CN116307276B - 面向大型动环监控场景的太阳能光伏优化方法 - Google Patents

Abstract

本发明公开了面向大型动环监控场景的太阳能光伏优化方法，属于太阳能发电技术领域，通过建立光伏输出功率与光源与光伏器件相对位置的确定性函数模型，根据最近一段时间的光源直射情况下光伏输出功率序列，引入随机预测机制，构建强度参数函数，根据基于SVD分解方法的多元回归模型，依照地域、天气和时间的环境因素获取场景强度校正参数，改进强度参数函数，建立光伏器件移动位置大小与能耗成本的确定性函数模型，根据当前风速和风向建立调参函数对函数模型进行调整；根据相对位置函数模型与能耗成本函数模型，建立光伏优化模型并求解，得到最佳的移动仰角和方位角，在保持动环环境功能稳定的同时，实现太阳能的最大化利用。

Description

面向大型动环监控场景的太阳能光伏优化方法

技术领域

本发明属于太阳能发电技术领域，尤其是面向大型动环监控场景的太阳能光伏优化方法。

背景技术

随着网络技术、通信技术和计算机技术的发展，数据中心逐渐处于核心地位，但同时数据中心的能耗问题也逐渐显著，通信机房动力环境场景下，其电能消耗是很大的能源消耗问题。大规模的机房运转过程中，还可能带来电磁污染、有害气体等环保问题。想要实现绿色环保用电，降低碳排放，就要减少传统电能的占用，因此需要用新型清洁能源与传统电能相结合的智能供电方法。

太阳能作为一种新型的清洁能源，具有取之不尽、用之不竭、清洁无污染等独有的优势。太阳能光伏发电的能量转换器是太阳能电池，又称光伏电池，其原理是利用太阳能电池半导体材料的光生伏打效应，将太阳光辐射能直接转换为电能。目前将光伏发电用以供电使用仍存在大量太阳能浪费的问题，在维持动环环境功能稳定的同时，无法最大限度的使用太阳能。

发明内容

针对上述问题，本发明提供了面向大型动环监控场景的太阳能光伏优化方法，其结合了随机预测机制，建立光伏优化模型，用于解决最大限度使用太阳能的问题，所述方法具体过程如下：

步骤一，根据光伏器件与光源的相对位置是太阳能光伏发电系统发电量的主要影响因素，建立光伏输出功率与光源与光伏器件相对位置的确定性函数模型；

步骤二，根据最近一段时间的光源直射情况下光伏输出功率，引入随机预测机制，构建强度参数函数；

步骤三，基于SVD分解方法的多元回归模型，依照地域、天气和时间的环境因素获取场景强度校正参数，对步骤二中的强度参数函数进行优化；

步骤四，建立光伏器件移动位置大小与能耗成本之间的能耗成本函数模型，根据当前风速和风向建立调参函数，对能耗成本函数模型进一步调整；

步骤五，根据步骤一中的确定性函数模型与步骤四中的能耗成本函数模型，建立光伏优化模型；

步骤六，依据随机寻优算法-模拟退火算法求解步骤五中的光伏优化模型，得到最佳的移动仰角和方位角。

优选的，步骤一中根据光伏器件与光源的相对位置是太阳能光伏发电系统发电量的主要影响因素，建立光伏输出功率与光源与光伏器件相对位置的确定性函数模型，具体表现方法如下：

x_α＝90°-α

x_β＝90°-β

α＝180°-(α_m+α_s)

β＝β_m-β_s

其中，α_m∈[0°，90°]，α_s∈[0°，90°]，β_m∈[0°，180°]，β_s∈[-90°，90°]，α_m、α_s分别为光伏器件和光源相对于水平面的仰角，x_α、α为光伏器件与光源的相对仰角；β_m、β_s分别为光伏器件与光源相对于正南方向的方位角，假设正南方向的方位角为0°，偏西为正，偏东为负；x_β、β为光伏器件与光源的相对方位角，P_st为标准实验条件下太阳能电池板的标准光伏输出功率，P为光伏输出功率，λ_α为光伏输出功率与相对仰角的仰角关系强度参数，λ_β为光伏输出功率与相对方位角的方位角关系强度参数。

优选的，步骤二中根据最近一段时间的光源直射情况下光伏输出功率，引入随机预测机制，构建强度参数函数，具体表现方法如下：

将最近T时间段均分成n等份，P_i,(i＝1,2,···,n)为第时间段的光伏输出功率，P_W为n个时间段的光伏输出功率所组成的输出功率序列，具体表达式如下：

P_W＝[P₁,P₂,···,P_n]

根据最近一段时间输出功率序列的均值与方差，构建强度参数函数如下：

其中，S²分别为最近一段时间的光源直射情况下光伏输出功率序列P_W的均值和方差，λ_α′、λ_β′分别为中间校正仰角和方位角强度参数，K₁、K₂、K₃、K₄为参数。

优选的，步骤三中基于SVD分解方法的多元回归模型，依照地域、天气和时间的环境因素获取场景强度校正参数，对步骤二中的强度参数函数进行优化，具体表现方法如下：

λ_α″＝λ_α′ξ

λ_β″＝λ_β′ξ

其中，λ_α″、λ_β″分别为最终校正仰角和方位角强度参数，ξ为场景强度校正参数；使用基于SVD分解方法的多元回归模型分析光伏输出功率与地域、天气和时间的环境因素各模态之间相关性，输出其场景强度校正参数ξ；光伏输出功率y与地域、天气和时间的环境因素x存在某种线性关系,即y＝Εx+n，其中n为线性估计的误差，当<nn^T>最小时为最优估计，此时可得优化估计矩阵Ε＝<yx^T><xx^T>＝C_yxC_xx ^-1，定义C为协方差矩阵，通过SVD分解法分析光伏输出功率y与地域、天气和时间的环境因素x的协方差矩阵，取光伏输出功率y与环境因素x分别对应的奇异矢量，其代表在输出功率y域与环境因素x域中的输出功率y与环境因素x的相关性，即为场景强度校正参数ξ；进一步通过场景强度校正参数ξ改进强度参数函数，让光伏输出功率与光源与光伏器件相对位置的确定性函数模型适用于不同的地域、天气和时间的场景。

优选的，步骤四中建立光伏器件移动位置大小与能耗成本之间的能耗成本函数模型，根据当前风速和风向建立调参函数，对能耗成本函数模型进一步调整，具体表现方法如下：

y_c＝C₁Δα+C₂Δβ

C₁′＝C₁(1+ε₁υ+ε₂τ)

C₂′＝C₂(1+ε₃υ+ε₄τ)

其中，y_c为能耗成本，C₁、C₂分别为移动仰角和方位角能耗成本参数，Δα、Δβ分别为光伏器件移动仰角和方位角的大小，υ为当前风速，τ为当前风向，C₁′、C₂′分别为优化后的移动仰角和方位角能耗成本参数，ε₁、ε₂、ε₃、ε₄为参数。

优选的，步骤五中根据步骤一中的确定性函数模型与步骤四中的能耗成本函数模型，建立光伏优化模型，具体表现方法如下：

x_α′＝x_α+Δα

x_β′＝x_β-Δβ

其中，目标函数为光伏输出功率与移动光伏器件能耗成本的差，a为参数，Δα、Δβ分别为光伏器件移动仰角和方位角的大小，λ_α″、λ_β″分别为最终校正仰角和方位角强度参数，C₁′、C₂′分别为优化后的移动仰角和方位角能耗成本参数，x_α′、x_β′分别为最终光源与光伏器件的相对仰角和方位角；设定光源仰角α_s及方位角β_s已知，正南方向方位角为0°，偏西为正，偏东为负，光伏器件向上调整仰角Δα为正，反之为负；通过改变光伏器件的仰角α_m及方位角β_m，求解在光伏输出功率最大化且能耗成本最低情况下的最佳移动仰角Δα^*和方位角Δβ^*。

优选的，步骤六中利用基于Monte-Carlo迭代求解策略的一种随机寻优算法-模拟退火算法求解步骤五中的光伏优化模型，得到最佳的移动仰角Δα^*和方位角Δβ^*，具体实现方法如下：

S1，设初始控制参数为T₀，初始解为x₀，每个控制参数T的最大迭代次数为L；

S2，对n＝1,2,…，L循环S3至S6；

S3，产生新解x′＝x+Δx,Δx为小的均匀分布的随机扰动；

S4，计算增量Δf＝f(x′)-f(x)；

S5，若Δf＜0，则接受x′作为新的当前解，否则以概率P＝exp(-Δf/kT)接受x′，k为波尔兹曼常数；

S6，若满足终止条件则输出当前解为最优解，停止迭代，终止条件取为连续若干个新解都没有被接受时终止算法；

S7，控制参数T逐渐减少，且T>0，转至S2，T的下降速度不应快于T(t)＝T₀/(1+lnt),t＝1,2,3,...；

经过步骤S1～S7循环迭代,得到优化模型最优解X^*＝(Δα^*,Δβ^*)^T，Δα^*和Δβ^*分别为光伏输出功率最大且能耗成本最低时的最佳移动仰角和方位角。

综上所述，本发明具有以下有益效果：

本发明充分考虑了太阳能光伏发电的各种影响因素，其中光伏器件与光源的相对位置起着重要作用，建立光伏输出功率与光源与光伏器件相对位置的确定性函数模型；同时，基于历史统计信息，根据最近一段时间的光源直射情况下光伏输出功率序列，引入随机预测机制，构建强度参数函数；进一步，根据地域、天气和时间得到场景强度校正参数，改进强度参数函数；建立移动光伏器件位置大小与能耗成本关系函数，构建光伏优化模型，得出最佳的移动仰角和方位角，本发明可以实现光伏输出功率的最大化。

附图说明

图1是本发明的流程图；

图2是光源与光伏器件相对位置图；

图3是模拟退火算法流程图。

具体实施方式

在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本发明可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本发明发生混淆，对于本领域公知的一些技术特征未进行描述。

下面结合附图以及具体实施例对本发明的技术方案作进一步阐述：

面向大型动环监控场景的太阳能光伏优化方法，流程图如图1所示，具体操作步骤如下：

步骤S101，根据光伏器件与光源的相对位置是太阳能光伏发电系统发电量的主要影响因素，建立光伏输出功率与光源与光伏器件相对位置的确定性函数模型，光伏器件与光源的相对位置如图2所示，具体表示方法如下：

x_α＝90°-α

x_β＝90°-β

α＝180°-(α_m+α_s)

β＝β_m-β_s

其中，α_m∈[0°，90°]，α_s∈[0°，90°]，β_m∈[0°，180°]，β_s∈[-90°，90°]，α_m、α_s分别为光伏器件和光源相对于水平面的仰角，x_α为光伏器件与光源的相对仰角；β_m、β_s分别为光伏器件与光源相对于正南方向的方位角，假设正南方向的方位角为0°，偏西为正，偏东为负；x_β为光伏器件与光源的相对方位角，P_st为标准实验条件下太阳能电池板的标准光伏输出功率，λ_α为光伏输出功率与相对仰角的关系强度参数，λ_β为光伏输出功率与相对方位角的关系强度参数。

步骤S102，根据最近一段时间的光源直射情况下光伏输出功率，引入随机预测机制，构建强度参数函数，具体实现方法如下：

将最近T时间段均分成n等份，P_i,(i＝1,2,···,n)为第时间段的光伏输出功率，P_W为n个时间段的光伏输出功率所组成的输出功率序列，具体表达式如下：

P_W＝[P₁,P₂,···,P_n]

根据最近一段时间输出功率序列的均值与方差，构建强度参数函数如下：

其中，S²分别为最近一段时间的光源直射情况下光伏输出功率序列P_W的均值和方差，λ_α′、λ_β′分别为中间校正仰角和方位角强度参数，均值/>越大，关系越强。

步骤S103，基于SVD分解方法的多元回归模型，依照地域、天气和时间的环境因素获取场景强度校正参数，对步骤S102中的强度参数函数进行优化，具体实现方法如下：

λ_α″＝λ_α′ξ

λ_β″＝λ_β′ξ

其中，λ_α″、λ_β″分别为最终校正仰角和方位角强度参数，ξ为场景强度校正参数；使用基于SVD分解方法的多元回归模型分析光伏输出功率与地域、天气和时间的环境因素各模态之间相关性，输出其场景强度校正参数ξ；光伏输出功率y与地域、天气和时间的环境因素x存在某种线性关系,即y＝Εx+n，其中n为线性估计的误差，当<nn^T>最小时为最优估计，此时可得优化估计矩阵Ε＝<yx^T><xx^T>＝C_yxC_xx ^-1，定义C为协方差矩阵，通过SVD分解法分析光伏输出功率y与地域、天气和时间的环境因素x的协方差矩阵，取光伏输出功率y与环境因素x分别对应的奇异矢量，其代表在输出功率y域与环境因素x域中的输出功率y与环境因素x的相关性，即为场景强度校正参数ξ；进一步通过场景强度校正参数ξ改进强度参数函数，让光伏输出功率与光源与光伏器件相对位置的确定性函数模型适用于不同的地域、天气和时间的场景。

步骤S104，建立光伏器件移动位置大小与能耗成本之间的能耗成本函数模型，根据当前风速和风向建立调参函数，对能耗成本函数模型进一步调整，具体的公式如下：

y_c＝C₁Δα+C₂Δβ

C₁′＝C₁(1+ε₁υ+ε₂τ)

C₂′＝C₂(1+ε₃υ+ε₄τ)

其中，C₁、C₂为能耗成本参数，分别代表移动光伏器件单位仰角和方位角所需能耗，Δα、Δβ分别为光伏器件移动仰角和方位角的大小，C₁′、C₂′分别为优化后的移动仰角和方位角能耗成本参数，υ为当前风速，τ为当前风向。

步骤S105，根据步骤S101中的确定性函数模型与步骤S104中的能耗成本函数模型，建立光伏优化模型，具体方法如下：

x_α′＝x_α+Δα

x_β′＝x_β-Δβ

其中，目标函数为光伏输出功率与移动光伏器件能耗成本的差，a为参数，λ_α″、λ_β″分别为最终校正仰角和方位角强度参数，C₁′、C₂′分别为优化后的移动仰角和方位角能耗成本参数，x_α′、x_β′分别为最终光源与光伏器件的相对仰角和方位角；设定光源仰角α_s及方位角β_s已知，正南方向方位角为0°，偏西为正，偏东为负，光伏器件向上调整仰角Δα为正，反之为负；通过改变光伏器件的仰角α_m及方位角β_m，求解在光伏输出功率最大化且能耗成本最低情况下的最佳移动仰角Δα^*和方位角Δβ^*。

步骤S106，利用基于Monte-Carlo迭代求解策略的一种随机寻优算法-模拟退火算法求解步骤S105中的光伏优化模型，得到最佳的移动仰角Δα^*和方位角Δβ^*，如图3所示，具体实现步骤如下：

S1，假设初始控制参数为T₀，初始解为x₀，每个控制参数T的最大迭代次数为L；

S2，对n＝1,2,…，L循环S3至S6；

S3，产生新解x′＝x+Δx,Δx为小的均匀分布的随机扰动；

S4，计算增量Δf＝f(x′)-f(x)；

S5，若Δf＜0，则接受x′作为新的当前解，否则以概率P＝exp(-Δf/kT)接受x′，k为波尔兹曼常数；

S6，若满足终止条件则输出当前解为最优解，停止迭代，终止条件取为连续若干个新解都没有被接受时终止算法；

S7，控制参数T逐渐减少，且T>0，转至S2，T的下降速度不应快于T(t)＝T₀/(1+lnt),t＝1,2,3,...；

经过步骤S1～S7循环迭代,得到优化模型最优解X^*＝(Δα^*,Δβ^*)^T，Δα^*和Δβ^*分别为光伏输出功率最大且能耗成本最低时的最佳移动仰角和方位角。

以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护范围。

Claims (3)

1.面向大型动环监控场景的太阳能光伏优化方法，其特征在于，包括以下步骤：

步骤一，根据光伏器件与光源的相对位置是太阳能光伏发电系统发电量的主要影响因素，建立光伏输出功率与光源与光伏器件相对位置的确定性函数模型；

步骤二，根据最近一段时间的光源直射情况下光伏输出功率，引入随机预测机制，构建强度参数函数；

步骤三，基于SVD分解方法的多元回归模型，依照地域、天气和时间的环境因素获取场景强度校正参数，对步骤二中的强度参数函数进行优化；

步骤四，建立光伏器件移动位置大小与能耗成本之间的能耗成本函数模型，根据当前风速和风向建立调参函数，对能耗成本函数模型进一步调整；

步骤五，根据步骤一中的确定性函数模型与步骤四中的能耗成本函数模型，建立光伏优化模型；

步骤六，依据随机寻优算法-模拟退火算法求解步骤五中的光伏优化模型，得到最佳的移动仰角和方位角；

步骤一中根据光伏器件与光源的相对位置是太阳能光伏发电系统发电量的主要影响因素，建立光伏输出功率与光源与光伏器件相对位置的确定性函数模型，具体表现方法如下：

x_α＝90°-α

x_β＝90°-β

α＝180°-(α_m+α_s)

β＝β_m-β_s

其中，α_m∈[0°，90°]，α_s∈[0°，90°]，β_m∈[0°，180°]，β_s∈[-90°，90°]，α_m、α_s分别为光伏器件和光源相对于水平面的仰角，x_α、α为光伏器件与光源的相对仰角；β_m、β_s分别为光伏器件与光源相对于正南方向的方位角，假设正南方向的方位角为0°，偏西为正，偏东为负；x_β、β为光伏器件与光源的相对方位角，P_st为标准实验条件下太阳能电池板的标准光伏输出功率，P为光伏输出功率，λ_α为光伏输出功率与相对仰角的仰角关系强度参数，λ_β为光伏输出功率与相对方位角的方位角关系强度参数；

步骤二中根据最近一段时间的光源直射情况下光伏输出功率，引入随机预测机制，构建强度参数函数，具体表现方法如下：

将最近T时间段均分成n等份，P_i,(i＝1,2,···,n)为第时间段的光伏输出功率，P_W为n个时间段的光伏输出功率所组成的输出功率序列，具体表达式如下：

P_W＝[P₁,P₂,···,P_n]

根据最近一段时间输出功率序列的均值与方差，构建强度参数函数如下：

其中，S²分别为最近一段时间的光源直射情况下光伏输出功率序列P_W的均值和方差，λ_α′、λ_β′分别为中间校正仰角和方位角强度参数，K₁、K₂、K₃、K₄为参数；

步骤四中建立光伏器件移动位置大小与能耗成本之间的能耗成本函数模型，根据当前风速和风向建立调参函数，对能耗成本函数模型进一步调整，具体表现方法如下：

y_c＝C₁Δα+C₂Δβ

C₁′＝C₁(1+ε₁υ+ε₂τ)

C₂′＝C₂(1+ε₃υ+ε₄τ)

其中，y_c为能耗成本，C₁、C₂分别为移动仰角和方位角能耗成本参数，Δα、Δβ分别为光伏器件移动仰角和方位角的大小，υ为当前风速，τ为当前风向，C₁′、C₂′分别为优化后的移动仰角和方位角能耗成本参数，ε₁、ε₂、ε₃、ε₄为参数；

步骤五中根据步骤一中的确定性函数模型与步骤四中的能耗成本函数模型，建立光伏优化模型，具体表现方法如下：

x_α′＝x_α+Δα

x_β′＝x_β-Δβ

其中，目标函数为光伏输出功率与移动光伏器件能耗成本的差，a为参数，Δα、Δβ分别为光伏器件移动仰角和方位角的大小，λ_α″、λ_β″分别为最终校正仰角和方位角强度参数，C₁′、C₂′分别为优化后的移动仰角和方位角能耗成本参数，x_α′、x_β′分别为最终光源与光伏器件的相对仰角和方位角；设定光源仰角α_s及方位角β_s已知，正南方向方位角为0°，偏西为正，偏东为负，光伏器件向上调整仰角Δα为正，反之为负；通过改变光伏器件的仰角α_m及方位角β_m，求解在光伏输出功率最大化且能耗成本最低情况下的最佳移动仰角Δα^*和方位角Δβ^*。

2.根据权利要求1所述的面向大型动环监控场景的太阳能光伏优化方法，其特征在于，步骤三中基于SVD分解方法的多元回归模型，依照地域、天气和时间的环境因素获取场景强度校正参数，对步骤二中的强度参数函数进行优化，具体表现方法如下：

λ_α″＝λ_α′ξ

λ_β″＝λ_β′ξ

其中，λ_α″、λ_β″分别为最终校正仰角和方位角强度参数，ξ为场景强度校正参数；使用基于SVD分解方法的多元回归模型分析光伏输出功率与地域、天气和时间的环境因素各模态之间相关性，输出其场景强度校正参数ξ；光伏输出功率y与地域、天气和时间的环境因素x存在某种线性关系,即y＝Εx+n，其中n为线性估计的误差，当<nn^Τ>最小时为最优估计，此时可得优化估计矩阵Ε＝<yx^Τ><xx^Τ>＝C_yxC_xx ^-1，定义C为协方差矩阵，通过SVD分解法分析光伏输出功率y与地域、天气和时间的环境因素x的协方差矩阵，取光伏输出功率y与环境因素x分别对应的奇异矢量，其代表在输出功率y域与环境因素x域中的输出功率y与环境因素x的相关性，即为场景强度校正参数ξ；进一步通过场景强度校正参数ξ改进强度参数函数，让光伏输出功率与光源与光伏器件相对位置的确定性函数模型适用于不同的地域、天气和时间的场景。

3.根据权利要求1所述的面向大型动环监控场景的太阳能光伏优化方法，其特征在于，步骤六中利用基于Monte-Carlo迭代求解策略的一种随机寻优算法-模拟退火算法求解步骤五中的光伏优化模型，得到最佳的移动仰角Δα^*和方位角Δβ^*，具体实现方法如下：

S1，设初始控制参数为T₀，初始解为x₀，每个控制参数T的最大迭代次数为L；

S2，对n＝1,2,…，L循环S3至S6；

S3，产生新解x′＝x+Δx,Δx为小的均匀分布的随机扰动；

S4，计算增量Δf＝f(x′)-f(x)；

S5，若Δf＜0，则接受x′作为新的当前解，否则以概率P＝exp(-Δf/kT)接受x′，k为波尔兹曼常数；

S6，若满足终止条件则输出当前解为最优解，停止迭代，终止条件取为连续若干个新解都没有被接受时终止算法；

S7，控制参数T逐渐减少，且T>0，转至S2，T的下降速度不应快于T(t)＝T₀/(1+lnt),t＝1,2,3,...；

经过步骤S1～S7循环迭代,得到优化模型最优解X^*＝(Δα^*,Δβ^*)^Τ，Δα^*和Δβ^*分别为光伏输出功率最大且能耗成本最低时的最佳移动仰角和方位角。