首页 / 专利库 / 太阳能 / 太阳能技术 / 光伏发电 / 一种基于数据包络分析的光伏发电效率计算方法

一种基于数据包络分析的光伏发电效率计算方法

阅读:1032发布:2020-05-14

专利汇可以提供一种基于数据包络分析的光伏发电效率计算方法专利检索,专利查询,专利分析的服务。并且本 发明 公开了一种基于数据包络分析的 光伏发电 效率计算方法,首先获取光伏电站所在地区的历史太阳辐照数据、历史气象数据及对应时刻的光伏电站发电功率,利用数据包络分析法判断各个数据的相对效率,并筛选出相对效率前20%的数据,作为神经网络模型的训练样本并进行训练;最后实时获取太阳辐照数据、气象数据及对应时刻的光伏电站发电功率,输入到神经网络模型中,输出电站的标准发电功率,将实测发电功率与标准发电功进行对比,得到电站的实时发电效率。本发明搭建光伏电站在理想工况下的输入输出模型,为计算光伏电站的发电效率提供了参考标准,作为在线判断光伏电站运行工况的重要依据,从而有效降低电站的运维成本,提高电站的检修效率。,下面是一种基于数据包络分析的光伏发电效率计算方法专利的具体信息内容。

1.一种基于数据包络分析的光伏发电效率计算方法,其特征在于,主要包括以下步骤:
1)获取光伏电站所在地区的历史太阳辐照数据S、历史气象数据及对应时刻的光伏电站发电功率P。其中,所需的历史气象数据包括温度T、湿度H及速W等。
2)对数据进行归一化;对步骤1)中收集的历史辐照数据S、历史气象数据及对应时刻的光伏电站发电功率数据P,采用最大最小归一化处理。
3)对进行归一化处理后的数据,利用数据包络分析法判断各个数据的相对效率;假设当前共有n组历史数据,每组历史数据以太阳辐照数据S、温度T、湿度H、风速W等4个特征作为输入,以对应时刻的光伏电站功率P作为输出。太阳辐照数据S、温度T、湿度H、风速W这四个输入特征的权重系数为v=[v1,v2,v3,v4]。对于第j组历史数据,其相对效率ηj可通过以下线性规划方程求解,其中Xi,Yi表示第i个样本的输入与输出。
4)筛选训练样本;根据步骤3)中计算的各个样本的相对效率,并将样本按照相对效率从大到小排列,筛选出相对效率前20%的数据,作为BP神经网络模型的训练样本。
5)利用筛选后的样本数据训练BP神经网络;BP神经网络由输入层隐藏层输出层组成,每层都有相应的激活函数。BP神经网络的训练过程主要包括输入前向传播与误差反向传播两部分。
所述BP神经网络包括五层,第一层为输入层,包含四个神经元,对应了太阳辐照度S、温度T、湿度H、风速W等4维输入特征;第二、三、四层为隐藏层,各包含八个神经元;第五层为输出层,包含一个神经元,对应光伏电站的发电功率P。采用的激活函数为Relu函数,描述如下:
将训练样本输入到BP神经网络模型中,得到训练好的BP神经网络模型。
6)对于实时获取的太阳辐照数据、气象数据及对应时刻的光伏电站发电功率,首先将太阳辐照数据、气象数据输入到训练好的BP神经网络模型中,输出电站的标准发电功率Pi。
然后将实测发电功率Po与标准发电功Pi进行对比,得到电站的实时发电效率η:
2.根据权利要求1所述的一种基于数据包络分析的光伏发电效率计算方法,其特征在于,所述步骤1)中只需采集每日5:00-19:00的整点数据。
3.根据权利要求1所述的一种基于数据包络分析的光伏发电效率计算方法,其特征在于,所述步骤1)中需采集的各物理量主要通过相应的温度传感器、辐照传感器、湿度传感器、风速传感器及功率表等现场设备进行检测,并通过现场总线传输到PC端进行监控,同时存入数据库
4.根据权利要求1所述的一种基于数据包络分析的光伏发电效率计算方法,其特征在于,步骤2)中最大最小归一化处理公式如下:
其中x为数据的原特征值,xnorm为归一化后的特征值,xmin为要进行归一化的特征的最小值,xmax为要进行归一化的特征的最大值。
5.根据权利要求1所述的一种基于数据包络分析的光伏发电效率计算方法,其特征在于,所述步骤5)中BP神经网络的前向传播可用下式描述:
其中, 为第l层第i个神经元的输入, 为该神经元的输出,f为该层的激活函数,为第l-1层第j个神经元与第l层第i个神经元之间的权值, 为第l层第i个神经元的偏置。
相应的反向传播公式可用下式描述:
其中E代表模型的总体误差,E(i)代表第i个样本所带来的误差, 代表总体误差对的梯度; 代表总体误差对 的梯度。

说明书全文

一种基于数据包络分析的光伏发电效率计算方法

技术领域

[0001] 本发明涉及太阳能发电领域,尤其涉及一种基于数据包络分析的光伏发电效率计算方法。

背景技术

[0002] 光伏发电经过近十年的发展,在包括光伏电池效率提升、MPPT算法研究、逆变算法研究、并网模式等环节上都取得了较大的突破;电站通过发展各类拓补结构、与蓄电池相互结合并配合能源管理系统等方法,最大限度减轻了太阳能发电波动大、不稳定的缺点,弱化了光伏发电对并网的冲击。
[0003] 尽管如此,光伏电站的运维在行业内一直是个难点。部分电站采用定期巡检的方式,对光伏电站的主要设备进行定期检修,往往耗时耗,效率较为低下。比较理想的方式是实时计算电站的发电效率,当发电效率出现显著下降时,再对电站主要设备进行检修,提高人员与时间的利用率。
[0004] 然而,光伏电站的输出功率受气象因素、设备工况等多个因素的影响,数值波动较大。即便测量了气象因素与输出功率,也会由于缺少对照指标而无法判断此时发电效率是否在合适的区间内。
[0005] 为此,本专利提出一种光伏电站发电效率计算方法。该方法基于电站的历史发电数据,抽取电站在理想工况下的输入输出模型,作为衡量发电效率的标准模型。在电站工作期间,实时测量电站的气象条件与输出功率,并结合上述标准模型,计算电站的实时发电效率,以此衡量电站工况,提高电站运维效率。

发明内容

[0006] 本发明目的在于针对现有技术的不足,提出一种新的光伏发电效率计算方法,该方法计算得到的发电效率可以较好地反应电站工况,从而提升电站的运维效率。
[0007] 本发明的目的是通过以下技术方案来实现的:一种基于数据包络分析的光伏发电效率计算方法,主要包括以下步骤:
[0008] 1)获取光伏电站所在地区的历史太阳辐照数据S、历史气象数据及对应时刻的光伏电站发电功率P。其中,所需的历史气象数据包括温度T、湿度H及速W。
[0009] 2)对数据进行归一化;对步骤1)中收集的历史辐照数据S、历史气象数据及对应时刻的光伏电站发电功率数据P,采用最大最小归一化处理;
[0010] 3)对进行归一化处理后的数据,利用数据包络分析法判断各个数据的相对效率;假设当前共有n组历史数据,每组历史数据以太阳辐照数据S、温度T、湿度H、风速W等4个特征作为输入,以对应时刻的光伏电站功率P作为输出。太阳辐照数据S、温度T、湿度H、风速W这四个输入特征的权重系数为v=[v1,v2,v3,v4]。对于第j组历史数据,其相对效率ηj可通过以下线性规划方程求解,其中Xi,Yi表示第i个样本的输入与输出。
[0011]
[0012]
[0013] 4)筛选训练样本;根据步骤3)中计算的各个样本的相对效率,并将样本按照相对效率从大到小排列,筛选出相对效率前20%的数据,作为BP神经网络模型的训练样本;
[0014] 5)利用筛选后的样本数据训练BP神经网络;BP神经网络由输入层隐藏层输出层组成;每层都有相应的激活函数。BP神经网络的训练过程主要包括输入前向传播与误差反向传播两部分。
[0015] 所述BP神经网络包括五层,第一层为输入层,包含四个神经元,对应了太阳辐照度S、温度T、湿度H、风速W等4维输入特征;第二、三、四层为隐藏层,各包含八个神经元;第五层为输出层,包含一个神经元,对应光伏电站的发电功率P。采用的激活函数为Relu函数,描述如下:
[0016]
[0017] 将训练样本输入到BP神经网络模型中,得到训练好的BP神经网络模型。
[0018] 6)对于实时获取的太阳辐照数据、气象数据及对应时刻的光伏电站发电功率,首先将太阳辐照数据、气象数据输入到训练好的BP神经网络模型中,输出电站的标准发电功率Pi。然后将实测发电功率Po与标准发电功Pi进行对比,得到电站的实时发电效率η:
[0019]
[0020] 进一步地,所述步骤1)中只需采集每日5:00-19:00的整点数据。
[0021] 进一步地,所述步骤1)中需采集的各物理量主要通过相应的温度传感器、辐照传感器、湿度传感器、风速传感器及功率表等现场设备进行检测,并通过现场总线传输到PC端进行监控,同时存入数据库
[0022] 进一步地,步骤2)中最大最小归一化处理公式如下:
[0023]
[0024] 其中x为数据的原特征值,xnorm为归一化后的特征值,xmin为要进行归一化的特征的最小值,xmax为要进行归一化的特征的最大值。
[0025] 进一步地,所述步骤5)中BP神经网络的前向传播可用下式描述:
[0026]
[0027]
[0028] 其中, 为第l层第i个神经元的输入, 为该神经元的输出,f为该层的激活函数, 为第l-1层第j个神经元与第l层第i个神经元之间的权值, 为第l层第i个神经元的偏置。
[0029] 相应的反向传播公式可用下式描述:
[0030]
[0031]
[0032]
[0033] 其中E代表模型的总体误差,E(i)代表第i个样本所带来的误差, 代表总体误差对 的梯度; 代表总体误差对 的梯度。
[0034] 本发明的有益效果:本发明提供的一种基于数据包络分析的光伏发电效率计算方法,通过收集的历史数据,搭建光伏电站在理想工况下的输入输出模型,该模型为计算光伏电站的发电效率提供了参考标准。通过实时测量光伏电站的实际功率及实时计算光伏电站的理想功率,可得到光伏电站的实时发电效率,作为在线判断光伏电站运行工况的重要依据,从而有效降低电站的运维成本,提高电站的检修效率。附图说明
[0035] 图1为光伏电站效率实时评估方法流程图
[0036] 图2为数据采集系统框图

具体实施方式

[0037] 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,下面结合附图和具体实施方式,进一步阐述本发明。
[0038] 如图1所示,本发明提供的一种基于数据包络分析的光伏发电效率计算方法,包括以下步骤:
[0039] 1)获取电站所在地区每日5:00-19:00整点的太阳辐照数据S、气象数据及对应的光伏电站发电功率P。其中,需采集的气象数据包括温度T、湿度H及风速W。
[0040] 如图2所示,其中光伏组件背板温度选用PT100铂热电阻测量,辐照度数据通过EKOMS-602辐照度计采集,湿度通过485型湿度传感器测量,风速通过高精度数字式风速表进行测量,输出功率通过功率表进行采集。各类现场仪器采用RS485通讯接口,通过现场总线将数据传送到PLC控制器,PLC再通过以太网连接将采集数据传输至上位机。
[0041] 采集的样本数据如表1所示。
[0042] 表1,采集的样本数据
[0043] 时间 辐照度(W/m^2) 温度(℃) 湿度(%) 风速(m/s) 发电功率(KW)7_1_9:00 134 25.3 54 3.8 12.59
7_1_10:00 365 27.7 51 2.9 30.1
7_1_11:00 626 28.5 48 3.1 46.8
... ... ... ... ... ...
[0044] 2)对数据进行归一化;对上述步骤1)中收集的历史辐照数据S、历史气象数据及对应时刻的光伏电站发电功率数据P,采用最大最小归一化处理,公式如下:
[0045]
[0046] 其中x为数据的原特征值,xnorm为归一化后的特征值,xmin为要进行归一化的特征的最小值,xmax为要进行归一化的特征的最大值。
[0047] 3)对进行归一化处理后的数据,利用数据包络分析法计算各个数据的相对效率,并存入数据库。数据包络分析法是一种基于线性规划的,对具有可比性的,包含多项输入与多项输出的同类单元进行相对有效性评价的一种数量分析方法;假设当前共有n组历史数据,每组历史数据以太阳辐照数据S、温度T、湿度H、风速W等4个特征作为输入,以对应时刻的光伏电站功率P作为输出。定义太阳辐照数据S、温度T、湿度H、风速W这四个输入特征的权重系数为v=[v1,v2,v3,v4]。对于第j组历史数据,其相对效率ηj可通过以下线性规划方程求解,其中Xi,Yi表示第i个样本的输入与输出。
[0048]
[0049]
[0050] 计算相对效率后的样本数据如表2所示(表中各维特征已归一化)。
[0051] 表2,计算相对效率后的样本数据
[0052] 时间 辐照度 温度 湿度 风速 发电功率 相对效率7_1_9:00 0.134 0.632 0.540 0.190 0.209 0.76
7_1_10:00 0.365 0.693 0.510 0.145 0.501 0.89
7_1_11:00 0.626 0.713 0.480 0.155 0.780 0.83
... ... ... ... ... ...  
[0053] 4)筛选训练样本;根据步骤3)中计算的各个样本的相对效率,并将样本按照相对效率从大到小排列,筛选出相对效率前20%的数据,作为BP神经网络模型的训练样本与直接采用所有数据训练相比,筛选后的数据使网络模型更贴近光伏电站在理想工况下的输入输出模型。
[0054] 5)利用筛选后的样本数据训练BP神经网络。BP神经网络由输入层、隐藏层及输出层组成;每层都有相应的激活函数。BP神经网络的训练过程主要包括输入前向传播与误差反向传播两部分。
[0055] BP神经网络的前向传播可用下式描述:
[0056]
[0057]
[0058] 其中, 为第l层第i个神经元的输入, 为该神经元的输出,f为该层的激活函数, 为第l-1层第j个神经元与第l层第i个神经元之间的权值, 为第l层第i个神经元的偏置。
[0059] 相应的反向传播公式可用下式描述:
[0060]
[0061]
[0062]
[0063] 其中E代表模型的总体误差,E(i)代表第i个样本所带来的误差, 代表总体误差对 的梯度; 代表总体误差对 的梯度。
[0064] 所述神经网络包括五层,第一层为输入层,包含四个神经元,对应了太阳辐照度S、温度T、湿度H、风速W等4维输入特征;第二、三、四层为隐藏层,各包含八个神经元;第五层为输出层,包含一个神经元,对应光伏电站的发电功率。采用的激活函数为Relu函数,描述如下:
[0065]
[0066] 与其他激活函数相比,Relu具有梯度恒定的优点,便于模型在训练过程中的快速收敛。
[0067] 将训练样本输入到BP神经网络模型中,得到训练好的BP神经网络模型。
[0068] 6)对于实时获取的太阳辐照数据、气象数据及对应时刻的光伏电站发电功率,首先将太阳辐照数据、气象数据输入到训练好的BP神经网络模型中,输出电站的标准发电功率Pi。然后将实测发电功率Po与标准发电功Pi进行对比,得到电站的实时发电效率η:
[0069]
[0070] 根据计算的实时发电效率,可判断光伏电站的设备运行状况,若计算的实时发电效率过低,则意味着光伏电站主要设备的工况出现问题,可能存在光伏板短路、短路或汇流箱损坏等故障,应立刻组织电站人员进行排查。
[0071] 选取电站在正常工况、阴影遮挡及部件老化状态下的三组数据,分别计算其发电效率,得到结果如表3所示。正常工况下模型计算的电站发电效率较高,阴影遮挡、部件老化状态下模型计算的电站发电效率较低,符合实际,代表该模型计算的发电效率可较好地反应光伏电站的设备运行状况,如表3所示。
[0072] 表3,不同工况下的发电效率
[0073] 工况 辐照度 温度 湿度 风速 发电功率 相对效率正常 0.792 0.778 0.420 0.330 0.810 0.88
阴影遮挡 0.933 0.896 0.680 0.185 0.766 0.67
部件老化 0.745 0.690 0.450 0.252 0.629 0.69
... ... ... ... ... ...  
[0074] 上述实施例用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明作出的任何修改和改变,都落入本发明的保护范围。
高效检索全球专利

专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。

申请试用

分析报告

专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。

申请试用

QQ群二维码
意见反馈