CN109934423B - 基于并网逆变器运行数据的光伏电站功率预测方法及系统 - Google Patents
基于并网逆变器运行数据的光伏电站功率预测方法及系统 Download PDFInfo
- Publication number
- CN109934423B CN109934423B CN201910338873.6A CN201910338873A CN109934423B CN 109934423 B CN109934423 B CN 109934423B CN 201910338873 A CN201910338873 A CN 201910338873A CN 109934423 B CN109934423 B CN 109934423B
- Authority
- CN
- China
- Prior art keywords
- photovoltaic
- power
- power station
- model
- prediction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000013528 artificial neural network Methods 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 41
- 230000003068 static effect Effects 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 238000005096 rolling process Methods 0.000 claims abstract description 7
- 238000003491 array Methods 0.000 claims description 56
- 238000012545 processing Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 239000004576 sand Substances 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 13
- 239000000428 dust Substances 0.000 description 11
- 230000000712 assembly Effects 0.000 description 6
- 238000000429 assembly Methods 0.000 description 6
- 230000000903 blocking effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
-
- 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
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S40/00—Components or accessories in combination with PV modules, not provided for in groups H02S10/00 - H02S30/00
- H02S40/30—Electrical components
- H02S40/32—Electrical components comprising DC/AC inverter means associated with the PV module itself, e.g. AC modules
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B10/00—Integration of renewable energy sources in buildings
- Y02B10/10—Photovoltaic [PV]
-
- 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
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Power Engineering (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Photovoltaic Devices (AREA)
- Control Of Electrical Variables (AREA)
Abstract
本公开提出了基于并网逆变器运行数据的光伏电站功率预测方法及系统,根据光伏电站内光伏组件的参数,构建光伏组件模型;构建基于人工神经网络算法的功率预测模型;采集光伏阵列在不同厚度、不同遮挡小大的静态阴影遮挡下光伏阵列的输出数据,构建训练集,对功率预测模型进行训练,并得到训练好的功率预测模型;对光伏阵列在晴空工况下逆变器的实时运行数据的输出功率进行采集、分类及归一化,利用训练好的功率预测模型对整个光伏电站输出功率进行预测,功率预测包括对光伏电站在晴空工况下输出功率的滚动预测及光伏电站在动态云团遮挡下的分钟级功率预测。本公开降低了设备成本且克服了不同厚度云团影响光伏阵列功率预测精度的缺陷。
Description
技术领域
本公开涉及功率预测技术领域,特别是涉及基于并网逆变器运行数据的光伏电站功率预测方法及系统。
背景技术
太阳能作为一种取之不尽用之不竭的可再生能源,是非常理想的传统能源替代品。光伏阵列的输出功率高度依赖于气象参数,包括辐照度、环境温度、相对湿度、运量、风速等。当气象参数发生较大变化时,光伏阵列输出功率会产生较为剧烈的波动。当大容量的光伏电站受到云团遮挡或其他扰动因素的干扰时,其功率波动会对电网运行稳定性带来严峻的挑战。因此,有必要研究光伏电站的功率预测技术。现有专利和文献中提到的光伏发电功率预测模型可分为两大类,包括统计预测模型和物理预测模型。统计预测模型是采用深度学习的方法构建预测模型,通过大量数据的训练建立起历史气象数据与历史发电功率之间的非线性映射关系,随后将未来的数值天气预报参数输入到训练好的预测模型中,得到光伏电站的功率预测结果。物理预测模型是结合数值天气预报获取的未来时刻气象参数、及光伏阵列倾角以及光伏电站地理位置等信息,基于构建的光伏电池板和逆变器模型对阵列的输出功率进行预测,进而扩展到整个光伏电站的输出功率预测。
太阳辐射度是影响光伏发电功率的最重要因素,高时间分辨率的功率预测需要考虑云团运动对光伏电站出力的影响。
发明人在研究中发现,目前对于云团的预测是通过专用设备进行图像采集,利用图像分析技术预测云团未来时刻对光伏电站的遮挡情况。然而此方法具有一定的局限性,作为常用的气象卫星云图,其空间分辨率较低,每一个像素点对应的面积较大,无法对小范围地区的云层运动情况做出准确预测。若采用地基云图,使用地面设备对云层进行连续拍摄分析,只能获取较小范围内的云团信息,当云团移动速度较快时,预测时间尺度将大大缩减,并且云层厚度信息较难获取,难以准确判断辐照度的变化量,会增加预测误差,且当光伏电站规模较大时,需要的天空成像仪数量较多,大大地增加了成本。
综上所述,无法对云团或其他扰动因素导致的光伏阵列输出功率波动进行高精度的预测成为制约高时间分辨率光伏电站功率预测精度的瓶颈。
发明内容
本说明书实施方式的目的是提供基于并网逆变器运行数据的光伏电站功率预测方法,本方法具有较高的普适性,能够在多种天气情况下,例如晴天、雨雪天和阴天,做出高精度的功率预测,无需对所获取数据进行不同天气状况下的分类。
本说明书实施方式提供基于并网逆变器运行数据的光伏电站功率预测方法,通过以下技术方案实现:
包括:
根据光伏电站内光伏组件的参数,构建光伏组件模型,基于光伏组件模型的串并联组合,构成光伏阵列模型,基于光伏电站内部光伏阵列的排列结构建立光伏电站模型;
基于光伏电站模型构建基于人工神经网络算法的光伏阵列功率预测模型;
采集光伏阵列在不同厚度、不同遮挡小大的静态阴影遮挡下光伏阵列的输出数据,构建训练集,对光伏阵列功率预测模型进行训练,并得到训练好的光伏阵列功率预测模型;
对光伏阵列在晴空及遮挡工况下逆变器的实时运行数据的输出功率进行采集、分类及归一化,利用训练好的光伏阵列功率预测模型对整个光伏电站输出功率进行预测,功率预测包括对光伏电站在晴空工况下输出功率的滚动预测及光伏电站在动态云团遮挡下的分钟级功率预测。
本说明书实施方式提供基于并网逆变器运行数据的光伏电站功率预测系统,通过以下技术方案实现:
包括:
离线学习模块,被配置为:根据光伏电站内光伏组件的参数,构建光伏组件模型,基于光伏组件模型的串并联组合,构成光伏阵列模型,基于光伏电站内部光伏阵列的排列结构建立光伏电站模型;
基于光伏电站模型构建基于人工神经网络算法的光伏阵列功率预测模型;
采集光伏阵列在不同厚度、不同遮挡小大的静态阴影遮挡下光伏阵列的输出数据,构建训练集,对光伏阵列功率预测模型进行训练,并得到训练好的光伏阵列功率预测模型;
在线预测模块,被配置为:对光伏阵列在晴空及遮挡工况下逆变器的实时运行数据的输出功率进行采集、分类及归一化,利用训练好的光伏阵列功率预测模型对整个光伏电站输出功率进行预测,功率预测包括对光伏电站在晴空工况下输出功率的滚动预测及光伏电站在动态云团遮挡下的分钟级功率预测。
与现有技术相比,本公开的有益效果是:
本公开发明针对现有云图技术存在的高成本、低精度的缺陷,提出了通过采集及存储光伏阵列在不同性质的云团遮挡下的输出功率,并结合深度学习算法实现光伏电站功率预测的方法,无需对地面云图或卫星云图进行分析,降低了设备成本且克服了不同厚度云团影响光伏阵列功率预测精度的缺陷。
不同于基于历史气象参数及光伏电站历史数据对光伏电站进行离线功率预测的方案,在构建预测模型的训练集时,本公开仅需针对单个光伏阵列模型进行不同遮挡工况的离线数据采集,以此作为训练集训练神经网络模型,获取全部遮挡情况下光伏阵列的输出数据,无需历史气象参数及电站历史运行数据,所要求数据量大大减小。
不同于传统的功率预测方法仅针对单一天气状况预测精度较高的特点,本方法具有较高的普适性,能够在多种天气情况下,例如晴天、雨雪天和阴天,做出高精度的功率预测,无需对所获取数据进行不同天气状况下的分类。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1为本公开实施例子的基于并网逆变器运行数据的光伏电站功率预测系统结构图;
图2为本公开实施例子的功率预测系统流程图;
图3为本公开实施例子的结构为2行18列的光伏阵列所有遮挡情况示意图;
图4为本公开实施例子的结构为2行18列的光伏阵列进行数据采集的遮挡情况示意图;
图5为本公开实施例子的光伏电站在动态云团遮挡下不同时刻的遮挡状态示意图。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例子一
该实施例公开了基于并网逆变器运行数据的光伏电站功率预测方法,包括:
步骤(1):基于目标光伏电站内部使用的光伏组件的参数及光伏阵列结构,结合牛顿迭代法,建立具有高度可移植性、复制性和通用性的光伏组件模型。将实际光伏组件与可调负载连接,通过将光伏组件电压在零到开路电压的范围内进行固定步长的调节,采集不同电压值下光伏组件的输出电流值,能够获得光伏组件的伏安特性曲线;通过专用设备改变实际光伏组件所受到的辐照度,能够获取光伏组件在不同辐照度下的伏安特性曲线。将这两种实际获得的伏安特性曲线与基于光伏组件模型获取的伏安特性曲线进行比较,对光伏组件模型的相关参数进行修正,以提高模型仿真精度。
在一实施例子中,专用设备可为太阳模拟器等,用于模拟太阳光辐射的仪器。
步骤(2):基于光伏组件模型的串并联组合,构成光伏阵列模型,通过改变光伏组件的辐照度参数,采集并存储光伏阵列模型在多组不同厚度、大小、形状的静态阴影遮挡下的输出电压、电流及功率。
步骤(3):对步骤(2)获取的数据进行分类、归一化处理,基于人工神经网络等深度学习算法建立光伏阵列功率预测模型,以处理后的数据作为训练集对所构建的光伏阵列功率预测模型进行训练,使其实现对任意厚度、大小、形状的静态阴影遮挡下光伏阵列输出电压、电流及功率的预测。
步骤(4):具体的,以单个光伏阵列及其所连接的光伏逆变器为最小单元,基于光伏电站内部光伏阵列的排列结构建立光伏电站模型,并对光伏电站模型内各最小单元进行位置编号。针对目标光伏电站,设置各种不同性质的动态遮挡工况,包括模拟云团的移动速度、方向、形状,及光伏阵列所受辐照度变化等信息。采集在设置的各种动态遮挡工况下,光伏电站模型内各光伏阵列的输出电压、电流,并保存。基于人工神经网络,建立光伏阵列功率预测模型,将保存的光伏电站模型内各光伏阵列的输出电压、电流用于训练光伏阵列功率预测模型。
在该实施例子中,步骤3的目的是对光伏阵列功率预测模型参数进行一个优化,使其能够基于获取的数据对任意遮挡情况下光伏阵列的输出功率进行一个高精度的预测。然而在实际应用中,每一个光伏电站的硬件参数是不同的,步骤4是在进行实际的应用时,应当结合目标光伏电站内部光伏阵列的实际运行数据和遮挡情况,对数据进行一个采集,用于训练人工神经网络模型。
步骤3所提到的光伏阵列功率预测模型指的是对光伏阵列在不同工况下功率的一个预测,预测对象并非是光伏电站。步骤4中提到的光伏阵列功率预测模型的预测对象是整个光伏电站。
光伏组件是本公开进行功率预测的一个最小单位,多个光伏组件模型构成一个光伏阵列模型,多个光伏阵列模型构成一个光伏电站模型。不同的电站会有不同结构的光伏阵列,并且其内部的结构也不同。因此在进行实际应用时,必须要根据光伏电站内部实际的排列结构,对整个电站进行建模,并基于建立好的模型开展光伏电站的功率预测。
步骤(5):改变光伏电站内光伏阵列的出力一致性,以模拟灰尘等带来的影响,重复步骤(4),得到光伏电站的功率预测模型。
步骤(6):基于光伏电站现有的实时监控系统与具有数据存储功能和通讯模块的设备建立数据终端,用于开展基于人工神经网络模型的功率预测的相关计算和对逆变器实时运行数据的采集和存储。
步骤(7):对光伏阵列在晴空工况下的输出功率进行与步骤(3)相同的采集、分类及归一化。由于光伏电站面积较大,很难对全部光伏阵列进行定期的清理,因此会导致光伏组件表面存在灰尘。由于光伏阵列数量较多且分布区域较大,会造成位于不同区域的光伏阵列表面堆积灰尘的厚度不同,进而使得在相同的晴空工况下,各逆变器输出功率不同。使得当外界辐照度由于云团遮挡等原因发生较大程度的变化时,各光伏阵列的功率变化也不同。因此在进行功率预测时,需要同时考虑各光伏阵列在晴空工况下不同的输出功率,以提高预测的准确性。由于光伏阵列数量较多,对应的晴空工况输出功率数值也较多,为了简化数据的处理量,可对各个光伏阵列的输出功率按照一定的归类方式进行归类,并作为步骤(3)中训练集的其中一个输入量对人工神经网络进行训练。
由于大型光伏电站内光伏阵列和逆变器的数量非常多,会极大地增加运算量。步骤7的主要目的是对整个电站内的光伏阵列进行一个归类,将在相同工况下输出功率相近的光伏阵列看作一个群体。由于云团的遮挡面积通常比较大,当光伏电站受到遮挡时,可以以群体为单位开展功率预测,能够大大减小计算量。而这里的相同工况指的就是文中所说的晴空工况,晴空工况下光伏阵列的输出的不同也代表了其表面灰尘厚度的不同。
步骤(8):基于逆变器的实时运行数据,对整个光伏电站输出功率进行预测。功率预测具体可分为两部分,第一部分为对光伏电站在晴空工况下输出功率的滚动预测,第二部分为光伏电站在动态云团遮挡下的分钟级功率预测。
具体方法为:
对光伏电站在晴空工况下输出功率的滚动预测考虑的参数为不同时刻的太阳辐照度。由于步骤(6)提到的灰尘对光伏阵列输出功率造成的影响,会导致在同一时刻不同区域光伏阵列输出功率的不同。随着时间的推移,地面接收到的太阳辐照度会相应的变化,由于灰尘的遮挡会导致辐照度的变化,且对不同光伏阵列的输出功率产生不同的影响。以逆变器为最小功率预测单元,逆变器的输出功率指的就前文所说的光伏阵列的输出功率,即步骤3中建立的光伏阵列模型。根据前几个时刻光伏电站内各个逆变器不同的输出功率,对未来时刻各个逆变器的输出功率进行预测,以实现对晴空工况下光伏电站输出功率的高精度预测。
光伏电站在动态云团遮挡下的分钟级功率预测主要考虑的是动态云团在穿过光伏电站区域时对光伏阵列辐照度的影响。当光伏阵列受到云团遮挡时,与其相连逆变器的实时输出电流、电压、功率及位置编号将通过通讯系统传输到数据终端。结合不同位置的光伏阵列受到遮挡的先后顺序,可对云团起始位置、运动方向及运动速度做出预测。同时,通过采集各光伏逆变器在光伏阵列受到遮挡后输出参数的变化,基于训练好的功率预测模型,可对在云团运动轨迹内还未受到遮挡的光伏阵列在未来时刻的输出功率进行预测,以实现在动态云团穿越光伏电站区域时做出准确的光伏电站功率预测。
本公开对逆变器运行数据进行采样与储存,采用了基于并网逆变器运行数据的分析方法,将传统的超短期功率预测的预测区间从0~4小时提高到了数分钟。
相较于传统的光伏电站功率预测方法,本公开的功率预测空间分辨率较高,且能够根据云团速度及大小进行调节,当云团运动速度较慢或云团较小,可将单个光伏阵的输出功率作为最小功率预测单位进行光伏电站整体功率预测。当云团运动速度较快或云团较大,可将多个光伏阵列或多个逆变器的输出功率作为最小功率预测单位。
针对传统的功率预测方法根据辐照度数据对未来时刻的光伏电站的输出功率进行预测而并未考虑灰尘遮挡等因素对光伏阵列输出功率的影响的特点,本公开通过灰尘遮挡所造成的光伏阵列工况的不一致性进行分析,结合在相同晴空工况下各个光伏阵列输出功率的不同对未来时刻的输出功率的预测结果进行修正,以提高预测精度。
所述步骤(1)中光伏组件模型为基于牛顿迭代法建立光伏组件5参数模型,其原理是,基于标准测试条件下的各参数值,对实际工况下5个参数,即二极管理想因子A、串联电阻RS、并联电阻Rsh、饱和电流Iph和光生电流Is进行计算,最终得到不同工况下的伏安特性曲线。当二极管理想因子给定时,其余四个参数的计算公式为:
其中CT是温度系数,和分别是标准测试条件下(Standard TestCondition,STC)的开路电压及短路电流,分别为标准测试条件下的串联电阻、并联电阻、饱和电流、工作温度、辐照度和禁带宽度,S为实际工况下的辐照度,Tc为实际工况下的工作温度,k为玻尔兹曼常数, e为电子电量。
当实际工况下的5个参数通过计算得到后,光伏组件输出电压和输出电流之间的关系可由以下公式计算:
由于光伏组件的输出电压和电流呈较为复杂的非线性关系,很难对其进行直接求解,因此这里采用了牛顿迭代法对特定输出电压值下的输出电流值进行计算。首先将光伏组件的伏安特性公式经过变形,得:
将V看作已知,只要求得f(I)的解I,即为对应电压值下的电流值。为了能够应用牛顿迭代法,需将f(I)求导,得到:
基于牛顿迭代法获得实际工况I-V曲线的具体步骤为:
首先给定光伏组件某一工作点的电压值V0,此时f(I)和df(I)中仅有电流值为未知数,设定初始电流值为I0,则能够求得f(I)和df(I)的相应值,代入牛顿迭代法公式,即:
重复以上步骤,经过n次迭代后,可得到更为精确的电流值:
若保证迭代次数足够多,最终计算得到的电流值精确度就越高,最终求得的In即为当光伏组件工作电压为V0时对应的电流值。将V0从0开始以一个较小的且固定的步长累加至开路电压,基于牛顿迭代方法可以获得某一工况下光伏组件的伏安特性曲线。再通过改变光伏组件工况,即步骤(1)提到的5个参数,即可获得不同工况下光伏组件的伏安特性曲线。以光伏组件为最小单元,基于光伏组件的串并联特征进行数据处理,最终得到整个光伏阵列的伏安特性曲线。
所述步骤(1)中,可移植性指的是通过光伏组件的排列组合,能够模拟不同规模、结构光伏阵列的输出特性。高度的可复制性指的是结合光伏电站内部的阵列排列结构,能够将单个光伏阵列模型扩展到光伏电站模型。高度的通用性指的是每个光伏组件的工况可单独设定,能够模拟光伏阵列在不均匀辐照度情况等复杂工况下的输出特性。
所述步骤(2)中的模拟其在多组不同厚度、大小、形状的静态阴影遮挡下的输出电压、电流及功率,具体为:
考虑到逆变器单路DC输入通道额定电流的限制,光伏电站内部的光伏阵列通常采用的结构为2×N且N通常为20左右。以伏组件为遮挡的最小分辨率,若遮挡的云团厚度一定且均匀,有(N+1)!种不同的遮挡情况可以使光伏阵列输出功率各不相同。若目标阵列规模较大,则会有非常多遮挡情形。若同时考虑不同厚度的云团或不均匀厚度云团的遮挡,遮挡情况就会变得更为复杂。因此,以一个2×N的光伏阵列的数据采集为例,假定不同云团厚度对光伏组件辐照度的影响能够从标准工况的1000W/m2降低为AW/m2~BW/m2的范围,以10W/m2为最小分辨率,则会有(A-B)/10种不同厚度的云层。这时若想对单个光伏阵列的工况进行比较完整的采集,需要设置(N+1)!×(A-B)/10种不同的遮挡方式进行数据采集。此时若N的数值较大,会使得工况类型呈指数级的增加,需要采集的数据量就非常的庞大。因此,对光伏阵列的输出功率进行全工况的数据采集是难以实现的。因此,本方面所提的对多组在不同厚度、大小、形状的静态阴影遮挡下光伏阵列输出功率的采集并非是对全部遮挡情况下光伏阵列输出数据的采集,而是通过设置几组已知厚度的遮挡物,对每种厚度的遮挡物进行多种遮挡情况的模拟并对光伏阵列在不同遮挡情况下的输出电压、电流及功率进行采集与存储。
所述步骤(3)中,对步骤(2)获取的数据进行分类、归一化处理,具体为:
模拟并采集不同工况下光伏阵列的输出情况,将光伏阵列输出数据依据晴空工况下辐照度进行分类。例如晴空工况辐照度范围为0~1000W/m2,若以每 PW/m2为一个区间,采集到的原始数据则可以分为1000/P组,将每一组数据分别构成训练集对人工神经网络进行训练,以提高人工神经网络精度。
在使用采集到的原始光伏阵列输出数据训练人工神经网络之前,需要将其进行归一化处理,将原始数据进行线性变换,使结果映射到0到1之间,转换函数为:
其中max为数据最大值,min为数据最小值,x为样本原始数据,x*为样本归一化之后的数值。
所述步骤(3)中,对光伏阵列功率预测模型的构建和训练方式可以分为两个步骤:
步骤1:对特定厚度、任意大小和形状的云团对光伏阵列输出功率的影响进行预测。设定特定厚度的云层,通过改变光伏阵列内各组件的辐照度,模拟不同大小、形状的静态云团对阵列的遮挡。采集多组在相同厚度且不同遮挡面积的阴影遮挡下光伏阵列的输出电压、电流及功率用于人工神经网络的训练。以一个结构为2×N的光伏阵列为例,人工神经网络模型的输入量为四维,分别为遮挡第一条支路组件个数、遮挡第二条支路组件个数、未受遮挡光伏组件辐照度和受遮挡光伏组件辐照度,输出量为三维,分别是光伏阵列输出电压、电流和功率,例如模拟的工况为光伏阵列第一条支路被遮挡3块光伏组件,第二条支路被遮挡5块光伏组件,受遮挡光伏阵列的辐照度变成了250W/m2,受到云团遮挡后其输出功率从9820W变为了5000W,阵列输出电压、电流和功率分别为Vs、Is,为了简化数据的处理量,对晴空工况下逆变器的输出功率按照100W 为最小分辨率进行四舍五入的分类处理,此时人工神经网络对应的输入量为(3, 5,9800,250),输出量为(Vs,Is,5000)。将采集到的数据分为两组,一组作为训练集对人工神经网络进行训练,一组作为验证集对人工神经网络精度进行验证。通过将预测结果和验证集比较,优化人工神经网络算法以提高预测精度,最终实现对特定厚度、任意大小和形状的云团遮挡时光伏阵列输出功率进行预测。
步骤2:对任意厚度、大小和形状的云团对光伏阵列输出功率的影响进行预测。基于步骤1的预测结果,能够获得光伏阵列在特定厚度的云团的所有遮挡方式下的输出功率。通过对云团的厚度进行设定,重复步骤1,可获得光伏阵列在多组不同厚度、任意大小和形状的云团遮挡下的输出数据。以此为训练集,基于构建的人工神经网络预测模型可实现对光伏阵列受到任意厚度、形状和大小的静态云团遮挡时输出功率的预测。
所述步骤(4)中,基于光伏电站内部光伏阵列的排列结构建立光伏电站模型,并对电站模型内各光伏阵列或光伏逆变器进行位置编号,其具体实现方式为:
利用光伏阵列的可移植性,结合光伏电站真实的光伏阵列结构和排列方式,构建不同规模的光伏阵列;利用阵列的可复制性,以单个光伏阵列模型为最小的单元,结合光伏电站内部光伏阵列的空间特性,构建光伏电站模型。光伏电站内的光伏阵列布局的空间特性可以通过不同光伏阵列受到同一个动态云团遮挡时间的不同和遮挡大小的不同来模拟。同时对光伏电站模型内部各光伏阵列进行位置编号,为数据终端提供云团的位置信息。
本公开构建光伏阵列模型、光伏阵列功率预测模型及光伏电站模型,经过阵列数据采集、人工神经网络模型训练和光伏电站模型的建立,实现对光伏电站模型的功率预测,基于预测结果对神经网络进行优化。通过对光伏电站各个逆变器实时运行数据的采集与分析,基于训练完毕的人工神经网络模型,实现在云团遮挡期间和晴空工况下光伏电站输出功率的预测。
构建高精度光伏阵列模型:基于光伏电站使用的光伏组件的参数对光伏组件进行建模,并以其为最小单元构成不同结构和规模的光伏阵列,对光伏电站内不同结构的光伏阵列进行模拟。
由于光伏电站内部光伏阵列结构基本一致,因此能够结合光伏电站内部结构基于单个光伏阵列模型对整个光伏电站建立模型。
光伏阵列模型内部各光伏组件的工况能够单独设置,能够实现对任意遮挡情况下光伏阵列的输出进行模拟。
基于构建的光伏阵列模型进行数据采集,通过改变其内部各光伏组件的辐照度,模拟不同厚度、大小、形状的阴影对光伏阵列的遮挡,采集并存储光伏阵列相应的输出电压、电流和功率。
通过数据采集方法获取单个光伏阵列在不同工况下的输出数据,对获取的数据按照受遮挡厚度的不同进行分类,构成多个训练集对人工神经网络进行训练。基于多个训练集实现光伏阵列在多组遮挡厚度、任意大小和任意形状的阴影遮挡下的输出电压、电流和功率的预测,将预测结果重新构成训练集对人工神经网络模型再次进行训练,实现对光伏阵列在任意厚度、任意大小和任意形状的阴影遮挡下的输出电压、电流和功率的预测。
以光伏阵列模型为最小单元,结合光伏电站内部光伏阵列的实际排列布局结构,建立具有空间特性的光伏电站模型,通过对不同光伏阵列内部各光伏组件辐照度进行动态改变,实现对动态云团遮挡下光伏电站的输出功率进行模拟。
实现在云团遮挡期间对光伏电站的输出功率的预测,基于人工神经网络模型训练方式,能够建立光伏阵列输出数据和被遮挡情况之间的映射关系,对遮挡前光伏阵列输出功率进行处理,结合云团遮挡后各个光伏阵列的实际输出数据的分析,对云团的大小、形状和轮廓进行确定。基于权利要求5所构建的具有空间特性的光伏电站模型中包含的各个光伏阵列位置信息,依据不同时刻各个光伏阵列输出功率出现变化的先后顺序,确定云团的运动方向,结合阵列之间的距离,确定云团的运动速度,进而对云团的运动轨迹做出预测。结合人工神经网络的预测结果,能够对位于云团运动轨迹内将要受到遮挡的光伏阵列的输出功率做出预测,以实现在云团遮挡期间对光伏电站输出功率的预测。
对遮挡前光伏阵列输出功率进行处理:
光伏阵列表面由于灰尘堆积而导致的输出功率不同会对基于逆变器运行数据所开展的功率预测的精度造成影响。因此在进行功率预测时,需要同时考虑各个光伏阵列在晴空工况下不同的输出功率,以提高预测的准确性。由于逆变器数量较多且输出存在一定差异,当多个逆变器受到相同遮挡时需要将大量的数据进行采集并基于神经网络模型对其遮挡情况进行判断,极大地增加了系统工作量。若将这些逆变器在晴空工况及遮挡情况下的运行数据以RW为一个区间进行划分,可以将逆变器输出功率分为T组:
其中Pmax为某一晴空工况下逆变器最大输出功率,Pmin为某一晴空工况下逆变器最小输出功率。通过这种方式能够将逆变器输出功率进行区间分类,将其分为(Pmin,Pmin+R),(Pmin+R,Pmin+2R)......(Pmax-R,Pmax)T 组,各组逆变器的输出功率按照进行数据处理,通过这种方式能够在保证高精度的同时降低系统的数据处理量。
实现在晴空工况下光伏电站输出功率的预测:基于光伏电站的通讯系统,能够根据各个逆变器在前几个时刻的输出功率,对未来时刻输出功率的变化趋势进行预测。由于随着时间的变化,辐照度的变化是一种时序变化,基于循环神经网络或其他回归算法对晴空工况下光伏电站的输出功率以逆变器为最小单元进行高精度的预测。
实施例子二
基于并网逆变器运行数据的光伏电站功率预测系统和步骤如图1和图2所示。整个功率预测系统分为两大模块,包括离线学习模块及在线预测模块。离线学习模块包含光伏电站仿真模型的建立、仿真数据的采集及功率预测模型的建立。
在线预测模块能够采集不同遮挡情况下的光伏阵列输出数据,作为训练集对离线训练模块中构建的功率预测模型进行训练,以实现对任意工况下光伏阵列输出功率的预测。并通过对各逆变器传送到数据终端的实时运行参数及位置编号,定位及识别功率异常的光伏阵列,并根据阵列受影响的先后顺序确定云团的运动方向及速度。最终结合功率预测模型的结果和对云层运动轨迹的预测,实现整个光伏电站在晴空工况下或云团遮挡情况下输出功率的预测。
下述实施例为本申请的一种典型的实施方式,具体的:
依据厂家提供的光伏电站内光伏组件的参数,基于牛顿迭代方法,建立光伏组件模型,并根据光伏电站内光伏阵列的结构,以光伏组件模型为最小单元建立光伏阵列模型。将光伏电站所使用的光伏组件与逆变器连接,将逆变器输出端与负载相连,通过控制逆变器实现光伏组件电压在零到开路电压的范围内进行固定步长的调节,采集不同电压值下光伏组件的输出电流值,获得光伏组件的伏安特性曲线。通过改变组件辐照度,能够获取光伏组件在不同辐照度下的伏安特性曲线,将其与基于光伏组件模型获取的伏安特性曲线进行比较,对组件模型进行优化,使得基于光伏组件获得的伏安特性曲线能够与实际光伏组件的伏安特性曲线高度吻合。
由于光伏阵列的位置不同导致其表面的覆尘厚度不同,使得在晴空工况下用于数据采集的光伏阵列与其他光伏阵列的输出功率存在一定的差异,会对预测结果造成一定误差,例如某一光伏阵列在晴空工况下输出功率为9500W,记作光伏阵列X,另一个光伏阵列在相同晴空工况下输出功率由于灰尘厚度的不同变为9400W,记作光伏阵列Y,当两者被相同厚度的云团完全遮挡时,光伏阵列X的输出功率变为了5000W,而光伏阵列Y的输出功率则变成了低于 5000W的数值。因此,基于光伏阵列的输出数据对云团遮挡情况进行分析时,需要考虑各个光伏阵列在受遮挡前的工况,在对人工神经网络进行训练时,需要在模型输入层中加入受遮挡前各个光伏阵列的不同工况以提高预测精度。由于光伏电站内光伏阵列个数较多,在晴空工况下可能存在非常多不同的输出功率值,若将这些不同的功率值全部加入训练集对模型进行训练,会极大地增加计算量,同时对基于光伏阵列的数据采集量的需求也会变得很大。因此,需要对光伏阵列的输出功率值在一定的范围区间进行分类,例如在晴空工况下,光伏电站内各个光伏阵列的输出功率范围在9000W至10000W内,以100W为一个区间对各个逆变器的输出功率进行分类,当三个逆变器在晴空工况下的输出功率为9160W、9180和9220W时,人工神经网络模型的训练集输入层对应的晴空工况下的输出功率都会按照9200W来处理。
基于高精度的光伏组件模型建立光伏阵列模型,并进行数据采集。以结构为2行18列的光伏阵列为例,当遮挡物的厚度确定且均匀,若只考虑光伏阵列输出功率的不同,如图3所示,有190种遮挡情况。若阵列规模较大,或逆变器单路MPPT通道并联光伏阵列数目较多,遮挡情况的总量会呈指数级的增加,因此对所有工况下光伏阵列输出数据的采集是无法实现的。本公开采用的方法是选取部分遮挡情况进行数据采集,建立基于人工神经网络算法的功率预测模型,以采集的数据作为训练集,对全部遮挡情况进行不同工况下光伏阵列输出电压、电流和功率的预测。图4展示了对结构为2行18列的光伏阵列进行数据采集情况的选取方法,在190种遮挡情况中选取其中30组进行数据采集,以遮挡阵列第一行组件个数,遮挡阵列第二行组件个数,遮挡前光伏组件的辐照度,遮挡后光伏组件的辐照度作为训练集输入值,以光伏阵列输出电压,光伏阵列输出电流,光伏阵列输出功率作为训练集输出值构建训练集,对人工神经网络进行训练,使其能够基于所获取的30组遮挡情况下光伏阵列的输出数据对剩余 160组未采集情况下光伏阵列的输出数据进行预测,并根据预测结果对预测模型进行优化。
当获取了在特定厚度的云团遮挡下光伏阵列全部工况的输出数据后,通过改变被遮挡光伏电站内各个组件的辐照度来模拟不同厚度的云团对光伏阵列的影响。假定不同云团厚度对光伏组件辐照度的影响能够从标准工况的 1000W/m2降低为200W/m2~800W/m2的范围,以5W/m2为最小分辨率,则会有120种不同厚度的云团。将被遮挡光伏阵列的辐照度在200W/m2~800W/m2的范围内以50W/m2为最小分辨率选取12组来模拟12 种厚度的云团,云团的厚度可以用受遮挡后光伏阵列的辐照度来表示。对于每种厚度的云团,先进行30组数据的采样,通过人工神经网络模型获得190种全工况下光伏阵列的输出数据,重复12次上述操作,最终能够获得光伏阵列在这 12种厚度的云团遮挡下所有工况的输出数据,构建训练集,基于构建的人工神经网络模型,实现对全部120种厚度的云层遮挡任意大小、面积的情况下光伏阵列的输出电压、电流和功率的预测并根据预测精度对人工神经网络算法进行优化。
在获取了不同静态遮挡情况下光伏阵列的输出数据后,建立具有空间特征的光伏电站模型以模拟动态云层对光伏电站输出功率的影响。依据光伏电站内部光伏阵列的分布情况,对阵列的位置和阵列间的实际间距进行测量,对各个阵列进行位置编号,基于光伏电站的实际布局构建如图5所示的光伏电站模型。如图5所示,当动态云团穿越光伏电站区域时,在不同的时刻对不同光伏阵列所造成的影响是不同的,云团的运动方向和速度可由不同阵列受到影响的时间顺序来模拟。将各个光伏阵列内光伏组件的辐照度按照时序进行设置,可以模拟不同厚度、运动方向和运动速度的云团对光伏电站输出功率的影响。
当未知性质的云团进入到光伏电站区域时,根据被遮挡光伏阵列输出数据的变化,通过对不同位置的光伏阵列受到云团影响的先后顺序及时间间隔,结合光伏阵列之间的间距,对云团的运动方向和运动速度做出预测。基于先前构建的功率预测模型,结合对云团运动轨迹的预测和前几个时刻受遮挡光伏阵列的输出数据,对未来时刻在云团运动轨迹内的光伏阵列的输出功率进行预测,最终对在云团遮挡期间光伏阵列的输出功率进行预测。
在完成人工神经网络模型的训练后,整个功率预测系统可根据数据终端对逆变器运行参数的实时接收,实现光伏电站的在线功率预测:
若光伏电站未被云团遮挡时,根据各个逆变器在前几个时刻的输出功率,对未来时刻输出功率的变化趋势进行预测。由于随着时间的变化,辐照度的变化是一种时序变化,因此可利用循环神经网络算法,对晴空工况下光伏电站的输出功率进行预测。
当光伏电站受到云团遮挡时,基于设置的数据处理终端和光伏电站现有的实时监控系统,对功率发生较大程度降低的逆变器进行识别,同时根据逆变器上传的相应光伏阵列的位置编号对发生遮挡的位置进行定位,并根据不同位置逆变器遮挡前和遮挡后的输出电压、电流和功率对遮挡性质进行分析,经过连续几个时刻的采样,通过对不同位置的光伏阵列受到云团影响的先后顺序及时间间隔的分析,结合光伏阵列的位置信息,对云团的运动方向和运动速度做出预测。基于人工神经网络预测模型,结合对云团的运动轨迹的预测,对位于云团运动轨迹内光伏阵列在未来时刻受到云团遮挡时输出功率进行预测,进而实现整个光伏电站的功率预测。
可以理解的是,在本说明书的描述中,参考术语“一实施例”、“另一实施例”、“其他实施例”、或“第一实施例~第N实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (9)
1.基于并网逆变器运行数据的光伏电站功率预测方法,其特征是,包括:
根据光伏电站内光伏组件的参数,构建光伏组件模型,基于光伏组件模型的串并联组合,构成光伏阵列模型,基于光伏电站内部光伏阵列的排列结构建立光伏电站模型;
基于光伏电站模型构建基于人工神经网络算法的光伏阵列功率预测模型;
采集光伏阵列在不同厚度、不同遮挡大小的静态阴影遮挡下光伏阵列的输出数据,其中输出数据为输出功率,通过设置几组已知厚度的遮挡物,对每种厚度的遮挡物进行多种遮挡情况的模拟并对光伏阵列在不同遮挡情况下的输出电压、电流及功率进行采集与存储,构建训练集,对光伏阵列功率预测模型进行训练,并得到训练好的光伏阵列功率预测模型;
对光伏阵列在晴空工况下逆变器的实时运行数据的输出功率进行采集、分类及归一化,利用训练好的光伏阵列功率预测模型对整个光伏电站输出功率进行预测,功率预测包括对光伏电站在晴空工况下输出功率的滚动预测及光伏电站在动态云团遮挡下的分钟级功率预测。
2.如权利要求1所述的基于并网逆变器运行数据的光伏电站功率预测方法,其特征是,将实际光伏组件与可调负载连接,通过将光伏组件电压在零到开路电压的范围内进行固定步长的调节,采集不同电压值下光伏组件的输出电流值,能够获得光伏组件的伏安特性曲线;改变实际光伏组件所受到的辐照度,能够获取光伏组件在不同辐照度下的伏安特性曲线;
将上述两种实际获得的伏安特性曲线与基于光伏组件模型获取的伏安特性曲线进行比较,对光伏组件模型的相关参数进行修正。
3.如权利要求1所述的基于并网逆变器运行数据的光伏电站功率预测方法,其特征是,光伏组件模型为光伏组件5参数模型,对实际工况下5个参数,即二极管理想因子A、串联电阻RS、并联电阻Rsh、饱和电流Is和光生电流Iph进行计算,最终得到不同工况下的伏安特性曲线,当二极管理想因子给定时,其余四个参数通过公式计算获得,将实际获得的伏安特性曲线与基于光伏组件模型获取的伏安特性曲线进行比较,对光伏组件模型的相关参数进行修正,以提高模型仿真精度。
4.如权利要求3所述的基于并网逆变器运行数据的光伏电站功率预测方法,其特征是,当实际工况下的5个参数通过计算得到后,基于牛顿迭代法获得不同工况下光伏组件的伏安特性曲线;
以光伏组件为最小单元,基于光伏组件的串并联特征进行数据处理,最终得到整个光伏阵列的伏安特性曲线。
5.如权利要求1所述的基于并网逆变器运行数据的光伏电站功率预测方法,其特征是,模拟并采集不同工况下光伏阵列的输出情况,将光伏阵列输出数据依据晴空工况下辐照度进行分类,将每一组数据分别构成训练集对人工神经网络进行训练;
在使用采集到的原始光伏阵列输出数据训练人工神经网络之前,需要将其进行归一化处理,将原始数据进行线性变换,使结果映射到0到1之间。
6.如权利要求1所述的基于并网逆变器运行数据的光伏电站功率预测方法,其特征是,功率预测模型构建和训练方式可以分为两个步骤:
对特定厚度、任意大小和形状的云团对光伏阵列输出功率的影响进行预测;
对任意厚度、大小和形状的云团对光伏阵列输出功率的影响进行预测。
7.如权利要求1所述的基于并网逆变器运行数据的光伏电站功率预测方法,其特征是,以单个光伏阵列模型为最小的单元,结合光伏电站内部光伏阵列的空间特性,构建光伏电站模型;
光伏电站内的光伏阵列布局的空间特性通过不同光伏阵列受到同一个动态云团遮挡时间的不同和遮挡大小的不同来模拟;
同时对光伏电站模型内部各光伏阵列进行位置编号,提供云团的位置信息。
8.基于并网逆变器运行数据的光伏电站功率预测系统,其特征是,
包括:
离线学习模块,被配置为:根据光伏电站内光伏组件的参数,构建光伏组件模型,基于光伏组件模型的串并联组合,构成光伏阵列模型,基于光伏电站内部光伏阵列的排列结构建立光伏电站模型;
基于光伏电站模型构建基于人工神经网络算法的光伏阵列功率预测模型;
采集光伏阵列在不同厚度、不同遮挡大小的静态阴影遮挡下光伏阵列的输出数据,其中输出数据为输出功率,通过设置几组已知厚度的遮挡物,对每种厚度的遮挡物进行多种遮挡情况的模拟并对光伏阵列在不同遮挡情况下的输出电压、电流及功率进行采集与存储,构建训练集,对光伏阵列功率预测模型进行训练,并得到训练好的光伏阵列功率预测模型;
在线预测模块,被配置为:对光伏阵列在晴空工况下逆变器的实时运行数据的输出功率进行采集、分类及归一化,利用训练好的光伏阵列功率预测模型对整个光伏电站输出功率进行预测,功率预测包括对光伏电站在晴空工况下输出功率的滚动预测及光伏电站在动态云团遮挡下的分钟级功率预测。
9.如权利要求8所述的基于并网逆变器运行数据的光伏电站功率预测系统,其特征是,在线预测模块,通过对各逆变器传送到数据终端的实时运行参数及位置编号,定位及识别功率异常的光伏阵列,并根据阵列受影响的先后顺序确定云团的运动方向及速度;
结合光伏阵列功率预测模型的结果和对云层运动轨迹的预测,实现整个光伏电站在晴空工况下或云团遮挡情况下输出功率的预测。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910338873.6A CN109934423B (zh) | 2019-04-25 | 2019-04-25 | 基于并网逆变器运行数据的光伏电站功率预测方法及系统 |
JP2021502507A JP6968378B2 (ja) | 2019-04-25 | 2019-05-16 | 系統連系インバータの稼働データに基づく太陽光発電所の電力予測方法及びシステム |
US17/267,918 US11190131B2 (en) | 2019-04-25 | 2019-05-16 | Method and system for power prediction of photovoltaic power station based on operating data of grid-connected inverters |
PCT/CN2019/087154 WO2020215405A1 (zh) | 2019-04-25 | 2019-05-16 | 基于并网逆变器运行数据的光伏电站功率预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910338873.6A CN109934423B (zh) | 2019-04-25 | 2019-04-25 | 基于并网逆变器运行数据的光伏电站功率预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109934423A CN109934423A (zh) | 2019-06-25 |
CN109934423B true CN109934423B (zh) | 2020-04-21 |
Family
ID=66990987
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910338873.6A Active CN109934423B (zh) | 2019-04-25 | 2019-04-25 | 基于并网逆变器运行数据的光伏电站功率预测方法及系统 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11190131B2 (zh) |
JP (1) | JP6968378B2 (zh) |
CN (1) | CN109934423B (zh) |
WO (1) | WO2020215405A1 (zh) |
Families Citing this family (52)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934423B (zh) | 2019-04-25 | 2020-04-21 | 山东大学 | 基于并网逆变器运行数据的光伏电站功率预测方法及系统 |
CN110458343B (zh) * | 2019-07-26 | 2023-04-07 | 国网山东省电力公司泰安供电公司 | 一种区域光伏发电容量衰减预测的方法 |
CN110365059B (zh) * | 2019-08-15 | 2021-11-02 | 阳光电源股份有限公司 | 一种光功率预测方法及装置 |
CN111415109B (zh) * | 2020-06-09 | 2020-08-28 | 中国人民解放军国防科技大学 | 一种数据驱动的对地观测卫星电源系统应急保障能力评估方法 |
CN111950811B (zh) * | 2020-08-27 | 2024-04-09 | 国网山东省电力公司聊城供电公司 | 基于双层人工神经网络的区域光伏功率预测方法及系统 |
CN112215478B (zh) * | 2020-09-27 | 2024-05-28 | 珠海博威电气股份有限公司 | 光储电站的功率协调控制方法和装置、存储介质 |
CN112507793B (zh) * | 2020-11-05 | 2023-08-08 | 上海电力大学 | 一种超短期光伏功率预测方法 |
CN112734125A (zh) * | 2021-01-15 | 2021-04-30 | 国网山西省电力公司晋城供电公司 | 一种光伏出力预测方法、装置和电子设备 |
CN112801413A (zh) * | 2021-03-02 | 2021-05-14 | 国网电子商务有限公司 | 一种光伏电站发电功率预测方法及装置 |
CN113298303B (zh) * | 2021-05-19 | 2021-12-28 | 河海大学 | 针对气象卫星云图动态注意域的光伏功率预测方法 |
CN113395041B (zh) * | 2021-06-15 | 2022-07-26 | 齐殿全 | 一种基于发电功率恒定的光伏组件排布方法 |
CN113570126B (zh) * | 2021-07-15 | 2024-07-23 | 远景智能国际私人投资有限公司 | 光伏发电站的发电功率预测方法、装置及系统 |
CN113570038B (zh) * | 2021-07-19 | 2023-07-28 | 中国华能集团清洁能源技术研究院有限公司 | 一种基于神经网络点装二极管的光伏组件接线系统及方法 |
CN113762603B (zh) * | 2021-08-13 | 2023-08-22 | 广西大学 | 基于改进麻雀算法优化的光伏基站短期光伏功率预测方法 |
CN113809780B (zh) * | 2021-09-23 | 2023-06-30 | 沈阳工程学院 | 一种基于改进q学习惩罚选择的微电网优化调度方法 |
KR102568590B1 (ko) * | 2021-10-18 | 2023-08-22 | 한국에너지기술연구원 | 태양광 시스템의 고장 진단을 위한 인공지능 학습 데이터의 전처리 시스템 및 그 방법 |
CN114530880B (zh) * | 2021-11-26 | 2024-08-23 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于大数据的电网区域负荷预测系统及方法 |
CN114326391B (zh) * | 2021-12-13 | 2024-08-09 | 哈尔滨工程大学 | 一种建筑能耗预测方法 |
CN113919606B (zh) * | 2021-12-14 | 2022-03-15 | 山东建筑大学 | 一种分布式光伏电站智能选址方法及系统 |
CN114285073B (zh) * | 2021-12-21 | 2023-07-21 | 大唐可再生能源试验研究院有限公司 | 一种并网光伏逆变器性能分析系统 |
CN114123200B (zh) * | 2022-01-24 | 2022-04-12 | 国网山西省电力公司晋城供电公司 | 基于数据驱动的光伏电站动态建模方法、存储设备 |
CN114943371A (zh) * | 2022-05-09 | 2022-08-26 | 北京市燃气集团有限责任公司 | 基于主成分分析-决策树的光伏电站发电预测方法及装置 |
CN114862023A (zh) * | 2022-05-11 | 2022-08-05 | 济南大学 | 基于四维逐点气象预报的分布式光伏功率预测方法及系统 |
FR3135798A1 (fr) | 2022-05-19 | 2023-11-24 | IFP Energies Nouvelles | Procédé de prévision d’une puissance produite par au moins un panneau photovoltaïque |
CN115438839B (zh) * | 2022-08-11 | 2023-08-18 | 海宁云多科技有限公司 | 基于智能电表数据的光伏功率超短期预测系统及方法 |
CN115292965B (zh) * | 2022-09-28 | 2023-01-24 | 广东电网有限责任公司中山供电局 | 一种基于最小二乘回归的动态光伏模型参数辨识方法 |
CN115759330B (zh) * | 2022-09-29 | 2024-04-09 | 中国大唐集团科学技术研究总院有限公司 | 一种高时间分辨率的光伏发电功率预测方法 |
CN115657545B (zh) * | 2022-10-24 | 2023-05-09 | 海宁云多科技有限公司 | 一种基于空调与光伏联合运行的用电调控系统和方法 |
CN115411749A (zh) * | 2022-11-01 | 2022-11-29 | 盛世华通(山东)电气工程有限公司 | 一种考虑功率预测的光伏功率平滑方法 |
CN115980493B (zh) * | 2023-01-03 | 2023-11-07 | 广州市德珑电子器件有限公司 | 多电感的光伏逆变器测试方法、装置、设备以及存储介质 |
CN116070822B (zh) * | 2023-01-03 | 2024-05-03 | 国网湖南省电力有限公司 | 区域光伏电站的出力同时系数计算方法及系统 |
CN115940806B (zh) * | 2023-01-10 | 2023-05-23 | 柏腾数科(杭州)科技有限公司 | 一种光伏发电系统及其故障诊断方法 |
CN116050666B (zh) * | 2023-03-20 | 2023-07-18 | 中国电建集团江西省电力建设有限公司 | 一种辐照特征聚类的光伏发电功率预测方法 |
CN116090671A (zh) * | 2023-04-06 | 2023-05-09 | 中通服建设有限公司 | 一种光伏功率预测系统及方法 |
CN116131347B (zh) * | 2023-04-13 | 2023-07-07 | 国网山东省电力公司平度市供电公司 | 基于智能控制的光伏并网逆变器及光伏并网系统 |
CN116232222B (zh) * | 2023-05-10 | 2023-09-08 | 山东科技大学 | 一种分布式光伏系统云边协同积灰程度监测方法及系统 |
CN116388279B (zh) * | 2023-05-23 | 2024-01-23 | 安徽中超光电科技有限公司 | 太阳能光伏发电系统中的电网并网控制方法及其控制系统 |
CN116404645B (zh) * | 2023-06-07 | 2023-08-25 | 山东大学 | 考虑时空相关特性的分布式光伏短期功率预测方法及系统 |
CN117039865A (zh) * | 2023-08-09 | 2023-11-10 | 国网山东省电力公司威海供电公司 | 一种基于上下游协同的光伏发电有效功率预测方法及系统 |
CN116896116B (zh) * | 2023-09-11 | 2023-11-28 | 广州德姆达光电科技有限公司 | 基于人工智能的太阳能并网调控方法及系统 |
CN117318024B (zh) * | 2023-09-19 | 2024-06-18 | 华能澜沧江水电股份有限公司 | 基于cnn神经网络的光伏发电功率预测管理方法及系统 |
CN118040642A (zh) * | 2023-09-22 | 2024-05-14 | 中国海洋大学 | 用于船用光伏发电系统的功率预测模拟实验系统及方法 |
CN117040030B (zh) * | 2023-10-10 | 2024-04-02 | 国网浙江宁波市鄞州区供电有限公司 | 新能源消纳能力风险管控方法及系统 |
CN117081161B (zh) * | 2023-10-17 | 2024-01-26 | 长江三峡集团实业发展(北京)有限公司 | 水光互补优化目标的确定方法、装置、计算机设备及介质 |
CN117764409B (zh) * | 2023-11-24 | 2024-09-10 | 南京南瑞水利水电科技有限公司 | 一种基于气象预报的新能源站点功率预测方法及系统 |
CN117639662A (zh) * | 2023-12-07 | 2024-03-01 | 电暴猿(上海)科技有限公司 | 一种基于智能监控的光伏电站功率预测方法及其系统 |
CN117713218B (zh) * | 2023-12-29 | 2024-06-25 | 浙江大学 | 一种基于知识与数据融合驱动的光伏出力预测方法 |
CN117909791B (zh) * | 2024-01-18 | 2024-08-06 | 创维互联(北京)新能源科技有限公司 | 基于人工智能的光伏电站阴影遮挡识别与定位方法及系统 |
CN117578597B (zh) * | 2024-01-19 | 2024-04-05 | 杭州利沃得电源有限公司 | 一种光伏逆变系统的节能控制方法及系统 |
CN118137549A (zh) * | 2024-05-07 | 2024-06-04 | 东莞市锂智慧能源有限公司 | 一种基于智能学习技术的光伏储能控制方法 |
CN118157231B (zh) * | 2024-05-11 | 2024-07-05 | 国网浙江省电力有限公司 | 基于光伏集群划分的提高光伏集群功率预测精度的方法 |
CN118523314A (zh) * | 2024-07-18 | 2024-08-20 | 湖南大学 | 天空地一体化光伏发电出力预测方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9322951B2 (en) * | 2007-02-12 | 2016-04-26 | Locus Energy, Inc. | Weather and satellite model for estimating solar irradiance |
US20120035887A1 (en) * | 2010-08-03 | 2012-02-09 | Joseph Augenbraun | Shading analysis software |
JP5888640B2 (ja) * | 2011-09-27 | 2016-03-22 | 学校法人明治大学 | 太陽光発電予測装置、太陽光発電予測方法及び太陽光発電予測プログラム |
JP6086875B2 (ja) * | 2014-02-06 | 2017-03-01 | 三菱重工業株式会社 | 発電量予測装置および発電量予測方法 |
CN105184404B (zh) * | 2015-08-31 | 2018-12-18 | 中国科学院广州能源研究所 | 适用于光伏系统全生命周期的输出功率分类预测系统 |
JP6687241B2 (ja) * | 2016-06-27 | 2020-04-22 | 株式会社Gf | 発電電力予測装置、サーバ、コンピュータプログラム及び発電電力予測方法 |
JP2018019555A (ja) * | 2016-07-29 | 2018-02-01 | 株式会社関電工 | 影の影響を考慮した太陽光発電出力推定方法 |
US11545830B2 (en) * | 2017-01-18 | 2023-01-03 | Board Of Regents, The University Of Texas System | Systems and methods of hierarchical forecasting of solar photovoltaic energy production |
CN108388956B (zh) | 2018-01-18 | 2021-08-10 | 华北电力大学 | 考虑辐射衰减的光伏功率预测方法 |
CN109657881A (zh) * | 2019-01-14 | 2019-04-19 | 南京国电南自电网自动化有限公司 | 一种适用于小样本的神经网络光伏发电预测方法及系统 |
CN109934423B (zh) | 2019-04-25 | 2020-04-21 | 山东大学 | 基于并网逆变器运行数据的光伏电站功率预测方法及系统 |
-
2019
- 2019-04-25 CN CN201910338873.6A patent/CN109934423B/zh active Active
- 2019-05-16 JP JP2021502507A patent/JP6968378B2/ja active Active
- 2019-05-16 US US17/267,918 patent/US11190131B2/en active Active
- 2019-05-16 WO PCT/CN2019/087154 patent/WO2020215405A1/zh active Application Filing
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Non-Patent Citations (1)
Title |
---|
考虑云遮挡的光伏超短期功率预测研究;韩立涛;《中国优秀硕士学位论文全文数据库(工程科技Ⅱ辑)》;20190415(第04期);24-45 * |
Also Published As
Publication number | Publication date |
---|---|
US11190131B2 (en) | 2021-11-30 |
JP6968378B2 (ja) | 2021-11-17 |
JP2021523673A (ja) | 2021-09-02 |
CN109934423A (zh) | 2019-06-25 |
US20210194424A1 (en) | 2021-06-24 |
WO2020215405A1 (zh) | 2020-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109934423B (zh) | 基于并网逆变器运行数据的光伏电站功率预测方法及系统 | |
CN110070226B (zh) | 基于卷积神经网络与元学习的光伏功率预测方法及系统 | |
Mellit et al. | Performance prediction of 20 kWp grid-connected photovoltaic plant at Trieste (Italy) using artificial neural network | |
CN110909919A (zh) | 融合注意力机制的深度神经网络模型的光伏功率预测方法 | |
CN107742171B (zh) | 基于移动阴影图像识别的光伏电站发电功率预测方法 | |
Piliougine et al. | Multilayer perceptron applied to the estimation of the influence of the solar spectral distribution on thin-film photovoltaic modules | |
KR102488669B1 (ko) | 구름 음영 효과를 적용한 태양광 발전 예측 시스템 | |
CN111458769B (zh) | 用于输电线路环境气象数据预测的方法及系统 | |
CN111815027A (zh) | 一种光伏场站发电功率预测方法及系统 | |
CN111985678A (zh) | 一种光伏功率短期预测方法 | |
CN110458342A (zh) | 一种基于改进的narx神经网络微气象监测系统及方法 | |
CN117218425A (zh) | 一种用于光伏电站的发电损失分析方法及系统 | |
Aliberti et al. | Forecasting Short-term Solar Radiation for Photovoltaic Energy Predictions. | |
CN114399081A (zh) | 一种基于天气分类的光伏发电功率预测方法 | |
CN115936177A (zh) | 一种基于神经网络的光伏输出功率预测方法及系统 | |
Cheng et al. | Application of clustering analysis in the prediction of photovoltaic power generation based on neural network | |
CN117236720A (zh) | 利用多气象因子特征的光伏电站发电功率预测方法 | |
KR102488668B1 (ko) | 머신러닝을 이용한 태양광 발전 예측 시스템 및 방법 | |
CN110059972B (zh) | 基于泛函深度信念网络的日太阳辐射资源评估方法 | |
Hosseini et al. | An approach to precise modeling of photovoltaic modules under changing environmental conditions | |
Conde et al. | Performance evaluation and characterization of different photovoltaic technologies under the coastal, desertic climate conditions of Lima, Peru | |
Omer et al. | Adaptive boosting and bootstrapped aggregation based ensemble machine learning methods for photovoltaic systems output current prediction | |
El Hendouzi et al. | Forecasting of PV power application to PV power penetration in a microgrid | |
CN116647183A (zh) | 光伏阵列发电性能确定方法、装置和光伏系统 | |
CN110212591A (zh) | 一种基于压缩感知技术的分布式光伏辐照度量测布点方法 |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20190625 Assignee: AOTAI ELECTRIC Co.,Ltd. Assignor: SHANDONG University Contract record no.: X2023980037504 Denomination of invention: Power prediction method and system of photovoltaic power station based on operation data of Grid-tie inverter Granted publication date: 20200421 License type: Exclusive License Record date: 20230704 |
|
EE01 | Entry into force of recordation of patent licensing contract |