技术领域
[0001] 本
发明涉及一种光伏电站效率衰减预测方法，属于
光伏发电技术领域。
背景技术
[0002] 随着光伏发电技术的迅速发展，全国已建或在建的光伏电站数量日益增多，规模日趋庞大，但运营过程中的问题也不断突显。
[0003] 首先，光伏行业下游竞争激烈，电站运营不理想。随着光伏产品价格持续下跌，企业纷纷把眼光投向行业下游，抢占光伏电站市场。然而，在激烈的市场竞争过程中，部分运营企业被淘汰不可避免，由此引发光伏电站转让问题。光伏电站在运行过程中，其组件、
电缆、逆变器及其它相关零配件会随着时间出现效率下降问题，即效率衰减问题。特别是组件衰减，会进一步导致整个阵列因组件失配而产生二次效率下降等诸多问题，使组件的剩余经济价值降低。由于缺少有效的光伏电站效率衰减评估方法，在运营企业更替的过程中，光伏电站的实际转让存在诸多困难。
[0004] 其次，光伏系统运行状态评估与故障诊断模型中未考虑光伏电站衰减因素的影响。现已存在的光伏系统评价与
预测模型主要有物理方法、统计方法和
人工智能方法。物理方法将光伏
电池的光生伏特效应等效为
二极管电路模型。通过该电路模型建模描述光伏电池的工作状态，进而建立光伏系统模型以用于系统评估。统计方法通过对历史数据的统计和分析，建立描述气象因素变量与
光伏发电系统输出功率之间关系的预测模型。人工智能方法根据历史事件序列，通过某种学习规则训练，建立预测气象因素变量与光伏功率输出间的关系。上述三种方法在评估系统运行效率时均未考虑系统物理效率衰减因素，与实测数据对比的健康数据均为假定光伏系统效率为100％时的数据。由于无法掌握光伏电站效率下降趋势和时间，难以进一步提出准确可靠的光伏电站性能评估方法，致使光伏电站运行一段时间后，无法继续工作在最佳状态，降低了投资者收益。也不利于进一步实现光伏电站的故障预测与健康管理。因此，有必要提出一种电站效率衰减的预测方法，预测电站效率下降，进而实现光伏电站故障预测与健康管理，保证光伏系统安全可靠，创造最大效益。
发明内容
[0005] 针对
现有技术上存在的不足，本发明的目的是对光伏系统的效率衰减进行预测，以评估光伏系统剩余价值并使系统获得最大收益，公开一种光伏电站剩余效率预测方法。
[0006] 为了实现上述目的，本发明是通过如下的技术方案来实现：
[0007] 一种光伏电站效率衰减预测方法，其特征在于，包括以下步骤：
[0008] a.良好天气日8:00AM至4:00PM区间段内每间隔一分钟实测一组电站运行环境参数和输出功率作为实测样本。建立电站仿真平台，将实测样本环境参数输入到电站仿真平台中，得到仿真样本。将两种样本数据看作
信号源，分别对实测功率信号和仿真功率信号进行去噪，用去噪后的实测样本功率与仿真样本功率计算相应时刻的EFF值(电站输出效率)。
[0009] b.以星期为时间单位将EFF值序列用EMD(Empirical Mode Decomposition，经验模态分解)方法进行预处理，并求出其下降百分比DEFF作为环比修正系数，并将其用于下一星期的EFF值计算。
[0010] c.将步骤b中所得EFF值储存为历史序列。根据实际预测期限长短合理的选择时间间隔，从历史序列中按时间间隔选取EFF样本点，通过效率衰减预测模型计算，得到最终的预测值。
[0011] 上述步骤a中良好天气类型包括：晴天、晴转多
云、低辐照天气。
[0012] 上述步骤a中实测功率信号与仿真功率信号的去噪方法采用小波方法，其相关参数选取如下：
[0013] 由于电站输出功率受环境因素影响较大，每分钟的实测样本
波动较大，因此取尺度函数为：
[0014]
[0015] 其中，ψ(τ)为尺度函数，τ为时间，单位为s(秒)。
[0016] 则ψ(τ)的平移函数为{ψ(τ-k)}k∈Z，于是
[0017]
[0018] 令uk＝(-1)1-kv1-k，则
[0019]
[0020] 将(3)式转换为频域表达式，即 将其二进伸缩平移可得：
[0021]
[0022] 其中，vj,k(τ)是以ψ(τ)为
基础构成的平移空间，k为整数，j2＝-1为单位虚数，式(4)为小波基函数，式中系数是唯一确定的。
[0023] 上述步骤a中电站仿真平台为基于Matlab
软件Simulink模
块搭建的仿真系统，其拓扑结构和模型参数与实际电站结构和组件参数一致。
[0024] 上述步骤a中EFF的计算方法为：
[0025]
[0026] 其中，P为实测功率，Ps为仿真功率
[0027] 上述步骤b中环比系数DEFF的更新期限为每星期，其计算方法为：
[0028]
[0029] 其中，EFFmax,w为一周内EFF序列的最大值，EFFmin,w为一周内EFF序列的最小值。
[0030] 上述步骤b中循环修正系数DEFF的更新期限为每星期，其修正方法为：
[0031]
[0032] 其中，EFFn为下一星期的EFF值。
[0033] 上述步骤b中EFF序列采用EMD方法进行处理。
[0034] 上述步骤c中效率衰减模型计算方法为：
[0035] 定义函数X(t)表示电站在t时刻的性能值。X(t)满足：
[0036]
[0037] 式中：t为时间变量，单位为月；γ为
布朗运动系数；θ为退化系数；X(0)表示电站预测初始时刻的效率；λ(t；θ)表示电站效率的线性主衰减量；τ(t；γ)为关于时间t的连续非减函数，B(τ(t；γ))为非线性布朗运动，描述退化量在时间轴上的不确定性；a为漂移系数，表征电站元器件
质量差异性；σ为扩散系数，表示不确定衰减的波动程度。
[0038] 根据电站效率衰减期长，寿命期内年衰减量稳定的特性，取X(0)＝0，则(8)式简化为：
[0039] X(t)＝atθ+σB(tγ) (10)
[0040] 设定电站的失效
阈值为D,即若X(t)超过D,则判定产品失效。相应的效率衰减时间可表示为：
[0041] T＝inf{t,X(t)≥D} (11)
[0042] 其中，inf表示电站衰减量序列X(t)的下确界，T为电站
失效时间；
[0043] 于是，在给定a的前提下，(9)式的电站效率衰减概率
密度函数为：
[0044]
[0045] 其中
[0046]
[0047]
[0048] 其中，gT(t)为T时刻电站失效条件概率密度，A'T为电站剩余寿命为T的全概率表达式。σ0为漂移系数a的标准差，μ0漂移系数a的均值；
[0049] 令Dh＝D-X(th)，th为某一时刻点，k为整数，Dh为th时刻剩余寿命，则光伏电站在时刻th的剩余效率期(Lh)可认为是X(th)到达Dh的时间长度，即
[0050]
[0051] 其中
[0052]
[0053] B＝ΔΛ(th+l；θ)2+σ2Δτ(th+l；γ) (17)
[0054]
[0055]
[0056] 固定θ,γ,σ0,σ对上式求似然方程并令其为0，解得μ0＝9.683，将其带似然方程式进一步可得b＝1,γ＝1,σ0＝2.667,σ＝0.139，至此，方程的系数全部已知。
[0057] 本发明与现有技术相比有益的效果是：
[0058] 本发明的
算法简明合理，运算过程稳定准确，本发明提出了电站的效率衰减和衰减期的预测模型，弥补了现有模型对户外条件下光伏电站效率衰减的考虑不足，有效的弥补了该领域的空缺，更有利于光伏电站的市场化。同时，也弥补了现有光伏系统运行状态评估模型精确度有待提高的问题，有利于进一步实现光伏系统的健康管理技术。
附图说明
[0059] 下面结合附图和具体实施方式来详细说明本发明；
[0061] 图2为实测样本功率信号曲线图；
[0062] 图3为功率曲线的去噪过程图；
[0063] 图4为实测功率信号去噪结果曲线图；
[0064] 图5为EFF序列EMD分解图；
[0065] 图6为EFF序列EMD提取结果图；
[0066] 图7为光伏电站实测效率衰减与模型预测结果对比图。
具体实施方式
[0067] 为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
[0068] 如图1所示，图1中i表示一星期中的天数，本发明的一种光伏电站效率衰减预测方法，包括以下步骤：
[0069] a.良好天气日8:00AM至4:00PM区间段内每间隔一分钟实测一组电站运行环境参数和输出功率作为实测样本。建立电站仿真平台，将实测样本环境参数输入到电站仿真平台中，得到仿真样本。将两种样本数据看作信号源，分别对实测功率信号和仿真功率信号进行去噪，用去噪后的实测样本功率与仿真样本功率计算相应时刻的电站输出效率EFF值。
[0070] b.以星期为时间单位将EFF值序列用EMD方法进行预处理，并求出其下降百分比DEFF作为环比修正系数，并将其用于下一星期的EFF值计算。
[0071] c.将步骤b中所得EFF值储存为历史序列。根据实际预测期限长短合理的选择时间间隔，从历史序列中按时间间隔选取EFF样本点，通过效率衰减预测模型计算，得到最终的预测值。
[0072] 优选地，步骤a中良好天气类型包括：晴天、晴转多云、低辐照天气。
[0073] 进一步地，步骤a中实测功率信号与仿真功率信号的去噪方法采用小波方法，其相关参数选取如下：
[0074] 由于电站输出功率受环境因素影响较大，每分钟的实测样本波动较大，因此取尺度函数为：
[0075]
[0076] 其中，ψ(τ)为尺度函数，τ为时间，单位为s(秒)。
[0077] 则ψ(τ)的平移函数为{ψ(τ-k)}k∈Z，于是
[0078]
[0079] 令uk＝(-1)1-kv1-k，则
[0080]
[0081] 将(3)式转换为频域表达式，即 将其二进伸缩平移可得：
[0082]
[0083] 其中，vj,k(τ)是以ψ(τ)为基础构成的平移空间，k为整数，j2＝-1为单位虚数，式(4)为小波基函数，式中系数是唯一确定的。
[0084] 进一步地，步骤a中电站仿真平台为基于Matlab软件Simulink模块搭建的仿真系统，其拓扑结构和模型参数与实际电站结构和组件参数一致。
[0085] 再进一步地，步骤a中EFF的计算方法为：
[0086]
[0087] 其中，P为实测功率，Ps为仿真功率
[0088] 进一步地，步骤b中环比系数DEFF的更新期限为每星期，其计算方法为：
[0089]
[0090] 其中，EFFmax,w为一周内EFF序列的最大值，EFFmin,w为一周内EFF序列的最小值。
[0091] 进一步地，步骤b中循环修正系数DEFF的更新期限为每星期，其修正方法为：
[0092]
[0093] 其中，EFFn为下一星期的EFF值。
[0094] 再进一步地，步骤b中EFF序列采用EMD方法进行处理。
[0095] 进一步地，步骤c中效率衰减模型计算方法为：
[0096] 定义函数X(t)表示电站在t时刻的性能值。X(t)满足：
[0097]
[0098] 式中：t为时间变量，单位为月；γ为布朗运动系数；θ为退化系数；X(0)表示电站预测初始时刻的效率；λ(t；θ)表示电站效率的线性主衰减量；τ(t；γ)为关于时间t的连续非减函数，B(τ(t；γ))为非线性布朗运动，描述退化量在时间轴上的不确定性；a为漂移系数，表征电站元器件质量差异性；σ为扩散系数，表示不确定衰减的波动程度。
[0099] 根据电站效率衰减期长，寿命期内年衰减量稳定的特性，取X(0)＝0，则8式简化为：
[0100] X(t)＝atθ+σB(tγ) (28)
[0101] 设定电站的失效阈值为D,即若X(t)超过D,则判定产品失效。相应的效率衰减时间可表示为：
[0102] T＝inf{t,X(t)≥D} (29)
[0103] 其中，inf表示电站衰减量序列X(t)的下确界，T为电站失效时间。
[0104] 于是，在给定a的前提下，(9)式的电站效率衰减概率密度函数为：
[0105]
[0106] 其中
[0107]
[0108]
[0109] 其中，gT(t)为T时刻电站失效条件概率密度，A'T为电站剩余寿命为T的全概率表达式。σ0为漂移系数a的标准差，μ0漂移系数a的均值；
[0110] 令Dh＝D-X(th)，th为某一时刻点，k为整数，Dh为th时刻剩余寿命，则光伏电站在时刻th的剩余效率期(Lh)可认为是X(th)到达Dh的时间长度，即
[0111]
[0112] 其中
[0113]
[0114] B＝ΔΛ(th+l；θ)2+σ2Δτ(th+l；γ) (35)
[0115]
[0116]
[0117] 固定θ,γ,σ0,σ对上式求似然方程并令其为0，解得μ0＝9.683，将其带似然方程式进一步可得b＝1,γ＝1,σ0＝2.667,σ＝0.139，至此，方程的系数全部已知。
[0119] 1.本实施例所用的
数据采集自河海大学户外10kWp实测平台。首先选取了2014年11月3日原始样本数据，在8:00AM至4:00PM时间段内每间隔1分钟提取1组数据，共480组作为实测样本，将其功率信号进行去噪。原始功率信号曲线如图2所示，处理过程如图3所示，图3中s为原始功率信号，a4为主信号，d1，d2，d3，d4为4种掺杂在主信号中不同
频率的高斯白噪声，5个信号重叠在一起构成了原始功率信号，s＝a4+d1+d2+d3+d4，去噪后功率信号曲线如图4所示。可以看出，经去噪后的样本曲线剔除了外界噪声信号的干扰，整体平滑度增加，毛刺消失。将样本环境参数输入到电站仿真平台中，得到同环境参数下480组仿真样本，采用同样的方法对其功率信号进行去噪。用去噪后的实测功率信号与仿真功率信号算相应时刻的电站输出效率EFF值。
[0120] 2.选取2014年11月3日至2014年11月9日8:00AM至4:00PM时间段内数据，按步骤a中的方法对数据进行预处理，再将EFF值序列用EMD方法进行分解和平滑处理。EMD处理过程如图5所示，图5中signal是原始EFF序列，即未经过EMD算法处理的EFF序列，imf1至imf8为EMD算法分解出的分量，逐次剔除这些分量后，剩下的res是一个单调函数，即为EMD算法处理后得到的新的EFF序列。EMD提取结果如图6所示。可以看出，EMD对EFF的特征参数进行特征提取，将非平稳的EFF序列平稳化和单调化，更加准确地掌握原始信号的特征信号。根据EMD提取结果，计算DEFF，可得DEFF＝(0.99945-0.99932)÷0.99945×100％＝0.013％，即本周电站效率衰减了0.013％，将其作为环比修正系数，并将其用于下一星期的EFF值计算。
[0121] 3.选取2014年11月至2014年12月共两个月的实测样本，按步骤a和步骤b的方法进行处理，得到最终的EFF序列。以天为间隔，在每天同时刻选取一组数据，作为预测样本，输入到效率衰减预测模型中。得到2015年1月至11月的实测平台输出效率衰减预测值，并将其与实测值对比，结果如图7所示。从图中可以看出，本
专利所述的预测方法是有效的。
[0122] 以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的
权利要求书及其等效物界定。
