CN117787551A - 基于光伏发电量和光照辐射量的光伏组件清洁决策方法及系统 - Google Patents
基于光伏发电量和光照辐射量的光伏组件清洁决策方法及系统 Download PDFInfo
- Publication number
- CN117787551A CN117787551A CN202311827095.XA CN202311827095A CN117787551A CN 117787551 A CN117787551 A CN 117787551A CN 202311827095 A CN202311827095 A CN 202311827095A CN 117787551 A CN117787551 A CN 117787551A
- Authority
- CN
- China
- Prior art keywords
- data
- cleaning
- power generation
- photovoltaic
- photovoltaic power
- 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
- 238000004140 cleaning Methods 0.000 title claims abstract description 126
- 238000010248 power generation Methods 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000005855 radiation Effects 0.000 title claims abstract description 43
- 238000005286 illumination Methods 0.000 title claims abstract description 19
- 239000002245 particle Substances 0.000 claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 230000008901 benefit Effects 0.000 claims abstract description 21
- 238000005457 optimization Methods 0.000 claims abstract description 20
- 230000002159 abnormal effect Effects 0.000 claims abstract description 16
- 238000010606 normalization Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 7
- 230000002354 daily effect Effects 0.000 claims description 21
- 238000007781 pre-processing Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 5
- 230000003203 everyday effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000013480 data collection Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000009825 accumulation Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 230000015654 memory Effects 0.000 description 6
- 230000008021 deposition Effects 0.000 description 5
- 230000007774 longterm Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000006872 improvement Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 239000000428 dust Substances 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000012821 model calculation Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 241000271566 Aves Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000004791 biological behavior Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Photovoltaic Devices (AREA)
Abstract
本发明公开了一种基于光伏发电量和光照辐射量的光伏组件清洁决策方法及系统。本发明基于物联网和嵌入式技术使用电表和光伏气象站采集日光伏发电量和日光照辐射量数据,预处理异常数据并将清洁周期划分形成时间序列数据并归一化处理。根据粒子优化算法对LSTM模型进行参数寻优得到超参数值,建立PSO‑LSTM理想发电量模型进行训练并根据模型进行实验分析,最后根据计算的清洁后理想日光伏发电量和日实际发电量比较计算出日发电量损耗值,根据清洁效益计算从而对网关下发清洁建议。本发明仅通过日光伏发电量和日光照辐射量就能实现对光伏组件清洁决策的准确判断,较大程度提高系统的发电效率,从而提高系统的经济效益。
Description
技术领域
本发明属于数据分析领域,具体涉及一种基于光伏发电量和光照辐射量的光伏组件清洁决策方法。
背景技术
随着社会的进步和人类对电力需求的急剧增加,光伏能源逐渐取代火电、水电等传统发电能源成为新型环保能源,光伏发电系统也在能源领域中承担起越来越重要的作用。与此同时专业的光伏运维服务也成为保证光伏发电系统长期稳定运行必不可少的内容。而光伏组件清洁对于光伏发电系统的稳定发电和长期运行具有重要意义。
如今传统定期清扫方法依然被大部分光伏电站广泛采用。这种方案虽然简单易行,但却缺乏灵活性和针对性。它不能根据天气条件、积灰程度以及电站自身发电计划来实时调整清洗方案。并且现有光伏清洁系统通常缺乏实时监测光伏板的脏污程度,这意味清洁周期往往是基于估计或静态设置,而不是基于实际脏污程度变化,这样缺乏对电站设备运行状态的监测和预防性清洗,无法及时发现并解决潜在的问题,从而无法实现清洁最大化收益。清洗间隔太长会影响发电效率,清洗太频繁又会过度增加成本,因此科学制定光伏组件的清洁决策是关键的一步。
目前业界已经提出了一些理论和技术应用于光伏组件的清洗决策和清洗周期预测,但研究中采用的方法和策略存在一定的缺陷。专利CN201510331541.7《一种光伏组件清洗实现方法及系统》、专利CN202310064126.4《一种基于物联网的智能光伏清洁监测系统》、专利CN201911325246.5《基于多传感器的光伏智能清洁控制系统和方法》等文献都额外添加各类传感器比如光学影像仪器、光敏、视觉、雨水传感器等来获取额外数据进行周期预测,大大增加了预测的设备成本,不具备大部分电站使用的广泛性,不适用于大范围推广。专利CN202310650761.0《一种基于神经网络模型的光伏组件清洗决策方法及系统》
单纯使用长短期记忆网络进行周期预测,并没有结合实际进行决策判断,没有将清洁的收益和成本进行比对且没有考虑接下来天气带来的额外因素,尚不具备作为决策或者判断的有效依据。专利CN202211626999.1《光伏组件积灰损失计算和清洗时间估算方法及相关装置》、专利CN202210980389.5《一种光伏电站积灰预警评估方法和系统》等文献均通过理想发电量和实际发电量计算发电量损失值进行辅助决策,但前者采用每日清洁或不清洁对照组结合线性拟合算法得出组件日发电量、灰尘遮蔽率和积灰损失电量的关系,但是这种方式只能处理线性关系,在非线性数据上表现较差,而发电量受多因素影响与积灰量为非线性关系。并且这种方法敏感于异常值,会显著影响回归模型的效果。后者采用多项式回归方法建立理论输出功率与辐照度、组件温度三者的关系,但是同样对于非线性数据难以建模,并且需要选择合适的多项式次数,容易出现欠拟合或者过拟合的情况。上述两种方法均忽视了积灰程度的时间序列特性,没有认识到时间序列数据中的长期依赖关系可以捕捉光伏发电量与积灰程度之间的动态变化。因此,现有的清洗辅助方法尽管能在一定程度上能够科学地进行清洁判断,但其在策略性、准确性、推广性、可行性上仍有很大的改进空间。
而正是因为现有技术存在不足,因为可以提出本发明的技术方案,来用于解决轻量级的清洁决策方案,并且拥有很好的拓展性以及解决上述存在缺陷。
发明内容
针对以上问题,本发明提出了一种基于光伏发电量和光照辐射量的光伏组件清洁决策方法,解决现有技术中存在的缺陷和不足。
本发明仅通过光伏板的日光伏发电量和日光照辐射量两个参数并考虑光伏发电量与积灰程度的时间序列特性,结合粒子群优化算法寻优最佳参数来优化LSTM算法模型。最终计算得到当日相同光照辐射量下清洁后的理想发电量,经过清洁效益计算从而实现光伏组件清洁的决策判断,提高了清洁决策的准确性,为清洁光伏组件提供可靠合理依据。
本发明的方法包含以下步骤:
S1:采集日光伏发电量和日光照辐射量数据。
S2:预处理异常数据,按照清洁周期划分形成单位时间序列数据并归一化处理。
S3:根据粒子优化算法对LSTM模型进行参数寻优得到超参数值。
S4:代入超参数值到LSTM网络构建PSO-LSTM理想发电量模型。
S5:根据当日光伏发电量损失值计算清洁效益进行清洁决策判断。
进一步地,所述步骤S1的数据采集的具体方式为:首先每日傍晚七点向区域电表中拉取对应范围光伏板的累计光伏发电量,通过电站外接的气象站获取的辐射度报表可以计算出日光照辐射量。将对应数据推送至物联网云平台。其次云平台会将数据通过HTTP协议请求后端接口,计算间隔时间内的日发电量存入数据库。
进一步地,所述步骤S2的异常数据预处理的具体方式为:对数据只采用设备正常运行状态时间段的数据,排除设备故障带来的影响。
具体是:后端数据处理服务中会对异常数据进行过滤操作,期间后端已对历史电站的日发电量数据分库分表。由于网络延时、逆变器故障、传感器故障等问题会对数据造成污染,所有采集到的发电量数据会结合当日逆变器、组串上报状态和历史发电量数据进行判断。排除设备状态为待机、故障、停机和网络中断延迟等时间段的数据,只采用设备正常运行状态时间段的数据。且相应参数的误差在可接受范围内,则认为数据有效,从而排除故障带来的的影响。
进一步地,所述步骤S2的形成单位时间序列数据的具体方式为:从历史数据中按照固定清洁周期进行划分,并且雨天记为一次清洁,单位数据集由截取清洁周期内清洁前连续5天数据和清洁后1天数据构成。数据包含日光伏发电量、日光照辐射量、距离上一次清洁的天数。数据集可以由不同光伏板区域数据构建。对应的输出就是当日光照辐射量下当前区域光伏组件清洁后的理想发电量。
进一步地,所述步骤S2的归一化处理:min-max归一化方法是一种常用的数据预处理技术,用于将数据缩放到特定的范围内,可以将不同特征的取值范围缩放到统一的区间[0,1]之间。采用的归一化公式为:
进一步地,所述步骤S3建立PSO-LSTM组合模型的具体方式为:先将预处理后的数据按照7:3的比例划分为训练集和测试集。初始化PSO算法的迭代次数和学习因子,并且以LSTM网络隐藏层节点数、迭代次数、学习率为优化对象。然后在每一次迭代中根据适应度函数计算PSO算法粒子的适应度。最后当适应度趋向于稳定或迭代到最大值就结束算法,更新PSO算法粒子的个体最优值和全局最优值以及粒子的速度和位置,并且输出超参数值。再将超参数代入LSTM网络从而建立起模型。
进一步地,所述步骤S5计算清洁效益具体方式为:先计算得到区域范围内今日的实际发电量,并且取数据库中通过模型计算得到当日光照辐射量下清洁后的理想发电量。两者的差则是今日光伏发电量损失值。根据日光伏发电量损失值累加可以得到清洁周期内光伏发电量损耗值,即为清洁收益。
本发明的系统包括:
数据采集模块,用于采集日光伏发电量和日光照辐射量数据;
数据处理模块,用于预处理异常数据,按照清洁周期划分形成单位时间序列数据并归一化处理;
模型参数寻优模块,用于根据粒子优化算法对LSTM模型进行参数寻优得到超参数值;
模型构建模块:用于代入超参数值到LSTM网络构建PSO-LSTM理想发电量模型;
决策模块,用于根据当日光伏发电量损失值计算清洁效益进行清洁决策判断。
本发明的有益效果:
1)本发明根据历史日光伏发电量数据和现有环境数据计算清洁后日发电量并与日实际发电量作差计算损失值,进而结合天气预报情况判断之后是否需要清洗光伏组件,给出合理的清洗建议。
2)本发明在不额外添加传感器的情况下,通过原有系统中电表和气象站获取日光伏发电量和日光照辐射量的方式简单便捷,从而大幅度节约成本,对大多数电站具有普遍适用性和推广性。
3)本发明使用长短期记忆网络来处理光伏发电量与积灰程度的时间序列数据,能够有效地捕捉时间序列的长期依赖关系,有助于分析光伏发电量和积灰程度之间的复杂关系。
4)本发明提出的基于粒子群优化算法帮助搜索LSTM模型的超参数组合,这有助于避免陷入局部最优解,收敛速度快,提高模型的性能和泛化能力。
附图说明
图1为本发明光伏组件清洁决策方法流程图;
图2为PSO算法流程图;
图3为清洁周期内不同日辐射量下对应发电量变化示意图;
图4为清洁效益和清洁成本比较流程图;
图5为改进后、改进前模型结果与清洁后真实值的对比图。
具体实施方式
为使本发明的目的、技术方案和有益效果表述更加清楚,下面将结合附图及具体实例对本发明作进一步地详细描述。
如图1为本发明光伏组件清洁决策方法流程图,包括以下步骤:
S1:采集日光伏发电量和日光照辐射量数据。
在一优选示例中:
S11:每日傍晚七点向区域电表中拉取对应范围光伏板的日累计光伏发电量,将对应数据推送至物联网云平台。云平台将数据通过HTTP协议请求后端接口,计算间隔时间内的日发电量存入数据库。
S12:该光伏电站外接的气象站每五分钟获取实时辐射度,数据上传运维云台通过幅度值报表可计算出日辐射总量。
式中E为日辐射总量,Ri表示第i个5分钟内的平均辐射度,Δt为每个数据点对应的时间间隔,本实施例为5分钟采集一次。
S2:预处理异常数据,按照清洁周期划分形成时间序列数据并归一化处理。
在一优选示例中:
S21:本实施例针对杭州某公司分布式光伏发电项目,电站按照不同光伏板区域进行划分,数据选取截取该电站2022年9月到2023年9月一年间20个区域的历史日光伏发电量和日光照辐射量,平台记录光伏组串每日早上八时到下午六时的数据,每日傍晚七点获取光伏日累计发电量和日累计光照辐射量。
单位数据集由截取清洁周期内清洁前连续5天数据和清洁后1天数据构成,并且雨天算一次清洁,数据包含日光伏发电量、日光照辐射量、距离上一次清洁的天数。
数据集可以由不同光伏板区域数据构建。对应的输出就是当日当前区域的光伏组件清洁后的理想发电量。
对应的数据集,经过网关设备的发送,又经过数据的过滤,之后数据将发送到用于数据分析的微服务平台,得到的单位数据集如下:
Sin={{e11,e21,e31,…,ei1},{e12,e22,e32,…,ei2},{e13,e23,e33,…,ei3},…,{e1j,e2j,e3j,…,eij}}。
输入的变量共有i个,输入集合的每一组数据均有i个变量值组成,输入数据共有j组,故输入量集合可以用上述Sin表示。
S22:所有采集到的发电量数据结合同一时刻逆变器、组串上报状态和历史发电量数据进行判断。对数据中数据只采用设备正常运行状态时间段的数据,排除设备故障带来的影响。
S23:将输入数据进行归一化处理。
输入数据归一化:将输入数据的取值转换映射到制定区域,以便进一步分析数据数据的特性。数据归一化可以降低原始数据中较大范围的数据造成的影响,提高模型训练的速度和预测的精准度。本实施例采用min-max归一化方法使输入数据处于[0,1]之间。
式中,X*为归一化后的数据;xmax和xmin分别为样本数据集的最小值与最大值,为原始样本数据。
S3:根据粒子优化算法对LSTM模型进行参数寻优得到超参数值。
在一优选示例中:
S31:将预处理后的数据按照7:3的比例划分为训练集和测试集。
S32:以LSTM网络隐藏层节点数、学习率为优化对象,并且初始化PSO算法的进化代数、学习因子,以及第i个粒子的位置和速度。然后将PSO算法的位置和速度定义为LSTM模型的学习率和隐藏层数,更新每个粒子飞行的速度和位置并产生新一代粒子种群。
PSO算法是一种基于群体智能的优化算法,诞生于对鸟类动物种群觅食生物行为和群体行为的二维空间模拟,见图2。
首先在二维空间设置了许多具有随机位置和速度的初始搜索粒子,粒子在空间通过将速度与位置相加来引导一个最佳点,完成局部寻优和全局寻优。在寻优过程中,通过不断的跟踪最优解和对比局部搜索寻找出的最佳位置,更新整个粒子群的最优位置并保存,最终实现局部寻优到全体寻优过程的实现。
假设当前有一个D维的搜索空间,群体由n个粒子组成,Xi为位置,Vi为速度,Pi为个体最优位置,
第i个粒子的位置坐标为:Xid=(xi1,xi2,...,xiD),i=1,2,3,4,...N;
第i个粒子的速度向量为:Vid=(vi1,vi2,...,viD),i=1,2,3,4,...N;
第i个粒子通过由适应度函数决定的适应值来不断迭代找到最优解,同时通过跟踪自己目前的最好位置pbi和gbi后,根据以下迭代公式分别来改变自己的速度和位置。
Vin(k+1)=ωVin(k)+c1×r1(k)×(pbin-Xin)+c2×r2(k)×(gbin-Xin)
Xin(k+1)=Vin(k)+Xin(k+1)
其中,n=1,2,…,N为搜索空间的维数,i=1,2,…M搜索的粒子数,Vin为粒子i在第k次迭代中的速度,r为分布在[0,1]之间的随机数,Xin为粒子的当前位置,c1,c2是学习因子,ω为惯性因子。
S33:在每一次迭代中,首先根据适应度函数计算PSO算法粒子的适应度,然后通过训练集去训练LSTM模型,并将结果的均方根误差值作为PSO算法粒子的适应度值。
式中,n表示测试集数据的样本容量,Xact(i)表示i时刻清洁后的实际值,Xpred(i)表示计算值。
S34:最后根据该适应度值趋向于稳定或迭代到最大值就结束算法,更新PSO算法粒子的个体最优值和全局最优值,同时更新PSO算法粒子的速度和位置。
S4:代入超参数值到LSTM网络构建PSO-LSTM理想发电量模型。
LSTM是一种适用于时间序列数据的深度学习模型,它具有记忆单元来捕捉长期依赖关系,适合处理具有时间相关性的数据,所以结合上一步骤中的超参数代入该网络计算光伏发电量是一个很好的选择。
LSTM主要由输入门、遗忘门和输出门组成。输入门会分析上一时间步的输出并结合当前时刻的输入,来选择该单元状态中需要更新的内容,而遗忘门在细胞状态下需要忘掉的信息是由上一次的输出和当前时刻输入值共同决定的,这些信息由sigmoid函数控制,输出门用来选择要在单元状态下输出的信息,这些信息根据以下等式进行更新。LSTM的改进之处在于:该网络在原先的基础上额外增加了记忆单元,此记忆单元能够记住过往信息并存储。且LSTM模型中在t时刻记忆模块的输出结果由输出门与单元状态共同决定。
ft=σ(Wf·[ht-1,xt]+bf)
it=σ(Wf·[ht-1,xt]+bf)
at=tanh(Wc·[ht-1,xt]+bc)
Ct=f*Ct-1+it*at
ot=σ(Wo·[ht-1,xt]+bo)
ht=ot*tanh(Ct)
式中,xt为输入向量;ht为输出向量;i表示输入门;o表示输出门;f表示遗忘门;Ct表示当前的时刻状态;Ct-1表示上一时刻的记忆信息状态;ht-1表示上一时刻隐藏层单元的输出;ht表示隐藏层单元的输出;σ表示singmoid激活函数;tanh表示正切函数;W表示权重矩阵;b表示偏差向量。
S5:根据当日光伏发电量损失值计算清洁效益进行清洁决策判断。
在一优选示例中:
S51:计算光伏发电量损失值。
本发明中后端微服务的光伏组件清洁服务中设置定时任务在每晚七点进行清洁决策的判断。服务先计算得到区域范围内当日的实际发电量和日光照辐射量,并且取数据库中通过模型计算得到的当日清洁后的理想发电量。两者的差则是当日光伏发电量损失值。
图3为清洁周期内不同日辐射量下发电量变化示意图。该示意图将一段清洁周期内日辐射量进行假设,假设仅包含日辐射量A和日辐射量B两种情况,历史数据以16天为一次清洁周期。从示意图中可以看出在同一光照辐射的条件下,所谓的理想发电量在两个日辐射量的环境条件下均保持固定值,不会受积灰程度的影响产生幅值的波动,说明仅受光照辐射量的影响。而实际发电量在两种辐射量的环境条件下均会随着积灰程度的影响逐渐下降。本申请训练后的模型可通过当天实际发电量和日光照辐射量来计算出理想发电量,从而得到日发电量损失值。
式中n为清洁周期内数据采集天数,Q损失为累计损失,也可理解为清洗后一个周期内的可提升发电量,Q实际为日光伏实际发电量,Q理论为清洁理论模型计算的日发电量。
S52:计算清洁收益结合清洁成本判断是否下发清洁建议。
查询上一次的清洁日期,由于清洁一般安排在傍晚或次日凌晨,则从清洁后开始计算。设E为从上一次清洁时间开始累计光伏组件清洗后产生的经济效益。F为一次清洁成本。即当E>F的时候,网关下发清洁建议,否则的话不下发清洁建议。清洁决策判断如图5所示。具体经济效益E计算如下所示:假设第1天到第N天的日光伏发电量损失值为{Q1,Q2,...,Qn-1,Qn},那么结合当前电价来计算一个周期内损失的经济效益即清洁效益,则有如下公式:
式中A为当前电价,具体电价调整定期更新至数据库。Qi为日光伏发电量损失值。
最后清洁决策判断需要结合未来天气预报信息,将未来当地天气预报信息作为判断是否需要对光伏组件进行清洗的另一判断条件。在后端天气预报服务中,可通过请求当地气象实况天气接口并且每天更新3次来获取稳定、可靠的当地天气数据来源。
如果接下来是大雨天气,因为雨水可以冲刷掉光伏组串上的大部分积灰,评估再次认定雨天等同于进行一次光伏组件清洗。根据计算的数据,因天气原因或者其他因素导致清洗时间变化时,原来清洗时间发生改变。这避免了人为经验判断或这固定的清洁方法可能导致清洁后立即出现大雨天气的情况,从而影响到清洁收益最大化的最佳决策判断。
最终清洁方案为:如果计算的发电量累计损失金额大于清洗的人工成本且未来三天没有雨就对下发指令,通知有关运维人员或光伏清洁机器人等自动化设备执行清洗任务。该清洁收益对应的清洗周期为最优清洗周期。
本申请还通过通过均方根误差(RMSE)和相关系数(R2)来评价模型。
性能评价指标采用均方根误差(RMSE)和相关系数(R2)来衡量算法的性能,它们是评价模型两个重要的指标。其中,RMSE是测量误差的平均大小,是计算值和真实值之间平方差异平均值的平方根,数量级上较为直观;指标的结果越小则证明模型计算效果越好,计算公式如下:
其中,M为计算个数,y为真实值,为模型计算值
相关系数R2的取值范围为-1到+1,值越接近于+1表示两个数据集之间的线性关系越强。值越接近于-1则表示两个数据集之间呈反向线性关系,值接近于0则表示两个数据集之间关系较弱。
本次实验使用上述过程的最优参数建立PSO-LSTM模型,和LSTM模型识别结果如图4所示。可以看出,PSO-LSTM计算效果较好,曲线拟合程度更高。具体计算评估指标,得到的结果数据如下表。
从上表可以看出,在当前测试集下,基于PSO-LSTM的优化效果更好,模型计算结果更精确,R2分数提高了6.6%,优化效果比较明显,说明本次实验效果符合预期。
Claims (9)
1.基于光伏发电量和光照辐射量的光伏组件清洁决策方法,其特征在于该方法包括以下步骤:
S1:采集日光伏发电量和日光照辐射量数据;
S2:预处理异常数据,按照清洁周期划分形成单位时间序列数据并归一化处理;
S3:根据粒子优化算法对LSTM模型进行参数寻优得到超参数值;
S4:代入超参数值到LSTM网络构建PSO-LSTM理想发电量模型;
S5:根据当日光伏发电量损失值计算清洁效益进行清洁决策判断。
2.根据权利要求1所述的基于光伏发电量和光照辐射量的光伏组件清洁决策方法,其特征在于:所述步骤S1的数据采集的具体方式为:
每日傍晚七点向区域电表中拉取对应范围光伏板的累计日光伏发电量;
通过电站外接的气象站获取的辐射度报表计算出日光照辐射量;
将对应数据推送至物联网云平台,云平台将数据通过HTTP协议请求后端接口,计算间隔时间内的日发电量存入数据库。
3.根据权利要求2所述的基于光伏发电量和光照辐射量的光伏组件清洁决策方法,其特征在于:所述步骤S2的异常数据预处理的具体方式为:对数据只采用设备正常运行状态时间段的数据,排除设备故障带来的影响。
4.根据权利要求3所述的基于光伏发电量和光照辐射量的光伏组件清洁决策方法,其特征在于:后端数据处理服务中对异常数据进行过滤操作,期间后端已对历史电站的发电量数据分库分表;
所有采集到的发电量数据会结合同一时刻逆变器、组串上报状态和历史发电量数据进行判断;
排除设备状态为待机、故障、停机和网络中断延迟时间段的数据,只采用设备正常运行状态时间段的数据;且相应参数的误差在可接受范围内,则认为数据有效,如果误差过大,则认为数据无效,并且要求重新推送;从而排除故障带来的影响。
5.根据权利要求4所述的基于光伏发电量和光照辐射量的光伏组件清洁决策方法,其特征在于:所述步骤S2的形成单位时间序列数据的具体方式为:
从历史数据中按照固定清洁周期进行划分,并且雨天记为一次清洁,单位数据集由截取清洁周期内清洁前连续5天数据和清洁后1天数据构成;
数据包含日光伏发电量、日光照辐射量、距离上一次清洁的天数;
数据集由不同光伏板区域数据构建,对应的输出就是当日光照辐射量下当前区域光伏组件清洁后的理想发电量。
6.根据权利要求5所述的基于光伏发电量和光照辐射量的光伏组件清洁决策方法,其特征在于:所述步骤S2的归一化处理采用min-max归一化。
7.根据权利要求1所述的基于光伏发电量和光照辐射量的光伏组件清洁决策方法,其特征在于:所述步骤S3具体是:
将预处理后的数据按照7:3的比例划分为训练集和测试集;
初始化PSO算法的迭代次数和学习因子,并且以LSTM网络隐藏层节点数、迭代次数、学习率为优化对象;
在每一次迭代中根据适应度函数计算PSO算法粒子的适应度;
当适应度趋向于稳定或迭代到最大值就结束算法,更新PSO算法粒子的个体最优值和全局最优值以及粒子的速度和位置,并且输出超参数值;
将超参数代入LSTM网络从而建立起模型。
8.根据权利要求1所述的基于光伏发电量和光照辐射量的光伏组件清洁决策方法,其特征在于:所述步骤S5计算清洁效益具体方式为:
先计算得到区域范围内今日的实际发电量,并且取数据库中通过PSO-LSTM理想发电量模型计算得到当日光照辐射量下清洁后的理想发电量;两者的差则是今日光伏发电量损失值;
根据日光伏发电量损失值累加得到清洁周期内光伏发电量损耗值,即为清洁收益。
9.基于光伏发电量和光照辐射量的光伏组件清洁决策系统,其特征在于,包括:
数据采集模块,用于采集日光伏发电量和日光照辐射量数据;
数据处理模块,用于预处理异常数据,按照清洁周期划分形成单位时间序列数据并归一化处理;
模型参数寻优模块,用于根据粒子优化算法对LSTM模型进行参数寻优得到超参数值;
模型构建模块:用于代入超参数值到LSTM网络构建PSO-LSTM理想发电量模型;
决策模块,用于根据当日光伏发电量损失值计算清洁效益进行清洁决策判断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311827095.XA CN117787551A (zh) | 2023-12-28 | 2023-12-28 | 基于光伏发电量和光照辐射量的光伏组件清洁决策方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311827095.XA CN117787551A (zh) | 2023-12-28 | 2023-12-28 | 基于光伏发电量和光照辐射量的光伏组件清洁决策方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117787551A true CN117787551A (zh) | 2024-03-29 |
Family
ID=90381309
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311827095.XA Pending CN117787551A (zh) | 2023-12-28 | 2023-12-28 | 基于光伏发电量和光照辐射量的光伏组件清洁决策方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117787551A (zh) |
-
2023
- 2023-12-28 CN CN202311827095.XA patent/CN117787551A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200057175A1 (en) | Weather dependent energy output forecasting | |
CN109002915B (zh) | 基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法 | |
Qazi et al. | The artificial neural network for solar radiation prediction and designing solar systems: a systematic literature review | |
CN113128793A (zh) | 一种基于多源数据融合的光伏功率组合预测方法及系统 | |
Tao et al. | Forecasting power output for grid-connected photovoltaic power system without using solar radiation measurement | |
CN113919232A (zh) | 一种基于循环神经网络的光伏电站功率预测方法及系统 | |
CN111626518A (zh) | 基于深度学习神经网络的城市天级需水量在线预测方法 | |
Melzi et al. | Hourly solar irradiance forecasting based on machine learning models | |
CN110161860B (zh) | 一种光伏组件智能清扫策略的方法及控制系统 | |
CN112101669B (zh) | 一种基于改进极限学习机与分位数回归的光伏功率区间预测方法 | |
CN112215428B (zh) | 基于误差修正和模糊逻辑的光伏发电功率预测方法及系统 | |
Kolhe et al. | GA-ANN for short-term wind energy prediction | |
CN107403015A (zh) | 一种基于时间序列相似性的短期光功率预测方法 | |
CN114511132A (zh) | 一种光伏出力短期预测方法及预测系统 | |
Aliberti et al. | Forecasting Short-term Solar Radiation for Photovoltaic Energy Predictions. | |
CN114399081A (zh) | 一种基于天气分类的光伏发电功率预测方法 | |
CN112688306B (zh) | 基于天气预报和历史功率数据的光伏周出力场景预测方法 | |
CN112132344A (zh) | 一种基于相似日和frs-svm的短期风电功率预测方法 | |
Tai et al. | Power prediction of photovoltaic power generation based on LSTM model with additive Attention mechanism | |
CN110796292A (zh) | 计及雾霾影响的光伏功率短期预测方法 | |
CN117787551A (zh) | 基于光伏发电量和光照辐射量的光伏组件清洁决策方法及系统 | |
CN116470486A (zh) | 一种超短期光伏发电功率的预测方法、装置和存储介质 | |
CN116484998A (zh) | 基于气象相似日的分布式光伏电站功率预测方法及系统 | |
Shi et al. | Short-term photovoltaic power forecast based on long short-term memory network | |
CN114282637A (zh) | 一种适用于光伏电站发电量预测方法 |
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 |