一种区域光伏发电量计算方法技术

本发明专利技术涉及一种区域光伏发电量计算方法，该方法包括以下步骤：

【技术实现步骤摘要】
一种区域光伏发电量计算方法


[0001]本专利技术涉及光伏发电
，尤其涉及一种区域光伏发电量计算方法。

技术介绍

[0002]近年来，随着光伏发电的迅速发展，光伏装机容量日益增加，光伏发电接入电网与传统的发电站共同负担供电任务已得到了广泛应用。预估计算光伏电站的未来某一段时间内的发电量在光伏电站并网规划、运行和决策中扮演着越来越重要的角色。由于光伏发电具有明显的不确定性和周期性，在大规模接入电网时，势必会对电网的安全运行、调度产生较大的影响。因此，对光伏电站发电量的准确预估，能够为电力系统调度和发电计划的制定提供有益的参考，也是考核光伏电站经济效益的重要指标。
[0003]在电站规划设计的可研阶段，光伏电站发电量的预估主要通过当年年均辐照量对发电量进行推算，建立太阳辐照度和光伏发电模型来实现计算，这种方法只能得到一个粗略的估算结果，与实际发电量误差较大。在电站的建成运行阶段，光伏电站发电量的计算主要是根据光伏发电机理建立太阳能辐照度与光伏电站功率模型，直接计算发电量，这种方法仅用转换效率参数的经验公式来表示光伏发电量与辐照度的关系，没有考虑电站运行时的实际特性，存在一定的误差。同时，光伏电站实际运行过程中，由于外部环境和设备问题，对系统的实际运行数据的精确收集和传输有一定的困难。

技术实现思路

[0004]本专利技术所要解决的技术问题是提供一种有效解决实际运行数据精确收集和传输的区域光伏发电量计算方法。
[0005]为解决上述问题，本专利技术所述的一种区域光伏发电量计算方法，包括以下步骤：
⑴
光伏电站历史运行数据和历史气象数据收集；
⑵
利用PSO粒子群算法优化的BP神经网络建立光伏系统运行温度预测模型：
①
以包括实测太阳辐照度、环境温度、环境湿度、风速的气象数据作为输入，实测的运行温度作为输出，利用BP神经网络建立BP神经网络运行温度预测模型，并进行训练；
②
将NWP数值天气预报中的气象数据输入到训练好的BP神经网络运行温度预测模型，得到预测的运行温度，并将该预测的运行温度与实测值进行比较，分析误差；
③
采用PSO粒子群算法对BP神经网络的阈值和权值进行优化，以预测误差最小为目标函数，逐步优化预测模型的参数，获得最佳阈值和权值，即得优化后的光伏系统运行温度预测模型；
⑶
计算光伏电站瞬时功率P：
其中：；；；；式中：为实际的最佳工作电流，单位A；为实际的最佳工作电压，单位V；n为光伏组件个数；I
m
为光伏电池标况下的最佳工作电流，单位A；U
m
为光伏电池标况下的最佳工作电压，单位A；S为NWP辐照度数据，单位W/m2；S
ref
为标况下的辐照度，单位W/m2；a，b，c，为补偿系数；T为预测的运行温度，单位℃；T
ref
为标况下的温度，单位℃；e为自然对数底数，取2.718；
⑷
考虑光伏系统效率，得到未来某一段时间内光伏电站预估发电量E：；式中：m为月份数；d为天数；η为光伏发电综合效率，取85.35%。
[0006]所述步骤
⑴
中光伏电站历史运行数据包括光伏电站实际运行过程中的功率数据以及阵列运行温度数据；历史气象数据是指包括太阳辐照度、环境温度、环境湿度、风速的气象数据以及对应的NWP数值天气预报数据。
[0007]本专利技术与现有技术相比具有以下优点：本专利技术根据光伏电站所处地理位置的气象预报信息建立光伏系统运行温度的预测模型，利用数值天气预报中的辐照度数据和预测的运行温度对光伏系统实际最佳工作位置进行预测，从而对未来某一时段的发电量进行估算，不但能够为电力系统的调度提供一定的参考，而且避免了由于光伏电站所处环境恶劣、系统实际运行数据收集和传输困难所带来的问题，具有一定的实际意义。
附图说明
[0008]下面结合附图对本专利技术的具体实施方式作进一步详细的说明。
[0009]图1为本专利技术的流程图。
[0010]图2为本专利技术BP神经网络运行温度预测模型。
[0011]图3为本专利技术实施例中连续七天的实测功率与计算功率曲线。
具体实施方式
[0012]如图1所示，一种区域光伏发电量计算方法，包括以下步骤：
⑴
光伏电站历史运行数据和历史气象数据收集；其中光伏电站历史运行数据包括
光伏电站实际运行过程中的功率数据以及阵列运行温度数据；历史气象数据是指包括太阳辐照度、环境温度、环境湿度、风速的气象数据以及对应的NWP数值天气预报数据。
[0013]⑵
利用PSO粒子群算法优化的BP神经网络建立光伏系统运行温度预测模型：
①
以包括实测太阳辐照度、环境温度、环境湿度、风速的气象数据作为输入，实测的运行温度作为输出，利用BP神经网络建立BP神经网络运行温度预测模型（如图2所示），并进行训练；其中：BP神经网络的输出y可表示为：式中：p
i
为第i个输入量；i为输出量个数；w
i,j
为第i个输入量的第j个隐含层节点的连接权值；b为网络中神经元的阈值；f为传递函数。
[0014]②
将NWP数值天气预报中的气象数据输入到训练好的BP神经网络运行温度预测模型，得到预测的运行温度，并将该预测的运行温度与实测值进行比较，分析误差；
③
采用PSO粒子群算法对BP神经网络的阈值和权值进行优化，以预测误差最小为目标函数，逐步优化预测模型的参数，获得最佳阈值和权值，以达到更好的效果，即得优化后的光伏系统运行温度预测模型。
[0015]其中：利用粒子群算法根据适应度函数优化BP神经网络的阈值和权值。通过比较每次迭代粒子的适应度函数，更新粒子速度和位置，得到最佳阈值和权值。粒子的速度和位置更新公式如下：置更新公式如下：式中：为粒子i在第k+1次迭代中第d维上的速度；为惯性权重；为粒子i在第k次迭代中第d维上的速度；k为迭代次数；c1、c2为学习因子；、为服从(0,1)区间均匀分布的随机数；Pbest
id
为粒子个体i最优位置；为粒子i在第k次迭代中第d维上的位置；Gbest
kd
为整个粒子群全局最优位置；粒子i在第k+1次迭代中第d维上的位置。
[0016]⑶
计算光伏电站瞬时功率P：其中：；；；；
式中：为实际的最佳工作电流，单位A；为实际的最佳工作电压，单位V；n为光伏组件个数；I
m
为光伏电池标况下的最佳工作电流，单位A；U
m
为光伏电池标况下的最佳工作电压，单位A；S为NWP辐照度数据，单位W/m2；S
ref
为标况下的辐照度，单位W/m2；a，b，c，为补偿系数；T为预测的运行温度，单位℃；T
ref
为标况下的温度，单位℃；e为自然对数底数，取2.718。
[0017]I
m
、U本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种区域光伏发电量计算方法，包括以下步骤：
⑴
光伏电站历史运行数据和历史气象数据收集；
⑵
利用PSO粒子群算法优化的BP神经网络建立光伏系统运行温度预测模型：
①
以包括实测太阳辐照度、环境温度、环境湿度、风速的气象数据作为输入，实测的运行温度作为输出，利用BP神经网络建立BP神经网络运行温度预测模型，并进行训练；
②
将NWP数值天气预报中的气象数据输入到训练好的BP神经网络运行温度预测模型，得到预测的运行温度，并将该预测的运行温度与实测值进行比较，分析误差；
③
采用PSO粒子群算法对BP神经网络的阈值和权值进行优化，以预测误差最小为目标函数，逐步优化预测模型的参数，获得最佳阈值和权值，即得优化后的光伏系统运行温度预测模型；
⑶
计算光伏电站瞬时功率P：其中：；；；；式中：为实际的最佳工作电流，单位A；为实际的最佳...

【专利技术属性】
技术研发人员：吕清泉，马明，张睿骁，张健美，陶钰磊，高鹏飞，张彦琪，张珍珍，李津，周强，王定美，张金平，朱红路，蒋婷婷，史淯城，
申请(专利权)人：国网甘肃省电力公司，
类型：发明
国别省市：