CN116307276B - 面向大型动环监控场景的太阳能光伏优化方法 - Google Patents
面向大型动环监控场景的太阳能光伏优化方法 Download PDFInfo
- Publication number
- CN116307276B CN116307276B CN202310559342.6A CN202310559342A CN116307276B CN 116307276 B CN116307276 B CN 116307276B CN 202310559342 A CN202310559342 A CN 202310559342A CN 116307276 B CN116307276 B CN 116307276B
- Authority
- CN
- China
- Prior art keywords
- photovoltaic
- output power
- energy consumption
- light source
- parameter
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000005457 optimization Methods 0.000 title claims abstract description 29
- 238000012544 monitoring process Methods 0.000 title claims abstract description 9
- 238000005265 energy consumption Methods 0.000 claims abstract description 46
- 230000007613 environmental effect Effects 0.000 claims abstract description 26
- 238000012937 correction Methods 0.000 claims abstract description 19
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 12
- 238000010248 power generation Methods 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000002922 simulated annealing Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Analysis (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Computation (AREA)
- Pure & Applied Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
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
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:
xα=90°-α
xβ=90°-β
α=180°-(αm+αs)
β=βm-βs
其中,αm∈[0°,90°],αs∈[0°,90°],βm∈[0°,180°],βs∈[-90°,90°],αm、αs分别为光伏器件和光源相对于水平面的仰角,xα、α为光伏器件与光源的相对仰角;βm、βs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;xβ、β为光伏器件与光源的相对方位角,Pst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,λα为光伏输出功率与相对仰角的仰角关系强度参数,λβ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,Pi,(i=1,2,···,n)为第时间段的光伏输出功率,PW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:
PW=[P1,P2,···,Pn]
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PW的均值和方差,λα′、λβ′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:
λα″=λα′ξ
λβ″=λβ′ξ
其中,λα″、λβ″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<nnT>最小时为最优估计,此时可得优化估计矩阵Ε=<yxT><xxT>=CyxCxx -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:
yc=C1Δα+C2Δβ
C1′=C1(1+ε1υ+ε2τ)
C2′=C2(1+ε3υ+ε4τ)
其中,yc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:
xα′=xα+Δα
xβ′=xβ-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,λα″、λβ″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,xα′、xβ′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αs及方位角βs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αm及方位角βm,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:
xα=90°-α
xβ=90°-β
α=180°-(αm+αs)
β=βm-βs
其中,αm∈[0°,90°],αs∈[0°,90°],βm∈[0°,180°],βs∈[-90°,90°],αm、αs分别为光伏器件和光源相对于水平面的仰角,xα为光伏器件与光源的相对仰角;βm、βs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;xβ为光伏器件与光源的相对方位角,Pst为标准实验条件下太阳能电池板的标准光伏输出功率,λα为光伏输出功率与相对仰角的关系强度参数,λβ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,Pi,(i=1,2,···,n)为第时间段的光伏输出功率,PW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:
PW=[P1,P2,···,Pn]
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PW的均值和方差,λα′、λβ′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:
λα″=λα′ξ
λβ″=λβ′ξ
其中,λα″、λβ″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<nnT>最小时为最优估计,此时可得优化估计矩阵Ε=<yxT><xxT>=CyxCxx -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:
yc=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:
xα′=xα+Δα
xβ′=xβ-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,λα″、λβ″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,xα′、xβ′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αs及方位角βs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αm及方位角βm,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:
xα=90°-α
xβ=90°-β
α=180°-(αm+αs)
β=βm-βs
其中,αm∈[0°,90°],αs∈[0°,90°],βm∈[0°,180°],βs∈[-90°,90°],αm、αs分别为光伏器件和光源相对于水平面的仰角,xα、α为光伏器件与光源的相对仰角;βm、βs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;xβ、β为光伏器件与光源的相对方位角,Pst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,λα为光伏输出功率与相对仰角的仰角关系强度参数,λβ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,Pi,(i=1,2,···,n)为第时间段的光伏输出功率,PW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:
PW=[P1,P2,···,Pn]
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PW的均值和方差,λα′、λβ′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:
yc=C1Δα+C2Δβ
C1′=C1(1+ε1υ+ε2τ)
C2′=C2(1+ε3υ+ε4τ)
其中,yc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:
xα′=xα+Δα
xβ′=xβ-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,λα″、λβ″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,xα′、xβ′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αs及方位角βs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αm及方位角βm,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:
λα″=λα′ξ
λβ″=λβ′ξ
其中,λα″、λβ″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<nnΤ>最小时为最优估计,此时可得优化估计矩阵Ε=<yxΤ><xxΤ>=CyxCxx -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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310559342.6A CN116307276B (zh) | 2023-05-18 | 2023-05-18 | 面向大型动环监控场景的太阳能光伏优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310559342.6A CN116307276B (zh) | 2023-05-18 | 2023-05-18 | 面向大型动环监控场景的太阳能光伏优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116307276A CN116307276A (zh) | 2023-06-23 |
CN116307276B true CN116307276B (zh) | 2023-08-25 |
Family
ID=86813513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310559342.6A Active CN116307276B (zh) | 2023-05-18 | 2023-05-18 | 面向大型动环监控场景的太阳能光伏优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116307276B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8587775B1 (en) * | 2010-04-14 | 2013-11-19 | The Boeing Company | Solar tracking system |
CN105955317A (zh) * | 2016-06-23 | 2016-09-21 | 江苏科技大学 | 一种用于光伏双轴追踪装置的时控追踪控制方法 |
CN106527570A (zh) * | 2016-12-20 | 2017-03-22 | 湘潭大学 | 一种光伏阵列多峰最大功率群搜索优化跟踪方法 |
CN106600459A (zh) * | 2016-12-09 | 2017-04-26 | 范征 | 一种用于解决光伏接入点电压偏差的优化方法 |
CN106776476A (zh) * | 2016-12-05 | 2017-05-31 | 河海大学 | 一种基于和声搜索的光伏面板最佳倾角和方位角计算方法 |
US9784887B1 (en) * | 2013-08-12 | 2017-10-10 | Physical Optics Corporation | Meteorological sensing systems and methods |
US10140401B1 (en) * | 2011-07-25 | 2018-11-27 | Clean Power Research, L.L.C. | System and method for inferring a photovoltaic system configuration specification with the aid of a digital computer |
CN108923738A (zh) * | 2018-08-09 | 2018-11-30 | 上海电力学院 | 一种基于天气类型判别的双跟踪光伏发电系统控制方法 |
CN109888803A (zh) * | 2019-01-28 | 2019-06-14 | 江苏理工学院 | 风光发电系统中混合储能电源容量配置的优化方法 |
CN110533230A (zh) * | 2019-08-13 | 2019-12-03 | 浙江工业大学 | 一种光伏阵列辐照度传感器的位置优化方法 |
EP3845985A1 (en) * | 2019-12-31 | 2021-07-07 | ABB Schweiz AG | Method for estimating configuration parameters of a photovoltaic array |
CN113270898A (zh) * | 2021-05-25 | 2021-08-17 | 云南电网有限责任公司电力科学研究院 | 一种基于两阶段规划的分布式光伏优化配置方法 |
CN114460973A (zh) * | 2020-11-09 | 2022-05-10 | 尹梓滔 | 太阳能光伏发电自动跟踪系统及其控制方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8338695B2 (en) * | 2010-08-24 | 2012-12-25 | University Of Central Florida Research Foundation, Inc. | Iterative adaptive solar tracking having variable step size |
US20140149038A1 (en) * | 2012-11-28 | 2014-05-29 | The Arizona Board Of Regents On Behalf Of The University Of Arizona | Solar irradiance measurement system and weather model incorporating results of such measurement |
US11626737B2 (en) * | 2020-07-16 | 2023-04-11 | Also Energy, Inc. | Photovoltaic power plant energy harvest optimization—capacity factor, delta-P loss and ramp rate compensation |
-
2023
- 2023-05-18 CN CN202310559342.6A patent/CN116307276B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8587775B1 (en) * | 2010-04-14 | 2013-11-19 | The Boeing Company | Solar tracking system |
US10140401B1 (en) * | 2011-07-25 | 2018-11-27 | Clean Power Research, L.L.C. | System and method for inferring a photovoltaic system configuration specification with the aid of a digital computer |
US9784887B1 (en) * | 2013-08-12 | 2017-10-10 | Physical Optics Corporation | Meteorological sensing systems and methods |
CN105955317A (zh) * | 2016-06-23 | 2016-09-21 | 江苏科技大学 | 一种用于光伏双轴追踪装置的时控追踪控制方法 |
CN106776476A (zh) * | 2016-12-05 | 2017-05-31 | 河海大学 | 一种基于和声搜索的光伏面板最佳倾角和方位角计算方法 |
CN106600459A (zh) * | 2016-12-09 | 2017-04-26 | 范征 | 一种用于解决光伏接入点电压偏差的优化方法 |
CN106527570A (zh) * | 2016-12-20 | 2017-03-22 | 湘潭大学 | 一种光伏阵列多峰最大功率群搜索优化跟踪方法 |
CN108923738A (zh) * | 2018-08-09 | 2018-11-30 | 上海电力学院 | 一种基于天气类型判别的双跟踪光伏发电系统控制方法 |
CN109888803A (zh) * | 2019-01-28 | 2019-06-14 | 江苏理工学院 | 风光发电系统中混合储能电源容量配置的优化方法 |
CN110533230A (zh) * | 2019-08-13 | 2019-12-03 | 浙江工业大学 | 一种光伏阵列辐照度传感器的位置优化方法 |
EP3845985A1 (en) * | 2019-12-31 | 2021-07-07 | ABB Schweiz AG | Method for estimating configuration parameters of a photovoltaic array |
CN114460973A (zh) * | 2020-11-09 | 2022-05-10 | 尹梓滔 | 太阳能光伏发电自动跟踪系统及其控制方法 |
CN113270898A (zh) * | 2021-05-25 | 2021-08-17 | 云南电网有限责任公司电力科学研究院 | 一种基于两阶段规划的分布式光伏优化配置方法 |
Non-Patent Citations (1)
Title |
---|
光伏逐日发电装置变频率时控追踪控制策略研究;谢富鹏;姜文刚;王茗倩;;太阳能学报(第04期);127-136 * |
Also Published As
Publication number | Publication date |
---|---|
CN116307276A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhong et al. | Prediction of photovoltaic power generation based on general regression and back propagation neural network | |
CN107634518B (zh) | 一种“源-网-荷”相协调的主动配电网经济调度方法 | |
Wang et al. | Intelligent multi-agent control for integrated building and micro-grid systems | |
CN109814651B (zh) | 基于粒子群的光伏电池多峰值最大功率跟踪方法及系统 | |
CN111008728A (zh) | 一种用于分布式光伏发电系统短期出力的预测方法 | |
Albert et al. | A remote diagnosis using variable fractional order with reinforcement controller for solar-MPPT intelligent system | |
CN107221965B (zh) | 一种基于分布式设计的日前计划计算方法 | |
CN111092451B (zh) | 一种基于配电网网格的光伏消纳预警方法 | |
CN109193628B (zh) | 一种基于一致性的综合能源系统能量管理方法 | |
CN111725808B (zh) | 基于奇异摄动的综合能源系统分布式趋同控制方法及系统 | |
CN113255138B (zh) | 一种电力系统负荷分配优化方法 | |
CN116388262A (zh) | 基于多目标优化的含分布式光伏配网无功优化方法及系统 | |
Fu et al. | Estimation of building energy consumption using weather information derived from photovoltaic power plants | |
CN113555908B (zh) | 一种智能配电网储能优化配置方法 | |
CN104037814A (zh) | 一种分段平滑法与邻域搜索算法相结合的多电网调峰负荷分配方法 | |
CN116307276B (zh) | 面向大型动环监控场景的太阳能光伏优化方法 | |
CN108416132B (zh) | 一种分布式光伏集群的自动变步长仿真加速方法 | |
CN110098623B (zh) | 一种基于智能负载的Prosumer单元控制方法 | |
CN116979611A (zh) | 一种源网荷储分层优化调度方法 | |
CN114530848B (zh) | 一种光储虚拟电厂多时间尺度动态划分方法 | |
CN115146936A (zh) | 梯级水光蓄互补调度模型求解的动态调整学习因子算法 | |
CN114707759A (zh) | 基于代理模型开发及光伏系统的动态热电性能的预测 | |
Khalvati et al. | Boosting Solar Energy Production of a Building using New Architectural Design | |
Sravya et al. | Renewable energy sources for smart city applications: A review | |
Zhiwen | Research on Prediction Model of Photovoltaic Power Generation Based on Nonlinear Regression Based on BP Neural Network |
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 |