CN108335042B - 动态光伏电板清洗指数的计算方法 - Google Patents

动态光伏电板清洗指数的计算方法 Download PDF

Info

Publication number
CN108335042B
CN108335042B CN201810114996.7A CN201810114996A CN108335042B CN 108335042 B CN108335042 B CN 108335042B CN 201810114996 A CN201810114996 A CN 201810114996A CN 108335042 B CN108335042 B CN 108335042B
Authority
CN
China
Prior art keywords
value
index
power generation
clusters
loss rate
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810114996.7A
Other languages
English (en)
Other versions
CN108335042A (zh
Inventor
王檀
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao Guanxin Technology Co ltd
Original Assignee
Tangshan Yingtong Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tangshan Yingtong Technology Co ltd filed Critical Tangshan Yingtong Technology Co ltd
Priority to CN201810114996.7A priority Critical patent/CN108335042B/zh
Publication of CN108335042A publication Critical patent/CN108335042A/zh
Application granted granted Critical
Publication of CN108335042B publication Critical patent/CN108335042B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Mathematical Physics (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Pure & Applied Mathematics (AREA)
  • Development Economics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本发明涉及一种基于PM值数据来评估的动态光伏电板清洗指数的计算方法。其步骤包括：收集当地电站的灰尘累积度、发电损耗率、预期发电值、所在地PM值；使用PM值和灰尘累积度进行线性回归分析；根据线性回归对发电损耗率进行预测，扩充原始数据集；使用聚类方法并依据发电损耗率重新排布，最终的排序即为推荐的清洗指数。本发明通过回归分析来对灰尘累积度和PM值进行拟合，当数据拟合完成后，可以用易于获取的PM值作为特征参数，与发电量、电量损失指数等其它特征进行协同过滤，在投入尽可能小的情况下得到准确的清洗指数，自动提醒用户光电板的积灰程度是否需要清洗，通过及时清洗光伏电板，提升发电效率，节约成本。

Description

动态光伏电板清洗指数的计算方法
技术领域
本发明涉及光伏电板灰尘监控技术领域，具体是一种基于PM值数据来评估的动态光伏电板清洗指数的计算方法。
背景技术
由于光伏发电***的发电能力是评价光伏电站性能最重要的指标，而灰尘对光伏组件的发电性能影响存在普遍性，大气灰尘是影响太阳能发电效率的关键因素之一，尤其是长时间的风沙导致尘土等污浊物遮挡光伏组件，影响光线的透射率，进而影响组件表面接受到的辐射量。
同时，由于这些污浊物距离光伏电池片的距离很近，会形成阴影，并在光伏组件具备形成热斑效应。如果长时间不及时对光伏组件进行清洁，将会大幅度降低光伏电站发电量，不仅不能满足电网的要求，而且还降低了光伏发电***的利用率。目前对于灰尘的研究主要停留在利用传感器对灰尘的累积度进行监测，该方法布设成本高，需要安装大量的传感器。
发明内容
针对现有光伏监控对灰尘缺乏有效手段监控，复杂度高，对传感器有极大的依赖性，不够成熟完善的问题，本发明提供一种根据简单易得的PM值数据来评估动态光伏电板清洗指数的计算方法，能够实现PM值与灰尘累积度的回归分析，通过特征值进行分析，得到清洗指数的推荐算法。
本发明解决其技术问题采用的技术方案是：
一种动态光伏电板清洗指数的计算方法，按如下步骤进行：
数据采集→回归分析→标准化数据→聚类划分→指数重排；其中，数据采集是收集当地电站的灰尘累积度、发电损耗率、预期发电值、所在地PM值；回归分析使用PM值和灰尘累积度进行线性回归分析；标准化数据是根据线性回归对发电损耗率进行预测，扩充原始数据集；聚类划分是使用聚类方法并依据发电损耗率重新排布，最终的排序即为推荐的清洗指数。
采用上述技术方案的本发明，与现有技术相比，有益效果是：
本发明通过回归分析来对灰尘累积度和PM值进行拟合，当数据拟合完成后，可以用易于获取的PM值作为特征参数，与发电量、电量损失指数等其它特征进行协同过滤，在投入尽可能小的情况下得到准确的清洗指数，自动提醒用户光电板的积灰程度是否需要清洗，通过及时清洗光伏电板，提升发电效率，节约成本。
进一步的，本发明优选方案是：
所述的线性回归分析，初始阶段，使用PM指数、积灰指数和电源损耗率的线性回归方程进行回归分析，之后根据传感器数据自动生成新的回归分析；具体的线性回归方程为：
Figure BDA0001570378650000021
式中，x为PM值，y为灰尘累积度，R为y与x之间的线性关系系数，n为常数。
所述的PM值是根据公开的API获取的所在电站的PM值。
所述的聚类方法使用K－means算法的改进算法，将K值设定为100，具体是：
(1)从相异度计算公式d中随机取100个元素，作为k个簇的各自的中心；
(2)分别计算剩下的元素到100个簇中心的相异度，将这些元素分别划归到相异度最低的簇；
(3)根据聚类结果，重新计算k个簇各自的中心，计算方法是取簇中所有元素各自维度的算术平均数；
(4)将相异度计算公式d中全部元素按照新的中心重新聚类；
(5)重复第4步，直到聚类结果不再变化；
(6)将结果输出；
(7)根据损失率将100个聚类按从小到大排布，分别划分为清洗指数1％－100％。
附图说明
图1是PM指数与积灰指数相关性示意图；
图2是推荐指数示意图。
具体实施方式
为了更为具体的描述本发明，下面结合附图及实施例对本发明的技术方案及相关原理进行详细说明。
本实施例所述的一种动态光伏电板清洗指数的计算方法，具体步骤如下：
(1)根据公开的API获取所在电站的PM值，根据预测的相关关系带入线性回归方程，得到PM值与输出减少率的相关性。
(2)输入参数作为特征值，并进行标准化处理。
(3)使用K－means方法进行聚类。
(4)根据损耗率对聚类重排，聚类从低到高即为推荐清洗指数。
参见图1，根据测试数据，对当地PM值和实测数据进行回归分析，PM指数、积灰指数和电源损耗率的回归方程式如下：
Figure BDA0001570378650000022
式中：x为PM值，y为灰尘累积度，R为y与x之间的线性关系系数，n为常数。y与x之间存在线性关系，用相关系数R说明其联系程度，相关系数R的绝对值的大小表示相关程度的高低。例如，当前系数为0.82，说明是部分相关，渊值较大，说明相关程度较高。
在当前PM值已知情况下，使用灰尘累积度的预测值，估计标准差Sy和预测区间，公式如下：
估计标准差：
Figure BDA0001570378650000031
式中：Sy为标准差，x为PM值，y为灰尘累积度，n为常数，
Figure BDA0001570378650000032
为子集。
预测区间：
Figure BDA0001570378650000033
式中：Sy为标准差，x为PM值，y为灰尘累积度，n为常数，
Figure BDA0001570378650000034
为子集，
Figure BDA0001570378650000035
为平均数。
预测区间公式中的值并不能直接运用到电站实际中去，要根据当前电站的其他参数来进行内容分析。例如选取的特征值包括：PM值，安装角度，发电损耗率，清洗周期。
为求得一个可信的清洗指数，需要进行标准化处理。Min-max标准化方法是对原始数据进行线性变换，设minA和maxA分别为属性A的最小值和最大值，将A的一个原始值x通过min-max标准化映射成在区间[0,1]中的值x'，其公式为：
新数据＝(原数据-极小值)/(极大值-极小值)。
数据标准化之后进行相异度计算，相异度计算公式如下：
Figure BDA0001570378650000036
其中式中：x为PM值，y为灰尘累积度，m为定量，λ为常数，i为变量；
使用K－means算法的改进算法，将K值设定为100：
①从相异度计算公式d中随机取100个元素，作为k个簇的各自的中心；
②分别计算剩下的元素到100个簇中心的相异度，将这些元素分别划归到相异度最低的簇；
③根据聚类结果，重新计算k个簇各自的中心，计算方法是取簇中所有元素各自维度的算术平均数；
④将d中全部元素按照新的中心重新聚类；
⑤重复第4步，直到聚类结果不再变化；
⑥将结果输出；
⑦根据损失率将100个聚类按从小到大排布，分别划分为推荐清洗指数1％－100％，
最终结果如图2所示。
以上所述仅为本发明较佳可行的实施例而已，并非因此局限本发明的权利范围，凡运用本发明说明书及附图内容所作的等效结构变化，均包含于本发明的权利范围之内。

Claims (2)

1.一种动态光伏电板清洗指数的计算方法，其特征在于，按如下步骤进行：
数据采集→回归分析→标准化数据→聚类划分→指数重排；其中，数据采集是收集当地电站的灰尘累积度、发电损耗率、预期发电值、所在地PM值；回归分析使用PM值和灰尘累积度进行线性回归分析；标准化数据是根据线性回归对发电损耗率进行预测，扩充原始数据集；聚类划分是使用聚类方法并依据发电损耗率重新排布，最终的排序即为推荐的清洗指数；具体的：
所述的线性回归分析，初始阶段，使用PM指数、积灰指数和电源损耗率的线性回归方程进行回归分析，之后根据传感器数据自动生成新的回归分析；具体的线性回归方程为：
Figure FDA0003177657150000011
式中，x为PM值，y为灰尘累积度，R为y与x之间的线性关系系数，n为常数；
所述的聚类方法使用K－means算法的改进算法，将K值设定为100，具体是：
(1)从相异度计算公式d中随机取100个元素，作为k个簇的各自的中心；
(2)分别计算剩下的元素到100个簇中心的相异度，将这些元素分别划归到相异度最低的簇；
(3)根据聚类结果，重新计算k个簇各自的中心，计算方法是取簇中所有元素各自维度的算术平均数；
(4)将相异度计算公式d中全部元素按照新的中心重新聚类；
(5)重复第4步，直到聚类结果不再变化；
(6)将结果输出；
(7)根据损失率将100个聚类按从小到大排布，分别划分为清洗指数1％－100％。
2.根据权利要求1所 述的动态光伏电板清洗指数的计算方法，其特征在于：所述的PM值是根据公开的API获取的所在电站的PM值。
CN201810114996.7A 2018-02-06 2018-02-06 动态光伏电板清洗指数的计算方法 Active CN108335042B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810114996.7A CN108335042B (zh) 2018-02-06 2018-02-06 动态光伏电板清洗指数的计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810114996.7A CN108335042B (zh) 2018-02-06 2018-02-06 动态光伏电板清洗指数的计算方法

Publications (2)

Publication Number Publication Date
CN108335042A CN108335042A (zh) 2018-07-27
CN108335042B true CN108335042B (zh) 2022-02-01

Family

ID=62928106

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810114996.7A Active CN108335042B (zh) 2018-02-06 2018-02-06 动态光伏电板清洗指数的计算方法

Country Status (1)

Country Link
CN (1) CN108335042B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112926798A (zh) * 2021-03-26 2021-06-08 苏州朋友保科技有限公司 预测灰尘导致的光伏发电损失的方法、装置、设备及介质
CN113705881B (zh) * 2021-08-25 2024-03-29 陕西启迪瑞行清洁能源研究院有限公司 一种基于对数温差的板式换热器的清洗指数预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102201037A (zh) * 2011-06-14 2011-09-28 中国农业大学 农业灾害预测方法
CN103268366A (zh) * 2013-03-06 2013-08-28 辽宁省电力有限公司电力科学研究院 一种适用于分散式风电场的组合风电功率预测方法
CN104021427A (zh) * 2014-06-10 2014-09-03 上海电力学院 一种基于因子分析的并网光伏电站日发电量预测方法
CN107064165A (zh) * 2017-05-23 2017-08-18 扬州鸿淏新能源科技有限公司 一种光伏组件表面积灰度在线检测装置及清洗方法
US9740545B2 (en) * 2015-03-20 2017-08-22 Kabushiki Kaisha Toshiba Equipment evaluation device, equipment evaluation method and non-transitory computer readable medium

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102201037A (zh) * 2011-06-14 2011-09-28 中国农业大学 农业灾害预测方法
CN103268366A (zh) * 2013-03-06 2013-08-28 辽宁省电力有限公司电力科学研究院 一种适用于分散式风电场的组合风电功率预测方法
CN104021427A (zh) * 2014-06-10 2014-09-03 上海电力学院 一种基于因子分析的并网光伏电站日发电量预测方法
US9740545B2 (en) * 2015-03-20 2017-08-22 Kabushiki Kaisha Toshiba Equipment evaluation device, equipment evaluation method and non-transitory computer readable medium
CN107064165A (zh) * 2017-05-23 2017-08-18 扬州鸿淏新能源科技有限公司 一种光伏组件表面积灰度在线检测装置及清洗方法

Also Published As

Publication number Publication date
CN108335042A (zh) 2018-07-27

Similar Documents

Publication Publication Date Title
CN109546659B (zh) 基于随机矩阵和智能场景匹配的配电网无功优化方法
CN112952820B (zh) 考虑退役电池的智能社区微网超多目标能量管理方法
CN110781332A (zh) 基于复合聚类算法的电力居民用户日负荷曲线聚类方法
CN112633924B (zh) 一种基于负荷分解的小区电能替代需求分析方法
CN108335042B (zh) 动态光伏电板清洗指数的计算方法
CN115829105A (zh) 基于历史数据特征搜索的光伏功率预测方法
CN106384015A (zh) 一种基于能耗数据采集的分布式光伏***能效预评估方法
CN109460419A (zh) 一种设备状态变化事件监测方法
CN116796403A (zh) 一种基于商业建筑综合能耗预测的建筑节能方法
CN117200241B (zh) 一种新能源并网智能调压***
CN112257964B (zh) 一种负荷密集型城市智慧园区需求聚合建模方法
CN110796292A (zh) 计及雾霾影响的光伏功率短期预测方法
CN108876060B (zh) 一种基于大数据的样本采集风电出力概率预测方法
CN109359134B (zh) 一种基于数据挖掘的照明插座能耗隐性异常数据的识别方法
CN116050592A (zh) 一种多维度光伏功率预测方法及***
CN115733258A (zh) 一种基于物联网技术的全户内智能变电站***的控制方法
CN112052430B (zh) 一种基于改进topsis的光伏场站相关性综合评估***
CN113344293B (zh) 一种基于nca-融合回归树模型的光伏功率预测方法
CN112925827B (zh) 一种基于电力采集物联数据的用户性质异常分析方法
CN115575737A (zh) 一种载流量检测方法及***
CN112991574B (zh) 一种分析电堆衰减的方法
CN114662563A (zh) 一种基于梯度提升算法的工业用电非侵入负荷分解方法
CN114298165A (zh) 区域综合能源***多能负荷态势感知模型的构建方法
Mahmoud et al. Classification of solar variability using K-means method for the evaluation of solar photovoltaic systems performance
CN111125630A (zh) 一种基于l1/2范数和同质性约束的能源分解方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20220507

Address after: 266100 1808, 18 / F, block B, Shenghe building, No. 58, shangdongtou Road, Laoshan District, Qingdao, Shandong Province

Patentee after: Qingdao Guanxin Technology Co.,Ltd.

Address before: 063100 middle section of Aimin Road, Tangjiazhuang, Guye District, Tangshan City, Hebei Province

Patentee before: TANGSHAN YINGTONG TECHNOLOGY CO.,LTD.

TR01 Transfer of patent right