CN111445036A - 光伏电站清洗频率的动态调整方法及存储介质 - Google Patents

光伏电站清洗频率的动态调整方法及存储介质 Download PDF

Info

Publication number
CN111445036A
CN111445036A CN202010160551.XA CN202010160551A CN111445036A CN 111445036 A CN111445036 A CN 111445036A CN 202010160551 A CN202010160551 A CN 202010160551A CN 111445036 A CN111445036 A CN 111445036A
Authority
CN
China
Prior art keywords
power
photovoltaic
panel array
photovoltaic panel
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.)
Granted
Application number
CN202010160551.XA
Other languages
English (en)
Other versions
CN111445036B (zh
Inventor
徐斐
包文中
夏潇
徐建荣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Ruide En Industrial Internet Of Things Technology Co ltd
Original Assignee
Suzhou Ruide En Industrial Internet Of Things Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou Ruide En Industrial Internet Of Things Technology Co ltd filed Critical Suzhou Ruide En Industrial Internet Of Things Technology Co ltd
Priority to CN202010160551.XA priority Critical patent/CN111445036B/zh
Publication of CN111445036A publication Critical patent/CN111445036A/zh
Application granted granted Critical
Publication of CN111445036B publication Critical patent/CN111445036B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02B—BOARDS, SUBSTATIONS OR SWITCHING ARRANGEMENTS FOR THE SUPPLY OR DISTRIBUTION OF ELECTRIC POWER
    • H02B3/00—Apparatus specially adapted for the manufacture, assembly, or maintenance of boards or switchgear
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Power Engineering (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本发明提供一种光伏电站清洗频率的动态调整方法及存储介质，本发明先通过将每日清洗的光伏阵列功率数据预测得到的标准功率，并再使用每日清洗的光伏阵列与不清洗的光伏阵列之间的功率差进行学习并预测得到功率差百分比的数据，所述功率差变化代表该地区光伏面板发电效率受灰尘的影响情况；采集面板得到实时功率并计算与对应标准功率的功率差百分比，并通过比较两次百分比的大小，判定是否需要清洗。该清洗频次的调整方法通过功率差的比较，增加了判定的可靠性，并且可以降低清洗成本，同时增加净收益。并且在预测的时候，样本中加入空气数据，使得预测的结果更加的准确，排除天气的突发情况对面板功率的影响。

Description

光伏电站清洗频率的动态调整方法及存储介质
技术领域
本发明光伏发电技术领域，尤其涉及一种光伏电站清洗频率的动态调整方法及存储介质。
背景技术
现有技术对光伏电站的维护，通过对光伏电站上灰尘进行清洗后，能够显著提高发电效率，挽回损失的效益。但是，因为灰尘遮蔽损失的电量，很难通过传统的电学监测手段进行计算和估量；并且现有技术中，无法统计灰尘的变化，在判定的时候多数为人工判定或都是统一进行高频此的清洗，这增加的人工成本以及清洗成本。
现有技术情况下，第一，通常直接得到的发电量随着时间变化曲线图，在数据处理之前，数据息量往往被较多的复杂因素掩盖，包括温度，辐照度等等因素。很难通过清洗前后的数据对比得到直接的证据。第二，光伏面板组件和阵列的故障原因较多，而且很难区分判断；运行时间较长的电站，组件的均一性也往往比较差。这就对清洗前后数据对比的准确性造成了非常大的影响。
以上两个原因对光伏电站的发电量造成的影响最多。其中，第一个原因属于不可控因素，在理论上可以通过大量的数据分析进行建模，从而剔除外界环境的影响，计算出光伏组件的基本性能。而第二部分属于可控因素，但是大型电站很难对各种故障进行彻底的排查和修复，只能通过发电总量和运行历史进行一些估算。这就造成了光伏运维的一个特有的难题：电站的清洗和运行维护，其产生的价值很难定量计算。
发明内容
本发明提供提出一种光伏电站清洗频率的动态调整方法及存储介质，用以对光伏电站清洗频率进行判断，并且可以有效的减少清洗成本。
本发明提供一种光伏电站清洗频率的动态调整方法，包括：获取步骤，分别获取第一光伏面板阵列、第二光伏面板阵列的在一历史时间段的功率，所述第一光伏面板阵列为不做任何清洗维护的面板阵列，所述第二光伏面板阵列为每日清洗的面板阵列；第一预测步骤，对所述第二光伏面板阵列的历史时间段的功率进行拟合并预测得到第一时间序列的标准功率，所述第一时间序列晚于所述历史时间段；第一数据处理步骤，将所述第二光伏面板阵列的历史时间段的功率与所述第一光伏面板阵列的在所述历史时间段的功率相减得到在所述历史时间段的功率差；第二数据处理步骤，将所述历史时间段的功率差除以相应的第二光伏面板阵列的历史时间段的功率得到第一功率百分比；第二预测步骤，对所述历史时间段的第一功率百分比拟合并预测得到所述第一时间序列的第一功率百分比；采集步骤，采集某一时刻的第三光伏面板阵列一面板的功率，所述某一时刻包含于所述第一时间序列；第三数据处理步骤，将所述某一时刻对应预测的标准功率与所述面板的功率相减得到某一时刻的功率差；第四数据处理步骤，将所述某一时刻的功率差除以相应的所述第一时间序列的标准功率得到第二功率百分比；第一判断步骤，判断所述第二功率百分比是否大于所述第一功率百分比与一比例系数的乘积，若是，则判定所述第三光伏面板阵列需要被清洗，若否，则判定所述第三光伏面板阵列无需清洗。
进一步地，所述第一预测步骤使用最小二乘法进行数据拟合；和/或，所述第二预测步骤使用最小二乘法进行数据拟合。
进一步地，所述光伏电站清洗频率的动态调整方法还包括：汇总步骤，统计所述某一时刻该第三光伏面板阵列的清洗频率；成本计算步骤，根据第三光伏面板阵列在所述某一时刻的发电总功率以及该第三光伏面板阵列的清洗成本，计算第三光伏面板阵列的收益成本。
进一步地，所述第一预测步骤使用机器学习方法进行数据拟合并预测。
进一步地，所述第一预测步骤具体包括：第一样本分类步骤，将第一样本数据随机分成第一训练样本及第一测试样本两类，所述第一样本数据包括第二光伏面板阵列的历史时间段的功率；第一初级模型构建步骤，利用所述第一训练样本训练并构建第一初级模型；第一验证步骤，将所述第一测试样本输入至所述第一初级模型进行验证；第一初级模型优化步骤，根据所述第一验证步骤的验证结果对所述第一初级模型进行优化得到所述预测模型；第一输出步骤，输入部分连续的所述第二光伏面板阵列的历史时间段的功率得到所述第一时间序列的标准功率。
进一步地，所述第一验证步骤具体包括：第一输入测试样本步骤，输入X个测试样本至所述初级模型，获取X个预测结果；第一比对步骤，将所述X个预测结果与所述X个测试样本的X个发电功率比较，统计与所述发电功率差异超过一定阈值的预测结果的个数Y；第一计算步骤，计算第一预测的错误率，对模型进行评估，所述第一预测的错误率为Y与测试样本的样本数X的比值。
进一步地，所述第二预测步骤使用机器学习方法进行数据拟合并预测。
进一步地，所述第二预测步骤具体包括：第二样本分类步骤，将第二数据样本随机分成第二训练样本及第二测试样本两类，所述第二数据样本包括历史时间段的第一功率百分比；第二初级模型构建步骤，利用所述第二训练样本训练并构建第二初级模型；第二验证步骤，将所述第二测试样本输入至所述第二初级模型进行验证；第二初级模型优化步骤，根据所述第二验证步骤的验证结果对所述第二初级模型进行优化得到所述第二预测模型；第二输出步骤，输入部分连续的所述历史时间段的第一功率百分比得到所述第一时间序列的第一功率百分比。
进一步地，所述第二验证步骤具体包括：第二输入测试样本步骤，输入M个测试样本至所述初级模型，获取M个预测结果；第二比对步骤，将所述M个预测结果与所述M个测试样本的M个发电功率比较，统计与所述发电功率差异超过一定阈值的预测结果的个数N；第二计算步骤，计算第二预测的错误率，对模型进行评估，第二预测的错误率为N与测试样本的样本数M的比值。
进一步地，所述历史时间段的时间长度大于等于12个月。
进一步地，所述第一数据样本还包括每日的空气质量数据。
进一步地，所述第二数据样本还包括每日的空气质量数据。
进一步地，所述光伏电站清洗频率的动态调整方法还包括：监控步骤，根据所述第二功率百分比以及实时的空气质量数据，监控每一光伏面板的灰尘积累情况。
本发明还提供一种存储介质，存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行所述的光伏电站清洗频率的动态调整方法步骤。。
本发明的有益效果是：本发明提供一种光伏电站清洗频率的动态调整方法及存储介质，本发明通过将每日清洗的光伏阵列功率数据预测得到的标准功率，并再次使用每日与不清洗之间的功率差预测得到第一时间序列的功率差百分比的数据，功率差代表该地区受灰尘的影响情况，采集面板得到某一时刻的功率并计算与对应标准功率的功率差百分比，并通过比较两次功率差百分比的大小，判定是否需要清洗。该清洗频次的调整方法，通过使用功率差这一特征进行判定提高判定的准确性，可以降低清洗成本同时增加净收益。并且在预测的时候，样本中加入空气数据，使得预测的结果更加的准确，排除天气的突发情况对面板功率的影响。
附图说明
下面结合附图，通过对本发明的具体实施方式详细描述，将使本发明的技术方案及其它有益效果显而易见。
图1为本发明提供的光伏电站清洗频率的动态调整方法的流程图。
图2为本发明提供的第一预测步骤的流程图。
图3为本发明提供的第一验证步骤的流程图。
图4为本发明提供的第二预测步骤的流程图。
图5为本发明提供的第二验证步骤的流程图。
图6为本发明提供的应用实施例的结构功能图。
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，本领域技术人员在没有作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。
在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
下文的公开提供了许多不同的实施方式或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。当然，它们仅仅为示例，并且目的不在于限制本发明。此外，本发明可以在不同例子中重复参考数字和/或参考字母，这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施方式和/或设置之间的关系。此外，本发明提供了的各种特定的工艺和材料的例子，但是本领域普通技术人员可以意识到其他工艺的应用和/或其他材料的使用。
如图1所示，本发明提供一种处理器执行的光伏电站清洗频率的动态调整方法，其特征在于，包括如下S1～S12。
S1、获取步骤，分别获取第一光伏面板阵列、第二光伏面板阵列的在一历史时间段的功率。所述第一光伏面板阵列为不做任何清洗维护的面板阵列，所述第二光伏面板阵列为每日清洗的面板阵列，每日晚上每块面板清洗一次。
所述第一光伏面板阵列以及所述第二光伏面板阵列分别包含多块阵列分布的面板，两组阵列皆作为本发明的对照组；所述第一光伏面板阵列采集得到的功率变化与光伏电站的灰尘积累以及面板自身的老化程度有关，而所述第二光伏面板阵列功率变化与面板自身的老化程度有关。
本发明通过设计这两组对照组，根据实时采集的功率判定是否清洗，这可以减小清洗成本，并且增加净收益。
本发明所使用的功率数据皆为第一光伏面板阵列以及第二光伏面板阵列的面板的平均功率，可以是瞬时功率或每天的功率数据(正常皆是白天时间)。
S2、第一预测步骤，对所述第二光伏面板阵列的历史时间段的功率进行拟合并预测得到第一时间序列的标准功率，所述第一时间序列晚于所述历史时间段。
在一实施例中，所述第一预测步骤使用机器学习方法进行数据拟合并预测。
具体地，如图2所示，所述第一预测步骤具体包括S201～S205。
S201、第一样本分类步骤，将第一样本数据随机分成第一训练样本及第一测试样本两类，所述第一样本数据包括第二光伏面板阵列的历史时间段的功率。
所述第一数据样本还包括每日的空气质量数据，所述空气质量数据包括天气情况以及能见度。所述历史时间段的间隔优先12个月，因为光伏面板的功率受光照强度与天气状况影响，所以用季节变化的功率数据进行预测，可以得到完备的功率值。
所述空气质量数据加入使得数据样本的可靠性增加，如果在阴天或能见度较低的情况下，功率值会有所降低，但这并不能直接反应该面板的性能情况。
S202、第一初级模型构建步骤，利用所述第一训练样本训练并构建第一初级模型。
S203、第一验证步骤，将所述第一测试样本输入至所述第一初级模型进行验证。
S204、第一初级模型优化步骤，根据所述第一验证步骤的验证结果对所述第一初级模型进行优化得到所述预测模型。
S205、第一输出步骤，输入部分连续的所述第二光伏面板阵列的历史时间段的功率得到所述第一时间序列的标准功率。
所述标准功率是本发明通过第二光伏面板阵列的历史时间段的功率数据进行建模学习得到，而进行预测得到的标准功率仅仅受空气与面板老化程度影响，而在样本集中增加空气数据可以将预测结果排除空气影响。
如图3所示，所述第一验证步骤具体包括S2031～S2033。
S2031、第一输入测试样本步骤，输入X个测试样本至所述初级模型，获取X个预测结果。
S2032、第一比对步骤，将所述X个预测结果与所述X个测试样本的X个发电功率比较，统计与所述发电功率差异超过一定阈值的预测结果的个数Y。
S2033、第一计算步骤，计算第一预测的错误率，对模型进行评估，所述第一预测的错误率为Y与测试样本的样本数X的比值。
S3、第一数据处理步骤，将所述第二光伏面板阵列的历史时间段的功率与所述第一光伏面板阵列在所述历史时间段的功率相减得到在所述历史时间段的功率差。
所述功率差数据仅与灰尘积累情况与空气数据有关系。
S4、第二数据处理步骤，将所述历史时间段的功率差除以相应的第二光伏面板阵列的历史时间段的功率得到第一功率百分比。
S5、第二预测步骤，对所述历史时间段的第一功率百分比拟合并预测得到所述第一时间序列的第一功率百分比。
在一实施例中，所述第二预测步骤使用机器学习方法进行数据拟合并预测。
具体地，如图4所示，所述第二预测步骤具体包括S501～S505。
S501、第二样本分类步骤，将第二数据样本随机分成第二训练样本及第二测试样本两类，所述第二数据样本包括历史时间段的第一功率百分比。
所述第二数据样本还包括每日的空气质量数据，所述空气质量数据包括天气情况以及能见度。
S502、第二初级模型构建步骤，利用所述第二训练样本训练并构建第二初级模型。
S503、第二验证步骤，将所述第二测试样本输入至所述第二初级模型进行验证。
S504、第二初级模型优化步骤，根据所述第二验证步骤的验证结果对所述第二初级模型进行优化得到所述第二预测模型。
S505、第二输出步骤，输入部分连续的所述历史时间段的第一功率百分比得到所述第一时间序列的第一功率百分比。
所述第二预测步骤得到的预测模型针对功率差这一特征因子，并辅以空气数据特征因子进行数据预测，可以得到第一时间序列的面板的老化程度。
如图5所示，所述第二验证步骤具体包括S5031～S5033。
S5031、第二输入测试样本步骤，输入M个测试样本至所述初级模型，获取M个预测结果。
S5032、第二比对步骤，将所述M个预测结果与所述M个测试样本的M个发电功率比较，统计与所述发电功率差异超过一定阈值的预测结果的个数N。
S5033、第二计算步骤，计算第二预测的错误率，对模型进行评估，第二预测的错误率为N与测试样本的样本数M的比值。
S6、采集步骤，采集某一时刻的第三光伏面板阵列一面板的功率，所述某一时刻包含于所述第一时间序列。
所述第三光伏面板阵列对应发电站内的工作区，而在工作区内每块面板的性能皆不同，在清洗的时候为了减小成本，不应全部清洗，因此需要将每块面板灰尘积累情况进行判定。
S7、第三数据处理步骤，将所述某一时刻对应预测的标准功率与所述面板的功率相减得到某一时刻的功率差。
S8、第四数据处理步骤，将所述某一时刻的功率差除以相应的所述第一时间序列的标准功率得到第二功率百分比。
S9、第一判断步骤，判断所述第二功率百分比是否大于所述第一功率百分比与一比例系数的乘积，若是，则判定所述第三光伏面板阵列需要被清洗，若否，则判定所述第三光伏面板阵列无需清洗。
因为需要清洗的情况下，第二功率百分比大于第一功率百分比，所述比例系数为1～1.25。而中间的0.25区间范围内的第二功率百分比会和第一功率百分比非常接近，但是不能定性的进行直接判定，需要通过空气数据进行再判定，因为阴天情况的功率明显会降低。
本方案先通过将每日清洗的光伏阵列功率数据预测得到的标准功率，并再次使用每日与不清洗之间的功率差预测得到功率差百分比的数据，即该地区受灰尘的影响情况，通过功率差这一数据特征进行判定可以提高判定的准确性，通过采集面板得到实时功率并计算与对应标准功率的百分比，并通过比较两次百分比的大小，判定是否需要清洗。
并且在预测的时候，加入空气数据，使得预测的结果更加的准确，排除天气的突发情况对面板功率的影响。
S10、汇总步骤，统计所述某一时刻该第三光伏面板阵列的清洗频率。
所述汇总步骤中，针对每一块面板不同的功率差(即灰尘积累情况)进行判定，进而得到部分需要清洗的面板，进而通过如下的成本计算可以减小清洗成本，增加净收益。
S11、成本计算步骤，根据第三光伏面板阵列在所述某一时刻的发电总功率以及该第三光伏面板阵列的清洗成本，计算第三光伏面板阵列的收益成本。
S12、监控步骤，根据所述第二功率百分比以及实时的空气质量数据，监控每一光伏面板的灰尘积累情况。
具体地，在进行灰尘积累评定的时候，因为第二功率百分比即为电量差的百分比，既可以代表一般的灰尘累计情况，功率差越大，灰尘积累越严重。
并且所述监控步骤通过建设面板云管理平台，对面板科学管理，预测未来的老化情况，在下一时刻可以进行维修或保养，防止该面板在下一时刻发生故障。
在另一实施例中，所述第一预测步骤使用最小二乘法进行数据拟合；和/或，所述第二预测步骤使用最小二乘法进行数据拟合。
本发明还提供一种存储介质，存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行所述的方法步骤。
本发明还可以根据第一预测步骤的预测结果进行面板的性能预估，对面板在下一时刻进行参数调整，使该面板的性能提高。
本发明提供一种光伏电站清洗频率的动态调整方法，本发明通过将每日清洗的光伏阵列功率数据预测得到的第一时间序列的标准功率，并再次使用每日与不清洗之间的功率差预测得到第一时间序列的功率差百分比的数据，功率差即代表该地区受灰尘的影响情况；采集面板得到某一时刻(包含于第一时间序列)的功率并计算与对应标准功率的功率差百分比，并通过比较两次功率差百分比的大小，得到面板的老化情况，判定是否需要清洗。该清洗频次的调整方法判定准确，并且可以降低清洗成本，同时增加净收益。同时在进行第一预测以及第二预测的时候，加入空气数据，使得预测的结果更加的准确，排除天气的突发情况对面板功率的影响。
本发明还可以根据第一预测步骤得到的功率进行面板的自身性能预估，预测面板的老化情况，及时更换严重老化或损害(如热斑)的面板，防止对整体组串的发电造成影响。
本发明还提供一种存储介质，存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行所述的光伏电站清洗频率的动态调整方法步骤。
另外，如图6所示，本发明还提供一种应用例，具体为一种光伏电站的管理系统，其包括第一光伏面板阵列110、第二光伏面板阵列120、第三光伏面板阵列130以及控制系统140。
所述第一光伏面板阵列110为不做任何清洗维护的面板阵列，所述第二光伏面板阵列120为每日清洗的面板阵列。所述第三光伏面板阵列130为一发电站的工作区，用以根据第一光伏面板阵列110、第二光伏面板阵列120对第三光伏面板阵列130进行清洗频次的调整。
所述控制系统140包括传感器管理单元1401、摄像头控制单元1402、气象站管理单元1403、轨道清洗控制单元1404、电源管理单元1405以及通信模块1406。
所述第一光伏面板阵列110以及所述第二光伏面板阵列120分别包含多块阵列分布的面板，两组阵列皆作为第三光伏面板阵列130的对照组。
所述第一光伏面板阵列110采集得到的功率变化与天气、光伏电站的灰尘积累以及面板自身的老化程度有关，而所述第二光伏面板阵列120功率变化与天气以及面板自身的老化程度有关。
所述第一光伏面板阵列110、所述第二光伏面板阵列120以及所述第三光伏面板阵列130上安装温度传感器1102、微型逆变器1101以及霍尔传感器。
所述温度传感器1102、所述微型逆变器1101、所述霍尔传感器由传感器管理单元1401统一管理，温度传感器1102用于收集面板温度数据，微型逆变器1101以及霍尔传感器可以获取面板的实时电压电流数据；所述传感器管理单元1401用以采集所有传感器的数据。
所述光伏电站的管理系统还包括轨道清洗装置1103、摄像头以及气象站。
所述轨道清洗装置1103分别安装于第一光伏面板阵列110、第二光伏面板阵列120以及第三光伏面板阵列130的四周，由所述轨道清洗控制单元1404进行控制，所述轨道清洗装置1103通过控制机器人在轨道上相对运动并对面板阵列进行清洗。
所述摄像头由所述摄像头控制单元1402管理。所述摄像头用以实时监控光伏面板阵列。摄像头可以拍摄面板表面情况，进行灰尘积累的判定。
所述气象站由所述气象站管理单元1403管理控制，用以获取环境空气数据，所述空气数据包括温度以及观察站附近的辐照度等。
所述控制系统140连接电源，由所述电源管理模块1405进行管理并充电。一般电源由220v输出或直流输出，用以使所述光伏电站的管理系统进行工作。所述电源供传感器、清洗机器人、控制系统140等模块使用。白天面板进行发电，给电源充电，晚上电源供给机器人对面板进行清洗。
所述通信模块1406用已将采集到的传感器数据发送至服务器上。所述通信模块包括有线的以太网或无线的Wifi、3g/4g等数据传输方式。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
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技术方案及其核心思想；本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例的技术方案的范围。

Claims (14)

1.一种光伏电站清洗频率的动态调整方法，其特征在于，包括：
获取步骤，分别获取第一光伏面板阵列、第二光伏面板阵列在一历史时间段的功率，所述第一光伏面板阵列为不做任何清洗的面板阵列，所述第二光伏面板阵列为每日清洗的面板阵列；
第一预测步骤，对所述第二光伏面板阵列的历史时间段的功率进行拟合并预测得到第一时间序列的标准功率，所述第一时间序列晚于所述历史时间段；
第一数据处理步骤，将所述第二光伏面板阵列的历史时间段的功率与所述第一光伏面板阵列在所述历史时间段的功率相减得到在所述历史时间段的功率差；
第二数据处理步骤，将所述历史时间段的功率差除以相应的第二光伏面板阵列的历史时间段的功率得到第一功率百分比；
第二预测步骤，对所述历史时间段的第一功率百分比拟合并预测得到所述第一时间序列的第一功率百分比；
采集步骤，采集某一时刻的第三光伏面板阵列一面板的功率，所述某一时刻包含于所述第一时间序列；
第三数据处理步骤，将所述某一时刻对应预测的标准功率与所述面板的功率相减得到某一时刻的功率差；
第四数据处理步骤，将所述某一时刻的功率差除以相应的所述第一时间序列的标准功率得到第二功率百分比；
第一判断步骤，判断所述第二功率百分比是否大于所述第一功率百分比与一比例系数的乘积，若是，则判定所述第三光伏面板阵列需要被清洗，若否，则判定所述第三光伏面板阵列无需清洗。
2.如权利要求1所述的光伏电站清洗频率的动态调整方法，其特征在于，
所述第一预测步骤使用最小二乘法进行数据拟合；和/或，
所述第二预测步骤使用最小二乘法进行数据拟合。
3.如权利要求1所述的光伏电站清洗频率的动态调整方法，其特征在于，还包括：
汇总步骤，统计所述某一时刻该第三光伏面板阵列的清洗频率；
成本计算步骤，根据第三光伏面板阵列在所述某一时刻的发电总功率以及该第三光伏面板阵列的清洗成本，计算第三光伏面板阵列的收益成本。
4.如权利要求1所述的光伏电站清洗频率的动态调整方法，其特征在于，
所述第一预测步骤使用机器学习方法进行数据拟合并预测。
5.如权利要求1所述的光伏电站清洗频率的动态调整方法，其特征在于，
所述第一预测步骤具体包括：
第一样本分类步骤，将第一样本数据随机分成第一训练样本及第一测试样本两类，所述第一样本数据包括第二光伏面板阵列的历史时间段的功率；
第一初级模型构建步骤，利用所述第一训练样本训练并构建第一初级模型；
第一验证步骤，将所述第一测试样本输入至所述第一初级模型进行验证；
第一初级模型优化步骤，根据所述第一验证步骤的验证结果对所述第一初级模型进行优化得到所述预测模型；
第一输出步骤，输入部分连续的所述第二光伏面板阵列的历史时间段的功率得到所述第一时间序列的标准功率。
6.如权利要求5所述的光伏电站清洗频率的动态调整方法，其特征在于，
所述第一验证步骤具体包括：
第一输入测试样本步骤，输入X个测试样本至所述初级模型，获取X个预测结果；
第一比对步骤，将所述X个预测结果与所述X个测试样本的X个发电功率比较，统计与所述发电功率差异超过一定阈值的预测结果的个数Y；
第一计算步骤，计算第一预测的错误率，对模型进行评估，所述第一预测的错误率为Y与测试样本的样本数X的比值。
7.如权利要求1所述的光伏电站清洗频率的动态调整方法，其特征在于，
所述第二预测步骤使用机器学习方法进行数据拟合并预测。
8.如权利要求7所述的光伏电站清洗频率的动态调整方法，其特征在于，
所述第二预测步骤具体包括：
第二样本分类步骤，将第二数据样本随机分成第二训练样本及第二测试样本两类，所述第二数据样本包括历史时间段的第一功率百分比；
第二初级模型构建步骤，利用所述第二训练样本训练并构建第二初级模型；
第二验证步骤，将所述第二测试样本输入至所述第二初级模型进行验证；
第二初级模型优化步骤，根据所述第二验证步骤的验证结果对所述第二初级模型进行优化得到所述第二预测模型；
第二输出步骤，输入部分连续的所述历史时间段的第一功率百分比得到所述第一时间序列的第一功率百分比。
9.如权利要求8所述的光伏电站清洗频率的动态调整方法，其特征在于，
所述第二验证步骤具体包括：
第二输入测试样本步骤，输入M个测试样本至所述初级模型，获取M个预测结果；
第二比对步骤，将所述M个预测结果与所述M个测试样本的M个发电功率比较，统计与所述发电功率差异超过一定阈值的预测结果的个数N；
第二计算步骤，计算第二预测的错误率，对模型进行评估，第二预测的错误率为N与测试样本的样本数M的比值。
10.如权利要求1所述的光伏电站清洗频率的动态调整方法，其特征在于，
所述历史时间段的时间长度大于等于12个月。
11.如权利要求5所述的光伏电站清洗频率的动态调整方法，其特征在于，
所述第一数据样本还包括每日的空气质量数据。
12.如权利要求8所述的光伏电站清洗频率的动态调整方法，其特征在于，
所述第二数据样本还包括每日的空气质量数据。
13.如权利要求1所述的光伏电站清洗频率的动态调整方法，其特征在于，还包括：
监控步骤，根据所述第二功率百分比以及实时的空气质量数据，监控每一光伏面板的灰尘积累情况。
14.一种存储介质，存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1～13中任一项所述的方法步骤。
CN202010160551.XA 2020-03-10 2020-03-10 光伏电站清洗频率的动态调整方法及存储介质 Active CN111445036B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010160551.XA CN111445036B (zh) 2020-03-10 2020-03-10 光伏电站清洗频率的动态调整方法及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010160551.XA CN111445036B (zh) 2020-03-10 2020-03-10 光伏电站清洗频率的动态调整方法及存储介质

Publications (2)

Publication Number Publication Date
CN111445036A true CN111445036A (zh) 2020-07-24
CN111445036B CN111445036B (zh) 2023-05-30

Family

ID=71627378

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010160551.XA Active CN111445036B (zh) 2020-03-10 2020-03-10 光伏电站清洗频率的动态调整方法及存储介质

Country Status (1)

Country Link
CN (1) CN111445036B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113591034A (zh) * 2021-06-15 2021-11-02 隆基光伏科技(上海)有限公司 确定清洗间隔时间的方法、装置、设备和可读存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130159064A1 (en) * 2011-12-20 2013-06-20 Bryan Fisher Photovoltaic array performance monitoring system
CN107133713A (zh) * 2017-03-13 2017-09-05 华电电力科学研究院 一种光伏电站智能清洗决策系统的建立方法
CN107665382A (zh) * 2017-10-26 2018-02-06 成都亿伏科技有限公司 基于历史功率数据的光伏组件功率灰度预测算法
CN108696244A (zh) * 2018-06-05 2018-10-23 霍尔果斯正泰科技服务有限公司 太阳能光伏发电系统的太阳能电池板清洗判定方法
CN109034441A (zh) * 2018-05-02 2018-12-18 上海电气分布式能源科技有限公司 一种光伏组件清洗周期的预测方法、系统及存储设备
CN109039261A (zh) * 2018-07-31 2018-12-18 江苏林洋新能源科技有限公司 光伏电站积灰智能判断方法
CN110263964A (zh) * 2019-04-29 2019-09-20 北京汉能光伏技术有限公司 一种清洗光伏组件的预测方法及预测系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130159064A1 (en) * 2011-12-20 2013-06-20 Bryan Fisher Photovoltaic array performance monitoring system
CN107133713A (zh) * 2017-03-13 2017-09-05 华电电力科学研究院 一种光伏电站智能清洗决策系统的建立方法
CN107665382A (zh) * 2017-10-26 2018-02-06 成都亿伏科技有限公司 基于历史功率数据的光伏组件功率灰度预测算法
CN109034441A (zh) * 2018-05-02 2018-12-18 上海电气分布式能源科技有限公司 一种光伏组件清洗周期的预测方法、系统及存储设备
CN108696244A (zh) * 2018-06-05 2018-10-23 霍尔果斯正泰科技服务有限公司 太阳能光伏发电系统的太阳能电池板清洗判定方法
CN109039261A (zh) * 2018-07-31 2018-12-18 江苏林洋新能源科技有限公司 光伏电站积灰智能判断方法
CN110263964A (zh) * 2019-04-29 2019-09-20 北京汉能光伏技术有限公司 一种清洗光伏组件的预测方法及预测系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113591034A (zh) * 2021-06-15 2021-11-02 隆基光伏科技(上海)有限公司 确定清洗间隔时间的方法、装置、设备和可读存储介质

Also Published As

Publication number Publication date
CN111445036B (zh) 2023-05-30

Similar Documents

Publication Publication Date Title
CN108700851B (zh) 用于预测能量消耗的系统、方法和基于云的平台
EP2537222B1 (en) Energy generating system and control thereof
US10956629B2 (en) Estimation of soiling losses for photovoltaic systems from measured and modeled inputs
CN105337575B (zh) 光伏电站状态预测及故障诊断方法和系统
CN102692615A (zh) 自动采集电量数据系统
CN116937575A (zh) 一种网格系统用的能源监控管理系统
CN117172620B (zh) 一种基于参数化分析的建筑光伏潜力评估方法及系统
CN111669123A (zh) 用于对光伏组串进行故障诊断的方法和装置
CN117318111B (zh) 一种基于天气预测的光储能源动态调节方法及系统
CN111339661B (zh) 一种高压电缆巡检周期自动规划方法
CN111445036B (zh) 光伏电站清洗频率的动态调整方法及存储介质
CN113011477B (zh) 一种太阳辐照数据的清洗和补全系统及方法
CN116756505B (zh) 一种基于大数据的光伏设备智能管理系统及方法
CN116720983A (zh) 一种基于大数据分析的供电设备异常检测方法及系统
CN109829572B (zh) 雷电气候下的光伏发电功率预测方法
CN115952921A (zh) 一种光伏能源功率预测方法、装置、电子设备及存储介质
CN115689532A (zh) 一种电力系统故障分析方法及其装置
CN109474069B (zh) 一种分布式发电站状态监测方法
CN113052380A (zh) 光伏电站运维清洗效果的检测方法、装置、设备及介质
CN112886569A (zh) 一种用于并网型微电网供电可靠性的评估方法及装置
CN202486307U (zh) 自动采集电量数据系统
Liu et al. Failure Probability Model of Distribution Network Equipment Based on Improved Age-Reduction Model and Factor Correction
CN116232222B (zh) 一种分布式光伏系统云边协同积灰程度监测方法及系统
CN117893109B (zh) 面向电网需求的储能系统辅助服务电力电量计算模型构建方法
Petrusev et al. AUTOMATIC DETECTION OF DISTRIBUTED SOLAR GENERATION BASED ON EXOGENOUS INFORMATION

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