一种光伏电池内阻衰减系数预测方法与流程

本发明属于光伏发电技术领域，特别涉及一种光伏电池内阻衰减系数预测方法。

背景技术：

电力系统中分布式光伏发电设备和配电网组成了一个复杂的系统，光伏电池内阻的大小影响着光伏电池的输出效率，光伏电池内阻大小受多个影响因素影响。现有技术中的光伏电池内阻计算方法存在忽略了投入年限和电池串并联组件数量等重要因素的影响，不能有效利用电网和分布式光伏发电运行数据资源，评估准确度和光伏利用效率不高的技术问题。本发明考虑多重影响因素，对配电网及其内光伏系统运行参数及气象环境参数进行实时监测，并根据监测参数对分布式光伏电池内阻衰减系数进行预测计算，根据计算结果实时地对光伏发电系统及配电网进行控制，能有效提高模型的可靠性，从而极大提高了光伏利用效率。

技术实现要素：

本发明提供一种光伏电池内阻衰减系数预测方法，解决了忽略了投入年限和电池串并联组件数量等重要因素的影响，不能有效利用电网和分布式光伏发电运行数据资源，评估准确度和光伏利用效率不高的技术问题。

本发明通过下述技术方案实现，所述方法包括所述方法包括：步骤1：根据实时监测获得的参数，建立光伏电池内阻衰减系数演化系统的时间序列，建立光伏电池内阻衰减系数方程；步骤2：对所述步骤:1中演化系统的时间序列进行相空间重构处理；步骤3：根据小波网络方法处理电池内阻衰减系数方程；步骤4：对所述步骤2中相空间重构后的时间序列进行光伏电池内阻衰减系数预测计算。

进一步地，为更好的实现本发明,所述实时监测获得的参数为配电网及配电网内光伏系统运行参数及气象环境参数。

进一步地，所述步骤1中演化时间序列是在固定时间间隔下建立的演化时间序列。

进一步地，所述演化时间序列包括所述光伏电站接入点等效阻抗测量值，接入点电压，接入点有功值，环境温度，环境光照强度。

进一步地，步骤1中所述演化系统时间序列在一系列时刻t_s1,t_s2,t_s3,...t_sn为：

所述光伏电池内阻衰减系数方程为：

其中，n为自然数，n＝1,2,...，tr为测量电池投入时间，Tr为外界温度，Sr外界光照，Cr为串联组件数量，Br为并联组件数量。

进一步地，所述步骤2包括以下步骤：

A、建立优化目标模型minf_ar(rx₁,rx₂...rx_i..rx_h5n)，其中i＝1,2,...k_5n；

B、构建所述步骤1中的演化系统的时间序列{rx_i}的m维相空间rx_i+1＝ψ(rx_i,rx_i-τ,...,rx_i-(m-1)τ)，其中，i＝1,2,...k_5n，τ为延时间，m为嵌入维数。

进一步地，所述步骤3包括以下步骤：

A、电池内阻衰减系数小波网络模型输出层的计算；

B、电池内阻衰减系数小波网络模型在线修正。

进一步地，所述步骤3中步骤A包括以下步骤：

设输入信号时间序列为{rcx_i}，其中，由计算隐含层的输出值，依据隐含层输出值计算输出层输出值

其中i＝1,2...k_5n，j＝1,2...l，g_a(x_zi)≥0，g_a(x_zi)为支持向量机目标模型的修正项，φ(j)为小波网络中隐藏层第j个节点的输出，f_j为小波基函数，α_j为f_j的伸缩因子，λ_j为f_j的平移因子，w_ij是输入层和隐含层之间相互联系的大小，l为隐含层节点数，w_j表示隐含层与输出层之间的连接权重。

进一步地，所述步骤3中步骤B包括以下步骤：

根据e_r＝y_r-y_cc事实在线修正电池内阻衰减系数小波网络模型，y_r为预测输出，y_cc为实际测量值。

进一步地，所述步骤4包括以下步骤：

根据步骤3中经过修正的小波神经网络对所述步骤2中相空间重构后的时间序列进行光伏电池内阻衰减系数预测计算，引入目标模型修正条件，目标函数优化为y_a＝min f_ar(rx_i)+g_ar(rx_i)；

其中，i＝1,2...k_5n，g_ar(rx_i)≥0,g_ar(rx_i)为目标模型的约束项，y_a为光伏电池内阻衰减系数。

进一步地，所述方法用于检测光伏发电系统。

附图说明

图1是预测流程图。

具体实施方式

下面结合实施例对本发明作进一步地详细说明，但本实发明的实施方式不限于此。

实施例1：

采用上述一种光伏电池内阻衰减系数预测方法，预测流程如图1，包括如下步骤：

步骤1：

根据实时监测获得的参数、投入时间和电池串并联组件数量以及标准参数，在一系列时刻t_s1,t_s2,t_s3,...t_sn建立光伏电池内阻衰减系数演化系统的时间序列为：

建立光伏电池内阻衰减系数方程：

其中，n为自然数，n＝1,2,...，tr为测量电池投入时间，Tr为外界温度，Sr外界光照，Cr为串联组件数量，Br为并联组件数量。

步骤2：对所述步骤1中演化系统的时间序列进行相空间重构处理：

步骤2.1：建立优化目标模型其中i＝1,2,...k_5n；

步骤2.2：构建所述步骤1中的演化系统的时间序列{rx_i}的m维相空间rx_i+1＝ψ(rx_i,rx_i-τ,...,rx_i-(m-1)τ)，其中，i＝1,2,...k_5n，τ＝0.0152，m＝5。

步骤3：根据小波网络方法处理电池内阻衰减系数方程：

步骤3.1：电池内阻衰减系数小波网络模型输出层的计算：

设输入信号时间序列为{rcx_i}，其中，由计算隐含层的输出值，依据隐含层输出值计算输出层输出值

其中i＝1,2...k_5n，j＝1,2...l，g_a(x_zi)≥0，g_a(x_zi)为支持向量机目标模型的修正项，φ(j)为小波网络中隐藏层第j个节点的输出，f_j为小波基函数，α_j为f_j的伸缩因子，λ_j为f_j的平移因子，w_ij是输入层和隐含层之间相互联系的大小，l为隐含层节点数，w_j表示隐含层与输出层之间的连接权重。

步骤3.2：电池内阻衰减系数小波网络模型在线修正：

根据e_r＝y_r-y_cc事实在线修正电池内阻衰减系数小波网络模型，y_r为预测输出，y_cc为实际测量值，为了保证模型精度，修正值e_r≤0.0001时达到最佳。

步骤4：对所述步骤2中相空间重构后的时间序列进行光伏电池内阻衰减系数预测计算：

根据所述步骤3中经过修正的小波神经网络对所述步骤2中相空间重构后的时间序列进行光伏电池内阻衰减系数预测计算，引入目标模型修正条件，目标函数优化为y_a＝min f_ar(rx_i)+g_ar(rx_i)。

其中，i＝1,2...k_5n，g_ar(rx_i)≥0,g_ar(rx_i)为目标模型的约束项，y_a为光伏电池内阻衰减系数。

所述方法用于检测光伏发电系统。

本发明相对于现有技术能够取得以下有益技术效果：(1)提高模型的可靠性，(2)提高了光伏利用率，(3)提高评估的准确性，(4)提高电网和分布式光伏发电运行数据资源的利用率，(5)提高配电网电力系统在光伏系统接入后的可靠性与经济性。

以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化，均落入本发明的保护范围。