CN110210124A - 一种基于anfis算法的光伏组件倾角优化方法 - Google Patents
一种基于anfis算法的光伏组件倾角优化方法 Download PDFInfo
- Publication number
- CN110210124A CN110210124A CN201910469140.6A CN201910469140A CN110210124A CN 110210124 A CN110210124 A CN 110210124A CN 201910469140 A CN201910469140 A CN 201910469140A CN 110210124 A CN110210124 A CN 110210124A
- Authority
- CN
- China
- Prior art keywords
- anfis
- inclination angle
- photovoltaic module
- algorithm
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000005457 optimization Methods 0.000 title claims abstract description 19
- 230000005855 radiation Effects 0.000 claims abstract description 31
- 238000012360 testing method Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 20
- 230000006870 function Effects 0.000 claims description 15
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 230000005284 excitation Effects 0.000 claims description 6
- 238000012886 linear function Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 abstract description 8
- 241001269238 Data Species 0.000 abstract 1
- 238000010248 power generation Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Natural products C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Water Supply & Treatment (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明公开了一种基于ANFIS算法的光伏组件倾角优化方法,属于电力系统技术领域,该方法包括以下步骤:基于分段线性化方法求解h个代表城市的光伏组件月最佳倾角;分别建立基于ANFIS‑SC和ANFIS‑FCM算法的光伏组件月最佳倾角估计模型;构建训练样本,并输入训练集数据训练上述模型;构建测试样本,基于测试集的输入数据,输出经过训练的模型的月最佳倾角估计值,并计算误差。本发明基于h个代表地区的易获取月份、水平面日太阳总辐射月均值、纬度和赤纬角数据,提出基于ANFIS算法的光伏组件月倾角优化方法;该方法能够获得使各代表地区倾斜面上日太阳总辐射月总量最大的光伏组件月最优倾角,并证明根据纬度进行倾角设置的做法是不科学的。
Description
技术领域
本发明属于电力系统技术领域,具体涉及一种基于ANFIS算法的光伏组件倾角优化方法。
背景技术
中国已基本形成了以电力为中心、以煤炭为主体、天然气石油以及多种可再生能源协调发展的能源供应体系。但随着国内能源供应安全趋势愈加严峻、传统能源供需越来越紧张、全球气候变化带来的环保压力也越来越大,我国的能源结构亟待调整。
新能源的发展受到了我国政府的高度重视,并明确指出,以电力为中心,发展特高压电网、大煤电、大水电、大核电和大型可再生能源发电基地,促进电力行业科学发展,推动能源战略转型,是实现能源可持续发展的重要途径。
太阳能作为一种代表性可再生能源,由于不受地域限制,它可直接开发与利用。但是,太阳能的能量密度低,海拔高度、季节、地理纬度的不同及气象条件的变化又会给太阳能的大规模利用带来挑战。
目前,太阳能的大规模利用主要是用来发电,太阳能因时而异、因地而异的特点让光伏发电规划问题变得尤其重要。在光伏发电规划中,为了能使发电量尽可能大,从而提高经济效益,光伏发电组件安装人员往往会把组件倾斜放置,这样,光伏面板获得的太阳辐射量通常比水平放置的场景下吸收得多,组件倾斜放置的角度是决定接收太阳辐射多少的关键因素。
目前,国内只有少部分地区的最佳倾角得到了研究,同时由于研究方法、原始辐射数据等差异,不同学者对同一地区优化的最佳倾角不同。在实际工程中,国内太阳能工作者往往根据经验(倾角为当地纬度,或当地纬度加5-20°)来确定光伏板的倾角,这样的做法显然不太合适,会直接影响光伏发电系统所带来的经济效益。
发明内容
发明目的:本发明的目的在于提供一种基于ANFIS算法的光伏组件倾角优化方法,针对目前光伏发电规划中,光伏组件倾斜放置的角度会决定接收太阳辐射多少的问题,该方法基于水平面日太阳总辐射月均值、月份、纬度和赤纬角参数,来估计使倾斜面月总辐射量最大的最优倾角。
技术方案:为实现上述目的,本发明提供如下技术方案:
一种基于ANFIS算法的光伏组件倾角优化方法,该方法包括以下步骤:
(1)基于分段线性化方法求解h个代表城市的光伏组件月最佳倾角;
(2)分别建立基于ANFIS-SC和ANFIS-FCM算法的光伏组件月最佳倾角估计模型;
(3)构建训练样本,并输入训练集数据训练步骤(2)中的模型;
(4)构建测试样本,基于测试集的输入数据,输出步骤(3)中经过训练的模型的月最佳倾角估计值,并计算误差。
进一步地,所述的步骤(1)包括以下步骤:
步骤1.1,分段线性化方法:
步骤1.1.1,将非线性函数区间进行分段:
主要有等误差法、等距法等可对区间进行分段,假设将区间[m,n]分为j个子区间;
步骤1.1.2,在每个子区间[mk,nk]上,采用泰勒级数展开,略去二次以上的部分,只保留一次项,对每一分段区间进行线性化,用线性函数代替原有的非线性方程,k表示第k个子区间,其取值范围为:1≤k≤j;在各分段区间的某一点x0处进行Taloy级数展开:
步骤1.2,建立光伏组件月倾角优化模型:
步骤1.2.1,模型的目标函数:
其中,HTm是指m月光伏组件接收到的日太阳总辐射月总量;N代表m月的总天数;Hi指m月第i天水平面日太阳总辐射典型值;Ri是关于优化变量月最佳倾角βopt的非线性函数,其计算公式如下:
其中,指某月第i天水平面日散射辐射典型值;是指地区纬度;δi是第i天的赤纬角;表示第i天倾斜面对应的日落/日出时角;ρ取值0.2;
步骤1.2.2,模型的约束条件:
步骤1.2.3,基于步骤1.1中分段线性化方法对h个代表地区分别计算目标函数的最优解。
进一步地,所述的步骤(2)包括如下步骤:
步骤2.1,建立一个基于ANFIS的四输入单输出的倾角估计模型:
步骤2.1.1,ANFIS的Layer I的节点是自适应节点,节点输入w、x、y、z满足模糊集合At、Bt、Ct、Dt的程度用隶属函数Ot表示:
步骤2.1.2,ANFIS结构中的两种规则:
规则1,如果(if)w是A1且x是B1且y是C1且z是D1,那么(then)f1=p1w+q1x+r1y+s1z+u1;
规则2,如果(if)w是A2且x是B2且y是C2且z是D2,那么(then)f2=p2w+q2x+r2y+s2z+u2;规则1和2中,w、x、y和z分别是模型的四个输入;ft是在规则t下推理得到的模型输出;At、Bt、Ct和Dt是模糊集合;[pt,qt,rt,st,ut]是自适应参数;
步骤2.1.3,Layer II层的节点为固定节点,每个节点的所有输入信号相乘可以得到每条规则的激励强度:
步骤2.1.4,Layer III层的节点依然是固定节点,其主要作用是归一化每个规则的激励强度:
步骤2.1.5,Layer IV层的每个节点也是自适应节点,节点函数:
步骤2.1.6,最后一层Layer V是固定节点,所有信号求和即可得总的输出:
进一步地,所述的步骤步骤2.1结束后进行步骤2.2,分别采用减法聚类和模糊C均值聚类两种聚类算法初始化参数,包括如下步骤:
步骤2.2.1,利用减法聚类算法初始化步骤2.1中模型的参数;
步骤2.2.2,通过模糊C均值聚类算法初始化步骤2.1中参数。
进一步地,所述的步骤(3)包括如下步骤:
步骤3.1,以h个代表城市典型年月份、赤纬角、纬度和日太阳总辐射月均值为输入,步骤(1)中求得的对应城市典型年月最佳倾角为输出,构建训练样本;
步骤3.2,输入步骤3.1中的训练样本,让ANFIS结构中的自适应参数通过学习经验调整并优化整个网络的逼近能力,训练步骤(2)中建立的两个模型。
进一步地,所述的步骤(4)包括如下步骤:
步骤4.1,以h个代表地区某年各月份、水平面日太阳总辐射月均值、纬度和赤纬角数据作为测试集输入,步骤(1)中求得的对应地区各月份最优倾角为测试集标签,构建测试样本;
步骤4.2,对步骤(3)中经过训练的模型输入步骤4.1中的测试集输入,估计出h个代表地区某年的月最优倾角;
步骤4.3,将步骤4.2中光伏组件月最佳倾角估计值和步骤4.1中的测试集标签进行对比,并计算二者的误差。误差计算公式如下:
有益效果:与现有技术相比,本发明的一种基于ANFIS算法的光伏组件倾角优化方法,基于6个代表地区的易获取月份、水平面日太阳总辐射月均值、纬度和赤纬角数据,提出基于ANFIS算法的光伏组件月倾角优化方法;该方法能够获得使各代表地区倾斜面上日太阳总辐射月总量最大的光伏组件月最优倾角,并证明根据纬度进行倾角设置的做法是不科学的。
附图说明
图1是海口地区基于ANFIS-SC和ANFIS-FCM得到的2005年月最佳倾角;
图2是上海地区基于ANFIS-SC和ANFIS-FCM得到的2005年月最佳倾角;
图3是郑州地区基于ANFIS-SC和ANFIS-FCM得到的2005年月最佳倾角;
图4是银川地区基于ANFIS-SC和ANFIS-FCM得到的2005年月最佳倾角;
图5是漠河地区基于ANFIS-SC和ANFIS-FCM得到的2005年月最佳倾角;
图6是拉萨地区基于ANFIS-SC和ANFIS-FCM得到的2005年月最佳倾角。
具体实施方式
下面结合附图和具体实施例对本发明作更进一步的说明。
一种基于ANFIS算法的光伏组件倾角优化方法,该方法包括以下步骤:
(5)基于分段线性化方法求解h个代表城市的光伏组件月最佳倾角;
(6)分别建立基于ANFIS-SC和ANFIS-FCM算法的光伏组件月最佳倾角估计模型;
(7)构建训练样本,并输入训练集数据训练步骤(2)中的模型;
(8)构建测试样本,基于测试集的输入数据,输出步骤(3)中经过训练的模型的月最佳倾角估计值,并计算误差。
步骤(1)中,基于分段线性化方法求解h个代表城市的光伏组件月最佳倾角,包括以下步骤:
步骤1.1,分段线性化方法:
步骤1.1.1,将非线性函数区间进行分段:
主要有等误差法、等距法等可对区间进行分段,假设将区间[m,n]分为j个子区间;
步骤1.1.2,在每个子区间[mk,nk]上,采用泰勒级数展开,略去二次以上的部分,只保留一次项,对每一分段区间进行线性化,用线性函数代替原有的非线性方程,k表示第k个子区间,其取值范围为:1≤k≤j;在各分段区间的某一点x0处进行Taloy级数展开:
步骤1.2,建立光伏组件月倾角优化模型:
步骤1.2.1,模型的目标函数:
其中,HTm是指m月光伏组件接收到的日太阳总辐射月总量;N代表m月的总天数;Hi指m月第i天水平面日太阳总辐射典型值;Ri是关于优化变量月最佳倾角βopt的非线性函数,其计算公式如下:
其中,指某月第i天水平面日散射辐射典型值;是指地区纬度;δi是第i天的赤纬角;表示第i天倾斜面对应的日落(日出)时角;ρ取值0.2。
步骤1.2.2,模型的约束条件:
步骤1.2.3,基于步骤1.1中分段线性化方法对h个代表地区分别计算目标函数的最优解。
步骤(2)中,分别建立基于ANFIS-SC和ANFIS-FCM算法的光伏组件月最佳倾角估计模型:
步骤2.1,建立一个基于ANFIS的四输入单输出的倾角估计模型:
步骤2.1.1,ANFIS的Layer I的节点是自适应节点,节点输入w、x、y、z满足模糊集合At、Bt、Ct、Dt的程度用隶属函数Ot表示:
步骤2.1.2,ANFIS结构中的两种规则:
规则1,如果(if)w是A1且x是B1且y是C1且z是D1,那么(then)f1=p1w+q1x+r1y+s1z+u1;
规则2,如果(if)w是A2且x是B2且y是C2且z是D2,那么(then)f2=p2w+q2x+r2y+s2z+u2。
规则1和2中,w、x、y和z分别是模型的四个输入;ft是在规则t下推理得到的模型输出;At、Bt、Ct和Dt是模糊集合;[pt,qt,rt,st,ut]是自适应参数。
步骤2.1.3,Layer II层的节点为固定节点,每个节点的所有输入信号相乘可以得到每条规则的激励强度:
步骤2.1.4,Layer III层的节点依然是固定节点,其主要作用是归一化每个规则的激励强度:
步骤2.1.5,Layer IV层的每个节点也是自适应节点,节点函数:
步骤2.1.6,最后一层Layer V是固定节点,所有信号求和即可得总的输出:
步骤2.2,分别采用减法聚类和模糊C均值聚类两种聚类算法初始化参数:
步骤2.2.1,利用减法聚类算法初始化步骤2.1中模型的参数。
步骤2.2.2,通过模糊C均值聚类算法初始化步骤2.1中参数。
步骤(3)中,构建训练样本,并输入训练集数据训练步骤(2)中的模型:
步骤3.1,以h个代表城市典型年月份、赤纬角、纬度和日太阳总辐射月均值为输入,步骤(1)中求得的对应城市典型年月最佳倾角为输出,构建训练样本;
步骤3.2,输入步骤3.1中的训练样本,让ANFIS结构中的自适应参数通过学习经验调整并优化整个网络的逼近能力,训练步骤(2)中建立的两个模型。
步骤(4)中,构建测试样本,基于测试集的输入数据,输出步骤(3)中经过训练的模型的月最佳倾角估计值,并计算误差。
步骤4.1,以h个代表地区某年各月份、水平面日太阳总辐射月均值、纬度和赤纬角数据作为测试集输入,步骤(1)中求得的对应地区各月份最优倾角为测试集标签,构建测试样本;
步骤4.2,对步骤(3)中经过训练的模型输入步骤4.1中的测试集输入,估计出h个代表地区某年的月最优倾角;
步骤4.3,将步骤4.2中光伏组件月最佳倾角估计值和步骤4.1中的测试集标签进行对比,并计算二者的误差。误差计算公式如下:
下面以海口、上海、郑州、银川、漠河和拉萨地区为例介绍本发明:
根据海口、上海、郑州、银川、漠河和拉萨地区这6个代表地区的典型日辐射数据为基础,以最大化倾斜面上日太阳总辐射月总量为目标,基于分段线性化模型优化光伏组件月倾角。该优化模型的结果及对应倾斜面上日太阳总辐射月总量如下表1所示:
表1基于分段线性化模型得到的各月最佳倾角及对应的倾斜面太阳辐射月总量
6个代表地区基于不同算法得到的月最佳倾角估计值与分段线性化模型最优解之间的误差如表2所示:
表2基于不同算法得到的月最佳倾角与线性化模型结果之间的误差
为进一步说明不同方法在不同地区的适用性及估算的可靠性,表3比较了在不同模型得到的月最佳倾角下,各地区光伏组件表面接收的太阳辐射年总量。表3中Model 1,Model 2,Model 3,Model 4分别对应最佳倾斜角等于纬度(或者,当纬度大于25°时,最佳倾角等于纬度加上10°),最佳倾角由分段线性化模型、ANFIS-SC和ANFIS-FCM算法计算得到。
表3不同模型得到的月最佳倾角下各地区光伏组件表面接收的太阳辐射年总量(MJ/m2)
从图1至图6,可以看出6个代表地区中位于热带的海口地区基于ANFIS-SC算法获得的最佳倾角与分段线性化模型得到的结果误差较小,位于其他5个气候带的上海、郑州、银川、漠河和拉萨地区采用ANFIS-FCM算法性能更优。
以上仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对各设施位置进行调整,这些调整也应视为本发明的保护范围。
Claims (6)
1.一种基于ANFIS算法的光伏组件倾角优化方法,其特征在于:该方法包括以下步骤:
(1)基于分段线性化方法求解h个代表城市的光伏组件月最佳倾角;
(2)分别建立基于ANFIS-SC和ANFIS-FCM算法的光伏组件月最佳倾角估计模型;
(3)构建训练样本,并输入训练集数据训练步骤(2)中的模型;
(4)构建测试样本,基于测试集的输入数据,输出步骤(3)中经过训练的模型的月最佳倾角估计值,并计算误差。
2.根据权利要求1所述的一种基于ANFIS算法的光伏组件倾角优化方法,其特征在于:所述的步骤(1)包括以下步骤:
步骤1.1,分段线性化方法:
步骤1.1.1,将非线性函数区间进行分段:对区间进行分段,假设将区间[m,n]分为j个子区间;
步骤1.1.2,在每个子区间[mk,nk]上,采用泰勒级数展开,略去二次以上的部分,只保留一次项,对每一分段区间进行线性化,用线性函数代替原有的非线性方程,k表示第k个子区间,其取值范围为:1≤k≤j;在各分段区间的某一点x0处进行Taloy级数展开:
步骤1.2,建立光伏组件月倾角优化模型:
步骤1.2.1,模型的目标函数:
其中,HTm是指m月光伏组件接收到的日太阳总辐射月总量;N代表m月的总天数;Hi指m月第i天水平面日太阳总辐射典型值;Ri是关于优化变量月最佳倾角βopt的非线性函数,其计算公式如下:
其中,指某月第i天水平面日散射辐射典型值;是指地区纬度;δi是第i天的赤纬角;表示第i天倾斜面对应的日落/日出时角;ρ取值0.2;
步骤1.2.2,模型的约束条件:
步骤1.2.3,基于步骤1.1中分段线性化方法对h个代表地区分别计算目标函数的最优解。
3.根据权利要求2所述的一种基于ANFIS算法的光伏组件倾角优化方法,其特征在于:所述的步骤(2)包括如下步骤:
步骤2.1,建立一个基于ANFIS的四输入单输出的倾角估计模型:
步骤2.1.1,ANFIS的Layer I的节点是自适应节点,节点输入w、x、y、z满足模糊集合At、Bt、Ct、Dt的程度用隶属函数Ot表示:
步骤2.1.2,ANFIS结构中的两种规则:
规则1,如果w是A1且x是B1且y是C1且z是D1,那么f1=p1w+q1x+r1y+s1z+u1;
规则2,如果w是A2且x是B2且y是C2且z是D2,那么f2=p2w+q2x+r2y+s2z+u2;规则1和规则2中,w、x、y和z分别是模型的四个输入;ft是在规则t下推理得到的模型输出;At、Bt、Ct和Dt是模糊集合;[pt,qt,rt,st,ut]是自适应参数;
步骤2.1.3,Layer II层的节点为固定节点,每个节点的所有输入信号相乘可以得到每条规则的激励强度:
步骤2.1.4,Layer III层的节点依然是固定节点,其主要作用是归一化每个规则的激励强度:
步骤2.1.5,Layer IV层的每个节点也是自适应节点,节点函数:
步骤2.1.6,最后一层Layer V是固定节点,所有信号求和即可得总的输出:
4.根据权利要求3所述的一种基于ANFIS算法的光伏组件倾角优化方法,其特征在于:所述的步骤步骤2.1结束后进行步骤2.2,分别采用减法聚类和模糊C均值聚类两种聚类算法初始化参数,包括如下步骤:
步骤2.2.1,利用减法聚类算法初始化步骤2.1中模型的参数;
步骤2.2.2,通过模糊C均值聚类算法初始化步骤2.1中参数。
5.根据权利要求4所述的一种基于ANFIS算法的光伏组件倾角优化方法,其特征在于:所述的步骤(3)包括如下步骤:
步骤3.1,以h个代表城市典型年月份、赤纬角、纬度和日太阳总辐射月均值为输入,步骤(1)中求得的对应城市典型年月最佳倾角为输出,构建训练样本;
步骤3.2,输入步骤3.1中的训练样本,让ANFIS结构中的自适应参数通过学习经验调整并优化整个网络的逼近能力,训练步骤(2)中建立的两个模型。
6.根据权利要求5所述的一种基于ANFIS算法的光伏组件倾角优化方法,其特征在于:所述的步骤(4)包括如下步骤:
步骤4.1,以h个代表地区某年各月份、水平面日太阳总辐射月均值、纬度和赤纬角数据作为测试集输入,步骤(1)中求得的对应地区各月份最优倾角为测试集标签,构建测试样本;
步骤4.2,对步骤(3)中经过训练的模型输入步骤4.1中的测试集输入,估计出h个代表地区某年的月最优倾角;
步骤4.3,将步骤4.2中光伏组件月最佳倾角估计值和步骤4.1中的测试集标签进行对比,并计算二者的误差,误差计算公式如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910469140.6A CN110210124B (zh) | 2019-05-31 | 2019-05-31 | 一种基于anfis算法的光伏组件倾角优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910469140.6A CN110210124B (zh) | 2019-05-31 | 2019-05-31 | 一种基于anfis算法的光伏组件倾角优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110210124A true CN110210124A (zh) | 2019-09-06 |
CN110210124B CN110210124B (zh) | 2020-05-05 |
Family
ID=67790054
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910469140.6A Active CN110210124B (zh) | 2019-05-31 | 2019-05-31 | 一种基于anfis算法的光伏组件倾角优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110210124B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120211001A1 (en) * | 2011-02-23 | 2012-08-23 | King Fahd University Of Petroleum And Minerals | System and method for automatic positioning of a solar array |
CN103559540A (zh) * | 2013-11-13 | 2014-02-05 | 上海电气集团股份有限公司 | 基于自适应神经模糊推理系统的风速超短期在线预测方法 |
CN107609688A (zh) * | 2017-08-28 | 2018-01-19 | 河海大学 | 一种基于粒子群算法的光伏面板最佳倾角计算方法 |
CN107818403A (zh) * | 2017-10-10 | 2018-03-20 | 河海大学 | 基于代表性水平面辐射数据优化光伏面板安装倾角的方法 |
CN108764300A (zh) * | 2018-05-07 | 2018-11-06 | 国网天津市电力公司 | 一种固定式光伏发电系统最佳倾角的大数据聚类分析方法 |
CN109638874A (zh) * | 2018-10-24 | 2019-04-16 | 中国电力科学研究院有限公司 | 一种分布式光伏集群控制方法和装置 |
-
2019
- 2019-05-31 CN CN201910469140.6A patent/CN110210124B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120211001A1 (en) * | 2011-02-23 | 2012-08-23 | King Fahd University Of Petroleum And Minerals | System and method for automatic positioning of a solar array |
CN103559540A (zh) * | 2013-11-13 | 2014-02-05 | 上海电气集团股份有限公司 | 基于自适应神经模糊推理系统的风速超短期在线预测方法 |
CN107609688A (zh) * | 2017-08-28 | 2018-01-19 | 河海大学 | 一种基于粒子群算法的光伏面板最佳倾角计算方法 |
CN107818403A (zh) * | 2017-10-10 | 2018-03-20 | 河海大学 | 基于代表性水平面辐射数据优化光伏面板安装倾角的方法 |
CN108764300A (zh) * | 2018-05-07 | 2018-11-06 | 国网天津市电力公司 | 一种固定式光伏发电系统最佳倾角的大数据聚类分析方法 |
CN109638874A (zh) * | 2018-10-24 | 2019-04-16 | 中国电力科学研究院有限公司 | 一种分布式光伏集群控制方法和装置 |
Non-Patent Citations (3)
Title |
---|
MIAN GUO ET AL.: ""Optimal Tilt Angle and Orientation of Photovoltaic Modules Using HS Algorithm in Different Climates of China"", 《APPLIED SCIENCES》 * |
S. BERCLIN JEYAPRABHA ET AL.: ""Optimal sizing of photovoltaic/battery/diesel based hybrid systemand optimal tilting of solar array using the artificial intelligence forremote houses in India"", 《ENERGY AND BUILDINGS》 * |
孙韵琳 等: ""固定式并网光伏阵列的辐射量计算与倾角优化"", 《太阳能学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110210124B (zh) | 2020-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Golroodbari et al. | Pooling the cable: A techno-economic feasibility study of integrating offshore floating photovoltaic solar technology within an offshore wind park | |
Ravestein et al. | Vulnerability of European intermittent renewable energy supply to climate change and climate variability | |
Chennaif et al. | Electric System Cascade Extended Analysis for optimal sizing of an autonomous hybrid CSP/PV/wind system with Battery Energy Storage System and thermal energy storage | |
Tang et al. | Entropy method combined with extreme learning machine method for the short-term photovoltaic power generation forecasting | |
Kim et al. | Designing solar power generation output forecasting methods using time series algorithms | |
Stefenon et al. | Photovoltaic power forecasting using wavelet neuro-fuzzy for active solar trackers | |
Bakhshi et al. | A comprehensive economic analysis method for selecting the PV array structure in grid–connected photovoltaic systems | |
CN108879793A (zh) | 一种风光蓄能水电站互补的离网式混合能源系统优化方法 | |
Rossi et al. | Cool roofs as a strategy to tackle global warming: economical and technical opportunities | |
Jacobson | On the correlation between building heat demand and wind energy supply and how it helps to avoid blackouts | |
Yazdanpanah‐Jahromi et al. | An efficient sizing method with suitable energy management strategy for hybrid renewable energy systems | |
US20180248380A1 (en) | Forecasting solar power generation using real-time power data | |
Kichou et al. | Energy performance enhancement of a research centre based on solar potential analysis and energy management | |
CN115441447B (zh) | 一种新能源发电功率预测方法 | |
Schmelas et al. | Photovoltaics energy prediction under complex conditions for a predictive energy management system | |
CN117374956A (zh) | 一种针对综合能源站光伏发电的短期预测方法 | |
Javaid et al. | Sustainable urban energy solutions: Forecasting energy production for hybrid solar-wind systems | |
Cocco et al. | Effect of a global warming model on the energetic performance of a typical solar photovoltaic system | |
Al-Sharafi et al. | Overall performance index for hybrid power plants | |
CN110210124B (zh) | 一种基于anfis算法的光伏组件倾角优化方法 | |
CN115900936A (zh) | 基于天气分型的水平面总辐射和散射辐射预测方法 | |
CN109636041B (zh) | 一种适于大规模复杂电网的机组检修模拟方法及系统 | |
Lestari et al. | Prediction of solar energy radiation using adaptive neuro fuzzy inference system in the tropical region | |
Lin et al. | Power prediction model of grid-connected photovoltaic and power flow analysis | |
ZOUBIR et al. | Prediction of energy production in a building-integrated photovoltaic system using machine learning algorithms |
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 |