【技术实现步骤摘要】
本专利技术涉及光伏预测及光伏电网调控，尤其是一种光伏发电预测模型构建方法、光伏供能调控方法和设备。
技术介绍
1、随着清洁能源的发展，光伏发电在现实中应用越来越广泛，比如当前设备必不可少的可视化设备、图像抓拍装置等都是用到光伏供电。
2、太阳能光伏电池主要是通过接收入射的太阳光，将太阳辐射能通过光生伏打效应转换成电能。光伏发电装置受太阳辐射随机波动性和环境温度影响较大，随着环境随时间的变化，光伏电池的输出功率情况也会不断变化，这对依靠光伏供能的系统运行无疑会产生较大的影响。用于光伏储能的直流储能装置容易出现过度充放电和极端使用等情况，进一步加速储能装置的老化，造成储能失效，从而造成装置离线率较高，而解决这一问题的核心在于提前预测光伏出力情况并相应调控装置的运行状态。
3、目前现有针对这一问题并没有一套完整系统性的解决方案，已有的一些预测设备也不能很好的结合各种情况对装置进行适当的调节，且目前已有的光伏监测系统一般针对较大型的光伏电站使用，且其对光伏发电的预测缺少结合蓄电池剩余电量、用电负荷的耗能情况以及蓄电池的老化情况等从而对系统运行进行智能调控，因此实用性往往不高。
技术实现思路
1、为了克服上述现有技术中光伏发电预测精度低的缺陷，本专利技术提出了一种光伏发电预测模型构建方法，可结合光伏工作环境数据实现光伏供电的高精度预测。
2、本专利技术提出的一种光伏发电预测模型构建方法，包括以下步骤：
3、s1、获取学习样本{光伏工作环境数据；
4、s2、设置预测模块中待优化参数，并设置各个待优化参数的取值空间；
5、s3、构建由预测模块中待优化参数作为个体组成的种群，并初始化种群，个体的初始值为对应的取值空间的随机值；
6、s4、从学习样本中选择多个训练样本，结合设定的第一优化目标函数分别对种群中单个个体进行优化，获取n个优化后的种群；n为预测模块中待优化参数的数量；令第i个个体优化后的种群记作xi，xi对应的第一优化目标函数记作f(xi)，xi中第i个待优化参数的取值记作xi(t)；
7、s5、对各待优化参数进行优化，令第i个待优化参数优化后的值记作xi(t+1)；
8、
9、
10、
11、其中，和xi(t')表示过渡值，xi(t)表示种群xi中第i个个体，xi(t+1)表示xi(t)优化后的值，pi表示第i个待优化参数取值空间中xi(t)以外的任一取值，q为数值区间[0,1]上的随机值，e为集合{1,2}中的随机数；t(iter)为根据以种群迭代次数iter为自由度的t分布选择的随机值；
12、表示种群xi中第i个个体替换为后对应的第一优化目标函数值，表示种群xi中第i个个体替换为pi后对应的第一优化目标函数值，fi为种群xi的第一优化目标函数值；
13、s6、引入非线性权重因子对参数集合{xi(t+1)，1≤i≤n}进行迭代，将迭代后的参数集合{xi'(t+1)，1≤i≤n}作为新的种群xi；
14、s7、判断种群迭代次数是否达到最大迭代次数t；否，则返回步骤s4；是，则执行步骤s8；
15、s8、令ωi表示预测模块中第i个待优化参数的优化空间，ωi为种群迭代过程中生成的所有xi'(t+1)的集合，在各待优化参数的优化空间上，结合设定的第二优化目标确定各待优化参数的值，并将优化后的值赋予预测模块，将基础作为光伏发电预测模型。
16、优选的，s4中，令第i个个体优化后的种群记作xi，xi对应的第一优化目标函数记作f(xi)；s4中对种群xi中的第i个参数进行迭代，当种群xi满足第一优化目标函数f(xi)，则固定种群xi；1≤i≤n；第一优化目标函数为：
17、
18、其中，fk表示第k个训练样本的光伏发电功率真值，表示加载种群xi的基础模型对第k个训练样本的光伏发电功率预测值，表示n个训练样本的光伏发电功率真值均值，n表示训练样本总数量；
19、令fgi表示种群xi中第i个个体替换为gi后对应的第一优化目标函数值，fgi＝{f1xi→gi,f2xi→gi}，f1xi→gi表示种群xi中第i个个体xi替换为gi后代入基础模型计算获得的f1目标函数值，f2xi→gi表示种群xi中第i个个体xi替换为gi后代入基础模型计算获得的f2目标函数值；
20、
21、
22、
23、
24、f1i表示种群xi代入基础模型计算获得的f1目标函数值，f2i表示种群xi代入基础模型计算获得的f2目标函数值；
25、表示且表示或
26、表示且表示或
27、优选的，s6中，xi'(t+1)的获取方式如下：
28、
29、
30、其中，表示过渡值，γ和r均为设定参数，xi(t+1)为步骤s5优化后的参数，r为数值区间[0,1]上的随机值；表示种群xi中第i个个体替换为后对应的第一优化目标函数值，iter表示当前种群迭代次数；
31、表示种群xi中第i个个体xi替换为后代入基础模型计算获得的f1目标函数值，表示种群xi中第i个个体xi替换为后代入基础模型计算获得的f2目标函数值；
32、表示且表示或
33、优选的，s5中：
34、
35、
36、其中，iter表示当前种群迭代次数；t表示设定的最大迭代次数，π为圆周率。
37、优选的，第二优化目标为：
38、
39、
40、其中，f(xi')为种群xi中第i个个体替换为xi'后对应的第一优化目标函数值，fi*为优化空间ωi中取值对应的最小第一优化目标函数值；ωi为第i个待优化参数的权重。
41、优选的，s2中各待优化参数的取值空间分布为：xm+1＝ρxm(1-xm2)；其中，ρ表示设定的控制参数，xm+1表示取值空间中第m+1个值，xm表示取值空间中第m个值，0≤m≤m-1，x0为设定的初始化值；m为设定值，表示取值空间内的数值数量。
42、优选的，s5中，t(iter)的计算公式如下：
43、
44、其中，u为在以种群迭代次数iter为自由度的t分布上的随机值；f(u)为以种群迭代次数iter为自由度的t分布的概率密度函数。
45、本专利技术还提出了一种光伏供能调控方法和系统，采用上述的光伏发电预测模型，可精确高效的预测光伏发电功率。
46、本专利技术提出的一种光伏本文档来自技高网...
【技术保护点】
1.一种光伏发电预测模型构建方法，其特征在于，包括以下步骤：
2.如权利要求1所述的光伏发电预测模型构建方法，其特征在于，S4中，令第i个个体优化后的种群记作Xi，Xi对应的第一优化目标函数记作F(Xi)；S4中对种群Xi中的第i个参数进行迭代，当种群Xi满足第一优化目标函数F(Xi)，则固定种群Xi；1≤i≤N；第一优化目标函数为：
3.如权利要求2所述的光伏发电预测模型构建方法，其特征在于，S6中，xi'(t+1)的获取方式如下：
4.如权利要求3所述的光伏发电预测模型构建方法，其特征在于，S5中：
5.如权利要求2所述的光伏发电预测模型构建方法，其特征在于，第二优化目标为：
6.如权利要求1所述的光伏发电预测模型构建方法，其特征在于，S2中各待优化参数的取值空间分布为：xm+1＝ρxm(1-xm2)；其中，ρ表示设定的控制参数，xm+1表示取值空间中第m+1个值，xm表示取值空间中第m个值，0≤m≤M-1，x0为设定的初始化值；M为设定值，表示取值空间内的数值数量。
7.如权利要求1所述的光伏发电预测模
8.一种采用如权利要求1-7任一项所述的光伏发电预测模型构建方法的光伏供能调控方法，其特征在于，首先采用如权利要求1-7任一项所述的光伏发电预测模型构建方法获取光伏发电预测模型，将检测到的光伏工作环境数据输入光伏发电预测模型获取光伏发电功率预测值；检测光伏供电系统的蓄电池电量和负载功率，根据设定的调控规则控制蓄电池充放电以及负载工作状态；
9.一种采用如权利要求8所述的光伏供能调控方法的光伏供能调控设备，其特征在于，包括光伏板、环境检测仪、数据采集仪、蓄电池、通信模块、智能预测调控模块、控制模块和太阳光追踪装置；光伏板用于光伏供电，蓄电池用于充放电；
10.一种光伏发电预测系统，其特征在于，包括存储器和处理器，存储器中存储有计算机程序和采用如权利要求1-7任一项所述的光伏发电预测模型构建方法构建的光伏发电预测模型，处理器连接存储器，处理器用于获取光伏工作环境数据并输入光伏发电预测模型，以获取光伏发电功率预测值。
...【技术特征摘要】
1.一种光伏发电预测模型构建方法，其特征在于，包括以下步骤：
2.如权利要求1所述的光伏发电预测模型构建方法，其特征在于，s4中，令第i个个体优化后的种群记作xi，xi对应的第一优化目标函数记作f(xi)；s4中对种群xi中的第i个参数进行迭代，当种群xi满足第一优化目标函数f(xi)，则固定种群xi；1≤i≤n；第一优化目标函数为：
3.如权利要求2所述的光伏发电预测模型构建方法，其特征在于，s6中，xi'(t+1)的获取方式如下：
4.如权利要求3所述的光伏发电预测模型构建方法，其特征在于，s5中：
5.如权利要求2所述的光伏发电预测模型构建方法，其特征在于，第二优化目标为：
6.如权利要求1所述的光伏发电预测模型构建方法，其特征在于，s2中各待优化参数的取值空间分布为：xm+1＝ρxm(1-xm2)；其中，ρ表示设定的控制参数，xm+1表示取值空间中第m+1个值，xm表示取值空间中第m个值，0≤m≤m-1，x0为设定的初始化值；m为设定值，表示取值空间内的数值数量。
...
【专利技术属性】
技术研发人员：孟令，朱理宏，周飞飞，丁思明，王传宇，郭文博，安旸，吴继伟，童贤德，张乐，张军，魏茂荣，蔡博文，寇奥永，何叶飞，尹琪瑶，朱昱龙，陈义征，裴刚，
申请(专利权)人：安徽送变电工程有限公司，
类型：发明
国别省市：
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。