一種光伏電池內阻衰減係數預測方法與流程
2024-03-23 08:40:05
本發明屬於光伏發電技術領域，特別涉及一種光伏電池內阻衰減係數預測方法。
背景技術：
電力系統中分布式光伏發電設備和配電網組成了一個複雜的系統，光伏電池內阻的大小影響著光伏電池的輸出效率，光伏電池內阻大小受多個影響因素影響。現有技術中的光伏電池內阻計算方法存在忽略了投入年限和電池串並聯組件數量等重要因素的影響，不能有效利用電網和分布式光伏發電運行數據資源，評估準確度和光伏利用效率不高的技術問題。本發明考慮多重影響因素，對配電網及其內光伏系統運行參數及氣象環境參數進行實時監測，並根據監測參數對分布式光伏電池內阻衰減係數進行預測計算，根據計算結果實時地對光伏發電系統及配電網進行控制，能有效提高模型的可靠性，從而極大提高了光伏利用效率。
技術實現要素：
本發明提供一種光伏電池內阻衰減係數預測方法，解決了忽略了投入年限和電池串並聯組件數量等重要因素的影響，不能有效利用電網和分布式光伏發電運行數據資源，評估準確度和光伏利用效率不高的技術問題。
本發明通過下述技術方案實現，所述方法包括所述方法包括：步驟1：根據實時監測獲得的參數，建立光伏電池內阻衰減係數演化系統的時間序列，建立光伏電池內阻衰減係數方程；步驟2：對所述步驟:1中演化系統的時間序列進行相空間重構處理；步驟3：根據小波網絡方法處理電池內阻衰減係數方程；步驟4：對所述步驟2中相空間重構後的時間序列進行光伏電池內阻衰減係數預測計算。
進一步地，為更好的實現本發明,所述實時監測獲得的參數為配電網及配電網內光伏系統運行參數及氣象環境參數。
進一步地，所述步驟1中演化時間序列是在固定時間間隔下建立的演化時間序列。
進一步地，所述演化時間序列包括所述光伏電站接入點等效阻抗測量值，接入點電壓，接入點有功值，環境溫度，環境光照強度。
進一步地，步驟1中所述演化系統時間序列在一系列時刻ts1,ts2,ts3,...tsn為：
所述光伏電池內阻衰減係數方程為：
其中，n為自然數，n＝1,2,...，tr為測量電池投入時間，Tr為外界溫度，Sr外界光照，Cr為串聯組件數量，Br為並聯組件數量。
進一步地，所述步驟2包括以下步驟：
A、建立優化目標模型minfar(rx1,rx2...rxi..rxh5n)，其中i＝1,2,...k5n；
B、構建所述步驟1中的演化系統的時間序列{rxi}的m維相空間rxi+1＝ψ(rxi,rxi-τ,...,rxi-(m-1)τ)，其中，i＝1,2,...k5n，τ為延時間，m為嵌入維數。
進一步地，所述步驟3包括以下步驟：
A、電池內阻衰減係數小波網絡模型輸出層的計算；
B、電池內阻衰減係數小波網絡模型在線修正。
進一步地，所述步驟3中步驟A包括以下步驟：
設輸入信號時間序列為{rcxi}，其中，由計算隱含層的輸出值，依據隱含層輸出值計算輸出層輸出值
其中i＝1,2...k5n，j＝1,2...l，ga(xzi)≥0，ga(xzi)為支持向量機目標模型的修正項，φ(j)為小波網絡中隱藏層第j個節點的輸出，fj為小波基函數，αj為fj的伸縮因子，λj為fj的平移因子，wij是輸入層和隱含層之間相互聯繫的大小，l為隱含層節點數，wj表示隱含層與輸出層之間的連接權重。
進一步地，所述步驟3中步驟B包括以下步驟：
根據er＝yr-ycc事實在線修正電池內阻衰減係數小波網絡模型，yr為預測輸出，ycc為實際測量值。
進一步地，所述步驟4包括以下步驟：
根據步驟3中經過修正的小波神經網絡對所述步驟2中相空間重構後的時間序列進行光伏電池內阻衰減係數預測計算，引入目標模型修正條件，目標函數優化為ya＝min far(rxi)+gar(rxi)；
其中，i＝1,2...k5n，gar(rxi)≥0,gar(rxi)為目標模型的約束項，ya為光伏電池內阻衰減係數。
進一步地，所述方法用於檢測光伏發電系統。
附圖說明
圖1是預測流程圖。
具體實施方式
下面結合實施例對本發明作進一步地詳細說明，但本實發明的實施方式不限於此。
實施例1：
採用上述一種光伏電池內阻衰減係數預測方法，預測流程如圖1，包括如下步驟：
步驟1：
根據實時監測獲得的參數、投入時間和電池串並聯組件數量以及標準參數，在一系列時刻ts1,ts2,ts3,...tsn建立光伏電池內阻衰減係數演化系統的時間序列為：
建立光伏電池內阻衰減係數方程：
其中，n為自然數，n＝1,2,...，tr為測量電池投入時間，Tr為外界溫度，Sr外界光照，Cr為串聯組件數量，Br為並聯組件數量。
步驟2：對所述步驟1中演化系統的時間序列進行相空間重構處理：
步驟2.1：建立優化目標模型其中i＝1,2,...k5n；
步驟2.2：構建所述步驟1中的演化系統的時間序列{rxi}的m維相空間rxi+1＝ψ(rxi,rxi-τ,...,rxi-(m-1)τ)，其中，i＝1,2,...k5n，τ＝0.0152，m＝5。
步驟3：根據小波網絡方法處理電池內阻衰減係數方程：
步驟3.1：電池內阻衰減係數小波網絡模型輸出層的計算：
設輸入信號時間序列為{rcxi}，其中，由計算隱含層的輸出值，依據隱含層輸出值計算輸出層輸出值
其中i＝1,2...k5n，j＝1,2...l，ga(xzi)≥0，ga(xzi)為支持向量機目標模型的修正項，φ(j)為小波網絡中隱藏層第j個節點的輸出，fj為小波基函數，αj為fj的伸縮因子，λj為fj的平移因子，wij是輸入層和隱含層之間相互聯繫的大小，l為隱含層節點數，wj表示隱含層與輸出層之間的連接權重。
步驟3.2：電池內阻衰減係數小波網絡模型在線修正：
根據er＝yr-ycc事實在線修正電池內阻衰減係數小波網絡模型，yr為預測輸出，ycc為實際測量值，為了保證模型精度，修正值er≤0.0001時達到最佳。
步驟4：對所述步驟2中相空間重構後的時間序列進行光伏電池內阻衰減係數預測計算：
根據所述步驟3中經過修正的小波神經網絡對所述步驟2中相空間重構後的時間序列進行光伏電池內阻衰減係數預測計算，引入目標模型修正條件，目標函數優化為ya＝min far(rxi)+gar(rxi)。
其中，i＝1,2...k5n，gar(rxi)≥0,gar(rxi)為目標模型的約束項，ya為光伏電池內阻衰減係數。
所述方法用於檢測光伏發電系統。
本發明相對於現有技術能夠取得以下有益技術效果：(1)提高模型的可靠性，(2)提高了光伏利用率，(3)提高評估的準確性，(4)提高電網和分布式光伏發電運行數據資源的利用率，(5)提高配電網電力系統在光伏系統接入後的可靠性與經濟性。
以上所述，僅是本發明的較佳實施例，並非對本發明做任何形式上的限制，凡是依據本發明的技術實質對以上實施例所作的任何簡單修改、等同變化，均落入本發明的保護範圍。