CN116231624A - 用于评估光伏电站经济效益的光伏组件输出功率预测方法 - Google Patents
用于评估光伏电站经济效益的光伏组件输出功率预测方法 Download PDFInfo
- Publication number
- CN116231624A CN116231624A CN202211567854.9A CN202211567854A CN116231624A CN 116231624 A CN116231624 A CN 116231624A CN 202211567854 A CN202211567854 A CN 202211567854A CN 116231624 A CN116231624 A CN 116231624A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic module
- output power
- model
- photovoltaic
- economic benefit
- 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.)
- Pending
Links
- 230000008901 benefit Effects 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012360 testing method Methods 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 12
- 238000010998 test method Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000013112 stability test Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000013479 data entry Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000005251 gamma ray Effects 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 8
- 230000008569 process Effects 0.000 abstract description 6
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 230000015556 catabolic process Effects 0.000 description 5
- 238000006731 degradation reaction Methods 0.000 description 5
- 238000010248 power generation Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000001744 unit root test Methods 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
- H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Power Engineering (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明公开了用于评估光伏电站经济效益的光伏组件输出功率预测方法,通过计算光伏组件输出功率、提取光伏组件的输出功率时间序列、构建自回归移动平均(ARMA)模型、设定光伏组件的经济效益失效阈值、导入ARIMA模型进行预测、评估光伏电站的经济效益。解决了目前预测方法难以推广应用,监测成本过高,采用数学建模的方法建模的过程复杂且计算繁琐的问题,本方法有利于提高预测和监测的精准度,简化操作过程,使得预测过程更加地高效、合理,可以进一步完成对光伏电站经济效益的有效评估。
Description
技术领域
本发明涉及光伏电站设计及运维评估技术领域,具体涉及用于评估光伏电站经济效益的光伏组件输出功率预测方法。
背景技术
随着光伏电站行业的快速发展和光伏装机容量的飞速增长,如何保证整个光伏发电***的安全稳定运行愈发引人关注。作为光伏发电***的核心部件,光伏组件的使用寿命和参数性能会随着光伏电站运行年限的增加和外界气象因素的影响发生退化,进而影响光伏电站发电的稳定性和可靠性。因此,通过预测光伏组件的输出功率可进一步判定光伏电站的发电情况,同时对光伏电站的经济效益做出预测评估,具有良好的工程价值和应用价值。
目前对于光伏组件的健康管理方法主要有基于退化机理和数据驱动两类,基于退化机理的方法需要了解光伏组件内部的构造和发电原理,对技术人员的要求颇高故很难推广应用;基于数据驱动的方法又分为智能算法和数据建模两类,智能算法一般需要大量的光伏组件退化数据(一般需要8~10年),监测成本过高;而数学建模的方法建模过程复杂且计算繁琐。
专利号为“CN201610843720.3”的“一种光伏输出功率超短期混沌预测方法”,该方法通过如下步骤:1)采用C-C法获得光伏输出功率时间序列的最佳延迟量l和最佳嵌入维数m,重构光伏功率时间序列相空间;2)根据步骤1)重构的光伏功率时间序列相空间,确定预测中心相空间点Pk,选取预测中心相空间点对应的邻近相空间点Pkj并计算邻近相空间点Pkj的权值Wj;3)根据步骤2)得到的邻近相空间点Pkj的权值Wj,建立光伏出力加权一阶局域线性回归模型,计算最优线性拟合系数矩阵;4)根据步骤3)得到的最优线性拟合系数矩阵,计算光伏输出功率预测值。但由于其预测精度不高,不便于计算,且不能对经济效益进行有效评估。
发明内容
本发明的目的在于提供用于评估光伏电站经济效益的光伏组件输出功率预测方法,通过数据采集装置采集光伏组件的实时输出电压和输出电流,通过第三方数据库进行处理后得到光伏组件短期的实测输出功率时间序列。进一步建立差分自回归移动平均模型(ARIMA),定义当光伏组件的发电量收益低于光伏电站的运维支出时候的光伏组件功率大小为其经济效益失效阈值。将光伏组件的实测输出功率时间序列划分训练集和测试集进一步优化预测模型后对光伏组件的输出功率进行趋势预测,最终完成光伏电站的经济效益评估。实现光伏组件输出功率预测方法简单可靠,可准确预测光伏组件的输出功率大小并对光伏电站的经济效益进行有效评估,具有较强的应用和推广价值。
为解决上述技术问题,本发明采用如下的技术方案:用于评估光伏电站经济效益的光伏组件输出功率预测方法,包括以下步骤:
S110、计算光伏组件输出功率,具体为,采集光伏组件的输出电压和输出电流时间序列,利用数据采集卡将上述内容传输到智能计算模块的样本数据库,计算出同一时刻的电压和电流数值计算对应的输出功率;
S120、提取光伏组件的输出功率时间序列,具体为,根据上述对应的输出功率提取分析得到光伏组件的输出功率时间序列;
S130、构建自回归移动平均(ARMA)模型,具体步骤包括:序列平稳性校验、确定模型阶数、模型残差校验和模型优化;
S140、设定光伏组件的经济效益失效阈值,评估光伏电站经济效益,定义当光伏组件的发电量收益低于光伏电站的运维支出时候的光伏组件功率大小为其经济效益失效阈值,并设置该经济效益失效阈值为:Pf;
S150、导入ARIMA模型进行预测,将S120中的输出功率时间序列导入S140中建立并优化的ARIMA模型进行趋势预测;
S160、评估光伏电站的经济效益,根据S140中设定的光伏组件经济效益失效阈值,结合S150中ARIMA的预测结果,通过预测光伏组件输出功率来评估光伏电站经济效益的时间周期。
前述用于评估光伏电站经济效益的光伏组件输出功率预测方法,所述步骤S110中,所述根据同一时刻的电压和电流数值计算对应的输出功率为:
P=I*U
其中,P表示输出功率,I表示同一时刻电流,U表示为同一时刻电压。
前述用于评估光伏电站经济效益的光伏组件输出功率预测方法,所述步骤S120中,所述根据对应的输出功率提取分析得到光伏组件的输出功率时间序列为:
Pt={p0,p1,p2,…,pt}
其中,t表示为所获取的光伏组件时间序列的截止时刻,所述光伏组件输出功率样本数据库为1年,所述时间序列数据以12小时为序列间隔。
前述用于评估光伏电站经济效益的光伏组件输出功率预测方法,所述步骤S130中,所述ARMA模型的定义如下:
式中,p代表自回归系数的阶数,q是移动平均系数的阶数;γi代表自相关系数,θi代表偏自相关系数,xt代表时间序列的当前值,εt代表函数误差,μ代表补偿常数项;再把差分后得到的平稳时间序列的滞后值以及随机误差项的现在值和滞后值进行拟合回归所建立的模型称作差分自回归移动平均模型(ARIMA),所述构建的ARIMA模型为ARIMA(p,q,d)。
前述用于评估光伏电站经济效益的光伏组件输出功率预测方法,所述步骤S130中,所述序列平稳性校验为:利用ADF检验法对样本数据库中1年的光伏组件输出功率时间序列进行平稳性检验;当检验的结果为0时,拒绝原假设,并确认该时间序列数据不平稳;当检验的结果为1时,接受原假设,确认该时间序列数据平稳;当时间序列数据不平稳时,考虑对该时间序列作一阶差分后再进行平稳性检验,若一阶差分后时间序列数据平稳,则ARIMA(p,q,d)中的d定为1,若仍不平稳则继续作高阶差分运算直至时间序列数据平稳,最后再根据所做的差分阶数确定d的值。
前述用于评估光伏电站经济效益的光伏组件输出功率预测方法,所述步骤S130中,所述确定模型阶数为:得到平稳的光伏组件输出功率时间序列后,可以根据该序列数据样本计算其自相关系数和偏自相关系数,并根据自相关系数和偏自相关系数的性质来进一步确定模型的重要阶数,所述原始序列样本的自相关系数如下式计算:
式中,ρk代表自相关系数,xt代表时间序列的当前值,mt代表序列的均值;原始序列样本的偏自相关系数可根据自相关系数进一步计算,即有:
其中,
其中,D为系数矩阵的行列式,Dk是把D中的第k个向量换成式等号右边的自相关系数向量后构成的行列式。
前述用于评估光伏电站经济效益的光伏组件输出功率预测方法,所述步骤S130中,所述模型残差校验为:对模型进行残差检验,包括残差信号和DW(Durbin-Watson)检验方法,所述残差信号为原始序列样本减去模型拟合信号的残余信号,若残差信号是随机正态分布且不自相关,则残差信号是一段白噪声信号,则原始序列数据中的有用信号被提取到ARIMA模型中进行分析预测;所述DW检验方法来检验时间序列回归拟合中残差的一阶自相关性,假定残差为rt,一阶线性自相关方程为:
xt=ρxt-1+vt
式中,xt代表时间序列的当前值,xt-1代表时间序列前一刻的值,ρ表示相关系数,vt表示修正系数;
当ρ=0时xt不具有一阶线性相关性,DW检验通过构造统计量:
通过残差为中间量建立了DW与ρ的近似关系可判断随机项xt的自相关性,且由于:
DW≈2(1-ρ)
即DW的计算值越接近于2则残差越不存在一阶相关性。
前述用于评估光伏电站经济效益的光伏组件输出功率预测方法,在步骤S130中,所述模型优化为:采用光伏组件1年的实测输出功率时间序列对所建立的ARIMA模型进行训练学习,时间序列间隔为12小时,1年的序列数据条目为730个数据点;再将时间序列划分80%为训练集,20%为测试集,通过前584个数据点的变化趋势对ARIMA模型进行训练后,用后146个数据点对模型进行测试。
前述用于评估光伏电站经济效益的光伏组件输出功率预测方法,在步骤S150中,所述导入ARIMA模型进行预测为:将S120中的光伏组件输出功率时间序列导入S140中,建立并优化的ARIMAA模型进行趋势预测,得到t时刻后的光伏组件输出功率时间序列变化趋势为:
Pt *={pt+1,pt+2,pt+3,…,pt+m,…}
其中,Pt+1代表预测的第一个时刻的序列值,m代表ARIMA模型对光伏组件输出功率预测的m个时间周期。
前述用于评估光伏电站经济效益的光伏组件输出功率预测方法,在步骤S160中,所述评估光伏电站的经济效益根据S140中设定的光伏组件经济效益失效阈值,结合S150ARIMA的预测结果,当光伏组件的输出功率在t时刻后某个时刻点的序列变化趋势与光伏组件经济效益失效阈值之间存在如下关系:
Pt+m≥Pf
式中,Pt+m代表预测的第m个时刻的序列值。
则通过预测光伏组件输出功率来评估光伏电站经济效益的时间周期为:
TP=(t+m)-t=m
式中,m即为从预测0时刻开始至光伏组件经济效益失效阈值的时间周期。
与现有技术相比,本发明的有益之处在于:
1)本发明基于数据采集装置实时采集光伏组件的实时输出电压和输出电流并传送至数据库,数据库通过剔除、插补、平均等数据处理得到光伏组件短期实测输出功率数据序列。其整个过程简单、高效、合理。
2)本发明摒弃了基于退化机理、数学建模、智能算法等传统且繁杂的光伏组件健康管理方法,从实际工程应用角度考虑,提出了一种基于时间序列的光伏组件输出功率预测方法,通过设置光伏组件经济效益的失效阈值,进一步导入构建的ARIMA模型对光伏组件的输出功率进行预测,最终完成对光伏电站经济效益的有效评估。该方法原理简单、易于实现、预测精度颇高。
3)本发明所构建的ARIMA模型通过差分运算保证了光伏组件输出功率时间序列的平稳性,在确实模型的各项参数后需要进一步对模型进行识别和残差校验。其优化阶段通过将光伏组件1年的实测输出功率时间序列划分80%为训练集,20%为测试集,规定当测试集的数据值与真实值的最大误差不超过0.2%时才认定ARIMA模型优化成功,此时方可将优化后的模型用于对光伏组件的未来输出功率进行预测。
4)本发明所构建的光伏组件输出功率预测方法具有优良的可移植性,针对于不同的光伏电站工程,只需更改光伏组件的功能参数和相应的光伏组件经济效益失效阈值,即可构建特定的模型对光伏组件输出功率进行预测并进一步完成对光伏电站经济效益的有效评估。本发明中创新点在于:将实时采集的输出电压和输出电流通过数据库处理得到光伏组件短期的实测输出功率时间序列,建立差分自回归移动平均模型,定义经济效益失效阈值,对光伏组件的输出功率进行趋势预测,完成光伏电站的经济效益评估。
附图说明
图1是本发明的用于评估光伏电站经济效益的光伏组件输出功率预测方法的流程图;
图2是本发明中光伏组件输出功率预测流程图;
图3是本发明570Wp光伏组件输出功率时间序列示意图;
图4是本发明570Wp光伏组件输出功率一阶差分时间序列示意图;
图5是本发明输出功率一阶差分时间序列ACF图;
图6是本发明输出功率一阶差分时间序列PACF图;
图7是本发明时间序列模型定阶准则表;
图8是本发明ARIMA模型训练测试效果图;
图9是本发明ARIMA模型预测结果图;
下面结合附图和具体实施方式对本发明作进一步的说明。
具体实施方式
本发明的实施例1:用于评估光伏电站经济效益的光伏组件输出功率预测方法,如图1所示,包括以下步骤:
S110、计算光伏组件输出功率,具体为,采集光伏组件的输出电压和输出电流时间序列,利用数据采集卡将上述内容传输到智能计算模块的样本数据库,计算出同一时刻的电压和电流数值计算对应的输出功率;
S120、提取光伏组件的输出功率时间序列,具体为,根据上述对应的输出功率提取分析得到光伏组件的输出功率时间序列;
S130、构建自回归移动平均(ARMA)模型,具体步骤包括:序列平稳性校验、确定模型阶数、模型残差校验和模型优化;
S140、设定光伏组件的经济效益失效阈值,评估光伏电站经济效益,定义当光伏组件的发电量收益低于光伏电站的运维支出时候的光伏组件功率大小为其经济效益失效阈值,并设置该经济效益失效阈值为:Pf;
S150、导入ARIMA模型进行预测,将S120中的输出功率时间序列导入S140中建立并优化的ARIMA模型进行趋势预测;
S160、评估光伏电站的经济效益,根据S140中设定的光伏组件经济效益失效阈值,结合S150中ARIMA的预测结果,通过预测光伏组件输出功率来评估光伏电站经济效益的时间周期。在本实施例中,用于预测光伏组件输出功率的装置包括光伏组件、数据采集卡、电压传感器、电流传感器和智能计算模块。其中,电压传感器、电流传感器分别用来采集光伏组件的输出电压和输出电流,数据采集卡作为数据传输媒介将光伏组件的输出电压和输出电流信号传输到上位机的智能计算模块,智能计算模块基于Python平台,进一步计算得到光伏组件的输出功率,并基于ARIMA模型对光伏组件的剩余使用寿命进行预测。具体对光伏组件输出功率预测流程如图1和图2所示,具体地,在步骤S110中,首先计算光伏组件的输出功率,根据同一时刻的电压和电流数值计算对应的输出功率为:
P=I*U
其中,P表示输出功率,I表示同一时刻电流,U表示为同一时刻电压。电压传感器、电流传感器分别采集同一时刻光伏组件的输出电压和输出电流,采集光伏组件的输出电压和输出电流时间序列并通过数据采集卡传输到智能计算模块的样本数据库,根据同一时刻的电压和电流数值计算对应的输出功率,在进行如步骤S120中,进一步对计算出的输出功率的数据进行提取分析得到光伏组件的输出功率时间序列:
Pt={p0,p1,p2,…,pt}
其中,t表示为所获取的光伏组件时间序列的截止时刻,其中,序列时间间隔可自由设定,在本实施例中为了保证预测结果的准确性,设置光伏组件输出功率样本数据库为1年,且时间序列数据以12小时为序列间隔。具体地,如图3所示,某厂家的570Wp光伏组件一年的时间序列数据,该570Wp光伏组件的时间序列数据以12小时为序列间隔,数据库通过剔除、插补、平均等数据处理得到光伏组件短期实测输出功率数据序列,使得整个过程简单、高效、合理。
在上述实施例中,设定光伏组件的经济效益失效阈值。一般的光伏电站运行周期为25年,光伏组件的功率也会逐年衰减。本发明旨在通过预测光伏组件的输出功率大小,进一步评估光伏电站的经济效益,故定义当光伏组件的发电量收益低于光伏电站的运维支出时候的光伏组件功率大小为其经济效益失效阈值。
本发明的实施例2:用于评估光伏电站经济效益的光伏组件输出功率预测方法,如图1所示:
步骤S130中,构建自回归移动平均(ARMA)模型,ARMA模型的定义如下:
式中,p代表自回归系数的阶数,q是移动平均系数的阶数;γi代表自相关系数,θi代表偏自相关系数,xt代表时间序列的当前值,εt代表函数误差,μ代表补偿常数项;再把差分后得到的平稳时间序列的滞后值以及随机误差项的现在值和滞后值进行拟合回归所建立的模型称作差分自回归移动平均模型(ARIMA),所述构建的ARIMA模型为ARIMA(p,q,d)。在实际应用中,大多数随机事件时间序列数据都是非平稳的,通过差分运算对序列进行差分后即可得到差分平稳序列。基于该思想,将自回归模型、移动平均模型和差分运算相结合,把差分后得到的平稳时间序列的滞后值以及随机误差项的现在值和滞后值进行拟合回归所建立的模型称作差分自回归移动平均模型(ARIMA)。则差分自回归移动平均模型对比自回归移动平均模型,增加了对原始序列数据进行差分运算。因此该模型不仅需要确定自回归系数的阶数p和移动平均系数的阶数q,还需要确定差分的阶数d,即所构建的ARIMA模型为ARIMA(p,q,d)。
而构建自回归移动平均(ARMA)模型包括:序列平稳性校验、确定模型阶数、模型残差校验和模型优化。具体地,所述序列平稳性校验为:利用ADF检验法对样本数据库中1年的光伏组件输出功率时间序列进行平稳性检验,其中ADF检验法即为单位根检验,指检验序列中是否存在单位根,因为存在单位根就是非平稳时间序列。若检验的结果为0,故拒绝原假设,该时间序列数据不平稳;若检验的结果为1,则接受原假设,该时间序列数据平稳,此时可进行下一步。当时间序列数据不平稳时,考虑对该时间序列作一阶差分后再检验其平稳性,若一阶差分后数据平稳,则ARIMA(p,q,d)中的d定为1,若不平稳则继续作高阶差分运算直至数据平稳,最后根据所做的差分阶数确定d的值。根据所述方法对步骤S120中的光伏组件输出功率时间序列进行平稳性校验的结果为0,故该数据不平稳,对其进行一阶差分后的结果如图4所示。同理利用ADF检验法对570Wp光伏组件输出功率一阶差分时间序列进行平稳性校验,发现其结果为1,则接受原假设,该一阶差分时间序列数据平稳。则所构建的ARIMA模型中参数d的值定为1。本实施例所述的方法摒弃了基于退化机理、数学建模、智能算法等传统且繁杂的光伏组件健康管理方法,从实际工程应用角度考虑,通过设置光伏组件经济效益的失效阈值,进一步导入构建的ARIMA模型对光伏组件的输出功率进行预测,最终完成对光伏电站经济效益的有效评估。该方法原理简单、易于实现、预测精度颇高。
其次,确定模型阶数。所述确定模型阶数为:在得到平稳的光伏组件输出功率时间序列后,可以根据该序列数据样本计算其自相关系数和偏自相关系数,并根据自相关系数和偏自相关系数的性质来进一步确定模型的重要阶数,所述原始序列样本的自相关系数如下式计算:
式中,ρk代表自相关系数,xt代表时间序列的当前值,mt代表序列的均值;原始序列样本的偏自相关系数可根据自相关系数进一步计算,即有:
其中,
其中,D为系数矩阵的行列式,Dk是把D中的第k个向量换成式等号右边的自相关系数向量后构成的行列式。通过D和Dk计算出ACF和PACF的结果如图5和图6所示,其中,ACF为自相关系数,PACF为偏自相关系数。再结合图7所示的时间序列模型定阶准则表的定阶准则可确定ARIMA模型的自相关阶数p和移动平均阶数q分别为3和3,故所构建的ARIMA(p,q,d)模型为ARIMA(3,3,1)。
然后进行模型残差校验,所述模型残差校验为:对模型进行残差检验,包括残差信号和DW(Durbin-Watson)检验方法,所述残差信号为原始序列样本减去模型拟合信号的残余信号,若残差信号是随机正态分布且不自相关,则残差信号是一段白噪声信号,则原始序列数据中的有用信号被提取到ARIMA模型中进行分析预测;所述DW检验方法来检验时间序列回归拟合中残差的一阶自相关性,假定残差为rt,一阶线性自相关方程为:
xt=ρxt-1+vt
式中,xt代表时间序列的当前值,xt-1代表时间序列前一刻的值,ρ表示相关系数,vt表示修正系数;
当ρ=0时xt不具有一阶线性相关性,DW检验通过构造统计量:
通过残差为中间量建立了DW与ρ的近似关系可判断随机项xt的自相关性,且由于:
DW≈2(1-ρ)
即DW的计算值越接近于2则残差越不存在一阶相关性。利用式(10)计算的结果为DW=1.9514,其值十分接近于2,故可知残差信号几乎不存在一阶相关性。综上所述,其残差信号符合随机正态分布且相互独立,因此本ARIMA模型的定阶符合建模标准。
最后,进行模型优化。通过上述内容可得出一个适用的ARIMA模型,但仍需要根据实际情况制定检验标准对模型进行检验,若模型未通过检验则需要重新进行建模,检验通过后的模型可充分考虑各种可能,进一步设置不同参数变量来拟合多个模型,最后从所有通过检验的拟合模型中选择性能最优的模型。采用光伏组件1年的实测输出功率时间序列对所建立的ARIMA模型进行训练学***稳性,在确实模型的各项参数后需要进一步对模型进行识别和残差校验。规定当测试集的数据值与真实值的最大误差不超过0.2%时才认定ARIMA模型优化成功,此时方可将优化后的模型用于对光伏组件的未来输出功率进行预测。
本发明的实施例3:用于评估光伏电站经济效益的光伏组件输出功率预测方法,如图1所示:步骤S150中,所述导入ARIMA模型进行预测为:将S120中的光伏组件输出功率时间序列导入S140中,建立并优化的ARIMA模型进行趋势预测,得到t时刻后的光伏组件输出功率时间序列变化趋势为:
Pt *={pt+1,pt+2,pt+3,…,pt+m,…}
其中,Pt+1代表预测的第一个时刻的序列值,m代表ARIMA模型对光伏组件输出功率预测的m个时间周期。最终的预测结果图如图8所示。
本发明的实施例4:用于评估光伏电站经济效益的光伏组件输出功率预测方法,如图1所示:步骤S160中,所述评估光伏电站的经济效益根据S140中设定的光伏组件经济效益失效阈值,结合S150ARIMA的预测结果,当光伏组件的输出功率在t时刻后某个时刻点的序列变化趋势与光伏组件经济效益失效阈值之间存在如下关系:
Pt+m≥Pf
式中,Pt+m代表预测的第m个时刻的序列值。
则通过预测光伏组件输出功率来评估光伏电站经济效益的时间周期为:
TP=(t+m)-t=m
式中,m即为从预测0时刻开始至光伏组件经济效益失效阈值的时间周期。在本实施例中,参考图9,图中黑色实线代表原始光伏组件输出功率时间序列数据,小虚线为95%置信区间。大虚线代表ARIMA模型预测的光伏组件输出功率时间序列未来的序列值。分析可知,光伏组件输出功率时间序列会在第1470个数据点达到其失效阈值560Wp,若从第730个数据点为起始点计算,则通过预测光伏组件输出功率来评估光伏电站经济效益的时间周期为740个数据点,即370天。由于本方法具有可移植性,针对于不同的光伏电站工程,只需更改光伏组件的功能参数和相应的光伏组件经济效益失效阈值,即可构建特定的模型对光伏组件输出功率进行预测并进一步完成对光伏电站经济效益的有效评估。
本发明的一种实施例的工作原理:首先计算光伏组件输出功率,将采集到的同一时刻的数据结果传输至样本数据库,在样本数据库中进行计算,再对应的输出功率提取分析得到光伏组件的输出功率时间序列,并设置时间序列数据以12小时为序列间隔。基于提取光伏组件的输出功率时间序列构建自回归移动平均(ARMA)模型,把差分后得到的平稳时间序列的滞后值以及随机误差项的现在值和滞后值进行拟合回归所建立的模型称作差分自回归移动平均模型(ARIMA),构建的ARIMA模型为ARIMA(p,q,d)。并通过序列平稳性校验、确定模型阶数、模型残差校验和模型优化保持模型的精准性和有效性。再设定光伏组件的经济效益失效阈值,利用ADF检验法对样本数据库中1年的光伏组件输出功率时间序列进行平稳性检验;当检验的结果为0时,拒绝原假设,并确认该时间序列数据不平稳;当检验的结果为1时,接受原假设,确认该时间序列数据平稳;当时间序列数据不平稳时,考虑对该时间序列作一阶差分后再进行平稳性检验,若一阶差分后时间序列数据平稳,则ARIMA(p,q,d)中的d定为1,若仍不平稳则继续作高阶差分运算直至时间序列数据平稳,最后再根据所做的差分阶数确定d的值,以建立并优化的ARIMA模型进行趋势预测,用于评估光伏电站经济效益。将上述值导入ARIMA模型进行预测,最后评估光伏电站的经济效益。整个过程简单、高效、合理,易于实现、预测精度颇高,可将优化后的模型用于对光伏组件的未来输出功率进行预测,构建特定的模型对光伏组件输出功率进行预测并进一步完成对光伏电站经济效益的有效评估。
Claims (10)
1.用于评估光伏电站经济效益的光伏组件输出功率预测方法,其特征在于,包括以下步骤:
S110、计算光伏组件输出功率,具体为,采集光伏组件的输出电压和输出电流时间序列,利用数据采集卡将上述内容传输到智能计算模块的样本数据库,计算出同一时刻的电压和电流数值计算对应的输出功率;
S120、提取光伏组件的输出功率时间序列,具体为,根据上述对应的输出功率提取分析得到光伏组件的输出功率时间序列;
S130、构建自回归移动平均(ARMA)模型,具体步骤包括:序列平稳性校验、确定模型阶数、模型残差校验和模型优化;
S140、设定光伏组件的经济效益失效阈值,评估光伏电站经济效益,定义当光伏组件的发电量收益低于光伏电站的运维支出时候的光伏组件功率大小为其经济效益失效阈值,并设置该经济效益失效阈值为:Pf;
S150、导入ARIMA模型进行预测,将S120中的输出功率时间序列导入S140中建立并优化的ARIMA模型进行趋势预测;
S160、评估光伏电站的经济效益,根据S140中设定的光伏组件经济效益失效阈值,结合S150中ARIMA的预测结果,通过预测光伏组件输出功率来评估光伏电站经济效益的时间周期。
2.根据权利要求1所述的用于评估光伏电站经济效益的光伏组件输出功率预测方法,其特征在于,所述步骤S110中,所述根据同一时刻的电压和电流数值计算对应的输出功率为:
P=I*U
其中,P表示输出功率,I表示同一时刻电流,U表示为同一时刻电压。
3.根据权利要求2所述的用于评估光伏电站经济效益的光伏组件输出功率预测方法,其特征在于,所述步骤S120中,所述根据对应的输出功率提取分析得到光伏组件的输出功率时间序列为:
Pt={p0,p1,p2,…,pt}
其中,t表示为所获取的光伏组件时间序列的截止时刻,所述光伏组件输出功率样本数据库为1年,所述时间序列数据以12小时为序列间隔。
5.根据权利要求4所述的用于评估光伏电站经济效益的光伏组件输出功率预测方法,其特征在于,所述步骤S130中,所述序列平稳性校验为:利用ADF检验法对样本数据库中1年的光伏组件输出功率时间序列进行平稳性检验;当检验的结果为0时,拒绝原假设,并确认该时间序列数据不平稳;当检验的结果为1时,接受原假设,确认该时间序列数据平稳;当时间序列数据不平稳时,考虑对该时间序列作一阶差分后再进行平稳性检验,若一阶差分后时间序列数据平稳,则ARIMA(p,q,d)中的d定为1,若仍不平稳则继续作高阶差分运算直至时间序列数据平稳,最后再根据所做的差分阶数确定d的值。
7.根据权利要求6所述的用于评估光伏电站经济效益的光伏组件输出功率预测方法,其特征在于,所述步骤S130中,所述模型残差校验为:对模型进行残差检验,包括残差信号和DW(Durbin-Watson)检验方法,所述残差信号为原始序列样本减去模型拟合信号的残余信号,若残差信号是随机正态分布且不自相关,则残差信号是一段白噪声信号,则原始序列数据中的有用信号被提取到ARIMA模型中进行分析预测;所述DW检验方法来检验时间序列回归拟合中残差的一阶自相关性,假定残差为rt,一阶线性自相关方程为:
xt=ρxt-1+vt
式中,xt代表时间序列的当前值,xt-1代表时间序列前一刻的值,ρ表示相关系数,vt表示修正系数;
当ρ=0时xt不具有一阶线性相关性,DW检验通过构造统计量:
通过残差为中间量建立了DW与ρ的近似关系可判断随机项xt的自相关性,且由于:
DW≈2(1-ρ)
即DW的计算值越接近于2则残差越不存在一阶相关性。
8.根据权利要求7所述的用于评估光伏电站经济效益的光伏组件输出功率预测方法,其特征在于,在步骤S130中,所述模型优化为:采用光伏组件1年的实测输出功率时间序列对所建立的ARIMA模型进行训练学习,时间序列间隔为12小时,1年的序列数据条目为730个数据点;再将时间序列划分80%为训练集,20%为测试集,通过前584个数据点的变化趋势对ARIMA模型进行训练后,用后146个数据点对模型进行测试。
9.根据权利要求1所述的用于评估光伏电站经济效益的光伏组件输出功率预测方法,其特征在于,在步骤S150中,所述导入ARIMA模型进行预测为:将S120中的光伏组件输出功率时间序列导入S140中,建立并优化的ARIMA模型进行趋势预测,得到t时刻后的光伏组件输出功率时间序列变化趋势为:
Pt *={pt+1,pt+2,pt+3,…,pt+m,…}
其中,Pt+1代表预测的第一个时刻的序列值,m代表ARIMA模型对光伏组件输出功率预测的m个时间周期。
10.根据权利要求1所述的用于评估光伏电站经济效益的光伏组件输出功率预测方法,其特征在于,在步骤S160中,所述评估光伏电站的经济效益根据S140中设定的光伏组件经济效益失效阈值,结合S150ARIMA的预测结果,当光伏组件的输出功率在t时刻后某个时刻点的序列变化趋势与光伏组件经济效益失效阈值之间存在如下关系:
Pt+m≥Pf
式中,Pt+m代表预测的第m个时刻的序列值。
则通过预测光伏组件输出功率来评估光伏电站经济效益的时间周期为:
TP=(t+m)-t=m
式中,m即为从预测0时刻开始至光伏组件经济效益失效阈值的时间周期。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211567854.9A CN116231624A (zh) | 2022-12-07 | 2022-12-07 | 用于评估光伏电站经济效益的光伏组件输出功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211567854.9A CN116231624A (zh) | 2022-12-07 | 2022-12-07 | 用于评估光伏电站经济效益的光伏组件输出功率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116231624A true CN116231624A (zh) | 2023-06-06 |
Family
ID=86588096
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211567854.9A Pending CN116231624A (zh) | 2022-12-07 | 2022-12-07 | 用于评估光伏电站经济效益的光伏组件输出功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116231624A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116562916A (zh) * | 2023-07-12 | 2023-08-08 | 国网安徽省电力有限公司经济技术研究院 | 一种光伏直流配电***经济效益分析评价*** |
CN118174381A (zh) * | 2024-05-14 | 2024-06-11 | 国网浙江省电力有限公司 | 基于时空相关性的分布式电站动态拓扑优化方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103996073A (zh) * | 2014-05-06 | 2014-08-20 | 国家电网公司 | 测光网络实时校正自学习arma模型光伏功率预测方法 |
CN105137242A (zh) * | 2015-09-09 | 2015-12-09 | 南京航空航天大学 | 单相光伏逆变器在线状态监测与剩余寿命预测方法 |
CN109388863A (zh) * | 2018-09-21 | 2019-02-26 | 国网天津市电力公司 | 一种基于arima模型的分布式光伏出力功率预测方法 |
CN113256027A (zh) * | 2021-06-22 | 2021-08-13 | 南京邮电大学 | 基于货物量的人力资源配置方法 |
-
2022
- 2022-12-07 CN CN202211567854.9A patent/CN116231624A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103996073A (zh) * | 2014-05-06 | 2014-08-20 | 国家电网公司 | 测光网络实时校正自学习arma模型光伏功率预测方法 |
CN105137242A (zh) * | 2015-09-09 | 2015-12-09 | 南京航空航天大学 | 单相光伏逆变器在线状态监测与剩余寿命预测方法 |
CN109388863A (zh) * | 2018-09-21 | 2019-02-26 | 国网天津市电力公司 | 一种基于arima模型的分布式光伏出力功率预测方法 |
CN113256027A (zh) * | 2021-06-22 | 2021-08-13 | 南京邮电大学 | 基于货物量的人力资源配置方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116562916A (zh) * | 2023-07-12 | 2023-08-08 | 国网安徽省电力有限公司经济技术研究院 | 一种光伏直流配电***经济效益分析评价*** |
CN116562916B (zh) * | 2023-07-12 | 2023-10-10 | 国网安徽省电力有限公司经济技术研究院 | 一种光伏直流配电***经济效益分析评价*** |
CN118174381A (zh) * | 2024-05-14 | 2024-06-11 | 国网浙江省电力有限公司 | 基于时空相关性的分布式电站动态拓扑优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116231624A (zh) | 用于评估光伏电站经济效益的光伏组件输出功率预测方法 | |
CN104866926B (zh) | 基于气象因素和时间序列分析的配电网故障数量预测方法 | |
CN110852906B (zh) | 一种基于高维随机矩阵进行窃电嫌疑识别的方法和*** | |
CN109598052B (zh) | 基于相关系数分析的智能电表寿命周期预测方法及装置 | |
CN112100574A (zh) | 一种基于重采样的aakr模型不确定度计算方法及*** | |
CN110738346A (zh) | 一种基于威布尔分布的批次电能表可靠度预测方法 | |
CN113672606A (zh) | 油色谱监测数据质量评价方法 | |
CN111738348B (zh) | 一种电力数据异常检测方法和装置 | |
CN113742932A (zh) | 一种用于风电机组齿轮箱故障预测诊断的方法 | |
CN114330120B (zh) | 一种基于深度神经网络预测24小时pm2.5浓度的方法 | |
CN111721834A (zh) | 一种电缆局部放电在线监测缺陷辨识方法 | |
CN116128690B (zh) | 一种碳排放量成本值计算方法、装置、设备及介质 | |
CN116957534A (zh) | 一种预测智能电表更换数量的方法 | |
CN111914490A (zh) | 一种基于深度卷积随机森林自编码的泵站机组状态评价方法 | |
CN116662800A (zh) | 一种基于自适应注意力机制的滚动轴承故障诊断方法 | |
CN112560916B (zh) | 基于倾角传感器信息的风电塔筒倾覆智能诊断方法 | |
CN115577854A (zh) | 一种基于eemd-rbf组合的分位数回归风速区间预测方法 | |
CN110895624A (zh) | 基于最大熵谱估计的加速贮存与自然贮存退化数据一致性检验法 | |
CN112098066A (zh) | 基于门控循环单元的高压并联电抗器故障诊断方法及*** | |
CN111210278A (zh) | 一种基于时间序列的煤炭行业股价预测方法 | |
CN114254516B (zh) | 一种删失数据下的参数概率不确定性建模方法 | |
CN117192063B (zh) | 基于耦合卡尔曼滤波数据同化的水质预测方法及*** | |
CN115062829A (zh) | 一种基于多路混合神经网络大气水汽估算模型的大气水汽估算方法 | |
CN114357689A (zh) | 一种基于寿命多层次递进预测的复杂产品全流程设计方法 | |
CN118226245A (zh) | 车辆中继电器的故障预测方法、装置、可读存储介质和车辆 |
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 |