CN115952667A - 一种光伏电站储能预测以及充电规划方法 - Google Patents
一种光伏电站储能预测以及充电规划方法 Download PDFInfo
- Publication number
- CN115952667A CN115952667A CN202211698964.9A CN202211698964A CN115952667A CN 115952667 A CN115952667 A CN 115952667A CN 202211698964 A CN202211698964 A CN 202211698964A CN 115952667 A CN115952667 A CN 115952667A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- prediction
- photovoltaic power
- photovoltaic
- power station
- 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.)
- Pending
Links
Images
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种光伏电站储能预测以及充电规划方法，包括步骤S1，提取光伏电站光伏储能板中心点的地理坐标；步骤S2，根据地理坐标获取所在区域的日照时长，天气情况等相关参数；步骤S3，根据相关参数进行公式模型计算储能预测并进行数据库存储；步骤S4，管理后台定时获取预测数据进行对管理员的消息推送，可进行充电规划和可视化展示。该方法可以进行光伏储能预测和规划部署，有利于节省时间成本和人工成本。
Description
技术领域
本发明涉及光伏预测领域，尤其涉及一种光伏电站储能预测以及充电规划方法。
背景技术
随着传统化石能源的日益减少，全球能源减排进程不断加快，大力发展新能源已经成为必然趋势。光伏发电作为一种环保、可持续、建设周期短的新能源备受关注。
随着我国对能源的需求量日益增加，环保压力增大，越来越多的光伏电站建成并投入使用，截至2020年一季度，我国已建成光伏电站2.08亿千瓦。光伏电站由于其发电特点，光伏板面积大，数量多，场区范围广，目前的储能方式主要采用有光就充电方式，会造成光伏能源的浪费。且部分光伏电站建设地点环境复杂，例如部分光伏电站日照时长较短或常年多阴天等，人工进行储能判断会造成较多的时间成本和人工成本。
发明内容
本发明为解决上述问题，提供了一种光伏电站储能预测以及充电规划方法，可以进行光伏储能预测和规划部署，有利于节省时间成本和人工成本。
为了达到上述目的，本发明采用以下技术方案实现：
一种光伏电站储能预测以及充电规划方法，包括以下步骤：
步骤S1，提取光伏电站光伏储能板中心点的地理坐标；
步骤S2，根据地理坐标获取所在区域的日照时长，天气情况相关参数；
步骤S3，根据搭建的储能模型公式进行储能预测并进行数据库存储；
步骤S4，管理后台定时获取预测数据进行对管理员的消息推送，进行充电规划和可视化展示。
所述步骤S1中所述地理坐标通过电站的图纸或现场测量得到，所述地理坐标包括经度、纬度和海拔高度。
所述步骤S3具体包括以下子步骤:
步骤S31，根据搭建的储能模型公式计算储能：
EP＝HA×PAZ/ES×K
式中：
EP-上网发电量(kW·h)；
HA-水平面太阳能总辐射照量(kW·h/㎡,峰值小时数)；
PAZ-组件安装容量(kWp)；
ES-标准条件下的辐照度(常数＝1kW·h/㎡)；
K-综合效率系数。
步骤S32，进行数据库存储。
与现有技术相比，本发明的有益效果是：
储能数据模型根据多个充电站各种地理环境和储能情况的不同进行程序算法的整理所搭建，配备充电站当地官方接口数据进行预测分析，并对分析后的结果与实际的储能情况进行纠偏校正计算，从而形成了一套比较完备的数据模型和计算公式，为储能效率以及规划方法进行了大幅度的优化提升；取代人工进行光伏储能判断，可以节省时间成本和人工成本。
附图说明
图1是本发明的流程图。
具体实施方式
为了便于理解本发明，下面将结合相关附图和实施例对本发明进行更全面的描述。
如图1所示，本发明提供一种光伏电站储能预测以及充电规划方法，步骤如下：
步骤S1，提取光伏电站光伏储能板中心点的地理坐标；
步骤S2，根据地理坐标获取所在区域的日照时长，天气情况相关参数；
步骤S3，根据搭建的储能模型公式进行储能预测并进行数据库存储；
步骤S4，管理后台定时获取预测数据进行对管理员的消息推送，进行充电规划和可视化展示。
充电规划是在得到预测的日照时长和储能数据后进行一些规划性操作。可视化展示是通过预测出来的数据，在系统管理后台根据时间区间单位进行表格，线形图，柱形图等的展示。
所述步骤S1中地理坐标通过电站的图纸或现场测量得到，地理坐标包括经度、纬度和海拔高度。
所述步骤S3具体包括以下子步骤:
步骤S31，根据搭建的储能模型公式计算储能：
EP＝HA×PAZ/ES×K
式中：
EP-上网发电量(kW·h)；
HA-水平面太阳能总辐射照量(kW·h/㎡,峰值小时数)；
PAZ-组件安装容量(kWp)；
ES-标准条件下的辐照度(常数＝1kW·h/㎡)；
K-综合效率系数。
综合效率系数K是考虑了各种因素影响后的修正系数，包括：光伏发电系统可用率η、光伏方阵的倾角、方位角修正系数、光伏组件转换效率修正系数、逆变器效率、光伏组件类型修正系数、光照利用率、集电线路损耗、升压变压器损耗、光伏组件表面污染修正系数。
其中，光伏发电系统可用率η为：
光伏方阵的倾角、方位角的修正系数是将水平面太阳能总辐射量转换到光伏方阵陈列面上的折算系数，根据组件的安装方式，结合充电站所在地太阳能资源数据及经纬度进行计算；光伏组件转换效率修正系数应考虑组件衰减率、组件工作温度系数、输出功率偏离峰值等因素；逆变器效率是逆变器将输入的直流电能转换成交流电能在不同功率段下的加权平均效率；考虑组件类型修正系数是由于光伏组件的转换效率在不同辐照度、波长时不同，该修正系数应根据组件类型和厂家系数确定，一般晶体硅电池可取1.0；由于障碍物可能对光伏方阵上的太阳光造成遮挡或光伏方阵各阵列之间的互相遮挡，对太阳能资源利用会有影响，因此应考虑太阳光照利用率，光照利用率取值范围小于或等于1.0；集电线路、升压变压器损耗系数包括光伏方阵至逆变器之间的直流电缆损耗、逆变器至计量点的交流电缆损耗，以及升压变压器损耗；光伏组件表面污染修正系数是指光伏组件表面由于受到灰尘或其他灰垢蒙蔽而产生的遮光影响，该系数的取值与环境的清洁度和组件的清洗方案有关。
步骤S32，进行数据库存储。
数据库存储的数据结构为Key–Value键值对形式，键为预测的时间，值为预测的发电量。预测发电量也根据定时更新的区域的日照时长，天气情况等相关参数进行更新修改。
作为一种实施例，以某光伏电站为例，进一步对用于光伏电站储能预测以及充电规划方法作进一步描述：
1)根据该光伏电站的图纸，得到该站光伏储能板中心点的地理坐标；
2)拟采用的日照时长为9小时29分，发电系统可用率为99.87％，系统发电量EP＝445537.3kWh；水平面太阳能总辐照量HA＝1575kWh/㎡；
3)ES标准条件下的辐照度常数＝1kW/㎡，系统修正系数K(即线路损耗，光伏组件表面污染，逆变器等给系统造成的损耗，其数值在75％～83％之间)，那么光伏组件装机容量为PAZ＝EP·ES/(HA·K)＝460730×1/(1575×0.75)＝390kW，那么此光伏站光伏组件装机容量为390kW，将此数据对应保存到相关数据库中，为后续系统发电量EP的预测计算进行参数铺垫；再根据已知日照时长，水平面太阳能辐照度，装机容量，标准条件下的辐照度和系统修正系数，就可以根据公式EP＝HA×PAZ/ES×K计算出系统上网发电量，从而达到储能预测的效果。
以上所述，仅为本发明的具体的实施例，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明。因此，凡是未脱离本发明技术方案的内容，依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均应落在本发明技术方案保护的范围内。
Claims (3)
1.一种光伏电站储能预测以及充电规划方法，其特征在于包括以下步骤：
步骤S1，提取光伏电站光伏储能板中心点的地理坐标；
步骤S2，根据地理坐标获取所在区域的日照时长，天气情况相关参数；
步骤S3，根据搭建的储能模型公式进行储能预测并进行数据库存储；
步骤S4，管理后台定时获取预测数据进行对管理员的消息推送，进行充电规划和可视化展示。
2.根据权利要求1所述的一种光伏电站储能预测以及充电规划方法，其特征在于：所述步骤S1中所述地理坐标通过电站的图纸或现场测量得到，所述地理坐标包括经度、纬度和海拔高度。
3.根据权利要求1所述的一种光伏电站储能预测以及充电规划方法，其特征在于：所述步骤S3包括包括以下子步骤：
步骤S31，根据搭建的储能模型公式计算储能：
EP＝HA×PAZ/ES×K
式中：
EP-上网发电量(kW·h)；
HA-水平面太阳能总辐射照量(kW·h/㎡,峰值小时数)；
PAZ-组件安装容量(kWp)；
ES-标准条件下的辐照度(常数＝1kW·h/㎡)；
K-综合效率系数。
步骤S32，进行数据库存储。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211698964.9A CN115952667A (zh) | 2022-12-28 | 2022-12-28 | 一种光伏电站储能预测以及充电规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211698964.9A CN115952667A (zh) | 2022-12-28 | 2022-12-28 | 一种光伏电站储能预测以及充电规划方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115952667A true CN115952667A (zh) | 2023-04-11 |
Family
ID=87288763
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211698964.9A Pending CN115952667A (zh) | 2022-12-28 | 2022-12-28 | 一种光伏电站储能预测以及充电规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115952667A (zh) |
-
2022
- 2022-12-28 CN CN202211698964.9A patent/CN115952667A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kudo et al. | Forecasting electric power generation in a photovoltaic power system for an energy network | |
| Chen et al. | Forecasting based power ramp-rate control for PV systems without energy storage | |
| Rafique et al. | Assessment of solar energy potential and its deployment for cleaner production in Pakistan | |
| Junior et al. | On the use of maximum likelihood and input data similarity to obtain prediction intervals for forecasts of photovoltaic power generation | |
| CN111369114B (zh) | 一种基于全生命周期的光伏发电产业碳排放量获取方法 | |
| Jamil et al. | Performance ratio analysis based on energy production for large-scale solar plant | |
| CN103258118A (zh) | 一种预测光伏电池组件温度的方法 | |
| Narasimman et al. | Modelling and real time performance evaluation of a 5 MW grid-connected solar photovoltaic plant using different artificial neural networks | |
| Sapundzhi | Computer Simulation and Investigations of the Roof Mount Photovoltaic System. | |
| Taba et al. | Assessment of the energy generation potential of photovoltaic systems in Caribbean region of Colombia | |
| Alktranee et al. | Power output enhancement of grid-connected PV system using dual-axis tracking | |
| Simón Martín et al. | Real energy payback time and carbon footprint of a GCPVS | |
| CN114169644A (zh) | 基于大数据的光伏发电量预测方法、系统及存储介质 | |
| CN116247662A (zh) | 一种基于气象辐射及遥感信息的建筑光伏潜能估算方法 | |
| Popel’ et al. | Modern development trends in photovoltaics | |
| CN115952667A (zh) | 一种光伏电站储能预测以及充电规划方法 | |
| Kim et al. | On impact of randomly distributed PV systems on distribution networks | |
| CN114201876A (zh) | 一种在已有风电场内建设光伏电站的阴影遮挡损失评估方法 | |
| Elazab et al. | Reliable planning of isolated Building Integrated Photovoltaic systems | |
| Kumar et al. | Energy performance of optimally inclined free standing photovoltaic system | |
| Kazem | Feasibility of photovoltaic systems in Oman | |
| Hu et al. | Calculating the shading reduction coefficient of photovoltaic system efficiency using the anisotropic sky scattering model | |
| Petreuş et al. | Evaluation of the PV energy production determined by measurements, simulation and analytical calculations | |
| AURANGZEB et al. | Performance Ratio Analysis Based on Energy Production for Large-Scale Solar Plant | |
| Bahgaat et al. | Design of solar system for LTE 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 |