一种光伏组件温度预测方法及装置的制造方法
【技术领域】
[0001] 本发明涉及光伏发配电技术领域，特别是涉及一种光伏组件温度预测方法及装 置。
【背景技术】
[0002] 光伏发电与水电、火电等常规电源相比，其间歇性、波动性、周期性的特点，给电网 造成较大的影响。对光伏发电功率进行较为准确的预测，将使电力调度部门能够提前了解 光伏电站出力变化并及时调整调度计划，从而减少系统的备用容量、降低电力系统运行成 本。这是减轻光伏发电对电网造成的不利影响、提高系统中光伏发电装机比例、提高电力系 统运行安全性与经济性的有效手段。
[0003] 目前，国内外均已积极开展光伏发电功率预测的研究，通过物理方法与统计方法 进行光伏发电功率预测，并取得一定成果。但这些预测方法绝大多数都没有考虑光伏组件 在使用过程中的温升因素，而是直接采用环境温度作为光伏组件的工作温度，大大影响了 光伏发电功率预测的精度。像所有其它半导体器件一样，太阳能电池对温度非常敏感。温度 的升高会降低硅材料的禁带宽度，因此影响了大多数的表征材料性能的参数，进而影响了 组件的电性能参数，会导致组件的开路电压降低，短路电流会略微增加，总体的结果是功率 降低。研究表明，晶体硅太阳能电池组件的结温超过25°C时，每升高1°C，功率将损失1%。 由此可见，组件温度是影响太阳能电池组件转换效率的一个重要因素。
[0004] 因此，为了提高光伏发电功率超短期预测的精度，亟需开展电池组件温度超短期 预测方法的研究。
【发明内容】
[0005] 本发明的目的是提供一种光伏组件温度预测方法及装置，目的在于解决现有技术 中不能对光伏组件温度进行准确预测，从而影响光伏发电功率的预测精度的问题。
[0006] 为解决上述技术问题，本发明提供一种光伏组件温度预测方法，包括：
[0007] 获取预设第一时间段内光伏组件所在地的温度影响参数的监测数据，所述温度影 响参数为影响所述光伏组件的温度的主要因素；
[0008] 将所述监测数据作为RBF神经网络的输入因子，将温度作为所述RBF神经网络的 输出因子，建立光伏组件温度预测模型；
[0009] 获取光伏组件所在地的温度影响参数的实时数据；
[0010] 将所述实时数据输入至所述光伏组件温度预测模型中，获得所述光伏组件的预测 温度。
[0011] 可选地，在所述获取预设第一时间段内光伏组件所在地的温度影响参数的监测数 据之前还包括：
[0012] 记录预设第二时间段内所述光伏组件所在地的多种气象要素的历史数据以及每 一记录时间相对应的所述光伏组件的温度数据；
[0013] 对所述历史数据以及所述温度数据进行统计，分析各所述气象要素与组件温度的 相关性，确定所述温度影响参数。
[0014] 可选地，所述分析各所述气象要素与组件温度的相关性包括：
[0015] 通过公式
分析各所述气象要素与组件温度的相关 性，其中，:r为相关系数，Xp 别为变量X、y的第i个数据点；X、y分别为变量X、y的均 值;η为数据点个数。
[0016] 可选地，所述温度影响参数包括：总辐射参数、气温参数、相对湿度参数、气压参数 以及风速参数。
[0017] 可选地，所述将所述监测数据作为RBF神经网络的输入因子，将所述温度作为所 述RBF神经网络的输出因子，建立光伏组件温度预测模型包括：
[0018] 将t时刻总辐射R(t)、气温T(t)、相对湿度H(t)、气压P(t)、风速W(t)作为所述 RBF神经网络的输入因子，t时刻组件温度M(t)为输出因子，建立RBF神经网络预测模型；
[0019] 所述RBF神经网络中隐含层有一层，包含N个神经元，第j个隐单元的激励函数选 高斯函数，其输出为
[0021] 其中，X(t)为t时刻一组输入训练样本；G(t)为t时刻高斯函数的中心；〇为高 斯函数方差；wi (t) (i = 0, 1，…，Ν)为t时刻隐含层与输出层的权值。
[0022] 可选地，在获得所述光伏组件的预测温度之后还包括：
[0023] 采用卡尔曼滤波，利用实测组件的温度数据对所述预测温度进行实时校正。
[0024] 可选地，预测温度的时效范围为0-4小时，预测点时间分辨率为15分钟。
[0025] 本发明还提供了一种光伏组件温度预测装置，包括：
[0026] 第一获取模块，用于获取预设第一时间段内光伏组件所在地的温度影响参数的监 测数据，所述温度影响参数为影响所述光伏组件的温度的主要因素；
[0027] 建立模块，用于将所述监测数据作为RBF神经网络的输入因子，将所述温度作为 所述RBF神经网络的输出因子，建立光伏组件温度预测模型；
[0028] 第二获取模块，用于获取光伏组件所在地的温度影响参数的实时数据；
[0029] 预测模块，用于将所述实时数据输入至所述光伏组件温度预测模型中，获得所述 光伏组件的预测温度。
[0030] 可选地，还包括：
[0031] 校正模块，用于在获得所述光伏组件的预测温度之后，采用卡尔曼滤波，利用实测 组件的温度数据对所述预测温度进行实时校正。
[0032] 本发明所提供的光伏组件温度预测方法及装置，通过获取预设第一时间段内光伏 组件所在地的温度影响参数的监测数据，将上述监测数据作为RBF神经网络的输入因子， 将温度作为输出因子，建立光伏组件温度预测模型；将获取到的温度影响参数的实时数据 输入值预测模型，从而获得预测温度。可见，本发明基于RBF神经网络，充分考虑了影响光 伏组件温度的主要因素，分析和筛选出模型的输入输出因子，建立了自适应性强的智能化 预测模型，显著提高了组件温度的超短期预测精度，从而有助于光伏发电功率超短期预测 精度的提升。
【附图说明】
[0033] 图1为本发明所提供的光伏组件温度预测方法的一种【具体实施方式】的流程图；
[0034] 图2为本发明所提供的光伏组件温度预测方法的另一种【具体实施方式】的流程图；
[0035] 图3为本发明所提供的光伏组件温度预测方法的另一种【具体实施方式】中RBF神经 网络预测模型的示意图；
[0036] 图4为本发明所提供的光伏组件温度预测装置的一种【具体实施方式】的结构框图。
【具体实施方式】
[0037] 目前，组件温度的预测研究很少见，且都是通过数据处理的形式去获得组件温度 的方法，预测模型过于简单，预测精度不高。由于RBF神经网络具有自学习、自适应等特点， 学习速度快，计算量少，实时性强，对于非线性模型具有很好的函数逼近能力，在多因子超 短期预测中可以取得较为理想的应用效果。鉴于此，本发明的核心是提供一种基于RBF神 经网络的光伏组件温度预测方法及装置，充分考虑影响光伏电池组件温度的主要因素，分 析和筛选模型的输入输出因子，建立自适应性强的智能化预测模型，显著提高了组件温度 的超短期预测精度，从而有助于光伏发电功率超短期预测精度的提升。
[0038] 为了使本技术领域的人员更好地理解本发明方案，下面结合附图和【具体实施方式】 对本发明作进一步的详细说明。显然，所描述的实施例仅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。
[0039] 本发明所提供的光伏组件温度预测方法的一种【具体实施方式】的流程图如图1所 示，该方法包括：
[0040] 步骤SlOl :获取预设第一时间段内光伏组件所在地的温度影响参数的监测数据， 所述温度影响参数为影响所述光伏组件的温度的主要因素；
[0041] 步骤S102 :将所述监测数据作为RBF神经网络的输入因子，将温度作为所述RBF 神经网络的输出因子，建立光伏组件温度预测模型；
[0042] 步骤S103 :获取光伏组件所在地的温度影响参数的实时数据；
[0043] 步骤S104 :将所述实时数据输入至所述光伏组件温度预测模型中，获得所述光伏 组件的预测温度。
[0044] 本发明所提供的光伏组件温度预测方法，通过获取预设第一时间段内光伏组件所 在地的温度影响参数的监测数据，将上述监测数据作为RBF神经网络的输入因子，将温度 作为输出因子，建立光伏组件温度预测模型；将获取到的温度影响参数的实时数据输入值 预测模型，从而获得预测温度。可见，本发明基于RBF神经网络，充分考虑了影响光伏组件 温度的主要因素，分析和筛选出模型的输入输出因子，建立了自适应性强的智能化预测模 型，显著提高了组件温度的超短期预测精度，从而有助于光伏发电功率超短期预测精度的 提升。
[0045] 在上一实施例的基础上，本发明在对光伏组件所在地的温度影响参数的监测数据 进行获取之前，还可以通过下述方法确定影响光伏组件的温度的主要因素作为温度影响参 数。
[0046] 该过程包括：
[0047] 记录预设第二时间段内所述光伏组件所在地的多种气象要素的历史数据以及每 一记录时间相对应的所述光伏组件的温度数据；
[0048] 对所述历史数据以及温度数据进行统计，分析各所述气象要素与组件温度的相关 性，确定所述温度影响参数。
[0049] 具体地，可以通过获取光伏组件所在地的包括总辐射、风速、气温、气压、相对湿度 等气象要素数据的历史记录及与每一记录时间相对应的光伏组件温度数据，每条记录时间 间隔不大于5分钟；对这些数据进行筛选，统计分析各气象要素与组件温度的相关性，确定 影响光伏电池组件温度的主要气象因素。
[0050] 作为一个具体实施例，根据组件温度影响因子相关性分析，选择总辐射、气温、相 对湿度、气压、风速作为组件温度的"影响源"，即温度影响参数。具体地，本发明所提供的光 伏组件温度预测方法的另一种【具体实施方式】的流程图如图2所示，该方法包括：
[0051] 步骤S201 :收集同一时间段光伏组件所在地的总辐射、风速、气温、相对湿度、气 压、风速、温度组件数据；
[0052] 具体可以通过传感器进行采集，采集的时间间隔不大于5分钟。
[0053] 步骤S202 :对采集到的上述数据进行筛选，分析组件温度与总辐射、气温、相对湿 度、气压、风速等影响因子的相关系数，相关系数r按式1计算。
[0055] 式中Y1分别为变量X、y的第i个数据点；Y、J7