本发明涉及一种雾霾积灰条件下的光伏发电功率输出减少率估计方法，属于光伏发电功率预测
技术领域：
。
背景技术：
：随着社会对能源的需求量越来越大，“能源安全危机”的问题愈发突显，传统形式能源利用所造成的“全球气候变暖”问题也日益严重。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。受光照条件、温度等多个因素影响，光伏发电功率具有波动性，开展其功率预测对于保证电力系统的稳定运行具有重要意义。2012年以来，我国出现了大范围的雾霾天气。同时，国家相关部门开始实时发布空气质量指数(AQI)以及其中的PM2.5和PM10浓度等6项基本监测数据，至2015年1月2日，已经覆盖367个城市。雾和霾分别指悬浮于大气中的细微水滴和灰尘颗粒，是大气气溶胶的重要组成部分。雾霾对光伏发电的影响有两方面：一是直接削弱在大气中传输的太阳辐射，从而降低光伏发电功率，二是雾霾天气下的细颗粒物不断沉降，形成积灰覆盖在光伏电池板表面，通过遮挡效应、温度效应、腐蚀效应，间接削弱光伏电池吸收的太阳辐射，从而进一步降低其发电功率。1)光伏积灰的遮挡效应：由于灰尘的存在，使得光伏电池的玻璃面板的透射性减弱，从而到达光伏电池表面上的光强减弱，光电效应减弱，光伏发电功率减少。2)光伏积灰的温度效应：灰尘作为导热系数较小的物质，附在光伏电池板表面阻挡其热量向外传递，使得光伏电池板自身的温度越来越高，从而影响其发电效率。3)光伏积灰的腐蚀效应：从玻璃盖板整体来看，由于酸性或碱性灰尘对玻璃面板的腐蚀，造成玻璃面板表面粗糙度增加，反射光能量增大，折射光的能量减少，使得入射到光伏电池上的光照强度减弱，光电效应减弱，发电量减少。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面板的积灰浓度与光伏发电功率输出减少率的关系。有些学者根据红土、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；有些学者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。由于实验环境和积灰成分差异较大，上述研究工作彼此之间缺乏可比性，其结论是否适合于以细颗粒物为主的雾霾积灰有待检验。另外，在实际工程中，测量光伏电池面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。本发明提出一种雾霾积灰条件下的光伏发电功率输出减少率估计方法，以更好的进行雾霾天气下光伏发电功率的预测。技术实现要素：一种雾霾积灰条件下的光伏发电功率输出减少率估计方法，所述方法在采集大量PM2.5浓度-PM10浓度-相对湿度-风速-光伏发电功率输出减少率的实际样本数据的基础上，利用万有引力神经网络方法建立光伏发电功率输出减少率的预测模型，并利用该模型进行光伏发电功率输出减少率估计。为该方法包括以下步骤：a.采集数据构造样本集；在实验室某一固定光照条件下，记录表面洁净的光伏电池板的输出功率为P0；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，进行自然积灰，并以ΔT为时间间隔，定期在实验室相同的固定光照条件下测量其输出功率，同时记录相应时刻空气的PM2.5浓度、PM10浓度、相对湿度RH、风速v，对于第i次测量，记录其输出功率为Pi，空气的PM2.5浓度为Ci1、PM10浓度为Ci2，相对湿度为RHi、风速为vi；通过长期的数据记录，形成原始样本集{(Ci1，Ci2，RHi，vi，Pi)}，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{(Ci1，Ci2，RHi，vi，Pi)}，计算第i次测量对应的湿度修正因子f(RHi)与风速修正因子f(vi)，并获取PM2.5累积浓度Ci1*与PM10累积浓度Ci2*，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所述湿度修正因子f(RHi)的计算依据为：气溶胶颗粒物的消光系数受相对湿度影响较大，在相对湿度较高的情况下，水溶性气溶胶颗粒吸湿膨胀，消光系数可增大数倍；所述风速修正因子f(vi)的计算依据为：较高的风速有利于气溶胶颗粒物的扩散，降低光伏电池面板积灰；c.建立三层结构BP神经网络预测模型，其中，输入层神经元节点数为2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输出为ηi；d.基于训练样本集，利用万有引力搜索算法对建立的BP神经网络预测模型的权值与阈值进行优化，具体步骤如下：①设置粒子群体规模N以及各粒子初始位置为粒子维数，采用随机数生成的方式初始化各粒子位置，并设置最大迭代次数；②计算各粒子的适应度函数值：定义粒子的适应度函数fi为BP神经网络预测模型在训练样本上的均方差：其中：m为输出节点个数；p为训练样本的个数；为网络期望输出值；xpj为网络实际输出值；③更新群体中的fbest与fworst(fbest＝minfj，fworst＝maxfj)，按下式计算各粒子的质量Mi：④按照下式计算各粒子的引力合力Fi与加速度ai：式中：t为迭代次数，Fid(t)为第i个粒子受到的来自其它粒子引力合力Fi的第d维分量，为第i个粒子的第d维的加速度，randj为[0，1]之间的随机数，G(t)为引力时间常数Mpi(t)和Maj(t)分别为第i个粒子的被动惯性质量和第j个粒子的主动惯性质量，和分别为第i个粒子与第j个粒子的第d维的位置；⑤按照下式更新各粒子的速度vi与位置Pi：式中：为第i个粒子的第d维速度；⑥判断是否达到最大迭代次数，若达到最大迭代次数，停止迭代，此时fbest所对应的粒子位置即为优化后的BP神经网络预测模型的权值与阈值；否则，返回步骤②；e.利用万有引力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PM2.5累积浓度Ci1*与PM10累积浓度Ci2*作为万有引力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本发明的有益效果在于：(1)利用可实时获取的地面的PM2.5累积浓度、PM10累积浓度对光伏发电功率输出减少率进行估计，并考虑了相对湿度与风速的影响；(2)利用神经网络方法建立了光伏发电功率输出减少率的预测模型，并采用万有引力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。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预测模型结构图；图2为本发明所提预测模型采用的三层BP神经网络结构图；图3利用万有引力搜索算法对BP神经网络预测模型进行优化的流程图；图4为实施例中预测模型在检验样本上的估计结果。具体实施方式本发明在采集大量PM2.5浓度-PM10浓度-相对湿度-风速-光伏发电功率输出减少率的实际样本数据的基础上，利用万有引力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1所示，并利用该模型进行光伏发电功率输出减少率估计。本发明所提光伏发电功率输出减少率估计方法包括如下步骤：a.采集数据构造样本集；在实验室某一固定光照条件下，记录表面洁净的光伏电池板的输出功率为P0；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，进行自然积灰，并以ΔT为时间间隔，定期在实验室相同的固定光照条件下测量其输出功率，同时记录相应时刻空气的PM2.5浓度、PM10浓度、相对湿度RH、风速v，对于第i次测量，记录其输出功率为Pi，空气的PM2.5浓度为Ci1、PM10浓度为Ci2，相对湿度为RHi、风速为vi；通过长期的数据记录，形成原始样本集{(Ci1，Ci2，RHi，vi，Pi)}，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2015年12月至2016年6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，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P0＝15.6W；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，定时在实验室相同的固定光照条件下测量其输出功率，形成原始样本集{(Ci1，Ci2，Pi)}，i＝1，2，...，M，M＝150；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{(Ci1，Ci2，RHi，vi，Pi)}，计算第i次测量对应的湿度修正因子f(RHi)与风速修正因子f(vi)，并获取PM2.5累积浓度Ci1*与PM10累积浓度Ci2*，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.建立三层结构BP神经网络预测模型，如图2所示，其中，输入层神经元节点数为2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输出为ηi；d.基于训练样本集，利用万有引力搜索算法对建立的BP神经网络预测模型的权值与阈值进行优化，具体流程如图3所示，包括如下步骤：①设置粒子群体规模N以及各粒子初始位置为粒子维数，采用随机数生成的方式初始化各粒子位置，并设置最大迭代次数；实施例中，取N＝40，所建立的BP神经网络输入层有l＝2个神经元，隐含层有h＝5个神经元，输出层有m＝1个神经元，设Wlh＝{wji|j＝1，…，l；i＝1，…，h}为输入层神经元与隐含层神经元之间的连接权值集合，Whm＝{wkj|k＝1，…，m；j＝1，…，h}为隐含层神经元与输出层神经元之间的连接权值集合，bh和bm分别表示隐含层神经元与输出层神经元的阈值，则各粒子位置为Pi＝[Wlh，bh，Whm，bm]，故D＝21，设置最大迭代次数为1000次；②计算各粒子的适应度函数值：定义粒子的适应度函数fi为BP神经网络预测模型在训练样本上的均方差：其中：m为输出节点个数；p为训练样本的个数；为网络期望输出值；xpj为网络实际输出值；③更新群体中的fbest与fworst(fbest＝minfj，fworst＝maxfj)，按下式计算各粒子的质量Mi：④按照下式计算各粒子的引力合力Fi与加速度ai：式中：t为迭代次数，Fid(t)为第i个粒子受到的来自其它粒子引力合力Fi的第d维分量，为第i个粒子的第d维的加速度，randj为[0，1]之间的随机数，G(t)为引力时间常数Mpi(t)和Maj(t)分别为第i个粒子的被动惯性质量和第j个粒子的主动惯性质量，和分别为第i个粒子与第j个粒子的第d维的位置；⑤按照下式更新各粒子的速度vi与位置Pi：式中：为第i个粒子的第d维速度；⑥判断是否达到最大迭代次数，若达到最大迭代次数，停止迭代，此时fbest所对应的粒子位置即为优化后的BP神经网络预测模型的权值与阈值；否则，返回步骤②；实施例中，优化后的BP神经网络预测模型的权值与阈值如下表所示。表1表2bh(h＝1，2，3，4，5)-4.8752-2.85681.99830.72113.1285表3Whm＝{wkj|k＝1，2，3，4，5；j＝1}-2.12960.94543.1124-0.9263-0.5151e.利用万有引力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PM2.5累积浓度Ci1*与PM10累积浓度Ci2*作为万有引力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PM2.5浓度Ci1＝68ug/m3·h，Ci2＝252ug/m3·h，可计算出截止至k时刻对应的PM2.5累积浓度Ck1*＝10327ug/m3·h，PM10累积浓度Ck2*＝33028ug/m3·h，将其作为万有引力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4所示，可知，在校验样本的平均绝对误差为0.158％，说明模型具有较高的估计精度。以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本
技术领域：
的技术人员在本发明揭露的技术范围内，可推想到的变化或替换，都应涵盖在本发明的保护范围之内。当前第1页1 2 3