本发明涉及一种光伏电站发电效率评价方法，属于新能源控制
技术领域：
。
背景技术：
：近年来，随着国家审批权的下发以及各项政策的出台，光伏发电迎来了新一轮的快速发展期。随着光伏电站建设补贴模式的变化，即由原来的电站建设补贴变为度电补贴，用户更加关注光伏电站的发电量，而发电量主要取决于当地的太阳能资源和光伏发电效率，而发电效率是直接影响系统造价和收益的主要因素，发电量和发电效率作为评估光伏电站经济和社会效益最重要的指标，也是后期运行维护的参考标准。因此，提出一种智能高效的发电效率评价方法是非常必要的。目前，我国对光伏电站发电效率评价的研究工作尚处于起步阶段。大多数的研究对象是光伏阵列或逆变器等单个设备的效率评价，并没有考虑到整个光伏电站是由若干光伏阵列、逆变器、汇流箱等机组共同构成的大系统。公告号为CN103605891A的中国专利公开了一种并网光伏逆变器户外运行综合效率的评价方法，根据不同功率等级下辐照资源确定逆变器效率加权系数，得到逆变器的综合效率性能；公告号为CN104408562A的中国专利公开了一种基于BP神经网络的光伏系统发电效率综合评估方法，BP网络的训练需要大量的样本数据，而且收敛速度慢且易陷入局部极值点。技术实现要素：本发明的目的是提供一种光伏电站发电效率评价方法，用于解决现有光伏发电效率评价过程中评价结果不准确的问题。为解决上述技术问题，本发明提出了一种光伏电站发电效率评价方法，包括以下步骤：步骤1，将影响发电站发电效率的因素分类形成若干个评价指标，分析影响每个所述评价指标的相关参数，构成所述每个评价指标的特征向量；步骤2，根据所述每个评价指标的特征向量构造每个评价指标的预测模型；步骤3，将所述每个评价指标的特征向量的测试样本或实时样本输入到相应的预测模型，得出每个所述评价指标的预测值；步骤4，采用熵值法确定所述每个评价指标的预测值的权重，进而得到光伏电站发电效率的综合评价值，将所述综合评价值与评价指标集相比较得出综合评价结果。进一步地，步骤1中所述评价指标包括：PV组件效率、方阵损耗、逆变器损耗、直流线损、交流线损和变压器损耗。进一步地，各个评价指标的相关参数分别为：PV组件效率：直射辐照度、散射辐照度、总辐照度、温度、湿度、风速、风向、电压温度系数、电流温度系数、最大输出功率温度系数、组件衰降率和组件离散度；方阵损耗：PV组件效率、串并联失配损耗、阵列的倾斜角、方位角、间距损耗、遮挡损耗、温升损耗、热斑功率衰降、隐裂功率衰降和MPPT偏离损耗；逆变器损耗：直流输入电压范围、直流输入电压和电流、交流输入电压和电流；直流线损：直流电缆的等效电阻、电阻率、电缆长度、横截面面积和直流电流；交流线损：交流电缆的等效电阻、电缆长度、横截面面积、交流输出线电压和交流输出功率；变压器损耗：空载损耗、短路损耗、实际输入功率、额定容量、高压侧额定电压和负载系数。进一步地，步骤2中所述每个评价指标的预测模型是基于最小二乘支持向量机构建的。进一步地，步骤2中每个评价指标的预测模型的构造方法包括以下步骤：步骤2-1，将步骤2中每个所述评价指标的若干组特征向量作为训练样本，并将所述训练样本映射到高维特征空间，构造所述训练样本在该高维特征空间的最优线性决策函数以及相应目标函数；步骤2-2，求解所述目标函数，确定对应最优线性决策函数的系数向量和偏差项，进而确定所述最优线性决策函数的表达式。进一步地，步骤4中所述采用熵值法确定每个评价指标的预测值的权重，进而得到光伏电站发电效率的综合评价值包括以下步骤：步骤4-1，根据所述每个评价指标的预测值建立评价矩阵；步骤4-2，对所述评价矩阵进行指标同向化处理，将所述评价矩阵内的负指标转化为正指标，得到指标同向化矩阵；步骤4-3，对所述指标同向化矩阵进行归一化处理得到标准评价矩阵；步骤4-4，根据所述标准评价矩阵计算所述每个评价指标的预测值对应的信息熵值；步骤4-5，根据所述每个评价指标的信息熵值，计算每个评价指标的的预测值的权重向量；步骤4-6，对所述每个评价指标预测值的权重向量进行加权求和，计算出光伏电站发电效率综合评价值。本发明的有益效果是：从整个光伏电站的角度出发，综合分析影响光伏发电效率的各个因素，构造每个评价指标的预测模型，对各个评价指标值进行预测，采用熵值法确定各评价指标的权重，提高了评价结果的准确性，避免了人为主观因素对评价结果造成偏差，为光伏电站的运营管理、优化设计提供理论依据，具有广泛的工程应用价值。另外，采用最小二乘支持向量构建每个评价指标的预测模型，可有效解决小样本、非线性和高维数的问题，并且可将二次规划问题转变为线性方程组，提高了求解问题的速度和收敛精度。附图说明图1是光伏电站发电效率评价方法的流程图。具体实施方式下面结合附图对本发明的具体实施方式做进一步详细的说明。如图1所示，光伏电站发电效率评价方法具体包括以下步骤：1.将影响发电站发电效率的因素分类形成若干个评价指标，分析影响每个所述评价指标的相关参数，构成所述每个评价指标的特征向量。其中，各个评价指标分别为：PV组件效率、方阵损耗、逆变器损耗、直流线损、交流线损、变压器损耗；每个评价指标的相关参数以及对应构成的特征向量分别为：PV组件效率的相关参数分别为：直射辐照度、散射辐照度、总辐照度、温度、湿度、风速、风向、电压温度系数、电流温度系数、最大输出功率温度系数、组件衰降率和组件离散度，对应的特征向量记为(SVikSSikSZikTikHikFSikFXikVTikITikPTikSJikLSik)，其中i代表第i个PV组件。方阵损耗的相关参数分别为：PV组件效率、串并联失配损耗、阵列的倾斜角、方位角、间距损耗、遮挡损耗、温升损耗、热斑功率衰降、隐裂功率衰降和MPPT偏离损耗，对应的特征向量记为(PVkSPkQJkFWkJSkZSkWSkBSkLSkMPSk)。逆变器损耗的相关参数分别为：直流输入电压最大值、直流输入电压最小值、直流输入电压和电流、交流输入电压和电流，对应的特征向量记为(UMikUNikUZikIZikUJikIJik)，其中i代表第i个逆变器。直流线损的相关参数分别为：直流电缆的等效电阻、电阻率、电缆长度、横截面面积和直流电流，对应的特征向量记为(ZRkZROkZLkZSkZIk)。交流线损的相关参数分别为：交流电缆的等效电阻、电缆长度、横截面面积、交流输出线电压和交流输出功率，对应的特征向量记为(JRkJLkJSkJUkJPk)。变压器损耗的相关参数分别为：空载损耗、短路损耗、实际输入功率、额定容量、高压侧额定电压和负载系数，对应的特征向量记为(P0ikDLikPikSikUHikFXik)，其中i代表第i个变压器。上述特征向量中，k为样本采集序号，k为1到N的整数，每个数字代表一种工作状态，其中N表示工作状态的总数目。另外，影响光伏电站发电效率的评价指标以及每个评价指标内的参数并不局限于上述具体列举出的种类和数目。2.根据评价指标的特征向量构造每个评价指标的预测模型。本实施例通过采用最小二乘支持向量机(LS-SVM)来构建评价指标的预测模型，对各个评价指标值进行预测。其中，基于最小二乘支持向量机(LS-SVM)的每个评价指标的预测模型的构造方法包括以下步骤：(1)选取第m个评价指标的n组特征向量当作训练样本xm，并通过函数将训练样本xm映射到高维特征空间，构造训练样本xm在该高维特征空间的最优线性决策函数其中，wm和bm分别为第m个LS-SVM的系数向量和偏差项，可通过求解该LS-SVM的目标函数来确定，其目标函数为：minQ(wm,bm)=12||wm||2+rm2Σi=1n(emi)2]]>约束条件为：其中，xi和yi分别为输入的第i个特征向量训练样本及其对应的输出，n为特征向量训练样本的数量，rm为惩罚系数，且rm＞0，为第m个LS-SVM中xi的误差变量，且(2)定义拉格朗日函数其中，为拉格朗日乘子，i＝1,2,…,n。取核函数令L相对于wm、bm、em和am的偏导数均取零，根据KKT(Karush-Kuhn-Tucker)最优化条件，消去wm和em两个参数，进而得到线性方程，求解线性方程得到am和bm，即可推导LS-SVM的系数向量为：线性决策函数为：y(x)=sign[Σi=1namiK(x,xi)+bm]]]>采用最小二乘支持向量机构建预测模型，可有效解决小样本、非线性以及高维数的问题，并且可将二次规划问题转变为线性方程组，提高求解问题的速度和收敛精度。当然构建预测模型的方法不局限于最小二乘支持向量机构，也可采用其他可达到相同建模效果的人工智能方法。3.将每个评价指标特征向量的测试样本或实时样本输入到相应的预测模型中，分别计算对应决策函数的函数值，进而得到测试样本或实时样本所对应的评价指标值。4.采用熵值法确定预测得到的各个评价指标值的权重得到光伏电站发电效率的综合评价值，将每个光伏电站的综合评价值与评价指标集进行对比，进而得出每个光伏电站的综合评价结果。采用熵值法确定各个预测评价指标值的权重，进而得到光伏电站发电效率的综合评价值的具体步骤为：1)本实施例假设需要对5个光伏电站的发电效率进行评价，选取步骤3中获得的6个评价指标对应的预测值，构造其评价矩阵A＝(aij)5×6＝(A1A2A3A4A5A6)，A1为PV组件效率，A2为方阵损耗，A3为逆变器损耗，A4为直流线损，A5为交流线损，A6为变压器损耗。2)对评价矩阵A进行指标同向化处理，将上述6个评价指标预测值中的负指标转化为正指标，得到指标同向化矩阵B＝(bij)5×6，转化公式为：bij=10.1+max|Aj|+aiji=1,2,3,4,5j=1,2,3,4,5,6]]>其中，aij表示评价矩阵A的矩阵元素，bij表示指标同向化矩阵B的矩阵元素，max|Aj|表示指标向量Aj中元素的最大值。当然，也可采用现有技术中的其他合适的转化公式对评价矩阵A进行指标同向化处理。3)对指标同向化矩阵B进行归一化处理得到标准评价矩阵C＝(cij)5×6，其中cij=bijΣi=15bij]]>4)根据标准评价矩阵C计算各个评价指标的预测值的信息熵值，计算公式为：Hj=-1lnαΣj=16cij·lncij]]>其中，i＝1,…,5，j＝1,2,…,6，α等于标准评价矩阵C的列数，即α＝6。5)根据各评价指标的预测值的信息熵值，计算该评价指标预测值对应的权重向量w＝(w1，w2，…，w6)，其计算公式为：ωj=1-HjΣk=16(1-Hk)j=1,2,...,6]]>6)根据各评价指标预测值的权重计算每个光伏电站发电效率综合评价值，计算公式为：di=Σj=16cijωjT]]>其中，di表示第i个光伏电站的发电效率综合评价值，i＝1,2,…,5。采用熵值法确定各评价指标的权重，能够有效避免人为主观因素造成评价结果的偏差，进而全面客观地评价光伏电站的发电效率。另外，表1具体给出了光伏电站的某个评价指标集。表1评价标准集本实施例中采用的光伏电站发电效率评价方法对5个光伏电站进行发电效率的综合评价，通过综合分析光伏电站发电效率的多个影响因素，得出若干个评价指标，构造基于最小二乘支持向量机的预测模型，对每个评价指标进行预测，最后得到每个电站发电效率的综合评价结果，根据该评价结果指导光伏电站的运维决策及优化设计，规避潜在风险，保障电站的安全稳定运行。当然，本发明中的光伏电站发电效率评价方法也可以只对一个光伏电站，或者是更多的发电站的发电效率进行综合评价。以上实施例仅用于帮助理解本发明的核心思想，不能以此限制本发明，对于本领域的技术人员，凡是依据本发明的思想，对本发明进行修改或者等同替换，在具体实施方式及应用范围上所做的任何改动，均应包含在本发明的保护范围之内。当前第1页1 2 3