微氣象的分布式光伏發(fā)電態(tài)勢感知方法

葉德亮

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

中圖分類號： TP393 文獻標識碼： A 文章編號： 1672-3791（2024）01-0074-04

分布式光伏發(fā)電是目前較為常見的新能源發(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，受到越來越多國家和地區(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，對于優(yōu)化光伏系統(tǒng)的運行和發(fā)電效率至關(guān)重要。利用傳感器和監(jiān)測設(shè)備收集各個地點的微氣象數(shù)據(jù)，并對其進行處理，實現(xiàn)氣象條件的實時監(jiān)測，可以提前發(fā)現(xiàn)氣象變化對光伏發(fā)電系統(tǒng)產(chǎn)能和性能的影響，幫助光伏發(fā)電系統(tǒng)的運營商和管理者確定最佳發(fā)電策略，進一步提高發(fā)電效率和可靠性［3］。近年來，眾多專家開展微氣象對分布式光伏發(fā)電系統(tǒng)影響的研究，已經(jīng)取得一定成果，但其應用效果仍然不佳，無法對其發(fā)電態(tài)勢進行良好預測［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)勢感知方法。

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

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

初始化各權(quán)重，再對樣本進行歸一化，最后運算神經(jīng)網(wǎng)絡，即在隱含層輸出后，由承接層對其進行計算，并將反饋值傳遞到隱含層中，實現(xiàn)對光伏發(fā)電情況的預測，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)勢感知模型，完成光伏發(fā)電態(tài)勢預測。

3 實驗分析

3.1 實驗環(huán)境設(shè)置

為驗證所提方法的先進性，選取某區(qū)域光伏電站作為研究對象，從光伏電站中獲取2021 年1—12 月的發(fā)電數(shù)據(jù)和當?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)包括當日太陽的輻照度、風速、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)樣本開展實驗測試。完成初始數(shù)據(jù)采集后，在一臺操作系統(tǒng)為Windows 10 的筆記本電腦中完成數(shù)據(jù)分析過程。利用MATLAB 實現(xiàn)神經(jīng)網(wǎng)絡的計算與迭代訓練，模型相關(guān)參數(shù)設(shè)置如表1 所示。

在該測試背景下，選取方鵬等人［3］和解振學等人［4］的方法作為對比方法，將態(tài)勢感知準確率和感知效率作為評價指標，開展對比測試。

3.2 實驗結(jié)果分析

應用3 種方法完成分布式光伏發(fā)電態(tài)勢感知，對比3 種方法的感知準確率，得到對比結(jié)果詳見表2。

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

通過對比3 種方法的感知消耗時間來判斷其發(fā)電感知效率，得到對比結(jié)果具體見表3。

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

4 結(jié)語

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)勢感知方法。利用歸一化處理和K-means 聚類算法實現(xiàn)天氣狀態(tài)數(shù)據(jù)的提取，并通過Elman神經(jīng)網(wǎng)絡建立了分布式光伏發(fā)電態(tài)勢感知模型，從而實現(xiàn)了對分布式光伏發(fā)電態(tài)勢的準確預測。實驗結(jié)果證明，該方法感知準確率均高于94.2%，且感知效率較高，而感知時間低于45.3 ms，優(yōu)于傳統(tǒng)方法，具有廣泛的應用價值。