包括：
夹具，用于将所述光线传感器与所述太阳能电池板固定连接；
步进电机和驱动模块，所述驱动模块分别与所述夹具、所述步进电机相连，用于所述步进电机通过所述驱动模块带动所述夹具转动，以使太阳能电池板的朝向与太阳方向一致。
9.根据权利要求7所述的预测平台，其特征在于，所述预测平台还包括：
负载电阻，用于模拟太阳能电池板光伏并网时的网侧部分。
10.根据权利要求7所述的预测平台，其特征在于，所述预测平台还包括：
串口，所述上位机通过所述串口分别与所述光线传感器、所述电流传感器和所述电压传感器连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811283803.7A CN109447350A (zh) | 2018-10-31 | 2018-10-31 | 一种太阳能电池板输出功率响应的预测方法、系统及平台 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811283803.7A CN109447350A (zh) | 2018-10-31 | 2018-10-31 | 一种太阳能电池板输出功率响应的预测方法、系统及平台 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109447350A true CN109447350A (zh) | 2019-03-08 |
Family
ID=65549223
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811283803.7A Pending CN109447350A (zh) | 2018-10-31 | 2018-10-31 | 一种太阳能电池板输出功率响应的预测方法、系统及平台 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109447350A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111025010A (zh) * | 2019-11-25 | 2020-04-17 | 科华恒盛股份有限公司 | 设备有功响应时间测量方法、装置及终端设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120157344A1 (en) * | 2008-08-06 | 2012-06-21 | Tel Hashomer Medical Research Infrastructure And Services Ltd. | Gene expression signature for classification of kidney tumors |
| CN206807394U (zh) * | 2017-06-15 | 2017-12-26 | 湖北工程学院 | 光伏发电装置和系统 |
| CN108074019A (zh) * | 2017-12-29 | 2018-05-25 | 广州飞毛腿数码技术有限公司 | 一种基于支持向量机的光伏发电功率预测方法 |
| CN108317683A (zh) * | 2018-01-19 | 2018-07-24 | 四川斐讯信息技术有限公司 | 一种室内温湿度的预测方法及系统 |
| CN108428019A (zh) * | 2018-05-15 | 2018-08-21 | 阳光电源股份有限公司 | 组件电池温度计算模型的建立方法及光伏功率预测方法 |
-
2018
- 2018-10-31 CN CN201811283803.7A patent/CN109447350A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120157344A1 (en) * | 2008-08-06 | 2012-06-21 | Tel Hashomer Medical Research Infrastructure And Services Ltd. | Gene expression signature for classification of kidney tumors |
| CN206807394U (zh) * | 2017-06-15 | 2017-12-26 | 湖北工程学院 | 光伏发电装置和系统 |
| CN108074019A (zh) * | 2017-12-29 | 2018-05-25 | 广州飞毛腿数码技术有限公司 | 一种基于支持向量机的光伏发电功率预测方法 |
| CN108317683A (zh) * | 2018-01-19 | 2018-07-24 | 四川斐讯信息技术有限公司 | 一种室内温湿度的预测方法及系统 |
| CN108428019A (zh) * | 2018-05-15 | 2018-08-21 | 阳光电源股份有限公司 | 组件电池温度计算模型的建立方法及光伏功率预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王景光: "《信息资源管理》", 31 December 2012 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111025010A (zh) * | 2019-11-25 | 2020-04-17 | 科华恒盛股份有限公司 | 设备有功响应时间测量方法、装置及终端设备 |
| CN111025010B (zh) * | 2019-11-25 | 2022-03-11 | 科华恒盛股份有限公司 | 设备有功响应时间测量方法、装置及终端设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106777984B (zh) | 一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法 | |
| Arab et al. | Loss-of-load probability of photovoltaic water pumping systems | |
| CN106452355B (zh) | 一种基于模型辨识的光伏发电系统最大功率跟踪方法 | |
| CN106059496B (zh) | 一种光伏组件阵列性能监测和故障识别的方法及系统 | |
| CN105846780A (zh) | 一种基于决策树模型的光伏组件故障诊断方法 | |
| CN104391189A (zh) | 基于三级诊断的大型光伏阵列故障诊断定位方法 | |
| CN106529719A (zh) | 基于粒子群优化算法风速融合的风电功率预测的方法 | |
| CN205792451U (zh) | 一种光伏并网系统的故障检测装置 | |
| CN109004903A (zh) | 适用于光伏阵列的故障检测系统及方法 | |
| CN110807554A (zh) | 基于风电/光伏经典场景集的生成方法及系统 | |
| CN105094150A (zh) | 聚光器光伏系统、集成电路、跟踪偏差检测和校正方法 | |
| CN104932603B (zh) | 一种光伏控制器最大功率点跟踪精度的测试系统及方法 | |
| CN103106544A (zh) | 一种基于t-s型模糊神经网络的光伏发电预测系统 | |
| CN106100578A (zh) | 一种适用于光伏并网系统的故障检测方法及其系统 | |
| CN105590144A (zh) | 一种基于narx神经网络的风速预测方法及装置 | |
| CN111509768A (zh) | 一种综合能源系统的场景模拟方法及系统 | |
| WO2023033002A1 (ja) | 太陽電池モジュールの故障診断方法及びプログラム | |
| KR101647345B1 (ko) | 모니터링이 구비된 태양광 발전장치 | |
| Liu et al. | A fault detection and diagnosis technique for solar system based on Elman neural network | |
| CN106597151B (zh) | 一种光伏电站已投运逆变器跟踪效率测试方法及系统 | |
| CN109447350A (zh) | 一种太阳能电池板输出功率响应的预测方法、系统及平台 | |
| TWI671996B (zh) | 判斷太陽能發電模組朝向的方法 | |
| 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 | |
| CN109345129A (zh) | 一种光伏发电站健康状态评估方法和系统 | |
| KR102307857B1 (ko) | 태양광 시뮬레이터의 운영 제어 시스템 및 방법 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190308 |