光伏电池组件温度的分步预测方法
【技术领域】
[0001] 本发明涉及光伏发电技术领域，具体涉及一种光伏电池组件温度的分步预测方 法，更具体地涉及一种基于BP神经网络算法的光伏电池组件温度的分步预测方法。
【背景技术】
[0002] 光伏发电功率受到诸多因素的影响，例如太阳辐照度、环境温度、气压、相对湿度、 风速、风向等气象影响因子以及安装位置、安装角度、综合效率、组件类型等影响因子。上述 影响因子在光伏电站建成时已经确定，功率的变化主要是随着不断变化的气象影响因子而 变化。其中，根据光伏电池的伏安特性曲线，当光伏电池的工作温度升高时会引起短路电流 的升高和开路电压的降低：组件温度每升高1°C，开路电压降低2~2. 6mV，短路电流略有 升高，综合来看，光伏电池组件温度每升高1°C，输出功率损失0. 35 %~0. 45 %。可见，光 伏电池组件温度是影响光伏发电功率的重要因素之一。但是在目前的研究中，光伏电池组 件温度却常被等效为环境温度来进行计算和预测，这制约了光伏发电功率预测结果的准确 性。为得到更加准确的光伏发电功率预测结果，需要更加准确的对光伏发电组件温度的预 测方法。
【发明内容】
[0003] 有鉴于此，本发明提出一种光伏电池组件温度的分步预测方法，以更加准确地预 测光伏电池组件温度。
[0004] 本发明的光伏电池组件温度的分步预测方法包括：
[0005] S100、获取预测日的预测天气类型；
[0006] S200、根据所述预测天气类型选取对应的多个气象影响因子预测模型，每个所述 气象影响因子预测模型对应于预测天气类型下的一种气象影响因子；
[0007] S300、将至少两种历史气象影响因子数据分别输入到预测天气类型对应的气象影 响因子预测模型中，分别对预测日的至少两种气象影响因子进行预测，获取预测日的至少 两种气象影响因子的预测值，与光伏电池组件温度的历史数据一同组成光伏电池组件温度 预测模型的输入序列。其中，所述历史气象影响因子数据为满足预定条件的预测天气类型 下最近至少一天内每隔预定时间间隔获取的气象影响因子数据；所述光伏电池组件温度预 测模型的输入序列为在预测日预定时间的所述至少两种气象影响因子的预测值以及组件 温度自身历史数据组成的序列；
[0008] S400、根据所述预测天气类型选取对应的组件温度预测模型；
[0009] S500、以所述至少两种气象影响因子的预测值和组件温度历史数据为输入，根据 所述组件温度预测模型预测所述光伏电池组件在预定时间的组件温度预测值。
[0010] 优选地，所述步骤S300包括：
[0011] S310、对每个历史气象影响因子序列进行归一化处理；
[0012] S320、根据归一化的历史气象影响因子序列和对应的气象影响因子预测模型获取 对应类型的气象影响因子的归一化的预测序列。
[0013] 优选地，所述步骤S500包括：
[0014]S510、以所述至少两种气象影响因子在预定时间的归一化预测值以及光伏电池组 件温度的历史数据的归一化值为输入，根据预测天气类型对应的组件温度预测模型获取归 一化的光伏电池组件温度预测值；
[0015]S520、对归一化的光伏电池组件温度预测值进行反归一化处理，获取光伏电池组 件温度预测值。
[0016] 优选地，所述气象影响因子预测模型训练样本以预测天气类型下归一化后气象影 响因子历史数据为样本，基于BP神经网络算法训练获得。
[0017] 优选地，所述光伏组件温度预测模型训练样本以预测天气类型下同一时刻归一化 气象影响因子数据和同一时刻归一化后组件温度历史数据的组合为输入，以此时刻对应归 一化后的组件温度值为输出，基于BP神经网络算法训练获得。
[0018] 优选地，所述气象影响因子包括太阳辐照度、环境温度、风速、相对湿度、风向和气 压中的一种或多种。
[0019] 优选地，所述气象影响因子历史数据为满足预定条件的预测天气类型下的最近至 少一天内每隔预定时间间隔获取的气象影响因子数据；所述组件温度历史数据为满足预定 条件的预测天气类型下的最近至少一天内每隔预定时间间隔的组件温度数据。
[0020] 通过在不同天气类型下对不同的类型的气象影响因子建立气象影响因子预测模 型，可以基于相同天气类型的历史气象影响因子记录对未来的预测日的气象影响因子进行 预测，同时，在不同天气类型下对多种类型的气象影响因子和光伏电池组件温度的自身历 史数据对光伏电池组件的温度的影响建模获取温度预测模型，由此，可以基于预测获得的 气象影响因子和光伏电池组件温度的历史数据对于光伏电池组件温度进行预测。由此，可 以相对准确地预测光伏电池组件温度，可为光伏发电功率预测技术应用奠定基础。
【附图说明】
[0021] 通过以下参照附图对本发明实施例的描述，本发明的上述以及其它目的、特征和 优点将更为清楚，在附图中：
[0022] 图1是本发明实施例的光伏电池组件温度的分步预测方法的流程图；
[0023] 图2是本发明实施例的针对某一天气类型下的光伏电池组件温度的分步预测方 法的数据流图。
【具体实施方式】
[0024] 以下基于实施例对本发明进行描述，但是本发明并不仅仅限于这些实施例。在下 文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有 这些细节部分的描述也可以完全理解本发明。为了避免混淆本发明的实质，公知的方法、过 程、流程、元件和电路并没有详细叙述。
[0025] 此外，本领域普通技术人员应当理解，在此提供的附图都是为了说明的目的，并且 附图不一定是按比例绘制的。
[0026] 除非上下文明确要求，否则整个说明书和权利要求书中的"包括"、"包含"等类似 词语应当解释为包含的含义而不是排他或穷举的含义；也就是说，是"包括但不限于"的含 义。
[0027] 在本发明的描述中，需要理解的是，术语"第一"、"第二"等仅用于描述目的，而不 能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，"多个"的含义 是两个或两个以上。
[0028] 光伏电池组件温度的预测方法可分为直接预测法和分步预测法。直接预测是利用 历史数据通过预测模型直接对组件温度进行预测。优点是简单直观，缺点是建模难度较大， 在预测日天气状态与历史数据所对应的状态不同时预测精度无法保证。分步预测方法首先 对预测日的光伏电池组件温度气象影响因子进行预测；其次根据光伏电池组件温度与其气 象影响因子和光伏电池组件温度自身的历史数据之间的映射模型得到组件温度的预测值。 分步预测法反映了光伏电池组件温度的物理意义，能够在一定程度上降低对预测模型的难 度要求。
[0029] 图1是本发明实施例的光伏电池组件温度的分步预测方法的流程图。
[0030] 如图1所示，所述分步预测方法包括：
[0031] 步骤S100、获取预测日的预测天气类型。
[0032] -般不同天气类型下，各气象影响因子的变化规律不同，对于组件温度的影响程 度也有所不同。具体地，在本实施例中，天气类型可被归纳为晴、多云、小雨和大雨四种天气 类型，分别表示为A、B、C、D。在每一种天气类型下，分别建立的光伏组件温度气象影响因子 的预测子模型和光伏电池组件温度与其气象影响因子和光伏电池组件温度自身历史数据 的映射模型，也即，光伏电池组件温度预测模型。
[0033] 应理解，可以根据需要将天气划分为更多或更少类型。
[0034] 在本步骤，可以通过互联网从气象数据库获取预测天气类型，也可以通过天气预 测算法计算获取预测天气类型。
[0035] S200、根据所述预测天气类型选取对应的多个气象影响因子预测模型，每个所述 气象影响因子预测模型对应于预测天气类型下的一种气象影响因子。
[0036] 每种天气类型下，每种气象影响因子都具有其对应的预测模型。具体地，在本发明 中气象影响因子可以包括太阳辐照度、环境温度、风速、相对湿度、风向和气压中的一种或 多种。
[0037] 在本实施例中，选取太阳辐照度、环境温度和风速三种类型的气象影响因子和光 伏电池组件温度四个因子作为光伏电池组件温度预测的输入。
[0038] 具体地，本实施例的气象影响因子预测模型以具有对应的天气类