一种光伏发电功率预测装置及方法制造方法及图纸

技术编号:19884264 阅读:137 留言:0更新日期:2018-12-22 21:03
本发明专利技术公开了一种光伏发电功率预测装置及方法,本发明专利技术涉及光伏发电技术领域,所述光伏发电功率预测装置包含PM10传感器、PM2.5传感器、湿度传感器、能见度传感器、温度传感器、RS232通信接口、单片机、电源电路、时钟电路、3G通信模块、FPGA芯片、FLASH芯片;所述功率预测方法在获取大量PM2.5浓度‑PM10浓度‑湿度‑能见度‑AOD的实际样本的基础上,利用BP神经网络方法对AOD进行预测,选取AOD与可降水量为主要变化参数,采用双波段大气辐射传输模型计算太阳直接辐射强度与散射辐射强度,进而预测出光伏电池板接收的总辐射强度,最终通过光电转换模型实现对光伏发电功率的准确、实时预测,预测光伏发电的输出功率,具有计算过程清晰,预测精度高的优点。

【技术实现步骤摘要】
一种光伏发电功率预测装置及方法
本专利技术涉及光伏发电
,具体为一种光伏发电功率预测装置及方法。
技术介绍
光伏发电功率预测对于电力系统的调度有着重要意义。已有的光伏发电预测方法可分为统计预测方法以及基于大气辐射传输模型的物理预测方法。相对于统计预测方法,物理预测方法具有计算简单、不依赖于历史数据的优点,但其预测精度受模型参数影响较大。大气气溶胶光学厚度(AerosolOpticalDepth,AOD)是大气辐射传输模型中最重要的参数,用于描述气溶胶对光的衰减作用,其获取方式有卫星观测方式与地基观测方式。卫星观测方式是基于遥感卫星搭载的中分辨率成像光谱仪(MODIS)监测数据对AOD进行反演,受卫星过境时间与数据发布周期影响,反演的实时性较差;地基观测是通过在地面观测站点利用光度计测量数据对AOD进行反演,反演精度较高,但是光度计的标定工作颇为复杂,且观测站点较少;因此,如何实时、准确而又便捷的获取AOD,成为光伏发电物理预测方法的关键问题。近年来,我国出现了大范围的雾霾天气。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。2012年,国家环境空气监测网开始实时发布空气质量指数(AirQualityIndex,AQI)以及其中的PM10、PM2.5等6项基本监测数据,至2015年1月2日,已经覆盖367个城市。2016年1月1日起,环保部正式向社会发布空气质量预测预报信息,主要内容包括重点城市未来24小时、48小时空气质量预报,城市AQI范围、空气质量级别及首要污染物等。受上述结论启发,鉴于大气气溶胶光学厚度(AOD)与PM10浓度、PM2.5浓度等数据具有较高的相关性,且空气质量监测站的站点数量将不断增加,本专利技术考虑建立AOD的BP神经网络预测模型,进而提出一种光伏发电功率预测装置及方法,以更好的进行光伏发电功率的预测。
技术实现思路
(一)解决的技术问题针对现有技术的不足,本专利技术提供一种光伏发电功率预测装置及方法,以对光伏发电功率进行实时、准确地预测。(二)技术方案为实现以上目的,本专利技术提供一种光伏发电功率预测装置,包含PM10传感器、PM2.5传感器、湿度传感器、能见度传感器、温度传感器、RS232通信接口、单片机、电源电路、时钟电路、3G通信模块、FPGA芯片、FLASH芯片。优选的,所述PM10传感器、PM2.5传感器、湿度传感器、能见度传感器、温度传感器分别进行PM10浓度、PM2.5浓度、湿度、能见度、气温的采集,并与RS232通信接口的一端连接,所述RS232通信接口另一端与单片机连接,其作用为将传感器采集的数据发送至单片机。优选的,所述电源电路与单片机及FPGA芯片连接,用于提供电源,优选的,所述时钟电路与单片机和FPGA连接,用于提供同步的时钟信号。优选的,所述单片机的15个端口直接与FPGA的15个端口相连,采用并行的方式传输数据,其中端口1用作发送使能端,端口2用作读入使能端,端口3用作读入时钟端,其余12个端口为数据口。优选的,所述FLASH芯片与FPGA连接,用于存放BP神经网络预测模型的配置文件,所述FPGA芯片与单片机相连接,用于进行BP神经网络预测模型的计算,所述3G通信模块与单片机连接,用于光伏发电功率预测结果的远传,所述LED指示灯与单片机连接,用于指示工作状态。本专利技术还提供了基于上述光伏发电功率预测装置的预测方法,所述预测方法在获取大量PM2.5浓度-PM10浓度-湿度-能见度-AOD的实际样本的基础上,采用BP神经网络方法对AOD进行预测,选取AOD与可降水量为主要变化参数,采用双波段大气辐射传输模型计算太阳直接辐射强度与散射辐射强度,进而预测出光伏电池板接收的总辐射强度,最终通过光电转换模型实现对光伏发电功率的准确、实时预测。优选的,所述预测方法包括以下具体步骤进行:步骤1.以能见度v,湿度h,PM2.5浓度C0,PM10浓度C1为输入,以440nm波长AODτ440与1020nm波长AODτ1020为输出,建立并训练BP神经网络预测模型;步骤2.将BP神经网络预测模型所预测的440nm波长AOD与1020nm波长分别代表波段1的AODτa1与波段2的AODτa2,采用线性拟合模型计算可降水量w,进而利用双波段大气辐射传输模型计算太阳直接辐射强度与散射辐射强度,从而预测出光伏电池板所接收的总辐射强度;步骤3.基于光电转换模型,预测光伏发电的输出功率。优选的,所述步骤1按以下方法进行处理:a.采集数据构造样本集;记录某一时刻k下PM2.5浓度C0、PM10浓度C1、能见度v、湿度h和440nm波长的AODτ440与1020nm波长的AODτ1020,得到一个样本(C0(k),C1(k),v(k),h(k),τ440(k),τ1020(k)),通过收集多个不同时刻下的样本,形成样本集{(C0(k),C1(k),v(k),h(k),τ440(k),τ1020(k))};b.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4个,隐含层神经元节点数为5个,输出层神经元节点数为2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;c.随机抽取样本集中的一部分做为训练样本,剩余部分做为检验样本,对所建立的BP神经网络预测模型进行训练,对于第k个时刻所构造的样本(C0(k),C1(k),v(k),h(k),τ440(k),τ1020(k)),取BP神经网络预测模型的第一个输入为v(k),第二个输入为h(k),第三个输入为C0(k),第四个输入为C1(k),第一个输出为τ440(k),第二个输出为τ1020(k);优选的,所述步骤2按以下方法进行处理:利用所述光伏发电功率预测装置采集某一环境下PM2.5浓度C0、PM10浓度C1、能见度v、湿度h,作为BP神经网络预测模型的输入,则预测模型的第一个输出为当前环境下440nm波长AODτ440的预测值第二个输出为1020nm波长AODτ1020的预测值采用线性拟合模型计算可降水量w,即w=-0.518+0.177·SVP(1)其中,SVP为地面水汽压,可根据空气相对湿度与环境温度求得:其中,R为空气相对湿度,es0为0℃时的饱和水汽压,es0=6.1078,经验系数a=7.5,b=237.3,t为环境温度;所述双波段大气辐射传输模型,其直射辐射强度的计算公式为:式中,Ebn为总直射辐射强度,i=1、2,Ebni为波段i直射辐射强度,E0ni为波段i大气层外直射辐射强度,且有E0n1=635.4W/m2,E0n2=709.7W/m2,Tai为波段i气溶胶传输衰减系数,计算公式为:Tai=exp(-maτai)(4)其中,取且有ma=[cosZ+0.16851Z0.18198/(95.318-Z)1.9542]-1(5)Twi为波段i可降水量衰减系数,计算公式为:Tw1=(1+h1mw)/(1+h2mw)(6)TRi为波段i雷利系数,各波段计算公式为TR2=(1-0.010394m'R)/(1-0.00011042m'R2)(9)以上式中参数h1,h2,mw,c1,c2,c3,c4,m'R的取值本专利不作过多说明;所述双波段大气辐射传输模型,其散射辐射强度的计本文档来自技高网
...

【技术保护点】
1.一种光伏发电功率预测装置,其特征在于:包括以下元件:PM10传感器、PM2.5传感器、湿度传感器、能见度传感器、温度传感器、RS232通信接口、单片机、电源电路、时钟电路、3G通信模块、FPGA芯片、FLASH芯片。

【技术特征摘要】
1.一种光伏发电功率预测装置,其特征在于:包括以下元件:PM10传感器、PM2.5传感器、湿度传感器、能见度传感器、温度传感器、RS232通信接口、单片机、电源电路、时钟电路、3G通信模块、FPGA芯片、FLASH芯片。2.根据权利要求1所述的一种光伏发电功率预测装置,其特征在于:所述PM10传感器、PM2.5传感器、湿度传感器、能见度传感器、温度传感器分别进行PM10浓度、PM2.5浓度、湿度、能见度、气温的采集,并与RS232通信接口的一端连接,所述RS232通信接口另一端与单片机连接,其作用为将传感器采集的数据发送至单片机。3.根据权利要求2所述的一种光伏发电功率预测装置,其特征在于:所述所述电源电路与单片机及FPGA芯片连接,用于提供电源,优选的,所述时钟电路与单片机和FPGA连接,用于提供同步的时钟信号。4.根据权利要求3所述的一种光伏发电功率预测装置,其特征在于:所述单片机的15个端口直接与FPGA的15个端口相连,采用并行的方式传输数据,其中端口1用作发送使能端,端口2用作读入使能端,端口3用作读入时钟端,其余12个端口为数据口。5.根据权利要求4所述的一种光伏发电功率预测装置,其特征在于:所述FLASH芯片与FPGA连接,用于存放BP神经网络预测模型的配置文件,所述FPGA芯片与单片机相连接,用于进行BP神经网络预测模型的计算,所述3G通信模块与单片机连接,用于光伏发电功率预测结果的远传,所述LED指示灯与单片机连接,用于指示工作状态。6.一种光伏发电功率预测装置的预测方法,其特征在于:包括以下具体步骤进行:步骤1.以能见度v,湿度h,PM2.5浓度C0,PM10浓度C1为输入,以440nm波长AODτ440与1020nm波长AODτ1020为输出,建立并训练BP神经网络预测模型;步骤2.将BP神经网络预测模型所预测的440nm波长与1020nm波长分别代表波段1的AODτa1与波段2的AODτa2,采用线性拟合模型计算可降水量w,进而利用双波段大气辐射传输模型计算太阳直接辐射强度与散射辐射强度,从而预测出光伏电池板所接收的总辐射强度;步骤3.基于光电转换模型,预测光伏发电的输出功率。7.根据权利要求6所述的一种光伏发电功率预测装置的预测方法,其特征在于:所述步骤1按以下方法进行处理:a.采集数据构造样本集;记录某一时刻k下PM2.5浓度C0、PM10浓度C1、能见度v、湿度h和440nm波长的AODτ440与1020nm波长的AODτ1020,得到一个样本(C0(k),C1(k),v(k),h(k),τ440(k),τ1020(k)),通过收集多个不同时刻下的样本,形成样本集{(C0(k),C1(k),v(k),h(k),τ440(k),τ1020(k))};b.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4个,隐含层神经元节点数为5个,输出层神经元节点数为2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;c.随机抽取样本集中的一部分做为训练样本,剩余部分做为检验样本,对所建立的BP神经网络预测模型进行训练,对于第k个时刻所构造的样本(C0(k),C1(k),v(k),h(k),τ440(k),τ1020(k)),取BP神经网络预测模型的第一个输入为v(k...

【专利技术属性】
技术研发人员:王建伟褚晓辉王晓明郭俊超吕晓宁张婧石健夫
申请(专利权)人:国网冀北电力有限公司张家口供电公司国家电网有限公司
类型:发明
国别省市:河北,13

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1