CN110533230A - 一种光伏阵列辐照度传感器的位置优化方法 - Google Patents

Abstract

一种光伏阵列辐照度传感器的位置优化方法，包括设计了光伏阵列辐照度传感器的位置优化方法具体步骤：在确定辐照度传感器数量后，采用高效的智能优化算法对所建立的辐照度传感器布置位置优化模型进行求解，再对优化结果进行处理，筛选出所有优化结果中满足传感器两两之间的最短距离最大的最优解，最后绘制出光伏阵列辐照度传感器的最优布置图。本方案简单易操作、算法运行速度快，只需输入光伏阵列的规模和需要布置辐照度传感器的数量就能输出光伏阵列辐照度传感器最优布置图。在实际应用中，不仅有助于光伏发电系统最大输出功率的跟踪与发电量预测，而且可以为光伏阵列重构优化提供必要的全局信息，对光伏发电系统的稳定运行具有重要意义。

Description

一种光伏阵列辐照度传感器的位置优化方法

技术领域

本发明涉及光伏发电系统中光伏阵列上辐照度传感器的位置优化方法，属于光伏发电系统运行条件检测领域。

背景技术

为了解决日益严峻的能源危机和环境问题，并随着传统能源的枯竭与大众环保意识的提高，无污染、分布广且易获取的太阳能日益受到重视。太阳能光伏发电是对太阳能有效利用的主要形式，并成为了继风力发电之后主要的新能源发电方式。近年来光伏组件价格的降低以及政府补贴政策的出台，光伏发电装机容量飞速增长，其中包括大容量的荒漠光伏电站、分散式的中小容量建筑光伏系统。

光伏阵列通常由大量光伏电池以一定的串并联结构组成，以此获取所需的光伏输出电压和功率。为防止出现热斑现象与支路电能倒送现象，光伏阵列还装设有旁路二极管与防逆二极管。采用集中输出控制的光伏阵列受均匀光照时，光伏阵列的输出功率-电压(P-U)特性曲线呈单峰状，传统最大功率点跟踪(MPPT)方法可以很容易跟踪到最大功率点(MPP)；但当阵列受局部遮阴时，局部阴影不仅会削弱光伏阵列潜在的最大功率输出能力，二极管的存在还会导致光伏阵列输出特性复杂化、多峰化，给MPPT控制、重构优化、发电功率预测等带来很大困难。

针对上述技术的不足，本研究领域的研究人员提出了一种在光伏阵列上布置辐照度传感器的方法，其目的是实现光伏阵列上的辐照度的测量。而对于不同的布置方法，辐照度传感器的布置数量可能不同，但对于传感器的布置数量一定是可进行优化处理的。因此，通过一定的优化处理，辐照度传感器的布置数量是可以确定的。本发明提出的辐照度传感器的位置优化方法，可实现某一数量的辐照度传感器在光伏阵列最优布置。因此，对光伏阵列辐照度传感器的位置优化方法的研究对光伏发电系统的稳定运行具有重要意义。

发明内容

本发明要克服现有技术的上述缺点，提出一种光伏阵列辐照度传感器的位置优化方法，本发明在确定辐照度传感器的布置个数后，利用高效的智能优化算法对建立的辐照度传感器优化模型进行求解，实现光伏阵列辐照度传感器最优布置，为解决现有技术的缺点提供了新思路。

为实现上述目标，本发明的技术方案是：一种光伏阵列辐照度传感器的布置方案，包括光伏阵列辐照度传感器的位置优化方法具体步骤、智能优化算法求解步骤、优化结果处理方式；

所述光伏阵列辐照度传感器的位置优化方法，具体步骤如下：

步骤1：确定辐照度传感器布置的数量J；

步骤2：按照步骤1所确定的辐照度传感器的数量，以各传感器两两之间最短距离最大为目标，建立包含目标函数和约束条件的优化模型如下：

式中，m_k，m_i和n_k，n_i分别表示第k，i个传感器的横坐标和纵坐标，r和l分别表示传感器实际可布置点所形成的新阵列的行数和列数，Z表示整数；

步骤3：运用优化算法求解步骤2中建立的优化模型，获取所有辐照度传感器布置位置的坐标值；

步骤4：重复步骤3的优化算法运行T次后，筛选出满足各传感器两两之间的最短距离最大的最优解；

步骤5：绘制光伏阵列辐照度传感器最优布置图。

优选地，步骤3所述的运用优化算法求解步骤2中建立的优化模型，其中优化算法可以采用粒子群优化算法，其实现步骤如下：

步骤3.1：设置粒子群的种群大小M、最大迭代次数，初始化各粒子的速度和位置，其中粒子的位置代表了辐照度传感器所在位置；

步骤3.2：将步骤2中所建立的优化模型中的目标函数作为粒子群优化算法的适应度函数，计算各粒子的适应度值；

步骤3.3：根据步骤3.2计算的适应度值，筛选并记录当前粒子群所对应的个体最优值p_i和全局最优值p_g；

步骤3.4：对每个粒子，根据步骤3.3所记录的个体最优值p_i和全局最优值p_g，更新各粒子的速度v_i和位置x_i，更新公式如下：

v_i＝wv_i+c₁r₁(p_i-x_i)+c₂r₂(p_g-x_i)

x_i＝x_i+v_i (2)

式中，i＝1，2，...，M，M为种群大小，c₁和c₂为学习因子，w为惯性常数，r₁和r₂为[0，1]范围内的均匀随机数，v_i是粒子i的速度，x_i为粒子i的位置；

步骤3.5：判断算法进程是否达到最大迭代次数，若是，则输出优化结果；否则返回步骤3.2。

优选地，步骤4所述的筛选出满足各传感器两两之间的最短距离最大的最优解，其实现步骤如下：

步骤4.1：第t次执行步骤3中的优化算法后，将本次优化后的辐照度传感器两两之间距离的最小值记为d_t，并将d_t存入中间矩阵D中，其实现公式如下：

其中，T为重复运行优化算法的总次数；

步骤4.2：取中间矩阵D的最大值，其实现公式如下：

其中，d_s表示第s次运行优化算法后各辐照度传感器两两之间距离的最小值，也就是说，d_s为中间矩阵D中的最大值；

步骤4.3：选取第s次执行优化算法后保存的优化结果输出。

本发明的优点是：很好的解决了光伏阵列上辐照度传感器的布置位置的问题，本方案简单易操作、算法运行速度快，只需输入光伏阵列的规模和需要布置辐照度传感器的数量就能输出光伏阵列辐照度传感器最优布置图。在实际应用中，不仅有助于光伏发电系统最大输出功率的跟踪与发电量预测，而且可以为光伏阵列重构优化提供必要的全局信息，对光伏发电系统的稳定运行具有重要意义。

附图说明

图1是本发明的光伏阵列示意图。

图2是本发明的光伏阵列辐照度传感器布置位置示意图，其中·表示实际可布置辐照度传感器的位置。

图3是本发明的实施例中10×10光伏阵列辐照度传感器最优布置图，图3a为当J＝5时10×10光伏阵列辐照度传感器最优布置图，图3b为当J＝6时10×10光伏阵列辐照度传感器最优布置图，图3c为当J＝7时10×10光伏阵列辐照度传感器最优布置图，图3d为当J＝8时10×10光伏阵列辐照度传感器最优布置图，其中·表示实际可布置辐照度传感器的位置，*表示辐照度传感器。

图4是本发明的光伏阵列辐照度传感器的位置优化方法流程图。

具体实施方式

下面结合实施例，对本发明作进一步的详细解释与说明。应当注意的是，本发明的实施方式不限于此。本实施例中采用10×10规模的光伏阵列，当辐照度传感器布置数量J＝5，6，7，8时，对辐照度传感器布置位置进行优化，最后绘制出10×10光伏阵列辐照度传感器最优布置图。

下面就当辐照度传感器布置数量J＝5时作详细的解释说明，本发明的技术方案是：一种光伏阵列辐照度传感器的位置优化方法，其实施步骤为：

步骤1：确定辐照度传感器布置数量J＝5；

步骤2：按照步骤1所确定的辐照度传感器的数量为5个，以各传感器两两之间最短距离最大为目标，建立包含目标函数和约束条件的优化模型如下：

式中，m_k，m_i和n_k，n_i分别表示第k，i个传感器的横坐标和纵坐标，Z表示整数；

步骤3：运用粒子群优化算法求解步骤2中建立的优化模型，获取所有辐照度传感器布置位置的坐标值；

步骤3.1：设置粒子群的种群大小M为100、最大迭代次数为100，初始化各粒子群中粒子的速度和位置，其中粒子的位置代表了辐照度传感器所在位置；

步骤3.2：将步骤2中所建立的优化模型中的目标函数作为粒子群优化算法的适应度函数，计算各粒子的适应度值；

步骤3.3：对每个粒子，根据步骤3.3所记录的个体最优值p_i和全局最优值p_g，更新各粒子的速度v_i和位置x_i，更新公式如下：

v_i＝wv_i+c₁r₁(p_i-x_i)+c₂r₂(p_g-x_i)

x_i＝x_i+v_i (2)

式中，i＝1，2，...，M，M为种群大小，c₁和c₂为学习因子，w为惯性常数，r₁和r₂为[0，1]范围内的均匀随机数，v_i是粒子i的速度，x_i为粒子i的位置；

步骤3.4：判断算法进程是否达到最大迭代次数，若是，则输出优化结果；否则返回步骤3.2；

步骤4：重复步骤3的优化算法运行100次后，筛选出满足各传感器两两之间的最短距离最大的最优解；

步骤4.1：第t次执行步骤3中的优化算法后，将本次优化后的辐照度传感器两两之间距离的最小值记为d_t，并将d_t存入中间矩阵D中，其实现结果如下：

步骤4.2：取中间矩阵D的最大值，其实现公式如下：

步骤4.3：选取第23次执行优化算法后保存的优化结果输出。

步骤5：绘制出辐照度传感器布置数量J＝5时，10×10光伏阵列辐照度传感器最优布置图。

本发明中对辐照度传感器布置数量的确定方法不作局限，在确定辐照度传感器数量后，光伏阵列辐照度传感器的位置优化方法如实施例所述。下面给出在辐照度传感器的数量J＝6，7，8时，光伏阵列辐照度传感器最优布置图分别如图3b，图3c，图3d所示，具体实施步骤就不再赘述。

本发明简单易操作、算法运行速度快，只需输入光伏阵列的规模和需要布置辐照度传感器的数量就能输出光伏阵列辐照度传感器最优布置图。

Claims (3)

1.一种光伏阵列辐照度传感器的位置优化方法，具体包括：

步骤1：确定辐照度传感器安装的数量J；

步骤2：按照步骤1所确定的辐照度传感器的数量，以各传感器两两之间最短距离最大为目标，建立包含目标函数和约束条件的优化模型如下：

式中，m_k，m_i和n_k，n_i分别表示第k，i个传感器的横坐标和纵坐标，r和l分别表示传感器实际可布置点所形成的新阵列的行数和列数，Z表示整数；

步骤3：运用优化算法求解步骤2中建立的优化模型，获取所有辐照度传感器布置位置的坐标值；

步骤4：重复步骤3的优化算法运行T次后，筛选出满足各传感器两两之间的最短距离最大的最优解；

步骤5：绘制光伏阵列辐照度传感器最优布置图。

2.如权利要求1所述的一种光伏阵列辐照度传感器的位置优化方法，其特征在于：步骤3所述的运用优化算法求解步骤2中建立的优化模型，，采用粒子群优化算法，其实现步骤如下：

步骤3.1：设置粒子群的种群大小M、最大迭代次数，初始化各粒子的速度和位置，其中粒子的位置代表了辐照度传感器所在位置；

步骤3.2：将步骤2中所建立的优化模型中的目标函数作为粒子群优化算法的适应度函数，计算各粒子的适应度值；

步骤3.3：根据步骤3.2计算的适应度值，筛选并记录当前粒子群所对应的个体最优值p_i和全局最优值p_g；

步骤3.4：对每个粒子，根据步骤3.3所记录的个体最优值p_i和全局最优值p_g，更新各粒子的速度v_i和位置x_i，更新公式如下：

式中，i＝1，2，...，M，M为种群大小，c₁和c₂为学习因子，w为惯性常数，r₁和r₂为[0，1]范围内的均匀随机数，v_i是粒子i的速度，x_i为粒子i的位置；

步骤3.5：判断算法进程是否达到最大迭代次数，若是，则输出优化结果；否则返回步骤3.2。

3.如权利要求1所述的一种光伏阵列辐照度传感器的位置优化方法，其特征在于：步骤4所述的筛选出满足各传感器两两之间的最短距离最大的最优解，其实现步骤如下：

步骤4.1：第t次执行步骤3中的优化算法后，将本次优化后的辐照度传感器两两之间距离的最小值记为d_t，并将d_t存入中间矩阵D中，其实现公式如下：

其中，T为重复运行优化算法的总次数；

步骤4.2：取中间矩阵D的最大值，其实现公式如下：

其中，d_s表示第s次运行优化算法后各辐照度传感器两两之间距离的最小值，也就是说，d_s为中间矩阵D中的最大值；

步骤4.3：选取第s次执行优化算法后保存的优化结果输出。