一种光伏发电功率输出减少率测量装置及其估计方法与流程

本发明涉及光伏发电技术领域，具体是一种光伏发电功率输出减少率测量装置及其估计方法。

背景技术

当前，化石能源日益枯竭，环境问题突出，太阳能光伏发电作为一种取之不尽、用之不竭的清洁能源，得到了各国的重视。光伏发电功率预测技术对于保证电力系统的稳定运行具有重要意义，迄今仍面临巨大挑战。

覆盖在光伏电池板表面的积灰对光伏电池板的输出功率具有显著影响。已有研究表明，积灰通过遮挡效应、腐蚀效应，可间接削弱光伏电池板吸收的太阳辐射，从而降低其发电功率。

国内外已有部分学者开展了积灰对光伏电池发电功率影响的相关研究工作，集中于分析光伏电池板的积灰浓度与光伏发电功率输出减少率的关系。方法一根据红土、石灰石和灰烬的模拟实验结果，建立了理论模型，可根据积灰浓度估算光伏电池功率输出减少率；方法二通过在室内模拟自然灰尘，提出了积灰浓度与光伏电池功率输出减少率的线性拟合模型。在实际工程中，测量光伏电池板的积灰浓度需借助于高精度的称量设备，进行连续性测量较为困难，从而影响了上述模型的实用性。

由于光伏电池面板的积灰浓度难以开展实时测量，需寻找更加有效地表征方法，以用于计算光伏发电的功率输出减少率。本发明提出一种积灰条件下的光伏发电功率输出减少率测量装置及估计方法，以更好的进行光伏发电功率的预测。

技术实现要素：

本发明的目的在于提供一种光伏发电功率输出减少率测量装置及其估计方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种光伏发电功率输出减少率测量装置，包括光线产生装置、光度计、光伏电池板、最大功率跟踪电路和最大功率跟踪mcu，所述光线产生装置包括调光器、稳压电源、触发器、高压氖灯、220v电源；所述调光器由220v电源供电，并与所述稳压电源相连接，所述稳压电源由所述220v电源供电，其正极与所述触发器的一端相连，其负极与所述高压氖灯的负极相连，所述触发器的一端与所述稳压电压的正极相连，另一端与高压氖灯的正极相连，所述高压氖灯的正极与所述触发器相连，负极与所述稳压电源相连，所述光度计与所述最大功率跟踪mcu连接，所述最大功率跟踪电路包括电压传感器、电流传感器、电感、电容、功率管、驱动和负载，电压传感器正极与所述光伏电池板的正极、电感相连，负极与光伏电池板的负极、电容、功率管的源极、负载相连，输出0-5v的测量信号到所述最大功率跟踪mcu中；电流传感器正极与电感、电容相接，负极与功率管的漏极、负载相接，输出0-5v的测量信号到所述最大功率跟踪mcu中；电感一端与所述光伏电池板的正极、电压传感器相连，另一端与电流传感器的正极、电容相连，电容一端与电感、电流传感器的正极相连，另一端与所述光伏电池板的负极、电压传感器的负极、功率管的源极、电容相接；功率管漏极与电流传感器的负极、负载相连，负极与所述光伏电池板的负极、电容、负载相连，栅极与所述驱动相连，所述驱动与功率管的栅极相连，负载一端与电流传感器的负极、功率管的正极相连，另一端与所述光伏电池板的负极、电压传感器的负极、电容、功率管的源极相接。

作为本发明的进一步技术方案：所述最大功率跟踪mcu包括功率模块、mppt算法模块、pid控制器模块、衰减率模块；所述功率模块接收所述电流传感器输出0-5v的电信号与所述电压传感器输出的0-5v的电信号，并将功率输出到所述mppt算法模块和所述pid控制器模块中；所述mppt算法模块接收所述功率模块的功率信号，产生功率设定值信号输出给pid模块，找到最大功率点后输出最大功率值到所述衰减率模块；所述pid控制器模块接收到所述mppt算法的功率设定值信号与所述功率模块的功率信号，运算输出方波宽度信号到所述驱动模块中；所述衰减率模块接收所述光度计通过i2c接口传入的光照强度信号及所述mppt算法模块的最大功率值，计算当前光照强度下的衰减率。

作为本发明的进一步技术方案：所述功率模块按以下算法计算光伏电池板的输出功率p：p＝ipv·ki·vpv·kv，其中，ipv为所述电流传感器传入的电流信号，ki为电流信号计算放大倍数，vpv为电压传感器传入的电压信号，kv为电压信号计算放大倍数。

作为本发明的进一步技术方案：所述mppt算法模块按照以下方式运作：a.在k时刻，记录下光伏电池板的输出功率p(k)，并与前一时刻的光伏电池板的输出p(k-1)进行比较；

b.若p(k)小于p(k-1)，则判断光伏电池板的输出电压u(k)与前一时刻光伏电池板的输出电压u(k)的大小。若u(k)大于u(k-1)，则增大功率设定值ure，若u(k)小于u(k-1)，则减小输出电压设定值ure

c.若p(k)大于p(k-1)，则判断光伏电池板的输出电压u(k)与前一时刻光伏电池板的输出电压u(k)的大小。若u(k)大于u(k-1)，则减小功率设定值ure，若u(k)小于u(k-1)，则增大输出电压设定值ure

d.若p(k)在多次迭代后稳定，则输出p(k)到衰减率模块。

作为本发明的进一步技术方案：一种积灰条件下的光伏发电功率输出减少率估计方法，其特征在于，该方法包括以下步骤：

a、在实验室一系列固定的光照强度{isk}下，测量擦拭干净后的光伏电池板的输出功率，记录为{p0sk}，其中k＝1，2，...，n；然后，将光伏电池板置于室外空旷处，使其与水平地面的倾角为α，进行自然积灰，并以δt为时间间隔，定期在实验室一系列固定的光照强度{isk}下测量其输出功率，同时记录相应时刻440nm气溶胶光学厚度440、1020nm气溶胶光学厚度1020、相对湿度rh、光照强度is；对于第i次测量，记录光伏电池板输出功率为psi，440nm气溶胶光学厚度为440i、1020nm气溶胶光学厚度为1020i，相对湿度为rhi，光照强度为isi，相同光照强度下擦拭干净后的光伏电池板的输出功率为p0si；通过长期的数据记录，形成原始样本集{(τ440i，τ1020i，rhi，isi，p0si，p0si)}，i＝1，2，...，m，m为样本总个数；

b、对原始样本集进行处理，构成训练样本集：基于原始样本集{(τ440i，τ1020i，rhi，isi，pi，p0si)}以及光伏电池板与水平地面所呈倾角α，计算440nm气溶胶光学厚度累积值τ*440i、1020nm气溶胶光学厚度累积值τ1020*i与相对湿度累积值rhi*，以及

第i次测量对应的光伏发电功率输出减少率ηi：

从而得到训练样本集

c、建立三层和声神经网络预测模型，其中，输入层神经元节点数为4个，隐含层神经元节点数为5个，输出层神经元节点数为1个，隐含层神经元转移函数使用双曲正切函数，输出层神经元转移函数使用s型函数；对于样本取bp神经网络预测模型的第一个输入为第二个输入为第三个输入为第四个输入为isi，输出为ηi；

d、利用和声神经网络预测模型进行光伏发电功率输出减少率的估计，即将某一环境下获取的440nm气溶胶光学厚度累积值1020nm气溶胶光学厚度累积值相对湿度累积值光照强度isi作为和声神经网络预测模型的输入，预测模型的输出即为当前环境下光伏发电功率输出减少率的估计值

与现有技术相比，本发明的有益效果是：(1)测量装置可调节光照强度，且当光照强度发生变化时最大功率跟踪mcu将跟踪光伏电池板的最大功率点，使该测量装置能测量相同积灰浓度下不同光照强度对应的光伏发电功率输出减少率；

(2)利用可实时获取的气溶胶光学厚度累计值、相对湿度累计值来估计光伏发电功率输出减少率，无需直接测量积灰浓度，可进行连续性测量；

(3)建立了光伏发电功率输出减少率的神经网络估计模型，并采用和声算法对神经网络预测模型的参数进行优化，从而能够有效的提高模型精度。

(4)下面结合附图，对优选实施例作详细说明。应该强调的是下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。

附图说明

图1为本发明所提出的光伏发电功率输出减少率测量装置结构图；

图2为本发明所提出的光伏发电功率输出减少率预测模型结构图；

图3为神经网络结构图；

图4为训练神经网络的流程图

图5为利用和声算法对神经网络预测模型进行优化的流程图；

图6为实施例中预测模型在检验样本上的估计结果。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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。

请参阅图1-6，本发明在采集大量440nm气溶胶光学厚度累积值-1020nm气溶胶光学厚度累积值-相对湿度累计值-光伏发电功率输出减少率的实际样本数据的基础上，利用和声神经网络方法建立光伏发电功率输出减少率的预测模型，其结构如图2所示，并利用该模型进行光伏发电功率输出减少率估计。本发明利用积灰条件下的光伏发电功率输出减少率测量装置包括光线产生装置、光伏电池板、最大功率跟踪电路、最大功率跟踪mcu来测量光伏发电功率输出减少率。

本发明所提光伏发电功率输出减少率估计方法及测量装置的使用包括如下步骤：

a.采集数据构造样本集；

在实验室一系列固定的光照强度{isk}下，测量擦拭干净后的光伏电池板的输出功率，记录为{p0sk}，其中k＝1，2，…，n；然后，将光伏电池板置于室外空旷处，使其与水平地面的倾角为a，进行自然积灰，并以δt为时间间隔，定期在实验室一系列固定的光照强度{isk}下测量其输出功率，同时记录相应时刻440nm气溶胶光学厚度440、1020nm气溶胶光学厚度1020、相对湿度rh、光照强度is；对于第i次测量，记录光伏电池板输出功率为psi，440nm气溶胶光学厚度为440i、1020nm气溶胶光学厚度为1020i，相对湿度为rhi，光照强度为isi，相同光照强度下擦拭干净后的光伏电池板的输出功率为p0si；通过长期的数据记录，形成原始样本集{(440i，1020i，rhi，isi，psi，p0si)}，i＝1，2，…，m，m为样本总个数；

优选实施例中，原始样本集采集于2017年9月至2018年1月间的河北保定地区。在实验室利用1000w高压氙灯模拟太阳光照环境，通过调光器将光照强度调节为300w/m²，测量表面洁净、额定功率30w的光伏电池板的输出功率，记录为p10＝18.6w，再将光照强度调节为250w/m²，记录太阳能板的输出功率p10＝15.8w；然后，将光伏电池板置于雾霾天气下的室外空旷处，使其与水平地面的倾角为α＝30°，进行自然积灰并规避阴雨天气，并以δt＝24h为时间间隔，定时在实验室一系列固定的光照条件下测量其输出功率，形成原始样本集{(440i，1020i，rhi，isi，pi，p0si)}，i＝1，2，…，m，m＝130；

b.对原始样本集进行处理，构成训练样本集：

基于原始样本集{(τ440i，τ1020i，rhi，isi，psi，p0si)}以及光伏电池板与水平地面所呈倾角a，计算440nm气溶胶光学厚度累积值1020nm气溶胶光学厚度累积值与相对湿度累积值以及第i次测量对应的光伏发电功率输出减少率ηi：

从而得到训练样本集

c.建立三层和声神经网络预测模型，模型结构如图3所示，其中，输入层神经元节点数为4个，隐含层神经元节点数为5个，输出层神经元节点数为1个，隐含层神经元转移函数使用双曲正切函数，输出层神经元转移函数使用s型函数；对于样本取bp神经网络预测模型的第一个输入为第二个输入为第三个输入为第四个输入为isi，输出为ηi；

并对神经网络进行训练，图4为神经网络的训练流程示意图。训练过程由信息的正向传播和误差的反向传播阶段组成。正向传播中，输入层各神经元接收外界输入信息，并传递给隐含层(可以是多层)进行信息处理，最后传向输出层，每一层神经元的状态只影响下一层神经元的状态。当实际输出与期望输出不符时，说明网络结构的权值还不够合理，这时进入误差的反向传播阶段，即将误差信号沿原通路逐层反传计算，按误差梯度下降的方法修正各层权值从而使误差最小。周而复始的这一学习过程，是各层权值不断调整的过程，它一直进行到网络输出误差达到期望值，或者预先设定的学习次数为止。

神经网络在训练的过程中可能陷入局部最优中，还需进一步使用和声算法对神经网络参数进行优化。和声搜索算法(harmonysearchalgorithm，hs)是一种基于音乐原理的元启发型算法，具有很强的宏观搜索能力以及寻优的全局性。图5为和声搜索算法流程图，算法步骤如下：

1)初始化算法参数：算法参数包含初始化和声记忆库大小(harmonymemorysize，hms)、和声记忆库保留概率(harmonymemoryconsideringrate，hmcr)、微调扰动率(pitchadjustingrate，par)、迭代次数(iterationnumber，in)。hms的大小是hs的一个重要参数，hs之所以具有更强的全局搜索能力，很大程度上依赖于hms的存在，一般来说，hms越大，找到全局最优区域的能力越强。但由于hs是多点开始的，随着hms的增大，计算量将会变大，从而影响到达最优解的速度。hmcr是和声搜索的另一个重要因素，其取值范围是0到1之间的数，它决定每次迭代过程中新解产生的方式。在和声搜索算法中，新解产生时每个变量都依赖于hmcr，所以hmcr应取较大的值。音调微调扰动率par在和声搜索算法中起控制局部搜索的作用，它可使搜索逃离局部最优，其值一般取0.1至0.5之间。实施例中，取hms＝5，hmcr＝0.9，par＝0.3，in＝50。

2)和声记忆库初始化及目标函数选取：随机产生一个初始群体放入和声记忆库，这个群体中的每个个体对应神经网络的一组权值和阈值。本算法采用的目标函数是网络输出与期望输出之间的误差平方和erri，该值越低表明个体越优越。

3)产生新解：新解有hmcr的概率来自hm的一个值，有1-hmcr的概率来自hm之外的任意一个值。如果新解x^new来自和声记忆库hm，要对其进行音量微调，操作如下：

x^new＝x^new+rand*bw

其中：

rand为(0，1)之间的随机数；

bw为带宽，实施例中，取bw＝0.01。

4)更新记忆库：若新解优于记忆库中最差解，则用新解替换最差解，得到新的记忆库。

5)判断是否满足终止条件，若满足，停止迭代，输出最优解作为神经网络的初始权值和阈值，利用梯度下降法进行神经网络的训练；否则，转入3)。

d.利用和声神经网络预测模型进行光伏发电功率输出减少率的估计，即将某一环境下获取的440nm气溶胶光学厚度累积值1020nm气溶胶光学厚度累积值相对湿度累积值光照强度isi作为和声神经网络预测模型的输入，预测模型的输出即为当前环境下光伏发电功率输出减少率的估计值

实施例中，某一环境下k时刻440nm气溶胶光学厚度440k＝0.631802，1020k＝0.344545，相对湿度rhk＝52％，可计算出截止至k时刻对应的440nm气溶胶光学厚度累积值*440k＝10.815325，1020nm气溶胶光学厚度累积值*440k＝4.435552，相对湿度累积值rh*k＝873％，以及光照强度i1k＝300w/m²，将其作为和声神经网络预测模型的输入，预测模型的输出即为当前环境下光伏发电功率输出减少率的估计值

为了验证所建立的光伏电池板功率输出减少率预测模型的精度，另外选取21组样本作为校验样本集，对估计效果进行验证，结果如图6所示，可知，在校验样本的平均绝对误差为0.551％，说明模型具有较高的估计精度。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。