CN111934358A - 一种微电网中光伏发电系统输出功率平均值的计算方法 - Google Patents
一种微电网中光伏发电系统输出功率平均值的计算方法 Download PDFInfo
- Publication number
- CN111934358A CN111934358A CN202010596828.3A CN202010596828A CN111934358A CN 111934358 A CN111934358 A CN 111934358A CN 202010596828 A CN202010596828 A CN 202010596828A CN 111934358 A CN111934358 A CN 111934358A
- Authority
- CN
- China
- Prior art keywords
- sunshine
- matrix
- power generation
- sunlight
- photovoltaic power
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 141
- 238000000034 method Methods 0.000 title claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims abstract description 209
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000005286 illumination Methods 0.000 claims description 10
- 238000013480 data collection Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
Images
Classifications
-
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
-
- 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
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明提出一种微电网中光伏发电系统输出功率平均值的计算方法,解决现有仅以单一因素作为不确定性影响因素的光伏发电的输出功率计算方法无法反映光伏发电系统实际功率输出情况的问题,包括:采集微电网中日照强度、日照时长、日照阴影及日照偏角的数据信息;构建数据矩阵,求得已采集数据的平均值;构建模糊聚类中心矩阵;模糊聚类中心矩阵初始化;通过模糊聚类分析法,迭代计算模糊聚类中心矩阵对应的模糊聚类矩阵的元素最优值及模糊中心矩阵的最优值;求取当前日照强度、日照时长、日照阴影及日照偏角的平均值及光伏发电系统输出功率的平均值,本发明提出的方法为微电网中光伏发电系统的出力预测及运行调度提供理论指导。
Description
技术领域
本发明涉及光伏发电系统输出功率计算的技术领域,更具体地,涉及一种微电网中光伏发电系统输出功率平均值的计算方法。
背景技术
光伏微电网是一种集成光伏发电系统等分布式电源、一定容量负荷并以一定方式将分布式电源和负荷联接起来的微电网,在光伏微电网中,日照强度越大,光伏发电系统的输出功率越大。
一年中不同季节的日照强度完全不同,一天中不同时段的日照强度也完全不同,日照强度具有随机性、波动性和间歇性。因此,光伏发电站日照强度往往也表现为最小日照强度、最大日照强度、平均日照强度、多年平均日照强度、计算平均日照强度、加权平均日照强度、数学平均日照强度等表示形式,采用不同日照强度的表示形式,光伏发电系统会获得不同的装机容量水平,而不同装机容量水平光伏发电系统在不同季节的输出功率及发电量也往往不同。
现有微电网中光伏发电系统的输出功率和发电量通常采用确定性的计算方法,假设区域内日照强度是确定的,因此,光伏发电系统输出功率的计算结果也是唯一确定的,但这种情况往往不能反映光伏系统发电的实际情况,华北电力大学韩敏晓等在2011年12月1日公开的“含高渗透率分布式光伏发电系统的配电网概率潮流分析”的文章中提出采用概率分析的方法,假设区域内日照强度等单一因素为不确定性因素,计算光伏发电系统的输出功率,计算结果为具有一定置信水平的概率值,克服了确定性计算方法不能反映光伏发电系统实际情况的弊端,但微电网中光伏发电系统的输出功率受多种不确定性因素的影响,不确定性因素具有随机不确定性或模糊不确定性,现有方法没有全面地考虑影响因素的这些特征,也无法反映光伏发电系统实际的功率输出情况。
发明内容
为解决现有仅以单一因素作为不确定性影响因素的光伏发电系统的输出功率计算方法无法反映光伏发电系统实际功率输出情况的问题,本发明提出一种微电网中光伏发电系统输出功率平均值的计算方法,综合考虑日照强度、日照时长、日照阴影和日照偏角的不确定性和随机性,反映光伏发电系统实际的功率输出情况,为微电网中光伏发电系统的出力预测及运行调度提供理论指导。
为了达到上述技术效果,本发明的技术方案如下:
一种微电网中光伏发电系统输出功率平均值的计算方法,至少包括以下步骤:
S1.采集微电网中日照强度、日照时长、日照阴影及日照偏角的数据信息;
S2.利用步骤S1中采集的数据信息构建数据矩阵,求得已采集的日照强度、日照时长、日照阴影及日照偏角的平均值;
S3.构建日照强度、日照时长、日照阴影及日照偏角的模糊聚类中心矩阵C;
S4.利用日照强度平均值、日照时长平均值、日照阴影平均值及日照偏角平均值,将模糊聚类中心矩阵C初始化;
S5.通过模糊聚类分析法,迭代计算模糊聚类中心矩阵C对应的模糊聚类矩阵U的元素最优值,根据模糊聚类矩阵U的最优值元素计算模糊中心矩阵C的最优值;
S6.基于模糊聚类矩阵U的元素最优值和模糊中心矩阵C的最优值,分别求取当前日照强度、日照时长、日照阴影及日照偏角的平均值;
S7.根据当前日照强度、日照时长、日照阴影及日照偏角的平均值,求得光伏发电系统输出功率的平均值。
优选地,步骤S1所述的微电网中日照强度、日照时长、日照阴影及日照偏角的数据信息包括:
微电网中日照强度、日照时长、日照阴影及日照偏角的历史光伏发电数据,从历史数据库中采集;
微电网中日照强度、日照时长、日照阴影及日照偏角的实时光伏发电数据,从实时数据采集系统中采集;
微电网中日照强度、日照时长、日照阴影及日照偏角的预测光伏发电数据,从未来预测系统中采集。
其中,表示历史光伏发电数据矩阵中日照强度的第j个元素数据集,表示历史光伏发电数据矩阵中日照时长的第j个元素数据集,表示历史光伏发电数据矩阵中日照阴影的第j个元素数据集,表示历史光伏发电数据矩阵中日照偏角的第j个元素数据集,j=1,…,j…,n,n表示微电网的历史光伏发电数据矩阵中日照强度、日照时长、日照阴影及日照偏角任意一个对应数据集的数量;的第j个元素在时段t的数据值分别表示为:
其中,表示实时光伏发电数据矩阵中日照强度的数据集;表示实时光伏发电数据矩阵中日照时长的数据集;表示实时光伏发电数据矩阵中日照阴影的数据集;表示实时光伏发电数据矩阵中日照偏角的数据集;微电网的实时光伏发电数据矩阵中日照强度、日照时长、日照阴影及日照偏角任意一个对应数据集的数量均为n;
其中,表示预测光伏发电数据矩阵中日照强度的数据集;表示预测光伏发电数据矩阵中日照时长的数据集;表示预测光伏发电数据矩阵中日照阴影的数据集;表示预测光伏发电数据矩阵中日照偏角的数据集;微电网的预测光伏发电数据矩阵中日照强度、日照时长、日照阴影及日照偏角任意一个对应数据集的数量均为n;及的第j个元素在时段t的数据值分别表示为:
优选地,步骤S2所述的已采集的日照强度、日照时长、日照阴影及日照偏角的平均值分别为:
已采集的日照强度的平均值为:
其中,SMA表示采集的a年日照强度的平均值;a表示采集日照强度的年数;
已采集的日照时长的平均值为:
其中,BMA表示采集的a年日照时长的平均值;a表示采集日照时长的年数;
已采集的日照阴影的平均值为:
其中,YMA表示采集的a年日照阴影的平均值;a表示采集日照阴影的年数;
已采集的日照偏角的平均值为:
其中,AMA表示采集的a年日照偏角的平均值;a表示采集日照偏角的年数。
优选地,步骤S3所述的模糊聚类中心矩阵C为:
C={C1,C2,C3}
其中,C1表示微电网中日照强度、日照时长、日照阴影、日照偏角的最小量模糊聚类中心矩阵;C2表示微电网中日照强度、日照时长、日照阴影、日照偏角的平均量模糊聚类中心矩阵;C3表示微电网中日照强度、日照时长、日照阴影、日照偏角的最大量模糊聚类中心矩阵。
优选地,步骤S4所述的将模糊聚类中心矩阵C初始化的过程为:
其中,kMAS1、kMAB1、kMAY1、kMAA1分别表示最小量模糊聚类中心矩阵C1中日照强度、日照时长、日照阴影、日照偏角的初始值权重系数;
其中,kMAS2、kMAB2、kMAY2、kMAA2分别表示平均量模糊聚类中心矩阵C2中日照强度、日照时长、日照阴影、日照偏角的初始值权重系数;
其中,kMAS3、kMAB3、kMAY3、kMAA3分别表示最大量模糊聚类中心矩阵C3中日照强度、日照时长、日照阴影、日照偏角的初始值权重系数;
优选地,最小量、平均量最大量模糊聚类中心矩阵中日照强度、日照时长、日照阴影、日照偏角的初始值权重系数分别满足:
kMAS1=kMAB1=kMAY1=kMAA1=0.2
kMAS2=kMAB2=kMAY2=kMAA2=1.0
kMAS3=kMAB3=kMAY3=kMAA3=1.5。
优选地,步骤S5所述迭代计算模糊聚类中心矩阵C对应的模糊聚类矩阵U的元素最优值,并根据模糊聚类矩阵U的最优值元素计算模糊中心矩阵C的最优值过程为:
S52.利用随机函数在[0,1]范围内产生随机数,初始化模糊聚类矩阵U(0);
S53.令迭代次数t=1;
其中,d(.)表示距离函数,cij,xjk均表示距离函数的参数变量,i、j分别表示模糊聚类矩阵元素的行与列;k为不同于i、j的数;i=1,2,...,c,c表示最大行数;j=1,2,...,m,m表示最大列数;
模糊聚类矩阵U的元素最优值为:
其中,u11、u12、u13、u14分别表示模糊中心矩阵C中的微电网中日照强度、日照时长、日照阴影、日照偏角的最小量模糊聚类中心矩阵C1对应的元素最优值;u21、u22、u23、u24分别表示模糊中心矩阵C中的微电网中日照强度、日照时长、日照阴影、日照偏角的平均量模糊聚类中心矩阵C2对应的元素最优值;u31、u32、u33、u34分别表示模糊中心矩阵C中的微电网中日照强度、日照时长、日照阴影、日照偏角的最大量模糊聚类中心矩阵C3对应的元素最优值;
根据模糊聚类矩阵U的最优值元素计算模糊中心矩阵C的最优值为:
其中,SC1、SC2、SC3分别为微电网日照强度最小量、平均量、最大量模糊聚类中心矩阵C的最优值,BC1、BC2、BC3分别为微电网日照时长最小量、平均量、最大量模糊聚类中心矩阵C的最优值,YC1、YC2、YC3分别为微电网日照阴影最小量、平均量、最大量模糊聚类中心矩阵C的最优值,AC1、AC2、AC3分别为微电网日照偏角最小量、平均量、最大量模糊聚类中心矩阵C的最优值。
优选地,步骤S6所述当前日照强度、日照时长、日照阴影及日照偏角的平均值分别为:
1)当前日照强度平均值:
其中,SA表示当前日照强度平均值;kSX、kSA、kSD分别为当前日照强度最小量、平均量、最大量的权重系数;
2)当前日照时长平均值:
其中,BA表示当前日照时长平均值;kBX、kBA、kBD分别为当前日照时长最小量、平均量、最大量的权重系数;
3)当前日照阴影平均值:
其中,YA表示当前日照阴影平均值;kYX、kYA、kYD分别为当前日照阴影最小量、平均量、最大量的权重系数;
4)当前日照偏角平均值:
其中,AA表示当前日照偏角平均值;kAX、kAA、kAD分别为日照偏角最小量、平均量、最大量的权重系数。
优选地,步骤S7所述的光伏发电系统输出功率的平均值计算公式为:
其中,PPV表示光伏发电系统输出功率的平均值;kS表示光伏发电系统日照强度的发电系数,kY为日照阴影对光伏发电系统发电的影响系数,BA、BS分别为日照时长的平均值和标准值,AA、AS分别为日照偏角的平均值和标准值。
与现有技术相比,本发明技术方案的有益效果是:
本发明提出一种微电网中光伏发电系统输出功率平均值的计算方法,综合考虑影响光伏发电系统输出功率的多种不确定性因素:日照强度、日照时长、日照阴影和日照偏角,构建模糊聚类中心矩阵,通过模糊聚类分析法迭代计算后求出光伏发电系统输出功率的平均值,解决了现有仅以单一因素作为不确定性影响因素的光伏发电系统的输出功率计算方法无法反映光伏发电系统实际功率输出情况的问题,为微电网中光伏发电系统的出力预测及运行调度提供理论指导。
附图说明
图1为本发明提出的微电网中光伏发电系统输出功率平均值计算发方法的流程图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部位会有省略、放大或缩小,并不代表实际的尺寸;
对于本领域技术人员来说,附图中某些公知说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示的一种微电网中光伏发电系统输出功率平均值的计算方法的流程图,参见图1,所述方法包括以下步骤:
S1.采集微电网中日照强度、日照时长、日照阴影及日照偏角的数据信息,包括:
微电网中日照强度、日照时长、日照阴影及日照偏角的历史光伏发电数据,从历史数据库中采集;
微电网中日照强度、日照时长、日照阴影及日照偏角的实时光伏发电数据,从实时数据采集系统中采集;
微电网中日照强度、日照时长、日照阴影及日照偏角的预测光伏发电数据,从未来预测系统中采集;
S2.利用步骤S1中采集的数据信息构建数据矩阵,求得已采集的日照强度、日照时长、日照阴影及日照偏角的平均值;采集的数据信息构建的数据矩阵包括历史光伏发电数据实时光伏发电数据矩阵及预测光伏发电数据矩阵所述历史光伏发电数据表示为:
其中,表示历史光伏发电数据矩阵中日照强度的第j个元素数据集,表示历史光伏发电数据矩阵中日照时长的第j个元素数据集,表示历史光伏发电数据矩阵中日照阴影的第j个元素数据集,表示历史光伏发电数据矩阵中日照偏角的第j个元素数据集,j=1,…,j…,n,n表示微电网的历史光伏发电数据矩阵中日照强度、日照时长、日照阴影及日照偏角任意一个对应数据集的数量;及的第j个元素在时段t的数据值分别表示为:
其中,表示实时光伏发电数据矩阵中日照强度的数据集;表示实时光伏发电数据矩阵中日照时长的数据集;表示实时光伏发电数据矩阵中日照阴影的数据集;表示实时光伏发电数据矩阵中日照偏角的数据集;微电网的实时光伏发电数据矩阵中日照强度、日照时长、日照阴影及日照偏角任意一个对应数据集的数量均为n;
其中,表示预测光伏发电数据矩阵中日照强度的数据集;表示预测光伏发电数据矩阵中日照时长的数据集;表示预测光伏发电数据矩阵中日照阴影的数据集;表示预测光伏发电数据矩阵中日照偏角的数据集;微电网的预测光伏发电数据矩阵中日照强度、日照时长、日照阴影及日照偏角任意一个对应数据集的数量均为n;及的第j个元素在时段t的数据值分别表示为:
其中,SMA表示采集的a年日照强度的平均值;a表示采集日照强度的年数;
已采集的日照时长的平均值为:
其中,BMA表示采集的a年日照时长的平均值;a表示采集日照时长的年数;
已采集的日照阴影的平均值为:
其中,YMA表示采集的a年日照阴影的平均值;a表示采集日照阴影的年数;
已采集的日照偏角的平均值为:
其中,AMA表示采集的a年日照偏角的平均值;a表示采集日照偏角的年数;
S3.构建日照强度、日照时长、日照阴影及日照偏角的模糊聚类中心矩阵C;步骤S3所述的模糊聚类中心矩阵C为:
C={C1,C2,C3}
其中,C1表示微电网中日照强度、日照时长、日照阴影、日照偏角的最小量模糊聚类中心矩阵;C2表示微电网中日照强度、日照时长、日照阴影、日照偏角的平均量模糊聚类中心矩阵;C3表示微电网中日照强度、日照时长、日照阴影、日照偏角的最大量模糊聚类中心矩阵;
S4.利用日照强度平均值、日照时长平均值、日照阴影平均值及日照偏角平均值,将模糊聚类中心矩阵C初始化,过程为:
其中,kMAS1、kMAB1、kMAY1、kMAA1分别表示最小量模糊聚类中心矩阵C1中日照强度、日照时长、日照阴影、日照偏角的初始值权重系数;
其中,kMAS2、kMAB2、kMAY2、kMAA2分别表示平均量模糊聚类中心矩阵C2中日照强度、日照时长、日照阴影、日照偏角的初始值权重系数;
其中,kMAS3、kMAB3、kMAY3、kMAA3分别表示最大量模糊聚类中心矩阵C3中日照强度、日照时长、日照阴影、日照偏角的初始值权重系数;最小量、平均量最大量模糊聚类中心矩阵中日照强度、日照时长、日照阴影、日照偏角的初始值权重系数分别满足:
kMAS1=kMAB1=kMAY1=kMAA1=0.2
kMAS2=kMAB2=kMAY2=kMAA2=1.0
kMAS3=kMAB3=kMAY3=kMAA3=1.5;
S5.通过模糊聚类分析法,迭代计算模糊聚类中心矩阵C对应的模糊聚类矩阵U的元素最优值,根据模糊聚类矩阵U的最优值元素计算模糊中心矩阵C的最优值,过程为:
S52.利用随机函数在[0,1]范围内产生随机数,初始化模糊聚类矩阵U(0);
S53.令迭代次数t=1;
其中,d(.)表示距离函数,cij,xjk均表示距离函数的参数变量,i、j分别表示模糊聚类矩阵元素的行与列;k为不同于i、j的数;i=1,2,...,c,c表示最大行数;j=1,2,...,m,m表示最大列数;
模糊聚类矩阵U的元素最优值为:
其中,u11、u12、u13、u14分别表示模糊中心矩阵C中的微电网中日照强度、日照时长、日照阴影、日照偏角的最小量模糊聚类中心矩阵C1对应的元素最优值;u21、u22、u23、u24分别表示模糊中心矩阵C中的微电网中日照强度、日照时长、日照阴影、日照偏角的平均量模糊聚类中心矩阵C2对应的元素最优值;u31、u32、u33、u34分别表示模糊中心矩阵C中的微电网中日照强度、日照时长、日照阴影、日照偏角的最大量模糊聚类中心矩阵C3对应的元素最优值;
根据模糊聚类矩阵U的最优值元素计算模糊中心矩阵C的最优值为:
其中,SC1、SC2、SC3分别为微电网日照强度最小量、平均量、最大量模糊聚类中心矩阵C的最优值,BC1、BC2、BC3分别为微电网日照时长最小量、平均量、最大量模糊聚类中心矩阵C的最优值,YC1、YC2、YC3分别为微电网日照阴影最小量、平均量、最大量模糊聚类中心矩阵C的最优值,AC1、AC2、AC3分别为微电网日照偏角最小量、平均量、最大量模糊聚类中心矩阵C的最优值;
S6.基于模糊聚类矩阵U的元素最优值和模糊中心矩阵C的最优值,分别求取当前日照强度、日照时长、日照阴影及日照偏角的平均值;
1)当前日照强度平均值:
其中,SA表示当前日照强度平均值;kSX、kSA、kSD分别为当前日照强度最小量、平均量、最大量的权重系数;
2)当前日照时长平均值:
其中,BA表示当前日照时长平均值;kBX、kBA、kBD分别为当前日照时长最小量、平均量、最大量的权重系数;
3)当前日照阴影平均值:
其中,YA表示当前日照阴影平均值;kYX、kYA、kYD分别为当前日照阴影最小量、平均量、最大量的权重系数;
4)当前日照偏角平均值:
其中,AA表示当前日照偏角平均值;kAX、kAA、kAD分别为日照偏角最小量、平均量、最大量的权重系数。
S7.根据当前日照强度、日照时长、日照阴影及日照偏角的平均值,求得光伏发电系统输出功率的平均值,光伏发电系统输出功率的平均值计算公式为:
其中,PPV表示光伏发电系统输出功率的平均值;kS表示光伏发电系统日照强度的发电系数,kY为日照阴影对光伏发电系统发电的影响系数,BA、BS分别为日照时长的平均值和标准值,AA、AS分别为日照偏角的平均值和标准值。
附图中描述仅用于示例性说明,不能理解为对本专利的限制;
显然,本发明的上述实施例仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种微电网中光伏发电系统输出功率平均值的计算方法,其特征在于,至少包括以下步骤:
S1.采集微电网中日照强度、日照时长、日照阴影及日照偏角的数据信息;
S2.利用步骤S1中采集的数据信息构建数据矩阵,求得已采集的日照强度、日照时长、日照阴影及日照偏角的平均值;
S3.构建日照强度、日照时长、日照阴影及日照偏角的模糊聚类中心矩阵C;
S4.利用日照强度平均值、日照时长平均值、日照阴影平均值及日照偏角平均值,将模糊聚类中心矩阵C初始化;
S5.通过模糊聚类分析法,迭代计算模糊聚类中心矩阵C对应的模糊聚类矩阵U的元素最优值,根据模糊聚类矩阵U的最优值元素计算模糊中心矩阵C的最优值;
S6.基于模糊聚类矩阵U的元素最优值和模糊中心矩阵C的最优值,分别求取当前日照强度、日照时长、日照阴影及日照偏角的平均值;
S7.根据当前日照强度、日照时长、日照阴影及日照偏角的平均值,求得光伏发电系统输出功率的平均值。
2.根据权利要求1所述的微电网中光伏发电系统输出功率平均值的计算方法,其特征在于,步骤S1所述的微电网中日照强度、日照时长、日照阴影及日照偏角的数据信息包括:
微电网中日照强度、日照时长、日照阴影及日照偏角的历史光伏发电数据,从历史数据库中采集;
微电网中日照强度、日照时长、日照阴影及日照偏角的实时光伏发电数据,从实时数据采集系统中采集;
微电网中日照强度、日照时长、日照阴影及日照偏角的预测光伏发电数据,从未来预测系统中采集。
3.根据权利要求2所述的微电网中光伏发电系统输出功率平均值的计算方法,其特征在于,利用步骤S1中采集的数据信息构建的数据矩阵包括历史光伏发电数据实时光伏发电数据矩阵及预测光伏发电数据矩阵所述历史光伏发电数据表示为:
其中,表示历史光伏发电数据矩阵中日照强度的第j个元素数据集,表示历史光伏发电数据矩阵中日照时长的第j个元素数据集,表示历史光伏发电数据矩阵中日照阴影的第j个元素数据集,表示历史光伏发电数据矩阵中日照偏角的第j个元素数据集,j=1,…,j…,n,n表示微电网的历史光伏发电数据矩阵中日照强度、日照时长、日照阴影及日照偏角任意一个对应数据集的数量;及的第j个元素在时段t的数据值分别表示为:
其中,表示实时光伏发电数据矩阵中日照强度的数据集;表示实时光伏发电数据矩阵中日照时长的数据集;表示实时光伏发电数据矩阵中日照阴影的数据集;表示实时光伏发电数据矩阵中日照偏角的数据集;微电网的实时光伏发电数据矩阵中日照强度、日照时长、日照阴影及日照偏角任意一个对应数据集的数量均为n;
其中,表示预测光伏发电数据矩阵中日照强度的数据集;表示预测光伏发电数据矩阵中日照时长的数据集;表示预测光伏发电数据矩阵中日照阴影的数据集;表示预测光伏发电数据矩阵中日照偏角的数据集;微电网的预测光伏发电数据矩阵中日照强度、日照时长、日照阴影及日照偏角任意一个对应数据集的数量均为n;及的第j个元素在时段t的数据值分别表示为:
5.根据权利要求4所述的微电网中光伏发电系统输出功率平均值的计算方法,其特征在于,步骤S3所述的模糊聚类中心矩阵C为:
C={C1,C2,C3}
其中,C1表示微电网中日照强度、日照时长、日照阴影、日照偏角的最小量模糊聚类中心矩阵;C2表示微电网中日照强度、日照时长、日照阴影、日照偏角的平均量模糊聚类中心矩阵;C3表示微电网中日照强度、日照时长、日照阴影、日照偏角的最大量模糊聚类中心矩阵。
6.根据权利要求5所述的微电网中光伏发电系统输出功率平均值的计算方法,其特征在于,步骤S4所述的将模糊聚类中心矩阵C初始化的过程为:
其中,kMAS1、kMAB1、kMAY1、kMAA1分别表示最小量模糊聚类中心矩阵C1中日照强度、日照时长、日照阴影、日照偏角的初始值权重系数;
其中,kMAS2、kMAB2、kMAY2、kMAA2分别表示平均量模糊聚类中心矩阵C2中日照强度、日照时长、日照阴影、日照偏角的初始值权重系数;
其中,kMAS3、kMAB3、kMAY3、kMAA3分别表示最大量模糊聚类中心矩阵C3中日照强度、日照时长、日照阴影、日照偏角的初始值权重系数。
7.根据权利要求6所述的微电网中光伏发电系统输出功率平均值的计算方法,其特征在于,最小量、平均量最大量模糊聚类中心矩阵中日照强度、日照时长、日照阴影、日照偏角的初始值权重系数分别满足:
kMAS1=kMAB1=kMAY1=kMAA1=0.2
kMAS2=kMAB2=kMAY2=kMAA2=1.0
kMAS3=kMAB3=kMAY3=kMAA3=1.5。
8.根据权利要求7所述的微电网中光伏发电系统输出功率平均值的计算方法,其特征在于,步骤S5所述迭代计算模糊聚类中心矩阵C对应的模糊聚类矩阵U的元素最优值,并根据模糊聚类矩阵U的最优值元素计算模糊中心矩阵C的最优值的过程为:
S52.利用随机函数在[0,1]范围内产生随机数,初始化模糊聚类矩阵U(0);
S53.令迭代次数t=1;
其中,d(.)表示距离函数,cij,xjk均表示距离函数的参数变量,i、j分别表示模糊聚类矩阵元素的行与列;k为不同于i、j的数;i=1,2,...,c,c表示最大行数;j=1,2,...,m,m表示最大列数;
模糊聚类矩阵U的元素最优值为:
其中,u11、u12、u13、u14分别表示模糊中心矩阵C中的微电网中日照强度、日照时长、日照阴影、日照偏角的最小量模糊聚类中心矩阵C1对应的元素最优值;u21、u22、u23、u24分别表示模糊中心矩阵C中的微电网中日照强度、日照时长、日照阴影、日照偏角的平均量模糊聚类中心矩阵C2对应的元素最优值;u31、u32、u33、u34分别表示模糊中心矩阵C中的微电网中日照强度、日照时长、日照阴影、日照偏角的最大量模糊聚类中心矩阵C3对应的元素最优值;
根据模糊聚类矩阵U的最优值元素计算模糊中心矩阵C的最优值为:
其中,SC1、SC2、SC3分别为微电网日照强度最小量、平均量、最大量模糊聚类中心矩阵C的最优值,BC1、BC2、BC3分别为微电网日照时长最小量、平均量、最大量模糊聚类中心矩阵C的最优值,YC1、YC2、YC3分别为微电网日照阴影最小量、平均量、最大量模糊聚类中心矩阵C的最优值,AC1、AC2、AC3分别为微电网日照偏角最小量、平均量、最大量模糊聚类中心矩阵C的最优值。
9.根据权利要求8所述的微电网中光伏发电系统输出功率平均值的计算方法,其特征在于,步骤S6所述当前日照强度、日照时长、日照阴影及日照偏角的平均值分别为:
1)当前日照强度平均值:
其中,SA表示当前日照强度平均值;kSX、kSA、kSD分别为当前日照强度最小量、平均量、最大量的权重系数;
2)当前日照时长平均值:
其中,BA表示当前日照时长平均值;kBX、kBA、kBD分别为当前日照时长最小量、平均量、最大量的权重系数;
3)当前日照阴影平均值:
其中,YA表示当前日照阴影平均值;kYX、kYA、kYD分别为当前日照阴影最小量、平均量、最大量的权重系数;
4)当前日照偏角平均值:
其中,AA表示当前日照偏角平均值;kAX、kAA、kAD分别为日照偏角最小量、平均量、最大量的权重系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010596828.3A CN111934358B (zh) | 2020-06-28 | 2020-06-28 | 一种微电网中光伏发电系统输出功率平均值的计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010596828.3A CN111934358B (zh) | 2020-06-28 | 2020-06-28 | 一种微电网中光伏发电系统输出功率平均值的计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111934358A true CN111934358A (zh) | 2020-11-13 |
CN111934358B CN111934358B (zh) | 2023-05-26 |
Family
ID=73316680
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010596828.3A Active CN111934358B (zh) | 2020-06-28 | 2020-06-28 | 一种微电网中光伏发电系统输出功率平均值的计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111934358B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112862215A (zh) * | 2021-03-10 | 2021-05-28 | 广东电网有限责任公司 | 一种微电网能源需求预测方法、系统及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101424165B1 (ko) * | 2013-12-05 | 2014-08-01 | 한빛이디에스(주) | 최적화된 모니터링 네트워크 환경을 가지는 태양광 발전 모니터링 시스템 |
CN107292768A (zh) * | 2017-07-12 | 2017-10-24 | 广东工业大学 | 一种光伏发电系统日发电量模糊概率计算方法及装置 |
CN110490421A (zh) * | 2019-07-22 | 2019-11-22 | 广东工业大学 | 一种基于模糊c-均值聚类的微电网中小水电站容量配置方法 |
CN110707754A (zh) * | 2019-08-28 | 2020-01-17 | 广东工业大学 | 微电网中水风光电源容量配置的优化方法 |
CN110707682A (zh) * | 2019-08-28 | 2020-01-17 | 广东工业大学 | 基于模糊c-均值聚类的微电网中水风光电源容量配置方法 |
-
2020
- 2020-06-28 CN CN202010596828.3A patent/CN111934358B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101424165B1 (ko) * | 2013-12-05 | 2014-08-01 | 한빛이디에스(주) | 최적화된 모니터링 네트워크 환경을 가지는 태양광 발전 모니터링 시스템 |
CN107292768A (zh) * | 2017-07-12 | 2017-10-24 | 广东工业大学 | 一种光伏发电系统日发电量模糊概率计算方法及装置 |
CN110490421A (zh) * | 2019-07-22 | 2019-11-22 | 广东工业大学 | 一种基于模糊c-均值聚类的微电网中小水电站容量配置方法 |
CN110707754A (zh) * | 2019-08-28 | 2020-01-17 | 广东工业大学 | 微电网中水风光电源容量配置的优化方法 |
CN110707682A (zh) * | 2019-08-28 | 2020-01-17 | 广东工业大学 | 基于模糊c-均值聚类的微电网中水风光电源容量配置方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112862215A (zh) * | 2021-03-10 | 2021-05-28 | 广东电网有限责任公司 | 一种微电网能源需求预测方法、系统及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111934358B (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN108388956B (zh) | 考虑辐射衰减的光伏功率预测方法 | |
Yang et al. | Classification and summarization of solar irradiance and power forecasting methods: A thorough review | |
US11022720B2 (en) | System for forecasting renewable energy generation | |
CN110929953A (zh) | 基于聚类分析的光伏电站超短期出力预测方法 | |
KR102284253B1 (ko) | 기상정보를 이용한 태양광발전소의 발전량 예측시스템 및 이를 이용한 발전량 예측방법 | |
CN111626473A (zh) | 一种考虑误差修正的两阶段光伏功率预测方法 | |
Li et al. | Sizing ramping reserve using probabilistic solar forecasts: A data-driven method | |
CN113052469A (zh) | 一种缺乏量测径流小水电地区的风光水荷互补特性的计算方法 | |
CN112418346A (zh) | 一种数值天气预报总辐射系统误差分类计算方法 | |
Terhag et al. | Optimization of cleaning strategies based on ANN algorithms assessing the benefit of soiling rate forecasts | |
CN111934358A (zh) | 一种微电网中光伏发电系统输出功率平均值的计算方法 | |
Jazayeri et al. | Artificial neural network-based all-sky power estimation and fault detection in photovoltaic modules | |
Sarailoo et al. | Residential solar panel performance improvement based on optimal intervals and optimal tilt angle | |
Pessanha et al. | A methodology for joint data cleaning of solar photovoltaic generation and solar irradiation | |
CN116341728A (zh) | 一种基于数据驱动的超短期光伏输出功率预测方法 | |
Ma et al. | Shading fault detection method for household photovoltaic power stations based on inherent characteristics of monthly string current data mapping | |
Aupke et al. | Impact of clustering methods on machine learning-based solar power prediction models | |
CN114282637A (zh) | 一种适用于光伏电站发电量预测方法 | |
Munshi | Evaluation of Grid-Connected Photovoltaic Plants Based on Clustering Methods. | |
Braga et al. | Long-term solar irradiance forecasting | |
CN117200199B (zh) | 一种基于天气分型的光伏功率预测方法和系统 | |
Ohabuiro et al. | Global Solar Radiation Modelling using an Artificial Neural Network for Kazaure, Jigawa State, Nigeria | |
CN117175569B (zh) | 一种基于精细化天气分型的光伏预测方法和系统 | |
Pelisson et al. | Comparative Study of Photovoltaic Power Forecasting Methods |
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 |