一种光伏阵列辐照度传感器的布置方法与流程

本发明涉及光伏发电系统中光伏阵列上辐照度传感器的布置方法，属于光伏发电系统运行条件检测领域。

背景技术：

为了解决日益严峻的能源危机和环境问题，并随着传统能源的枯竭与大众环保意识的提高，无污染、分布广且易获取的太阳能日益受到重视。太阳能光伏发电是对太阳能有效利用的主要形式，并成为了继风力发电之后主要的新能源发电方式。近年来光伏组件价格的降低以及政府补贴政策的出台，光伏发电装机容量飞速增长，其中包括大容量的荒漠光伏电站、分散式的中小容量建筑光伏系统。

光伏阵列通常由大量光伏电池以一定的串并联结构组成，以此获取所需的光伏输出电压和功率。为防止出现热斑现象与支路电能倒送现象，光伏阵列还装设有旁路二极管与防逆二极管。采用集中输出控制的光伏阵列受均匀光照时，光伏阵列的输出功率-电压(p-u)特性曲线呈单峰状，传统最大功率点跟踪(mppt)方法可以很容易跟踪到最大功率点(mpp)；但当阵列受局部遮阴时，局部阴影不仅会削弱光伏阵列潜在的最大功率输出能力，二极管的存在还会导致光伏阵列输出特性复杂化、多峰化，给mppt控制、重构优化、发电功率预测等带来很大困难。

针对上述技术的不足，本发明提出了一种在光伏阵列上布置辐照度传感器的方法，实现了对光伏阵列上辐照度的测量。而在不同的局部阴影条件下，光伏阵列所接收到的太阳光辐照度可能存在差异，理论上可以通过密集布置辐照度传感器的方法，实现对光伏阵列中各个位置辐照度的测量。但大量的传感器意味着建设成本高和系统复杂化，无法实现广泛应用。若对局部阴影形状准确度测量要求越高，传感器的数量将成倍增加。因此，在光伏阵列辐射度传感器布置技术的研究对光伏发电系统的稳定运行具有重要意义。

技术实现要素：

本发明要克服现有技术的上述缺点，提供一种光伏阵列辐照度传感器的布置方法。局部阴影条件下，本发明通过计算不同辐照度传感器布置情况下检测失败时的平均误差系数，确定传感器的布置个数，利用高效的智能优化算法对建立的传感器优化模型进行求解，实现光伏阵列辐照度传感器最优布置，为解决了现有技术的缺点提供了新思路。

为实现上述目标，本发明的技术方案是：一种光伏阵列辐照度传感器的布置方法，包括光伏阵列辐照度传感器布置技术具体步骤、辐照度传感器布置数量j的确定方案、智能优化算法求解步骤、优化结果处理方式；

所述光伏阵列辐照度传感器布置方法，具体步骤如下：

步骤1：确定辐照度传感器安装的数量j；

步骤2：按照步骤1所确定的辐照度传感器的数量，以各传感器两两之间的距离之和最大，建立包含目标函数和约束条件的优化模型如下：

目标函数：

约束条件：

式中，mk，mi和nk，ni分别表示第k，i个传感器的横坐标和纵坐标，r和l分别表示传感器实际可布置点所形成的新阵列的行数和列数，z表示整数；

步骤3：运用优化算法求解步骤2中建立的优化模型，获取所有辐照度传感器布置位置的坐标值；

步骤4：建立筛选函数，重复步骤3的优化算法运行t次后，筛选出满足各传感器两两之间的最短距离最大的最优解；

步骤5：绘制光伏阵列辐照度传感器最优布置图。

步骤1所述辐照度传感器布置数量j的确定方法，具体包括：

步骤1.1：由n块光伏组件构成的光伏阵列，布置辐照度传感器数量记为j，j＝2,3,...,n；定义光伏组件在标准测试条件(stc)下，每块光伏组件最大功率点(mpp)处的电压和电流分别为umpp和impp，无遮阴光伏组件表面辐照度为αw/m²，受遮阴光伏组件表面辐照度为βw/m²；

步骤1.2：通过排列组合，构造i(i＝1，2，...，n)块光伏组件受遮阴时光伏阵列所有可能的阴影分布，记阴影分布类型数为yi，所有阴影分布类型总数y；

步骤1.3：当辐照度传感器的数量为j，辐照度检测失败时的误差功率记为pe，当传感器全部处于遮阴区域时的误差功率记为pj_shade，当传感器全部处于光照区域时的误差功率为pj_light，此时的平均误差系数记为ζj，计算公式如下：

步骤1.4：根据步骤1.3中计算的平均误差系数ζj，绘制平均误差系数曲线ζ-j；

步骤1.5：根据步骤1.4绘制的平均误差系数曲线，确定辐照度传感器的最优数量j；

步骤3所述的运用优化算法求解步骤2中建立的优化模型，其中优化算法可以采用粒子群优化算法，其实现步骤如下：

步骤3.1：设置粒子群的种群大小m、最大迭代次数，初始化各粒子的速度和位置，其中粒子的位置代表了辐照度传感器所在位置；

步骤3.2：将步骤2中所建立的优化模型中的目标函数作为粒子群优化算法的适应度函数，计算各粒子的适应度值；

步骤3.3：根据步骤3.2计算的适应度值，筛选并记录当前粒子群所对应的个体最优值pi和全局最优值pg；

步骤3.4：对每个粒子，根据步骤3.3所记录的个体最优值pi和全局最优值pg，更新各粒子的速度vi和位置xi，更新公式如下：

vi＝wvi+c1r1(pi-xi)+c2r2(pg-xi)

xi＝xi+vi(4)

式中，i＝1，2，...，m，m为种群大小，c1和c2为学习因子，w为惯性常数，r1和r2为[0，1]范围内的均匀随机数，vi是粒子i的速度，xi为粒子i的位置；

步骤3.5：判断算法进程是否达到最大迭代次数，若是，则输出优化结果；否则返回步骤3.2；

步骤4所述的建立筛选函数，其实现步骤如下：

步骤4.1：第t次执行权利要求1步骤3中的优化算法后，计算各辐照度传感器两两之间距离的最小值dt，并将dt存入中间矩阵d中，其实现公式如下：

其中，t为重复运行优化算法的总次数；

步骤4.2：取中间矩阵d的最大值，其实现公式如下：

其中，ds表示第s次运行优化算法后各辐照度传感器两两之间距离的最小值，也就是说，ds为中间矩阵d中的最大值；

步骤4.3：选取第s次执行优化算法后保存的优化结果输出。

本发明的优点是：避免了测量各组件或各支路的电流与电压，只需通过在光伏阵列上布置少量的辐照度传感器，不仅有助于光伏发电系统最大输出功率的跟踪与发电量预测，而且可以为光伏阵列重构优化提供必要的全局信息，对光伏发电系统的稳定运行具有重要意义。

附图说明

图1a是本发明的光伏阵列示意图，图1b是本发明的光伏阵列辐照度传感器布置位置示意图，其中·表示实际可布置辐照度传感器的位置；

图2是本发明的实施例中3×3光伏阵列平均误差系数曲线；

图3是本发明的实施例中3×3光伏阵列辐照度传感器最优分布图，图3a为当j＝3时3×3光伏阵列辐照度传感器最优分布图，图3b为当j＝4时3×3光伏阵列辐照度传感器最优分布图，图3c为当j＝5时3×3光伏阵列辐照度传感器最优分布图，图3d为当j＝6时3×3光伏阵列辐照度传感器最优分布图，图3e为当j＝7时3×3光伏阵列辐照度传感器最优分布图，图3f为当j＝8时3×3光伏阵列辐照度传感器最优分布图，其中·表示实际可布置辐照度传感器的位置，表示辐照度传感器。

图4是本发明方法的流程图。

具体实施方式

下面结合实施例，对本发明作进一步的详细解释与说明。应当注意的是，本发明的实施方式不限于此。本实施例中采用3×3规模的光伏阵列，对辐照度传感器布置位置进行优化，最后绘制出3×3光伏阵列辐照度传感器最优布置图。

本发明的技术方案是：一种在光伏阵列上辐照度传感器的布置方法，具体包括：

步骤1：确定辐照度传感器布置数量j；

步骤1.1：对3×3规格的光伏组件，由9块光伏组件构成，布置辐照度传感器数量记为j，j＝2,3,...,n；定义光伏组件在标准测试条件(stc)下，最大功率点(mpp)处的功率pmpp＝10w，无遮阴光伏组件表面辐照度为900w/m²，受遮阴光伏组件表面辐照度为300w/m²，即α＝900，β＝300；

步骤1.2：当1块光伏组件受遮阴时，通过排列组合后，可得受遮阴时光伏阵列所有可能的阴影分布类型，即当2块光伏组件受遮阴时，当3块光伏组件受遮阴时，当4块光伏组件受遮阴时，当5块光伏组件受遮阴时，当6块光伏组件受遮阴时，当7块光伏组件受遮阴时，当8块光伏组件受遮阴时，当9块光伏组件受遮阴时，则所有阴影分布类型总数y＝511；

步骤1.3：当辐照度传感器的数量为j(j＝2，3，...，n)时，辐照度检测失败时的误差功率pe＝6w，当传感器全部处于遮阴区域时的误差功率记为pj_shade，当传感器全部处于光照区域时的误差功率为pj_light，通过计算可得：p2_shade＝448w，p3_shade＝192w，p4_shade＝80w，p5_shade＝32w，p6_shade＝12w，p7_shade＝4w，p8_shade＝1w，p9_shade＝0；p2_light＝448w，p3_light＝192w，p4_light＝80w，p5_light＝32w，p6_light＝12w，p7_light＝4w，p8_light＝1w，p9_light＝0；此时的平均误差系数记为ζj，通过计算可得：ζ2＝(p2_shade+p2_light)/y＝10.52w，ζ3＝4.51w，ζ4＝1.88w，ζ5＝0.75w，ζ6＝0.28，ζ7＝0.09，ζ8＝0.02，ζ9＝0，

步骤1.4：根据步骤1.3中计算的平均误差系数ζj，绘制平均误差系数曲线ζ-j；

步骤1.5：根据步骤1.4绘制的平均误差系数曲线，确定辐照度传感器的最优数量为3。

步骤2：按照步骤1所确定的辐照度传感器的数量为3个，以各传感器两两之间的距离之和最大，建立包含目标函数和约束条件的优化模型如下：

目标函数：

约束条件：

式中，mk，mi和nk，ni分别表示第k，i个传感器的横坐标和纵坐标，z表示整数；

步骤3：运用粒子群优化算法求解步骤2中建立的优化模型，获取所有辐照度传感器布置位置的坐标值；

步骤3.1：设置粒子群的种群大小m为50、最大迭代次数为100，初始化各粒子群中粒子的速度和位置，其中粒子的位置代表了辐照度传感器所在位置；

步骤3.2：将步骤2中所建立的优化模型中的目标函数作为粒子群优化算法的适应度函数，计算各粒子的适应度值；

步骤3.3：对每个粒子，根据步骤3.3所记录的个体最优值pi和全局最优值pg，更新各粒子的速度vi和位置xi，更新公式如下：

vi＝wvi+c1r1(pi-xi)+c2r2(pg-xi)

xi＝xi+vi(4)

式中，i＝1，2，...，m，m为种群大小，c1和c2为学习因子，w为惯性常数，r1和r2为[0，1]范围内的均匀随机数，vi是粒子i的速度，xi为粒子i的位置；

步骤3.4：判断算法进程是否达到最大迭代次数，若是，则输出优化结果；否则返回步骤3.2；

步骤4：建立筛选函数，筛选出满足各传感器两两之间的最短距离最大的最优解；

步骤4.1：第t次执行步骤3中的优化算法后，计算各辐照度传感器两两之间距离的最小值dt，并将dt存入中间矩阵d中，其实现公式及结果如下：

步骤4.2：取中间矩阵d的最大值，其实现公式如下：

步骤4.3：选取第2次执行优化算法后保存的优化结果输出。

步骤5：绘制出辐照度传感器布置数量j＝3时，3×3光伏阵列辐照度传感器最优布置图。

若不采用步骤1中辐照度传感器数量确定方法，即当j＝4,5,...,8时，对于各辐照度传感器的布置位置依然运用粒子群优化算法对辐照度传感器位置优化模型进行求解，筛选出满足各传感器两两之间的最短距离最大的最优解，最后绘制光伏阵列辐照度传感器最优布置图。本实施例中给出当j＝4，j＝5，j＝6，j＝7，j＝8时辐照度传感器的布置图，分别如图3b，图3c，图3d，图3e，图3f所示。