一种光伏发电功率预测装置及方法与流程

本发明涉及光伏发电技术领域，具体为一种光伏发电功率预测装置及方法。

背景技术

光伏发电功率预测对于电力系统的调度有着重要意义。已有的光伏发电预测方法可分为统计预测方法以及基于大气辐射传输模型的物理预测方法。相对于统计预测方法，物理预测方法具有计算简单、不依赖于历史数据的优点，但其预测精度受模型参数影响较大。

大气气溶胶光学厚度(aerosolopticaldepth，aod)是大气辐射传输模型中最重要的参数，用于描述气溶胶对光的衰减作用，其获取方式有卫星观测方式与地基观测方式。卫星观测方式是基于遥感卫星搭载的中分辨率成像光谱仪(modis)监测数据对aod进行反演，受卫星过境时间与数据发布周期影响，反演的实时性较差；地基观测是通过在地面观测站点利用光度计测量数据对aod进行反演，反演精度较高，但是光度计的标定工作颇为复杂，且观测站点较少；因此，如何实时、准确而又便捷的获取aod，成为光伏发电物理预测方法的关键问题。

近年来，我国出现了大范围的雾霾天气。雾和霾分别指悬浮于大气中的细微水滴和灰尘颗粒，是大气气溶胶的重要组成部分。2012年，国家环境空气监测网开始实时发布空气质量指数(airqualityindex，aqi)以及其中的pm10、pm2.5等6项基本监测数据，至2015年1月2日，已经覆盖367个城市。2016年1月1日起，环保部正式向社会发布空气质量预测预报信息，主要内容包括重点城市未来24小时、48小时空气质量预报，城市aqi范围、空气质量级别及首要污染物等。

受上述结论启发，鉴于大气气溶胶光学厚度(aod)与pm10浓度、pm2.5浓度等数据具有较高的相关性，且空气质量监测站的站点数量将不断增加，本发明考虑建立aod的bp神经网络预测模型，进而提出一种光伏发电功率预测装置及方法，以更好的进行光伏发电功率的预测。

技术实现要素：

(一)解决的技术问题

针对现有技术的不足，本发明提供一种光伏发电功率预测装置及方法，以对光伏发电功率进行实时、准确地预测。

(二)技术方案

为实现以上目的，本发明提供一种光伏发电功率预测装置，包含pm10传感器、pm2.5传感器、湿度传感器、能见度传感器、温度传感器、rs232通信接口、单片机、电源电路、时钟电路、3g通信模块、fpga芯片、flash芯片。

优选的，所述pm10传感器、pm2.5传感器、湿度传感器、能见度传感器、温度传感器分别进行pm10浓度、pm2.5浓度、湿度、能见度、气温的采集，并与rs232通信接口的一端连接，所述rs232通信接口另一端与单片机连接，其作用为将传感器采集的数据发送至单片机。

优选的，所述电源电路与单片机及fpga芯片连接，用于提供电源，优选的，所述时钟电路与单片机和fpga连接，用于提供同步的时钟信号。

优选的，所述单片机的15个端口直接与fpga的15个端口相连，采用并行的方式传输数据，其中端口1用作发送使能端，端口2用作读入使能端，端口3用作读入时钟端，其余12个端口为数据口。

优选的，所述flash芯片与fpga连接，用于存放bp神经网络预测模型的配置文件，所述fpga芯片与单片机相连接，用于进行bp神经网络预测模型的计算，所述3g通信模块与单片机连接，用于光伏发电功率预测结果的远传，所述led指示灯与单片机连接，用于指示工作状态。

本发明还提供了基于上述光伏发电功率预测装置的预测方法，所述预测方法在获取大量pm2.5浓度-pm10浓度-湿度-能见度-aod的实际样本的基础上，采用bp神经网络方法对aod进行预测，选取aod与可降水量为主要变化参数，采用双波段大气辐射传输模型计算太阳直接辐射强度与散射辐射强度，进而预测出光伏电池板接收的总辐射强度，最终通过光电转换模型实现对光伏发电功率的准确、实时预测。

优选的，所述预测方法包括以下具体步骤进行：

步骤1.以能见度v，湿度h，pm2.5浓度c0，pm10浓度c1为输入，以440nm波长aodτ440与1020nm波长aodτ1020为输出，建立并训练bp神经网络预测模型；

步骤2.将bp神经网络预测模型所预测的440nm波长aod与1020nm波长分别代表波段1的aodτa1与波段2的aodτa2，采用线性拟合模型计算可降水量w，进而利用双波段大气辐射传输模型计算太阳直接辐射强度与散射辐射强度，从而预测出光伏电池板所接收的总辐射强度；

步骤3.基于光电转换模型，预测光伏发电的输出功率。

优选的，所述步骤1按以下方法进行处理：

a.采集数据构造样本集；

记录某一时刻k下pm2.5浓度c0、pm10浓度c1、能见度v、湿度h和440nm波长的aodτ440与1020nm波长的aodτ1020，得到一个样本(c0(k)，c1(k)，v(k)，h(k)，τ440(k)，τ1020(k))，通过收集多个不同时刻下的样本，形成样本集{(c0(k)，c1(k)，v(k)，h(k)，τ440(k)，τ1020(k))}；

b.建立三层结构bp神经网络预测模型，其中，输入层神经元节点数为4个，隐含层神经元节点数为5个，输出层神经元节点数为2个，隐含层神经元转移函数使用双曲正切函数，输出层神经元转移函数使用s型函数；

c.随机抽取样本集中的一部分做为训练样本，剩余部分做为检验样本，对所建立的bp神经网络预测模型进行训练，对于第k个时刻所构造的样本(c0(k)，c1(k)，v(k)，h(k)，τ440(k)，τ1020(k))，取bp神经网络预测模型的第一个输入为v(k)，第二个输入为h(k)，第三个输入为c0(k)，第四个输入为c1(k)，第一个输出为τ440(k)，第二个输出为τ1020(k)；

优选的，所述步骤2按以下方法进行处理：

利用所述光伏发电功率预测装置采集某一环境下pm2.5浓度c0、pm10浓度c1、能见度v、湿度h，作为bp神经网络预测模型的输入，则预测模型的第一个输出为当前环境下440nm波长aodτ440的预测值第二个输出为1020nm波长aodτ1020的预测值

采用线性拟合模型计算可降水量w，即

w＝-0.518+0.177·svp(1)

其中，svp为地面水汽压，可根据空气相对湿度与环境温度求得：

其中，r为空气相对湿度，es0为0℃时的饱和水汽压，es0＝6.1078，经验系数a＝7.5，b＝237.3，t为环境温度；

所述双波段大气辐射传输模型，其直射辐射强度的计算公式为：

式中，ebn为总直射辐射强度，i＝1、2，ebni为波段i直射辐射强度，e0ni为波段i大气层外直射辐射强度，且有e0n1＝635.4w/m²，e0n2＝709.7w/m²，tai为波段i气溶胶传输衰减系数，计算公式为：

tai＝exp(-maτai)(4)

其中，取且有

ma＝[cosz+0.16851z^0.18198/(95.318-z)^1.9542]^-1(5)

twi为波段i可降水量衰减系数，计算公式为：

tw1＝(1+h1mw)/(1+h2mw)(6)

tri为波段i雷利系数，各波段计算公式为

tr2＝(1-0.010394m'r)/(1-0.00011042m'r²)(9)

以上式中参数h1，h2，mw，c1，c2，c3，c4，m'r的取值本专利不作过多说明；

所述双波段大气辐射传输模型，其散射辐射强度的计算公式为：

式中，ed为总散射辐射强度，i＝1、2，edi为波段i散射辐射强度，eddi为波段i反向散射因子，edpi为波段i入射散射辐射因子，ba为气溶胶前向散射因子，bri为波段i雷利衰减的前向散射因子，fi为波段i修正系数，tasi为波段i气溶胶散射系数，ρgi为波段i地表反照率，ρsi为波段i天空反照率，以上参数本专利不作过多说明；

对于朝向赤道，与水平地面呈β倾角布置的光伏电池板，考虑其面板法线方向与太阳直射辐射方向的夹角，并假定散射辐射呈各向同性，则其接收的总辐射强度为：

其中，z为太阳天顶角，θh为太阳时角。

优选的，所述步骤3按以下方法进行处理：

所述光电转换模型为：

ps＝ηpvsex[1-0.005(t0+25)](12)

式中：ps为光伏电池板输出功率，ηpv为光伏电池板转换效率，s为光伏电池板的面积，t0为光伏电池板工作温度，由太阳辐射强度ex与气温t进行估算：

t0＝t+kex(13)

其中，气温t由所述光伏发电功率预测装置中温度传感器进行采集，k为温度系数。

(三)有益效果

本发明提供的一种光伏发电功率预测装置及方法，具备以下有益效果：

(1)该光伏发电功率预测装置及方法，利用可实时获取的pm2.5浓度c0、pm10浓度c1、能见度v、湿度h等数据对aod进行直接预测，与现有的卫星观测法与地基观测法相比，省去了其中的复杂反演过程，并且能保证预测的实时性与准确性。

(2)该光伏发电功率预测装置及方法，基于bp神经网络预测模型所预测的440nm波长aod与1020nm波长aod，以及采用线性拟合模型计算的可降水量w，利用双波段大气辐射传输模型计算太阳直接辐射强度与散射辐射强度，最终基于光电转换模型，预测光伏发电的输出功率，具有计算过程清晰，预测精度高的优点。

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

附图说明

图1为本发明光伏发电功率预测装置的总体结构框图；

图2为本发明光伏发电功率预测装置的fpga与单片机并行连接示意图；

图3为本发明光伏发电功率预测装置的3g通信模块的结构框图；

图4为本发明光伏发电功率预测方法中bp神经网络aod预测模型；

图5为本发明实施例中aod预测模型在训练样本上的预测结果；

图6为本发明实施例中aod预测模型在检验样本上的预测误差；

图7为本发明实施例中光伏发电功率的预测结果。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为实现以上目的，本发明提供一种光伏发电功率预测装置，参阅图1，包含pm10传感器、pm2.5传感器、湿度传感器、能见度传感器、温度传感器、rs232通信接口、单片机、电源电路、时钟电路、3g通信模块、fpga芯片、flash芯片。实施例中，pm2.5传感器选用ds8001-232传感器模块、pm10传感器选用t-pm2510泵吸式激光传感器、湿度传感器选用mhtrs232传感器、能见度传感器选用nwd-10传感器、温度传感器选用iaq50传感器，单片机选用dspic33fj256gp510单片机，fpga芯片选用alteracycloneiv-ep4ce115f29芯片，3g通信模块选用华为em770w模块，flash芯片选用at24c02芯片。

pm10传感器、pm2.5传感器、湿度传感器、能见度传感器、温度传感器与rs232通信接口的一端连接，rs232通信接口另一端与单片机连接，用于采集传感器数据。

电源电路与单片机及fpga芯片连接，用于提供电源，时钟电路与单片机和fpga连接，用于提供同步的时钟信号。

单片机的15个端口直接与fpga的15个端口相连，采用并行的方式传输数据，参阅图2，其中端口1用作发送使能端，端口2用作读入使能端，端口3用作读入时钟端，其余12个端口为数据口。

flash芯片与fpga连接，用于存放bp神经网络预测模型的配置文件，fpga芯片与单片机相连接，用于bp神经网络预测模型的计算。

3g通信模块与单片机连接，用于光伏发电功率预测结果的远传。参阅图3，本发明实施例中的3g通信模块由华为em770w模块及其外围电路组成，由于em770w模块为5v电平，而dspic33fj256gp510单片机i/o接口为3.3v电平，故采用74lvc4245芯片进行双向电平转换。

led指示灯与单片机连接，用于指示工作状态。

本发明所提供的基于上述光伏发电功率预测装置的预测方法，包括以下具体步骤进行：

步骤1.以能见度v，湿度h，pm2.5浓度c0，pm10浓度c1为输入，以440nm波长aodτ440与1020nm波长aodτ1020为输出，建立并训练bp神经网络预测模型；

步骤2.将bp神经网络预测模型所预测的440nm波长aod与1020nm波长分别代表波段1的aodτa1与波段2的aodτa2，采用线性拟合模型计算可降水量w，进而利用双波段大气辐射传输模型计算太阳直接辐射强度与散射辐射强度，从而预测出光伏电池板所接收的总辐射强度；

步骤3.基于光电转换模型，预测光伏发电的输出功率。

步骤1按以下方法进行处理：

a.采集数据构造样本集；

记录某一时刻k下pm2.5浓度c0、pm10浓度c1、能见度v、湿度h和440nm波长的aodτ440与1020nm波长的aodτ1020，得到一个样本(c0(k)，c1(k)，v(k)，h(k)，τ440(k)，τ1020(k))，通过收集多个不同时刻下的样本，形成样本集{(c0(k)，c1(k)，v(k)，h(k)，τ440(k)，τ1020(k))}，实施例中，选取北京市进行数据收集，自2015年1月1日至2016年11月30日，共收集样本2141组；

b.建立三层结构bp神经网络预测模型，参阅图4，其中，输入层神经元节点数为4个，隐含层神经元节点数为5个，输出层神经元节点数为2个，隐含层神经元转移函数使用双曲正切函数，输出层神经元转移函数使用s型函数；

c.随机抽取样本集中的一部分做为训练样本，剩余部分做为检验样本，对所建立的bp神经网络预测模型进行训练，对于第k个时刻所构造的样本(c0(k)，c1(k)，v(k)，h(k)，τ440(k)，τ1020(k))，取bp神经网络预测模型的第一个输入为v(k)，第二个输入为h(k)，第三个输入为c0(k)，第四个输入为c1(k)，第一个输出为τ440(k)，第二个输出为τ1020(k)，实施例中，随机抽取2141组样本中的1971组做为训练样本，其余170组作为检验样本；

实施例中，训练后的bp神经网络预测模型的权值、阈值矩阵如下表1所示，以配置文件的形式存放于光伏发电功率预测装置的flash芯片中。

表1

实施例中，bp神经网络预测模型在训练样本上的预测结果参阅图5，在检验样本上的预测误差参阅图6，可知，该预测模型具有较高的预测精度。

步骤2按以下方法进行处理：

利用光伏发电功率预测装置采集某一环境下pm2.5浓度c0、pm10浓度c1、能见度v、湿度h，作为bp神经网络预测模型的输入，则预测模型的第一个输出为当前环境下440nm波长aodτ440的预测值第二个输出为1020nm波长aodτ1020的预测值

采用线性拟合模型计算可降水量w，即

w＝-0.518+0.177·svp(1)

其中，svp为地面水汽压，可根据空气相对湿度与环境温度求得：

其中，r为空气相对湿度，es0为0℃时的饱和水汽压，es0＝6.1078，经验系数a＝7.5，b＝237.3，t为环境温度；

双波段大气辐射传输模型，其直射辐射强度的计算公式为：

式中，ebn为总直射辐射强度，i＝1、2，ebni为波段i直射辐射强度，e0ni为波段i大气层外直射辐射强度，且有e0n1＝635.4w/m²，e0n2＝709.7w/m²，tai为波段i气溶胶传输衰减系数，计算公式为：

tai＝exp(-maτai)(4)

其中，取且有

ma＝[cosz+0.16851z^0.18198/(95.318-z)^1.9542]^-1(5)

twi为波段i可降水量衰减系数，计算公式为：

tw1＝(1+h1mw)/(1+h2mw)(6)

tri为波段i雷利系数，各波段计算公式为

tr2＝(1-0.010394m'r)/(1-0.00011042m'r²)(9)

实施例中，以上式中参数h1，h2，mw，c1，c2，c3，c4，m'r的取值由太阳天顶角z或者可降水量w进行拟合：

mw＝[cosz+0.10648z^0.11423/(93.781-z)^1.9203]^-1

h1＝w(0.065445+0.00029901w)/(1+1.2728w)

h2＝w(0.065687+0.0013218w))/(1+1.2008w)

c1＝w(19.566-1.6506w+1.0672w²)/(1+5.4248w+1.6005w²)

c2＝w(0.50158-0.14732w+0.047584w²)/(1+1.1811w+1.0699w²)

c3＝w(21.286-0.39232w+1.2692w²)/(1+4.8318w+1.412w²)

c4＝w(0.70992-0.23155w+0.096514w²)/(1+0.44907w+0.75425w²)

m'r＝[cosz+0.48353z^0.095846/(96.741-z)^1.754]^-1

双波段大气辐射传输模型，其散射辐射强度的计算公式为：

式中，ed为总散射辐射强度，i＝1、2，edi为波段i散射辐射强度，eddi为波段i反向散射因子，edpi为波段i入射散射辐射因子，ba为气溶胶前向散射因子，bri为波段i雷利衰减的前向散射因子，fi为波段i修正系数，tasi为波段i气溶胶散射系数，ρgi为波段i地表反照率，ρsi为波段i天空反照率，实施例中，ba的取值由太阳天顶角z进行拟合：

ba＝1-exp(-0.6931-1.8326cosz)

tasi＝exp(-maωiτai)

其中，取ω1＝0.92，ω2＝0.84，且有

实施例中，对于波段1，雷利衰减的前向散射因子br1的取值由下式进行计算：

其中mr由太阳天顶角进行拟合：

mr＝[cosz+0.48353z^0.095846/(96.741-z)^1.754]^-1

实施例中，对于波段2，取雷利衰减的前向散射因子br2＝0.5；

实施例中，取f1＝f2＝1.2，ρg1＝ρg2＝0.2，ρs1＝ρs2＝0.1。

对于朝向赤道，与水平地面呈β倾角布置的光伏电池板，考虑其面板法线方向与太阳直射辐射方向的夹角，并假定散射辐射呈各向同性，则其接收的总辐射强度为：

其中，θh为太阳时角。

步骤3按以下方法进行处理：

光电转换模型为：

ps＝ηpvsex[1-0.005(t0+25)](12)

式中：ps为光伏电池板输出功率，ηpv为光伏电池板转换效率，s为光伏电池板的面积，t0为光伏电池板工作温度，由太阳辐射强度ex与气温t进行估算：

t0＝t+kex(13)

其中，气温t由光伏发电功率预测装置中温度传感器进行采集，k为温度系数，实施例中取典型值0.03。

对于上述功率预测方法，通过将步骤2及步骤3写入光伏发电功率预测装置中的单片机，并且由fpga芯片完成bp神经网络预测模型的计算，即可实现光伏发电功率的预测。

为了验证本发明所提功率预测方法的功效，利用保定市华北电力大学一校区自动化楼楼顶平台布置的1.2kw多晶硅光伏发电系统对开展功率预测实验。该系统的光伏电池板朝向赤道方向布置，与地面倾角呈35°。选取晴朗无云的2016年12月14日(空气质量为优)、12月16日(空气质量为重度污染)，对每日9时至15时各整点时刻的光伏发电功率进行滚动预测，并与实测功率数据进行对比，参阅图7。计算14日与16日的光伏发电功率预测的平均相对误差，为12.8％，说明所提光伏发电功率预测方法具有较高的精度。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下。由语句“包括一个......限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素”。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。