一种光伏组件温度预测方法技术

本发明专利技术涉及一种光伏组件温度预测方法，包括数据初始化，确定输入向量和目标向量；构建基于BP人工神经网络的组件温度预测模型；执行误差反向传播算法训练，获取隐含层和输出层的各节点输出；调整连接权值，获取调整后的隐含层和输出层的各节点输出；若满足收敛条件，则训练结束；否则返回步骤(3)。通过光伏组件温度的预测，提高对光伏发电功率预测的准确度。

Method for predicting temperature of photovoltaic module

The invention relates to a prediction method for PV module temperature, including the initialization data, determine the input vector and target vector construction; BP artificial neural network model based on component temperature; performing error back-propagation training algorithm, obtain the outputs of the hidden layer and the output layer nodes; adjust connection weights, get the adjusted implicit output node layer and output layer; if the convergence condition is satisfied, then the end of the training; otherwise returns to step (3). Through the prediction of the PV module temperature, the accuracy of photovoltaic power prediction is improved.

【技术实现步骤摘要】

本专利技术涉及新能源功率预测方法，具体涉及一种光伏组件温度预测方法。
技术介绍
光伏电站发电功率与光伏组件有着密不可分的关系。光伏组件与其它半导体器件均对温度十分敏感。随着温度的升高，硅材料的禁带宽度降低，影响大多数表征材料的性能参数，进而影响组件的电性能参数，导致组件的开路电压降低，短路电流略微增加，总体造成功率降低。组件温度是影响光伏组件转换效率的一个重要因素，对组件温度的准确预测，有助于提高光伏发电功率预测的精确度。因此，光伏电站需要对光伏组件温度进行预测。在预测过程中，光伏组件的温度对光伏电站的发电功率有着比较大的影响，随着光伏电池组件温度的升高，开路电压减小，在20-100摄氏度范围，大约每升高1摄氏度，光伏电池的电压减小2mV；而光电流随温度的升高略有上升，大约每升高1摄氏度电池的光电流增加千分之一。总体来说，温度每升高1摄氏度，则功率减少0.35％。因此，有必要提出光伏组件温度预测有效方法，以探究光伏组件的温度对于光伏电站发电功率的影响，
技术实现思路
为了实现上述需求，本专利技术提供一种光伏组件温度预测方法，可准确地为光伏电站发电功率的预测提供基础。本专利技术的目的是采用下述技术方案实现的：一种光伏组件温度预测方法，将输入向量分别输入基于BP人工神经网络的组件温度预测模型，对光伏组件温度进行预测；所述方法包括：(1)数据初始化，确定输入向量和目标向量；(2)构建基于BP人工神经网络的组件温度预测模型；(3)执行误差反向传播算法训练，获取隐含层和输出层的各节点输出；(4)调整连接权值，获取调整后的隐含层和输出层的各节点输出；(5)若满足收敛条件，则训练结束；否则返回步骤(3)。优选的，所述步骤(1)中，确定输入向量和目标向量包括：定义影响光伏组件温度的气象影响因子，选取基准时间段内气象影响因子的预测值；定义气象影响因子预测值为输入向量，光伏组件温度预测值为目标向量；进一步地，所述气象影响因子，包括环境温度、太阳辐照度和风速；所述气象影响因子预测值的获取方法为：采集历史数据中，基准时间段内所有环境温度、太阳辐照度和风速；分别记录其对应的预测值。优选的，所述步骤(2)具体包括，以全局误差函数E最小化minE(w,v,θ,γ)为最优解，通过式(1)构建基于BP人工神经网络的组件温度预测模型； min E ( w , v , θ , γ ) = 1 N 1 Σ k = 1 N 1 Σ t = 1 N [ y k ( t ) - y k ( t ) ] 2 < ϵ 1 y k ( t ) = Σ j = 1 p v j k · f [ Σ i = 1 本文档来自技高网...

【技术保护点】
一种光伏组件温度预测方法，其特征在于，将输入向量分别输入基于BP人工神经网络的组件温度预测模型，对光伏组件温度进行预测；所述方法包括：(1)数据初始化，确定输入向量和目标向量；(2)构建基于BP人工神经网络的组件温度预测模型；(3)执行误差反向传播算法训练，获取隐含层和输出层的各节点输出；(4)调整连接权值，获取调整后的隐含层和输出层的各节点输出；(5)若满足收敛条件，则训练结束；否则返回步骤(3)。

【技术特征摘要】
1.一种光伏组件温度预测方法，其特征在于，将输入向量分别输入基于BP人工神经网络的组件温度预测模型，对光伏组件温度进行预测；所述方法包括：(1)数据初始化，确定输入向量和目标向量；(2)构建基于BP人工神经网络的组件温度预测模型；(3)执行误差反向传播算法训练，获取隐含层和输出层的各节点输出；(4)调整连接权值，获取调整后的隐含层和输出层的各节点输出；(5)若满足收敛条件，则训练结束；否则返回步骤(3)。2.如权利要求1所述的方法，其特征在于，所述步骤(1)中，确定输入向量和目标向量包括：定义影响光伏组件温度的气象影响因子，选取基准时间段内气象影响因子的预测值；定义气象影响因子预测值为输入向量，光伏组件温度预测值为目标向量；3.如权利要求2所述的方法，其特征在于，所述气象影响因子，包括环境温度、太阳辐照度和风速；所述气象影响因子预测值的获取方法为：采集历史数据中，基准时间段内所有环境温度、太阳辐照度和风速；分别记录其对应的预测值。4.如权利要求1所述的方法，其特征在于，所述步骤(2)具体包括，以全局误差函数E的最小化minE(w,v,θ,γ)为最优解，通过式(1)构建基于BP人工神经网络的组件温度预测模型； min E ( w , v , θ , γ ) = 1 N 1 Σ k = 1 N 1 Σ t = 1 N [ y k ( t ) - y k ( t ) ] 2 < ϵ 1 y k ( t ) = Σ j = 1 p v j k · f [ Σ i = 1 m xw i j + θ j ] + γ t f ( x ) = 1 1 + e - x s . t . w i j ∈ R m × p , v j k ∈ R p × N 1 , θ j ∈ R p , γ t ∈ R N - - - ( 1 ) ]]>其中，x为训练样本，yk(t)为网络的实际输出，yk(t)为网络的期望输出，wij为输入层节点i到隐含层节点j的连接权值，i＝1,2,...,n，n为输入层节点个数，j＝1,2,3...,m；vjk为隐含层节点j到输出层节点k的连接权值，k＝1,2,3...,m；m为隐含层节点的个数，θj为隐含层节点j处的阈值，γt为输出节点t处的阈值，t＝1,2,3...,p；p为输出层节点个数，N1为隐含层的神经元个数，N为输出层的神经元个数，f(x)为激活函数，ε1为误差预设阈值，Rm×p为m行p列矩阵,Rp×N1为p行N1列矩阵，Rp为p行1列矩阵，RN为N行1列矩阵。5.如权利要求1或4所述的方法，所述步骤(3)中，误差反向传播算法训练的执行包括：采用梯度下降法，使得全局误差函数E按梯度下降，其表达式为： - ∂ E ∂ w i j = Σ k = 1 N ( - ∂ E k ∂ w i j ) - ∂ E ∂ θ j = Σ k = 1 N ( - ∂ E k ∂ θ j ) - ∂ E ∂ v j k = Σ k = 1 N ( - ∂ E k ∂ v j k ) - ∂ E ∂ γ t = Σ k = 1 N ( - ∂ E k ∂ γ t ) - - - ( 2 ) ]]>所述梯度下降法，即各...

【专利技术属性】
技术研发人员：王勃，刘纯，冯双磊，赵艳青，王铮，车建峰，靳双龙，胡菊，杨红英，张菲，马振强，姜文玲，宋宗鹏，
申请(专利权)人：中国电力科学研究院，国家电网公司，国网甘肃省电力公司，
类型：发明
国别省市：北京;11