CN112732008A - 一种控制发电量方法、装置及光伏跟踪支架 - Google Patents
一种控制发电量方法、装置及光伏跟踪支架 Download PDFInfo
- Publication number
- CN112732008A CN112732008A CN202011592825.9A CN202011592825A CN112732008A CN 112732008 A CN112732008 A CN 112732008A CN 202011592825 A CN202011592825 A CN 202011592825A CN 112732008 A CN112732008 A CN 112732008A
- Authority
- CN
- China
- Prior art keywords
- sample
- parameter
- power generation
- data
- angle
- 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 116
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000003062 neural network model Methods 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000013499 data model Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011888 foil Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05F—SYSTEMS FOR REGULATING ELECTRIC OR MAGNETIC VARIABLES
- G05F1/00—Automatic systems in which deviations of an electric quantity from one or more predetermined values are detected at the output of the system and fed back to a device within the system to restore the detected quantity to its predetermined value or values, i.e. retroactive systems
- G05F1/66—Regulating electric power
- G05F1/67—Regulating electric power to the maximum power available from a generator, e.g. from solar cell
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D3/00—Control of position or direction
- G05D3/12—Control of position or direction using feedback
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S20/00—Supporting structures for PV modules
- H02S20/30—Supporting structures being movable or adjustable, e.g. for angle adjustment
- H02S20/32—Supporting structures being movable or adjustable, e.g. for angle adjustment specially adapted for solar tracking
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Automation & Control Theory (AREA)
- Sustainable Development (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Electromagnetism (AREA)
- Radar, Positioning & Navigation (AREA)
- Health & Medical Sciences (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明属于太阳能跟踪领域，提供了一种控制发电量方法、装置及光伏跟踪支架，其方法包括步骤：根据多个样本发电量数据，计算得到样本发电量最大时的样本最佳角度；以所述样本最佳角度为基础结合采集的多个样本外界数据，构建跟踪角度模型；利用所述跟踪角度模型与当前外界数据对比，生成光伏跟踪支架的当前最佳角度，以控制发电量；其中，所述样本外界数据包括样本天气参数、样本云层遮挡参数、样本地形环境参数和样本光伏组件参数。通过对每个光伏跟踪支架基于天气温度湿度、云层厚度遮挡情况、地形环境、光伏组件单面双面这四个因素的考量，逐步建立跟踪角度模型，提升发电量。
Description
技术领域
本发明涉及太阳能跟踪领域，尤指一种控制发电量方法、装置及光伏跟踪支架。
背景技术
目前，在现有的光伏电站项目中，一般都是直接采用视日运动轨迹跟踪控制方式，因此在天气变化、云层遮挡或者地形环境引起遮挡时，光伏跟踪支架不能提前快速有效的转动到最佳发电量的角度，从而引起发电量的损失，大大影响光伏组件的发电量。
发明内容
本发明为了解决上述难题，本发明是通过以下技术实现的：
本发明提供
一种控制发电量方法，包括步骤：
根据多个样本发电量数据，计算得到样本发电量最大时的样本最佳角度；
以所述样本最佳角度为基础结合采集的多个样本外界数据，构建跟踪角度模型；
利用所述跟踪角度模型与当前外界数据对比，生成光伏跟踪支架的当前最佳角度，以控制发电量；
其中，所述样本外界数据包括样本天气参数、样本云层遮挡参数、样本地形环境参数和样本光伏组件参数。
进一步优选的，所述根据多个样本发电量数据，计算得到样本发电量最大时的样本最佳角度，包括步骤：
利用所述光伏跟踪支架的电量检测设备，采集多个样本发电量数据以计算样本发电量；
当计算所述样本发电量后，记录每个时刻的样本发电量对应的角度，筛选排序出最大样本发电量对应的角度，所述最大发电量对应的角度为样本最佳角度
其中，所述样本发电量数据包括光伏组件的样本电压和样本电流数据。
进一步优选的，所述利用所述光伏跟踪支架的电量检测设备，采集多个样本发电量数据以计算样本发电量，具体包括步骤：
在视日轨迹控制方式的基础上采集多个所述样本发电量数据，建立样本数据表；
根据所述样本数据表计算对应时刻的样本发电量。
进一步优选的，在所述以所述样本最佳角度为基础结合采集的多个样本外界数据，构建跟踪角度模型之前，还包括采集多个所述样本外界数据，具体包括步骤：
采集所述样本光伏组件参数中的组件类型、双面因子和背面反射系数；
记录所述样本天气参数中的温度、湿度，以及所述样本云层遮挡参数中的云层速度、云层大小和云层厚度；
记录所述光伏跟踪支架所在的样本地形环境参数中的支架高度、地形坡度、南北方向阴影系数和东西方向阴影系数。
进一步优选的，所述以所述样本最佳角度为基础结合采集的多个样本外界数据，构建跟踪角度模型，还包括：
间隔的对处于同一时刻的所述样本发电量数据和所述样本外界数据进行对应记录并形成多张综合数据表；
根据所述综合数据表构建成所述跟踪角度模型。
进一步优选的，所述根据所述综合数据表构建成所述跟踪角度模型，具体包括步骤：
输入所述综合数据表中的参数：
X＝[参数A，参数B，参数C，参数D，参数E，参数F，参数G，参数H，参数I，参数J，参数K，参数L，角度](T时刻)；
其中，每个参数的权重为：W＝[w1,w2,……,w12]；
将所述多个样本外界数据进行归一化处理，得到归一化数据，计算公式为：
y＝[w1,w2,……,w12]*[参数A，参数B，参数C，参数D，参数E，参数F，参数G，参数H，参数I，参数J，参数K，参数L，角度](T时刻)+b；
其中，参数A为所述组件类型，参数B为所述双面因子，参数C为所述背面反射系数，参数D为所述温度，参数F为所述云层速度，参数G为所述云层大小，参数H为所述云层厚度，参数I为所述支架高度，参数K为南北方向阴影系数，参数L为东西方向阴影系数；
利用所述归一化数据，以训练所述跟踪角度模型。
进一步优选的，所述利用所述归一化数据，以训练所述跟踪角度模型，具体包括步骤：
建立BP神经网络模型；
将所述归一化数据输入所述BP神经网络模型；
将采集的样本数据表对应的时刻总数作为为所述BP神经网络模型的迭代次数；
基于所述迭代次数、预设期望误差和预设学习速率，自动训练所述BP神经网络模型，以获得所述跟踪角度模型。
进一步优选的，所述利用所述样本电压数据和所述样本电流数据，计算得到每个时刻的样本发电量，具体包括步骤：
利用所述样本电压数据和所述样本电流数据，计算得到光伏组件在每个时刻的样本发电量，计算公式为：
样本发电量＝Ia*h*b*c；
其中，Ia为峰值工作电流，h为峰值日照系数，b为斜面修正系数，c为衰减损耗系数。
进一步优选的，所述利用所述跟踪角度模型，预测光伏跟踪支架的当前最佳角度，以控制发电量，具体包括步骤：
采集所述光伏跟踪支架的当前天气参数、当前云层遮挡参数、当前地形环境参数和当前光伏组件参数；
将所述当前天气参数、所述当前云层遮挡参数、所述当前地形环境参数和所述当前光伏组件参数输入至所述跟踪角度模型，以获取预测的预测光伏跟踪支架的当前最佳角度，以控制发电量。
本专利申请还提供一种控制发电量装置，其用于所述控制发电量方法，包括：计算模块、构建模块和控制模块。
本专利申请还提供一种光伏跟踪支架，其包含所述控制发电量装置。
本发明提供的一种控制发电量方法、装置及光伏跟踪支架至少具有以下有益效果：
1)通过对每个光伏跟踪支架基于天气温度湿度、云层厚度遮挡情况、地形环境、光伏组件单面双面这四个因素的考量，逐步建立跟踪角度模型，提升发电量。
2)本发明通过建立模型，自动预测发电量最大时的最佳角度，以实现基于光伏跟踪支架学习训练提升发电量的跟踪控制。
附图说明
下面将以明确易懂的方式，结合附图说明优选实施方式，对一种控制发电量方法、装置和光伏跟踪支架上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是本发明中一种控制发电量方法的一个实施例的示意图；
图2是本发明中一种控制发电量方法的另一个实施例的示意图；
图3是本发明中一种控制发电量装置的一个实施例的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其他实施例中也可以实现本申请。在其他情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所述描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其他特征、整体、步骤、操作、元素、组件和/或集合的存在或添加。
为使图面简洁，各图中只示意性地表示出了与本发明相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。
还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
另外，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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，并获得其他的实施方式。
实施例一
本发明的一个实施例，如图1所示，一种控制发电量方法，包括：
S100根据多个样本发电量数据，计算得到样本发电量最大时的样本最佳角度。
S200以所述样本最佳角度为基础结合采集的多个样本外界数据，构建跟踪角度模型。
S300利用所述跟踪角度模型与当前外界数据对比，生成光伏跟踪支架的当前最佳角度，以控制发电量。
其中，所述多组样本外界数据包括样本天气参数、样本云层遮挡参数、样本地形环境参数和样本光伏组件参数。
具体的，光伏跟踪支架加入电量检测设备，对光伏组件采集电压数据和电流数据，计算发电量。光伏跟踪支架根据视日轨迹控制方式基础上增加多组合数据采集并多次采集，建立一张数据表。根据数据表计算出当前最大的发电量，查找出对应的最佳角度。以最佳角度为基础，结合当时天气因素、云层遮挡、地形环境以及光伏组件单面双面的详细数据，构建数据模型。
具体的，样本发电量数据包括样本电压数据和样本电流数据。多组样本外界数据包括多次采集到的光伏跟踪支架所处环境的天气参数、云层遮挡参数、地形环境参数和光伏组件参数。
天气因素分多种：雨天、阴天、雪天、大风天，同时还有温度、湿度、风向都会对组件形成影响。云层会遮挡太阳对组件形成阴影，遮挡分为多种程度：浅、中、深，每一种程度都会有不同的影响。因此在本实施例中，将多种重要影响因素都进行参考。
示例性的，每隔一段时间对上述数据进行记录，形成多张数据表，结合为一天的数据表。每一天直至365天形成一张一年的数据表，多张数据表结合天气因素、云层遮挡、地形环境及光伏组件单面双面的详细数据综合出一张数据模型，以后继续通过数据进行完善。
在本实施例中，可以对每个光伏跟踪支架基于天气温度湿度、云层厚度遮挡情况、地形环境、光伏组件单面双面这四个因素的考量，逐步建立跟踪角度模型，提升发电量。同时，通过跟踪角度模型可以提前预测发电量最大的最佳角度。
在本实施例中，根据当下的天气因素和云层遮挡以及地形环境和光伏组件的详细数据和数据模型进行比对，判断当前条件因素下，给出最佳角度调整光伏支架跟踪状态，提升发电量。
实施例二
基于上述实施例，在本实施例中与上述实施例相同的部分就不一一赘述了，本实施例提供一种控制发电量的方法，如图2所示，具体包括：
优选地，步骤S100所述根据多个样本发电量数据，计算得到样本发电量最大时的样本最佳角度，具体包括步骤：
S101利用所述光伏跟踪支架的电量检测设备，采集多个样本发电量数据以计算样本发电量。
S102当计算所述样本发电量后，记录每个时刻的样本发电量对应的角度，筛选排序出最大样本发电量对应的角度，所述最大发电量对应的角度为样本最佳角度。
其中，所述样本发电量数据包括光伏组件的样本电压数据和样本电流数据。
示例性的，利用所述光伏跟踪支架的电量检测设备，采集多个样本发电量数据以计算样本发电量；当计算所述样本发电量后，记录每个时刻的样本发电量对应的角度，筛选排序出最大样本发电量对应的角度，所述最大发电量对应的角度为样本最佳角度；其中，所述样本发电量数据包括光伏组件的样本电压数据和样本电流数据。
优选地，利用所述样本电压数据和所述样本电流数据，计算得到每个时刻的样本发电量之后，还包括步骤：
记录所述每个时刻的样本发电量对应的角度。
具体的，所述利用所述光伏跟踪支架的电量检测设备，采集多个样本发电量数据以计算样本发电量，具体包括步骤：
在视日轨迹控制方式的基础上采集多个所述样本发电量数据，建立样本数据表；根据所述样本数据表计算对应时刻的样本发电量。
其中，视日轨迹控制方式是个基础，，这是常规的光伏支架追踪方式，以追踪太阳位置的发电方式(光伏板与太阳光线垂直)。比如视日轨迹此时的角度上是60°，以60°为基础，在59°和61°处进行测试，然后找出其中最大的发电量。
在步骤S200所述以所述样本最佳角度为基础结合采集的多个样本外界数据，构建跟踪角度模型之前，具体包括步骤：采集所述样本光伏组件参数中的组件类型、双面因子和背面反射系数；记录所述样本天气参数中的温度、湿度，以及所述样本云层遮挡参数中的云层速度、云层大小和云层厚度；记录所述光伏跟踪支架所在的样本地形环境参数中的支架高度、地形坡度、南北方向阴影系数和东西方向阴影系数。
优选地，步骤S200所述以所述样本最佳角度为基础结合采集的多个样本外界数据，构建跟踪角度模型，具体包括步骤：
S201输入所述多个样本外界数据中样本天气参数、样本云层遮挡参数、样本地形环境参数和样本光伏组件参数，具体包括：
X＝[参数A，参数B，参数C，参数D，参数E，参数F，参数G，参数H，参数I，参数J，参数K，参数L，角度](T时刻)；
其中，X为多个样本外界数据，参数A为所述组件类型，参数B为所述双面因子，参数C为所述背面反射系数，参数D为所述温度，参数F为所述云层速度，参数G为所述云层大小，参数H为所述云层厚度，参数I为所述支架高度，参数K为南北方向阴影系数，参数L为东西方向阴影系数；
每个参数的权重为：W＝[w1,w2,……,w12]；
S202将所述样本外界数据进行归一化处理，得到归一化数据，计算公式为：
y＝[w1,w2,……,w12]*[参数A，参数B，参数C，参数D，参数E，参数F，参数G，参数H，参数I，参数J，参数K，参数L，角度](T时刻)+b；
S203利用所述归一化数据，以训练所述跟踪角度模型。
优选地，步骤S203所述利用所述归一化数据，以训练所述跟踪角度模型，具体包括步骤：
建立BP(error BackPropagation，误差反向传播)神经网络模型。
将所述归一化数据输入所述BP神经网络模型。
将采集的样本数据表对应的时刻总数作为为所述BP神经网络模型的迭代次数。
基于所述迭代次数、预设期望误差和预设学习速率，自动训练所述BP神经网络模型，以获得所述跟踪角度模型。
优选地，利用所述样本电压数据和所述样本电流数据，计算得到每个时刻的样本发电量，具体包括步骤：
利用所述样本电压数据和所述样本电流数据，计算得到光伏组件在每个时刻的样本发电量，计算公式为：
样本发电量＝Ia*h*b*c；
其中，Ia为峰值工作电流，h为峰值日照系数，b为斜面修正系数，c为衰减损耗系数。
优选地，S300所述利用所述跟踪角度模型，预测光伏跟踪支架的当前最佳角度，以控制发电量，具体包括步骤：
S301采集所述光伏跟踪支架的当前天气参数、当前云层遮挡参数、当前地形环境参数和当前光伏组件参数。
S302将所述当前天气参数、所述当前云层遮挡参数、所述当前地形环境参数和所述当前光伏组件参数输入至所述跟踪角度模型，以获取预测的预测光伏跟踪支架的当前最佳角度，以控制发电量。
目前光伏电站项目，普遍缺乏对天气温度湿度、云层厚度遮挡情况、地形环境、光伏组件单面双面对于组件发电量影响的信息收集，一般都是不参考这些因素直接采用视日运动轨迹跟踪控制方式，这样会大大影响光伏组件的发电量，并且同时因为没有参考上述因素，所以在天气变化或者云层遮挡或者地形环境引起的遮挡时，不能提前快速有效的转动到最佳发电量的角度引起发电量的损失。
本实施例基于光伏跟踪支架的视日跟踪控制上，加入对天气温度湿度、云层厚度遮挡情况、地形环境、光伏组件单面双面这些参数的考量，实时判断光伏组件最大发电量所对应的角度，并进行调整来提升光伏组件的发电量。
实施例三
基于上述实施例，在本实施例中与上述实施例相同的部分就不一一赘述了，本实施例提供一种控制发电量的方法，具体包括步骤：
步骤1：光伏跟踪支架加入电量检测设备，如直流电能监测模块可以实时反馈光伏组件发电数据，计算出发电量。
计算公式为：组件发电量＝Ia*h*b*c
Ia为组件峰值工作电流，h为峰值日照系数，b为斜面修正系数，c为组件衰减损耗系数。
步骤2：光伏跟踪支架采集组件信息
参数A：组件单面或者双面
参数B：记录双面因子：B＝I正面电流/I背面电流
参数C：背面反射系数：1类为土壤、沙地、水面、草地、水泥地等反射率小于35％的安装背景。2类为铝箔、浅色地表等反射率在35％-75％的安装背景。3类为雪地，白色背景等反射率大于75％的安装背景。
角度信息：进行多次计算发电量后，记录每个时刻计算发电量的角度，筛选排序出最大发电量对应的角度。
步骤3：记录当天天气情况，加入详细的参数信息比如天气温度湿度。记录云层，加入详细的参数信息比如风向云层形状厚度。
参数D：温度。参数E：湿度。
参数F：云层速度，云层速度＝(云当前位置-云前一刻位置)/时间。
参数G：云层大小，分为10％-100％。
参数H：云层厚度，分为10％-100％，100％为乌云。
步骤4：记录当前支架地形，加入水平高度、角度信息。
参数I：支架高度。参数J：地形坡度。
参数K：南北方向阴影系数Rn-s＝cos方位角/tan高度角
参数L：东西方向阴影系数Re-w＝sin方位角/tan高度角
步骤5：结合步骤1和步骤2和步骤3和步骤4的信息，根据数据信息构建跟踪支架控制角度模型
输入参数：X＝[参数A，参数B，参数C，参数D，参数E，参数F，参数G，参数H，参数I，参数J，参数K，参数L，角度](T时刻)
权重：W＝[w1，w2，……w12]
输出最后为：
y＝[w1，w2，……w12]*[参数A，参数B，参数C，参数D，参数E，参数F，参数G，参数H，参数I，参数J，参数K，参数L，角度](T时刻)+b
y＝wx+b，进行归一化处理。
建立BP神经网络模型：
根据之前采集的数据表，查看采集时间总数，即为迭代次数，期望误差设为0.000000001，学习速率设为0.01，之后自动进行训练完成学习。
步骤6：参照模型加入当前天气情况判断预测角度。
经过每个时刻的数据采集，模型经历了多次迭代加深，输出层的误差会越来越小，系统趋于收敛。将各个参数输入完毕后，可以得到预测角度。
对于天气、云层遮挡、地形因素、光伏组件单面双面的影响，行业内还没有明确的研究结论。而上述四种因素对于光伏组件的发电量实际影响是很打的，原先光伏项目普通的基于视日跟踪的跟踪方式，造成光伏组件的发电能力极大的浪费。本实施例提出一种控制发电量的方法，基于光伏跟踪支架学习训练提升发电量的跟踪控制。
实施例四
基于上述实施例，在本实施例中与上述实施例相同的部分就不一一赘述了，如图3所示，本实施例提供一种控制发电量装置，包括：
计算模块301，用于根据多个样本发电量数据，计算得到样本发电量最大时的样本最佳角度。
构建模块302，用于以所述样本最佳角度为基础结合采集的多个样本外界数据，构建跟踪角度模型。
控制模块303，用于利用所述跟踪角度模型与当前外界数据对比，生成光伏跟踪支架的当前最佳角度，以控制发电量。
其中，所述多个样本外界数据包括样本天气参数、样本云层遮挡参数、样本地形环境参数和样本光伏组件参数。
实施例五
本发明还提供一种光伏跟踪支架，包括所述控制发电量装置。光伏跟踪支架系统学习训练，提升发电量控制的步骤如下：
1、光伏跟踪支架加入电量检测设备，对光伏组件采集电压电流数据，计算发电量。
2、光伏跟踪支架根据视日轨迹控制方式基础上增加多组合数据采集并多次采集，建立一张数据表。
3、根据数据表计算出当前最大的发大量，查找出对应的最佳角度。
4、以最佳角度为基础，结合当时天气因素和云层遮挡以及地形环境和光伏组件的详细数据，构建数据模型。
5、每隔一段时间对上述数据进行记录，形成多张数据表，结合为一天的数据表。
6、每一天直至365天形成一张一年的数据表，多张数据表结合天气因素和云层遮挡以及地形环境和光伏组件的详细数据综合出一张数据模型，以后继续通过数据进行完善。
7、根据当下的天气因素和云层遮挡以及地形环境和光伏组件的详细数据和数据模型进行比对，判断当前条件因素下，给出最佳角度调整光伏支架跟踪状态，提升发电量。
天气因素分多种：雨天、阴天、雪天、大风天，同时还有温度、湿度、风向都会对组件形成影响。云层会遮挡太阳对组件形成阴影，遮挡分为多种程度：浅、中、深，每一种程度都会有不同的影响。所以都需要进行参考。
在本实施例中，每个光伏跟踪支架基于天气温度湿度、云层厚度遮挡情况、地形环境、光伏组件单面双面这四个因素的考量，逐步建立跟踪角度模型，提升发电量。可以提前预测最佳发电量角度。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的程序模块完成，即将所述装置的内部结构划分成不同的程序单元或模块，以完成以上描述的全部或者部分功能。实施例中的各程序模块可以集成在一个处理单元中，也可是各个单元单独物理存在，也可以两个或两个以上单元集成在一个处理单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件程序单元的形式实现。另外，各程序模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。
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细描述或记载的部分，可以参见其他实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其他的方式实现。示例性的，以上所描述的装置实施例仅仅是示意性的，示例性的，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，示例性的，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性、机械或其他的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可能集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
应当说明的是，上述实施例均可根据需要自由组合。以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (11)
1.一种控制发电量方法，其特征在于，包括步骤：
根据多个样本发电量数据，计算得到样本发电量最大时的样本最佳角度；
以所述样本最佳角度为基础结合采集的多个样本外界数据，构建跟踪角度模型；
利用所述跟踪角度模型与当前外界数据对比，生成光伏跟踪支架的当前最佳角度，以控制发电量；
其中，所述样本外界数据包括样本天气参数、样本云层遮挡参数、样本地形环境参数和样本光伏组件参数。
2.根据权利要求1所述的控制发电量方法，其特征在于，根据多个所述样本发电量数据，计算得到所述样本发电量最大时的所述样本最佳角度，包括步骤：
利用所述光伏跟踪支架的电量检测设备，采集多个所述样本发电量数据以计算所述样本发电量；
当计算所述样本发电量后，记录每个时刻的所述样本发电量对应的角度，筛选排序出最大所述样本发电量时的对应角度，最大所述样本发电量时对应的角度为所述样本最佳角度
其中，所述样本发电量数据包括光伏组件的样本电压数据和样本电流数据。
3.根据权利要求2所述的控制发电量方法，其特征在于，所述利用所述光伏跟踪支架的电量检测设备，采集多个所述样本发电量数据以计算所述样本发电量，具体包括步骤：
在视日轨迹控制方式的基础上采集多个所述样本发电量数据，建立样本数据表；
根据所述样本数据表计算对应时刻的所述样本发电量。
4.根据权利要求1所述的控制发电量方法，其特征在于，以所述样本最佳角度为基础结合采集的多个所述样本外界数据，构建跟踪角度模型之前，还包括采集多个所述样本外界数据，具体包括步骤：
采集所述样本光伏组件参数中的组件类型、双面因子和背面反射系数；
记录所述样本天气参数中的温度、湿度，以及所述样本云层遮挡参数中的云层速度、云层大小和云层厚度；
记录所述光伏跟踪支架所在的样本地形环境参数中的支架高度、地形坡度、南北方向阴影系数和东西方向阴影系数。
5.根据权利要求1所述的控制发电量方法，其特征在于，以所述样本最佳角度为基础结合采集的多个所述样本外界数据，构建跟踪角度模型，还包括：
间隔的对处于同一时刻的所述样本发电量数据和所述样本外界数据进行对应记录并形成多张综合数据表；
根据所述综合数据表构建成所述跟踪角度模型。
6.根据权利要求5所述的控制发电量方法，其特征在于，所述根据所述综合数据表构建成所述跟踪角度模型，具体包括步骤：
输入所述综合数据表中的参数：
X＝[参数A，参数B，参数C，参数D，参数E，参数F，参数G，参数H，参数I，参数J，参数K，参数L，角度](T时刻)；
其中，每个参数的权重为：W＝[w1,w2,……,w12]；
将多个所述样本外界数据进行归一化处理，得到归一化数据，计算公式为：
y＝[w1,w2,……,w12]*[参数A，参数B，参数C，参数D，参数E，参数F，参数G，参数H，参数I，参数J，参数K，参数L，角度](T时刻)+b；
其中，参数A为组件类型，参数B为双面因子，参数C为背面反射系数，参数D为温度，参数F为云层速度，参数G为云层大小，参数H为云层厚度，参数I为支架高度，参数K为南北方向阴影系数，参数L为东西方向阴影系数；
利用所述归一化数据，以训练所述跟踪角度模型。
7.根据权利要求6所述的控制发电量方法，其特征在于，所述利用所述归一化数据，以训练所述跟踪角度模型，具体包括步骤：
建立BP神经网络模型；
将所述归一化数据输入所述BP神经网络模型；
将采集的样本数据表对应的时刻总数作为所述BP神经网络模型的迭代次数；
基于所述迭代次数、预设期望误差和预设学习速率，自动训练所述BP神经网络模型，以获得所述跟踪角度模型。
8.根据权利要求2所述的控制发电量方法，其特征在于，利用所述样本电压数据和所述样本电流数据，计算得到每个时刻的所述样本发电量，具体包括步骤：
利用所述样本电压数据和所述样本电流数据，计算得到光伏组件在每个时刻的所述样本发电量，计算公式为：
所述样本发电量＝Ia*h*b*c；
其中，Ia为峰值工作电流，h为峰值日照系数，b为斜面修正系数，c为衰减损耗系数。
9.根据权利要求8所述的控制发电量方法，其特征在于，所述利用所述跟踪角度模型，预测光伏跟踪支架的当前最佳角度，以控制发电量，具体包括步骤：
采集所述光伏跟踪支架的当前天气参数、当前云层遮挡参数、当前地形环境参数和当前光伏组件参数；
将所述当前天气参数、所述当前云层遮挡参数、所述当前地形环境参数和所述当前光伏组件参数输入至所述跟踪角度模型，以获取预测的预测光伏跟踪支架的当前最佳角度，以控制发电量。
10.一种用于权利要求1～9中任一项所述控制发电量方法的控制发电量装置，其特征在于，包括：
计算模块，用于根据多个样本发电量数据，计算得到样本发电量最大时的样本最佳角度；
构建模块，用于以所述样本最佳角度为基础结合采集的多个样本外界数据，构建跟踪角度模型；以及
控制模块，用于利用所述跟踪角度模型与当前外界数据对比，生成光伏跟踪支架的当前最佳角度，以控制发电量。
11.一种光伏跟踪支架，其特征在于，应用于权利要求10中所述控制发电量装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011592825.9A CN112732008B (zh) | 2020-12-29 | 2020-12-29 | 一种控制发电量方法、装置及光伏跟踪支架 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011592825.9A CN112732008B (zh) | 2020-12-29 | 2020-12-29 | 一种控制发电量方法、装置及光伏跟踪支架 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112732008A true CN112732008A (zh) | 2021-04-30 |
| CN112732008B CN112732008B (zh) | 2022-04-05 |
Family
ID=75607408
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011592825.9A Active CN112732008B (zh) | 2020-12-29 | 2020-12-29 | 一种控制发电量方法、装置及光伏跟踪支架 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112732008B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113110617A (zh) * | 2021-05-08 | 2021-07-13 | 阳光电源（上海）有限公司 | 一种光伏组件跟踪控制方法及相关装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105589506A (zh) * | 2016-02-29 | 2016-05-18 | 华为技术有限公司 | 功率跟踪方法、装置及光伏发电系统 |
| CN108960491A (zh) * | 2018-06-15 | 2018-12-07 | 常州瑞信电子科技有限公司 | 基于rbf神经网络的光伏发电量预测方法 |
-
2020
- 2020-12-29 CN CN202011592825.9A patent/CN112732008B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105589506A (zh) * | 2016-02-29 | 2016-05-18 | 华为技术有限公司 | 功率跟踪方法、装置及光伏发电系统 |
| CN108960491A (zh) * | 2018-06-15 | 2018-12-07 | 常州瑞信电子科技有限公司 | 基于rbf神经网络的光伏发电量预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| MINGZHE HOU ET AL.: "Practical finite-time control of missiles — A terminal sliding mode approach", 《 2017 36TH CHINESE CONTROL CONFERENCE (CCC)》 * |
| 王士涛等: "基于人工智能的太阳跟踪系统架构", 《太阳能学报》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113110617A (zh) * | 2021-05-08 | 2021-07-13 | 阳光电源（上海）有限公司 | 一种光伏组件跟踪控制方法及相关装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112732008B (zh) | 2022-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ramanan et al. | Performance analysis and energy metrics of grid-connected photovoltaic systems | |
| Eke et al. | Performance comparison of a double-axis sun tracking versus fixed PV system | |
| CN103440526B (zh) | 一种基于建筑信息模型的发电预测方法和装置 | |
| US20110276269A1 (en) | Systems and methods for forecasting solar power | |
| Barbón et al. | A methodology for an optimal design of ground-mounted photovoltaic power plants | |
| Awan | Optimization and techno-economic assessment of rooftop photovoltaic system | |
| Chung | Estimating solar insolation and power generation of photovoltaic systems using previous day weather data | |
| EP4156503A2 (en) | Method for enhancing energy production in bifacial solar panel modules | |
| CN112732008B (zh) | 一种控制发电量方法、装置及光伏跟踪支架 | |
| CN101398454A (zh) | 一种太阳能组件测试方法及其装置 | |
| Gregg et al. | A" real world" examination of PV system design and performance | |
| Zaghba et al. | Experimental outdoor performance assessment and energy efficiency of 11.28 kWp grid tied PV systems with sun tracker installed in saharan climate: A case study in Ghardaia, Algeria | |
| CN117407939A (zh) | 一种基于数字孪生的光伏系统设计模型系统及其使用方法 | |
| Rebolledo et al. | Performance evaluation of different solar modules and mounting structures on an on-grid photovoltaic system in south-central Chile | |
| Barbón et al. | Optimal design and cost analysis of single-axis tracking photovoltaic power plants | |
| Elena et al. | Multi-agent system for smart grids with produced energy from photovoltaic energy sources | |
| CN115565091A (zh) | 一种基于图像识别的建筑房屋智能分析管理平台 | |
| Kiray | A research study to increase usage of PVs in residential areas | |
| Odungat et al. | Estimation of system efficiency and utilisation factor of a mirror integrated solar PV system | |
| Hertzog et al. | Validating the optimum tilt angle for PV modules in a semi-arid region of South Africa for the winter season | |
| CN113780795A (zh) | 基于参数化分析的校园建筑光伏潜力评估方法 | |
| Yao et al. | Research status and application of rooftop photovoltaic Generation Systems | |
| Visa et al. | Outdoor simultaneous testing of four types of photovoltaic tracked modules | |
| Tarai et al. | A study on the PV potential analysis for grid connected PV system in NIT Rourkela | |
| Bugała et al. | Statistical Analysis of Electrical and Non-Electrical Parameters of Photovoltaic Modules in Controlled Tracking Systems |
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 |