动态光伏电板清洗指数的计算方法技术

本发明专利技术涉及一种基于PM值数据来评估的动态光伏电板清洗指数的计算方法。其步骤包括：收集当地电站的灰尘累积度、发电损耗率、预期发电值、所在地PM值；使用PM值和灰尘累积度进行线性回归分析；根据线性回归对发电损耗率进行预测，扩充原始数据集；使用聚类方法并依据发电损耗率重新排布，最终的排序即为推荐的清洗指数。本发明专利技术通过回归分析来对灰尘累积度和PM值进行拟合，当数据拟合完成后，可以用易于获取的PM值作为特征参数，与发电量、电量损失指数等其它特征进行协同过滤，在投入尽可能小的情况下得到准确的清洗指数，自动提醒用户光电板的积灰程度是否需要清洗，通过及时清洗光伏电板，提升发电效率，节约成本。

【技术实现步骤摘要】
动态光伏电板清洗指数的计算方法
本专利技术涉及光伏电板灰尘监控
，具体是一种基于PM值数据来评估的动态光伏电板清洗指数的计算方法。
技术介绍
由于光伏发电系统的发电能力是评价光伏电站性能最重要的指标，而灰尘对光伏组件的发电性能影响存在普遍性，大气灰尘是影响太阳能发电效率的关键因素之一，尤其是长时间的风沙导致尘土等污浊物遮挡光伏组件，影响光线的透射率，进而影响组件表面接受到的辐射量。同时，由于这些污浊物距离光伏电池片的距离很近，会形成阴影，并在光伏组件具备形成热斑效应。如果长时间不及时对光伏组件进行清洁，将会大幅度降低光伏电站发电量，不仅不能满足电网的要求，而且还降低了光伏发电系统的利用率。目前对于灰尘的研究主要停留在利用传感器对灰尘的累积度进行监测，该方法布设成本高，需要安装大量的传感器。
技术实现思路
针对现有光伏监控对灰尘缺乏有效手段监控，复杂度高，对传感器有极大的依赖性，不够成熟完善的问题，本专利技术提供一种根据简单易得的PM值数据来评估动态光伏电板清洗指数的计算方法，能够实现PM值与灰尘累积度的回归分析，通过特征值进行分析，得到清洗指数的推荐算法。本专利技术解决其技术问题采用的技术方案是：一种动态光伏电板清洗指数的计算方法，按如下步骤进行：数据采集→回归分析→标准化数据→聚类划分→指数重排；其中，数据采集是收集当地电站的灰尘累积度、发电损耗率、预期发电值、所在地PM值；回归分析使用PM值和灰尘累积度进行线性回归分析；标准化数据是根据线性回归对发电损耗率进行预测，扩充原始数据集；聚类划分是使用聚类方法并依据发电损耗率重新排布，最终的排序即为推荐的清洗指数。采用上述技术方案的本专利技术，与现有技术相比，有益效果是：本专利技术通过回归分析来对灰尘累积度和PM值进行拟合，当数据拟合完成后，可以用易于获取的PM值作为特征参数，与发电量、电量损失指数等其它特征进行协同过滤，在投入尽可能小的情况下得到准确的清洗指数，自动提醒用户光电板的积灰程度是否需要清洗，通过及时清洗光伏电板，提升发电效率，节约成本。进一步的，本专利技术优选方案是：所述的线性回归分析，初始阶段，使用PM指数、积灰指数和电源损耗率的线性回归方程进行回归分析，之后根据传感器数据自动生成新的回归分析；具体的线性回归方程为：式中，x为PM值，y为灰尘累积度，R为y与x之间的线性关系系数，n为常数。所述的PM值是根据公开的API获取的所在电站的PM值。所述的聚类方法使用K－means算法的改进算法，将K值设定为100，具体是：(1)从相异度计算公式d中随机取100个元素，作为k个簇的各自的中心；(2)分别计算剩下的元素到100个簇中心的相异度，将这些元素分别划归到相异度最低的簇；(3)根据聚类结果，重新计算k个簇各自的中心，计算方法是取簇中所有元素各自维度的算术平均数；(4)将相异度计算公式d中全部元素按照新的中心重新聚类；(5)重复第4步，直到聚类结果不再变化；(6)将结果输出；(7)根据损失率将100个聚类按从小到大排布，分别划分为清洗指数1％－100％。附图说明图1是PM指数与积灰指数相关性示意图；图2是推荐指数示意图。具体实施方式为了更为具体的描述本专利技术，下面结合附图及实施例对本专利技术的技术方案及相关原理进行详细说明。本实施例所述的一种动态光伏电板清洗指数的计算方法，具体步骤如下：(1)根据公开的API获取所在电站的PM值，根据预测的相关关系带入线性回归方程，得到PM值与输出减少率的相关性。(2)输入参数作为特征值，并进行标准化处理。(3)使用K－means方法进行聚类。(4)根据损耗率对聚类重排，聚类从低到高即为推荐清洗指数。参见图1，根据测试数据，对当地PM值和实测数据进行回归分析，PM指数、积灰指数和电源损耗率的回归方程式如下：式中：x为PM值，y为灰尘累积度，R为y与x之间的线性关系系数，n为常数。y与x之间存在线性关系，用相关系数R说明其联系程度，相关系数R的绝对值的大小表示相关程度的高低。例如，当前系数为0.82，说明是部分相关，渊值较大，说明相关程度较高。在当前PM值已知情况下，使用灰尘累积度的预测值，估计标准差Sy和预测区间，公式如下：估计标准差：式中：Sy为标准差，x为PM值，y为灰尘累积度，n为常数，为子集。预测区间：式中：Sy为标准差，x为PM值，y为灰尘累积度，n为常数，为子集，为平均数。预测区间公式中的值并不能直接运用到电站实际中去，要根据当前电站的其他参数来进行内容分析。例如选取的特征值包括：PM值，安装角度，发电损耗率，清洗周期。为求得一个可信的清洗指数，需要进行标准化处理。Min-max标准化方法是对原始数据进行线性变换，设minA和maxA分别为属性A的最小值和最大值，将A的一个原始值x通过min-max标准化映射成在区间[0,1]中的值x'，其公式为：新数据＝(原数据-极小值)/(极大值-极小值)。数据标准化之后进行相异度计算，相异度计算公式如下：其中式中：x为PM值，y为灰尘累积度，m为定量，λ为常数，i为变量；使用K－means算法的改进算法，将K值设定为100：①从相异度计算公式d中随机取100个元素，作为k个簇的各自的中心；②分别计算剩下的元素到100个簇中心的相异度，将这些元素分别划归到相异度最低的簇；③根据聚类结果，重新计算k个簇各自的中心，计算方法是取簇中所有元素各自维度的算术平均数；④将d中全部元素按照新的中心重新聚类；⑤重复第4步，直到聚类结果不再变化；⑥将结果输出；⑦根据损失率将100个聚类按从小到大排布，分别划分为推荐清洗指数1％－100％，最终结果如图2所示。以上所述仅为本专利技术较佳可行的实施例而已，并非因此局限本专利技术的权利范围，凡运用本专利技术说明书及附图内容所作的等效结构变化，均包含于本专利技术的权利范围之内。本文档来自技高网...

【技术保护点】
1.一种动态光伏电板清洗指数的计算方法，其特征在于，按如下步骤进行：数据采集→回归分析→标准化数据→聚类划分→指数重排；其中，数据采集是收集当地电站的灰尘累积度、发电损耗率、预期发电值、所在地PM值；回归分析使用PM值和灰尘累积度进行线性回归分析；标准化数据是根据线性回归对发电损耗率进行预测，扩充原始数据集；聚类划分是使用聚类方法并依据发电损耗率重新排布，最终的排序即为推荐的清洗指数。

【技术特征摘要】
1.一种动态光伏电板清洗指数的计算方法，其特征在于，按如下步骤进行：数据采集→回归分析→标准化数据→聚类划分→指数重排；其中，数据采集是收集当地电站的灰尘累积度、发电损耗率、预期发电值、所在地PM值；回归分析使用PM值和灰尘累积度进行线性回归分析；标准化数据是根据线性回归对发电损耗率进行预测，扩充原始数据集；聚类划分是使用聚类方法并依据发电损耗率重新排布，最终的排序即为推荐的清洗指数。2.根据权利要求1所述的动态光伏电板清洗指数的计算方法，其特征在于：所述的线性回归分析，初始阶段，使用PM指数、积灰指数和电源损耗率的线性回归方程进行回归分析，之后根据传感器数据自动生成新的回归分析；具体的线性回归方程为：式中，x为PM值，y为灰尘累积度，R为y与x之间的线性关系系数，n为常数。3.根据权利要求...

【专利技术属性】
技术研发人员：王檀，
申请(专利权)人：唐山英通科技有限公司，
类型：发明
国别省市：河北,13