葉德亮

關(guān)鍵詞： 微氣象 分布式光伏 發(fā)電態(tài)勢(shì) 感知方法

中圖分類(lèi)號(hào)： TP393 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1672-3791（2024）01-0074-04

分布式光伏發(fā)電是目前較為常見(jiàn)的新能源發(fā)電的一種形式，主要將光伏電池安裝在分散區(qū)域內(nèi)采集光能，并將其轉(zhuǎn)化為電能，為用戶供電。這種發(fā)電方式具有環(huán)保、可持續(xù)和分散供電等優(yōu)勢(shì)，受到越來(lái)越多國(guó)家和地區(qū)的重視與支持［1］。然而，分布式光伏發(fā)電系統(tǒng)的效率和性能受氣象因素的影響很大，尤其是微氣象條件的變化。微氣象包括風(fēng)速、輻射、溫度等因素，它們直接影響光伏電池板的發(fā)電效果［2］。因此，了解微氣象的分布狀況，對(duì)于優(yōu)化光伏系統(tǒng)的運(yùn)行和發(fā)電效率至關(guān)重要。利用傳感器和監(jiān)測(cè)設(shè)備收集各個(gè)地點(diǎn)的微氣象數(shù)據(jù)，并對(duì)其進(jìn)行處理，實(shí)現(xiàn)氣象條件的實(shí)時(shí)監(jiān)測(cè)，可以提前發(fā)現(xiàn)氣象變化對(duì)光伏發(fā)電系統(tǒng)產(chǎn)能和性能的影響，幫助光伏發(fā)電系統(tǒng)的運(yùn)營(yíng)商和管理者確定最佳發(fā)電策略，進(jìn)一步提高發(fā)電效率和可靠性［3］。近年來(lái)，眾多專(zhuān)家開(kāi)展微氣象對(duì)分布式光伏發(fā)電系統(tǒng)影響的研究，已經(jīng)取得一定成果，但其應(yīng)用效果仍然不佳，無(wú)法對(duì)其發(fā)電態(tài)勢(shì)進(jìn)行良好預(yù)測(cè)［4］。在該背景下，本研究提出了一種基于微氣象的分布式光伏發(fā)電態(tài)勢(shì)感知方法。

1 基于K-means 聚類(lèi)算法的天氣狀態(tài)數(shù)據(jù)提取

分布式光源發(fā)電態(tài)勢(shì)與電池板的工作效率有直接關(guān)系，外界因素如輻射度、風(fēng)力等對(duì)電池板采集光能的效率造成直接影響，故需要對(duì)外界氣象因素進(jìn)行分析，充分考慮多種因素，進(jìn)而實(shí)現(xiàn)對(duì)光伏發(fā)電態(tài)勢(shì)的感知［5］。由于多種氣象因子都會(huì)對(duì)光伏發(fā)電造成影響，為消除多個(gè)輸入氣象參數(shù)數(shù)值差異對(duì)光伏發(fā)電態(tài)勢(shì)識(shí)別的影響，在完成光伏電站發(fā)電數(shù)據(jù)和當(dāng)?shù)貧庀髷?shù)據(jù)采集后，對(duì)其進(jìn)行歸一化處理［6］，具體過(guò)程如式（1）所示。

初始化各權(quán)重，再對(duì)樣本進(jìn)行歸一化，最后運(yùn)算神經(jīng)網(wǎng)絡(luò)，即在隱含層輸出后，由承接層對(duì)其進(jìn)行計(jì)算，并將反饋值傳遞到隱含層中，實(shí)現(xiàn)對(duì)光伏發(fā)電情況的預(yù)測(cè)，其具體流程如圖2 所示。

由此，利用建立的分布式光伏發(fā)電態(tài)勢(shì)感知模型，完成光伏發(fā)電態(tài)勢(shì)預(yù)測(cè)。

3 實(shí)驗(yàn)分析

3.1 實(shí)驗(yàn)環(huán)境設(shè)置

為驗(yàn)證所提方法的先進(jìn)性，選取某區(qū)域光伏電站作為研究對(duì)象，從光伏電站中獲取2021 年1—12 月的發(fā)電數(shù)據(jù)和當(dāng)?shù)貧庀笳景l(fā)布的氣象數(shù)據(jù)。其中發(fā)電數(shù)據(jù)為每天8：00—18：00 間隔20 min 的采樣值；氣象數(shù)據(jù)包括當(dāng)日太陽(yáng)的輻照度、風(fēng)速、溫濕度等，其同樣是每天8∶00—18∶00 間隔20 min 的采樣值，以此作為數(shù)據(jù)樣本開(kāi)展實(shí)驗(yàn)測(cè)試。完成初始數(shù)據(jù)采集后，在一臺(tái)操作系統(tǒng)為Windows 10 的筆記本電腦中完成數(shù)據(jù)分析過(guò)程。利用MATLAB 實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的計(jì)算與迭代訓(xùn)練，模型相關(guān)參數(shù)設(shè)置如表1 所示。

在該測(cè)試背景下，選取方鵬等人［3］和解振學(xué)等人［4］的方法作為對(duì)比方法，將態(tài)勢(shì)感知準(zhǔn)確率和感知效率作為評(píng)價(jià)指標(biāo)，開(kāi)展對(duì)比測(cè)試。

3.2 實(shí)驗(yàn)結(jié)果分析

應(yīng)用3 種方法完成分布式光伏發(fā)電態(tài)勢(shì)感知，對(duì)比3 種方法的感知準(zhǔn)確率，得到對(duì)比結(jié)果詳見(jiàn)表2。

根據(jù)表2 數(shù)據(jù)可知，采用所提方法進(jìn)行分布式光伏發(fā)電態(tài)勢(shì)感知，其準(zhǔn)確率均高于94.2%，最高可達(dá)到96.3%，而應(yīng)用方鵬等人［3］的方法，其準(zhǔn)確率均低于86.7%；應(yīng)用解振學(xué)等人［4］的方法，其準(zhǔn)確率均低于90.3%。由此可證明，采用所提方法對(duì)分布式光伏發(fā)電態(tài)勢(shì)感知效果更優(yōu)，應(yīng)用效果較好。這主要是由于本次研究對(duì)氣象因素進(jìn)行充分分析，并選取輻照度、風(fēng)速、風(fēng)向、環(huán)境溫度、濕度等7 個(gè)氣象因子來(lái)完成其發(fā)電態(tài)勢(shì)感知模型的建立，大大提升了其發(fā)電感知準(zhǔn)確度。

通過(guò)對(duì)比3 種方法的感知消耗時(shí)間來(lái)判斷其發(fā)電感知效率，得到對(duì)比結(jié)果具體見(jiàn)表3。

根據(jù)表3 數(shù)據(jù)可知，應(yīng)用所提方法，其感知時(shí)間均低于45.3 ms，而應(yīng)用對(duì)比方法，其感知時(shí)間均高于118.9 ms，由此可證明采用所提方法進(jìn)行分布式光伏發(fā)電感知，其應(yīng)用效果更佳。這主要是由于所提方法采用了高效的歸一化處理和K-means 聚類(lèi)算法，有效地優(yōu)化了天氣狀態(tài)識(shí)別過(guò)程，同時(shí)基于Elman 神經(jīng)網(wǎng)絡(luò)建立分布式光伏發(fā)電態(tài)勢(shì)感知模型，這些優(yōu)化使所提方法的感知時(shí)間顯著低于對(duì)比方法。

4 結(jié)語(yǔ)

為提升光伏發(fā)電感知效果，本次研究提出了一種考慮微氣象的分布式光伏發(fā)電態(tài)勢(shì)感知方法。利用歸一化處理和K-means 聚類(lèi)算法實(shí)現(xiàn)天氣狀態(tài)數(shù)據(jù)的提取，并通過(guò)Elman神經(jīng)網(wǎng)絡(luò)建立了分布式光伏發(fā)電態(tài)勢(shì)感知模型，從而實(shí)現(xiàn)了對(duì)分布式光伏發(fā)電態(tài)勢(shì)的準(zhǔn)確預(yù)測(cè)。實(shí)驗(yàn)結(jié)果證明，該方法感知準(zhǔn)確率均高于94.2%，且感知效率較高，而感知時(shí)間低于45.3 ms，優(yōu)于傳統(tǒng)方法，具有廣泛的應(yīng)用價(jià)值。