雾霾积灰条件下的光伏发电功率输出减少率估计方法

摘要

本发明提出一种雾霾积灰条件下的光伏发电功率输出减少率估计方法，所述方法在采集大量PM2.5浓度‑PM10浓度‑相对湿度‑风速‑光伏发电功率输出减少率的实际样本数据的基础上，利用万有引力神经网络建立光伏发电功率输出减少率的预测模型，并利用该模型进行雾霾积灰下的光伏发电功率输出减少率的估计。本发明能够解决光伏电池面板积灰浓度难以测量、对光伏发电的影响难以定量分析的问题，从而有助于提高光伏发电的预测精度。

主权项

一种雾霾积灰条件下的光伏发电功率输出减少率估计方法，所述方法在采集大量PM2.5浓度‑PM10浓度‑相对湿度‑风速‑光伏发电功率输出减少率的实际样本数据的基础上，利用万有引力神经网络方法建立光伏发电功率输出减少率的预测模型，并利用该模型进行光伏发电功率输出减少率估计，其特征为该方法包括以下步骤：a.采集数据构造样本集；在实验室某一固定光照条件下，记录表面洁净的光伏电池板的输出功率为P₀；然后，将光伏电池板置于雾霾天气下的室外空旷处，使其与水平地面的倾角为α，进行自然积灰，并以ΔT为时间间隔，定期在实验室相同的固定光照条件下测量其输出功率，同时记录相应时刻空气的PM2.5浓度、PM10浓度、相对湿度RH、风速v，对于第i次测量，记录其输出功率为P_i，空气的PM2.5浓度为C_i1、PM10浓度为C_i2，相对湿度为RH_i、风速为v_i；通过长期的数据记录，形成原始样本集{(C_i1，C_i2，RH_i，v_i，P_i)}，i＝1，2，...，M，M为样本总个数；b.对原始样本集进行处理，构成训练样本集：基于原始样本集{(C_i1，C_i2，RH_i，v_i，P_i)}，计算第i次测量对应的湿度修正因子f(RH_i)与风速修正因子f(v_i)，并获取PM2.5累积浓度C_i1^*与PM10累积浓度C_i2^*，以及第i次测量对应的光伏发电功率输出减少率η_i：$f\left({\mathrm{RH}}_i\right)=\frac{1}{1-{\mathrm{RH}}_i/100};$$f\left(v_i\right)=3.91\frac{1}{v_i};$$C_{i1}^{*}=\underset{j=1}{\overset{i}{\Sigma }}{C}_{j1}·\Delta T·f\left({\mathrm{RH}}_j\right)f\left(v_j\right);$$C_{i2}^{*}=\underset{j=1}{\overset{i}{\Sigma }}{C}_{j2}·\Delta T·f\left({\mathrm{RH}}_j\right)f\left(v_j\right);$${\eta }_i=\frac{P_0-P_i}{P_0}\times \mathrm{100\%;}$从而得到训练样本集c.建立三层结构BP神经网络预测模型，其中，输入层神经元节点数为2个，隐含层神经元节点数为5个，输出层神经元节点数为1个，隐含层神经元转移函数使用双曲正切函数，输出层神经元转移函数使用S型函数；对于样本取BP神经网络预测模型的第一个输入为第二个输入为输出为η_i；d.基于训练样本集，利用万有引力搜索算法对建立的BP神经网络预测模型的权值与阈值进行优化，具体步骤如下：①设置粒子群体规模N以及各粒子初始位置i＝1，2，3，…，N，D为粒子维数，采用随机数生成的方式初始化各粒子位置，并设置最大迭代次数；②计算各粒子的适应度函数值：定义粒子的适应度函数f_i为BP神经网络预测模型在训练样本上的均方差：$f_i=\frac{1}{mp}\underset{p=1}{\overset{p}{\Sigma }}\underset{j=1}{\overset{m}{\Sigma }}{({\hat{x}}_{pj}-x_{pj})}^2$其中：m为输出节点个数；p为训练样本的个数；为网络期望输出值；x_pj为网络实际输出值；③更新群体中的f_best与f_worst(f_best＝minf_j，f_worst＝maxf_j)，按下式计算各粒子的质量M_i：$m_i=\frac{f_i-f_{worst}}{f_{best}-f_{worst}};$④按照下式计算各粒子的引力合力F_i与加速度a_i：$F_i^d\left(t\right)=\underset{j\ne i}{\Sigma }{\mathrm{rand}}_j{F}_{ij}^d\left(t\right);$$a_i^d\left(t\right)=\frac{F_i^d\left(t\right)}{M_i\left(t\right)};$$F_{ij}^d\left(t\right)=G\left(t\right)\frac{M_{pi}\left(t\right)M_{aj}\left(t\right)}{\left|\right|P_i\left(t\right),P_j\left(t\right)|{|}^2}\left(p_j^d\right(t)-p_i^d(t\left)\right),$式中：t为迭代次数，F_i^d(t)为第i个粒子受到的来自其它粒子引力合力F_i的第d维分量，为第i个粒子的第d维的加速度，rand_j为[0，1]之间的随机数，G(t)为引力时间常数M_pi(t)和M_aj(t)分别为第i个粒子的被动惯性质量和第j个粒子的主动惯性质量，和分别为第i个粒子与第j个粒子的第d维的位置；⑤按照下式更新各粒子的速度v_i与位置P_i：$v_i^d(t+1)={\mathrm{rand}}_i\times v_i^d\left(t\right)+a_i^d\left(t\right);$$p_i^d(t+1)=p_i^d\left(t\right)+v_i^d(t+1);$式中：为第i个粒子的第d维速度；⑥判断是否达到最大迭代次数，若达到最大迭代次数，停止迭代，此时f_best所对应的粒子位置即为优化后的BP神经网络预测模型的权值与阈值；否则，返回步骤②；e.利用万有引力神经网络预测模型进行光伏发电功率输出减少率的估计，即将某一环境下获取PM2.5累积浓度C_i1^*与PM10累积浓度C_i2^*作为万有引力神经网络预测模型的输入，预测模型的输出即为当前环境下光伏发电功率输出减少率的估计值