CN112561190B - 一种基于离散粒子群算法的光伏电站清洗模型预测方法 - Google Patents
一种基于离散粒子群算法的光伏电站清洗模型预测方法 Download PDFInfo
- Publication number
- CN112561190B CN112561190B CN202011533266.4A CN202011533266A CN112561190B CN 112561190 B CN112561190 B CN 112561190B CN 202011533266 A CN202011533266 A CN 202011533266A CN 112561190 B CN112561190 B CN 112561190B
- Authority
- CN
- China
- Prior art keywords
- cleaning
- photovoltaic power
- power station
- day
- certain day
- 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.)
- Active
Links
- 238000004140 cleaning Methods 0.000 title claims abstract description 228
- 239000002245 particle Substances 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000005457 optimization Methods 0.000 title description 2
- 238000010248 power generation Methods 0.000 claims abstract description 56
- 230000008901 benefit Effects 0.000 claims abstract description 24
- 230000005611 electricity Effects 0.000 claims abstract description 11
- 230000009193 crawling Effects 0.000 claims abstract description 4
- 238000010586 diagram Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 4
- 238000005406 washing Methods 0.000 description 11
- 239000000428 dust Substances 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 230000008021 deposition Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 3
- 238000004832 voltammetry Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06Q10/04—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于离散粒子群算法的光伏电站清洗模型预测方法,包括以下步骤:获取电站的相关数据,电站的相关数据包括光伏发电并网标杆电价、并网容量和过去某天的有效利用小时数;爬取关于天气类型、空气质量类型和过去某天的日照时长的数据;根据并网容量、过去某天的有效利用小时数和过去某天的日照时长计算未来某天清洗后的理论发电量;根据光伏发电并网标杆电价和某天清洗后的理论发电量,进行离散离子群算法,得到清洗收益最大化,以及计算得出清洗时间间隔和清洗次数。本发明对所需的数据进行预处理,业主对想要预测的时间段设置预测开始时间,进行算法预测,业主根据结果提前对光伏电站的清洗做准备,以致提高光伏电站的发电量。
Description
技术领域
本申请涉及太阳能光伏电站技术领域,尤其涉及一种基于离散粒子群算法的光伏电站清洗模型预测方法。
背景技术
太阳能以其来源广泛、清洁、无污染,作为21世纪受欢迎的新型能源,日益受到世界各国的关注。光伏发电是太阳能利用的主要方向之一。当光伏组件灰尘浓度从0增加到5g/m2时(增量为1),组件输出功率由192.3W降至147.6W,降幅为6.67%、11.96%、16.28%、20.07%和23.24%。由以上数据可以看出,光伏组件表面积尘严重影响其发电效率。设计了清洗预测方法,以此得到最大的收益。
光伏电站现有的不同清洗除尘方式中,有基于遮蔽率计算最大清洗时间的方法,即周期性频次清洗策略,在固定清洗时间T内,当清洗时间t的取值使得清洗费用E的值不超过理论清洗效益的20%,t的值为清洗时间。该方法中提出清洗效益的20%作为判断依据,依赖于经验值,同时,固定清洗时间T的取值也无法确定;计算输出功率损失率的清洗策略,通过伏安曲线检测仪来测试光伏电站中某一光伏方阵的伏安曲线,然后将采集的数据导出,通过转换到标准测试条件下(温度25℃,光照强度1000W/m2,后文简称为STC条件)的功率值,计算其与标准功率的差值比例,再通过计算该方阵的发电损失与清洗成本的临界关系,从而确定清洗时间;最后还有对比发电量损失率清洗策略。
对于组件清洗来说,目前的清洗类型已经较为普遍,比如人工水洗、车载移动式清洗机、自清洁技术、智能清洗机器人等。但是清洗频率大多是固定的,或根据人为经验进行适当调整,还没有对组件表面灰尘影响程度进行实时量化分析,因此,无法最大程度地平衡好清洗后所提升的发电量收益与清洗成本的关系。
发明内容
本申请提供了一种基于离散粒子群算法的光伏电站清洗模型预测方法,能准确得到光伏电站未来一年的清洗次数和具体清洗的日期,使电站收益最大化。
本申请采用的技术方案如下:
本申请提供例了一种基于离散粒子群算法的光伏电站清洗模型预测方法,包括以下步骤:
获取电站的相关数据,所述电站的相关数据包括光伏发电并网标杆电价、并网容量和过去某天的有效利用小时数;
爬取关于天气类型、空气质量类型和过去某天的日照时长的数据;
根据所述并网容量、过去某天的有效利用小时数和过去某天的日照时长计算未来某天清洗后的理论发电量;
根据所述光伏发电并网标杆电价和某天清洗后的理论发电量,进行离散离子群算法,得到清洗收益最大化,以及计算得出清洗时间间隔和清洗次数。
进一步地,根据所述过去某天的有效利用小时数和过去某天的日照时长计算未来某天清洗后的理论发电量,包括:
根据过去某天的日照时长、过去某天的有效利用小时数以及未来某天的日照时长Ii,计算出未来某天清洗后的理论有效利用小时数Fi;
设光伏组件一个清洗周期为T,其中最佳清洗周期为T1,一般周期为T2,且假定设备正常运行;
在T1周期内,采样并记录n组数据(Ii,Fi),其中,Ii为未来某天的日照时长,Fi为未来某天清洗后的有效利用小时数;
n组清洗数据构成散点图,根据散点图拟合得到回归模型中直线斜率k与纵轴的截距b;
根据以下两式计算清洗后的理论发电量:Fi=KIi+b,E=Fi*R,其中,Fi为未来某天清洗后的理论发电量,I为未来某天的日照时长,R为并网容量,E为清洗后的理论发电量。
进一步地,所述有效利用小时数=电站每日发电量/并网容量。
进一步地,还包括计算未来有效利用小时数,具体为:
未来某天有效利用小时数=未来某天清洗后的理论有效利用小时数-未来某天清洗后的理论有效利用小时数×(1-过去某天的空气质量系数)。
进一步地,所述空气质量类型包括优、良、轻度污染、中度污染、重度污染和严重污染,每种天气类型对应相应的空气质量系数。
进一步地,所述天气类型包括晴、云、风、阴、雨和雪。
进一步地,根据所述光伏发电并网标杆电价和某天清洗后的理论发电量,进行离散离子群算法,得到清洗收益最大化,以及计算得出清洗时间间隔和清洗次数,包括以下步骤:
初始化粒子群种群及参数,在编码中分为两段式,一个为清洗次数编码,另一个为清洗时间编码,当对清洗次数编码为5时,则会产生5个清洗时间间隔;
设置适应度函数,使得清洗收益最大化,SE(T)max=S(T)-S(0),S(T)=AQi-a,Qi=Ei-Ei(1-ri),Qi=未来某天有效利用小时数*R,其中S(T)为减去清洗费用后的总收益,A为光伏发电并网标杆电价,Qi为光伏电站的预测年份的第i天发电量,a为电站需要的清洗总费用,a=一次清洗费用为并网容量*清洗单价,清洗单价为公司所提供),SE(T)max为清洗后的收益增加值,S(0)为未清洗时的收益,Ei为第i天电站清洗后的理论发电量,ri为第i天空气质量系数,在对应的目标函数中,还存在着约束条件,即天气类型约束;
然后随机产生所有粒子的位置和速度并确定其个体极值和全局极值,将每个粒子的当前位置与个体极值进行比较,取较优解作为新的全局极值,将每个粒子的当前位置与全局极值进行比较,取较优解作为新的全局极值;
根据以下公式更新粒子的速度和位置:
判断是否满足最大迭代次数,若满足则终止算法,全局极值为最优解;
输出全局极值,即返回编码清洗时间间隔和清洗次数,由得到的清洗时间间隔计算出清洗时间。
进一步地,若不满足最大迭代次数,则进行如下步骤:
设置适应度函数,使得清洗收益最大化,SE(T)max=S(T)-S(0),S(T)=AQi-a,Qi=Ei-Ei(1-ri),Qi=未来某天有效利用小时数*R,其中S(T)为减去清洗费用后的总收益,A为光伏发电并网标杆电价,Qi为光伏电站的预测年份的第i天发电量,a为电站需要的清洗总费用,a=一次清洗费用为并网容量*清洗单价,清洗单价为公司所提供),SE(T)max为清洗后的收益增加值,S(0)为未清洗时的收益,Ei为第i天电站清洗后的理论发电量,ri为第i天空气质量系数,在对应的目标函数中,还存在着约束条件,即天气类型约束;
然后随机产生所有粒子的位置和速度并确定其个体极值和全局极值,将每个粒子的当前位置与个体极值进行比较,取较优解作为新的全局极值,将每个粒子的当前位置与全局极值进行比较,取较优解作为新的全局极值;
根据以下公式更新粒子的速度和位置:
判断是否满足最大迭代次数,判断是否满足最大迭代次数,直至满足最大迭代次数,获得全局极值为最优解。
采用本申请的技术方案的有益效果如下:
本发明的一种基于离散粒子群算法的光伏电站清洗模型预测方法,本算法可以预测未来一年的电站的清洗次数和清洗时间,及时对电站进行清洗,已得到最大的收益,有效的保证了业主对光伏电站清洁情况、收益情况实时监控和管理。对所需的数据进行预处理,业主对想要预测的时间段设置预测开始时间,进行算法预测,业主根据结果提前对光伏电站的清洗做准备,以致提高光伏电站的发电量。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为离散粒子群算法的编码与解码部分示意图(一个为清洗次数编码,另一个为清洗时间编码);
图2为整个粒子群算法的流程图;
图3为整个算法的迭代过程示意图。
具体实施方式
下面将详细地对实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下实施例中描述的实施方式并不代表与本申请相一致的所有实施方式。仅是与权利要求书中所详述的、本申请的一些方面相一致的系统和方法的示例。
参见图1至图3。
本申请提供的一种基于离散粒子群算法的光伏电站清洗模型预测方法,包括以下步骤:
S01:获取电站的相关数据,所述电站的相关数据包括光伏发电并网标杆电价、并网容量和过去某天的有效利用小时数;
S02:爬取关于天气类型、空气质量类型和过去某天的日照时长的数据;
日照时长的数据是在(https://richurimo.51240.com/ningxiahuizuzizhiqu__richurimo/)网上爬取出来的,用于和过去某天的有效利用小时数来模拟电站预测的发电量。
所述空气质量类型包括优、良、轻度污染、中度污染、重度污染和严重污染,每种天气类型对应相应的空气质量系数。具体来说,然后对这六种天气质量类型进行量化处理,根据大气穿透率,选出这六种空气质量条件下的系数,如下表1所示。爬取10年的空气之后做均值作为预测年份的空气质量系数(为模拟预测年份的电站发电量做准备)。
表1为每种空气质量对应的空气质量系数
空气质量 | 空气质量系数 |
优 | 0.9967 |
良 | 0.9845 |
轻度污染 | 0.9177 |
中度污染 | 0.845 |
重度污染 | 0.6439 |
严重污染 | 0.5 |
所述天气类型包括晴、云、风、阴、雨和雪。
由于天气类型不是一个具体的数值,给定天气不同的六个值,爬取10年的天气之后做均值作为预测年份的天气(天气是作为判断是否为雨天情况做准备,若为下雨天,相当于一定程度的清洗)。
S03:根据所述并网容量、过去某天的有效利用小时数和过去某天的日照时长计算未来某天清洗后的理论发电量;
根据过去某天的日照时长、过去某天的有效利用小时数以及未来某天的日照时长Ii,计算出未来某天清洗后的理论有效利用小时数Fi;
设光伏组件一个清洗周期为T,其中最佳清洗周期为T1,一般周期为T2,且假定设备正常运行;
在T1周期内,采样并记录n组数据(Ii,Fi),其中,Ii为未来某天的日照时长,Fi为未来某天清洗后的有效利用小时数;
n组清洗数据构成散点图,根据散点图拟合得到回归模型中直线斜率k与纵轴的截距b;
根据以下两式计算清洗后的理论发电量:Fi=KIi+b,E=Fi*R,其中,Fi为未来某天清洗后的理论发电量,I为未来某天的日照时长,R为并网容量,E为清洗后的理论发电量。
未来某天有效利用小时数=未来某天清洗后的理论有效利用小时数-未来某天清洗后的理论有效利用小时数×(1-过去某天的空气质量系数)。
其中,过去某天的有效利用小时数=电站每日发电量/并网容量。
S04:根据所述光伏发电并网标杆电价和某天清洗后的理论发电量,进行离散离子群算法,得到清洗收益最大化,以及计算得出清洗时间间隔和清洗次数。
S0401:如图2和图3所示,初始化粒子群种群及参数,在编码中分为两段式(如图1所示),一个为清洗次数编码,另一个为清洗时间编码,当对清洗次数编码为5时,则会产生5个清洗时间间隔(根据时间间隔可计算出需要清洗的时间);
S0402:设置适应度函数,使得清洗收益最大化,SE(T)max=S(T)-S(0),S(T)=AQi-a,Qi=Ei-Ei(1-ri),Qi=未来某天有效利用小时数*R,其中S(T)为减去清洗费用后的总收益,A为光伏发电并网标杆电价,Qi为光伏电站的预测年份的第i天发电量,a为电站需要的清洗总费用,a=一次清洗费用为并网容量*清洗单价(清洗单价为公司所提供),清洗单价为公司所提供),SE(T)max为清洗后的收益增加值,S(0)为未清洗时的收益,Ei为第i天电站清洗后的理论发电量,ri为第i天空气质量系数,在对应的目标函数中,还存在着约束条件,即天气类型约束,即天气约束,在雨天的情况下,相当于一定程度的清洗(电站清洗后的前三天处于不积灰状态;若某天的天气为大雨,则相当于一次清洗;若某天的天气为中雨,则相当于0.5次清洗;若某天的天气为小雨,则相当于0.3次清洗);
S0403:然后随机产生所有粒子的位置(位置为清洗模型中的清洗日期间隔和清洗次数)和速度(速度用于更新粒子的位置,在清洗模型中相当于对清洗次数的更新)并确定其个体极值(每个粒子在所有的迭代中最好的解,即最优的清洗日期间隔和清洗次数)和全局极值(每一代中最优的粒子,即每一代迭代中最优的清洗日期间隔和清洗次数),将每个粒子的当前位置与个体极值进行比较,取较优解作为新的全局极值,将每个粒子的当前位置与全局极值进行比较,取较优解作为新的全局极值;
S0404:根据以下公式更新粒子的速度和位置:
S0405:判断是否满足最大迭代次数,若满足则终止算法,全局极值为最优解,若不满足最大迭代次数,则返回步骤S0402;
S0406:输出全局极值,即返回编码清洗时间间隔和清洗次数,由得到的清洗时间间隔计算出清洗时间。
举例说明计算过程:
拿一个电站举例,想要预测2021年需要清洗几次和具体的清洗时间,在这里我们爬取了2021年的日照时长,根据之前求出的线性回归模型,预测2021年这个电站的清洗后的理论有效利用小时数。但是在现实情况下,光伏板上会有积灰,从而导致有效利用小时数降低,所以就用到了空气质量系数,来模拟每天的电站有效利用小时数的减少,公式为:
未来某天有效利用小时数=未来某天清洗后的理论有效利用小时数-未来某天清洗后的理论有效利用小时数(1-过去某天的空气质量系数),也可以表示为:未来某天有效利用小时数=未来某天清洗后的理论有效利用小时数-过去某天的空气质量系数。
现在就求出了这个电站2021年每天的有效利用小时数,那么每天的发电量就需要乘上电站的并网容量,之后就开始用粒子群算法计算清洗次数和清洗时间。
假设它的编码为[3][45 120 280],即电站需要清洗3次,每次的清洗时间为第45天、第120天、第280天,先求前45天不清洗的发电量总和为Q1,然后再第45天清洗,接着计算第46-120天的发电量Q2,然后再第120天清洗,之后计算第121-280天的发电量Q3,然后再第280天清洗,计算281-360天的发电量Q4,Q=Q1+Q2+Q3+Q4,S(3)=Q A-a(A为光伏发电并网标杆电价,a为电站清洗3次的费用)。
计算没有清洗的电站的收益为S(0)
SE(3)=S(3)-S(0)
粒子群算法求的就是要让SE最大的清洗次数和时间间隔,粒子需要不断的迭代更新位置,以至于达到最优解。
电站根据地理位置不同,所受天气和空气质量程度也不同,及电站每天的积灰率也是变化的,根据电站积灰后的发电量和清洗后的发电量所带来的利益差距,来进行清洗次数和时间的判断。模型的目标就是预测电站未来一年的清洗次数和时间,在满足某些特定的约束条件的情况下使得模型的性能指标最优。
本发明预测方法的特点:
1.采用电站的电价与并网容量为固定的数据,预测开始时间是不固定的,据情况而定,业主可根据不同的时间段来预测光伏电站的清洗模型。
2.采用的未来一年的天气情况,是根据爬取到的近10年的天气情况做一个平均作为预测年份的天气;采用的未来一年的空气质量情况,是根据爬取到的近5年的空气质量情况做一个平均作为预测年份的空气质量,依据理论中的天气晴的积灰率和各种天气空气情况下的发电量来拟合各种天气及空气质量情况下的积灰率,可以较好的展现所处的环境。
3.采用的清洗后的理论发电量,根据以下步骤计算,设光伏组件一个清洗周期为T,其中最佳清洗效果周期为T1,一般周期为T2,本文认为在电站光伏组件清洗完成前后3天内即为T1,在该时间段内,光伏组件表面较为清洁,基本没有灰尘,组件处于最好状态。假定设备正常运行,在T1周期内,采样并记录n组数据(Ii,Fi),其中,Ii为未来某天的日照时长,Fi为未来某天清洗后的有效利用小时数;n组清洗数据构成散点图,根据散点图拟合得到回归模型中直线斜率k与纵轴的截距b;根据以下两式计算清洗后的理论发电量:Fi=KIi+b,E=Fi*R,其中,Fi为未来某天清洗后的理论发电量,I为未来某天的日照时长,R为并网容量,E为清洗后的理论发电量。为业主提供未来时间段内的电站发电量。
4.采用两段式编码,一个为清洗次数编码,一个为清洗日期编码。随机生成在规定范围内递增的整数。且清洗日期的编码是随着清洗次数的编码数据的变化而变化的,大大提高了解的质量。
5.本发明在速度的更新中没有使用常规公式,而是在位置更新中使用随机生成在规定范围内递增的整数。在清洗次数和时间的更新中全为整数的更新,且清洗时间是在清洗次数的更新上进行变化的,进而在整体上提高了解的速度和质量。
下面结合附图和具体实施方式对本发明进行详细说明。
1.对粒子群算法进行初始化参数:ω=0.8;c1=2;c2=2;r1=0.6;r2=0.3;pN=20;dim=6;max_iter=100(w:惯性权重,用于影响粒子之前的速度;c1和c2表示学习因子;r1和r2表示介于[0,1]之间的随机数;pN表示种群大小;dim表示搜索维度;max_iter表示最大迭代次数,如上述公式)
2.采用两段式编码(如图1所示),一个为清洗次数编码,一个为清洗日期间隔编码。随机生成在规定范围内递增的整数为清洗次数,且清洗日期间隔的编码是随着清洗次数的编码数据的变化而变化,根据清洗日期间隔计算清洗时间。
3.选取的目标函数:清洗收益最大化(离散粒子群算法优化的函数)。
SE(T)max=S(T)-S(0),S(T)=AQi-a,Qi=Ei-Ei(1-ri),
其中S为减去清洗费用后的总收益,A为光伏发电并网标杆电价,Q为光伏电站的预测年份总发电量,a为电站需要的清洗费用,SE(T)为清洗后的收益增加值,S(0)为未清洗时的收益,Ei为第i天电站清洗后的理论发电量,ri为第i天空气质量系数。若T的取值使得E(T)的值最大时,则称T为非负收益清洗时间,计算出非负收益中的最大值所对应的所有时间,即为最佳清洗时间。
4.约束条件的确立,算法的实用性更加准确。即电站清洗后的前三天处于不积灰状态;若某天的天气为大雨,则相当于一次清洗;若某天的天气为中雨,则相当于0.5次清洗;若某天的天气为小雨,则相当于0.3次清洗。
5.整个算法流程为图2所示,具体步骤如下:
步骤1初始化粒子群种群及参数,在编码中分为两段式(如图一),一个为清洗次数编码,另一个为清洗时间编码,当对清洗次数编码为5时,则会产生5个清洗时间间隔(根据时间间隔可计算出需要清洗的时间)。
步骤2设置适应度函数,使得清洗收益最大化。(,,其中S为减去清洗费用后的总收益,A为光伏发电并网标杆电价,Q为光伏电站的预测年份总发电量,a为电站需要的清洗费用,SE(T)为清洗后的收益增加值,S(0)为未清洗时的收益,Ei为第i天电站清洗后的理论发电量,r为第i天空气质量系数)
步骤3然后随机产生所有粒子的位置和速度并确定其个体极值和全局极值,将每个粒子的当前位置与个体极值进行比较,取较优解作为新的全局极值。将每个粒子的当前位置与全局极值进行比较,取较优解作为新的全局极值。
步骤4根据公式更新粒子的速度和位置。
步骤5判断是否满足最大迭代次数,若满足则终止算法,全局极值为最优解,若不满足则返回步骤2。
6.结果分析:
图3是一个电站在粒子迭代100次的过程,在20代的时候粒子已经找到了最优的位置,此时运行的时间为4.631114721298218s,运行时间非常快。
7.本发明预测方法的工作过程:
将对所需的数据进行预处理,业主对想要预测的时间段设置预测开始时间,进行算法预测,业主根据结果提前对光伏电站的清洗做准备,以致提高光伏电站的发电量。
本申请提供的实施例之间的相似部分相互参见即可,以上提供的具体实施方式只是本申请总的构思下的几个示例,并不构成本申请保护范围的限定。对于本领域的技术人员而言,在不付出创造性劳动的前提下依据本申请方案所扩展出的任何其他实施方式都属于本申请的保护范围。
Claims (6)
1.一种基于离散粒子群算法的光伏电站清洗模型预测方法,其特征在于,包括以下步骤:
获取电站的相关数据,所述电站的相关数据包括光伏发电并网标杆电价、并网容量和过去某天的有效利用小时数;
爬取关于天气类型、空气质量类型和过去某天的日照时长的数据;
根据所述空气质量类型计算空气质量系数;
根据所述并网容量、空气质量系数计算未来某天清洗后的理论发电量;
根据过去某天的日照时长、过去某天的有效利用小时数以及未来某天的日照时长Ii,计算出未来某天清洗后的理论有效利用小时数Fi;
设光伏组件一个清洗周期为T,其中最佳清洗周期为T1,一般周期为T2,且假定设备正常运行;
在T1周期内,采样并记录n组数据(Ii,Fi),其中,Ii为未来某天的日照时长,Fi为未来某天清洗后的有效利用小时数;
n组清洗数据构成散点图,根据散点图拟合得到回归模型中直线斜率k与纵轴的截距b;
根据以下两式计算清洗后的理论发电量:Fi=KIi+b,E=Fi*R,其中,Fi为未来某天清洗后的理论发电量,I为未来某天的日照时长,R为并网容量,E为清洗后的理论发电量;
初始化粒子群种群及参数,在编码中分为两段式,一个为清洗次数编码,另一个为清洗时间编码,当对清洗次数编码为5时,则会产生5个清洗时间间隔;
设置适应度函数,使得清洗收益最大化,,,,,其中S(T)为减去清洗费用后的总收益,A 为光伏发电并网标杆电价,Qi为光伏电站的预测年份的第i天发电量,a为电站需要的清洗总费用,a=一次清洗费用为并网容量*清洗单价,清洗单价为公司所提供),为清洗后的收益增加值,S(0)为未清洗时的收益,Ei为第i天电站清洗后的理论发电量,ri为第i天空气质量系数,在对应的目标函数中,还存在着约束条件,即天气类型约束;
然后随机产生所有粒子的位置和速度并确定其个体极值和全局极值,将每个粒子的当前位置与个体极值进行比较,取较优解作为新的全局极值,将每个粒子的当前位置与全局极值进行比较,取较优解作为新的全局极值;
根据以下公式更新粒子的速度和位置:
判断是否满足最大迭代次数,若满足则终止算法,全局极值为最优解;
输出全局极值,即返回编码清洗时间间隔和清洗次数,由得到的清洗时间间隔计算出清洗时间。
2.根据权利要求1所述的基于离散粒子群算法的光伏电站清洗模型预测方法,其特征在于,所述过去某天的有效利用小时数=电站每日发电量/并网容量。
4.根据权利要求1或3所述的基于离散粒子群算法的光伏电站清洗模型预测方法,其特征在于,所述空气质量类型包括优、良、轻度污染、中度污染、重度污染和严重污染,每种天气类型对应相应的空气质量系数。
5.根据权利要求1所述的基于离散粒子群算法的光伏电站清洗模型预测方法,其特征在于,所述天气类型包括晴、云、风、阴、雨和雪。
6.根据权利要求1所述的基于离散粒子群算法的光伏电站清洗模型预测方法,其特征在于,若不满足最大迭代次数,则进行如下步骤:
设置适应度函数,使得清洗收益最大化,,,,,其中S(T)为减去清洗费用后的总收益,A 为光伏发电并网标杆电价,Qi为光伏电站的预测年份的第i天发电量,a为电站需要的清洗总费用,a=一次清洗费用为并网容量*清洗单价,清洗单价为公司所提供),为清洗后的收益增加值,S(0)为未清洗时的收益,Ei为第i天电站清洗后的理论发电量,ri为第i天空气质量系数,在对应的目标函数中,还存在着约束条件,即天气类型约束;
然后随机产生所有粒子的位置和速度并确定其个体极值和全局极值,将每个粒子的当前位置与个体极值进行比较,取较优解作为新的全局极值,将每个粒子的当前位置与全局极值进行比较,取较优解作为新的全局极值;
根据以下公式更新粒子的速度和位置:
判断是否满足最大迭代次数,判断是否满足最大迭代次数,直至满足最大迭代次数,获得全局极值为最优解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011533266.4A CN112561190B (zh) | 2020-12-23 | 2020-12-23 | 一种基于离散粒子群算法的光伏电站清洗模型预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011533266.4A CN112561190B (zh) | 2020-12-23 | 2020-12-23 | 一种基于离散粒子群算法的光伏电站清洗模型预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112561190A CN112561190A (zh) | 2021-03-26 |
CN112561190B true CN112561190B (zh) | 2023-01-24 |
Family
ID=75030840
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011533266.4A Active CN112561190B (zh) | 2020-12-23 | 2020-12-23 | 一种基于离散粒子群算法的光伏电站清洗模型预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112561190B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113393046B (zh) * | 2021-06-23 | 2024-06-18 | 合肥零碳技术有限公司 | 一种光伏功率预测方法及其应用装置 |
CN115641029B (zh) * | 2022-12-13 | 2023-03-10 | 北京飞来风科技发展有限公司 | 基于环境气象影响的光伏组件清洗需求评估方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105305415A (zh) * | 2015-10-08 | 2016-02-03 | 许继集团有限公司 | 一种离网光伏电站负荷可用电量的预测方法 |
CN107040206A (zh) * | 2017-05-02 | 2017-08-11 | 东北电力大学 | 一种光伏电池板积灰状态监测系统与清洗周期优化方法 |
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 |
CN108399493A (zh) * | 2018-02-02 | 2018-08-14 | 上海电气分布式能源科技有限公司 | 积灰致光伏发电量损失预测方法及光伏组件清洗判断方法 |
CN108960453A (zh) * | 2018-07-31 | 2018-12-07 | 江苏林洋新能源科技有限公司 | 光伏电站积灰经济清洗计算方法 |
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 |
CN109242208A (zh) * | 2018-10-12 | 2019-01-18 | 远景能源(南京)软件技术有限公司 | 基于经济效应的光伏电站清洗需求估算方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110161860B (zh) * | 2019-05-28 | 2022-03-11 | 南通大学 | 一种光伏组件智能清扫策略的方法及控制系统 |
-
2020
- 2020-12-23 CN CN202011533266.4A patent/CN112561190B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105305415A (zh) * | 2015-10-08 | 2016-02-03 | 许继集团有限公司 | 一种离网光伏电站负荷可用电量的预测方法 |
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 |
CN107040206A (zh) * | 2017-05-02 | 2017-08-11 | 东北电力大学 | 一种光伏电池板积灰状态监测系统与清洗周期优化方法 |
CN108399493A (zh) * | 2018-02-02 | 2018-08-14 | 上海电气分布式能源科技有限公司 | 积灰致光伏发电量损失预测方法及光伏组件清洗判断方法 |
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 |
CN108960453A (zh) * | 2018-07-31 | 2018-12-07 | 江苏林洋新能源科技有限公司 | 光伏电站积灰经济清洗计算方法 |
CN109242208A (zh) * | 2018-10-12 | 2019-01-18 | 远景能源(南京)软件技术有限公司 | 基于经济效应的光伏电站清洗需求估算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112561190A (zh) | 2021-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Harrou et al. | Forecasting of photovoltaic solar power production using LSTM approach | |
CN112561190B (zh) | 一种基于离散粒子群算法的光伏电站清洗模型预测方法 | |
CN110008982B (zh) | 一种基于光伏发电出力聚类的气象监测点选择方法 | |
CN113919232A (zh) | 一种基于循环神经网络的光伏电站功率预测方法及系统 | |
CN110942205B (zh) | 一种基于himvo-svm的短期光伏发电功率预测方法 | |
CN110729764B (zh) | 一种含光伏发电系统的优化调度方法 | |
CN110097220B (zh) | 一种风力发电月度电量预测方法 | |
CN110443405A (zh) | 一种光伏电站发电量预测系统及方法 | |
CN109934395B (zh) | 一种基于分时分区气象数据的多小水电地区短期电力负荷预测方法 | |
CN113496311A (zh) | 光伏电站发电功率预测方法及系统 | |
CN106600060B (zh) | 基于相似日晴朗系数修正的太阳辐照量预测方法 | |
CN110009385B (zh) | 一种基于多因素映射的光伏发电用户群划分方法 | |
CN109255728A (zh) | 混沌相空间优化重构的光伏发电功率神经网络预测法 | |
CN114186723A (zh) | 一种基于时空关联的分布式光伏功率网格虚拟预测系统 | |
CN107403244A (zh) | 基于人工神经网络改进灰色模型的短期风速预测方法 | |
CN114492941A (zh) | 一种基于集群划分和数据增强的整县光伏预测方法 | |
CN107229817B (zh) | 光伏电站灰尘遮挡损失分析方法 | |
CN115021331A (zh) | 基于贡献系数法的清洁能源基地水风光一体化补偿方法 | |
CN112688306B (zh) | 基于天气预报和历史功率数据的光伏周出力场景预测方法 | |
CN117060407B (zh) | 一种基于相似日划分的风电集群功率预测方法及系统 | |
CN110852492A (zh) | 一种基于马氏距离找相似的光伏功率超短期预测方法 | |
CN104268635A (zh) | 一种基于再分析资料的测风网络布局优化方法 | |
CN112132344A (zh) | 一种基于相似日和frs-svm的短期风电功率预测方法 | |
CN111082446A (zh) | 一种考虑电池自消耗的储能优化配置方法 | |
Dimd et al. | Ultra-short-term photovoltaic output power forecasting using deep 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 |