屋顶式光伏阵列设备投入优化方法与流程

本发明涉及太阳能转换技术领域，具体指一种屋顶式光伏阵列设备投入优化方法。

背景技术：

我国太阳能资源十分丰富，近年来我国光伏产业得到了快速发展，建设光伏电站是大规模集中利用太阳能的最有效方式。在光伏电站设计的可行性研究阶段，需要开展太阳能资源分析评估工作，说明工程所在地区的太阳能资源情况，并为电站发电量计算提供输入数据。进行太阳能资源分析评估时，需选择站址所在地附近有太阳辐射长期观测记录的气象站作为参考气象站，获取连续10年以上的太阳辐射长期记录和相关气象数据，作为太阳能资源分析评估的输入资料。

然而，目前屋顶的光伏资源由于受到不同环境和不同地址位置的约束和影响，不能很好的利用。屋顶的光伏资源主要受到，屋顶的地理位置、高度、光照时间、光照强度和气候的影响。而太阳能转换发电的设备普遍价格较为昂贵，因此对屋顶的光伏资源如何进行投入尤其重要。

目前，我国有太阳辐射长期观测记录的气象站只有近百个，实际覆盖面积较小，尤其是在西北地区，大多数情况下日射站距光伏电站较远，很难获得站址所在地实际的太阳能辐射状况。若站址所在地附近没有长期观测记录太阳辐射的日射站，只能采用距离较远日射站的太阳辐射长期观测数据，通过对比分析，推算工程所在地的太阳能资源数据。气温、湿度等气象信息采用距站址最近气象站的数据。

目前传统的方法是针对具体项目，向具有太阳辐射长期观测记录的气象站或商业数据库服务商购买所需太阳辐射长期记录和气象数据，通过人工整理统计和计算处理，得到太阳能资源评估成果。上述方法存在以下缺点：(1)针对每一工程，都需分析选择合适的参考气象站，耗费人力；(2)如工程信息不畅或工程资料保管不妥善，可能出现不同工程选择同一参考气象站，但数据资料会重复购买的情况；(3)针对每一工程，都需进行大量、繁琐的人工统计和计算处理，效率低下且容易出错；(4)若站址所在地附近没有日射站，只能选择站址所在地周边较远的气象站作为参考气象站，但在推算过程中，不同设计人员选取不同的经验系数，计算结果存在较大差异，导致光伏电站发电量计算存在较大偏差；(5)评估成果输出标准化程度不高，难以保证成品质量。

由此可见，目前我国还没有对屋顶的光伏资源进行很好的进行合理投入和利用。

技术实现要素：

本发明根据现有技术的不足，提出一种光屋顶式光伏阵列设备投入优化方法，对屋顶的光伏资源根据实际因素进行优化的投入，从而提高屋顶光伏资源投入的性价比。

为了解决上述技术问题，本发明的技术方案为：

一种屋顶式光伏阵列设备投入优化方法，包括：中长期发电量的预测，其公式如下：

w＝ηtp

其中：η为修正系数，综合考虑效率损失、传输损失；t为逐年平均利用小时数；p为峰值发电功率，所述修正系数η采取结合自动站现有多年数据进行系数修正的方法进行调整，其修正系数统一归算到效率损失系数中一并考虑；所述逐年平均利用小时数t由气象局的年平均日照时长及平均辐照度进行确定。

作为优选，还包括建立中长期光伏发电效率修正模型和中长期运营成本预测模型，所述中长期光伏发电效率修正模型和中长期运营成本预测模型均通过建立聚类模型，对数据集中的数据应用进行分组，把具有相似性质的食物区分开加以分类，通过获得同一个类中数据对象之间具有较高的相似度，从而对中长期光伏发电效率进行修正，对中长期运营成本进行预测。

作为优选，所述聚类模型具体步骤如下：

输入给定的数据集；

数据预处理，根据要求，对数据进行特征标准化及降维处理；

特征选择特征提取，将由数据预处理过程得到的最初始的特征中的最有效的特征选择出来，并将选取出来的最有效特征存放于特定的向量中，然后对这些有效特征进行相应的转换，得到新的有效突出特征；

聚类，根据需要选择合适的相似性度量函数对数据集中的数据对象相似程度进行度量，以此进行数据对象的聚类；

对聚类结果进行评估，依据相关的评价标准对聚类结果进行评估，评估聚类结果的优劣，以完成对聚类分析过程的进一步改进和完善。

作为优选，所述聚类模型中类似项目的筛选采用k-mean聚类算法进行筛选。

作为优选，所述中长期光伏发电效率修正模型中输入给定的数据集包括产品特性、屋顶特性、气象因素，所述产品特性包括产品厂商、运维厂商、电压等级；所述屋顶特性包括屋顶定级；所述气象因素包括年均辐照度、年均温度、年均降水量、年均风速、年均湿度。

作为优选，所述中长期光伏运营成本预测模型输入给定的数据集包括运维模式、屋顶特性、产品质量，所述运维模式包括自维护、委托维护、运维团队；所述屋顶特性包括基础构架、占地面积；产品质量包括光伏组件、汇流排、逆变器、蓄电池。

本发明具有以下的特点和有益效果：

采用上述技术方案，得出不同环境、不同地域、不同条件的屋顶的资源，从而进行合理投入，实现屋顶设备投入以及发电量的最大性价比，实现建筑表面光伏发电的最大效益。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为聚类模型流程图；

图2为k-mean聚类算法原理图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步说明。在此需要说明的是，对于这些实施方式的说明用于帮助理解本发明，但并不构成对本发明的限定。此外，下面所描述的本发明各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。

本发明提供了一种屋顶式光伏阵列设备投入优化方法，包括：中长期发电量的预测，其公式如下：

w＝ηtp

其中：η为修正系数，综合考虑效率损失、传输损失；t为逐年平均利用小时数；p为峰值发电功率，所述修正系数η采取结合自动站现有多年数据进行系数修正的方法进行调整，其修正系数统一归算到效率损失系数中一并考虑；所述逐年平均利用小时数t由气象局的年平均日照时长及平均辐照度进行确定。

进一步的，还包括建立中长期光伏发电效率修正模型和中长期运营成本预测模型，所述中长期光伏发电效率修正模型和中长期运营成本预测模型均通过建立聚类模型，对数据集中的数据应用进行分组，把具有相似性质的食物区分开加以分类，通过获得同一个类中数据对象之间具有较高的相似度，从而对中长期光伏发电效率进行修正，对中长期运营成本进行预测。

具体的，如图1所示，所述聚类模型具体步骤如下：

输入给定的数据集；

数据预处理，根据要求，对数据进行特征标准化及降维处理；

特征选择特征提取，将由数据预处理过程得到的最初始的特征中的最有效的特征选择出来，并将选取出来的最有效特征存放于特定的向量中，然后对这些有效特征进行相应的转换，得到新的有效突出特征；

聚类，根据需要选择合适的相似性度量函数对数据集中的数据对象相似程度进行度量，以此进行数据对象的聚类；

对聚类结果进行评估，依据相关的评价标准对聚类结果进行评估，评估聚类结果的优劣，以完成对聚类分析过程的进一步改进和完善。

其中，中长期光伏发电效率修正模型中输入给定的数据集包括产品特性、屋顶特性、气象因素，所述产品特性包括产品厂商、运维厂商、电压等级；所述屋顶特性包括屋顶定级；所述气象因素包括年均辐照度、年均温度、年均降水量、年均风速、年均湿度。

中长期光伏运营成本预测模型输入给定的数据集包括运维模式、屋顶特性、产品质量，所述运维模式包括自维护、委托维护、运维团队；所述屋顶特性包括基础构架、占地面积；产品质量包括光伏组件、汇流排、逆变器、蓄电池。

可以理解的，聚类模型的数据集包括以下定义的三类：

第一类模型

dij≤t(i，j∈g)

其中，t为阈值，是给定的正数，g为集合，dij为集合g中任何两个元素的距离；

第二类模型

其中，t为阈值，是给定的正数，g为集合，n是集合g中元素的个数，集合g中每个∈g都满足上述公式；

第三类模型

其中，t和h为阈值，是给定的两个正数，且h>t，g为集合，n是集合g中元素的个数，集合g中两两元素距离的平均满足上述公式。

可以理解的，数据集中类的特性包括g的重心、样本离差阵ag及样本协方差阵sg、类的直径。其中g包含的样品为x(1)，x(2)，…x(n)，其中x(t)(t＝1，2，…，n)为m元总体的样本，可以从不同角度来刻画g的特征。

其中，g的重心(或称均值)通过以下公式获得：

样本离差阵ag及样本协方差阵sg通过下述公式获得：

类的直径通过下述公式获得：用dg表示类g的直径，通常用

可以理解的，对样品进行分类，就需要研究它们之间的关系，即相异度。现在用的较多的是距离和相似系数。

距离

把n个样品看成是m维空间中的n个点，那么两个样品间的相似度用dij度量。dij为样品xi，xj的距离。常用的距离有：

明氏(minkowski)距离：

1)、当q＝1时的时一阶明氏距离为

即绝对距离

2)、当q＝2时，

即为欧氏距离

3)、当q趋于无穷时

即为切比雪夫距离

相似系数

为了将样品进行分类，研究样品之间的关系，采用相似系数的方法。性质接近的样品，相似系数就越接近1或者-1，而无关系的样品的相关系数就越接近0。比较相似的样品归为一类，不相似的样品归属不同的类。

常用的相似系数有:

1)、夹角余弦

2)、相关系数

3)、指数相似系数

聚类问题，就是给定一个元素集合g，其中每个元素具有n个可观察属性，使用某种算法将g划分成k个子集，要求每个子集内部的元素之间相异度尽可能低，而不同子集的元素相异度尽可能高。其中每个子集叫做一个簇。

进一步的，所述聚类模型中类似项目的筛选采用k-mean聚类算法进行筛选。

具体的，如图2所示，

k均值的基本思想

k均值聚类是最著名的划分聚类算法，由于简洁和效率使得他成为所有聚类算法中最广泛使用的。给定一个数据点集合和需要的聚类数目k，k由用户指定，k均值算法根据某个距离函数反复把数据分入k个聚类中。同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。聚类相似度是利用各聚类中对象的聚类所获得一个“中心对象”(引力中心)来进行计算的。而距离计算采用的是欧式距离。

k-均值聚类算法是一种典型的基于距离的硬聚类算法，算法通常采用误差平方和函数作为优化的目标函数，误差平方和函数的定义如()式所示：

其中，k表示聚类的数目，cj(j＝1，2，…，k)表示聚类中第j个簇，x表示簇cj中的任一数据对象，mj表示簇cj的均值。显然，e表示数据样本与簇中心间差异都平方之和，e值得大小取决于k个聚类中心点。显然，越小的e值，聚类结果的质量就越好。因此，我们应该设法找到使聚类准则函数e的值达到最小的聚类结果。

k均值的算法步骤：

1)从n个数据对象随机选取k个对象作为初始簇中心；

2)计算每个簇的平均值，并用该平均值代表相应的簇；

3)根据每个对象与各个簇中心的距离，分配给最近的簇；

4)转第二步，重新计算每个簇的平均值。

这个过程不断重复直到满足某个准则函数不再明显变化或者聚类的对象不再变

化才停止。一般k均值算法的准则函数采用平方误差准则，定义为：

其中，e是数据集中所有对象与相应类聚中心的均方差之和，p为给定的数据对象，mi为ci聚类的均值(p和m均是多维的)。k均值算法对于大型数据库是相对可伸缩的和高效的，算法的时间复杂度为o(tkm)，其中t为迭代次数。一般情况下结束于局部最优解。

从图2中可知，a、b、c、d、e是五个在图中点。而灰色的点是种子点，也就是用来找点群的点。有两个种子点，所以k＝2。

然后，k均值的算法如下：

1)、随机在图中取k(这里k＝2)个种子点。

2)、然后对图中的所有点求到这k个种子点的距离，假如点pi离种子点si最近，那么pi属于si点群。(上图中，我们可以看到a，b属于上面的种子点，c，d，e属于下面中部的种子点)

3)、接下来，要移动种子点到属于他的“点群”的中心。(见图上的第三步)

4)、然后重复第2)和第3)步，直到，种子点没有移动(可以看到图中的第四步上面的种子点聚合了a、b、c，下面的种子点聚合了d、e)。

k均值算法的不足

1)、k均值算法中k是事先给定的，这个k值的选定是非常难以估计的。很多时候，事先并不知道给定的数据集应该分成多少个类别才最合适。这也是k均值算法的一个不足。有的算法是通过类的自动合并和分裂，得到较为合理的类型数目k，例如isodata算法。关于k均值算法中聚类数目k值的确定在文献中，是根据方差分析理论，应用混合f统计量来确定最佳分类数，并应用了模糊划分熵来验证最佳分类数的正确性。在文献中，使用了一种结合全协方差矩阵的rpcl算法，并逐步删除那些只包含少量训练数据的类。而文献中使用的是一种称为次胜者受罚的竞争学习规则，来自动决定类的适当数目。它的思想是：对每个输入而言，不仅竞争获胜单元的权值被修正以适应输入值，而且对次胜单元采用惩罚的方法使之远离输入值。2)、在k均值算法中，首先需要根据初始聚类中心来确定一个初始划分，然后对初始划分进行优化。这个初始聚类中心的选择对聚类结果有较大的影响，一旦初始值选择的不好，可能无法得到有效的聚类结果，这也成为k均值算法的一个主要问题。对于该问题的解决，许多算法采用遗传算法(ga)，例如文献中采用遗传算法(ga)进行初始化，以内部聚类准则作为评价指标。

3)、从k均值算法框架可以看出，该算法需要不断地进行样本分类调整，不断地计算调整后的新的聚类中心，因此当数据量非常大时，算法的时间开销是非常大的。所以需要对算法的时间复杂度进行分析、改进，提高算法应用范围。在文献中从该算法的时间复杂度进行分析考虑，通过一定的相似性准则来去掉聚类中心的侯选集。而在文献中，使用的k均值算法是对样本数据进行聚类，无论是初始点的选择还是一次迭代完成时对数据的调整，都是建立在随机选取的样本数据的基础之上，这样可以提高算法的收敛速度。

可以理解的，通过建立中长期发电量预测模型、中长期光伏发电效率修正模型、中长期运营成本预测模型，从而获取中长期发电量预测数据、中长期光伏发电效率修正、中长期运营成本预测，结合三则的数据从而根据现有屋顶资源的顶级分析优化设备的选型和投入，从而达到屋顶式光伏阵列设备投入的最优化。

以上结合附图对本发明的实施方式作了详细说明，但本发明不限于所描述的实施方式。对于本领域的技术人员而言，在不脱离本发明原理和精神的情况下，对这些实施方式包括部件进行多种变化、修改、替换和变型，仍落入本发明的保护范围内。