System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于光伏发电,具体涉及一种基于改进晴空模型的太阳辐照度优化方法。
技术介绍
1、分布式光伏安装地点较为分散,装机容量较小,考虑到成本原因,一般不具有气象量测装置,而且分布式光伏发电发展时间较短,分布式光伏电站历史样本少且统计不规范,能用于建模的历史数据少之又少,直接建立功率预测模型难上加难。光伏发电的原理是利用电子元器件将太阳辐射能转换成电能,可以说光伏发电功率的准确预测极其依赖于太阳辐照度的准确性,太阳辐照度的准确性对分布式光伏发电功率的预测具有很大的参考作用,同时对分布式光伏新场站的选址具有非常重要的实际意义。
2、而实际上太阳辐射观测站点稀疏,且分布极不均匀,随着光伏发电装机占比不断提高,无法为所有地区的光伏电站都提供高精度的太阳辐射时空分布资料,可以考虑使用晴空模型计算待测场站地区的理论晴空辐照度,为待测场站地区的实际太阳辐照度提供参考。
3、晴空模型就是通过经验公式对晴空状态下的太阳辐照度进行推演,自十九世纪中开始,就有许多国内外学者展开了对晴空模型的研究,如ashrae模型、hottel模型、heliosat2-4模型、bird模型、hoyt模型、simplified solis模型、rest2模型和iqbal-c模型等等,其中最早提出的ashrae模型和hottel模型由于其公式简单明了,参数含义明确依旧被广泛采用。ashrae模型由美国采暖和空调工程师学会提出,认为晴空条件下天空中没有或几乎没有云层且空气质量非常好,但其并未考虑气候条件和地理条件以及大气中气溶胶光学厚度信息的影响
技术实现思路
1、ashrae模型是美国采暖、制冷与空调工程师学会在threlkeld和jordan研究基础上,开发的晴空条件下地表太阳辐照度通用预测模型。ashrae模型认为晴空条件下天空中没有或几乎没有云层且空气质量非常好,因此通过ashrae模型计算得到的辐照度为理论晴空辐照度,其结果普遍高于实际辐照度。因此本专利技术提供了一种基于改进晴空模型的太阳辐照度优化方法,ashrae模型的改进措施共分为两步:首先分析a1、a2、a3、k1、k2、k3是如何对模型效果产生影响的,采用最小二乘法依次确定上述系数的最优值;然后考虑空气中大分子悬浮物对太阳折射的影响,采用空气质量指数对ashrae模型计算结果进一步优化。
2、为达到上述目的本专利技术采用了以下技术方案:
3、一种基于改进晴空模型的太阳辐照度优化方法,包括以下步骤:
4、步骤1,根据太阳辐照度建立晴空模型;
5、步骤2,考虑地理因素和气候条件确定晴空模型的参数的最优值,根据已确定参数的最优值的晴空模型得到理论太阳辐照度;
6、步骤3,建立梯度提升决策树模型,以理论太阳辐照度的日峰值和空气质量指数为输入,以实际太阳辐照度的日峰值作为输出,对理论太阳辐照度进行优化。
7、空气中的分子对太阳辐射的折射也会影响太阳辐照度的衰减。气溶胶光学厚度(aerosol optical depth,aod)是指气溶胶组分由于消光作用产生的光学厚度,可以描述气溶胶对光的衰减程度。气溶胶的主要组成成分是可吸入颗粒物(pm2.5)、细颗粒物(pm10)、so2等大气污染物,因此可用空气质量指数作为aod的近似考虑,以克服aod采集难度大的缺点。
8、历史空气质量指数(air quality index,aqi)一般以天为单位,与通常辐照度或者光伏功率的预测尺度相差较大,因此不能直接将其用于太阳辐照度或功率预测模型。故建立梯度提升决策树模型,以理论太阳辐照度的日峰值和空气质量指数为输入,以实际太阳辐照度的日峰值作为输出,即对理论太阳辐照度进行优化。
9、进一步,所述步骤1中太阳辐照度包括:地表总辐射i、直接辐射ib、散射辐射id,计算公式如下:
10、直接辐射ib的计算公式为:
11、
12、其中,a为表面的大气层外辐射通量,k为光深的无量纲因子,θz为太阳天顶角;
13、散射辐射id的计算公式为:
14、id=0.095+0.04sin(2π(n-100)/365)ib (2)
15、其中,n为为一年之中自1月1日起的第n天
16、地表总辐射i的计算公式为:
17、i=ibcosθz+id (3):
18、将地表总辐射i、直接辐射ib、散射辐射id的计算公式作为晴空模型;
19、再进一步,式(1)中a和k是考虑日地距离和地球公转的函数,由实际辐照度迭代回归得到,分别表示为:
20、a=a1+a2sin2π(n-a3)/365) (4)
21、k=k1+k2sin(2π(n-k3/365) (5)
22、其中,a1、a2、a3、k1、k2、k3均为迭代回归得到的系数。
23、式(1)和(3)中,所述太阳天顶角θz与太阳高度角hs互余,太阳高度角hs计算公式为:
24、sinhs=sinφ×sinδ+cosφ×cosδ×cost (6)
25、其中,φ表示地理纬度,δ表示太阳赤纬,t表示太阳时角;
26、所述太阳赤纬δ是地球赤道平面与太阳和地球中心的连线之间的夹角,计算公式为:
27、δ=0.006918-0.399912cos(b)+0.070257sin(b)-0.006758cos(2b)+0.000907sin(2b)-0.002697cos(3b)+0.00148sin(3b) (7)
28、其中,
29、太阳时角是当地的时钟时间(也叫“平太阳时”,以经度为准的时钟时间)与真太阳时偏差,由真太阳时计算得到,所述太阳时角t=(真太阳时-12)×15°,其中真太阳时=平太阳时+真太阳时时差,真太阳时时差由查阅时差表得到。
30、进一步,所述晴空(ashrae)模型主要依靠参数a和k中的sin函数来反映太阳辐照度年内和日内的曲线变化,其中,参数a主要影响年内日太阳辐照度幅值变化,k主要影响日内太阳辐照度曲线变化,a1主要影响年内日太阳辐照度基础幅值,a2主要影响年内日太阳辐照度变化幅值,a3主要影响年内日太阳辐照度变化趋势,k1主要影响日内太阳辐照度基础幅值,k2和k3对年内和日内太阳辐照度变化均有微弱影响。
31、所述晴空模型的参数包括a、k、a1、a2、a3、k1、k2、k3,所述步骤2中考虑地理因素和气候条件确定晴空模型的参数的最优值,包括:采用最小二乘法依次确定晴空模型中的参数a、k、a1、a2、a3、k1、k2、k3的最优值;
32、其中,采用最小二乘法依次确定晴空模型中的参数a、k、a1、a2、a3、k1、k2、k3的最本文档来自技高网...
【技术保护点】
1.一种基于改进晴空模型的太阳辐照度优化方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于改进晴空模型的太阳辐照度优化方法,其特征在于,所述步骤1中太阳辐照度包括:地表总辐射I、直接辐射Ib、散射辐射Id,计算公式如下:
3.根据权利要求2所述的一种基于改进晴空模型的太阳辐照度优化方法,其特征在于,所述晴空模型的参数包括A、k、a1、a2、a3、k1、k2、k3,所述步骤2中考虑地理因素和气候条件确定晴空模型的参数的最优值,包括:采用最小二乘法依次确定晴空模型中的参数A、k、a1、a2、a3、k1、k2、k3的最优值;
4.根据权利要求1所述的一种基于改进晴空模型的太阳辐照度优化方法,其特征在于,所述步骤3中梯度提升决策树算模型由多个基学习器组成,所述多个基学习器线性加权形成强学习器,将强学习器作为梯度提升决策树算模型。
5.根据权利要求4所述的一种基于改进晴空模型的太阳辐照度优化方法,其特征在于,所述梯度提升决策树算模型的训练过程为:初始化一个基学习器,之后的每一个基学习器都在上一轮基学习器的残差基础上进行迭代训练
6.一种太阳辐照度优化装置,其特征在于,包括:
7.根据权利要求6所述的的一种太阳辐照度优化装置,其特征在于,所述晴空模型建立模块中,太阳辐照度包括:地表总辐射I、直接辐射Ib、散射辐射Id,计算公式如下:
8.根据权利要求6所述的的一种太阳辐照度优化装置,其特征在于,所述第一优化模块中,晴空模型的参数包括A、k、a1、a2、a3、k1、k2、k3;考虑地理因素和气候条件确定晴空模型的参数的最优值,包括:采用最小二乘法依次确定晴空模型中的参数A、k、a1、a2、a3、k1、k2、k3的最优值;
9.根据权利要求6所述的的一种太阳辐照度优化装置,其特征在于,所述第二优化模块中,梯度提升决策树算模型由多个基学习器组成,所述多个基学习器线性加权形成强学习器,将强学习器作为梯度提升决策树算模型;
10.一种计算机存储介质,其特征在于,所述计算机可读存储介质中存储有指令,当所述指令被运行时,实现权利要求1~5任一项基于改进晴空模型的太阳辐照度优化方法。
...【技术特征摘要】
1.一种基于改进晴空模型的太阳辐照度优化方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于改进晴空模型的太阳辐照度优化方法,其特征在于,所述步骤1中太阳辐照度包括:地表总辐射i、直接辐射ib、散射辐射id,计算公式如下:
3.根据权利要求2所述的一种基于改进晴空模型的太阳辐照度优化方法,其特征在于,所述晴空模型的参数包括a、k、a1、a2、a3、k1、k2、k3,所述步骤2中考虑地理因素和气候条件确定晴空模型的参数的最优值,包括:采用最小二乘法依次确定晴空模型中的参数a、k、a1、a2、a3、k1、k2、k3的最优值;
4.根据权利要求1所述的一种基于改进晴空模型的太阳辐照度优化方法,其特征在于,所述步骤3中梯度提升决策树算模型由多个基学习器组成,所述多个基学习器线性加权形成强学习器,将强学习器作为梯度提升决策树算模型。
5.根据权利要求4所述的一种基于改进晴空模型的太阳辐照度优化方法,其特征在于,所述梯度提升决策树算模型的训练过程为:初始化一个基学习器,之后的每一个基学习器都在上一轮基学习器的残差基础上进行迭代训练,在重复迭代中拟合...
【专利技术属性】
技术研发人员:王丽婕,马笑天,卢丹,郝颖,赵瑞峰,张琳娟,赵波,郭璞,
申请(专利权)人:北京信息科技大学,
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。