一种通用化光伏电池工作温度预测方法及装置制造方法及图纸

本发明专利技术涉及一种基于机理与经验模型的通用化光伏电池工作温度预测方法及装置，所述方法包括以下步骤：S1、构建历史数据库，该历史数据库包括光伏电池工作温度及对应的环境因素数据；S2、基于光伏电池温升机理构建基于机理的光伏电池工作温度通用化预测模型，该通用化预测模型中的不易获得参数基于历史数据库及人工神经网络模型优化获取；S3、以步骤S2获得的通用化预测模型进行光伏电池的工作温度的预测。与现有技术相比，本发明专利技术具有模型精度高、模型复杂度低、泛化能力强等优点。

A Universal Method and Device for Predicting Operating Temperature of Photovoltaic Cells

【技术实现步骤摘要】
一种通用化光伏电池工作温度预测方法及装置
本专利技术涉及光伏发配电领域，特别涉及一种基于机理与经验模型的通用化光伏电池工作温度预测方法及装置。
技术介绍
基于光伏电池的光伏发电系统凭借其无污染排放、无噪声、安全可靠等特点，已经成为了一种重要的新型能源供给形式。精准高效的光伏电池模型是光伏发电系统设计和运行的关键技术之一，是光伏系统功率预测、光储充一体化系统能源调度策略等技术的基础。构建精准高效的光伏电池模型需要首先对光伏电池工作温度进行精准预测。因为光伏电池在使用过程中存在明显的温升过程，这会降低硅材料的禁带宽度，进而导致组件的开路电压降低，短路电流小幅增加，工作功率下降。若仅以环境温度作为光伏电池的工作温度，或者对光伏电池的工作温度的预测误差较大，均会造成光伏电池模型的巨大误差。因此实现光伏电池工作温度的精准预测，对精准光伏电池模型的构建具有重要意义。现有报道考虑了光照辐射、环境温度、风速等因素对光伏电池工作温度的影响，提出了数十种光伏电池工作温度预测方法，但这些方法普遍存在以下问题：1)一些光伏电池工作温度预测模型基于吸收率、光电效率等机理参数构建，这些参数难以获得，且会随着环境条件发生波动，模型精度低。2)一些报道基于历史经验数据，以光照辐射、环境温度、风速等环境条件为输入，以电池工作温度为输出，构建了纯数据驱动的光伏电池工作温度预测模型。这种模型虽然获得了较好的拟合效果，但泛化能力差，用于复杂工况场景下的光伏电池工作温度的预测能力不佳。3)目前提出的预测方法只是针对单一种类光伏电池的温度曲线进行拟合与预测，在应用于其他种类电池时的推广性差。专利技术内容本专利技术的目的之一是为了克服上述现有技术存在的缺陷而提供一种精度高、泛化能力强的基于机理与经验模型的通用化光伏电池工作温度预测方法及装置。本专利技术的目的之二是对光伏电池工作温度通用化预测模型的不易获得参数进行精确获取，并降低模型复杂度，以进一步提高光伏电池工作温度预测的有效性及可靠性。本专利技术的目的可以通过以下技术方案来实现：一种基于机理与经验模型的通用化光伏电池工作温度预测方法，包括：S1、构建历史数据库，该历史数据库包括光伏电池工作温度及对应的环境因素数据；S2、基于光伏电池温升机理构建基于机理的光伏电池工作温度通用化预测模型，该通用化预测模型中的不易获得参数基于历史数据库及人工神经网络模型优化获取；S3、以步骤S2获得的通用化预测模型进行光伏电池的工作温度的预测。进一步地，所述通用化预测模型的模型结构为：式中，Tcell,k是第k组历史监测数据的光伏电池工作温度，Tamb,k是第k组历史监测数据的环境温度，Gk是第k组历史监测数据的光照辐射强度，GNOCT是测量光伏电池标称工作温度的光照辐射强度，Ta,NOCT是测量光伏电池标称工作温度的环境温度，TNOCT是光伏电池标称工作温度，yk是第k组历史监测数据的不易获得参数。进一步地，所述不易获得参数的获取过程具体为：S21、构建人工神经网络模型，模型结构为：xk＝[Gk,Tamb,k,vwind,k]式中，h为隐含层节点数，βi为权值矩阵，σ为内核宽度，x为神经网络的输入矩阵，ci为第i个隐含层节点的中心点位置，vwind,k为第k组历史监测数据的风速；S22、选取人工神经网络模型的结构参数；S23、基于历史数据库及所构建的人工神经网络模型，优化获得所述不易获得参数。进一步地，所述选取人工神经网络模型的结构参数具体为：中心点位置ci通过K均值聚类算法选取；内核宽度σ通过改进的最大距离法选取；隐含层节点数h采用基于大M法求解方法的L1正则化建模策略选取；权重矩阵βi采用基于十折交叉验证的优化方法获得。进一步地，该方法还包括：S4、基于实时产生的新的光伏电池监测数据更新所述历史数据库，以设定间隔执行步骤S2，对不易获得参数进行更新。本专利技术还提供一种基于机理与经验模型的通用化光伏电池工作温度预测装置，所述装置包括存储器、处理器以及存储于所述存储器中并由所述处理器执行的程序，所述处理器执行所述程序时实现以下步骤：S1、构建历史数据库，该历史数据库包括光伏电池工作温度及对应的环境因素数据；S2、基于光伏电池温升机理构建基于机理的光伏电池工作温度通用化预测模型，该通用化预测模型中的不易获得参数基于历史数据库及人工神经网络模型优化获取；S3、以步骤S2获得的通用化预测模型进行光伏电池的工作温度的预测。进一步地，所述通用化预测模型的模型结构为：式中，Tcell,k是第k组历史监测数据的光伏电池工作温度，Tamb,k是第k组历史监测数据的环境温度，Gk是第k组历史监测数据的光照辐射强度，GNOCT是测量光伏电池标称工作温度的光照辐射强度，Ta,NOCT是测量光伏电池标称工作温度的环境温度，TNOCT是光伏电池标称工作温度，yk是第k组历史监测数据的不易获得参数。进一步地，所述不易获得参数的获取过程具体为：S21、构建人工神经网络模型，模型结构为：xk＝[Gk,Tamb,k,vwind,k]式中，h为隐含层节点数，βi为权值矩阵，σ为内核宽度，x为神经网络的输入矩阵，ci为第i个隐含层节点的中心点位置，vwind,k为第k组历史监测数据的风速；S22、选取人工神经网络模型的结构参数；S23、基于历史数据库及所构建的人工神经网络模型，优化获得所述不易获得参数。进一步地，所述选取人工神经网络模型的结构参数具体为：中心点位置ci通过K均值聚类算法选取；内核宽度σ通过改进的最大距离法选取；隐含层节点数h采用基于大M法求解方法的L1正则化建模策略选取；权重矩阵βi采用基于十折交叉验证的优化方法获得。进一步地，所述处理器执行所述程序时还实现以下步骤：S4、基于实时产生的新的光伏电池监测数据更新所述历史数据库，以设定间隔执行步骤S2，对不易获得参数进行更新。与现有技术相比，本专利技术具有以如下有益效果：1)本专利技术提出的基于机理与经验的通用化光伏电池工作温度预测方法，兼顾模型的精度、复杂度和泛化能力，可以应用于多种光伏电池的工作温度预测场景。2)本专利技术模型中不易获得的参数部分，基于历史经验数据运用人工神经网络模型建模获得，有效提高通用化预测模型预测精度。3)本专利技术提出的系统的模型结构参数优化方案，保证模型精度的同时，大幅降低了模型复杂度，提升了方法的应用效率。4)基于每日数据的光伏电池工作温度预测模型参数更新策略，有助于进一步提高模型的预测精度。5)基于本专利技术的光伏电池工作温度预测方法，有助于提升光伏电池功率的预测精度，进而改进光储充一体化系统的调度方式，有望产生更大的经济效益和社会价值。附图说明图1为本专利技术方法的流程示意图；图2为实施例中对隐含层节点数的优选结果示意图；图3为实施例中对光伏电池工作温度的拟合与预测结果与实测工作温度的误差比较示意图，其中(3a)为拟合结果与实测工作温度的比较，(3b)为预测结果与实测工作温度的比较；图4为本方法构建的基于经验和历史数据的通用化光伏电池工作温度预测方法的模型结构。具体实施方式下面结合附图和具体实施例对本专利技术进行详细说明。本实施例以本专利技术技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。如图1所示，本专利技术提供一种基于机理与经验模型的通本文档来自技高网...

【技术保护点】
1.一种基于机理与经验模型的通用化光伏电池工作温度预测方法，其特征在于，包括以下步骤：S1、构建历史数据库，该历史数据库包括光伏电池工作温度及对应的环境因素数据；S2、基于光伏电池温升机理构建基于机理的光伏电池工作温度通用化预测模型，该通用化预测模型中的不易获得参数基于历史数据库及人工神经网络模型优化获取；S3、以步骤S2获得的通用化预测模型进行光伏电池的工作温度的预测。

【技术特征摘要】
1.一种基于机理与经验模型的通用化光伏电池工作温度预测方法，其特征在于，包括以下步骤：S1、构建历史数据库，该历史数据库包括光伏电池工作温度及对应的环境因素数据；S2、基于光伏电池温升机理构建基于机理的光伏电池工作温度通用化预测模型，该通用化预测模型中的不易获得参数基于历史数据库及人工神经网络模型优化获取；S3、以步骤S2获得的通用化预测模型进行光伏电池的工作温度的预测。2.根据权利要求1所述的基于机理与经验模型的通用化光伏电池工作温度预测方法，其特征在于，所述通用化预测模型的模型结构为：式中，Tcell,k是第k组历史监测数据的光伏电池工作温度，Tamb,k是第k组历史监测数据的环境温度，Gk是第k组历史监测数据的光照辐射强度，GNOCT是测量光伏电池标称工作温度的光照辐射强度，Ta,NOCT是测量光伏电池标称工作温度的环境温度，TNOCT是光伏电池标称工作温度，yk是第k组历史监测数据的不易获得参数。3.根据权利要求2所述的基于机理与经验模型的通用化光伏电池工作温度预测方法，其特征在于，所述不易获得参数的获取过程具体为：S21、构建人工神经网络模型，模型结构为：xk＝[Gk,Tamb,k,vwind,k]式中，h为隐含层节点数，βi为权值矩阵，σ为内核宽度，x为神经网络的输入矩阵，ci为第i个隐含层节点的中心点位置，vwind,k为第k组历史监测数据的风速；S22、选取人工神经网络模型的结构参数；S23、基于历史数据库及所构建的人工神经网络模型，优化获得所述不易获得参数。4.根据权利要求3所述的基于机理与经验模型的通用化光伏电池工作温度预测方法，其特征在于，所述选取人工神经网络模型的结构参数具体为：中心点位置ci通过K均值聚类算法选取；内核宽度σ通过改进的最大距离法选取；隐含层节点数h采用基于大M法求解方法的L1正则化建模策略选取；权重矩阵βi采用基于十折交叉验证的优化方法获得。5.根据权利要求1所述的基于机理与经验模型的通用化光伏电池工作温度预测方法，其特征在于，该方法还包括：S4、基于实时产生的新的光伏电池监测数据更新所述历史数据库，以设定间隔执行步骤S2，对不易获得参数进行更新。6.一种基于机理与经验模型的通用化光伏电池工作温度预测装置，其...

【专利技术属性】
技术研发人员：贺益君，董潇健，沈佳妮，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：上海,31