TW202312651A - 陰影模式太陽能系統的最大發電功率預測方法 - Google Patents
陰影模式太陽能系統的最大發電功率預測方法 Download PDFInfo
- Publication number
- TW202312651A TW202312651A TW110134080A TW110134080A TW202312651A TW 202312651 A TW202312651 A TW 202312651A TW 110134080 A TW110134080 A TW 110134080A TW 110134080 A TW110134080 A TW 110134080A TW 202312651 A TW202312651 A TW 202312651A
- Authority
- TW
- Taiwan
- Prior art keywords
- shading
- module
- sub
- photosensitive elements
- solar
- Prior art date
Links
Images
Landscapes
- Photovoltaic Devices (AREA)
- Control Of Electrical Variables (AREA)
Abstract
一種陰影模式太陽能系統的最大發電功率預測方法,包括以下步驟:
(SA)連續蒐集一新設置的陰影模式太陽能系統(1)之一電池模組(11)之至少一太陽能板(A),在穩態運行一第一階段時間的複數個遮光輸出功率所計算產生的一第一平均最大發電功率模組(MP1),並衍生出一第一相關參數模組(111),以成為一訓練參數模組(11A),並將該訓練參數模組(11A)存入一資料庫(2);
(SB)運用該第一相關參數模組(111)對該電池模組(11)進行分析與訓練,其中,該第一相關參數模組(111)設為輸入,該電池模組(11)的一理論最大發電功率模組(112)設為輸出,及利用一非對稱式歸屬函數模糊類神經網路(3)為預測器與控制器,建立該第一相關參數模組(111)與該理論最大發電功率模組(112)之間規律性的一訓練預測數學模型(11B),並將該訓練預測數學模型(11B)存入該資料庫(2);
(SC)繼續蒐集該電池模組(11)之該太陽能板(A),在穩態運行一第二階段時間的複數個遮光輸出功率所計算產生的一第二平均最大發電功率模組(MP2),並衍生出一第二相關參數模組(113),該第二相關參數模組(113)將持續對該訓練預測數學模型(11B)進行更新、學習及優化,以將該訓練預測數學模型(11B)成為一持續訓練預測數學模型(11C),並將該持續訓練預測數學模型(11C)存入該資料庫(2);及
(SD) 利用該持續訓練預測數學模型(11C)以依據在當時的一第三相關參數模組(114),預先評估一持續訓練預測最大發電功率模組(19),並將該持續訓練預測最大發電功率模組(19)存人該資料庫(2)中。
Description
本發明係關於一種太陽能系統的最大發電功率預測方法,尤指一種陰影模式太陽能系統的最大發電功率預測方法。
目前再生能源在傳統能源日漸枯竭的狀況下,各國持續投入資源在再生能源的技術開發與應用。以市面上太陽能追日發電為例,其間歇性的發電是它的缺點,因此如何能夠較準確的預測短時間的發電變化,可以讓儲能設備提早因應聯網支援,減少追日系統運轉來降低能量消耗;或是預測較長時間的發電能量,以便電網的整體發電供需應變,是目前急需改進的部分。
太陽能發電系統發電量受自然條件影響極大,因此將會衝擊電網的穩定性,若具備較準確的光功率預測能夠降低電網的風險,也可以讓電力公司可以妥善調備發電機組,保障電網實時調度,保障電網穩定性。太陽能電池發電之再生能源的發電預測技術在微電網能源管理系統中扮演非常重要的角色,一般而言,再生能源發電預測技術可分:(A)一般採用衛星和數值天氣預報方式,雖較準確但非常昂貴;(B)利用歷史資料做預測;(C)短時預測如一天前預測;(D) 極短時預測如1分鐘、5分鐘前預測,其預測誤差趨勢依天候狀況約在10-20 %。在實際應用面而言,產業需求為低成本,因此建議犧牲一些準確度,建置低成本設備才容易被產業接受。
一般而言,太陽能每年的發電效率會因發電狀況、溫差影響、紫外線、接收光輻射的能量大小等因素,而採用最大功率點追蹤可以讓系統的發電效率運作在最佳值,若有結合追日系統,可較一般固定型的太陽發電系統獲得更多光輻射的能量,並額外再增加15%~45%的發電量,尤其是較大規模的地面發電站,追日系統已經是國際發展主流。
然而,追日系統固然漸成主流,目前使用於都市的區域也已經越來越多。都市中的建築物一定是有大有小、有高有低,因而若裝置於高度較低的建築物時,產生了陰影則即便有追日系統也於事無補。
本發明之主要目的在於提供一種陰影模式太陽能系統的最大發電功率預測方法。本發明在於利用一人機介面,以讓使用者可使用一應用於太陽能系統之陰影模式監控系統去追蹤所需之資料。其中,更發展了一遞迴式模糊類神經網路控制器等,以推導證明其穩定性與更新法則,進而控制該監控系統於不同陰影條件下所產生的資料,與克服機構上的非線性與環境中之干擾。為了使陰影模式太陽能系統的太陽能板輸出功率會達到當時條件下的最大值,本發明採用了最大功率點追蹤(MPPT),以達到快速追蹤太陽能板之最大功率點。
本發明之陰影模式太陽能系統的最大發電功率預測方法,包括以下步驟:(SA)連續蒐集一新設置的陰影模式太陽能系統(1)之一電池模組(11)之至少一太陽能板(A),在穩態運行一第一階段時間的複數個遮光輸出功率所計算產生的一第一平均最大發電功率模組(MP1),並衍生出一第一相關參數模組(111),以成為一訓練參數模組(11A),並將該訓練參數模組(11A)存入一資料庫(2);(SB)運用該第一相關參數模組(111)對該電池模組(11)進行分析與訓練,其中,該第一相關參數模組(111)設為輸入,該電池模組(11)的一理論最大發電功率模組(112)設為輸出,及利用一非對稱式歸屬函數模糊類神經網路(3)為預測器與控制器,建立該第一相關參數模組(111)與該理論最大發電功率模組(112)之間規律性的一訓練預測數學模型(11B),並將該訓練預測數學模型(11B)存入該資料庫(2);(SC)繼續蒐集該電池模組(11)之該太陽能板(A),在穩態運行一第二階段時間的複數個遮光輸出功率所計算產生的一第二平均最大發電功率模組(MP2),並衍生出一第二相關參數模組(113),該第二相關參數模組(113)將持續對該訓練預測數學模型(11B)進行更新、學習及優化,以將該訓練預測數學模型(11B)成為一持續訓練預測數學模型(11C),並將該持續訓練預測數學模型(11C)存入該資料庫(2);及(SD) 利用該持續訓練預測數學模型(11C)以依據在當時的一第三相關參數模組(114),預先評估一持續訓練預測最大發電功率模組(19),並將該持續訓練預測最大發電功率模組(19)存人該資料庫(2)中。
較佳地,步驟(SA)更包諾以下步驟:(SA1) 於該陰影模式太陽能系統(1)之該電池模組(11)之該太陽能板(A)之N個位置各放置一感光元件,N≧0;(SA2) 不對任何一該感光元件進行遮光,一終端機(T)運用一遮蔭子模型選擇器(B)將依據該太陽能板(A)所面臨的一遮光條件,進行配對一預先定義之2
N個遮蔭子模型中之一該遮蔭子模型;(SA3) 該終端機(T)計算出不遮光該太陽能板A之該條件下之一第一不遮光輸出功率;(SA4) 對該N個感光元件之任一感光元件進行遮光,該終端機(T)運用該遮蔭子模型選擇器(B)將依據該太陽能板(A)所面臨的一遮光條件,進行配對該預先定義之2
N個遮蔭子模型中之一該遮蔭子模型;(SA5) 該終端機(T)計算出每次各遮光一個該太陽能板(A)之該感光元件之該條件下之一第一單一感光元件遮光輸出功率;(SA6) 判斷該N個感光元件皆已被逐一遮光,如果是,至步驟(SA7),如果否,至步驟(SA4);(SA7) 對該N個感光元件之任二感光元件進行遮光,該終端機(T)運用該遮蔭子模型選擇器(B)將依據該太陽能板(A)所面臨的一遮光條件,進行配對該預先定義之2
N個遮蔭子模型中之一該遮蔭子模型;(SA8) 該終端機(T)計算出每次各遮光二個該太陽能板(A)之該感光元件之該條件下之一第一二感光元件遮光輸出功率;(SA9) 判斷該N個感光元件皆已被逐二遮光,如果是,至步驟(SA10),如果否,至步驟(SA7);(SA10) 對該N個感光元件之任三感光元件進行遮光,該終端機(T)運用該遮蔭子模型選擇器(B)將依據該太陽能板(A)所面臨的一遮光條件,進行配對該預先定義之2
N個遮蔭子模型中之一該遮蔭子模型;(SA11) 該終端機(T)計算出每次各遮光三個該太陽能板(A)之該感光元件之該條件下之一第一三感光元件遮光輸出功率;(SA12) 判斷該N個感光元件皆已被逐三遮光,如果是,至下一個步驟,如果否,至步驟(SA10);其餘類推,直至(SAXX) 對該N個感光元件進行遮光,該終端機(T)運用該遮蔭子模型選擇器(B)將依據該太陽能板(A)所面臨的一遮光條件,進行配對該預先定義之2
N個遮蔭子模型中之一該遮蔭子模型;(SAXY) 該終端機(T)計算出遮光該太陽能板(A)之全部N個該感光元件之該條件下之一第一N感光元件遮光輸出功率;(SAXZ) 該終端機(T)針對該第一不遮光輸出功率、該第一單一感光元件遮光輸出功率、該第一二感光元件遮光輸出功率、該第一三感光元件遮光輸出功率、…、及該第一N感光元件遮光輸出功率之資料計算出該第一平均最大發電功率模組(MP1),為該電池模組(11)在穩態運行時該第一階段時間的該第一相關參數模組(111),以成為該訓練參數模組(11A),並將該訓練參數模組(11A)存入該資料庫(2)。
較佳地,步驟(SA)之該第一相關參數模組(111)包括一第一系統相關參數模組(1111)與一第一環境相關參數模組(1112)。
較佳地,該第一系統相關參數模組(1111)包括以下任一項資料或其產生的組合:電壓、電流、太陽能電池溫度、太陽能電池總幅照度/輻射量;該第一環境相關參數模組(1112)包括以下任一項資料或其產生的組合:大氣溫度、相對濕度、遮陰溫度、全天日射量、場址日照強度、風速及最大功率點追蹤(MPPT; Maximum power point tracking) 後的太陽能電池輸出之電壓、電流與功率。
較佳地,步驟(SB)之該非對稱式歸屬函數模糊類神經網路(3)其數學方程式如下:
,其中,
、
、
、
為可調正之控制參數,
為中心點在
之歸屬函數左側寬度參數,
為中心點在
之歸屬函數右側寬度參數。
較佳地,步驟(SC)更包括以下步驟:(SC1) 不對任何一該感光元件進行遮光,該終端機(T)運用該遮蔭子模型選擇器(B)將依據該太陽能板(A)所面臨的一遮光條件,進行配對該預先定義之2
N個遮蔭子模型中之一該遮蔭子模型;(SC2) 該終端機(T)計算出不遮光該太陽能板A之該條件下之一第二不遮光輸出功率;(SC3)對該N個感光元件之任一感光元件進行遮光,該終端機(T)運用該遮蔭子模型選擇器(B)將依據該太陽能板(A)所面臨的一遮光條件,進行配對該預先定義之2
N個遮蔭子模型中之一該遮蔭子模型;(SC4) 該終端機(T)計算出每次各遮光一個該太陽能板(A)之該感光元件之該條件下之一第二單一感光元件遮光輸出功率;(SC5)判斷該N個感光元件皆已被逐一遮光,如果是,至步驟(SC6),如果否,至步驟(SC3);(SC6) 對該N個感光元件之任二感光元件進行遮光,該終端機(T)運用該遮蔭子模型選擇器(B)將依據該太陽能板(A)所面臨的一遮光條件,進行配對該預先定義之2
N個遮蔭子模型中之一該遮蔭子模型;(SC7) 該終端機(T)計算出每次各遮光二個該太陽能板(A)之該感光元件之該條件下之一第二二感光元件遮光輸出功率;(SC8)判斷該N個感光元件皆已被逐二遮光,如果是,至步驟(SC9),如果否,至步驟(SC6);(SC9)對該N個感光元件之任三感光元件進行遮光,該終端機(T)運用該遮蔭子模型選擇器(B)將依據該太陽能板(A)所面臨的一遮光條件,進行配對該預先定義之2
N個遮蔭子模型中之一該遮蔭子模型;(SC10) 該終端機(T)計算出每次各遮光三個該太陽能板(A)之該感光元件之該條件下之一第二三感光元件遮光輸出功率;(SC11)判斷該N個感光元件皆已被逐三遮光,如果是,至步驟(SA13),如果否,至下一個步驟;其餘類推,直至(SCXX) 對該N個感光元件進行遮光,該終端機(T)運用該遮蔭子模型選擇器(B)將依據該太陽能板(A)所面臨的一遮光條件,進行配對該預先定義之2
N個遮蔭子模型中之一該遮蔭子模型;(SCXY) 該終端機(T)計算出遮光該太陽能板(A)之全部該N個感光元件之該條件下之一第二N感光元件遮光輸出功率;(SCXZ) 該終端機(T)針對該第二不遮光輸出功率、該第二單一感光元件遮光輸出功率、該第二二感光元件遮光輸出功率、該第二三感光元件遮光輸出功率、…、及該第二N感光元件遮光輸出功率之資料計算出該第二平均最大發電功率模組(MP2),為該電池模組(11)在穩態運行時直接上線運行一第二階段時間的該第二相關參數模組(113),該第二相關參數模組(113)將持續對該訓練預測數學模型(11B)進行更新、學習及優化,以將該訓練預測數學模型(11B)成為一持續訓練預測數學模型(11C),並將該持續訓練預測數學模型(11C)存人該資料庫(2)。
較佳地,步驟(SC)之該第二相關參數模組(113)包括一第二系統相關參數模組(1131)與一第二環境相關參數模組(1132)。
較佳地,該第二系統相關參數模組(1131)包括以下任一項資料或其產生的組合:電壓、電流、太陽能電池溫度、及太陽能電池總幅照度/輻射量;該第二環境相關參數模組(1132)包括以下任一項資料或其產生的組合:大氣溫度、相對濕度、遮陰溫度、全天日射量、場址日照強度、風速及最大功率點追蹤(MPPT; Maximum power point tracking) 後的太陽能電池輸出之電壓、電流與功率。
較佳地,步驟(SD)之該第三相關參數模組(114)包括一第三系統相關參數模組(1141)與一第三環境相關參數模組(1142)。
較佳地,該第三系統相關參數模組(1141)包括以下任一項資料或其產生的組合:電壓、電流、太陽能電池溫度、及太陽能電池總幅照度/輻射量;該第三環境相關參數模組(1142)包括以下任一項資料或其產生的組合:大氣溫度、相對濕度、遮陰溫度、降雨機率、全天日射量、場址日照強度、風速及最大功率點追蹤(MPPT; Maximum power point tracking) 後的太陽能電池輸出之電壓、電流與功率。
為讓本發明之上述特徵和優點能更明顯易懂,下文特舉較佳實施例,並配合所附圖式,作詳細說明如下。
參照本文闡述的詳細內容和附圖說明能較佳理解本發明。下面參照附圖會討論各種實施例。然而,本領域技術人員將容易理解,這裡關於附圖給出的詳細描述僅僅是為了解釋的目的,因為這些方法和系統可超出所描述的實施例。例如,所給出的教導和特定應用的需求可能產生多種可選的和合適的方法來實現在此描述的任何細節的功能。因此,任何方法可延伸超出所描述和示出的以下實施例中的特定實施選擇範圍。
請同時參考圖1、圖2與圖3,圖6,係本發明之一種陰影模式太陽能系統的最大發電功率預測方法之一陰影模式監控系統示意圖、本發明之陰影模式太陽能系統的最大發電功率預測方法步驟圖、及本發明之陰影模式太陽能系統的最大發電功率預測方法之發電預測模組圖。本發明之陰影模式太陽能系統的最大發電功率預測方法包括以下步驟:
(S1) 於一新設置的陰影模式太陽能系統1之一電池模組11之一太陽能板A之四個角落各放置一感光元件L1,L2,L3,L4;
(S2) 不對任何一該感光元件L1,L2,L3,L4進行遮光,一終端機T運用一遮蔭子模型選擇器B將依據該太陽能板A所面臨的一遮光條件,進行配對一預先定義之十六個遮蔭子模型M1~M16中之一該遮蔭子模型;
(S3) 該終端機T計算出不遮光該太陽能板A之該條件下之一第一不遮光輸出功率;
(S4) 對該四個感光元件L1,L2,L3,L4之任一感光元件進行遮光,該終端機T運用該遮蔭子模型選擇器B將依據該太陽能板A所面臨的一遮光條件,進行配對該預先定義之十六個遮蔭子模型M1~M16中之一該遮蔭子模型;
(S5) 該終端機T計算出每次各遮光一個該太陽能板A之該四個感光元件L1,L2,L3,L4之該條件下之一第一單一感光元件遮光輸出功率;
(S6) 判斷該四個感光元件L1,L2,L3,L4皆已被逐一遮光,如果是,至步驟(S7),如果否,至步驟(S4);
(S7) 對該四個感光元件L1,L2,L3,L4之任二感光元件進行遮光,該終端機T運用該遮蔭子模型選擇器B將依據該太陽能板A所面臨的一遮光條件,進行配對該預先定義之十六個遮蔭子模型M1~M16中之一該遮蔭子模型;
(S8) 該終端機T計算出每次各遮光二個該太陽能板A之該感光元件L1,L2,L3,L4之該條件下之一第一二感光元件遮光輸出功率;
(S9) 判斷該四個感光元件L1,L2,L3,L4皆已被逐二遮光,如果是,至步驟(S10),如果否,至步驟(S7);
(S10) 對該四個感光元件L1,L2,L3,L4之任三感光元件進行遮光,該終端機T運用該遮蔭子模型選擇器B將依據該太陽能板A所面臨的一遮光條件,進行配對該預先定義之十六個遮蔭子模型M1~M16中之一該遮蔭子模型;
(S11) 該終端機T計算出每次各遮光三個該太陽能板A之該感光元件L1,L2,L3,L4之該條件下之一第一三感光元件遮光輸出功率;
(S12) 判斷該四個感光元件L1,L2,L3,L4皆已被逐三遮光,如果是,至步驟(S13),如果否,至步驟(S10);
(S13) 對該四個感光元件L1,L2,L3,L4進行遮光,該終端機T運用該遮蔭子模型選擇器B將依據該太陽能板A所面臨的一遮光條件,進行配對該預先定義之十六個遮蔭子模型M1~M16中之一該遮蔭子模型;
(S14) 該終端機T計算出遮光該太陽能板A之全部該感光元件L1,L2,L3,L4之該條件下之一第一四感光元件遮光輸出功率;
(S15) 該終端機T針對該第一不遮光輸出功率、該第一單一感光元件遮光輸出功率、該第一二感光元件遮光輸出功率、該第一三感光元件遮光輸出功率及該第一四感光元件遮光輸出功率之資料計算出一第一平均最大發電功率模組MP1,為該電池模組11在穩態運行時一第一階段時間的一第一相關參數模組111,以成為一訓練參數模組11A,並將該訓練參數模組11A存入一資料庫2;
(S16) 運用該訓練參數模組11A對該電池模組11進行分析與訓練,其中,該第一相關參數模組111設為輸人,該電池模組11的一理論最大發電功率模組112設為輸出,及利用一非對稱式歸屬函數模糊類神經網路3為預測器與控制器,建立該第一相關參數模組111與該理論最大發電功率模組112之間規律性的一訓練預測數學模型11B,並將該訓練預測數學模型11B存人該資料庫2;
(S17) 不對任何一該感光元件L1,L2,L3,L4進行遮光,該終端機T運用該遮蔭子模型選擇器B將依據該太陽能板A所面臨的一遮光條件,進行配對該預先定義之十六個遮蔭子模型M1~M16中之一該遮蔭子模型;
(S18) 該終端機T計算出不遮光該太陽能板A之該條件下之一第二不遮光輸出功率;
(S19) 對該四個感光元件L1,L2,L3,L4之任一感光元件進行遮光,該終端機T運用該遮蔭子模型選擇器B將依據該太陽能板A所面臨的一遮光條件,進行配對該預先定義之十六個遮蔭子模型M1~M16中之一該遮蔭子模型;
(S20) 該終端機T計算出每次各遮光一個該太陽能板A之該感光元件L1,L2,L3,L4之該條件下之一第二單一感光元件遮光輸出功率;
(S21)判斷該四個感光元件L1,L2,L3,L4皆已被逐一遮光,如果是,至步驟(S22),如果否,至步驟(S19);
(S22) 對該四個感光元件L1,L2,L3,L4之任二感光元件進行遮光,該終端機T運用該遮蔭子模型選擇器B將依據該太陽能板A所面臨的一遮光條件,進行配對該預先定義之十六個遮蔭子模型M1~M16中之一該遮蔭子模型;
(S23) 該終端機T計算出每次各遮光二個該太陽能板A之該感光元件L1,L2,L3,L4之該條件下之一第二二感光元件遮光輸出功率;
(S24) 判斷該四個感光元件L1,L2,L3,L4皆已被逐二遮光,如果是,至步驟(S25),如果否,至步驟(S);
(S25) 對該四個感光元件L1,L2,L3,L4之任三感光元件進行遮光,該終端機T運用該遮蔭子模型選擇器B將依據該太陽能板A所面臨的一遮光條件,進行配對該預先定義之十六個遮蔭子模型M1~M16中之一該遮蔭子模型;
(S26) 該終端機T計算出每次各遮光三個該太陽能板A之該感光元件L1,L2,L3,L4之該條件下之一第二三感光元件遮光輸出功率;
(S27)判斷該四個感光元件L1,L2,L3,L4皆已被逐三遮光,如果是,至步驟(S28),如果否,至步驟(S25);
(S28) 對該四個感光元件L1,L2,L3,L4進行遮光,該終端機T運用該遮蔭子模型選擇器B將依據該太陽能板A所面臨的一遮光條件,進行配對該預先定義之十六個遮蔭子模型M1~M16中之一該遮蔭子模型;
(S29) 該終端機T計算出遮光該太陽能板A之全部該感光元件L1,L2,L3,L4之該條件下之一第二四感光元件遮光輸出功率;
(S30) 該終端機T針對該第二不遮光輸出功率、該第二單一感光元件遮光輸出功率、該第二二感光元件遮光輸出功率、該第二三感光元件遮光輸出功率及該第二四感光元件遮光輸出功率之資料計算出一第二平均最大發電功率模組MP2,為該電池模組11在穩態運行時直接上線運行一第二階段時間的一第二相關參數模組113,該第二相關參數模組113將持續對該訓練預測數學模型11B進行更新、學習及優化,以將該訓練預測數學模型11B成為一持續訓練預測數學模型11C,並將該持續訓練預測數學模型11C存人該資料庫2;
(S31) 利用該持續訓練預測數學模型11C以依據在當時的一第三相關參數模組114,預先評估一持續訓練預測最大發電功率模組19,並將該持續訓練預測最大發電功率模組19存人該資料庫2中。
經由上述步驟,該持續訓練預測最大發電功率模組19即為本發明之最終結果。
然而,該第一階段時間為至少三個月,該第一相關參數模組111包括一第一系統相關參數模組1111與一第一環境相關參數模組1112,該第一系統相關參數模組1111包括電壓、電流、太陽能電池溫度、太陽能電池總幅照度/輻射量等資料,該第一環境相關參數模組1112包括大氣溫度、相對濕度、遮陰溫度、全天日射量、場址日照強度、風速、最大功率點追蹤(MPPT; Maximum power point tracking)後的太陽能電池輸出之電壓、電流、功率等資料;該非對稱式歸屬函數模糊類神經網路(3)其數學方程式如下:
其中,
、
、
、
為可調正之控制參數,
為中心點在
之歸屬函數左側寬度參數,
為中心點在
之歸屬函數右側寬度參數;該第二階段時間為至少三至六個月,該第二相關參數模組113包括一第二系統相關參數模組1131與一第二環境相關參數模組1132,該第二系統相關參數模組1131包括電壓、電流、太陽能電池溫度、太陽能電池總幅照度/輻射量等資料,該第二環境相關參數模組1132包括大氣溫度、相對濕度、遮陰溫度、全天日射量、場址日照強度、風速、最大功率點追蹤(MPPT; Maximum power point tracking) 後的太陽能電池輸出之電壓、電流、功率等資料;該第三相關參數模組114包括一第三系統相關參數模組1141與一第三環境相關參數模組1142,該第三系統相關參數模組1141包括電壓、電流、太陽能電池溫度、太陽能電池總幅照度/輻射量等資料,該第三環境相關參數模組1142包括大氣溫度、相對濕度、遮陰溫度、降雨機率、全天日射量、場址日照強度、風速、最大功率點追蹤(MPPT; Maximum power point tracking) 後的太陽能電池輸出之電壓、電流、功率等資料。
請參考圖4及圖5,係本發明之陰影模式太陽能系統的最大發電功率預測方法之陰影模式監控系統其十六種排列組合內容,及本發明之陰影模式太陽能系統的最大發電功率預測方法之陰影模式監控系統其十六種排列組合內容與二進位制的關係。如圖4所示,以感光元件數目N為4的條件下,共有十六個遮蔭子模型,如圖1所示的遮蔭子模型M1~M16。如圖4及圖5所示,利用二進位制時,如果0定義為「沒遮」,即沒有遮住圖1所示的感光元件,1定義為「有遮」,即有遮住圖1所示的感光元件。那麼,其中一排列組合為「0001」,則表示圖1所示的感光元件L1有被遮住。再者,圖5所示的〝0001:0+0+0+1=1〞則為經過二進位制的計算,其總和為1。如此,可以配對至預先定義的遮蔭子模型M2,如圖1所示,於類推。圖1所示的一個實線雙箭頭連接該遮蔭子模型選擇器B與該遮蔭子模型M4,即表示該次配對是連接到該遮蔭子模型M4。而每次配對都會連接到一個遮蔭子模型。由此實施例可知,若在該太陽能板A上設置更多的感光元件,則會得出更準確的該平均最大發電功率模組MP,進而影響到最終的該持續訓練預測最大發電功率模組19。
本發明說明如上,然其並非用以限定本發明所主張之專利權利範圍。其專利保護範圍當視後附之申請專利範圍及其等同領域而定。凡本領域具有通常知識者,在不脫離本專利精神或範圍內,所作之更動或潤飾,均屬於本發明所揭示精神下所完成之等效改變或設計,且應包含在下述之申請專利範圍內。
S1-S31:步驟編號
1:陰影模式太陽能系統
11:電池模組
111:第一相關參數模組
11A:訓練參數模組
2:資料庫
1111:第一系統相關參數模組
1112:第一環境相關參數模組
112:理論最大發電功率模組
3:非對稱式歸屬函數模糊類神經網路
11B:訓練預測數學模型
11C:持續訓練預測數學模型
113:第二相關參數模組
1131:第二系統相關參數模組
1132:第二環境相關參數模組
114:第三相關參數模組
19:持續訓練預測最大發電功率模組
1141:第三系統相關參數模組
1142:第三環境相關參數模組
A:太陽能板
L1~L4:感光元件
T:終端機
B:遮蔭子模型選擇器
M1~M16:遮蔭子模型
MP1:第一平均最大發電功率模組
MP2:第二平均最大發電功率模組
MP:平均最大發電功率模組
圖1係本發明之一種陰影模式太陽能系統的最大發電功率預測方法之一陰影模式監控系統示意圖;
圖2與圖3本發明之陰影模式太陽能系統的最大發電功率預測方法步驟圖;
圖4係本發明之陰影模式太陽能系統的最大發電功率預測方法之陰影模式監控系統其十六種排列組合內容;
圖5係本發明之陰影模式太陽能系統的最大發電功率預測方法之陰影模式監控系統其十六種排列組合內容與二進位制的關係;及
圖6係本發明之陰影模式太陽能系統的最大發電功率預測方法之發電預測模組圖。
S1-S31:步驟編號
Claims (10)
- 一種陰影模式太陽能系統的最大發電功率預測方法,包括以下步驟: (SA)連續蒐集一新設置的陰影模式太陽能系統(1)之一電池模組(11)之至少一太陽能板(A),在穩態運行一第一階段時間的複數個遮光輸出功率所計算產生的一第一平均最大發電功率模組(MP1),並衍生出一第一相關參數模組(111),以成為一訓練參數模組(11A),並將該訓練參數模組(11A)存入一資料庫(2); (SB)運用該第一相關參數模組(111)對該電池模組(11)進行分析與訓練,其中,該第一相關參數模組(111)設為輸入,該電池模組(11)的一理論最大發電功率模組(112)設為輸出,及利用一非對稱式歸屬函數模糊類神經網路(3)為預測器與控制器,建立該第一相關參數模組(111)與該理論最大發電功率模組(112)之間規律性的一訓練預測數學模型(11B),並將該訓練預測數學模型(11B)存入該資料庫(2); (SC)繼續蒐集該電池模組(11)之該太陽能板(A),在穩態運行一第二階段時間的複數個遮光輸出功率所計算產生的一第二平均最大發電功率模組(MP2),並衍生出一第二相關參數模組(113),該第二相關參數模組(113)將持續對該訓練預測數學模型(11B)進行更新、學習及優化,以將該訓練預測數學模型(11B)成為一持續訓練預測數學模型(11C),並將該持續訓練預測數學模型(11C)存入該資料庫(2);及 (SD) 利用該持續訓練預測數學模型(11C)以依據在當時的一第三相關參數模組(114),預先評估一持續訓練預測最大發電功率模組(19),並將該持續訓練預測最大發電功率模組(19)存人該資料庫(2)中。
- 如請求項1所述的陰影模式太陽能系統的最大發電功率預測方法,其中,步驟(SA)更包諾以下步驟: (SA1) 於該陰影模式太陽能系統(1)之該電池模組(11)之該太陽能板(A)之N個位置各放置一感光元件,N≧0; (SA2) 不對任何一該感光元件進行遮光,一終端機(T)運用一遮蔭子模型選擇器(B)將依據該太陽能板(A)所面臨的一遮光條件,進行配對一預先定義之2 N個遮蔭子模型中之一該遮蔭子模型; (SA3) 該終端機(T)計算出不遮光該太陽能板A之該條件下之一第一不遮光輸出功率; (SA4) 對該N個感光元件之任一感光元件進行遮光,該終端機(T)運用該遮蔭子模型選擇器(B)將依據該太陽能板(A)所面臨的一遮光條件,進行配對該預先定義之2 N個遮蔭子模型中之一該遮蔭子模型; (SA5) 該終端機(T)計算出每次各遮光一個該太陽能板(A)之該感光元件之該條件下之一第一單一感光元件遮光輸出功率; (SA6) 判斷該N個感光元件皆已被逐一遮光,如果是,至步驟(SA7),如果否,至步驟(SA4); (SA7) 對該N個感光元件之任二感光元件進行遮光,該終端機(T)運用該遮蔭子模型選擇器(B)將依據該太陽能板(A)所面臨的一遮光條件,進行配對該預先定義之2 N個遮蔭子模型中之一該遮蔭子模型; (SA8) 該終端機(T)計算出每次各遮光二個該太陽能板(A)之該感光元件之該條件下之一第一二感光元件遮光輸出功率; (SA9) 判斷該N個感光元件皆已被逐二遮光,如果是,至步驟(SA10),如果否,至步驟(SA7); (SA10) 對該N個感光元件之任三感光元件進行遮光,該終端機(T)運用該遮蔭子模型選擇器(B)將依據該太陽能板(A)所面臨的一遮光條件,進行配對該預先定義之2 N個遮蔭子模型中之一該遮蔭子模型; (SA11) 該終端機(T)計算出每次各遮光三個該太陽能板(A)之該感光元件之該條件下之一第一三感光元件遮光輸出功率; (SA12) 判斷該N個感光元件皆已被逐三遮光,如果是,至下一個步驟,如果否,至步驟(SA10);其餘類推,直至 (SAXX) 對該N個感光元件進行遮光,該終端機(T)運用該遮蔭子模型選擇器(B)將依據該太陽能板(A)所面臨的一遮光條件,進行配對該預先定義之2 N個遮蔭子模型中之一該遮蔭子模型; (SAXY) 該終端機(T)計算出遮光該太陽能板(A)之全部N個該感光元件之該條件下之一第一N感光元件遮光輸出功率; (SAXZ) 該終端機(T)針對該第一不遮光輸出功率、該第一單一感光元件遮光輸出功率、該第一二感光元件遮光輸出功率、該第一三感光元件遮光輸出功率、…、及該第一N感光元件遮光輸出功率之資料計算出該第一平均最大發電功率模組(MP1),為該電池模組(11)在穩態運行時該第一階段時間的該第一相關參數模組(111),以成為該訓練參數模組(11A),並將該訓練參數模組(11A)存入該資料庫(2)。
- 如請求項1所述的陰影模式太陽能系統的最大發電功率預測方法,其中,步驟(SA)之該第一相關參數模組(111)包括一第一系統相關參數模組(1111)與一第一環境相關參數模組(1112)。
- 如請求項3所述的陰影模式太陽能系統的最大發電功率預測方法,其中,該第一系統相關參數模組(1111)包括以下任一項資料或其產生的組合:電壓、電流、太陽能電池溫度、太陽能電池總幅照度/輻射量;該第一環境相關參數模組(1112)包括以下任一項資料或其產生的組合:大氣溫度、相對濕度、遮陰溫度、全天日射量、場址日照強度、風速及最大功率點追蹤(MPPT; Maximum power point tracking) 後的太陽能電池輸出之電壓、電流與功率。
- 如請求項1所述的陰影模式太陽能系統的最大發電功率預測方法,其中,步驟(SC)更包括以下步驟: (SC1) 不對任何一該感光元件進行遮光,該終端機(T)運用該遮蔭子模型選擇器(B)將依據該太陽能板(A)所面臨的一遮光條件,進行配對該預先定義之2 N個遮蔭子模型中之一該遮蔭子模型; (SC2) 該終端機(T)計算出不遮光該太陽能板A之該條件下之一第二不遮光輸出功率; (SC3)對該N個感光元件之任一感光元件進行遮光,該終端機(T)運用該遮蔭子模型選擇器(B)將依據該太陽能板(A)所面臨的一遮光條件,進行配對該預先定義之2 N個遮蔭子模型中之一該遮蔭子模型; (SC4) 該終端機(T)計算出每次各遮光一個該太陽能板(A)之該感光元件之該條件下之一第二單一感光元件遮光輸出功率; (SC5)判斷該N個感光元件皆已被逐一遮光,如果是,至步驟(SC6),如果否,至步驟(SC3); (SC6) 對該N個感光元件之任二感光元件進行遮光,該終端機(T)運用該遮蔭子模型選擇器(B)將依據該太陽能板(A)所面臨的一遮光條件,進行配對該預先定義之2 N個遮蔭子模型中之一該遮蔭子模型; (SC7) 該終端機(T)計算出每次各遮光二個該太陽能板(A)之該感光元件之該條件下之一第二二感光元件遮光輸出功率; (SC8)判斷該N個感光元件皆已被逐二遮光,如果是,至步驟(SC9),如果否,至步驟(SC6); (SC9)對該N個感光元件之任三感光元件進行遮光,該終端機(T)運用該遮蔭子模型選擇器(B)將依據該太陽能板(A)所面臨的一遮光條件,進行配對該預先定義之2 N個遮蔭子模型中之一該遮蔭子模型; (SC10) 該終端機(T)計算出每次各遮光三個該太陽能板(A)之該感光元件之該條件下之一第二三感光元件遮光輸出功率; (SC11)判斷該N個感光元件皆已被逐三遮光,如果是,至步驟(SA13),如果否,至下一個步驟;其餘類推,直至 (SCXX) 對該N個感光元件進行遮光,該終端機(T)運用該遮蔭子模型選擇器(B)將依據該太陽能板(A)所面臨的一遮光條件,進行配對該預先定義之2 N個遮蔭子模型中之一該遮蔭子模型; (SCXY) 該終端機(T)計算出遮光該太陽能板(A)之全部該N個感光元件之該條件下之一第二N感光元件遮光輸出功率; (SCXZ) 該終端機(T)針對該第二不遮光輸出功率、該第二單一感光元件遮光輸出功率、該第二二感光元件遮光輸出功率、該第二三感光元件遮光輸出功率、…、及該第二N感光元件遮光輸出功率之資料計算出該第二平均最大發電功率模組(MP2),為該電池模組(11)在穩態運行時直接上線運行一第二階段時間的該第二相關參數模組(113),該第二相關參數模組(113)將持續對該訓練預測數學模型(11B)進行更新、學習及優化,以將該訓練預測數學模型(11B)成為一持續訓練預測數學模型(11C),並將該持續訓練預測數學模型(11C)存人該資料庫(2)。
- 如請求項1所述的陰影模式太陽能系統的最大發電功率預測方法,其中,步驟(SC)之該第二相關參數模組(113)包括一第二系統相關參數模組(1131)與一第二環境相關參數模組(1132)。
- 如請求項7所述的陰影模式太陽能系統的最大發電功率預測方法,其中,該第二系統相關參數模組(1131)包括以下任一項資料或其產生的組合:電壓、電流、太陽能電池溫度、及太陽能電池總幅照度/輻射量;該第二環境相關參數模組(1132)包括以下任一項資料或其產生的組合:大氣溫度、相對濕度、遮陰溫度、全天日射量、場址日照強度、風速及最大功率點追蹤(MPPT; Maximum power point tracking) 後的太陽能電池輸出之電壓、電流與功率。
- 如請求項1所述的陰影模式太陽能系統的最大發電功率預測方法,其中,步驟(SD)之該第三相關參數模組(114)包括一第三系統相關參數模組(1141)與一第三環境相關參數模組(1142)。
- 如請求項9所述的陰影模式太陽能系統的最大發電功率預測方法,其中,該第三系統相關參數模組(1141)包括以下任一項資料或其產生的組合:電壓、電流、太陽能電池溫度、及太陽能電池總幅照度/輻射量;該第三環境相關參數模組(1142)包括以下任一項資料或其產生的組合:大氣溫度、相對濕度、遮陰溫度、降雨機率、全天日射量、場址日照強度、風速及最大功率點追蹤(MPPT; Maximum power point tracking) 後的太陽能電池輸出之電壓、電流與功率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110134080A TWI765821B (zh) | 2021-09-13 | 2021-09-13 | 陰影模式太陽能系統的最大發電功率預測方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110134080A TWI765821B (zh) | 2021-09-13 | 2021-09-13 | 陰影模式太陽能系統的最大發電功率預測方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI765821B TWI765821B (zh) | 2022-05-21 |
TW202312651A true TW202312651A (zh) | 2023-03-16 |
Family
ID=82594520
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110134080A TWI765821B (zh) | 2021-09-13 | 2021-09-13 | 陰影模式太陽能系統的最大發電功率預測方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI765821B (zh) |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5531260B2 (ja) * | 2010-02-26 | 2014-06-25 | 東芝三菱電機産業システム株式会社 | 太陽光発電システム |
US9397611B2 (en) * | 2012-03-27 | 2016-07-19 | Sunpower Corporation | Photovoltaic systems with local maximum power point tracking prevention and methods for operating same |
TW201740296A (zh) * | 2016-05-10 | 2017-11-16 | Chun He Technology Co Ltd | 再生能源發電量預測方法與系統 |
WO2017221463A1 (ja) * | 2016-06-21 | 2017-12-28 | パナソニックIpマネジメント株式会社 | 太陽電池の発電量予測装置、発電量予測方法、及び発電量予測プログラム |
CN106779374A (zh) * | 2016-12-05 | 2017-05-31 | 南通大学 | 光伏发电传输最大功率储能优化建模方法 |
CN107464038A (zh) * | 2017-07-06 | 2017-12-12 | 甘肃省科学院自然能源研究所 | 一种太阳能光伏发电站的设计方法及系统 |
CN108197371A (zh) * | 2017-12-28 | 2018-06-22 | 中南大学 | 基于bim的固定光伏阵列连线优化 |
CN108107969A (zh) * | 2018-01-30 | 2018-06-01 | 扬州华鼎电器有限公司 | 用于光伏最大功率点跟踪的主动前应式控制系统及算法 |
TWI671996B (zh) * | 2018-03-23 | 2019-09-11 | 春禾科技有限公司 | 判斷太陽能發電模組朝向的方法 |
-
2021
- 2021-09-13 TW TW110134080A patent/TWI765821B/zh active
Also Published As
Publication number | Publication date |
---|---|
TWI765821B (zh) | 2022-05-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hafiz et al. | Real-time stochastic optimization of energy storage management using deep learning-based forecasts for residential PV applications | |
CN109103926B (zh) | 基于多辐照特性年气象场景的光伏发电接纳能力计算方法 | |
Rout et al. | Design and performance evaluation of proposed 2 kW solar PV rooftop on grid system in Odisha using PVsyst | |
JP6720544B2 (ja) | 太陽光発電量予測方法及び太陽光発電量予測装置、並びに太陽光発電量予測システム | |
CN110363335B (zh) | 考虑陕北级联断面限额联动调整的实时发电计划优化方法 | |
Zandi et al. | Maximum power point tracking of the solar power plants in shadow mode through artificial neural network | |
Lam et al. | The application of dynamic modelling techniques to the grid-connected PV (photovoltaic) systems | |
CN115912351A (zh) | 光伏日内日前模型预测方法、系统、设备及介质 | |
Schmelas et al. | Photovoltaics energy prediction under complex conditions for a predictive energy management system | |
Arévalo et al. | Smart monitoring method for photovoltaic systems and failure control based on power smoothing techniques | |
Kanchana et al. | PV Power Forecasting with Holt-Winters Method | |
CN116706905B (zh) | 基于电力系统的多能预测及调度方法、设备及存储介质 | |
Hafiz et al. | Real-time stochastic optimization of energy storage management using rolling horizon forecasts for residential PV applications | |
Al-Sharafi et al. | Overall performance index for hybrid power plants | |
TWI765821B (zh) | 陰影模式太陽能系統的最大發電功率預測方法 | |
Sahoo et al. | Energy forecasting for grid connected MW range solar PV system | |
Yu et al. | Transactive control of a residential community with solar photovoltaic and battery storage systems | |
TWI804942B (zh) | 雙軸追日太陽能系統的發電預測模型建立方法 | |
Thomas | Optimisation Method for the clear sky PV forecast using power records from arbitrarily oriented panels | |
Akgül et al. | Maximization of Solar Radiation for Fixed and Tracking Surfaces in Antalya Province of Türkiye | |
TWI781872B (zh) | 具遮陰效應太陽能發電預測方法 | |
Dimara et al. | District energy optimization based on mlp simulation | |
Akgul et al. | Maximization of solar radiation for fixed and tracking surfaces in Antalya Province of Turkiye | |
CN117013535B (zh) | 一种兼顾生态调度需求的水风光火互补容量配置方法 | |
CN117713211B (zh) | 基于环境分析的光伏并网智能调度方法及系统 |