CN117094521A - 一种光伏电站智能选址方法 - Google Patents
一种光伏电站智能选址方法 Download PDFInfo
- Publication number
- CN117094521A CN117094521A CN202311118487.9A CN202311118487A CN117094521A CN 117094521 A CN117094521 A CN 117094521A CN 202311118487 A CN202311118487 A CN 202311118487A CN 117094521 A CN117094521 A CN 117094521A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic power
- site selection
- power station
- area
- data
- 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
- 238000010187 selection method Methods 0.000 title claims abstract description 20
- 238000010276 construction Methods 0.000 claims abstract description 79
- 238000002360 preparation method Methods 0.000 claims abstract description 22
- 238000012216 screening Methods 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 238000010248 power generation Methods 0.000 claims description 40
- 230000005540 biological transmission Effects 0.000 claims description 18
- 229910052500 inorganic mineral Inorganic materials 0.000 claims description 15
- 239000011707 mineral Substances 0.000 claims description 15
- 230000005855 radiation Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012876 topography Methods 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 11
- 238000000034 method Methods 0.000 description 9
- 230000005611 electricity Effects 0.000 description 6
- 108090000623 proteins and genes Proteins 0.000 description 6
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及光伏电站选址领域，公开了一种光伏电站智能选址方法，包括：S1，获取待建光伏电站的需求目标和当地光伏电站选址的政策标文件；S2，获取规划建设区域的行政区划图，结合当地光伏电站选址的政策文件，获取能够建立光伏电站的区域并进行标记；S3，获取规划建设区域的遥感影像数据和数字高程数据，分析得到标记区域的地表覆盖物类型、海拔高度及坡度数据；S4，结合地表覆盖物类型、海拔高度及坡度数据获取具有可行性的选址区域，进行重新标记；S5，对重新标记的各区域的施工费用和发电量分别进行预测，施工费用和发电量均在需求目标的发电量和预算阈值范围内时，筛选为光伏电站预备区域。本申请能够准确、高效的进行光伏电站智能选址。
Description
技术领域
本发明涉及光伏电站选址领域，具体涉及一种光伏电站智能选址方法。
背景技术
太阳能作为可再生绿色能源，取之不尽，用之不竭，无污染，低成本，被公认为是21世纪最重要的新能源之一。世界各国竞相动用庞大的研发团队和巨额资金来研究太阳能发电技术。其中，光伏发电因为其电池材料硅的来源丰富、成本低廉等优点而受到青睐。它的基本原理是通过太阳能电池表面的光生伏特效应，实现由光能到电能的转换。
在光伏电站的建设和筹划前，首先要进行选址。合理的位置选择对光能的产出显得非常重要，选址不合理会直接造成电站发电量损失和维修费用增加，整体效益和运行寿命降低，并且还会对周围环境造成不良影响。已有的光伏电站选址方法和模型都有其各自的适用条件，要根据不同地方和环境选择合适的方法和模型。
发明内容
本发明意在提供一种光伏电站智能选址方法，以准确、高效的进行光伏电站智能选址。
为达到上述目的，本发明采用如下技术方案：
一种光伏电站智能选址方法，包括：
S1，获取待建光伏电站的需求目标和当地光伏电站选址的政策标文件，所述需求目标包括发电量、规划建设区域和预算的需求；
S2，获取规划建设区域的行政区划图，结合当地光伏电站选址的政策文件，获取能够建立光伏电站的区域并进行标记；
S3，获取规划建设区域的遥感影像数据和数字高程数据，分析得到标记区域的地表覆盖物类型、海拔高度及坡度数据；
S4，结合地表覆盖物类型、海拔高度及坡度数据获取具有可行性的选址区域，进行重新标记；
S5，对重新标记的各区域的施工费用和发电量分别进行预测，施工费用和发电量均在需求目标的发电量和预算阈值范围内时，筛选为光伏电站预备区域。
本方案的原理及优点是：实际应用时，先获取待建光伏电站的需求目标和当地光伏电站选址的政策文件，从需求出发，选址更加准确；获取规划建设区域的行政区划图，通过行政区划图，便于将政策对应的空间位置直观呈现，结合当地光伏电站选址的政策文件，获取能够建立光伏电站的区域并进行标记，以在符合当地光伏电站选址的政策文件的前提下进行选址，避免无效选址；获取规划建设区域的遥感影像图和数字高程数据，分析标记区域的地表覆盖物类型、海拔高度及坡度数据；地表覆盖物类型、海拔高度及坡度数据能够反映土地利用类型、施工难度、地形导致的光伏电站的遮挡情况，这些都对光伏电站造成影响，根据光伏电站影响因素，结合地表覆盖物类型、海拔高度及坡度数据获取具有建设可行性的选址区域，进行重新标记，重新标记区域即为能够施工建设光伏电站的区域；最后对重新标记的各区域的施工费用和发电量分别进行预测，施工费用和发电量均在需求目标的发电量和预算阈值范围内时，筛选为光伏电站预备区域。
优选的，作为一种改进，所述S3具体包括：
S31，对遥感影像图进行解译，获取地表覆盖物类型，所述地表覆盖物类型包括：城镇与建成区、水域、耕地、荒地、草地、林地、道路；
S32，对数字高程数据进行处理得到海拔高度及坡度数据；
S33，将地表覆盖物类型、海拔高度及坡度数据以及行政区划图叠加显示。
技术效果：地表覆盖物的类型不同，即对应土地的用途不同，获得土地用途利于分析光伏电站建立对周围环境的影响；结合海拔高度及坡度，利于分析光伏电站接收太阳能的情况，以及建筑难度。
优选的，作为一种改进，所述S4中，可行性的判断规则包括：
选址区的坡度满足在地势平坦的地区或北高南低的坡度地区，坡度不大于35°；选址区的坡向满足以南坡向西南坡、东南坡扩展，坡向为135°～225°；选址区距居民区的距离大于500m；选址区距道路的距离大于100m；选择未利用和经济价值低的土地。
技术效果：坡度和坡向都会影响该地区地表接收太阳的辐射量以及日照时数；离居民区太近，周围物体(树木、电线杆、建筑物)的阴影投射到电池平板上，从而遮挡太阳光照，影响光伏发电系统的发电效率，离居民区太远，前期建造和后期维护成本增加，输电距离也会变长，电能在输电线路上的损耗增加；光伏发电站的顺利建造，需要良好的交通运输条件作为保证；通过从坡度、坡向、距居民区的距离、距道路的距离以及土地经济价值角度进行可行性判断，利于光伏电站的后期建造。
优选的，作为一种改进，所述S5包括：
S51，获取重新标记区域的历史气候数据，所述历史气候数据包括辐射量数据、日照小时数数据，根据历史气候数据计算历史发电量；
S52，采用线性回归方法，根据历史发电量创建光伏发电量预测模型；所述光伏发电量预测模型公式如下：
yi＝βiXi+εi
其中，y为当月光伏发电预测值，i的取值为1-12的整数；Xi为当月历史平均发电量，βi和εi为常数系数；
S53，通过光伏发电量预测模型预测各重新标记区域的发电量，将各重新标记区域任意组合，单个或组合重新标记区域的施工费用和发电量均在需求目标的发电量和预算阈值范围内时，单个或组合的重新标记区域筛选为光伏电站预备区域。
技术效果：通过预测光伏发电量能够确定光伏电站的需求规模，利于光伏电站组合选址。
优选的，作为一种改进，还包括S6，获取电量传输损耗最小的光伏电站预备区域为目标选址区域；S6具体包括：
S61，获取各光伏电站预备区域电量的传输损耗；
S62，将光伏电站预备区域按传输损耗由小到大的进行组合，直至光伏发电量预测值不小于发电量需求值，组合的光伏电站预备区域即为目标选址区域。
技术效果：在光伏电站预备区域中，选择传输损耗最小的区域或组合区域为目标选址区域，利于减少光伏电站使用过程中的损耗。
优选的，作为一种改进，还包括S7，当目标选址区域有多个时，获取光伏电站施工难度指数，施工难度指数最小的目标选址区域为最终选址区域。
技术效果：通过施工难度进行辅助选址，施工难度小，建设效率高。
优选的，作为一种改进，所述S7还包括：
S71，获取目标选址区域的地质数据，所述地质数据包括矿种种类及含量；
S72，根据地质数据的计算施工难度，所述计算公式为：
L＝∑(HjMj+Tj)+P0+J0
其中，L为光伏电站施工难度指数，j为矿种，Hj为矿种j的含量，Mj为矿种j的施工难度影响系数，Tj为矿种j的施工难度调节系数；P0为坡度影响的施工难度系数，J0为道路影响的施工难度系数。
技术效果：通过将施工难度量化，能够为光伏电站选址提供辅助数据支撑，利于更好的选址。
优选的，作为一种改进，所述S7还包括：
S73，按照目标选址区域的地表覆盖物类型，将目标选址区域划分为若干子区域，分别计算子区域施工难度指数，再加权平均得到综合施工难度指数，综合施工难度指数最小的目标选址区域为最终选址区域。
技术效果：不同的地表覆盖物对施工难度影响不同，通过依据地表覆盖物划分子区域能够更加准确获取施工难度。
优选的，作为一种改进，所述政策文件包括省、市、县、乡四级行政区划体制的政策文件。
技术效果：通过获取当地光伏电站选址的政策文件，能够从实际应用出发，充分考虑各地区差异，避免选址与政策冲突。
附图说明
图1为本发明实施例的结构示意图。
具体实施方式
下面通过具体实施方式进一步详细说明：
实施例一
实施例基本如附图1所示：
一种光伏电站智能选址方法，包括：
S1，获取待建光伏电站的需求目标和当地光伏电站选址的政策标文件，所述需求目标包括发电量、规划建设区域和预算的需求；
本实施例中的发电量需求为每月发电量需求，实际应用中，季节不同，对电量的需求量也不同，如夏季需要耗费大量电用作降温、制冰，冬季需要耗电用作保暖设备，春秋则没有上述需求，通过将发电量需求划分为月度需求，能够确保需求的准确性，从而提高选址的可行性。
S2，获取规划建设区域的行政区划图，结合当地光伏电站选址的政策文件，获取能够建立光伏电站的区域并进行标记；所述政策文件包括省、市、县、乡四级行政区划体制的政策文件；通过获取当地光伏电站选址的政策文件，能够从实际应用出发，充分考虑各地区差异，避免选址与政策冲突。由于各个区域的居民成分、社会治理、政府办事效率以及政府对光伏发电产业的支持力度存在不同，省、市、县、乡四级行政区在实际应用中颁发的政策文件，如办法、规章、法则等文件存在差异，通过政策文件获取能够建立光伏电站的区域并进行标记，能够避免后期冲突，筛选出拟建地附近居民成分简单、社会治理稳定、政府办事效率较高、地上附着物不多或将来赔偿较少、拟建地政府对新能源产业，特别是光伏发电产业的支持力度高的区域。
S3，获取规划建设区域的遥感影像数据和数字高程数据，分析得到标记区域的地表覆盖物类型、海拔高度及坡度数据；本实施例中，采用GIS软件进行遥感影像数据和数字高程数据的分析。所述S3具体包括：
S31，对遥感影像图进行解译，获取地表覆盖物类型，所述地表覆盖物类型包括：城镇与建成区、水域、耕地、荒地、草地、林地、道路；
S32，对数字高程数据进行处理得到海拔高度及坡度数据；
S33，将地表覆盖物类型、海拔高度及坡度数据以及行政区划图叠加显示，叠加显示能够将空间信息进行整合，地表覆盖物的类型不同，即对应土地的用途不同，获得土地用途利于分析光伏电站建立对周围环境的影响；结合海拔高度及坡度，利于分析光伏电站接收太阳能的情况，以及建筑难度。
S4，结合地表覆盖物类型、海拔高度及坡度数据获取具有可行性的选址区域，进行重新标记；可行性的判断规则包括：选址区的坡度满足在地势平坦的地区或北高南低的坡度地区，坡度不大于35°；选址区的坡向满足以南坡向西南坡、东南坡扩展，坡向为135°～225°；选址区距居民区的距离大于500m；选址区距道路的距离大于100m；选择未利用和经济价值低的土地。
坡度和坡向都会影响该地区地表接收太阳的辐射量以及日照时数；离居民区太近，周围物体(树木、电线杆、建筑物)的阴影投射到电池平板上，从而遮挡太阳光照，影响光伏发电系统的发电效率，离居民区太远，前期建造和后期维护成本增加，输电距离也会变长，电能在输电线路上的损耗增加；光伏发电站的顺利建造，需要良好的交通运输条件作为保证；通过从坡度、坡向、距居民区的距离、距道路的距离以及土地经济价值角度进行可行性判断，利于光伏电站的后期建造。
S5，对重新标记的各区域的施工费用和发电量分别进行预测，施工费用和发电量均在需求目标的发电量和预算阈值范围内时，筛选为光伏电站预备区域。所述S5包括：
S51，获取重新标记区域的历史气候数据，所述历史气候数据包括辐射量数据、日照小时数数据，根据历史气候数据计算历史发电量；计算公式为：
D＝R×H×η
其中，D为历史发电量，R为光伏电站装机容量；H为峰值小时数；η为转化率；
其中，Q为倾斜面年总辐射量，S为光伏组件的面积；倾斜面上的辐射量或峰值小时数是计算发电量的关键。
S52，采用线性回归方法，根据历史发电量创建光伏发电量预测模型；所述光伏发电量预测模型公式如下：
yi＝βiXi+εi
其中，y为当月光伏发电预测值，i的取值为1-12的整数；Xi为当月历史平均发电量，βi和εi为常数系数。
S53，通过光伏发电量预测模型预测各重新标记区域的发电量，将各重新标记区域任意组合，单个或组合重新标记区域的施工费用和发电量均在需求目标的发电量和预算阈值范围内时，单个或组合的重新标记区域筛选为光伏电站预备区域。通过预测光伏发电量能够确定光伏电站的需求规模，利于光伏电站组合选址。
还包括S6，获取电量传输损耗最小的光伏电站预备区域为目标选址区域，具体包括：
S61，获取各光伏电站预备区域电量的传输损耗；
S62，将光伏电站预备区域按传输损耗由小到大的进行组合，直至光伏发电量预测值不小于发电量需求值，组合的光伏电站预备区域即为目标选址区域。在光伏电站预备区域中，选择传输损耗最小的区域或组合区域为目标选址区域，利于减少光伏电站使用过程中的损耗。
还包括S7，当目标选址区域有多个时，获取光伏电站施工难度指数，施工难度指数最小的目标选址区域为最终选址区域。所述S7还包括：
S71，获取目标选址区域的地质数据，所述地质数据包括矿种种类及含量；
S72，根据地质数据的计算施工难度，所述计算公式为：
L＝∑(HjMj+Tj)+P0+J0
其中，L为光伏电站施工难度指数，j为矿种，Hj为矿种j的含量，Mj为矿种j的施工难度影响系数，Tj为矿种j的施工难度调节系数；P0为坡度影响的施工难度系数，J0为道路影响的施工难度系数。通过将施工难度量化，能够为光伏电站选址提供辅助数据支撑，利于更好的选址。
所述S7还包括S73，按照目标选址区域的地表覆盖物类型，将目标选址区域划分为若干子区域，分别计算子区域施工难度指数，再加权平均得到综合施工难度指数，综合施工难度指数最小的目标选址区域为最终选址区域。不同的地表覆盖物对施工难度影响不同，通过依据地表覆盖物划分子区域能够更加准确获取施工难度。
实施例二
本实施例与实施例一的区别在于，本实施例中，采用改进非支配排序遗传优化算法来进行发电站的组合选址。
具体的，将重新标记区域按照预设长度划分为若干地块区域并编号，例如按照50米*50米的方格对待选区域划分并依次编号，具体划分长度按重新标记区域实际保留情况决定；这样每个组合选址的方案均能够表征为一个基因序列，如[1,5,6,7,8,9]表示采用编号为1,5,6,7,8,9的地块组合为选址方案。
然后建立适用于当前方案的适应度函数，本实施例中，适应度函数包括：
1、发电量适应度满足如下公式：
式中，Fx为需求发电量，Fke为基因序列选址地块e的预测发电量。
采用实施例1所述的光伏发电量预测模型，预测每个基因序列中各个地块区域的发电量并叠加，即得到该方案对应的发电量适应度。
2、传输损耗适应度满足如下公式：
式中，Fke为基因序列选址地块e的预测发电量，Fke为基因序列选址地块e到目标传输地点的传输损耗。
3、施工难度适应度满足如下公式：
式中，w1为适应度的随机调整值,Qke为重新标记区域施工费用对应难度系数平均值，tke为重新标记区域时间对应难度系数平均值，Qke和tke均根据实际需求对应设定。
然后建立初始基因序列集合，即初始种族，本实施例中，采用实施例1中得到选址区域作为第一初始种群，判断是否达到预设的初始种群个体数，例如1000，若少于预设的初始种群个体数，则采用随机生成的方式生成第二初始种群，将第一初始种群和第二初始种群合并得到初始种群作为父代种群。
对父代种群中的每个个体，即每个解进行适应度的计算，对每个个体进行适应度计算时，先计算当前个体与其他各个个体的相似度，统计出与之相似度大于预设值的解的比例，根据该比例计算适应度的随机调整值，本实施例中，随机调整值＝1-比例，对于初始种群，随机调整值为1，根据适应度对初始种群中的所有个体进行非支配排序，得到非支配解集合；
对非支配解集合，进行选择、交叉、变异形成子代种群，将子代种群和父代种群进行合并，剔除无法实现的解后形成新的父代种群，重复进行适应度计算、非支配排序、选择、交叉以及变异操作，直至达到最大迭代次数后结束迭代，将最优解作为最终的选址方案，本实施例中，选择、交叉、变异均选择先有的遗传算法的方式，本实施例中，增加适应度随机调整值，可以形成动态适应度，极大的增加了方案的随机性，提高了方案的全局性。
以上所述的仅是本发明的实施例，方案中公知的具体技术方案和/或特性等常识在此未作过多描述。应当指出，对于本领域的技术人员来说，在不脱离本发明技术方案的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (9)
1.一种光伏电站智能选址方法，其特征在于，包括：
S1，获取待建光伏电站的需求目标和当地光伏电站选址的政策标文件，所述需求目标包括发电量、规划建设区域和预算的需求；
S2，获取规划建设区域的行政区划图，结合当地光伏电站选址的政策文件，获取能够建立光伏电站的区域并进行标记；
S3，获取规划建设区域的遥感影像数据和数字高程数据，分析得到标记区域的地表覆盖物类型、海拔高度及坡度数据；
S4，结合地表覆盖物类型、海拔高度及坡度数据获取具有可行性的选址区域，进行重新标记；
S5，对重新标记的各区域的施工费用和发电量分别进行预测，施工费用和发电量均在需求目标的发电量和预算阈值范围内时，筛选为光伏电站预备区域。
2.根据权利要求1所述的一种光伏电站智能选址方法，其特征在于，所述S3具体包括：
S31，对遥感影像图进行解译，获取地表覆盖物类型，所述地表覆盖物类型包括：城镇与建成区、水域、耕地、荒地、草地、林地、道路；
S32，对数字高程数据进行处理得到海拔高度及坡度数据；
S33，将地表覆盖物类型、海拔高度及坡度数据以及行政区划图叠加显示。
3.根据权利要求1所述的一种光伏电站智能选址方法，其特征在于，所述S4中，可行性的判断规则包括：选址区的坡度满足在地势平坦的地区或北高南低的坡度地区，坡度不大于35°；选址区的坡向满足以南坡向西南坡、东南坡扩展，坡向为135°～225°；选址区距居民区的距离大于500m；选址区距道路的距离大于100m；选择未利用和经济价值低的土地。
4.根据权利要求1所述的一种光伏电站智能选址方法，其特征在于：所述S5包括：
S51，获取重新标记区域的历史气候数据，所述历史气候数据包括辐射量数据、日照小时数数据，根据历史气候数据计算历史发电量；
S52，采用线性回归方法，根据历史发电量创建光伏发电量预测模型；所述光伏发电量预测模型公式如下：
yi＝βiXi+εi
其中，y为当月光伏发电预测值，i的取值为1-12的整数；Xi为当月历史平均发电量，βi和εi为常数系数；
S53，通过光伏发电量预测模型预测各重新标记区域的发电量，将各重新标记区域任意组合，单个或组合重新标记区域的施工费用和发电量均在需求目标的发电量和预算阈值范围内时，单个或组合的重新标记区域筛选为光伏电站预备区域。
5.根据权利要求1所述的一种光伏电站智能选址方法，其特征在于，还包括S6，获取电量传输损耗最小的光伏电站预备区域为目标选址区域；S6具体包括：
S61，获取各光伏电站预备区域电量的传输损耗；
S62，将光伏电站预备区域按传输损耗由小到大的进行组合，直至光伏发电量预测值不小于发电量需求值，组合的光伏电站预备区域即为目标选址区域。
6.根据权利要求5所述的一种光伏电站智能选址方法，其特征在于：还包括S7，当目标选址区域有多个时，获取光伏电站施工难度指数，施工难度指数最小的目标选址区域为最终选址区域。
7.根据权利要求6所述的一种光伏电站智能选址方法，其特征在于，所述S7还包括：
S71，获取目标选址区域的地质数据，所述地质数据包括矿种种类及含量；
S72，根据地质数据的计算施工难度，所述计算公式为：
L＝Σ(HjMj+Tj)+P0+J0
其中，L为光伏电站施工难度指数，j为矿种，Hj为矿种j的含量，Mj为矿种j的施工难度影响系数，Tj为矿种j的施工难度调节系数；P0为坡度影响的施工难度系数，J0为道路影响的施工难度系数。
8.根据权利要求7所述的一种光伏电站智能选址方法，其特征在于，所述S7还包括：
S73，按照目标选址区域的地表覆盖物类型，将目标选址区域划分为若干子区域，分别计算子区域施工难度指数，再加权平均得到综合施工难度指数，综合施工难度指数最小的目标选址区域为最终选址区域。
9.根据权利要求8所述的一种光伏电站智能选址方法，其特征在于：所述政策文件包括省、市、县、乡四级行政区划体制的政策文件。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311118487.9A CN117094521A (zh) | 2023-08-31 | 2023-08-31 | 一种光伏电站智能选址方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311118487.9A CN117094521A (zh) | 2023-08-31 | 2023-08-31 | 一种光伏电站智能选址方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117094521A true CN117094521A (zh) | 2023-11-21 |
Family
ID=88773452
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311118487.9A Pending CN117094521A (zh) | 2023-08-31 | 2023-08-31 | 一种光伏电站智能选址方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117094521A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117973612A (zh) * | 2024-01-31 | 2024-05-03 | 汇张思建筑设计事务所(上海)股份有限公司 | 一种节能型住宅建筑设计优化方案选取方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103440598A (zh) * | 2013-09-08 | 2013-12-11 | 云南师范大学 | 一种基于dem数据的山地光伏电站选址方法 |
| CN105488593A (zh) * | 2015-12-07 | 2016-04-13 | 嘉兴国电通新能源科技有限公司 | 一种基于遗传算法的定容分布式电源发电最优选址及容量分配方法 |
| CN105608281A (zh) * | 2015-12-31 | 2016-05-25 | 哈尔滨工业大学（威海） | 一种基于无人机平台的光伏发电站选址方法、装置及系统 |
| CN105913150A (zh) * | 2016-04-12 | 2016-08-31 | 河海大学常州校区 | 一种基于遗传算法的bp神经网络光伏电站发电量预测方法 |
| KR101940313B1 (ko) * | 2018-03-10 | 2019-01-18 | 전주비전대학교산학협력단 | 항공레이저측량 자료처리와 공간분석 기법을 사용한 태양광 발전소 적정 위치 선정 방법 |
| CN111191854A (zh) * | 2020-01-10 | 2020-05-22 | 上海积成能源科技有限公司 | 一种基于线性回归及神经网络的光伏发电预测模型和方法 |
| CN115271195A (zh) * | 2022-07-20 | 2022-11-01 | 国网湖北省电力有限公司经济技术研究院 | 一种基于改进遗传算法的电力系统多目标储能优化方法 |
| CN115564126A (zh) * | 2022-10-18 | 2023-01-03 | 珠海许继芝电网自动化有限公司 | 一种光伏发电预测方法、系统、装置及存储介质 |
| CN115660367A (zh) * | 2022-11-07 | 2023-01-31 | 安徽理工大学 | 一种基于gis技术的光伏发电站前期宏观选址方法 |
| CN116365508A (zh) * | 2023-03-09 | 2023-06-30 | 北京东润环能科技股份有限公司 | 一种基于气候模式的光伏电站发电量预测方法及系统 |
| CN116663849A (zh) * | 2023-06-30 | 2023-08-29 | 华能新能源股份有限公司河北分公司 | 一种光伏场站选址方法 |
-
2023
- 2023-08-31 CN CN202311118487.9A patent/CN117094521A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103440598A (zh) * | 2013-09-08 | 2013-12-11 | 云南师范大学 | 一种基于dem数据的山地光伏电站选址方法 |
| CN105488593A (zh) * | 2015-12-07 | 2016-04-13 | 嘉兴国电通新能源科技有限公司 | 一种基于遗传算法的定容分布式电源发电最优选址及容量分配方法 |
| CN105608281A (zh) * | 2015-12-31 | 2016-05-25 | 哈尔滨工业大学（威海） | 一种基于无人机平台的光伏发电站选址方法、装置及系统 |
| CN105913150A (zh) * | 2016-04-12 | 2016-08-31 | 河海大学常州校区 | 一种基于遗传算法的bp神经网络光伏电站发电量预测方法 |
| KR101940313B1 (ko) * | 2018-03-10 | 2019-01-18 | 전주비전대학교산학협력단 | 항공레이저측량 자료처리와 공간분석 기법을 사용한 태양광 발전소 적정 위치 선정 방법 |
| CN111191854A (zh) * | 2020-01-10 | 2020-05-22 | 上海积成能源科技有限公司 | 一种基于线性回归及神经网络的光伏发电预测模型和方法 |
| CN115271195A (zh) * | 2022-07-20 | 2022-11-01 | 国网湖北省电力有限公司经济技术研究院 | 一种基于改进遗传算法的电力系统多目标储能优化方法 |
| CN115564126A (zh) * | 2022-10-18 | 2023-01-03 | 珠海许继芝电网自动化有限公司 | 一种光伏发电预测方法、系统、装置及存储介质 |
| CN115660367A (zh) * | 2022-11-07 | 2023-01-31 | 安徽理工大学 | 一种基于gis技术的光伏发电站前期宏观选址方法 |
| CN116365508A (zh) * | 2023-03-09 | 2023-06-30 | 北京东润环能科技股份有限公司 | 一种基于气候模式的光伏电站发电量预测方法及系统 |
| CN116663849A (zh) * | 2023-06-30 | 2023-08-29 | 华能新能源股份有限公司河北分公司 | 一种光伏场站选址方法 |
Non-Patent Citations (2)
| Title |
|---|
| 中国城市科学研究会 主编: "《中国低碳生态城市发展报告2020》", vol. 1, 31 January 2021, 中国城市出版社, pages: 204 * |
| 周宏强等: "《光伏电站的建设与施工》", vol. 1, 30 June 2020, 机械农业出版社, pages: 7 - 11 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117973612A (zh) * | 2024-01-31 | 2024-05-03 | 汇张思建筑设计事务所(上海)股份有限公司 | 一种节能型住宅建筑设计优化方案选取方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103440526B (zh) | 一种基于建筑信息模型的发电预测方法和装置 | |
| Mainzer et al. | A high-resolution determination of the technical potential for residential-roof-mounted photovoltaic systems in Germany | |
| Bergamasco et al. | Scalable methodology for the photovoltaic solar energy potential assessment based on available roof surface area: Application to Piedmont Region (Italy) | |
| Izquierdo et al. | A method for estimating the geographical distribution of the available roof surface area for large-scale photovoltaic energy-potential evaluations | |
| Kurokawa | Energy from the desert: practical proposals for very large scale photovoltaic systems | |
| Yu et al. | Reassessment of the potential for centralized and distributed photovoltaic power generation in China: On a prefecture-level city scale | |
| CN110956329B (zh) | 基于分布式光伏与电动汽车时空分布的负荷预测方法 | |
| An et al. | Solar energy potential using GIS-based urban residential environmental data: A case study of Shenzhen, China | |
| Yang et al. | Whether rural rooftop photovoltaics can effectively fight the power consumption conflicts at the regional scale–A case study of Jiangsu Province | |
| CN103810534A (zh) | 一种光伏出力预测方法 | |
| Hofierka et al. | The spatial distribution of photovoltaic power plants in relation to solar resource potential: the case of the Czech Republic and Slovakia | |
| Kurokawa | Energy from the Desert: Feasibility of Very Large Scale Power Generation (VLS-PV) Systems | |
| CN117094521A (zh) | 一种光伏电站智能选址方法 | |
| CN114881399B (zh) | 一种基于gf7遥感影像的光伏发电潜力与经济性评估方法 | |
| CN108564299A (zh) | 一种基于激光采集建模的光伏资源评估方法 | |
| Zhu et al. | GIScience can facilitate the development of solar cities for energy transition | |
| CN112182951B (zh) | 一种考虑多重不确定性的土地利用规划方法 | |
| Ullah et al. | Investor focused placement and sizing of photovoltaic grid-connected systems in Pakistan | |
| CN110119556A (zh) | 一种区域水源涵养功能的时空演变分析方法 | |
| Esmaeili Shayan et al. | Possibility of supplying energy to border villages by solar energy sources | |
| CN102769298B (zh) | 一种太阳能并网发电功率预测方法及预测系统 | |
| CN115660367A (zh) | 一种基于gis技术的光伏发电站前期宏观选址方法 | |
| CN103916071B (zh) | 一种风光互补发电的均衡出力智能控制系统和方法 | |
| Sun et al. | Potential estimation of rooftop photovoltaic with the spatialization of energy self-sufficiency in urban areas | |
| CN113780795A (zh) | 基于参数化分析的校园建筑光伏潜力评估方法 |
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 |