一种基于bp神经网络的光伏系统发电效率综合评估方法
【专利摘要】本发明公开了一种基于BP神经网络的光伏系统发电效率综合评估方法，使用BP神经网络实现对各评估指标的权重赋值，能够在训练过程中逐渐消弭人为因素对赋权的影响，实现权值修正，实现了对光伏发电系统的分级以及整体效率评估，能够有效判断光伏系统及其关键设备所处的运行效率水平，揭示影响光伏系统及其关键设备效率水平的关键因素，探索发电效率改进策略，促进光伏系统及其关键设备发电效率的提升。该方法能够为任一光伏电站提供可靠精准的多项量效率分析和综合评估分析结果，为光伏电站运维决策提供理论依据，为光伏电站设计优化提供数据支撑，进而提升光伏电站发电效率，提高发电量，增加经济效益，具有较强的应用价值。
【专利说明】一种基于BP神经网络的光伏系统发电效率综合评估方法
【技术领域】
[0001] 本发明光伏系统发电效率整体评估【技术领域】，具体涉及一种基于BP神经网络的 光伏系统发电效率综合评估方法。
【背景技术】
[0002] 我国太阳能资源非常丰富，其开发利用的潜力非常广阔，近几年我国光伏产业发 展迅猛，大型光伏电站实现了跨越式的发展，全国各地出现很多兆瓦级以上电站，2011年国 内光伏发电新增装机容量已超过2GW，随着光伏电站的补贴模式从电站建设补贴过渡到发 电度电补贴，越来越多的投资业主开始关注光伏电站的运营管理，对于大批进入运营阶段 的光伏电站，需要考虑如何保证电站在其设计的全寿命周期内最大限度发挥功效，并为业 主带来直接收益的问题，而最大限度发挥功效，即是实现光伏系统发电效率最大、发电量最 大。因此，电站运行状况检测、电站运行性能分析和系统发电效率评估将成为运营阶段的重 点研究工作。
[0003] 光伏电站系统效率是表征光伏电站运行性能的最终指标，在电站容量和光辐照量 一致的情况下，系统效率越高代表发电量越大，因此，分析影响光伏系统发电效率的关键因 素，针对系统发电效率进行综合评估，进而提升系统发电效率是光伏电站设计及运维管理 的重点，本发明重点就光伏电站发电效率综合评估进行分析研究。
[0004] 目前，国内外针对光伏系统发电效率评估的研究尚处于起步阶段，评估指标体系 尚不完善，我国已有的效率评估指标体系多是从某一特定角度进行评估，指标设计分类不 够，缺乏相对完整的客观评估依据，且在针对光伏电站累积的海量数据进行统计分析过程 中，易筛掉部分有用信息。
【发明内容】
[0005] 本发明的目的是提供一种基于BP神经网络的光伏系统发电效率综合评估方法， 以解决现有光伏系统发电效率评估结果存在评估指标体系不完善、评估结果误差较大、不 能有效指导电站运维与设计的问题。
[0006] 为了实现以上目的，本发明所采用的技术方案是：一种基于BP神经网络的光伏系 统发电效率综合评估方法，包括如下步骤：
[0007] (1)选取评估指标集：利用评估指标间的显著性检验将直接或间接关乎光伏系统 发电效率的影响因素分成n类，然后对每一类选取若干相关指标，形成指标集，并根据光伏 系统发电效率评估指标集建立评估指标体系；
[0008] (2)构建评估标准集：对应评估指标集设定每一项评估指标的理想取值范围；
[0009] (3)利用BP神经网络算法对各评估指标权值进行调整：将影响待评估对象效率的 指标作为BP神经网络输入层神经元建立神经网络模型，并进行神经网络训练，在学习过程 中对权值不断调整更新；
[0010] (4)采集一组对应于待评估对象的评估指标的实测值输入已训练好的BP神经网 络评估模型中，BP神经网络的输出值即为待评估对象的实际效率值，将该效率值与评估标 准集中对应的设定值比较，分析得出效率评估结论。
[0011] 所述步骤（1)中每一类指标中既有定量指标，又有定性指标，将各指标通过非参 数检验方法进行优化，并以抽样方法将定性指标转换为可定量的指标，形成指标集。
[0012] 所述BP神经网络模型为三层结构，包括输入层、隐含层和输出层，输入层包括评 估标准集中各待评估对象对应的评估指标，输出层为各待评估对象的效率。
[0013] 对BP神经网络进行训练时，首先搜集若干组待评估对象评估指标的实测值{XJ 作为样本，并根据评估标准集确定对应的期望输出；然后对{XJ进行标准化处理，消除量纲 后得到IxJ ;之后将IxJ作为学习样本输入到BP神经网络模型中对BP神经网络进行训练。
[0014] 将光伏系统发电效率评估指标体系中的各评估指标按照增长型X1、降落型X 2、中 心型X3三种指标类型进行划分，当指标的实测值为Xi时，其相应的无量纲化属性值Xi为：
[0015] 增长型指标，对于任意的Xi G X1,
【权利要求】
1. 一种基于BP神经网络的光伏系统发电效率综合评估方法，其特征在于，包括如下步 骤： (1) 选取评估指标集：利用评估指标间的显著性检验将直接或间接关乎光伏系统发电 效率的影响因素分成n类，然后对每一类选取若干相关指标，形成指标集，并根据光伏系统 发电效率评估指标集建立评估指标体系； (2) 构建评估标准集：对应评估指标集设定每一项评估指标的理想取值范围； (3) 利用BP神经网络算法对各评估指标权值进行调整：将影响待评估对象效率的指标 作为BP神经网络输入层神经元建立神经网络模型，并进行神经网络训练，在学习过程中对 权值不断调整更新； (4) 采集一组对应于待评估对象的评估指标的实测值输入已训练好的BP神经网络评 估模型中，BP神经网络的输出值即为待评估对象的实际效率值，将该效率值与评估标准集 中对应的设定值比较，分析得出效率评估结论。
2. 根据权利要求1所述的基于BP神经网络的光伏系统发电效率综合评估方法，其特征 在于：所述步骤（1)中每一类指标中既有定量指标，又有定性指标，将各指标通过非参数检 验方法进行优化，并以抽样方法将定性指标转换为可定量的指标，形成指标集。
3. 根据权利要求1所述的基于BP神经网络的光伏系统发电效率综合评估方法，其特征 在于：所述BP神经网络模型为三层结构，包括输入层、隐含层和输出层，输入层包括评估标 准集中各待评估对象对应的评估指标，输出层为各待评估对象的效率。
4. 根据权利要求3所述的基于BP神经网络的光伏系统发电效率综合评估方法，其特征 在于：对BP神经网络进行训练时，首先搜集若干组待评估对象评估指标的实测值{XJ作为 样本，并根据评估标准集确定对应的期望输出；然后对{XJ进行标准化处理，消除量纲后得 到{Xi};之后将{Xi}作为学习样本输入到BP神经网络模型中对BP神经网络进行训练。
5. 根据权利要求4所述的基于BP神经网络的光伏系统发电效率综合评估方法，其特征 在于：将光伏系统发电效率评估指标体系中的各评估指标按照增长型&、降落型X2、中心型 X3三种指标类型进行划分，当指标的实测值为\时，其相应的无量纲化属性值Xi为： 增长型指标，对于任意的\G&，
降落型指标，对于任意的\GX2，
中心型指标，对于任意的\GX3，
其中，X_、Xmin分别为各指标在各自论域上确定的最大值和最小值。
6. 根据权利要求4所述的基于BP神经网络的光伏系统发电效率综合评估方法，其特征 在于：所述BP神经网络的隐含层激活函数选择双曲正切S型传递函数tansig;输出层激活 函数选择对数S型传递函数logsig;训练函数选择梯度下降函数traingd，则BP网络输入 net与输出y的关系如下：
其中，Xl、x2……xn为各层间评估指标的实测无量纲化属性值，Wl、w2……wn为各层间初 始连接权值。
7. 根据权利要求6所述的基于BP神经网络的光伏系统发电效率综合评估方法，其特征 在于：在BP神经网络的训练过程中，当实际输出与期望输出不符时，进入误差的反向传播 阶段，误差通过输出层，按误差梯度下降的方式修正各层权值，并向隐含层、输入层逐层反 传，直至误差达到预设精度或学习次数大于设定的最大次数时结束训练过程。
8. 根据权利要求3所述的基于BP神经网络的光伏系统发电效率综合评估方法，其特征 在于：若待评估对象为光伏系统，则输入层神经元包括环境因素、光伏阵列、交/直流线缆、 光伏并网逆变器、变压器和光伏系统自身损耗31个输入变量，所述环境因素包括环境温 度、太阳辐照度、风速、风向、降雨量；光伏阵列包括阵列之间的阴影遮挡、组件表面污渍和 灰尘遮挡、组件温度、组件热斑、组件相对透射率、组件功率衰减、组件隐裂、组件分段串并 联失配、光伏组串最大功率跟踪点偏离；交/直流线缆包括线缆长度、线径、电阻率、阻抗、 感抗；光伏并网逆变器包括功率因数、MPPT精度、逆变器转换效率、内部IGBT损耗、低功率 运行时间和输入功率；变压器包括铁损空载损耗、短路损耗、负载值和输入功率；光伏系统 自身损耗包括设备故障率和电网检修率；隐含层神经元数目为16,输出层神经元数目为1。
9. 根据权利要求8所述的基于BP神经网络的光伏系统发电效率综合评估方法，其特征 在于：若待评估对象为光伏阵列、交/直流线缆、光伏并网逆变器、变压器的任一单一设备， 则其输入层神经元为其包括的各输入变量。
【文档编号】G06N3/02GK104408562SQ201410689756
【公开日】2015年3月11日 申请日期:2014年11月25日 优先权日:2014年11月25日
【发明者】王景丹, 龚晓伟, 雷振峰, 孔波, 刘桂莲, 董永超, 王贤立, 牛高远, 王以笑, 王国军, 霍富强, 邓健慎, 周培东, 赵萌萌, 张鹏飞 申请人:许继集团有限公司, 国家电网公司