CN113392497B - 一种按地理区域度量光伏组件现场性能退化的方法 - Google Patents
一种按地理区域度量光伏组件现场性能退化的方法 Download PDFInfo
- Publication number
- CN113392497B CN113392497B CN202110334762.5A CN202110334762A CN113392497B CN 113392497 B CN113392497 B CN 113392497B CN 202110334762 A CN202110334762 A CN 202110334762A CN 113392497 B CN113392497 B CN 113392497B
- Authority
- CN
- China
- Prior art keywords
- photovoltaic module
- clustering
- formula
- degradation
- environmental factor
- 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
- 230000015556 catabolic process Effects 0.000 title claims abstract description 64
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000007613 environmental effect Effects 0.000 claims abstract description 74
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 10
- 239000002245 particle Substances 0.000 claims description 9
- 239000000428 dust Substances 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 230000006378 damage Effects 0.000 claims description 3
- 230000008021 deposition Effects 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 claims description 2
- 238000005316 response function Methods 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 6
- 238000013461 design Methods 0.000 abstract description 3
- 239000000463 material Substances 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013095 identification testing Methods 0.000 description 1
- 229910021421 monocrystalline silicon Inorganic materials 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Tourism & Hospitality (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Water Supply & Treatment (AREA)
- Probability & Statistics with Applications (AREA)
Abstract
本发明公开了一种按地理区域度量光伏组件现场性能退化的方法，包括以下步骤：1)收集光伏组件功率退化数据和运行地点同时期的环境因素数据；2)建立模型并求解模型中的未知参数；3)利用偏导数计算各环境因素影响光伏组件功率退化的权重；4)通过区域聚类确定计算结果适用的地理区域。本发明建立了描述环境因素与光伏组件输出功率退化率关系的模型，实现了对环境因素影响程度的定量度量。基于环境因素的区域聚类，确定了拟合得到的模型参数值和相应环境因素影响度量结果适用的地理区域，使得在有限条件下分区域精细化分析光伏组件现场性能退化成为可能。本发明可为光伏电站选址决策以及不同地区光伏组件针对性的选材、设计等问题提供指导。
Description
技术领域
本发明涉及光伏组件性能评估领域，具体是一种按地理区域度量光伏组件现场性能退化的方法。
背景技术
随着世界人口的增加和社会的发展，能源消耗也在逐渐增加。考虑到传统能源，如石油，对环境的影响，大力发展清洁可再生能源已经成为世界的共识。在所有可再生能源中，太阳能以其来源丰富可持续的特点受到了广泛关注。自19世纪，光伏发电效应被首次发现以来，光伏发电技术已经得到了快速的发展。
在整个光伏发电装置中，光伏组件被普遍认为是最重要的部分，它直接决定了系统输出功率的大小，并且光伏组件的可靠性和寿命与发电成本和投资回报周期也息息相关。因此，在国际电工技术委员会制定的标准指导下，诸多针对光伏组件的质量鉴定试验应运而生。当前，光伏组件生产厂家普遍承诺其产品在标准测试条件下工作25年的性能损失不超过20％，甚至保证在其工作的前十年内每年的性能退化率不超过1％。然而，现实问题是光伏组件的真实运行环境与标准测试条件是存在显著差异性的，并且不同地理位置之间的环境条件也是不同的，从而导致出现不同类型的失效模式和不同的性能退化率。因此，如何精准评估光伏组件在真实运行环境中的性能退化和度量环境因素对其性能退化的具体影响程度就具有重要的研究与应用价值，而针对该方面的研究目前还相对缺乏。
参考文献:
[1]Subramaniyan A B,Pan R,Kuitche J,et al.Quantification ofenvironmental effects on PV module degradation:A physics-based data-drivenmodeling method.IEEE Journal of Photovoltaics 2018；8:1289-1296.
[2]Sengupta S,Maiti S,Ghosh S,et al.A Long Term PV Power DegradationPrediction due to Dust Fouling and Environmental Stresses.2019 IEEE Region10Symposium(TENSYMP)IEEE；2019:179-83.
[3]Liu W,Jiang X,Li S,et al.Photovoltaic module regional clusteringin mainland China and application based on factors influencing fieldreliability.Renewable and Sustainable Energy Reviews 2020；133:110339.
[4]余荣斌,刘桂雄,徐欢.基于β分布统示法的光伏组件性能退化可靠度估算[J].仪器仪表学报,2015,36(11):2586-2593.
发明内容
本发明的目的是为了解决上述问题，提供一种按地理区域度量光伏组件现场性能退化的方法，基于累积损伤模型，将易于量化的环境因素与光伏组件输出功率退化率关联在一起，建立了相应的模型；同时，通过该模型，将各因素变量偏导数的值进行比较，确定各环境因素对光伏组件性能退化的影响程度；最后，基于环境因素面板数据的区域聚类来确定以上分析所得结果的适用地理区域，以此来实现不同地理区域光伏组件性能退化情况的精准评估和度量。
为实现上述目的，本发明方法通过以下步骤实现：
一种按地理区域度量光伏组件现场性能退化的方法，包括以下步骤：
S1.收集光伏组件功率退化数据和运行地点同时期的环境因素数据；
S2.建立模型并求解模型中的未知参数；
S3.利用偏导数计算各环境因素影响光伏组件功率退化的权重；
S4.通过区域聚类分析确定计算结果适用的地理区域。
步骤S2中所述建立模型并求解模型中的未知参数，该模型的建立过程如下：
由于光伏组件在户外工作的过程中受到多种环境因素影响，令向量X(t)＝[X1(t),......,Xm(t)]′表示在时刻t所有环境因素的值，m表示环境因素的个数；基于累积损伤模型，环境因素的持续作用所造成的累积退化量估计值可表示为
式(1)中:D表示时刻0至t累积的性能退化量；
f(·)表示每个环境因子作用函数形式；
β则为函数中相应的参数；
X(s)表示时刻s时m个环境因素的值。
假设所研究的光伏组件的数量为n，令向量xi(t)＝[xi1(t),...,xil(t),...,xim(t)]′表示组件i在时刻t所承受的环境因子的值，其中i＝1，...,n，l＝1，...,m。据此，式(1)可进一步表示为
式(2)中：βini表示组件的初始退化量，fl(·)表示第l个环境因子的函数形式，βl同样表示相应函数中的参数；考虑到可得的光伏组件性能退化数据和环境因素数据的离散性，将式(2)进一步变换为
以光伏组件输出功率的年退化率作为衡量其性能变化的指标，其环境因素包括：组件的最大温度Tmax，高低温冲击△T，紫外线辐射UV，环境相对湿度RH和灰尘，考虑到直接度量灰尘沉积量的困难性，采用环境中PM10的浓度来替代灰尘沉积量，以间接反映灰尘对组件性能退化的影响；其余未考虑的因素以及不便于度量的环境因素由余项RΔ表示，据此给出的模型如下式
式(4)中：
在给定各参数值边界约束的情况下，采用最小二乘法可拟合出各参数的最优值。
步骤S3所述利用偏导数计算各环境因素影响光伏组件功率退化的权重，偏导数计算过程如下：
对所得式(4)这一多元函数，采用对各变量求偏导数的方式，来确定每个环境因素对光伏组件年输出功率退化率的影响程度，各个变量的偏导数可分别表示为
以及
通过分析偏导数之间的比值，确定各环境因素的影响程度大小。
步骤S4中所述通过区域聚类分析确定计算结果适用的地理区域，具体步骤如下：
S41.环境因素面板数据的构建
将目标地理区域划分为q个最小地理单元，根据每个地理单元各个环境因素在时间0到T内的历史数据，构建面板数据，如下式
A＝{Okp(t)|k＝1,2,L,q；p＝1,2,Lδ；t＝1,2,L,T} (5)
式(5)中：Okp(t)表示在时刻t第k个地理单元中第p个环境因素的值；
S42.基于模糊聚类算法的区域聚类
令Ω＝{1,...k,...,q}表示q个地理单元的集合，第k个地理单元的各变量的值可由p维向量Xk＝(xk1,...xkj,...xkp)表示；假设聚类中心的个数为c，令Y＝{1,...i,...,c}表示所有聚类中心的集合，第i个聚类中心同理可由p维向量Yi＝(y1i,...yji,...ypi)表示；地理单元k对聚类中心i的隶属度由uki表示，uki满足的约束条件如下
据此建立q×c维隶属度矩阵U＝[uki]；根据FCM算法，进一步给出聚类的目标函数，如下式
式(7)中m表示聚类模糊度，dki表示聚类单元k与聚类中心i间的欧式距离，用来表征两者之间的相似程度，计算公式如下
为了更全面的挖掘面板数据中的信息，本发明中采用以下距离公式代替式(8)
式(9)中dki(AQED)，dki(ISED)，以及dki(VCED)分别表示聚类单元k与聚类中心i间的绝对增量距离，增速距离和波动距离，其计算公式如下
其中：
φ,
γ分别表示三种距离各自的权重，其数值由熵权法计算确定；改进后的聚类目标函数如下
为了得到最小的目标函数值，FCM算法分别根据以下式子对隶属度矩阵以及聚类中心进行更新
S43.基于FPSO-FCM混合算法求解
针对FCM算法易于收敛于局部最优值的缺点，通过FPSO与FCM的混合算法，即FPSO-FCM,来对问题进行求解；在FPSO算法中，每一个粒子Xl即表示一个隶属度矩阵的可能解，如下所示
每个粒子的位置和速度更新策略如下两式所示
式中
Θ，
分别表示向量之间的加法，减法和乘法运算；此外，为了使更新后的粒子满足
的约束条件，对粒子中元素进行标准化，如下所示
S44.基于适应度值的最佳聚类结果确定
给定聚类数目c的值，运行FPSO-FCM算法，最终可以得到在聚类数目为c的情况下最优的目标函数值J′以及对应的最优解Xl′；通过比较不同c值下的最小目标函数值，可以确定最佳的聚类数目，从而得到最佳的地理区域划分结果。
综上所述，依据某类区域中某一地区的组件功率退化数据和环境因素数据拟合得到上述模型中的参数，可适用于该类区域中的所有地区；适用于其他各类区域的模型参数需重新依据类中任意地区的相关数据通过拟合得到。
本发明的有益效果：本发明提供了一种按地理区域度量光伏组件现场性能退化的方法，建立了多种环境因素共同作用下光伏组件性能退化的模型，可通过所处工作地点环境因素的值直接确定光伏组件的退化率，同时使得量化各个环境因素对光伏组件性能退化的影响程度成为可能。进一步，通过基于环境因素的区域聚类确定上述结果适用的地理区域，从而实现对光伏组件性能退化的分区域精确度量。一方面，处于同一类内的地理区域可根据光伏组件所处工作地点环境因素的值直接确定其年退化率，结合天气状况预测的模型，也可实现对光伏组件在未来某时间段性能退化的预测；另一方面，所得到的区域聚类结果既可为目标区域中不同类别区域的光伏组件性能评估提供指导，也可为未来光伏组件选址决策以及不同地区针对性的选材、设计等问题方面奠定基础。
附图说明
图1是本发明方法的流程示意图；
图2是FPSO-FCM算法的流程示意图；
图3是本发明实施例中环境变量偏导数之间比值的箱线图；
图4是本发明实施例中不同聚类数目下最优解的适应度值；
图5是本发明实施例中相同聚类数目下FPSO-FCM算法与FCM算法运行结果对比图；
图6是本发明实施例中基于光伏组件性能退化影响因素对中国大陆部分省级行政区域进行聚类的聚类结果示意图。
具体实施方式
本发明涉及一种按地理区域度量光伏组件现场性能退化的方法，为更好理解本发明，下面结合实例和附图对本发明作进一步说明。
实施例1：参见图1-图6。
一种按地理区域度量光伏组件现场性能退化的方法，包括以下步骤：
S1.收集光伏组件功率退化数据和运行地点同时期的环境因素数据；
S2.建立模型并求解模型中的未知参数；
S3.利用偏导数计算各环境因素影响光伏组件功率退化的权重；
S4.通过区域聚类分析确定计算结果适用的地理区域。
本实施例中以安装在广州的一组单晶硅光伏组件为例，具体实施步骤如下：
1)该组光伏组件的输出功率已知，由于光伏组件最大温度Tmax，组件温度变化ΔT，以及组件面板接收的辐照度无法直接获得，采取间接计算的方式得到上述环境因素的值：
光伏组件最大温度Tmax的计算方式如下：
上式中：Ta,平均最高环境温度；EPOA，光伏面板阵列受到的平均辐照度；Vw，平均环境风速。
将平均最低环境温度作为光伏组件的最低温度，那么组件温度变化ΔT便可求出；将地面单位面积所接收到的辐照度近似作为组件面板受到的辐照度；通常组件受到的紫外线辐射量可近似为组件所接收到的辐照度的5％。至此，包括环境平均相对湿度和PM10浓度值等在内的所有相关变量的月度平均值，均可在中国气象局和国家统计局的官方网站获取，所有相关环境因素的单位如下表1所示
表1相关环境因素的单位
2)基于最小二乘法，采用遗传算法对式(4)中的参数进行拟合，式(4)中的参数的边界条件如下：
0≤β1≤2，2≤β2≤5，0.6≤β3≤1，0≤β4≤2，0≤β5≤1
注：遗传算法参数设置为种群规模200，复制，交叉和变异概率分别为0.1,0.2以及0.1。
为体现本发明中模型的优越性，将其与现有文献中模型进行对比；现有模型如下式
式中
由于所记录的该批组件的数据始于运行后的第16年，因此βini的值为0。据此得到本发明模型与文献现有模型中每个参数的估计值如下表2所示。
表2模型参数估计值
为了验证这些估计值的精度，将模型计算得到的输出功率年退化率与实际年退化率进行对比，如下表3所示
表3本发明模型与文献现有模型估计精度对比
可以看出，本文所建立模型的整体评估精度以及考虑因素的全面性优于文献现有的模型。
3)为了进一步计算出每个环境变量的偏导数，首先给出广州地区环境变量所有可能的取值范围，如下表4所示
表4环境因素的取值范围
据此，可以分别得到每个环境变量偏导数的值，即
和
为了更清晰直观的展示他们之间的关系，令
A、B、C、D的值的变化如图3箱线图所示。
图3中的箱线图清晰的展示了每组比值的数据分布情况，箱体的高度同时反映了数据的波动情况。考虑到没有异常点的存在，以及在统计学中，平均值通常可以反映最大信息量，所以取A、B、C、D各自的平均值作为代表值，即分别为9.42143,6.51053,4.85257和39.39587,如图中黑点所示。据此，经过计算可以得到
进一步，通过归一化处理，可得到各环境因素对组件性能退化影响的权重大小，如下表5所示
表5各环境因素的归一化权重
4)为了确定以上拟合得到的参数以及因素权重分析结果适用的地理区域范围，以中国大陆省级行政区域为最小聚类单元进行聚类。根据2009至2014年的环境因素统计数据的月度平均值，建立不同省级行政区域环境因素的面板数据。对于FPSO算法，粒子个数设为50，w＝1，c1＝c2＝2，r1和r2为区间[0,1]的随机数。迭代终止次数设置为100，或者当值J′(Xl′)的波动小于0.000001时，迭代终止。对于FCM算法，迭代终止次数设置为10，或者同样当值J′(Xl′)的波动小于0.000001时，迭代终止。两个算法总迭代次数设置为500，或者在达到迭代次数之前，每次迭代输出的最优解已保持不变，则迭代终止。
利用熵权法，可计算得到式(9)中的三个权重系数，分别为φ＝0.723，
γ＝0.072；依次运行FPSO算法和FCM算法，计算得到在不同聚类数目时的最优解的适应度值，如图4所示。
因此可以得到，聚类数目为9时，聚类一致性最好。为了进一步证明FPSO-FCM算法的有效性，将其与仅使用FCM算法的聚类结果进行对比。令聚类数目为9，两种算法运行过程中适应度值的变化曲线如图5所示。可以看出，FPSO-FCM算法在几乎相同的迭代次数下，可以得到更优的解，证明了该算法的适用性与优越性。最终，将中国大陆部分省级行政区域划分为9类，具体分类结果见下表6和图6。
表6中国大陆部分省级行政区域划分
由聚类结果可知，广西、福建、广东和海南被划分到一类中，意味着上述结果同样适用于这些区域。为了保证模型估计的精度，其他各类区域则需要根据各自类中任意区域的光伏组件退化数据和气象因素数据分别进行拟合。
为了进一步证实聚类结果的有效性，同时展示不同类之间参数估计值存在的差异性，以某型分别运行于吉林、湖南和广东这三个不同类地区的光伏组件退化数据为例，分别拟合得到相应的参数估计值进行比较。已知其年平均退化率分别为1.181％,0.986％,和1.113％，根据2011年至2019年间三地的气象环境因素统计数据，分别拟合得到三类区域的参数估计值，如下表7所示
表7同型组件不同聚类区域的参数估计值
由此可以看出，不同类区域间模型中参数的估计值存在明显的差异性，因此证明了区域聚类的必要性。同时，通过聚类划分，可以最大程度的保证模型估计得精度，实现精细化和精准度量。
综上所述，本发明方法通过建立多种环境因素共同作用下光伏组件性能退化的模型，可利用所处工作地点环境因素的值直接确定光伏组件的退化率，同时使得量化各个环境因素对光伏组件性能退化的影响程度成为可能。进一步，通过基于环境因素的区域聚类确定上述结果适用的地理区域，从而实现对光伏组件性能退化的分区域精确度量。一方面，处于同一类内的地理区域可根据光伏组件所处工作地点环境因素的值直接确定其年退化率，结合天气状况预测的模型，也可实现对光伏组件在未来某时间段性能退化的预测；另一方面，所得到的区域聚类结果既可为目标区域中不同类别区域的光伏组件性能评估提供指导，也可为未来光伏组件选址决策以及不同地区针对性的选材、设计等问题方面奠定基础。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围。
Claims (2)
1.一种按地理区域度量光伏组件现场性能退化的方法，其特征在于，包括以下步骤：
S1.收集光伏组件功率退化数据和运行地点同时期的环境因素数据；
S2.建立模型并求解模型中的未知参数；
其中模型的建立过程如下：
由于光伏组件在户外工作的过程中受到多种环境因素影响，令向量X(t)＝[X1(t),......,Xm(t)]′表示在时刻t所有环境因素的值，m表示环境因素的个数；基于累积损伤模型，环境因素的持续作用所造成的累积退化量估计值可表示为
式(1)中:D表示时刻0至t累积的性能退化量；
f(·)表示每个环境因子作用函数形式；
β则为函数中相应的参数；
X(s)表示时刻s时m个环境因素的值；
假设所研究的光伏组件的数量为n，令向量xi(t)＝[xi1(t),...,xil(t),...,xim(t)]′表示组件i在时刻t所承受的环境因子的值，其中i＝1，...,n，l＝1，...,m；据此，式(1)可进一步表示为
式(2)中：βini表示组件的初始退化量，fl(·)表示第l个环境因子的函数形式，βl同样表示相应函数中的参数；考虑到可得的光伏组件性能退化数据和环境因素数据的离散性，将式(2)进一步变换为
以光伏组件输出功率的年退化率作为衡量其性能变化的指标，其环境因素包括：组件的最大温度Tmax，高低温冲击△T，紫外线辐射UV，环境相对湿度RH和灰尘，考虑到直接度量灰尘沉积量的困难性，采用环境中PM10的浓度来替代灰尘沉积量，以间接反映灰尘对组件性能退化的影响；其余未考虑的因素以及不便于度量的环境因素由余项RΔ表示，据此给出的模型如下式
式(4)中：
在给定各参数值边界约束的情况下，采用最小二乘法可拟合出各参数的最优值；
S3.利用偏导数计算各环境因素影响光伏组件功率退化的权重；
S4.通过区域聚类分析确定计算结果适用的地理区域；
S41.环境因素面板数据的构建
将目标地理区域划分为q个最小地理单元，根据每个地理单元各个环境因素在时间0到T内的历史数据，构建面板数据，如下式
A＝{Okp(t)|k＝1,2,L,q；p＝1,2,Lδ；t＝1,2,L,T} (5)
式(5)中：Okp(t)表示在时刻t第k个地理单元中第p个环境因素的值；
S42.基于模糊聚类算法的区域聚类
令Ω＝{1,...k,...,q}表示q个地理单元的集合，第k个地理单元的各变量的值可由p维向量Xk＝(xk1,...xkj,...xkp)表示；假设聚类中心的个数为c，令Y＝{1,...i,...,c}表示所有聚类中心的集合，第i个聚类中心同理可由p维向量Yi＝(y1i,...yji,...ypi)表示；地理单元k对聚类中心i的隶属度由uki表示，uki满足的约束条件如下
据此建立q×c维隶属度矩阵U＝[uki]；根据FCM算法，进一步给出聚类的目标函数，如下式
式(7)中m表示聚类模糊度，dki表示聚类单元k与聚类中心i间的欧式距离，用来表征两者之间的相似程度，计算公式如下
为了更全面的挖掘面板数据中的信息，本发明中采用以下距离公式代替式(8)
式(9)中dki(AQED)，dki(ISED)，以及dki(VCED)分别表示聚类单元k与聚类中心i间的绝对增量距离，增速距离和波动距离，其计算公式如下
其中：
φ,
γ分别表示三种距离各自的权重，其数值由熵权法计算确定；改进后的聚类目标函数如下
为了得到最小的目标函数值，FCM算法分别根据以下式子对隶属度矩阵以及聚类中心进行更新
S43.基于FPSO-FCM混合算法求解
针对FCM算法易于收敛于局部最优值的缺点，通过FPSO与FCM的混合算法，即FPSO-FCM,来对问题进行求解；在FPSO算法中，每一个粒子Xl即表示一个隶属度矩阵的可能解，如下所示
每个粒子的位置和速度更新策略如下两式所示
式中
Θ，
分别表示向量之间的加法，减法和乘法运算；此外，为了使更新后的粒子满足
的约束条件，对粒子中元素进行标准化，如下所示
S44.基于适应度值的最佳聚类结果确定
给定聚类数目c的值，运行FPSO-FCM算法，最终可以得到在聚类数目为c的情况下最优的目标函数值J′以及对应的最优解Xl′；通过比较不同c值下的最小目标函数值，可以确定最佳的聚类数目，从而得到最佳的地理区域划分结果。
2.根据权利要求1所述的一种按地理区域度量光伏组件现场性能退化的方法，其特征在于：步骤S3所述利用偏导数计算各环境因素影响光伏组件功率退化的权重，偏导数计算过程如下：
对所得式(4)这一多元函数，采用对各变量求偏导数的方式，来确定每个环境因素对光伏组件年输出功率退化率的影响程度，各个变量的偏导数可分别表示为
以及
通过分析偏导数之间的比值，确定各环境因素的影响程度大小。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110334762.5A CN113392497B (zh) | 2021-03-29 | 2021-03-29 | 一种按地理区域度量光伏组件现场性能退化的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110334762.5A CN113392497B (zh) | 2021-03-29 | 2021-03-29 | 一种按地理区域度量光伏组件现场性能退化的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113392497A CN113392497A (zh) | 2021-09-14 |
| CN113392497B true CN113392497B (zh) | 2022-04-12 |
Family
ID=77617587
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110334762.5A Active CN113392497B (zh) | 2021-03-29 | 2021-03-29 | 一种按地理区域度量光伏组件现场性能退化的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113392497B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114662994B (zh) * | 2022-05-18 | 2022-08-05 | 国网山西省电力公司晋城供电公司 | 一种整县式光伏分区方法、存储设备及终端 |
| CN115270529A (zh) * | 2022-09-28 | 2022-11-01 | 华东交通大学 | 融合环境因素及随机初始退化的光伏组件可靠性建模方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102129466A (zh) * | 2011-03-22 | 2011-07-20 | 国网电力科学研究院 | 基于实证示范建立光伏电站测试诊断和预测数据库的方法 |
| CN108959676A (zh) * | 2017-12-22 | 2018-12-07 | 北京航空航天大学 | 一种考虑有效冲击的退化建模与寿命预测方法 |
| CN111553091A (zh) * | 2020-05-09 | 2020-08-18 | 南京航空航天大学 | 一种考虑表面完整性的疲劳寿命预测方法 |
| CN111798035A (zh) * | 2020-06-10 | 2020-10-20 | 南昌大学 | 一种基于改进型引力搜索算法的独立微网系统容量规划方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180063750A (ko) * | 2016-12-02 | 2018-06-12 | 삼성에스디아이 주식회사 | 태양전지용 핑거 전극의 제조방법 |
-
2021
- 2021-03-29 CN CN202110334762.5A patent/CN113392497B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102129466A (zh) * | 2011-03-22 | 2011-07-20 | 国网电力科学研究院 | 基于实证示范建立光伏电站测试诊断和预测数据库的方法 |
| CN108959676A (zh) * | 2017-12-22 | 2018-12-07 | 北京航空航天大学 | 一种考虑有效冲击的退化建模与寿命预测方法 |
| CN111553091A (zh) * | 2020-05-09 | 2020-08-18 | 南京航空航天大学 | 一种考虑表面完整性的疲劳寿命预测方法 |
| CN111798035A (zh) * | 2020-06-10 | 2020-10-20 | 南昌大学 | 一种基于改进型引力搜索算法的独立微网系统容量规划方法 |
Non-Patent Citations (2)
| Title |
|---|
| Photovoltaic module regional clustering in mainland china and application based on factors influencing field reliability;Weidong Liu .etc;《Renewable and Sustainable Energy Reviews》;20201130;第133卷;第1-10页 * |
| Review of Statistical and Analytical Degradation Models for Photovoltaic Modules and Systems as Well as Related Improvements;Sascha Lindig .etc;《IEEE Journal of Photovoltaics》;20180926;第8卷(第6期);第1773-1786页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113392497A (zh) | 2021-09-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Photovoltaic power forecasting with a hybrid deep learning approach | |
| Cui et al. | Deep learning-based time-varying parameter identification for system-wide load modeling | |
| CN110471024B (zh) | 一种基于量测数据分析的智能电表在线远程校验方法 | |
| CN112257941B (zh) | 基于改进型Bi-LSTM的光伏电站短期功率预测方法 | |
| CN102566435B (zh) | 一种光伏电站的性能预报及故障报警方法 | |
| CN107818395B (zh) | 一种基于测量不确定度的电能表误差迭代计算方法 | |
| CN112288164B (zh) | 一种计及空间相关性和修正数值天气预报的风功率组合预测方法 | |
| CN113392497B (zh) | 一种按地理区域度量光伏组件现场性能退化的方法 | |
| CN107766990A (zh) | 一种光伏电站发电功率的预测方法 | |
| CN108388962A (zh) | 一种风电功率预测系统及方法 | |
| CN110503153B (zh) | 基于差分进化算法和支持向量机的光伏系统故障诊断方法 | |
| CN105069521A (zh) | 一种基于加权fcm聚类算法的光伏电站输出功率预测方法 | |
| CN107403015B (zh) | 一种基于时间序列相似性的短期光功率预测方法 | |
| CN105160060A (zh) | 一种基于实际功率曲线拟合的风电场理论功率确定方法 | |
| CN113437938B (zh) | 考虑因地域差异的现场特征的光伏阵列输出功率计算方法 | |
| CN105373849A (zh) | 光伏电池组件温度的分步预测方法 | |
| CN113991711B (zh) | 一种光伏电站储能系统容量配置方法 | |
| CN116307076A (zh) | 一种基于物联网的工业园区能效管控方法 | |
| CN110084426A (zh) | 一种基于工况辨识的风电功率区间预测方法 | |
| CN115809553A (zh) | 一种变电站保护小室内的温湿度计算方法及终端 | |
| CN109978236B (zh) | 一种基于特征组合的小水电短期功率精细化预测方法 | |
| CN110796292A (zh) | 计及雾霾影响的光伏功率短期预测方法 | |
| CN115169659A (zh) | 一种基于多分类器的超短期屋顶光伏功率预测方法及系统 | |
| CN113408192B (zh) | 基于ga-fsvr的智能电表误差预测方法 | |
| Alharbi et al. | Short-term wind speed and temperature forecasting model based on gated recurrent unit neural networks |
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 |