CN117833346A - 一种光伏与电网互补的直流节能空调供电方法及系统 - Google Patents
一种光伏与电网互补的直流节能空调供电方法及系统 Download PDFInfo
- Publication number
- CN117833346A CN117833346A CN202410239755.0A CN202410239755A CN117833346A CN 117833346 A CN117833346 A CN 117833346A CN 202410239755 A CN202410239755 A CN 202410239755A CN 117833346 A CN117833346 A CN 117833346A
- Authority
- CN
- China
- Prior art keywords
- light intensity
- period
- coefficient
- calculating
- mutation
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000000295 complement effect Effects 0.000 title claims abstract description 25
- 238000005286 illumination Methods 0.000 claims abstract description 95
- 230000035772 mutation Effects 0.000 claims abstract description 71
- 230000008859 change Effects 0.000 claims abstract description 49
- 230000006641 stabilisation Effects 0.000 claims abstract description 37
- 238000011105 stabilization Methods 0.000 claims abstract description 37
- 238000004378 air conditioning Methods 0.000 claims abstract 3
- 230000006870 function Effects 0.000 claims description 9
- 230000005502 phase rule Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 230000007717 exclusion Effects 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 238000010248 power generation Methods 0.000 abstract description 24
- 239000000047 product Substances 0.000 description 8
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 239000002184 metal Substances 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
Abstract
本发明涉及电力分配技术领域,具体涉及一种光伏与电网互补的直流节能空调供电方法及系统,该方法包括:采集光照强度数据,并构建光强时间序列,计算光强时间序列的光强拟合曲线的拟合优度获取整体光强规律系数;根据光照强度数据获取光强渐变系数并构建光强渐变序列,获取光强突变点,计算光强突变点的突变显著度获取光强稳定时段,根据光强渐变系数得到光强稳定指数并获取光强阶段规律指数;根据光强规律系数、光强阶段规律指数和光强渐变序列中光强突变点的个数获取光强可预测系数,并获取最优自回归项数。本发明旨在解决光伏发电系统的发电量依赖于变化的光照强度从而导致对直流节能空调光伏发电量的预测不够准确的问题。
Description
技术领域
本发明涉及电力分配技术领域,具体涉及一种光伏与电网互补的直流节能空调供电方法及系统。
背景技术
光伏发电是利用半导体界面的光生伏特效应而将光能直接转变为电能的一种技术,主要由太阳能电池板、控制器和逆变器三大部分组成,原理为光子照射到金属上时,它的能量可以被金属中某个电子全部吸收,电子吸收的能量足够大,能克服金属原子内部的库仑力做功,离开金属表面逃逸出来,成为光电子。光伏与电网互补使得光伏发电系统在满足自身负载的同时向电网输出剩余的电能,在光照不足时从电网获取电能,实现光伏与电网的互补供电。将光伏与电网互补的供电方法应用于空调,能够大大降低空调的能耗,实现直流节能空调。
现有的预测算法可以对直流节能空调的光伏发电量进行预测,但是由于光伏发电系统的发电量依赖于变化的光照强度,导致对直流节能空调光伏发电量的预测不够准确。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种光伏与电网互补的直流节能空调供电方法及系统,以解决现有的问题,所采用的技术方案具体如下:
第一方面,本发明实施例提供了一种光伏与电网互补的直流节能空调供电方法,该方法包括以下步骤:
采集每个采集周期内每个时间段的光照强度数据;
根据采集周期的光照强度数据构建光强时间序列,计算光强时间序列的光强拟合曲线的拟合优度;根据拟合优度获取整体光强规律系数;根据每个时间段的光照强度数据获取每个时间段的光强渐变系数;根据采集周期内所有时间段的光强渐变系数构建光强渐变序列,获取光强渐变序列的光强突变点及光强突变点的突变显著度;根据突变显著度获取光强渐变序列的光强稳定时段,根据光强渐变系数获取光强稳定时段的光强稳定指数;根据光强稳定指数获取每个采集周期的光强阶段规律指数;根据光强规律系数、光强阶段规律指数和光强渐变序列中光强突变点的个数获取光强可预测系数;
根据光强可预测系数获取最优自回归项数。
进一步,所述根据采集周期的光照强度数据构建光强时间序列,计算光强时间序列的光强拟合曲线的拟合优度,包括:
将每个采集周期内所有时间段的光照强度按照时间顺序排列,得到每个采集周期的光强时间序列,使用最小二乘法对光强时间序列中的元素进行抛物线拟合,得到光强时间序列的光强拟合曲线的拟合优度。
进一步,所述获取整体光强规律系数,包括:
计算所有光强拟合曲线的拟合优度的和值作为第一和值,计算第i个拟合优度和第j个拟合优度的弗朗明歇距离,计算所有弗朗明歇距离的和值作为第二和值,将第一和值与第二和值的比值作为整体光强规律系数。
进一步,所述根据每个时间段的光照强度数据获取每个时间段的光强渐变系数,包括:
计算第m个采集周期内第n个时间段的光照强度与第m个采集周期内第n-1个时间段的光照强度差值绝对值作为第一差值绝对值,计算第m个采集周期内第n个时间段的光照强度与第m个采集周期内第n+1个时间段的光照强度差值绝对值作为第二差值绝对值,计算第一差值绝对值与第二差值绝对值的和值作为第m个采集周期内第n个时间段的光强渐变系数。
进一步,所述根据采集周期内所有时间段的光强渐变系数构建光强渐变序列,获取光强渐变序列的光强突变点及光强突变点的突变显著度,包括:
将采集周期内所有时间段的光强渐变系数按照获取的时间顺序排列组成光强渐变序列,使用突变点检测算法获取光强渐变序列中的光强突变点;计算光强渐变序列的赫斯特指数作为突变赫斯特指数,计算剔除第q个光强突变点的光强渐变序列的赫斯特指数作为排除赫斯特指数,将排除赫斯特指数与突变赫斯特指数的差值绝对值作为第q个光强突变点的突变显著度。
进一步,所述根据突变显著度获取光强渐变序列的光强稳定时段,根据光强渐变系数获取光强稳定时段的光强稳定指数,包括:
将光强渐变序列中突变显著度大于预设阈值的光强突变点剔除,将光强渐变序列中未剔除的相邻光强突变点之间的时间段作为光强稳定时段;
计算第m个采集周期第s个光强稳定时段中所有时间段的光强渐变系数的最大值与最小值的差值,计算所述差值与第个采集周期的第/>个光强稳定时段中所有时间段的光强渐变系数的标准差的乘积,将以自然常数为底、所述乘积的负值为指数的指数函数的计算结果作为第m个采集周期第s个光强稳定时段的光强稳定指数。
进一步,所述获取每个采集周期的光强阶段规律指数,包括:
计算第个采集周期的光强稳定系数的均值,计算第/>个采集周期中每个光强稳定系数与所述均值的差值绝对值,计算所有差值绝对值的和值,将以自然常数为底、以所述和值与所述均值的乘积的负值为指数的指数函数的计算结果作为第m个采集周期的光强阶段规律指数。
进一步,所述获取光强可预测系数,包括:
计算所有采集周期光强突变点个数和值,计算第m个采集周期的光强突变点个数与所述和值的比值,计算数字1与所述比值的差值记为第m个采集周期的光强变化置信权重,计算光强变化置信权重与第m个采集周期的光强阶段规律指数的乘积,计算所述乘积的和值作为第三和值,将第三和值与整体光强规律系数的乘积作为第m个采集周期的光强可预测系数。
进一步,所述获取最优自回归项数,包括:
计算以自然常数为底、以光强可预测系数的负值为指数的指数函数的计算结果与预设自回归项数调整值的乘积,计算所述乘积与预设自回归项数初始值的和值,将所述和值向下取整得到的计算结果作为最优自回归项数。
第二方面,本发明实施例还提供了一种光伏与电网互补的直流节能空调供电系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意一项所述一种光伏与电网互补的直流节能空调供电方法的步骤。
本发明至少具有如下有益效果:
根据每个采集周期内所有时间段的光照强度,获取光强拟合曲线,综合光照强度长期变化的规律性特征和短期变化的规律性特征,根据所有光强拟合曲线的拟合优度以及所有光强拟合曲线之间的弗朗明歇距离,获取整体光强规律系数,提高了衡量光照强度变化规律性特征的可靠性;根据所有时间段的光照强度,计算每个时间段的光强渐变系数,获取光强突变点以及光强稳定时段,根据光强稳定时段内所有时间段的光强渐变系数的变化幅度,而不是直接根据光照强度的变化幅度,获取光强稳定时段的光强稳定指数,提高了对光照强度的稳定性进行评估的准确性;根据每个采集周期内所有光强稳定时段的光强稳定指数,计算每个采集周期的光强阶段规律指数,结合每个采集周期的光强突变点的个数以及整体光强规律系数,综合光照强度变化的整体特征以及阶段性特征,获取光强可预测系数,确定最优自回归项数,提高了最优自回归项数的可靠性;将最优自回归项数作为ARIMA自回归差分移动平均模型的自回归项数,预测直流节能空调下一个采集周期的光伏发电量,实现直流节能空调的光伏与电网互补的供电方法,提高了对直流节能空调光伏发电量进行预测的准确性,解决了光伏发电系统的发电量依赖于变化的光照强度从而导致对直流节能空调光伏发电量的预测不够准确的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例提供的一种光伏与电网互补的直流节能空调供电方法;
图2为光照强度变化示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种光伏与电网互补的直流节能空调供电方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种光伏与电网互补的直流节能空调供电方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种光伏与电网互补的直流节能空调供电方法的步骤流程图,该方法包括以下步骤:
步骤S001、获取直流节能空调所有采集周期内所有时间段的光照强度。
直流节能空调通过利用太阳能电池板吸收太阳光,将太阳辐射能通过光电效应直接转换成电能,用光伏发电所产生的直流电驱动直流电机,直流电机驱动压缩机运行从而实现制冷,在阳光微弱不足以供应压缩机使用时需要电网来补充用电。
光照强度是指单位面积上所接受可见光的能量,简称照度,单位勒克斯lx,BH1750光照强度传感器是一种数码光强度传感器,可以精确地测量环境光的强度,包括0到65535个lx的光强度值。
将光照强度传感器放置于直流节能空调的太阳能电池板的正上方,设置每24小时为一个采集周期,将每个采集周期平均划分为个时间段,将每个时间段内光照强度的平均值记为每个时间段的光照强度,共使用光照强度传感器获取/>个采集周期内所有时间段的光照强度,其中,/>经验取值为48,/>经验取值为15。
至此,获取光照强度数据。
步骤S002、根据每个采集周期内所有时间段的光照强度,计算整体光强规律系数以及每个时间段的光强渐变系数,获取光强突变点以及光强稳定时段,计算每个采集周期的光强阶段规律指数,获取光强可预测系数,确定最优自回归项数。
由于光伏发电系统的发电量依赖于光照,在晴朗的天气里,太阳先逐渐升起,然后逐渐降落,此时,一天内的光照强度变化呈现为平滑的开口向下的抛物线。
将每个采集周期内所有时间段的光照强度按照采集的时间顺序排列,获取每个采集周期的光强时间序列,使用最小二乘法对光强时间序列进行抛物线拟合,确定光强时间序列的光强拟合曲线,即根据采集周期内所有时间段的光照强度/>,估计/>中的二次项系数/>、一次项系数/>和常数项/>,获取光强拟合曲线的拟合优度。需要说明的是,拟合优度的计算方法为现有技术,在此不做详细赘述。
根据所有光强拟合曲线的拟合优度以及所有光强拟合曲线之间的弗朗明歇距离,将整体光强规律系数表示如下:
其中,为整体光强规律系数,/>为第/>条光强拟合曲线的拟合优度,/>为采集周期的个数,/>取值范围为1到之间的整数/>,/>表示第/>条光强拟合曲线,/>表示第/>条光强拟合曲线,/>表示两条曲线之间的弗朗明歇距离。
公式逻辑:光强拟合曲线的拟合优度代表光强拟合曲线和抛物线的符合程度,当光强拟合曲线的拟合优度越高时,说明一个采集周期内光照强度的变化越符合晴朗天气的特征,越具有规律性,整体光强规律系数值越大;光强拟合曲线之间的弗朗明歇距离代表光强拟合曲线之间的轨迹相似性,当两条光强拟合曲线之间的弗朗明歇距离越大时,说明两条光强拟合曲线之间的轨迹相似性越低,从长期来看,光照强度的变化越不具有规律性,整体光强规律系数值越小。
一天内光照强度的变化特征主要受到太阳角度和地球自转的影响,一般来说,在日出时,太阳位于地平线上方,光线穿过大气层较厚,光照强度较弱,然后太阳逐渐上升,光照强度逐渐增强;在正午时分太阳角度最高,光照强度达到一天中的最大值;日落时,太阳再次接近地平线,光照强度逐渐减弱。
因此,在一个采集周期内,光照强度是逐渐变化的,将时间段的前一个时间段、后一个时间段记为时间段的相邻时间段,根据采集周期内每个时间段与相邻时间段光照强度的差异,将每个时间段的光强渐变系数表示如下:
其中,为第/>个采集周期的第/>个时间段的光强渐变系数;/>为第/>个采集周期的第/>个时间段的光照强度,/>为第/>个采集周期的第/>个时间段的光照强度,/>为第/>个采集周期的第/>个时间段的光照强度。
公式逻辑:当与相邻时间段光照强度的差异越大时,说明光照强度变化的越快,光强渐变系数值越大。
由于云层或者其它物体的遮挡,光照强度会发生突变,突变点前后光照强度的变化具有不同的特征,将采集周期内所有时间段的光强渐变系数按照获取的时间顺序排列,构建光强渐变序列,使用Pettitt突变点检测算法,获取光强渐变序列中的所有光强突变点。其中Pettitt突变点检测算法为公知技术,在此不做过多赘述。
对于光强渐变序列中的每个光强突变点,将光强渐变序列中的光强突变点挨个剔除并放回,将剔除每个光强突变点之前光强渐变序列的赫斯特指数记为突变赫斯特指数,将剔除光强突变点之后光强渐变序列的赫斯特指数记为排除赫斯特指数,将排除赫斯特指数与突变赫斯特指数的差值绝对值记为光强突变点的突变显著度。其中赫斯特指数的计算为公知技术,在此不做过多赘述。
当去除某一个光强突变点后光强渐变序列的赫斯特指数增大得越多时,说明光照强度的突变越可能是由于快速移动的物体遮挡造成的,在分析光照强度的变化特征时会造成干扰。设置突变干扰阈值,将突变显著度大于突变干扰阈值/>的光强突变点记为移动干扰突变点,将突变显著度小于等于突变干扰阈值/>的光强突变点记为光强突变点,突变干扰阈值/>经验取值为0.3,光照强度变化示意图2所示。
为了排除快速移动物体造成的干扰,将光强渐变序列中所有的移动干扰突变点剔除,得到剔除移动干扰突变点之后的光强渐变序列,将相邻的两个光强突变点之间的时间段记为光强稳定时段。
由于光照强度是逐渐变化,若直接根据光强稳定时段中所有时间段的光照强度衡量光照强度变化的稳定程度,会将逐渐上升或者逐渐下降的光照强度判定为不稳定状态,根据光强稳定时段内所有时间段的光强渐变系数的变化幅度,将光强稳定时段的光强稳定指数表示如下:
其中,为第/>个采集周期的第/>个光强稳定时段的光强稳定指数;/>为以自然常数为底的指数函数,/>为第/>个采集周期的第/>个光强稳定时段中所有时间段的光强渐变系数的最大值,/>为第/>个采集周期的第/>个光强稳定时段中所有时间段的光强渐变系数的最小值,/>为第/>个采集周期的第/>个光强稳定时段中所有时间段的光强渐变系数的标准差。
公式逻辑:当光强稳定时段内所有时间段的光强渐变系数的最大值与最小值相差越大,标准差越大时,光强稳定时段内光强渐变系数的变化幅度越大,光照强度的变化越不稳定,光强稳定指数值越小。
根据每个采集周期内所有光强稳定时段的光强稳定指数,将每个采集周期的光强阶段规律指数表示如下:
其中,为第/>个采集周期的光强阶段规律指数;/>为第/>个采集周期的光强稳定系数的均值,/>为第/>个采集周期的第/>个光强稳定时段的光强稳定指数,/>为第/>个采集周期内光强稳定时段的个数。
公式逻辑:当采集周期内所有光强稳定时段的光强稳定指数的平均值越大时,光强稳定均值越大,说明采集周期内各个阶段内光照强度的变化特征越具有规律性,光强阶段规律指数值越大;当采集周期内各个光强稳定时段的光强稳定指数偏离平均值的程度越高时,采集周期内光照强度变化的阶段性特征越不相同,光强阶段规律指数值越小,在对光照强度进行预测时,需要将越多的以往的光照强度作为依据。
综合考虑光照强度变化的整体特征以及阶段性特征,根据整体光强规律系数、所有采集周期的光强阶段规律指数以及光强渐变序列中光强突变点的个数,将光强可预测系数表示如下:
其中,为光强可预测系数;/>为整体光强规律系数,/>为采集周期的个数,为第/>个采集周期的光强阶段规律指数,/>为第/>个采集周期的光强变化置信权重,/>为第/>个采集周期的光强渐变序列中光强突变点的个数。
公式逻辑:光强突变点的个数反映了光照强度变化的波动性,当光照强度变化的波动性越高时,光照强度的变化越不具有可信度,光强变化置信权重越小;整体光强规律系数代表光照强度变化的规律性,光强阶段规律指数反映了光照强度变化的稳定性,当光照强度变化的越规律、越稳定时,越容易根据以往的光照强度预测未来的光照强度,进而预测光伏发电量,光强可预测系数值越大。
使用ARIMA自回归差分移动平均模型对光照强度进行预测时,自回归项数表示参与预测的采集周期的个数,自回归项数值越大,则根据越多的以往的光照强度进行预测,可靠性越高,自回归项数值越小,则根据越少的以往的光照强度进行预测,预测效率越高。其中ARIMA自回归差分移动平均模型的应用为公知技术,在此不做过多赘述。
根据光强可预测系数,将最优自回归项数表示如下:
其中,为最优自回归项数;/>为向下取整函数,/>为自回归项数初始值,为以自然常数为底的指数函数,/>为光强可预测系数,/>为自回归项数调整值,/>、经验取值均为7。
公式逻辑:当光强可预测系数越高时,根据较少的以往的光照强度进行预测就可以达到较好的预测效果,最优自回归项数值越小;当光强可预测系数越低时,若根据较少的以往的光照强度进行预测,则可能由于光照强度变化的波动性,导致预测结果出现较大偏差,为了减小预测结果的偏差,应该设置较大的最优自回归项数。
至此,获取最优自回归项数。
步骤S003、将最优自回归项数作为ARIMA自回归差分移动平均模型的自回归项数,预测直流节能空调下一个采集周期的光伏发电量,实现直流节能空调的光伏与电网互补的供电方法。
当直流节能空调的光伏发电量不足以供应压缩机使用时需要改为从电网获取电能来补充用电。为了保持直流节能空调电源的稳定性,提前对直流节能空调的光伏发电量进行预测,当直流节能空调下一个采集周期的光伏发电量不足以维持直流节能空调一个采集周期内的耗电量时,则将其改为从电网获取电能。
差分阶数经验取值为2,移动平均项数/>经验取值为3,将最优自回归项数/>作为ARIMA自回归差分移动平均模型的自回归项数,使用ARIMA自回归差分移动平均模型根据以往的/>个采集周期的光照强度预测下一个采集周期的光照强度,根据光照强度,计算直流节能空调下一个采集周期的光伏发电量,当光伏发电量小于耗能阈值/>时,则改为从电网获取电能,实现直流节能空调的光伏与电网互补的供电方法,耗能阈值/>经验取值为18。
至此,实现直流节能空调的光伏与电网互补的供电方法。
基于与上述方法相同的发明构思,本发明实施例还提供了一种光伏与电网互补的直流节能空调供电系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述一种光伏与电网互补的直流节能空调供电方法中任意一项所述方法的步骤。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种光伏与电网互补的直流节能空调供电方法,其特征在于,该方法包括以下步骤:
采集每个采集周期内每个时间段的光照强度数据;
根据采集周期的光照强度数据构建光强时间序列,计算光强时间序列的光强拟合曲线的拟合优度;根据拟合优度获取整体光强规律系数;根据每个时间段的光照强度数据获取每个时间段的光强渐变系数;根据采集周期内所有时间段的光强渐变系数构建光强渐变序列,获取光强渐变序列的光强突变点及光强突变点的突变显著度;根据突变显著度获取光强渐变序列的光强稳定时段,根据光强渐变系数获取光强稳定时段的光强稳定指数;根据光强稳定指数获取每个采集周期的光强阶段规律指数;根据光强规律系数、光强阶段规律指数和光强渐变序列中光强突变点的个数获取光强可预测系数;
根据光强可预测系数获取最优自回归项数。
2.如权利要求1所述的一种光伏与电网互补的直流节能空调供电方法,其特征在于,所述根据采集周期的光照强度数据构建光强时间序列,计算光强时间序列的光强拟合曲线的拟合优度,包括:
将每个采集周期内所有时间段的光照强度按照时间顺序排列,得到每个采集周期的光强时间序列,使用最小二乘法对光强时间序列中的元素进行抛物线拟合,得到光强时间序列的光强拟合曲线的拟合优度。
3.如权利要求1所述的一种光伏与电网互补的直流节能空调供电方法,其特征在于,所述获取整体光强规律系数,包括:
计算所有光强拟合曲线的拟合优度的和值作为第一和值,计算第i个拟合优度和第j个拟合优度的弗朗明歇距离,计算所有弗朗明歇距离的和值作为第二和值,将第一和值与第二和值的比值作为整体光强规律系数。
4.如权利要求1所述的一种光伏与电网互补的直流节能空调供电方法,其特征在于,所述根据每个时间段的光照强度数据获取每个时间段的光强渐变系数,包括:
计算第m个采集周期内第n个时间段的光照强度与第m个采集周期内第n-1个时间段的光照强度差值绝对值作为第一差值绝对值,计算第m个采集周期内第n个时间段的光照强度与第m个采集周期内第n+1个时间段的光照强度差值绝对值作为第二差值绝对值,计算第一差值绝对值与第二差值绝对值的和值作为第m个采集周期内第n个时间段的光强渐变系数。
5.如权利要求1所述的一种光伏与电网互补的直流节能空调供电方法,其特征在于,所述根据采集周期内所有时间段的光强渐变系数构建光强渐变序列,获取光强渐变序列的光强突变点及光强突变点的突变显著度,包括:
将采集周期内所有时间段的光强渐变系数按照获取的时间顺序排列组成光强渐变序列,使用突变点检测算法获取光强渐变序列中的光强突变点;计算光强渐变序列的赫斯特指数作为突变赫斯特指数,计算剔除第q个光强突变点的光强渐变序列的赫斯特指数作为排除赫斯特指数,将排除赫斯特指数与突变赫斯特指数的差值绝对值作为第q个光强突变点的突变显著度。
6.如权利要求1所述的一种光伏与电网互补的直流节能空调供电方法,其特征在于,所述根据突变显著度获取光强渐变序列的光强稳定时段,根据光强渐变系数获取光强稳定时段的光强稳定指数,包括:
将光强渐变序列中突变显著度大于预设阈值的光强突变点剔除,将光强渐变序列中未剔除的相邻光强突变点之间的时间段作为光强稳定时段;
计算第m个采集周期第s个光强稳定时段中所有时间段的光强渐变系数的最大值与最小值的差值,计算所述差值与第个采集周期的第/>个光强稳定时段中所有时间段的光强渐变系数的标准差的乘积,将以自然常数为底、所述乘积的负值为指数的指数函数的计算结果作为第m个采集周期第s个光强稳定时段的光强稳定指数。
7.如权利要求1所述的一种光伏与电网互补的直流节能空调供电方法,其特征在于,所述获取每个采集周期的光强阶段规律指数,包括:
计算第个采集周期的光强稳定系数的均值,计算第/>个采集周期中每个光强稳定系数与所述均值的差值绝对值,计算所有差值绝对值的和值,将以自然常数为底、以所述和值与所述均值的乘积的负值为指数的指数函数的计算结果作为第m个采集周期的光强阶段规律指数。
8.如权利要求1所述的一种光伏与电网互补的直流节能空调供电方法,其特征在于,所述获取光强可预测系数,包括:
计算所有采集周期光强突变点个数和值,计算第m个采集周期的光强突变点个数与所述和值的比值,计算数字1与所述比值的差值记为第m个采集周期的光强变化置信权重,计算光强变化置信权重与第m个采集周期的光强阶段规律指数的乘积,计算所述乘积的和值作为第三和值,将第三和值与整体光强规律系数的乘积作为第m个采集周期的光强可预测系数。
9.如权利要求1所述的一种光伏与电网互补的直流节能空调供电方法,其特征在于,所述获取最优自回归项数,包括:
计算以自然常数为底、以光强可预测系数的负值为指数的指数函数的计算结果与预设自回归项数调整值的乘积,计算所述乘积与预设自回归项数初始值的和值,将所述和值向下取整得到的计算结果作为最优自回归项数。
10.一种光伏与电网互补的直流节能空调供电系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-9任意一项所述一种光伏与电网互补的直流节能空调供电方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410239755.0A CN117833346B (zh) | 2024-03-04 | 一种光伏与电网互补的直流节能空调供电方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410239755.0A CN117833346B (zh) | 2024-03-04 | 一种光伏与电网互补的直流节能空调供电方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117833346A true CN117833346A (zh) | 2024-04-05 |
CN117833346B CN117833346B (zh) | 2024-05-14 |
Family
ID=
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984988A (zh) * | 2014-05-06 | 2014-08-13 | 国家电网公司 | 测光网络实时校正arma模型光伏功率超短期预测方法 |
WO2019243977A1 (en) * | 2018-06-18 | 2019-12-26 | Alitec Srl | Polyhedral solar sensor |
US10599747B1 (en) * | 2011-07-25 | 2020-03-24 | Clean Power Research, L.L.C. | System and method for forecasting photovoltaic power generation system degradation |
CN111651909A (zh) * | 2020-07-28 | 2020-09-11 | 杭州锅炉集团股份有限公司 | 一种基于热力学模型光伏/热集热器性能优化方法 |
US20210165130A1 (en) * | 2018-06-14 | 2021-06-03 | Siemens Aktiengesellschaft | Predicting sun light irradiation intensity with neural network operations |
US20220373984A1 (en) * | 2021-05-19 | 2022-11-24 | Shandong University | Hybrid photovoltaic power prediction method and system based on multi-source data fusion |
CN116526469A (zh) * | 2023-05-09 | 2023-08-01 | 昆明电力交易中心有限责任公司 | 一种水风光互补系统长期随机动态调度方法 |
CN116914719A (zh) * | 2023-05-30 | 2023-10-20 | 云鼎科技股份有限公司 | 一种基于时空图网络的光伏发电站功率预测方法 |
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10599747B1 (en) * | 2011-07-25 | 2020-03-24 | Clean Power Research, L.L.C. | System and method for forecasting photovoltaic power generation system degradation |
CN103984988A (zh) * | 2014-05-06 | 2014-08-13 | 国家电网公司 | 测光网络实时校正arma模型光伏功率超短期预测方法 |
US20210165130A1 (en) * | 2018-06-14 | 2021-06-03 | Siemens Aktiengesellschaft | Predicting sun light irradiation intensity with neural network operations |
WO2019243977A1 (en) * | 2018-06-18 | 2019-12-26 | Alitec Srl | Polyhedral solar sensor |
CN111651909A (zh) * | 2020-07-28 | 2020-09-11 | 杭州锅炉集团股份有限公司 | 一种基于热力学模型光伏/热集热器性能优化方法 |
US20220373984A1 (en) * | 2021-05-19 | 2022-11-24 | Shandong University | Hybrid photovoltaic power prediction method and system based on multi-source data fusion |
CN116526469A (zh) * | 2023-05-09 | 2023-08-01 | 昆明电力交易中心有限责任公司 | 一种水风光互补系统长期随机动态调度方法 |
CN116914719A (zh) * | 2023-05-30 | 2023-10-20 | 云鼎科技股份有限公司 | 一种基于时空图网络的光伏发电站功率预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105335560B (zh) | 光伏发电功率波动性及其自动发电控制备用需求计算方法 | |
CN106529814B (zh) | 基于Adaboost聚类和马尔科夫链的分布式光伏超短期预测方法 | |
Saber et al. | PV (photovoltaics) performance evaluation and simulation-based energy yield prediction for tropical buildings | |
Park et al. | Flexible PV-cell modeling for energy harvesting in wearable IoT applications | |
CN106532764B (zh) | 一种就地消纳光伏发电的电动汽车充电负荷调控方法 | |
CN107491833B (zh) | 一种光伏发电功率预测的方法和装置 | |
CN109884896B (zh) | 一种基于相似日辐照预测的光伏跟踪系统优化跟踪方法 | |
WO2013122610A1 (en) | Maximum power point tracking (mppt) | |
KR102578223B1 (ko) | 태양광 발전량 예측 장치 | |
Azami et al. | The energy performance of building integrated photovoltaics (BIPV) by determination of optimal building envelope | |
An et al. | An improved method for direct incident solar radiation calculation from hourly solar insolation data in building energy simulation | |
KR102338515B1 (ko) | 인공지능 기반 태양광 발전량 예측 시스템 | |
Khemliche et al. | Bond graph modeling and optimization of photovoltaic pumping system: Simulation and experimental results | |
Priyadharsini et al. | Elegant method to improve the efficiency of remotely located solar panels using IoT | |
El Alimi et al. | Break-even analysis and optimization of a stand-alone hybrid system with battery storage for residential load consumption—A case study | |
Li et al. | Predicting solar irradiance on inclined surfaces using sky radiance data | |
Li et al. | Study of models for predicting the diffuse irradiance on inclined surfaces | |
CN117833346B (zh) | 一种光伏与电网互补的直流节能空调供电方法及系统 | |
CN117833346A (zh) | 一种光伏与电网互补的直流节能空调供电方法及系统 | |
Tapakis et al. | Performance evaluation of a photovoltaic park in Cyprus using irradiance sensors. | |
CN116341681A (zh) | 一种低压光伏用户发电负荷模型训练及预测方法 | |
KR20230103984A (ko) | 구름 기상 데이터 기반의 알고리즘이 적용된 태양광 발전 예측 장치 및 그 방법 | |
CN109447345A (zh) | 一种基于气象数据分析的太阳能光伏性能预测方法 | |
CN105068591A (zh) | 一种光伏阵列局部遮挡下最大功率点跟踪方法 | |
Tayagaki et al. | Simulation of diffuse irradiance impact on energy yield of curved photovoltaic modules using climatic datasets |
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 |