CN116800172B - 一种光电转换方法及储能系统 - Google Patents
一种光电转换方法及储能系统 Download PDFInfo
- Publication number
- CN116800172B CN116800172B CN202311062495.6A CN202311062495A CN116800172B CN 116800172 B CN116800172 B CN 116800172B CN 202311062495 A CN202311062495 A CN 202311062495A CN 116800172 B CN116800172 B CN 116800172B
- Authority
- CN
- China
- Prior art keywords
- data
- illumination
- photoelectric conversion
- heat energy
- solar panel
- 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
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 115
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004146 energy storage Methods 0.000 title claims abstract description 16
- 238000005286 illumination Methods 0.000 claims abstract description 148
- 238000010248 power generation Methods 0.000 claims abstract description 55
- 238000009434 installation Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 33
- 238000012360 testing method Methods 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 11
- 238000002790 cross-validation Methods 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 5
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000001556 precipitation Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000012795 verification Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005338 heat storage Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000005676 thermoelectric effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S10/00—PV power plants; Combinations of PV energy systems with other systems for the generation of electric power
- H02S10/20—Systems characterised by their energy storage means
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24S—SOLAR HEAT COLLECTORS; SOLAR HEAT SYSTEMS
- F24S20/00—Solar heat collectors specially adapted for particular uses or environments
- F24S20/20—Solar heat collectors for receiving concentrated solar energy, e.g. receivers for solar power plants
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S40/00—Components or accessories in combination with PV modules, not provided for in groups H02S10/00 - H02S30/00
- H02S40/40—Thermal components
- H02S40/44—Means to utilise heat energy, e.g. hybrid systems producing warm water and electricity at the same time
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mechanical Engineering (AREA)
- Combustion & Propulsion (AREA)
- Thermal Sciences (AREA)
- Sustainable Energy (AREA)
- Sustainable Development (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明公开了一种光电转换方法及储能系统,涉及光电转换技术领域。该方法包括:获取太阳能电池板安装区域的地理位置信息;确定受光角度;获取发电效率、功率、发电量和光照热能;建立光照强度预测模型;获取当前光照角度;动态调整所述受光角度;获取当前光照热能;获取表面温度并判断,根据判断结果选择不同操作。本发明通过建立光照强度预测模型实现光照强度的自我监测,降低其对光电转换效率和产量的影响;通过检测判断表面温度降低温度对光电转换效率和产量的影响;将光热转换生成的热能存储或调用,避免温度过高或过低影响光电转换效率,极大程度上降低了光照强度和温度对光电转换效率的影响,提高了光电转换效率和生成的电能产量。
Description
技术领域
本发明属于光电转换技术领域,尤其涉及一种光电转换方法及储能系统。
背景技术
光电转换是指将光能转换成电能的过程,可以包括多种方法,例如光电效应、半导体光致电压效应、热电效应等。而光伏发电是使用光伏效应来将光能转化为电能的一种方式,属于光电转换技术的一种。
光伏发电是指利用光伏效应将太阳能转换为直流电能的过程。通常,光伏发电系统包括太阳能电池板、电子控制系统、电池储能系统和逆变器等设备。光伏发电是一种清洁、可再生的能源,但它也存在一些缺陷,如:发电效率会受到天气影响,也会受到太阳能电池板的工作温度、面积和角度、遮挡污染等因素以及光伏发电系统里组件损坏的影响,从而导致光伏发电的效率和产量降低。
发明内容
本发明的目的在于提供一种光电转换方法及储能系统,通过光照强度预测模型、表面温度检测以及热量存储和调用,极大程度上降低了光照强度和温度对光电转换效率的影响,提高了光电转换效率和发电产量;同时利用存储和释放热能保证温度处于最佳状态,进一步提高光电转换效率和生成的电能产量。
本发明的目的可以通过以下技术方案实现:
第一方面,本申请实施例提供了一种光电转换方法,包括如下步骤:
S1,获取太阳能电池板安装区域的地理位置信息;
S2,根据所述地理位置信息确定所述太阳能电池板的受光角度;
S3,获取所述太阳能电池板的发电效率、发电功率、发电量和光照热能;
S4,根据所述受光角度、所述发电效率、所述发电功率、所述发电量和所述光照热能建立光照强度预测模型;
S5,获取所述太阳能电池板的当前光照角度;
S6,根据所述当前光照角度和所述光照强度预测模型动态调整所述受光角度;
S7,根据所述当前光照角度获取所述太阳能电池板生成的当前光照热能;
S8,根据所述光照强度预测模型对所述当前光照热能进行划分,将其划分为第一光照热能和第二光照热能;
S9,对所述太阳能电池板进行检测,获取其表面温度;
S10,对所述表面温度进行判断,若所述表面温度大于最低温度阈值且小于最高温度阈值,则执行步骤S11;若所述表面温度大于等于所述最高温度阈值,则执行步骤S12;若所述表面温度小于等于所述最低温度阈值,则执行步骤S13;
S11,对所述第二光照热能进行热电转换;
S12,对所述第一光照热能进行存储;
S13,调用存储的所述第一光照热能进行所述热电转换。
优选的,所述地理位置信息包括经纬度、区域海拔和气象信息;其中,所述气象信息包括天气、季节、温度、湿度、气压、风速和降水量。
优选的,所述气象信息、所述发电效率、所述发电功率、所述发电量以及所述光照热能均属于同一历史时刻。
优选的,所述建立光照强度预测模型包括以下步骤:
S41,采集地理位置信息数据、光电数据、光热数据和受光角度数据;其中,所述光电数据包括发电效率数据、发电功率数据和发电量数据;所述光热数据包括光照热能数据;
S42,对所述地理位置信息数据、所述光电数据和所述光热数据进行数据预处理,获取预处理数据;
S43,对所述预处理数据进行基于时间序列的特征选择,选取时序光照特征数据并构建样本数据集;
S44,将所述样本数据集划分训练数据集和测试数据集;
S45,选择模型算法,并根据所述训练数据集对选择的所述模型算法进行训练,获取所述光照强度预测模型;
S46,根据所述测试数据集对所述光照强度预测模型进行模型评估;
S47,对所述光照强度预测模型进行模型部署和维护更新。
优选的,训练数据集:测试数据集 = 4:1。
优选的,选择的所述模型算法包括线性回归、决策树、随机森林和支持向量机。
优选的,所述模型评估的指标包括:均方误差、均方根误差、平均绝对误差、交叉验证和学习曲线。
优选的,所述太阳能电池板包括光伏区域和热电区域;其中,所述光伏区域用于进行光电转换,所述热电区域用于进行热电转换。
优选的,动态调整光伏区域面积和热电区域面积,当所述表面温度小于等于所述最低温度阈值/所述表面温度大于等于所述最高温度阈值时,所述热电区域面积大于所述光伏区域面积。
第二方面,本申请实施例提供了一种储能系统,所述系统应用于所述光电转换方法,包括彼此通信连接的光伏模块、光热模块、能量存储模块、信息获取模块和模型生成模块;
所述光伏模块,用于利用太阳能电池板将太阳能转换为电能;
所述光热模块,用于利用所述太阳能电池板将所述太阳能转换为热能;
所述能量存储模块,用于存储所述热能和所述电能;
所述信息获取模块,用于获取太阳能电池板数据、光热模块数据和光电模块数据;
所述模型生成模块,用于根据所述信息获取模块获取的数据进行建模,生成光照强度预测模型;
其中,所述太阳能电池板包括光伏区域和光热区域;
其中,所述太阳能电池板数据包括太阳能电池板安装区域的地理位置信息、所述太阳能电池板的表面温度、当前光照角度和受光角度;
所述光热模块数据包括所述太阳能电池板的光照热能和当前光照热能;
所述光电模块数据包括所述太阳能电池板的发电效率、发电功率和发电量。
本发明的有益效果为:
(1)本发明通过建立光照强度预测模型来调整太阳能电池板的受光角度,实现光照强度的自我监测,降低光照强度对光电转换效率和产量的影响;又通过检测和判断太阳能电池板的表面温度,针对不同温度情况进行不同的操作,降低温度对光电转换效率和产量的影响;还将光热转换生成的热能进行存储或调用,避免温度过高或过低影响光电转换效率;本发明通过光照强度预测模型和表面温度检测,极大程度上降低了光照强度和温度对光电转换效率的影响,提高了太阳能电池板的光电转换效率和生成的电能产量。
(2)本发明通过获取太阳能电池板的安装区域地理信息确定其受光角度,进而再结合获取到的太阳能电池板的发电效率、功率以及发电量等信息建立光照强度预测模型;再通过获取太阳能电池板的当前光照角度,并利用光照强度预测模型调整受光角度,从而使得太阳能电池板始终可以通过不断调整角度达到最佳光照强度,进而提升光电转换的效率以及提高光电转换的产量。
(3)本发明通过获取太阳能电池板的表面温度进而判断该表面温度与最高温度阈值和最低温度阈值的大小关系,根据该大小关系对光照热能采取不同的处理方式,在温度超过最高温度阈值时采用存储方式,在温度处于二者之间时进行热电转换,在温度低于最低温度阈值时将光照热能存储后再调用进行热电转换;本发明通过上述方式避免了太阳能电池板在高温或低温状态下导致光电转换效率降低的情况,降低了温度对光电转换效率的影响,提高光电转换率的同时增加转换产量。
(4)太阳能电池板在进行光电转换的同时还进行光热转换,本发明将光热转换生成的热能存储下来,在温度很高时进行热电转换降低太阳能电池板的表面温度,降低温度对其效率的影响,提升其转换效率;在温度很低时调用存储的热能维持其表面温度不变,使得太阳能电池板处于最佳温度范围内,减小低温对其效率的影响,保持光电转换的效率和产量;并利用最高温和最低温产生的最大温度差提升热电转换的效率和产量,从而通过热电转换并结合光电转换,进一步提升光电转换的效率和电能产量。
附图说明
为了更好地理解和实施,下面结合附图详细说明本申请的技术方案。
图1为本申请实施例提供的一种光电转换方法的步骤流程图;
图2为本申请实施例提供的建立光照强度预测模型的步骤流程图;
图3为本申请实施例提供的一种储能系统的结构示意图。
具体实施方式
为更进一步阐述本发明为实现预定发明目的所采取的技术手段及功效,这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的方法和系统的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指包含一个或多个相关联的列出项目的任何或所有可能组合。
以下结合附图及较佳实施例,对依据本发明的具体实施方式、特征及其功效做详细说明。
实施例1
请参阅图1,本申请提供一种光电转换方法,包括如下步骤:
S1,获取太阳能电池板安装区域的地理位置信息;
S2,根据所述地理位置信息确定所述太阳能电池板的受光角度;
S3,获取所述太阳能电池板的发电效率、发电功率、发电量和光照热能;
S4,根据所述受光角度、所述发电效率、所述发电功率、所述发电量和所述光照热能建立光照强度预测模型;
S5,获取所述太阳能电池板的当前光照角度;
S6,根据所述当前光照角度和所述光照强度预测模型动态调整所述受光角度;
S7,根据所述当前光照角度获取所述太阳能电池板生成的当前光照热能;
S8,根据所述光照强度预测模型对所述当前光照热能进行划分,将其划分为第一光照热能和第二光照热能;
S9,对所述太阳能电池板进行检测,获取其表面温度;
S10,对所述表面温度进行判断,若所述表面温度大于最低温度阈值且小于最高温度阈值,则执行步骤S11;若所述表面温度大于等于所述最高温度阈值,则执行步骤S12;若所述表面温度小于等于所述最低温度阈值,则执行步骤S13;
S11,对所述第二光照热能进行热电转换;
S12,对所述第一光照热能进行存储;
S13,调用存储的所述第一光照热能进行所述热电转换。
具体地,首先,关于步骤S1~步骤S6,获取到太阳能电池板所在安装区域的地理位置信息,然后对地理位置信息进行分析和处理,并根据该地理位置信息确定太阳能电池板的受光角度,该受光角度与地理位置信息存在对应关系,即:受光角度根据地理位置信息综合确定;紧接着获取太阳能电池板的发电信息和光照热能,发电信息包括发电效率、发电功率和发电量;根据受光角度、发电信息和光照热能建立关于受光角度-发电信息的光照强度预测模型,同时该光照强度预测模型还可以反馈受光角度与光照热能之间的关系;紧接着获取太阳能电池板的当前光照角度,并根据该光照强度预测模型,获取到当前光照角度对应的光照强度,最后调整太阳能电池板的受光角度使其受光角度调整为当前最佳的光照角度,从而可以使得太阳能电池板始终处于最佳受光角度,进而始终获得最佳光照强度,从而使得光电转换的效率达到最高,生成的电量产量最大化。
其次,关于步骤S7~步骤S8,太阳能电池板在接受光照的同时也会产生大量的热能,因此本申请根据当前光照角度获取到太阳能电池板生成的当前光照热能,又因为光照强度预测模型还可以反映出受光角度与光照热能之间的关系,所以可以根据该光照强度预测模型对当前光照热能进行划分,将其划分为第一光照热能和第二光照热能。需要说明的是,第一光照热能和第二光照热能均与太阳能电池板的表面温度有关,第一光照热能主要用于存储热量,第二光照热能主要用于进行热电转换,生成电量。
最后,关于步骤S9~步骤S13,检测太阳能电池板的表面温度,对该表面温度进行判断,若表面温度大于最低温度阈值且小于最高温度阈值,说明此时的表面温度处于太阳能电池板的最佳温度,在该最佳温度下太阳能电池板的光电转换效率最高,则对第二光照热能进行热电转换,将因光照而生成的热量转换为电能;如果表面温度大于等于最高温度阈值,说明此时表面温度已经超过了最佳温度范围,此时光电转换效率降低,因此将第一光照热能存储起来,减少热量聚集,达到降低温度的同时也可以避免热量损失和浪费;如果表面温度小于等于最低温度阈值,说明此时表面温度远远低于最佳温度范围,而光电转换效率也会因为低温而降低,因此调用存储的第一光照热能进行热电转换,使表面温度维持在最佳温度范围内提升光电转换效率的同时,还可以通过热电转换增加发电量,并进一步促进光电转换的速度;并且本申请调用的是表面温度大于等于最高温度阈值时存储下来的热量,因此在最低温时释放该热量,使得热电转换处于最高温与最低温形成的最大温差内,如此可以使得热电转换输出的电压和功率更高。
在本申请提供的一种实施例中,所述地理位置信息包括经纬度、区域海拔和气象信息;其中,所述气象信息包括天气、季节、温度、湿度、气压、风速和降水量。
进一步地,所述气象信息、所述发电效率、所述发电功率、所述发电量以及所述光照热能均属于同一历史时刻。
具体地,在地理位置信息中,经纬度可以反映太阳能电池板的安装位置,区域海拔可以反映安装高度、气象信息可以反映区域环境,这些因素都对太阳能电池板的光照强度有很大的影响。因此本申请通过获取并分析上述地理位置信息,从而可以确定太阳能电池板的安装角度以及受光角度。并且在上述气象信息中,天气包括晴天、雨天、风暴天、阴天和台风天等,天气的变化会影响太阳能电池板接收太阳的光照时间,从而影响光电转换效率;季节包括春秋两季、夏季和冬季,太阳能电池板在夏季光照强烈,光照时间充足,光电转换效率高,发电量大,而在冬季则发电量少;温度、湿度、气压、风速和降水量等因素也会或多或少影响到光电转换效率和发电量。
并且需要说明的是,太阳能电池板的发电效率、发电功率、发电量以及光照热能均属于同一个历史时刻,也即:在同一时刻的地理位置因素影响下,太阳能电池板产生的发电量、发电效率、发电功率以及光照热能。比如:在夏季晴天上午11点到中午14点的时候,太阳能电池板在该时间段内的发电量、发电效率、发电功率以及光照热能是多少,以上数据为同一时刻对应的数据。本实施例所述的同一历史时刻表示为不同数据在完全相同的瞬间进行采集和记录,即:在同一海拔、季节、区域环境等地理位置因素下,在同一时刻(同一个时间点)对太阳能电池板的发电量、发电效率、发电功率、光照热能以及光照角度等数据进行采集和记录。
请参阅图2,在本申请提供的一种实施例中,建立光照强度预测模型包括以下步骤:
S41,采集地理位置信息数据、光电数据、光热数据和受光角度数据;其中,所述光电数据包括发电效率数据、发电功率数据和发电量数据;所述光热数据包括光照热能数据;
S42,对所述地理位置信息数据、所述光电数据和所述光热数据进行数据预处理,获取预处理数据;
S43,对所述预处理数据进行基于时间序列的特征选择,选取时序光照特征数据并构建样本数据集;
S44,将所述样本数据集划分训练数据集和测试数据集;
S45,选择模型算法,并根据所述训练数据集对选择的所述模型算法进行训练,获取所述光照强度预测模型;
S46,根据所述测试数据集对所述光照强度预测模型进行模型评估;
S47,对所述光照强度预测模型进行模型部署和维护更新。
具体地,在建立光照强度预测模型前,首先收集与光照强度相关的数据,比如:地理位置信息数据、光电数据、光热数据和受光角度数据;其中,光电数据包括发电效率数据、发电功率数据和发电量数据等光电转换数据;光热数据包括光照热能数据等光热转换数据;其次,对采集到的上述数据进行预处理,包括但不限于数据清洗、数据筛选和数据处理,如缺失值处理、异常值剔除、数据归一化等,保证数据的可靠性和一致性;紧接着,对预处理数据进行基于时间序列的特征选择,选取时序光照特征数据并构建样本数据集,选择对光照强度具有影响的特征,如天气、时间、地理位置、季节等,以及可能的交互作用;紧接着,将样本数据集进行划分,分为用于训练模型的训练数据集和用于测试模型的测试数据集;紧接着,选择合适的模型算法并利用训练数据集进行模型训练,通过使用上述数据对选定的机器学习算法进行训练,并对训练过程进行优化和调整,以获得更好的预测性能,进而生成光照强度预测模型;紧接着,利用测试数据集对生成的光照强度预测模型进行模型测试和评估,如计算模型的误差、精度、召回率等性能指标;最后,对该光照强度预测模型进行部署,将训练好的模型应用到实际场景中,例如通过API接口提供预测服务,或将模型集成到设备中实现实时的光照强度预测,以及定期的维护和更新,使其能够适应新的数据和场景变化,并保持良好的预测性能。需要说明的是,本申请在构建光照强度预测模型时,选取的是基于时间序列的时序光照特征数据,区分了数据的时间序列性质,通过采用连续时间序列的数据来提高预测精度。
进一步地,训练数据集:测试数据集 = 4:1。
进一步地,选择的所述模型算法包括线性回归、决策树、随机森林和支持向量机。
进一步地,所述模型评估的指标包括:均方误差、均方根误差、平均绝对误差、交叉验证和学习曲线。
具体地,在本申请实施例中,将训练数据集和测试数据集的比例设定为4:1,大量的训练数据集可以保证模型在训练过程中的完整性,而样本数据集中数据的总数可以根据实际情况进行调整和设定。需要说明的是,训练数据集:测试数据集 = 4:1表示为:将所有样本数据中的80%作为训练数据放入训练数据集中,将所有样本数据中的20%作为测试数据放入测试数据集中。
再有,本申请所选择的模型算法也即机器学习算法,包括但不限于线性回归、决策树、随机森林和支持向量机,可以单独选择上述算法中的一种,也可以选择两种或者两种以上的算法进行组合使用。
上述模型算法中,线性回归适用于光照强度和其他变量之间呈现线性关系的情况,能够预测一个连续的输出值。
决策树可以对样本进行自动分组,并基于这些分组预测光照强度,适用于多维度特征的情形。
随机森林是一种基于决策树的集成学习算法,适用于高维复杂特征的预测和分类。
支持向量机适用于高维特征空间和非线性问题,可以处理多类别分类或回归任务。
另外,在本实施例的光照强度预测模型的评估指标中,可以单独选择上述评估指标中的一种,也可以选择两种或者两种以上的评估指标进行组合使用。
其中,均方误差(MSE):是预测值与实际值之间差异平方的平均值,可以衡量模型在样本上的预测能力;MSE越小,说明模型的预测误差越小。
均方根误差(RMSE):是MSE的平方根,可以衡量模型的绝对误差;RMSE越小,说明模型的预测精度越高。
平均绝对误差(MAE):是预测值与实际值之间差异的绝对值的平均值,可以衡量模型的绝对误差;MAE越小,说明模型的预测精度越高。
交叉验证(Cross-validation,CV):通过将数据集分成若干份,其中一份作为测试集,其余作为训练集,来反复评估模型性能。具体为:在交叉验证中,通常采用k折交叉验证方法,将原始数据集均分成k份,选择其中一份作为测试集,剩下的k-1份作为训练集,对模型进行训练和测试;然后选取另外一份作为测试集,再对模型进行训练和测试,依此类推,直到每一份都被作为测试集验证过一次;最后将k次测试结果的平均值作为模型的性能评价。通过交叉验证方法可以更准确地评估模型的稳定性和泛化能力,避免了单次划分数据导致评估结果不可靠的情况。
学习曲线(Learning curve):用于了解模型在训练集和测试集上的表现,并通过可视化分析来确定模型的性能是否需要改进。具体为:学习曲线通常横坐标表示训练数据样本数量,纵坐标表示模型的误差率、准确率等指标。当学习曲线呈现出以下几种情况时:
High Bias(欠拟合):这种情况下,模型的训练误差和验证误差都很高,且两者之间的差距不大。通常是因为模型过于简单或者欠拟合。
High Variance(过拟合):这种情况下,模型的训练误差较低,但是验证误差却很高。通常是因为模型过于复杂或者过拟合。
Good Fit(良好拟合):这种情况下,模型的训练误差和验证误差都较低,而且两者之间的差距也较小,说明模型的性能比较优秀。
在本申请提供的一种实施例中,所述太阳能电池板包括光伏区域和热电区域;其中,所述光伏区域用于进行光电转换,所述热电区域用于进行热电转换。
进一步地,动态调整光伏区域面积和热电区域面积,当所述表面温度小于等于所述最低温度阈值/所述表面温度大于等于所述最高温度阈值时,所述热电区域面积大于所述光伏区域面积。
具体地,太阳能电池板上具有进行光电转换的光伏区域,也具有进行热电转换的热电区域,光伏区域在进行光电转换的同时会将光热效应产生的热量传输至热电转换区域。本申请中光伏区域和热电区域可以动态地调整面积大小,当太阳能电池板的表面温度小于等于最低温度阈值,或者表面温度大于等于最高温度阈值时,就会调整二者的面积使得热电区域面积大于光伏区域面积,如此可以在热电区域进行热电转换,将热量转换为电能,在增加电能产量的同时,又会加快光电转换的效率。
综上所述,本申请通过建立光照强度预测模型来调整太阳能电池板的受光角度,实现光照强度的自我监测,降低光照强度对光电转换效率和产量的影响;又通过检测和判断太阳能电池板的表面温度,针对不同温度情况进行不同的操作,降低温度对光电转换效率和产量的影响;还将光热转换生成的热能进行存储或调用,避免温度过高或过低影响光电转换效率;本申请通过光照强度预测模型和表面温度检测,极大程度上降低了光照强度和温度对光电转换效率的影响,提高了太阳能电池板的光电转换效率和生成的电能产量。
本申请还具有以下有益效果:
(1)本申请通过获取太阳能电池板的安装区域地理信息确定其受光角度,进而再结合获取到的太阳能电池板的发电效率、功率以及发电量等信息建立光照强度预测模型;再通过获取太阳能电池板的当前光照角度,并利用光照强度预测模型调整受光角度,从而使得太阳能电池板始终可以通过不断调整角度达到最佳光照强度,进而提升光电转换的效率以及提高光电转换的产量。
(2)本申请通过获取太阳能电池板的表面温度进而判断该表面温度与最高温度阈值和最低温度阈值的大小关系,根据该大小关系对光照热能采取不同的处理方式,在温度超过最高温度阈值时采用存储方式,在温度处于二者之间时进行热电转换,在温度低于最低温度阈值时将光照热能存储后再调用进行热电转换;本申请通过上述方式避免了太阳能电池板在高温或低温状态下导致光电转换效率降低的情况,降低了温度对光电转换效率的影响,提高光电转换率的同时增加转换产量。
(3)太阳能电池板在进行光电转换的同时还进行光热转换,本申请将光热转换生成的热能存储下来,在温度很高时进行热电转换降低太阳能电池板的表面温度,降低温度对其效率的影响,提升其转换效率;在温度很低时调用存储的热能维持其表面温度不变,使得太阳能电池板处于最佳温度范围内,减小低温对其效率的影响,保证光电转换的效率和产量;并利用最高温和最低温产生的最大温度差提升热电转换的效率和产量,从而通过热电转换并结合光电转换,进一步提升光电转换的效率和电能产量。
实施例2
请参阅图3,本申请提供一种储能系统,所述系统应用于上述所述的光电转换方法,该系统包括彼此通信连接的光伏模块、光热模块、能量存储模块、信息获取模块和模型生成模块;
所述光伏模块,用于利用太阳能电池板将太阳能转换为电能;
所述光热模块,用于利用所述太阳能电池板将所述太阳能转换为热能;
所述能量存储模块,用于存储所述热能和所述电能;
所述信息获取模块,用于获取太阳能电池板数据、光热模块数据和光电模块数据;
所述模型生成模块,用于根据所述信息获取模块获取的数据进行建模,生成光照强度预测模型;
其中,所述太阳能电池板包括光伏区域和光热区域;
其中,所述太阳能电池板数据包括太阳能电池板安装区域的地理位置信息、所述太阳能电池板的表面温度、当前光照角度和受光角度;
所述光热模块数据包括所述太阳能电池板的光照热能和当前光照热能;
所述光电模块数据包括所述太阳能电池板的发电效率、发电功率和发电量。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将系统的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件,或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
以上所述,仅是本发明的较佳实施例而已,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示如上,然而并非用以限定本发明,任何本领域技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简介修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (10)
1.一种光电转换方法,其特征在于:包括如下步骤:
S1,获取太阳能电池板安装区域的地理位置信息;
S2,根据所述地理位置信息确定所述太阳能电池板的受光角度;
S3,获取所述太阳能电池板的发电效率、发电功率、发电量和光照热能;
S4,根据所述受光角度、所述发电效率、所述发电功率、所述发电量和所述光照热能建立光照强度预测模型;
S5,获取所述太阳能电池板的当前光照角度;
S6,根据所述当前光照角度和所述光照强度预测模型动态调整所述受光角度;
S7,根据所述当前光照角度获取所述太阳能电池板生成的当前光照热能;
S8,根据所述光照强度预测模型对所述当前光照热能进行划分,将其划分为第一光照热能和第二光照热能;
S9,对所述太阳能电池板进行检测,获取其表面温度;
S10,对所述表面温度进行判断,若所述表面温度大于最低温度阈值且小于最高温度阈值,则执行步骤S11;若所述表面温度大于等于所述最高温度阈值,则执行步骤S12;若所述表面温度小于等于所述最低温度阈值,则执行步骤S13;
S11,对所述第二光照热能进行热电转换;
S12,对所述第一光照热能进行存储;
S13,调用存储的所述第一光照热能进行所述热电转换。
2.根据权利要求1所述的一种光电转换方法,其特征在于:所述地理位置信息包括经纬度、区域海拔和气象信息;其中,所述气象信息包括天气、季节、温度、湿度、气压、风速和降水量。
3.根据权利要求2所述的一种光电转换方法,其特征在于:所述气象信息、所述发电效率、所述发电功率、所述发电量以及所述光照热能均属于同一历史时刻。
4.根据权利要求1所述的一种光电转换方法,其特征在于:所述建立光照强度预测模型包括以下步骤:
S41,采集地理位置信息数据、光电数据、光热数据和受光角度数据;其中,所述光电数据包括发电效率数据、发电功率数据和发电量数据;所述光热数据包括光照热能数据;
S42,对所述地理位置信息数据、所述光电数据和所述光热数据进行数据预处理,获取预处理数据;
S43,对所述预处理数据进行基于时间序列的特征选择,选取时序光照特征数据并构建样本数据集;
S44,将所述样本数据集划分训练数据集和测试数据集;
S45,选择模型算法,并根据所述训练数据集对选择的所述模型算法进行训练,获取所述光照强度预测模型;
S46,根据所述测试数据集对所述光照强度预测模型进行模型评估;
S47,对所述光照强度预测模型进行模型部署和维护更新。
5.根据权利要求4所述的一种光电转换方法,其特征在于:训练数据集:测试数据集 =4:1。
6.根据权利要求5所述的一种光电转换方法,其特征在于:选择的所述模型算法包括线性回归、决策树、随机森林和支持向量机。
7.根据权利要求6所述的一种光电转换方法,其特征在于:所述模型评估的指标包括:均方误差、均方根误差、平均绝对误差、交叉验证和学习曲线。
8.根据权利要求1所述的一种光电转换方法,其特征在于:所述太阳能电池板包括光伏区域和热电区域;其中,所述光伏区域用于进行光电转换,所述热电区域用于进行热电转换。
9.根据权利要求8所述的一种光电转换方法,其特征在于:动态调整光伏区域面积和热电区域面积,当所述表面温度小于等于所述最低温度阈值/所述表面温度大于等于所述最高温度阈值时,所述热电区域面积大于所述光伏区域面积。
10.一种储能系统,所述系统应用于权利要求1至9任一项所述的光电转换方法,其特征在于:包括彼此通信连接的光伏模块、光热模块、能量存储模块、信息获取模块和模型生成模块;
所述光伏模块,用于利用太阳能电池板将太阳能转换为电能;
所述光热模块,用于利用所述太阳能电池板将所述太阳能转换为热能;
所述能量存储模块,用于存储所述热能和所述电能;
所述信息获取模块,用于获取太阳能电池板数据、光热模块数据和光电模块数据;
所述模型生成模块,用于根据所述信息获取模块获取的数据进行建模,生成光照强度预测模型;
其中,所述太阳能电池板包括光伏区域和光热区域;
其中,所述太阳能电池板数据包括太阳能电池板安装区域的地理位置信息、所述太阳能电池板的表面温度、当前光照角度和受光角度;
所述光热模块数据包括所述太阳能电池板的光照热能和当前光照热能;
所述光电模块数据包括所述太阳能电池板的发电效率、发电功率和发电量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311062495.6A CN116800172B (zh) | 2023-08-23 | 2023-08-23 | 一种光电转换方法及储能系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311062495.6A CN116800172B (zh) | 2023-08-23 | 2023-08-23 | 一种光电转换方法及储能系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116800172A CN116800172A (zh) | 2023-09-22 |
CN116800172B true CN116800172B (zh) | 2023-10-27 |
Family
ID=88050079
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311062495.6A Active CN116800172B (zh) | 2023-08-23 | 2023-08-23 | 一种光电转换方法及储能系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116800172B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117154724B (zh) * | 2023-10-31 | 2024-02-23 | 山东中瑞电气有限公司 | 光伏发电功率预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105473952A (zh) * | 2013-06-25 | 2016-04-06 | 金美爱 | 利用通过平面镜均匀地收集的光线和通过直接接触的冷却法的太阳光发电装置及方法 |
CN111339689A (zh) * | 2020-03-30 | 2020-06-26 | 广东工业大学 | 建筑综合能源调度方法、系统、存储介质及计算机设备 |
CN114156951A (zh) * | 2022-02-10 | 2022-03-08 | 西安思安云创科技有限公司 | 一种源网荷储系统的控制优化方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2953397C (en) * | 2014-06-27 | 2022-04-26 | The Administrators Of The Tulane Educational Fund | Infrared transmissive concentrated photovoltaics for coupling solar electric energy conversion to solar thermal energy utilization |
-
2023
- 2023-08-23 CN CN202311062495.6A patent/CN116800172B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105473952A (zh) * | 2013-06-25 | 2016-04-06 | 金美爱 | 利用通过平面镜均匀地收集的光线和通过直接接触的冷却法的太阳光发电装置及方法 |
CN111339689A (zh) * | 2020-03-30 | 2020-06-26 | 广东工业大学 | 建筑综合能源调度方法、系统、存储介质及计算机设备 |
CN114156951A (zh) * | 2022-02-10 | 2022-03-08 | 西安思安云创科技有限公司 | 一种源网荷储系统的控制优化方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116800172A (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102364408B (zh) | 用于识别和评价遮蔽的方法 | |
CN105337575B (zh) | 光伏电站状态预测及故障诊断方法和系统 | |
CN105260800A (zh) | 一种光伏组件温度预测方法及装置 | |
KR102023467B1 (ko) | 기상 데이터를 분석하여 효율을 향상시킨 태양광 발전 시스템 | |
CN116800172B (zh) | 一种光电转换方法及储能系统 | |
CN108614612B (zh) | 太阳能光伏电池最大功率追踪方法和系统 | |
CN111245365B (zh) | 基于动态加权深度森林的光伏组件故障诊断方法 | |
KR102230548B1 (ko) | Frbfnn 모델을 이용한 태양광 발전설비의 발전예측 및 효율진단 시스템 | |
KR102488667B1 (ko) | 머신러닝을 이용한 태양광 발전 예측 시스템 | |
KR102488669B1 (ko) | 구름 음영 효과를 적용한 태양광 발전 예측 시스템 | |
JP2012138448A (ja) | 太陽光発電の出力低下検出装置及び検出方法 | |
Haba | Monitoring solar panels using machine learning techniques | |
CN114399081A (zh) | 一种基于天气分类的光伏发电功率预测方法 | |
CN117713218B (zh) | 一种基于知识与数据融合驱动的光伏出力预测方法 | |
KR102488668B1 (ko) | 머신러닝을 이용한 태양광 발전 예측 시스템 및 방법 | |
KR102363732B1 (ko) | 태양광 발전량 예측 시스템 | |
Ren et al. | Prediction algorithm based on weather forecast for energy-harvesting wireless sensor networks | |
KR102497676B1 (ko) | 인공지능 기반의 태양광 모니터링 시스템 | |
CN108876060B (zh) | 一种基于大数据的样本采集风电出力概率预测方法 | |
TW201727559A (zh) | 再生能源電廠的管理方法與系統 | |
CN115115137A (zh) | 基于匹配统计子波的光伏功率预测方法及装置 | |
Ma et al. | Anomaly Detection of Mountain Photovoltaic Power Plant Based on Spectral Clustering | |
Elgamal et al. | Performance Metrics for Photovoltaic 4.0 Systems: 27.5 kW Solar Station as an Example | |
Mahmoud et al. | Classification of solar variability using K-means method for the evaluation of solar photovoltaic systems performance | |
KR102645221B1 (ko) | 기상 데이터 및 pv 시스템의 환경 데이터를 이용한 인공 지능 기반의 태양광 발전량 예측 시스템 |
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 |