CN111121956A - 基于平单轴跟踪支架的光伏农业太阳辐射量分析方法 - Google Patents
基于平单轴跟踪支架的光伏农业太阳辐射量分析方法 Download PDFInfo
- Publication number
- CN111121956A CN111121956A CN201911212024.2A CN201911212024A CN111121956A CN 111121956 A CN111121956 A CN 111121956A CN 201911212024 A CN201911212024 A CN 201911212024A CN 111121956 A CN111121956 A CN 111121956A
- Authority
- CN
- China
- Prior art keywords
- solar
- irradiance
- weather
- day
- solar irradiance
- 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
- 230000005855 radiation Effects 0.000 title claims abstract description 71
- 238000004458 analytical method Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 42
- 230000003313 weakening effect Effects 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 230000008859 change Effects 0.000 claims abstract description 13
- 238000005286 illumination Methods 0.000 claims description 50
- 238000003062 neural network model Methods 0.000 claims description 28
- 239000011159 matrix material Substances 0.000 claims description 23
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 230000007704 transition Effects 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 9
- 238000009825 accumulation Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 6
- 102220480414 Adhesion G-protein coupled receptor D1_S13A_mutation Human genes 0.000 claims description 3
- 102220560218 Calcium/calmodulin-dependent protein kinase type IV_S12A_mutation Human genes 0.000 claims description 3
- 102220622101 Collagen alpha-1(XXII) chain_S72A_mutation Human genes 0.000 claims description 3
- 102220539440 Nitric oxide synthase, brain_S73A_mutation Human genes 0.000 claims description 3
- 102220539443 Nitric oxide synthase, brain_S75A_mutation Human genes 0.000 claims description 3
- 102220558251 Ras association domain-containing protein 1_S71A_mutation Human genes 0.000 claims description 3
- 102220558208 Ras association domain-containing protein 1_S74A_mutation Human genes 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 3
- 102200048773 rs2224391 Human genes 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000005266 casting Methods 0.000 claims description 2
- 238000003491 array Methods 0.000 claims 1
- 238000005457 optimization Methods 0.000 claims 1
- 230000002354 daily effect Effects 0.000 description 3
- 241000287196 Asthenes Species 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J1/00—Photometry, e.g. photographic exposure meter
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Photometry And Measurement Of Optical Pulse Characteristics (AREA)
Abstract
本发明提出的一种基于平单轴跟踪支架的光伏农业太阳辐射量分析方法,包括:获取预测周期内每天的GHI数据作为晴空辐照度;结合天气类型和晴空辐照度,获得预测周期内考虑天气因素和云层遮挡的太阳辐照度;根据考虑天气因素和云层遮挡的太阳辐照度,获得太阳直射辐照度和太阳散射辐照度;通过光线投射法模拟分析光伏农业系统对太阳直射光线的遮挡和削弱;将地面获得的逐时太阳直射辐照度减去阴影遮挡和削弱数值,获得各种植区网格的有效DNI,再获得各种植区网格的有效GHI。本发明实现了综合考虑天气变化和云层遮挡所引起的太阳辐照度,使得太阳辐照度的分析计算更加符合实际,并将阴影遮挡更加精确的反馈到有效GHI的运算中。
Description
技术领域
本发明涉及光伏农业技术领域,尤其涉及一种基于平单轴跟踪支架的光伏农业太阳辐射量分析方法。
背景技术
目前,光伏发电系统与设施农业相结合的趋势越来越普遍。光伏农业项目可以提供清洁电能、同时产出农作物,是适用于农村光伏扶贫、美丽乡村建设的一种全新业态,受到广泛重视。另外,基于平单轴跟踪支架的光伏系统没有固定阴影,因此,相对于固定支架而言,更容易使种植区的农作物获得均匀的太阳辐照量。然而,新方案也来新问题:1)基于平单轴跟踪支架的光伏农业系统会对农业种植区造成多少辐照量减少?2)种植区域不同位置的太阳辐照量具体分布情况是什么样的?
国家发明专利(申请号201610709126.5)公开了一种基于神经网络的水平面太阳直射散射计算系统及方法。该方法将测试地点的云量、大气透明度、水平面总辐照强度、水平面太阳直射辐照强度、水平面太阳散射辐照强度等历史数据作为训练样本,得到基于神经网络的水平面太阳直射散射计算模型;通过该模型进行太阳辐射强度预测。该发有效避免了各地域辐照情况不确定性、机理模型结构复杂性和参数确定不准确问题。然而,该方法仅针对无遮挡条件下的太阳辐照度进行计算,没有考虑动态阴影影响因素。
国家发明专利(申请号201410138304.4)公布了一种建筑物尺度的太阳能快速估算方法。该方法针对城市建筑物和树木等目标进行三维数字表面建模;通过模拟分析大气对到达地面的太阳直射辐射衰减和城市目标对包括屋顶与墙面的建筑物表面实际所能获得的太阳直射辐射能的遮挡影响,获取城市建筑物的屋顶与墙面获得的太阳能的大小与动态变化的估算值。然而,该方法仅考虑了晴天条件下的直射辐射能,没有考虑多云、阴天、雨天条件下的散射辐射能,也没有对估算结果的准确性进行有效评估。
国家发明专利(申请号201811133614.1)公开了一种考虑天气状态变化和云层遮挡的太阳辐照度建模方法。该方法在晴空辐照度和天气变化的基础上考虑云层遮挡变化对太阳辐照度存在的影响;定义了一种云遮系数和云遮系数波动范围的概念并给出其详细的计算方法。该方法综合考虑了天气变化和云层遮挡所引起的太阳辐照度波动性,得到了趋于实际的全年太阳辐照度时序模型。然而,该方法仅针对无遮挡条件的太阳水平面总辐照强度进行计算,没有涉及动态阴影条件下的地面水平辐照量计算方法。
发明内容
基于背景技术存在的技术问题,本发明提出了一种基于平单轴跟踪支架的光伏农业太阳辐射量分析方法。
本发明提出的一种基于平单轴跟踪支架的光伏农业太阳辐射量分析方法,包括以下步骤:
S1、获取预测周期内每天的GHI数据作为晴空辐照度;
S2、采用天气转移概率矩阵,获取预测周期内每天的天气类型;并结合天气类型和晴空辐照度,获得预测周期内考虑天气因素和云层遮挡的太阳辐照度;
S3、根据考虑天气因素和云层遮挡的太阳辐照度,获得太阳直射辐照度和太阳散射辐照度;
S4、对种植区进行网格化建模;
S5、利用基于平单轴跟踪支架的光伏农业系统三维模型,以种植区地表逐时太阳直射辐照度作为输入,通过光线投射法模拟分析光伏农业系统对太阳直射光线的遮挡和削弱;
S6、将地面获得的逐时太阳直射辐照度减去阴影遮挡和削弱数值,获得各种植区网格的有效DNI;
S7、将作为有效DHI的太阳散射辐照度与有效DNI综合运算,获得各种植区网格的有效GHI,将有效GHI在时间上和空间上进行累计获得有效太阳辐射能量,并结合步骤S4获得的种植区网格获得该种植区一日所能获得的有效太阳辐射能量矩阵;
S8、运用图形化工具,将有效太阳辐照能量矩阵转换成种植区全天太阳辐照量分布图。
优选的,步骤S1具体包括以下步骤:
S11A、获取预测日的气象因素和日期,并根据气象因素和日期获取与预测日相似度达到预设的相似阈值的历史日作为相似历史日;
S12A、获取各相似日的GHI数据,并通过对相似历史日数据的机器学习,获得输入为气象因素和日期,输出为GHI数据的BP神经网络并优化;
S13A、根据优化后的BP神经网络获取预测日的GHI数据作为晴空辐照度。
或者,步骤S1具体包括:
S11B、根据当地地理坐标、海拔高度和天数,通过计算得到该地区的平太阳时、真太阳时、太阳赤角、日出日落时角、太阳高度角、太阳入射角;
S12B、计算太阳光进入大气层之外的辐射强度,根据步骤S11B得到的数据计算太阳光穿过大气时的直射辐射透明度系数和散射透明度系数,进而得到太阳直射辐射强度和散射辐射强度;
S13B、结合太阳直射辐射强度和散射辐射强度,计算获得总太阳辐射强度晴空辐照度。
优选的,步骤S2具体包括以下步骤:
S21、把天气类型分为晴天、多云、阴天、雨天,建立四种天气类型转移模型;获取该地区一年内的历史天气状况,进行统计分析得到天气转移概率矩阵,根据第一天的四种天气类型分别发生的概率与天气转移概率矩阵相乘即得到第二天的四种天气类型的发生概率,再与天气转移概率矩阵相乘即为第三天的天气发生概率,以此类推可以预测出全年每一天的四种天气发生的概率,然后进行随机抽样便得到每天的天气类型;
S22、对应每一个天气类型预设有一个比例系数;根据步骤S21得到的天气类型,在当天的晴空辐照度上乘以对应的比例系数,获取考虑天气因素的太阳辐照度;
S23、获取该地区一年内的历史大气云量数据,以第一时间为间隔对前后相邻时刻云量进行比较,其波动的规律通过云遮系数体现,然后对全年每天求出来的所有云遮系数按照天气类型划分成四类,再对各类中云遮系数的正值与负值分别取平均值,将负值的平均值和正值的平均值之间的区间定义为云遮系数波动范围;1min≦第一时间≦15min;
S24、针对不同的天气类型,在云遮系数波动范围内进行随机抽样,每间隔第一时间抽样得到一个云遮系数,将该时刻的云遮系数与上一时刻考虑天气因素的太阳辐照度相乘再加上该时刻考虑天气因素的太阳辐照度,即为该时刻考虑天气因素和云层遮挡引起的波动变化的太阳辐照度;
S25、循环步骤S22到S24,通过时刻的累加获得当天的太阳辐照度时序序列;
S26、循环步骤S21到S25,通过天数的累加获得预测周期内每一天的太阳辐照度时序序列。
优选的,步骤S3具体包括以下步骤:
S31、获取该地区历史太阳辐照度数据、历史太阳直射辐照度数据、历史太阳散射辐照度数据和历史天气数据;
S32、通过对上一步获得的历史数据的机器学习,获得输入为太阳辐照度和天气类型,输出为太阳直射辐照度和太阳散射辐照度的神经网络模型并优化;
S33、将步骤S24获得的某时刻太阳辐照度与当天的天气类型输入上一步优化后的神经网络,获得该时刻太阳直射辐照度和该时刻太阳散射辐照度。
优选的,步骤S32中对神经网络模型进行优化具体包括:
通过训练历史数据,根据神经网络模型输出的太阳直射辐照度和太阳散射辐照度计算太阳辐照度预测值,将太阳辐照度预测值与输入神经网络模型的太阳辐照度进行比较,根据两者之间的差值判断神经网络模型的计算误差是否处于预设的允差范围内;是,则结束训练;否,则重新训练神经网络模型。
优选的,当超过10%的历史数据误差范围超过5%,则重新训练神经网络模型;当高于90%的历史数据误差在5%以内,则结束训练。
优选的,步骤S5中,通过光线投射法模拟分析光伏农业系统对太阳直射光线的遮挡和削弱的具体方法为:先获得一日内随时刻变化的真实太阳时角和光线向量,再通过平单轴跟踪光伏系统孔隙度计算,获得地面对太阳直射光线的遮挡面积,由此模拟分析出该时刻时平单轴跟踪光伏系统对太阳直射光线的遮挡和削弱。
优选的,步骤S7中,将有效GHI在时间上进行累计的具体方法包括:
S71A、根据预先设定的光照分析时段,获取光照分析时段内种植区某网格的全部光照时刻ti,其中,1≤i≤m;
S72A、将光照分析时段划分为至少一个连续光照时段Tj,其中,1≤j≤n, n≤m,每个连续光照时段Tj内包括单独的一个光照时刻ti或至少两个相邻的光照时刻ti;
S73A、针对每一个连续光照时段Tj,记所述连续光照时段Tj内的光照时刻的数目为k,k≥1;
S74A、获取所述连续光照时段Tj内每一个光照时刻ti下所述待分析种植区某网格对应的有效GHI,记作I(ti);
S75A、利用以下公式计算光照时段Tj内种植区某网格的有效太阳辐射能量 Wj;
优选的,获得该种植区一日所能获得的有效太阳辐射能量矩阵的具体方法包括:
S71B、将步骤S4获得的种植区网格按照预设顺序生成一维数组;
S72B、将按步骤S7生成的第一个网格的有效太阳辐射能量存入一维数组第一个位置;
S73B、一维数组序号加一,按照上一步将下一个网格的有效太阳辐射能存入一维数组第二个位置;
S74B、循环执行以上步骤,直到一维数组所有位置均存满数据。
优选的,该一维数组的序号按照种植区网格编号的升序生成;且步骤S4中,网格化建模采用规则四方矩形网格模型。
本发明提出的一种基于平单轴跟踪支架的光伏农业太阳辐射量分析方法,首先将天气和云层遮挡两类因素有机的结合起来,实现了综合考虑天气变化和云层遮挡所引起的太阳辐照度,使得太阳辐照度的分析计算更加符合实际。然后通过神经网络,基于太阳辐照度获得太阳直射辐照度和太阳散射辐照度,并结合基于平单轴跟踪支架的光伏农业系统三维模型,对太阳直射辐照度考虑阴影遮挡并进行削弱,获得有效DNI,然后结合有效DNI和太阳散射辐照度重新计算有效GHI。如此结合DNI和DHI的特性,将阴影遮挡更加精确的反馈到有效 GHI的运算中,进一步保证了种植区太阳辐照运算的精确。
同时,本发明中,通过对种植区网格化,将种植区的太阳辐射运算精确到每一个网格的太阳辐射运算,不仅使得阴影遮挡运算更加清晰,同时也使得种植区的太阳辐射能的分布更加细化,便于观察。
附图说明
图1是本发明提出的一种基于平单轴跟踪支架的光伏农业太阳辐射量分析方法流程图。
图2是本发明中基于相似日的BP神经网络法预测晴空辐照度的流程图。
图3是本发明中基于太阳运动规律预测晴空辐照度的流程图。
图4是本发明采用天气转移概率矩阵计算多天气条件下的GHI数据流程图。
图5是本发明中通过神经网络训练GHI以获得DHI和DNI的过程流程图。
图6是本发明的当日实时太阳辐射功率在时间上进行累计的算法流程图。
图7是本发明的当日有效太阳辐射量在空间上进行累计的算法流程图。
图8是本发明的农作物种植区当日太阳辐射量分布示意图。
具体实施方式
参照图1,本发明提出的一种基于平单轴跟踪支架的光伏农业太阳辐射量分析方法,包括以下步骤:
S1、获取预测周期内每天的GHI数据作为晴空辐照度。具体的,预测周期可设置为一年,即本步骤用于预测该地区一年的GHI数据。
具体的,参照图2,本实施方式中可通过基于相似日的BP神经网络对一年内的晴空辐照度进行预测,具体方法如下:
S11A、获取预测日的气象因素和日期,并根据气象因素和日期获取与预测日相似度达到预设的相似阈值的历史日作为相似历史日。
S12A、获取各相似日的GHI数据,并通过对相似历史日数据的机器学习,获得输入为气象因素和日期,输出为GHI数据的BP神经网络并优化。
S13A、根据优化后的BP神经网络获取预测日的GHI数据作为晴空辐照度。
参照图3,具体实施时,也可根据太阳和地球的运动规律对一年内的晴空辐照度进行预测,具体方法如下:
S11B、根据当地地理坐标、海拔高度和天数,通过计算得到该地区的平太阳时、真太阳时、太阳赤角、日出日落时角、太阳高度角、太阳入射角。
S12B、计算太阳光进入大气层之外的辐射强度,根据步骤S11B得到的数据计算太阳光穿过大气时的直射辐射透明度系数和散射透明度系数,进而得到太阳直射辐射强度和散射辐射强度。
S13B、结合太阳直射辐射强度和散射辐射强度,计算获得总太阳辐射强度晴空辐照度。
S2、采用天气转移概率矩阵,获取预测周期内每天的天气类型;并结合天气类型和晴空辐照度,获得预测周期内考虑天气因素和云层遮挡的太阳辐照度。
以下结合一个具体的实施例,对本步骤进行说明。参照图4,该实施例具体包括以下步骤:
S21、把天气类型分为晴天、多云、阴天、雨天,建立四种天气类型转移模型;获取该地区一年内的历史天气状况,进行统计分析得到天气转移概率矩阵,根据第一天的四种天气类型分别发生的概率与天气转移概率矩阵相乘即得到第二天的四种天气类型的发生概率,再与天气转移概率矩阵相乘即为第三天的天气发生概率,以此类推可以预测出全年每一天的四种天气发生的概率,然后进行随机抽样便得到每天的天气类型。
S22、对应每一个天气类型预设有一个比例系数;根据步骤S21得到的天气类型,在步骤S1得到的当天的晴空辐照度上乘以对应的比例系数,获取考虑天气因素的太阳辐照度。
S23、获取该地区一年内的历史大气云量数据,以第一时间为间隔对前后相邻时刻云量进行比较,其波动的规律通过云遮系数体现,然后对全年每天求出来的所有云遮系数按照天气类型划分成四类,再对各类中云遮系数的正值与负值分别取平均值,将负值的平均值和正值的平均值之间的区间定义为云遮系数波动范围。1min≦第一时间≦15min。
S24、针对不同的天气类型,在云遮系数波动范围内进行随机抽样,每间隔第一时间抽样得到一个云遮系数,将该时刻的云遮系数与上一时刻考虑天气因素的太阳辐照度相乘再加上该时刻考虑天气因素的太阳辐照度,即为该时刻考虑天气因素和云层遮挡引起的波动变化的太阳辐照度。
S25、循环步骤S22到S24,通过时刻的累加获得当天的太阳辐照度时序序列。
S26、循环步骤S21到S25,通过天数的累加获得预测周期内每一天的太阳辐照度时序序列。
S3、根据考虑天气因素和云层遮挡的太阳辐照度,获得太阳直射辐照度和太阳散射辐照度。
具体的,本步骤中,可通过神经网络模型,在已知考虑天气因素和云层遮挡的太阳辐照度的前提下,训练获得太阳直射辐照度和太阳散射辐照度,参照图5,具体方法包括如下步骤:
S31、获取该地区历史太阳辐照度数据、历史太阳直射辐照度数据、历史太阳散射辐照度数据和历史天气数据。
S32、通过对上一步获得的历史数据的机器学习,获得输入为太阳辐照度和天气类型,输出为太阳直射辐照度和太阳散射辐照度的神经网络模型并优化。
具体的,本步骤S32中,通过训练历史数据,根据神经网络模型输出的太阳直射辐照度和太阳散射辐照度计算太阳辐照度预测值,将太阳辐照度预测值与输入神经网络模型的太阳辐照度进行比较,根据两者之间的差值判断神经网络模型的计算误差是否处于预设的允差范围内;是,则结束训练;否,则重新训练神经网络模型。具体的,当超过10%的历史数据误差范围超过5%,则重新训练神经网络模型;当高于90%的历史数据误差在5%以内,则结束训练。
S33、将步骤S24获得的某时刻太阳辐照度与当天的天气类型输入上一步优化后的神经网络,获得该时刻太阳直射辐照度和该时刻太阳散射辐照度。
S4、对种植区进行网格化建模。本实施方式中,采用规则四方矩形网格模型,具体可采用正方形网格。
S5、利用基于平单轴跟踪支架的光伏农业系统三维模型,以种植区地表逐时太阳直射辐照度作为输入,通过光线投射法模拟分析光伏农业系统对太阳直射光线的遮挡和削弱。
本步骤中,通过光线投射法模拟分析光伏农业系统对太阳直射光线的遮挡和削弱的具体方法具体为:先获得一日内随时刻变化的真实太阳时角和光线向量,再通过平单轴跟踪光伏系统孔隙度计算,获得地面对太阳直射光线的遮挡面积,由此模拟分析出该时刻时平单轴跟踪光伏系统对太阳直射光线的遮挡和削弱。
S6、将地面获得的逐时太阳直射辐照度减去阴影遮挡和削弱数值,获得各种植区网格的有效DNI。本步骤中,逐时太阳直射辐照度即为每一个时刻的太阳直射辐照度。
S7、将作为有效DHI的太阳散射辐照度与有效DNI综合运算,获得各种植区网格的有效GHI,将有效GHI在时间上和空间上进行累计获得有效太阳辐射能量,并结合步骤S4获得的种植区网格获得该种植区一日所能获得的有效太阳辐射能量矩阵。
具体的,本实施方式中,有效GHI=有效DNI×COS(Φ)+有效DHI,Φ为太阳天顶角。
且,参照图6,本步骤中,将有效GHI在时间上进行累计的具体方法包括:
S71A、根据预先设定的光照分析时段,获取光照分析时段内种植区某网格的全部光照时刻ti,其中,1≤i≤m。
S72A、将光照分析时段划分为至少一个连续光照时段Tj,其中,1≤j≤n, n≤m,每个连续光照时段Tj内包括单独的一个光照时刻ti或至少两个相邻的光照时刻ti。
S73A、针对每一个连续光照时段Tj,记所述连续光照时段Tj内的光照时刻的数目为k,k≥1。
S74A、获取所述连续光照时段Tj内每一个光照时刻ti下所述待分析种植区某网格对应的有效GHI,记作I(ti)。
S75A、利用以下公式计算光照时段Tj内种植区某网格的有效太阳辐射能量 Wj。
参照图7,获得该种植区一日所能获得的有效太阳辐射能量矩阵的具体方法包括:
S71B、将步骤S4获得的种植区网格按照预设顺序生成一维数组。具体的,该一维数组的序号按照种植区网格编号的升序生成。
S72B、将按步骤S7生成的第一个网格的有效太阳辐射能量存入一维数组第一个位置。
S73B、一维数组序号加一,按照上一步将下一个网格的有效太阳辐射能存入一维数组第二个位置。
S74B、循环执行以上步骤,直到一维数组所有位置均存满数据。
S8、运用图形化工具,将有效太阳辐照能量矩阵转换成种植区全天太阳辐照量分布图。具体的,图8所示,为根据本方法获得的太阳辐照量分布图。
以下结合一个具体的实施例,对本发明做进一步解释。
本实施例中,云遮系数为体现云层变化规律的系数,其计算公式为:
再对种植区进行网格化,即将种植区划分为正方形网格模型。
再利用基于平单轴跟踪支架的光伏农业系统三维模型,以种植区地表逐时太阳直射辐照度作为输入,通过光线投射法模拟分析光伏农业系统对太阳直射光线的遮挡和削弱,将地面获得的逐时太阳直射辐照度减去阴影遮挡和削弱数值,获得各种植区网格的有效DNI。
本实施例中,设置n=96,即将一日划分为96个光照分析时段,并进一步将每一个光照分析时段划分为m个光照时刻。
本实施例中,根据以上公式,可获得各网格的每一日的有效太阳辐射能量 CgWp,然后将CgWp填充到对应的网格中,便可获得种植区每一日的有效太阳辐射能量矩阵;然后通过图像转化,便可获得种植区全天太阳辐照量分布图。
以上所述,仅为本发明涉及的较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于平单轴跟踪支架的光伏农业太阳辐射量分析方法,其特征在于,包括以下步骤:
S1、获取预测周期内每天的GHI数据作为晴空辐照度;
S2、采用天气转移概率矩阵,获取预测周期内每天的天气类型;并结合天气类型和晴空辐照度,获得预测周期内考虑天气因素和云层遮挡的太阳辐照度;
S3、根据考虑天气因素和云层遮挡的太阳辐照度,获得太阳直射辐照度和太阳散射辐照度;
S4、对种植区进行网格化建模;
S5、利用基于平单轴跟踪支架的光伏农业系统三维模型,以种植区地表逐时太阳直射辐照度作为输入,通过光线投射法模拟分析光伏农业系统对太阳直射光线的遮挡和削弱;
S6、将地面获得的逐时太阳直射辐照度减去阴影遮挡和削弱数值,获得各种植区网格的有效DNI;
S7、将作为有效DHI的太阳散射辐照度与有效DNI综合运算,获得各种植区网格的有效GHI,将有效GHI在时间上和空间上进行累计获得有效太阳辐射能量,并结合步骤S4获得的种植区网格获得该种植区一日所能获得的有效太阳辐射能量矩阵;
S8、运用图形化工具,将有效太阳辐照能量矩阵转换成种植区全天太阳辐照量分布图。
2.如权利要求1所述的基于平单轴跟踪支架的光伏农业太阳辐射量分析方法,其特征在于,步骤S1具体包括以下步骤:
S11A、获取预测日的气象因素和日期,并根据气象因素和日期获取与预测日相似度达到预设的相似阈值的历史日作为相似历史日;
S12A、获取各相似日的GHI数据,并通过对相似历史日数据的机器学习,获得输入为气象因素和日期,输出为GHI数据的BP神经网络并优化;
S13A、根据优化后的BP神经网络获取预测日的GHI数据作为晴空辐照度。
或者,步骤S1具体包括:
S11B、根据当地地理坐标、海拔高度和天数,通过计算得到该地区的平太阳时、真太阳时、太阳赤角、日出日落时角、太阳高度角、太阳入射角;
S12B、计算太阳光进入大气层之外的辐射强度,根据步骤S11B得到的数据计算太阳光穿过大气时的直射辐射透明度系数和散射透明度系数,进而得到太阳直射辐射强度和散射辐射强度;
S13B、结合太阳直射辐射强度和散射辐射强度,计算获得总太阳辐射强度晴空辐照度。
3.如权利要求1所述的基于平单轴跟踪支架的光伏农业太阳辐射量分析方法,其特征在于,步骤S2具体包括以下步骤:
S21、把天气类型分为晴天、多云、阴天、雨天,建立四种天气类型转移模型;获取该地区一年内的历史天气状况,进行统计分析得到天气转移概率矩阵,根据第一天的四种天气类型分别发生的概率与天气转移概率矩阵相乘即得到第二天的四种天气类型的发生概率,再与天气转移概率矩阵相乘即为第三天的天气发生概率,以此类推可以预测出全年每一天的四种天气发生的概率,然后进行随机抽样便得到每天的天气类型;
S22、对应每一个天气类型预设有一个比例系数;根据步骤S21得到的天气类型,在当天的晴空辐照度上乘以对应的比例系数,获取考虑天气因素的太阳辐照度;
S23、获取该地区一年内的历史大气云量数据,以第一时间为间隔对前后相邻时刻云量进行比较,其波动的规律通过云遮系数体现,然后对全年每天求出来的所有云遮系数按照天气类型划分成四类,再对各类中云遮系数的正值与负值分别取平均值,将负值的平均值和正值的平均值之间的区间定义为云遮系数波动范围;1min≦第一时间≦15min;
S24、针对不同的天气类型,在云遮系数波动范围内进行随机抽样,每间隔第一时间抽样得到一个云遮系数,将该时刻的云遮系数与上一时刻考虑天气因素的太阳辐照度相乘再加上该时刻考虑天气因素的太阳辐照度,即为该时刻考虑天气因素和云层遮挡引起的波动变化的太阳辐照度;
S25、循环步骤S22到S24,通过时刻的累加获得当天的太阳辐照度时序序列;
S26、循环步骤S21到S25,通过天数的累加获得预测周期内每一天的太阳辐照度时序序列。
4.如权利要求3所述的基于平单轴跟踪支架的光伏农业太阳辐射量分析方法,其特征在于,步骤S3具体包括以下步骤:
S31、获取该地区历史太阳辐照度数据、历史太阳直射辐照度数据、历史太阳散射辐照度数据和历史天气数据;
S32、通过对上一步获得的历史数据的机器学习,获得输入为太阳辐照度和天气类型,输出为太阳直射辐照度和太阳散射辐照度的神经网络模型并优化;
S33、将步骤S24获得的某时刻太阳辐照度与当天的天气类型输入上一步优化后的神经网络,获得该时刻太阳直射辐照度和该时刻太阳散射辐照度。
5.如权利要求4所述的基于平单轴跟踪支架的光伏农业太阳辐射量分析方法,其特征在于,步骤S32中对神经网络模型进行优化具体包括:
通过训练历史数据,根据神经网络模型输出的太阳直射辐照度和太阳散射辐照度计算太阳辐照度预测值,将太阳辐照度预测值与输入神经网络模型的太阳辐照度进行比较,根据两者之间的差值判断神经网络模型的计算误差是否处于预设的允差范围内;是,则结束训练;否,则重新训练神经网络模型。
6.如权利要求5所述的基于平单轴跟踪支架的光伏农业太阳辐射量分析方法,其特征在于,当超过10%的历史数据误差范围超过5%,则重新训练神经网络模型;当高于90%的历史数据误差在5%以内,则结束训练。
7.如权利要求1所述的基于平单轴跟踪支架的光伏农业太阳辐射量分析方法,其特征在于,步骤S5中,通过光线投射法模拟分析光伏农业系统对太阳直射光线的遮挡和削弱的具体方法为:先获得一日内随时刻变化的真实太阳时角和光线向量,再通过平单轴跟踪光伏系统孔隙度计算,获得地面对太阳直射光线的遮挡面积,由此模拟分析出该时刻时平单轴跟踪光伏系统对太阳直射光线的遮挡和削弱。
8.如权利要求1所述的基于平单轴跟踪支架的光伏农业太阳辐射量分析方法,其特征在于,步骤S7中,将有效GHI在时间上进行累计的具体方法包括:
S71A、根据预先设定的光照分析时段,获取光照分析时段内种植区某网格的全部光照时刻ti,其中,1≤i≤m;
S72A、将光照分析时段划分为至少一个连续光照时段Tj,其中,1≤j≤n,n≤m,每个连续光照时段Tj内包括单独的一个光照时刻ti或至少两个相邻的光照时刻ti;
S73A、针对每一个连续光照时段Tj,记所述连续光照时段Tj内的光照时刻的数目为k,k≥1;
S74A、获取所述连续光照时段Tj内每一个光照时刻ti下所述待分析种植区某网格对应的有效GHI,记作I(ti);
S75A、利用以下公式计算光照时段Tj内种植区某网格的有效太阳辐射能量Wj;
9.如权利要求8所述的基于平单轴跟踪支架的光伏农业太阳辐射量分析方法,其特征在于,获得该种植区一日所能获得的有效太阳辐射能量矩阵的具体方法包括:
S71B、将步骤S4获得的种植区网格按照预设顺序生成一维数组;
S72B、将按步骤S7生成的第一个网格的有效太阳辐射能量存入一维数组第一个位置;
S73B、一维数组序号加一,按照上一步将下一个网格的有效太阳辐射能存入一维数组第二个位置;
S74B、循环执行以上步骤,直到一维数组所有位置均存满数据。
10.如权利要求9所述的基于平单轴跟踪支架的光伏农业太阳辐射量分析方法,其特征在于,该一维数组的序号按照种植区网格编号的升序生成;且步骤S4中,网格化建模采用规则四方矩形网格模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911212024.2A CN111121956A (zh) | 2019-12-02 | 2019-12-02 | 基于平单轴跟踪支架的光伏农业太阳辐射量分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911212024.2A CN111121956A (zh) | 2019-12-02 | 2019-12-02 | 基于平单轴跟踪支架的光伏农业太阳辐射量分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111121956A true CN111121956A (zh) | 2020-05-08 |
Family
ID=70496461
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911212024.2A Pending CN111121956A (zh) | 2019-12-02 | 2019-12-02 | 基于平单轴跟踪支架的光伏农业太阳辐射量分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111121956A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114472424A (zh) * | 2021-12-22 | 2022-05-13 | 上海电气分布式能源科技有限公司 | 一种光伏清扫机器人的智能调控方法及系统 |
CN117396733A (zh) * | 2021-04-28 | 2024-01-12 | 胜科工业有限公司 | 一种用于估计落在光伏串上的太阳辐照度的系统、计算设备和方法 |
CN117498770A (zh) * | 2023-12-29 | 2024-02-02 | 江西联合能源有限公司 | 基于农光互补的太阳能光伏发电系统 |
WO2024067634A1 (zh) * | 2022-09-27 | 2024-04-04 | 天合光能股份有限公司 | 多辐照计识别天气状态的方法和设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942420A (zh) * | 2014-04-08 | 2014-07-23 | 北京大学 | 一种建筑物尺度的太阳能快速估算方法 |
CN104778316A (zh) * | 2015-04-01 | 2015-07-15 | 浙江理工大学 | 一种基于建筑信息模型的光伏发电设备辐射分析方法 |
CN106355243A (zh) * | 2016-08-23 | 2017-01-25 | 河海大学常州校区 | 一种基于神经网络的水平面太阳直射散射计算系统及方法 |
CN106886670A (zh) * | 2015-12-10 | 2017-06-23 | 中国科学院深圳先进技术研究院 | 面向城市绿地规划的日照阴影分析方法 |
CN108593100A (zh) * | 2018-03-23 | 2018-09-28 | 吉林大学 | 月球表面太阳辐射分析方法 |
CN109344491A (zh) * | 2018-09-27 | 2019-02-15 | 河北工业大学 | 一种考虑天气状态变化和云层遮挡的太阳辐照度建模方法 |
-
2019
- 2019-12-02 CN CN201911212024.2A patent/CN111121956A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942420A (zh) * | 2014-04-08 | 2014-07-23 | 北京大学 | 一种建筑物尺度的太阳能快速估算方法 |
CN104778316A (zh) * | 2015-04-01 | 2015-07-15 | 浙江理工大学 | 一种基于建筑信息模型的光伏发电设备辐射分析方法 |
CN106886670A (zh) * | 2015-12-10 | 2017-06-23 | 中国科学院深圳先进技术研究院 | 面向城市绿地规划的日照阴影分析方法 |
CN106355243A (zh) * | 2016-08-23 | 2017-01-25 | 河海大学常州校区 | 一种基于神经网络的水平面太阳直射散射计算系统及方法 |
CN108593100A (zh) * | 2018-03-23 | 2018-09-28 | 吉林大学 | 月球表面太阳辐射分析方法 |
CN109344491A (zh) * | 2018-09-27 | 2019-02-15 | 河北工业大学 | 一种考虑天气状态变化和云层遮挡的太阳辐照度建模方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117396733A (zh) * | 2021-04-28 | 2024-01-12 | 胜科工业有限公司 | 一种用于估计落在光伏串上的太阳辐照度的系统、计算设备和方法 |
CN114472424A (zh) * | 2021-12-22 | 2022-05-13 | 上海电气分布式能源科技有限公司 | 一种光伏清扫机器人的智能调控方法及系统 |
CN114472424B (zh) * | 2021-12-22 | 2024-04-05 | 上海电气分布式能源科技有限公司 | 一种光伏清扫机器人的智能调控方法及系统 |
WO2024067634A1 (zh) * | 2022-09-27 | 2024-04-04 | 天合光能股份有限公司 | 多辐照计识别天气状态的方法和设备 |
CN117498770A (zh) * | 2023-12-29 | 2024-02-02 | 江西联合能源有限公司 | 基于农光互补的太阳能光伏发电系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111121956A (zh) | 基于平单轴跟踪支架的光伏农业太阳辐射量分析方法 | |
Alonso-Montesinos et al. | Solar irradiance forecasting at one-minute intervals for different sky conditions using sky camera images | |
Dazhi et al. | The estimation of clear sky global horizontal irradiance at the equator | |
CN113378459B (zh) | 基于卫星和物联网信息的光伏电站超短期功率预测方法 | |
CN109460532B (zh) | 一种太阳直接辐射遥感计算方法和装置 | |
US20150234943A1 (en) | Shade calculation for solar installation | |
CN107133685B (zh) | 光伏发电系统发电量的预测方法及预测系统 | |
Hussein et al. | Estimation of hourly global solar radiation in Egypt using mathematical model | |
Hatanaka et al. | Diffusion models for high-resolution solar forecasts | |
CN110781458B (zh) | 一种基于混合回归模型预测地表太阳辐照度的方法 | |
Laslett et al. | A method for generating synthetic hourly solar radiation data for any location in the south west of Western Australia, in a world wide web page | |
CN117374956A (zh) | 一种针对综合能源站光伏发电的短期预测方法 | |
Andres et al. | Time‐varying, ray tracing irradiance simulation approach for photovoltaic systems in complex scenarios with decoupled geometry, optical properties and illumination conditions | |
Vega-Garita et al. | A practical method for considering shading on photovoltaics systems energy yield | |
Nou et al. | Clear-sky irradiance model for real-time sky imager application | |
Cebecauer et al. | High-resolution digital elevation model for improved PV yield estimates | |
Espejo et al. | Photovoltaic power production estimation based on numerical weather predictions | |
Kwon et al. | Estimation of Singapore’s hourly solar radiation using hybrid-Markov transition matrices method | |
CN116260141B (zh) | 一种光伏电站功率的重构方法、系统及重构终端 | |
Ohabuiro et al. | Global Solar Radiation Modelling using an Artificial Neural Network for Kazaure, Jigawa State, Nigeria | |
KR102463520B1 (ko) | 음영을 고려하여 일사량을 산출하기 위한 장치 및 그 방법 | |
Wendlandt et al. | Photovoltaic energy yield prediction using an irradiance forecast model based on machine learning for decentralized energy systems | |
CN110610262B (zh) | 一种计及天气要素的长时间尺度光伏时序出力生成方法 | |
TW201715255A (zh) | 太陽日照短期預測系統及其運作方法 | |
Gulben et al. | Solar Power Resource Assessment Using Light Detection and Ranging Data and Open Source Geographic Information System |
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: 20200508 |