CN114090945A - 一种基于电站运行数据的阴影识别方法 - Google Patents
一种基于电站运行数据的阴影识别方法 Download PDFInfo
- Publication number
- CN114090945A CN114090945A CN202111348517.6A CN202111348517A CN114090945A CN 114090945 A CN114090945 A CN 114090945A CN 202111348517 A CN202111348517 A CN 202111348517A CN 114090945 A CN114090945 A CN 114090945A
- Authority
- CN
- China
- Prior art keywords
- shadow
- power station
- data
- day
- group
- 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
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000004364 calculation method Methods 0.000 claims abstract description 26
- 238000002360 preparation method Methods 0.000 claims abstract description 19
- 238000007689 inspection Methods 0.000 claims abstract description 11
- 230000002354 daily effect Effects 0.000 claims description 12
- 238000013145 classification model Methods 0.000 claims description 10
- 230000003203 everyday effect Effects 0.000 claims description 9
- 239000000203 mixture Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000010248 power generation Methods 0.000 description 10
- 230000005855 radiation Effects 0.000 description 10
- 238000009434 installation Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 238000009499 grossing Methods 0.000 description 4
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 241000197727 Euscorpius alpha Species 0.000 description 1
- 240000004808 Saccharomyces cerevisiae Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000004879 turbidimetry Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
-
- 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
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Algebra (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于电站运行数据的阴影识别方法,主要包括数据准备、计算准备检查、按每组串每日为单位进行计算和统计与结果四个部分,数据准备后计算准备检查,计算准备检查后按每组串每日为单位进行计算,按每组串每日为单位进行计算后统计与结果。与现有技术相比,本发明的有益效果如下:1.中短期阴影效应的准确识别;2.障碍物方位的准确估计,快速定位有影响的障碍物;3.阴影损失的准确计算,辅助分析电站运行效率根因;4.可以给出阴影损失的未来趋势,可以参照障碍物的处理成本进行决策是否需要移除障碍物。
Description
技术领域
本发明涉及太阳能电站技术领域,具体是一种基于电站运行数据的阴影识别方法。
背景技术
阴影效应是一种常见的光伏系统功率损失模式。部分电站由于前期场址规划失误,加上后期人为或自然的因素,会在光伏组件表面规律的或短时间内持续的产生阴影,使得被遮挡部分组件无法正常发电,从而降低发电效率。因此,阴影的有效识别,理论上能够极大的提高光伏电站的运维质量。
中国专利CN107742171B基于移动阴影图像识别的光伏电站发电功率预测方法,阴影的识别方法主要依靠灰度值和特定算法,基于光照区域与阴影区域的灰度值不同这一特征,提出光伏阵列阴影识别算法,识别光伏阵列图像中的阴影区域。存在不足的地方是:太依赖辅助硬件,辅助硬件需要定期维护,建设成本高,维护成本更高,无法及时实时测量和调整光伏板角度。
现有技术中还存在如下不足:仪器:1.仪器使用复杂,结果不直观;2.使用仪器测量成本高,同时增加了人工成本;3.只能测算实时阴影覆盖状态,通常还需要借助仿真软件二次分析,对历史及未来阴影损失估计不准确。直流离散率:1.适用场景受限,仅适用于设备较多,安装规范的大型电站;2.识别精度低,损失估计不准确;IV曲线特征:1.需要逆变器支持IV曲线功能;2.IV曲线测量影响设备运行,造成不必要的损失;3.仅能实现识别,无法定位阴影时刻。
发明内容
本发明的目的在于提供一种基于电站运行数据的阴影识别方法,主要解决背景技术中存在的技术问题。
本发明提出了一种基于电站运行数据的阴影识别方法,可以对电站运行期间的阴影进行有效识别,可以精确的定位阴影时刻,并推算阴影障碍物方位,计算实际阴影损失,同时可以给出如果不处理该障碍物,未来一年可能的阴影损失,识别精度可以识别到组串。
为实现上述目的,本发明提供如下技术方案:一种基于电站运行数据的阴影识别方法,主要包括数据准备、计算准备检查、按每组串每日为单位进行计算和统计与结果四个部分,数据准备后计算准备检查,计算准备检查后按每组串每日为单位进行计算,按每组串每日为单位进行计算后统计与结果;各组成部分是,
数据准备:选择合适的电站,晴天标准KT大于设定值;
计算准备检查:电站是否已经运行超过晴天数量设定值,电站运行超过晴天数量设定值则判断是否填写可靠的倾角数据,获取电站至少一个晴天运行数据;填写了可靠的倾角数据则获得电站倾角数据,同时判断是否填写可靠的经纬度数据,填写了可靠的经纬度数据则获得电站经纬度数据;是否已经进行方位角识别,已经进行方位角识别则获得电站方位角数据,否则判断是否填写可靠的方位角数据,填写了可靠的方位角数据则获得电站方位角数据;如电站运行未超过晴天数量设定值或未填写可靠的倾角数据或未填写可靠的经纬度数据或未填写可靠的方位角数据,则返回重新选择合适电站;
按每组串每日为单位进行计算:获取电站至少一个晴天运行数据后,获得组串当日直流功率曲线,然后获得实际辐照曲线,组串当日直流功率曲线与实际辐照曲线生成偏差特征;组串直流电流、组串直流电压、交流线电压、太阳方位角、样本数据、未训练的分类模型和偏差特征共同生成训练好的分类模型;训练好的分类模型分析得出该组串当日可能的阴影时刻,然后得到该组串当日小时级阴影标签;
统计与结果:从该组串当日可能的阴影时刻获得组串每日(晴天)可能的阴影损失,然后获得组串/设备/电站晴天总阴影损失,组串/设备/电站晴天总阴影损失与组串最终阴影时刻标签形成组串/设备/电站当月总阴影损失,然后获得组串/设备/电站未来一年总阴影损失;从该组串当日小时级阴影标签获得汇总该组串至少一日小时级阴影时刻标签,然后获得组串最终阴影时刻标签,然后获得设备最终阴影时刻标签,然后获得电站最终阴影时刻标签;从组串最终阴影时刻标签获得组串/设备/电站未来一年总阴影损失。
优选地,所述晴天标准KT大于设定值,其设定值是0.57。
更优选地,所述晴天标准KT设定值是0.57-0.82。
优选地,所述电站是否已经运行超过晴天数量设定值是大于5的自然数。
更优选地,所述电站是否已经运行超过晴天数量设定值,其设定值是5。
在本发明专利申请中所使用到的技术名词解释如下:
组件:又称光伏组件,即单块太阳能电池板,由若干个光伏发电单元组成,光伏系统输出电能的最小单元。
组串:由若干组件串联而成,现阶段是光伏电站数据采集的最小单元,光伏组件以组串的形式与上层设备连接。
逆变器:将光伏系统得到的直流电转变为可以接入电网的交流电的设备,是光伏电站的核心设备之一,一个光伏电站至少需要配置一台逆变器,一台逆变器可以连接若干组串,组串的功率之和应小于或等于逆变器的额定功率。
方位角:光伏组件实际朝向与正南方向之间的夹角,对于固定支架组件而言,通常安装固定之后保持不变
倾角:光伏组件与水平面之间夹角,对于固定支架组件而言,通常安装固定之后保持不变
日照晴空指数(KT):是入射在水平地面上的总太阳辐射量除以入射的大气层顶(TOA)日照量,换言之,KT是TOA处的日照量到达地球表面的比例,通常用于表征天气是否晴朗
太阳轨迹:
对于地球上的固定物体而言,太阳的运动轨迹主要由三个变量组成:
1)天顶角(Zenith angle)
天顶角指光线入射方向和天顶方向的夹角
2)太阳高度角(Solar Elevation Angle)
太阳高度角指太阳光的入射方向和地平面之间的夹角,简称太阳高度(物理含义为角度)。其是决定地球表面获得太阳热能数量的最重要因素。其中太阳高度角和太阳天顶角互为余角。
3)太阳方位角(Solar Azimuth Angle)
所谓方位角是以目标物的正北方向(与同一地理分区/分带内所在中央子午线的北方向相同)为起算方向,即0度。其取值范围在0-360度,计算旋转方式为:以目标物为轴心,以目标物的北方向为起始点,按顺时针方向旋转一周,方位角逐步增大至360°。因此太阳方位角一般是以目标物的北方向为起始方向,以太阳光的入射方向为终止方向,按顺时针方向所测量的角度。
太阳辐照:
我们通常意义上的太阳辐照主要由三个成分组成:
1)DNI:Direct Normal Irradiance
阳光从太阳盘面直接照射到与光路正交的表面,称作直接辐射。
2)DHI:Diffuse Horizontal Irradiance
在大气中散射的直接到达地面的阳光称为散射辐射。散射辐射的标准测量在水平面上进行,这个测量叫做散射水平辐射。
3)GHI:Global Horizontal Irradiance
太阳的DHI和DNI到达水平表面称为总水平辐射,通常简称为总辐射。通常来讲,GHI应该等于DHI加上DNI乘以天顶角的余弦值。
本发明的创新点和技术效果分析:
1.实际辐照曲线的生成,通过实际功率曲线对理论辐照曲线进行修正的过程。
2.偏差特征的构造,通过辐照曲线与功率曲线构造偏差特征的过程,事实上,根据相关性及模型分析,该特征对阴影标签的相关程度超过90%。
3.阴影判断结果的处理,通过扩大时间颗粒,转化阴影标签为阴影概率,并多日叠加的最终得出阴影时刻的过程。考虑到障碍物在短期内不会发生移动,但每日太阳轨迹存在细微差别,该处理可以有效地提高阴影标签的准确率,降低误判概率。
4.障碍物方位的推断,通过阴影时刻太阳方位角,结合组件安装方位角,推断障碍物相对于组串方位的过程。
5.阴影损失的估算方法未增加辅助硬件,不依赖辅助硬件,无需增加辅助硬件的维护。
与现有技术相比,本发明的有益效果如下:1.中短期阴影效应的准确识别;2.障碍物方位的准确估计,快速定位有影响的障碍物;3.阴影损失的准确计算,辅助分析电站运行效率根因;4.可以给出阴影损失的未来趋势,可以参照障碍物的处理成本进行决策是否需要移除障碍物。
附图说明
图1为本发明流程图;
图2为本发明实际辐照(poa_fix)的生成过程流程图;
图3为本发明障碍物方位识别过程示意。
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。
请参阅图1-3,本发明提供的技术方案:
实施例1
本实施例详细步骤及解释如下:
一种基于电站运行数据的阴影识别方法,其步骤如下,
步骤1:选择需要识别阴影的电站及需要识别阴影的时间段
步骤2:确认电站在时间段内已正常运行超过若干晴天,晴天数量标准此处选择5天,晴天标准此处选择KT>0.57,此处KT值通过nasa公开数据获取;
步骤3:确认电站各组串的倾角数据填写且准确,如电站各组串已经完成方位角识别(方位角识别算法中主张的识别方法)则方位角数据使用该方法识别数据,否则使用各组串测量方位角;
步骤4:确认电站的经纬度数据填写且准确;
步骤5:将上述电站上述晴天的运行数据分解为各组串每日(晴天,下同)运行数据,此处选择组串每日的功率数据(功率曲线),并检查数据是否存在断点,如存在断点,按数据采样频率对数据进行补全,补全方法使用线性插值;
步骤6:通过电站的经纬度信息,通过选择NREL SPA算法生成对应每日电站所在地太阳轨迹数据;此处特定算法指NREL SPA算法;此处引用:I.Reda and A.Andreas,Solarposition algorithm for solar radiation applications.Solar Energy,vol.76,no.5,pp.577-589,2004。
NREL SPA算法通过如下方式生成太阳轨迹数据,下列公式中可能存在相同名字变量的情况,以各自步骤内部说明的含义为准:
1.首先,需要将需要计算太阳轨迹的时刻转换成儒略历时间
a)计算儒略日
JD=INT(365.25*(Y+4716))+INT(30.6001*(M+1))+D+B-1524.5,
INT表示对计算结果进行取整,如INT(8.7)=8
Y表示需要计算时刻的年,如2020
M表示需要计算的月,这里,如果M<2,则Y=Y-1,M=M+12
D表示需要计算的时间,如当月2号12点30分30秒,则,D=2.521180556
B为闰年的修正,初始值为0,当B=0时JD计算值大于2299160时,B=(2-A+INT(A/4)),其中A=INT(Y/100)
UT时间(世界时UT即格林尼治平太阳时间)到儒略历时间的转化示意:
Date | UT | JD | Date | UT | JD |
January 1,2000 | 12:00:00 | 2451545.0 | December 31,1600 | 00:00:00 | 2305812.5 |
January 1,1999 | 00:00:00 | 2451179.5 | April 10,837 | 07:12:00 | 2026871.8 |
January 27,1987 | 00:00:00 | 2446822.5 | December 31,-123 | 00:00:00 | 1676496.5 |
June 19,1987 | 12:00:00 | 2446966.0 | January 1,-122 | 00:00:00 | 1676497.5 |
January 27,1988 | 00:00:00 | 2447187.5 | July 12,-1000 | 12:00:00 | 1356001.0 |
June 19,1988 | 12:00:00 | 2447332.0 | February 29,-1000 | 00:00:00 | 1355866.5 |
January 1,1900 | 00:00:00 | 2415020.5 | August 17,-1001 | 21:36:00 | 1355671.4 |
January 1,1600 | 00:00:00 | 2305447.5 | January 1,-4712 | 12:00:00 | 0.0 |
b)计算儒略星历日
其中ΔT=67.0
c)计算儒略世纪及儒略星历世纪
d)计算儒略星历千年
2.计算地球的日心经度,日心纬度及半径向量(L,B,R):
a)依据附表1计算L0i(弧度)
L0i=Ai*cos(Bi+Ci*JME).
其中,i表明附表1中L0对应的第i行
Ai,Bi及Ci表示附表1中L0对应第i行的A,B,C三列的值
b)计算LO(弧度)
其中,n表示附表1中L0对应的总行数
c)使用相同的方法计算剩余的L1-L5(弧度)
d)计算地球日心经度L(弧度)
e)将L转化成角度
其中,Π等于3.1415926535898
f)将L转化成一个位于(0,360)度的值,即L等于L除以360度的余数
g)借助附表1,使用同样的方法计算日心纬度B(角度)和半径向量R(天文单位,1天文单位等于地日距离),此处B无B2-B5,R无R5,将对应项置零即可
3.计算太阳的地心经度及纬度(θ及β)
a)计算太阳的地心经度θ(角度):
Θ=L+180.
b)将θ转化成一个位于(0,360)度的值,即θ等于θ除以360度的余数
c)计算太阳的地心纬度β(角度):
β=-B.
4.计算经度和斜交的章动(ΔΨ和Δε)
a)计算月亮到太阳的距角X0(角度)
b)计算地球的平均近点角X1(角度)
c)计算月亮的平均近点角X2(角度)
d)计算月球升交角距X3(角度)
e)计算黄道上月球平均轨道的上升节点的经度,该经度是通过日期的平均春分测得的X4(角度)
f)依据附表2,计算ΔΨi和Δεi(万分之一弧度秒):
其中,ai,bi,ci和di为附表2中第i行对应的a,b,c,d列对应值,
Xj为上述步骤中计算的X0-X4
Yi,j为附表2中第i行对应的Yj列值,其中j应与X对应下标一致
g)计算ΔΨ(角度):
其中n为附表2总行数(总63行)
a)同理,计算Δε(角度):
5.计算黄道的真实斜交(ε)
a)计算黄道的平均斜交ε0(弧度/秒)
ε0=84381.448-4680.93U-1.55U2+1999.25U3-51.38U4-249.67U5-39.05U6+7.12U7+27.87U8+5.79U9+2.45U10,
其中U=JME/10
b)计算黄道的真实斜交ε(角度)
6.计算光行差修正Δη(角度)
7.计算视在太阳经度(角度)
λ=Θ+Δψ+Δτ
8.计算任何给定时间在格林威治的表观恒星时间,v(角度)
a)计算平均恒星时间v0(角度)
b)将v0转化成一个位于(0,360)度的值,即v0等于v0除以360度的余数
c)计算v:
v=v0+Δψ*cos(ε)
9.计算地心太阳赤经偏角α(角度)
a)计算α(弧度)
其中,Arcrtan2是一个反余弦函数的改进函数,他分别作用于分子和分母,而不是二者其商,来保证α的结果在-Π到+Π之间
a)先将α转化成角度,再将α转化成一个位于(0,360)度的值,即α等于α除以360度的余数
10.计算地心太阳偏角,δ(角度)
δ=Arcsin(sinβ*cosε+cosβ*sinε*sinλ)
然后同样需要将δ转化成一个位于(0,360)度的角度
11.计算观测时角,H(角度)
H=v+σ-α
其中,ζ是观测者所在位置经度,即上文中提到的电站经度
同样的,需要将H转化成一个位于(0,360)度的角度
12.计算以观测点(即电站所在位置)为中心坐标系下的太阳赤经偏角α’(角度)
a)计算太阳的赤道水平视差ξ(角度)
b)计算u
c)计算x
其中E为观测位置海拔,即上文中提到的海拔高度数据
d)计算y
e)计算太阳赤经偏角的视差Δα(角度)
同样的,需要将H转化成一个位于(0,360)度的角度
f)计算观测中心坐标系下的赤经偏角α’(角度)
α′=α+Δα
g)计算观测中心坐标系下的太阳偏角δ’(角度)
13.计算观测坐标系下的观测时角H’(角度)
H′=H-Δα
14.计算观测中心坐标系的太阳天顶角,θ(角度):
a)在不进行大气折射校正的情况下计算观测中心坐标系的天顶角,e0(角度)
b)计算大气折射矫正Δe(角度)
其中,P是年平均气压,T是年平均气温,可以通过电站经纬度查询公开气象数据获得
c)计算观测中心坐标系的太阳高度角,e(角度)
e=e0+Δe
d)计算中心坐标系的太阳天顶角θ(角度)
θ=90-e
15.计算观测中心坐标系内的太阳方位角,Φ(角度)
a)计算天文学定义的太阳方位角Γ(角度)
b)计算通常意义上的太阳方位角Φ,即本方案中前文说明的太阳方位角
Φ=Γ+180
需要将Φ转化成一个位于(0,360)度的角度
附表1,多维度地球运动相关数值,数据来源于NREL公开数据(https://www.nrel.gov/midc/spa/)
附表二 经度及斜交周期相关变动参数,数据来源于NREL公开数据(https://www.nrel.gov/midc/spa/)
步骤7:实际辐照曲线的生成过程:
a)通过电站的倾角、方位角数据数据及上一步中生成的太阳轨迹数据,通过Ineichen and Perez晴空辐照模型生成对应安装条件下所在地每日的倾斜面辐照曲线;
Ineichen and Perez晴空辐照模型引用:P.Ineichen and R.Perez,"A Newairmass independent formulation for the Linke turbidity coefficient",SolarEnergy,vol73,pp.151-157,2002,
R.Perez et.al.,"A New Operational Model for Satellite-DerivedIrradiances:Description and Validation",Solar Energy,vol 73,pp.307-317,2002。
1.首先计算到达大气层外侧的太阳辐照
其中,DOY即Day of Year,一年当中的第几天
2.计算水平面总辐照GHI
GHI=cg1×I0×cos(z)×exp(-cg2×AM×(fh1+fh2(TL-1)))×exp(0.01×AM1.8)
其中,
cg1=5.09e-5×h+0.868,cg2=3.92e-5×h+0.0387.
fh1=exp(-h/8000),fh2=exp(-h/1250)
h为电站所在地海拔,z为太阳轨迹中的太阳天顶角,TL为大气的浊度,可以依据分析时间与电站经纬度通过公开的气象数据查询
3.计算直接辐射DNI
DNI=bIoexp(-0.09.am.(TL-1))
4.计算散射辐射DHI
DHI=GHI-DNI*(cos(z))
b)由于理论曲线与实际曲线绝对值上存在较大偏差,需要通过Min-Max比例放缩法将每日理论辐照曲线放缩至与实际功率曲线一致,Min-Max放缩方法是使两条曲线的最大值与最小值相等的比例放缩方法;
c)基于最大包围原则,调整放缩过的理论辐照曲线为实际辐照曲线,此处应用的最大包围原则是指当辐照高于当日最大辐照50%以上的时刻,对应时刻的功率值不应高于实际辐照;
曲线的处理过程是理论辐照值向组串功率尺度进行标准化效果,其中,Power/P2为组串直流功率,poa_global为原始poa,poa_ms为第一次修正的理论辐照,poa_fix为第二次修正的理论辐照;实际辐照(poa_fix)的生成过程如图2所示。
步骤8:通过每日的实际辐照曲线与组串功率曲线(string dc power)带入下式计算偏差特征的生成过程:
其中,为去除数据噪声干扰,使用了平滑函数对数据进行处理,savgol(f,a,b)savgol(f,savgol(f,表示使用了s-g平滑函数(基于最小二乘的卷积拟合算法),f为需要平滑的时间序列,a为滑动窗口大小,b为拟合阶数。此处基于特征区分程度(平均正样本(有阴影组串)特征显著度(最大高度落差)与平均负样本(无阴影组串)特征显著度的比值)选择a=11,b=3(如上式)
步骤9:选择若干其他与阴影相关性较高的数据特征,此处选择了组串直流电流,组串直流电压,逆变器交流电压(任意线电压),太阳方位角,加上上面生成的偏差特征,代入训练好的分类模型以判断对应时刻是否存在阴影,此处使用cart树分类模型;
步骤10:依据上一步的分类结果,可以得到每个组串每日具体存在阴影的时刻,时间精度由数据精度决定;
步骤11:通过每日每组串的阴影识别结果,生成最终阴影标签做出如下处理:
a)组串当日各时刻(此处为分钟级数据)阴影标签整合至小时级(整点,如8:00-9:00,16:00-17:00等),以该小时内阴影标签的数量除以该小时内总数据条数(即阴影概率)来产生新的阴影标签,高于一定阈值阴影标签为1,低于阈值为阴影标签为0,此处选择阈值为0.3;
b)多日组串小时级阴影标签叠加,各时间段内阴影标签取交集,即如某时刻每日阴影标签均为1,则该时刻最终标签为1,否则为0,进而得到该组串最终的各时刻小时级阴影标签;
c)如需要,可将组串所属设备下所有组串的小时级阴影标签取并集,即如某时刻每日阴影标签均为0,则该时刻最终标签为0,否则为1,进而得到该设备最终的各时刻小时级阴影标签;
d)如需要,相似的,可将设备所属电站下所有设备的小时级阴影标签取并集,即如某时刻每日阴影标签均为0,则该时刻最终标签为0,否则为1,进而得到该电站最终的各时刻小时级阴影标签;
阴影标签叠加方法如下,
步骤12:通过组串最终的各时刻阴影标签,可以对存在阴影的组串识别其障碍物方位,步骤如下:
a)依据太阳轨迹(步骤6),计算阴影时刻太阳水平相对位置(方位角)
b)依据组串安装方位角,将太阳水平位置(方位角)由地球坐标系修正至以设备为原点,设备正面朝向为180度方向的设备位置极点坐标系;
c)将组串面积以原点八等份,分别表示正北,东北,正东,东南,正南,西南,正西,西北八个方向,并用设备坐标系中的角度表示;
d)依据换算的太阳方位角与划定区域的角度范围进行比对,确认障碍物方位;
障碍物方位识别过程示意如图3所示:
步骤13:通过组串最终的各时刻阴影标签,可以对提供的晴天内,由阴影造成的发电量损失进行计算,步骤如下:
a)依据组串每日(晴天)各时刻(此处为分钟级数据)阴影标签,依据实际的组串功率曲线与生成的辐照曲线(步骤7),计算阴影时刻所带来的发电功率损失
b)随阴影标签向小时级标签转化(步骤11(a)),对小时内各时刻功率损失进行积分,得到小时内发电量损失
c)依据各组串最终阴影标签,对各小时损失进行筛选,即如该小时最终阴影标签为真,则保留该小时计算的发电量损失作为该时刻阴影损失,如该小时最终阴影标签为假,则该小时阴影损失为0
d)如需要,可以对连接到同一设备的组串阴影损失累加,计算得到该设备当日相应时刻阴影损失
e)如需要,可以对归属同一电站的设备阴影损失累加,计算得到该电站当日相应时刻阴影损失
f)将所分析各晴天的阴影损失进行累加,可以得到对应组串(设备/电站)对应晴天内累计阴影损失
步骤14:通过组串最终的各时刻阴影标签,可以对当月发电过程中,由阴影造成的发电量损失进行估计,步骤如下:
a)计算所分析晴天总辐照(各晴天辐照相加,GHI),并计算当月总辐照(当月每日辐照相加,GHI),计算晴天辐照占比,需要注意的是,此处当月总辐照仅计量当月KT指数大于晴天判定标准80%以上的日期,即认为当KT指数小于相应阈值时,阴影则不会再对电站发电量产生影响
b)依据组串(设备/电站)对应晴天内累计阴影损失,并依据辐照比值,估计当月由于阴影引起的总发电量损失。
步骤15:通过组串最终的各时刻阴影标签,可以对未来一年发电过程中,由阴影造成的发电量损失进行预测,步骤如下:
a)预测年发电量损失需要明确阴影出现条件,此处认为对于同一障碍物,当太阳方位角相同时,阴影出现状态相同,且阴影损失与此时太阳高度角成反比
b)依据组串所在地经纬度及其安装条件,采用步骤6中相同的算法,生成未来一年的太阳轨迹,在每日日出日落时间范围内(即太阳高度角大于0时),依据(a)中的规则标记未来一年中可能出现阴影的时刻,并依据现阶段阴影时刻及其对应损失,依据(a)中的规则对阴影损失进行折算,最后对未来一年可能的阴影损失进行累加,得到预测的未来一年的阴影损失。
实施例2
如实施例1所述的一种基于电站运行数据的阴影识别方法,其步骤2中提到的晴天数量选择5仅为本方案一个特定实例,仅调整晴天数量的方法应视为与本方法相同;
步骤2中提到的晴天判断标准选择KT>0.57仅为本方案一个特定实例,仅调整晴天判断标准的方法(如调整KT值,或采用其他天气数据等)的方法应视为与本方法相同;
步骤5及步骤8中提到的从组串运行数据中选择组串功率数据(曲线)仅为本方案一个特定实例,仅调整运行数据的选择(如选择直流电流/电压等)的方法应视为与本方法相同;
步骤6中选择NREL SPA算法生成太阳轨迹仅为本方案一个特定实例,仅调整太阳轨迹的生成算法的方法应视为与本方法相同;
步骤7及步骤8中提到的从理论数据中选择倾斜面辐照数据(曲线)仅为本方案一个特定实例,仅调整理论数据的选择的方法应视为与本方法相同;
步骤7中选择Ineichen and Perez晴空辐照模型生成理论辐照数据仅为本方案一个特定实例,仅调整理论辐照数据的生成算法(如使用Haurwitz模型等)的方法应视为与本方法相同;
步骤7中选择Min-Max放缩方法调整辐照曲线仅为本方案一个特定实例,仅调整辐照曲线的比例放缩方法的方法应视为与本方法相同;
步骤8中选择savgol滤波器(即Savitsky-Golay滤波器)对偏差特征进行平滑处理仅为本方案一个特定实例,仅调整偏差特征的平滑方法或仅调整滤波器参数的方法应视为与本方法相同;
步骤9中的选择cart树作为分类模型方法仅为本方案一个特定实例,其中模型输入特征除偏差特征之外的选择,即组串直流电流,组串直流电压,逆变器交流电压(任意线电压),太阳方位角同样仅为本方案一个特定实例,模型的分类结果主要受到偏差特征影响,因此仅调整分类模型或除偏差特征以外的其他输入特征的方法应视为与本方法相同;
步骤11中选择小时作为阴影标签的最终精度仅为本方案一个特定实例,本质上可以任意调整,因此仅调整阴影标签时间精度的方法应视为与本方法相同;
步骤12中使用8个方向作为障碍物方位识别精度(即45°)仅为本方案一个特定实例,本质上可以任意调整,仅调整障碍物方位识别精度的方法应视为与本方法相同;
步骤14中选择KT值大于晴天标准80%作为受到阴影影响日期的划分仅为本方案一个特定实例,仅调整阴影影响日期识别方法(如调整相应KT比例或其他天气数据)的方法应视为与本方法相同;
尽管已经示出描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.一种基于电站运行数据的阴影识别方法,其特征在于,主要包括数据准备、计算准备检查、按每组串每日为单位进行计算和统计与结果四个部分,数据准备后计算准备检查,计算准备检查后按每组串每日为单位进行计算,按每组串每日为单位进行计算后统计与结果;各组成部分是,
数据准备:选择合适的电站,晴天标准KT大于设定值;
计算准备检查:电站是否已经运行超过晴天数量设定值,电站运行超过晴天数量设定值则判断是否填写可靠的倾角数据,获取电站至少一个晴天运行数据;填写了可靠的倾角数据则获得电站倾角数据,同时判断是否填写可靠的经纬度数据,填写了可靠的经纬度数据则获得电站经纬度数据;是否已经进行方位角识别,已经进行方位角识别则获得电站方位角数据,否则判断是否填写可靠的方位角数据,填写了可靠的方位角数据则获得电站方位角数据;如电站运行未超过晴天数量设定值或未填写可靠的倾角数据或未填写可靠的经纬度数据或未填写可靠的方位角数据,则返回重新选择合适电站;
按每组串每日为单位进行计算:获取电站至少一个晴天运行数据后,获得组串当日直流功率曲线,然后获得实际辐照曲线,组串当日直流功率曲线与实际辐照曲线生成偏差特征;组串直流电流、组串直流电压、交流线电压、太阳方位角、样本数据、未训练的分类模型和偏差特征共同生成训练好的分类模型;训练好的分类模型分析得出该组串当日可能的阴影时刻,然后得到该组串当日小时级阴影标签;
统计与结果:从该组串当日可能的阴影时刻获得组串每日(晴天)可能的阴影损失,然后获得组串/设备/电站晴天总阴影损失,组串/设备/电站晴天总阴影损失与组串最终阴影时刻标签形成组串/设备/电站当月总阴影损失,然后获得组串/设备/电站未来一年总阴影损失;从该组串当日小时级阴影标签获得汇总该组串至少一日小时级阴影时刻标签,然后获得组串最终阴影时刻标签,然后获得设备最终阴影时刻标签,然后获得电站最终阴影时刻标签;从组串最终阴影时刻标签获得组串/设备/电站未来一年总阴影损失。
2.根据权利要求1所述的一种基于电站运行数据的阴影识别方法,其特征在于:所述所述晴天标准KT大于设定值,其设定值是0.57。
3.根据权利要求1所述的一种基于电站运行数据的阴影识别方法,其特征在于:所述所述晴天标准KT设定值是0.57-0.82。
4.根据权利要求1所述的一种基于电站运行数据的阴影识别方法,其特征在于:所述所述电站是否已经运行超过晴天数量设定值是大于5的自然数。
5.根据权利要求1所述的一种基于电站运行数据的阴影识别方法,其特征在于:所述所述电站是否已经运行超过晴天数量设定值,其设定值是5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111348517.6A CN114090945B (zh) | 2021-11-15 | 2021-11-15 | 一种基于电站运行数据的阴影识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111348517.6A CN114090945B (zh) | 2021-11-15 | 2021-11-15 | 一种基于电站运行数据的阴影识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114090945A true CN114090945A (zh) | 2022-02-25 |
CN114090945B CN114090945B (zh) | 2024-08-02 |
Family
ID=80300835
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111348517.6A Active CN114090945B (zh) | 2021-11-15 | 2021-11-15 | 一种基于电站运行数据的阴影识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114090945B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220723A (zh) * | 2017-04-20 | 2017-09-29 | 华北电力大学 | 一种光伏电站功率预测方法 |
CN107229824A (zh) * | 2017-05-22 | 2017-10-03 | 华北电力科学研究院有限责任公司 | 光伏电站发电单元功率曲线建模方法及装置 |
CN112116569A (zh) * | 2020-09-12 | 2020-12-22 | 刘灿灿 | 基于阴影识别的光伏电站发电功率预测方法 |
US20210135623A1 (en) * | 2019-11-04 | 2021-05-06 | Siemens Aktiengesellschaft | Automatic generation of reference curves for improved short term irradiation prediction in pv power generation |
CN112801413A (zh) * | 2021-03-02 | 2021-05-14 | 国网电子商务有限公司 | 一种光伏电站发电功率预测方法及装置 |
CN113218359A (zh) * | 2021-04-30 | 2021-08-06 | 无锡英臻科技有限公司 | 一种光伏组串方位角的识别方法 |
CN113489057A (zh) * | 2021-07-06 | 2021-10-08 | 阳光新能源开发有限公司 | 一种光伏系统、光伏组串接线方法及装置 |
-
2021
- 2021-11-15 CN CN202111348517.6A patent/CN114090945B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220723A (zh) * | 2017-04-20 | 2017-09-29 | 华北电力大学 | 一种光伏电站功率预测方法 |
CN107229824A (zh) * | 2017-05-22 | 2017-10-03 | 华北电力科学研究院有限责任公司 | 光伏电站发电单元功率曲线建模方法及装置 |
US20210135623A1 (en) * | 2019-11-04 | 2021-05-06 | Siemens Aktiengesellschaft | Automatic generation of reference curves for improved short term irradiation prediction in pv power generation |
CN112116569A (zh) * | 2020-09-12 | 2020-12-22 | 刘灿灿 | 基于阴影识别的光伏电站发电功率预测方法 |
CN112801413A (zh) * | 2021-03-02 | 2021-05-14 | 国网电子商务有限公司 | 一种光伏电站发电功率预测方法及装置 |
CN113218359A (zh) * | 2021-04-30 | 2021-08-06 | 无锡英臻科技有限公司 | 一种光伏组串方位角的识别方法 |
CN113489057A (zh) * | 2021-07-06 | 2021-10-08 | 阳光新能源开发有限公司 | 一种光伏系统、光伏组串接线方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114090945B (zh) | 2024-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rosiek et al. | Online 3-h forecasting of the power output from a BIPV system using satellite observations and ANN | |
CN111815021B (zh) | 一种基于太阳辐射气候特征识别的光伏功率预测方法 | |
Cristaldi et al. | A hybrid approach for solar radiation and photovoltaic power short-term forecast | |
CN108764300B (zh) | 一种固定式光伏发电系统最佳倾角的大数据聚类分析方法 | |
Meyer et al. | Solar resources for concentrating solar power systems | |
Gairaa et al. | Solar radiation measurements in Algeria: case of Ghardaïa station as member of the enerMENA meteorological network | |
Gorjian et al. | Estimation of mean monthly and hourly global solar radiation on surfaces tracking the sun: Case study: Tehran | |
Chen et al. | An estimation framework of regional rooftop photovoltaic potential based on satellite remote sensing images. | |
CN113984198A (zh) | 一种基于卷积神经网络的短波辐射预测方法及系统 | |
CN113218359B (zh) | 一种光伏组串方位角的识别方法 | |
Moldovan et al. | Improvement of clear sky models for direct solar irradiance considering turbidity factor variable during the day | |
de Araujo | Improvement of coding for solar radiation forecasting in Dili Timor Leste—A WRF case study | |
CN114090945B (zh) | 一种基于电站运行数据的阴影识别方法 | |
Wang et al. | Method for short-term photovoltaic generation power prediction base on weather patterns | |
Kaouther et al. | Estimation of global and direct solar radiation in tunisia based on geostationary satellite imagery | |
Syafawati et al. | Forecasting the potential of solar energy harvest in Kangar | |
Liu et al. | Method of identifying the lengths of equivalent clear-sky periods in the time series of DNI measurements based on generalized atmospheric turbidity | |
CN110766291B (zh) | 一种基于太阳辐射分区的水平面日总辐射数据获取方法 | |
US11486606B2 (en) | Method of forecasting heat output of solar collectors | |
Porrini et al. | Development of a Model Output Statistic and implementation of an operational solar photovoltaic energy forecast model based in WRF | |
Sene et al. | Evaluation and modeling of a solar photovoltaic power plant: Case of the Sakal plant | |
Nwankwo et al. | Optimization of solar panel tilt and azimuth angle for maximum solar irradiation and minimum loss for rural electrification | |
Park et al. | An improved photovoltaic system output prediction model under limited weather information | |
Adebiyi et al. | Inter-hemispheric comparison of ionospheric TEC variation at each latitudinal band during quiet geomagnetic condition | |
Brooks | Performance characteristics of a perforated shadow band under clear sky conditions |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Country or region after: China Address after: H4, China Internet of Things International Innovation Park, No. 6 Jingxian Road, Xinwu District, Wuxi City, Jiangsu Province, 214000 Applicant after: Wuxi Yingzhen Technology Co.,Ltd. Address before: 214135 F4, No. 200, Linghu Avenue, Xinwu District, Wuxi City, Jiangsu Province Applicant before: WUXI YINGZHEN TECHNOLOGY CO.,LTD. Country or region before: China |
|
GR01 | Patent grant | ||
GR01 | Patent grant |