一种光伏电站建模方法及光伏电站模型输出校正方法与流程

本申请涉及光伏发电技术领域，尤其涉及一种光伏电站建模方法及光伏电站模型输出校正方法。

背景技术：

目前大部分发电的能源来自石化燃料，随着社会经济的快速发展，化石能源消耗剧增，其与日俱增的燃烧，造成了严重的环境污染。太阳能等可再生能源无污染且储量巨大，因此利用可再生能源来发电受到世界各国的普遍重视。

近年来，光伏发电技术快速发展，大规模光伏发电站接入电网，虽然可以改善目前并不合理的能源结构，但光伏发电是间歇性的，无疑会增加如电能质量、稳定性等电力系统问题发生的概率。所以，有必要建立一个可以刻画光伏发电站发电动态响应特性的高精度模型，用于电力系统分析、发电功率预报、设备状态评估、基于模型的控制器设计等工作。

现有光伏电站发电的模型方法主要有直接模型预测法与间接模型预测法。直接模型预测法主要是依据机器学习理论及方法，包括例如：支持向量机(svm)、支持向量回归(svr)、人工神经网络(ann)、遗传算法(ga)、马尔可夫链和混合算法等等方法。这些方法研究思路比较简洁，对光伏电站内部细节及电力转换效率等没有具体要求，但这些方法通常会导致建立的模型结构复杂。而间接模型预测法主要是依据光伏发电的机理、设备情况等建立起电站、光伏转换、电路和逆变器等等模型，该方法建模时需要电站设备的详细技术资料、数据，基础资料收集很耗时，而且建立的光伏能发电机理模型也是相当复杂。

技术实现要素：

本申请提供了一种光伏电站建模方法，解决了现有的直接模型预测法与间接模型预测法在进行光伏电站建模时均复杂麻烦的技术问题。本申请还提供了一种光伏电站模型输出校正方法。

有鉴于此，本申请第一方面提供了一种光伏电站建模方法，包括：

s1、获取历史气象数据与光伏电站的历史发电数据；

s2、根据所述历史气象数据与所述历史发电数据，建立一个气象参数对应一个发电参数的辨识数据组和样本数据组；

s3、以所述辨识数据组输入辨识软件，辨识出多个以所述气象参数为控制变量、以所述发电参数为被控变量的对象模型；

s4、将所述样本数据组中的各气象数据一一输入各个所述对象模型；

s5、计算各个所述对象模型输出的发电数据与所述样本数据组中对应的实际的发电数据的偏差；

s6、选取综合偏差最小的所述对象模型作为所述光伏电站的对象模型。

优选地，所述s3具体包括：

以所述辨识数据组输入辨识软件，辨识出多个以所述气象参数为控制变量、以所述发电参数为被控变量、且模型结构为二阶加纯滞后对象模型sopdt结构的对象模型。

优选地，所述s5具体包括：

计算各个所述对象模型输出的发电数据与所述样本数据组中对应的实际的发电数据的偏差2-范数；

所述s6具体包括：

选取综合偏差2-范数最小的所述对象模型作为所述光伏电站的对象模型。

优选地，所述s6之后还包括：

将所述光伏电站的对象模型离散化；

将离散化后的所述光伏电站的对象模型存储在计算机中。

优选地，所述将所述光伏电站的对象模型离散化具体包括：

通过零阶保持器的变换计算，将所述光伏电站的对象模型离散化。

优选地，所述s2具体包括：

将所述历史气象数据中的各气象数据与所述历史发电数据中的各发电数据进行时间同步处理，编制成统一的时间尺度，形成时间标签相同的数据组；

从所述数据组中，选取一个气象参数与一个发电参数形成辨识数据组和样本数据组。

优选地，所述将所述历史气象数据中的各气象数据与所述历史发电数据中的各发电数据进行时间同步处理，编制成统一的时间尺度，形成时间标签相同的数据组之后还包括：

剔除所述数据组中夜晚时段发电功率为0值的部分。

优选地，所述气象参数具体包括：光照强度、环境温度、湿度与风速；所述发电参数具体包括为有功功率、无功功率与光伏背板温度。

优选地，所述s1具体包括：

从气象系统中获取历史气象数据，从光伏电站的数据采集监控系统scada中获取光伏电站的历史发电数据。

本申请第二方面提供了一种光伏电站模型输出校正方法，包括：

预先建立光伏电站的气象参数-发电功率的第一对象模型、光伏背板温度-发电功率的第二对象模型以及气象参数-光伏背板温度的第三对象模型；

其中，所述第一对象模型为，根据上述第一方面提供的任一种光伏电站建模方法，以气象参数为控制变量、以发电功率为被控变量建立的；

所述第二对象模型为，参照上述第一方面提供的任一种光伏电站建模方法，以光伏背板温度为控制变量、以所述发电功率为被控变量建立的；

所述第三对象模型为，根据上述第一方面提供的任一种光伏电站建模方法，以所述气象参数为控制变量、以所述光伏背板温度为被控变量建立的；

所述发电功率为有功功率或无功功率；

获取新的气象数据与所述光伏电站对应的发电数据；

以所述新的气象数据分别输入所述第一对象模型和所述第三对象模型，得到所述第一对象模型输出的预测发电功率以及所述第三对象模型输出的预测光伏背板温度；

计算所述预测光伏背板温度与所述发电数据中实际的光伏背板温度的温度偏差；

以所述温度偏差输入所述第二对象模型，得到所述第二对象模型输出的发电功率偏差；

将所述发电功率偏差与所述预测发电功率相加，得到校正后的预测发电功率。

从以上技术方案可以看出，本申请具有以下优点：

本申请中，提供了一种光伏电站建模方法，包括：s1：获取历史气象数据与光伏电站的历史发电数据；s2：根据历史气象数据与历史发电数据，建立一个气象参数对应一个发电参数的辨识数据组和样本数据组；s3：以辨识数据组输入辨识软件，辨识出多个以气象参数为控制变量、以发电参数为被控变量的对象模型；s4：将样本数据组中的各气象参数一一输入各个对象模型；s5：计算各个对象模型输出的发电参数与样本数据组中对应的实际的发电参数的偏差；s6：选取综合偏差最小的对象模型作为光伏电站的对象模型。

本申请提供的方法，只需要以历史气象数据与历史发电数据作为建模的基础资料，随后通过辨识软件辨识、对模型进行筛选等技术手段，便能得到出以气象参数为控制变量、以发电参数为被控变量的光伏电站的对象模型，不需要采用机器学习方法建立的复杂模型结构(直接模型预测法)，也不需要采用机理建模收集大量的光伏电站设备参数信息(间接模型预测法)。在模型应用时，通过输入气象参数便可得到光伏电站对应的预测的发电参数，能够体现光伏电站的发电特性。

附图说明

图1为本申请第一个实施例提供的光伏电站建模方法的流程图；

图2为本申请第二个实施例提供的光伏电站建模方法的流程图；

图3为本申请第三个实施例提供的光伏电站模型输出校正方法的流程图；

图4为本申请提供的光伏电站模型输出校正方法的应用例的计算流程图；

图5为本申请提供的光伏电站模型输出校正方法的应用例的预测效果比对图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请中的附图，对本申请中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请提供的光伏电站建模方法，区别于现有的直接模型预测法以及间接模型预测法，无论从建模的简易程度上，还是建模后模型的准确度上均能得到保证。

下面结合图1，图1为本申请第一个实施例提供的光伏电站建模方法的流程图，该方法包括：

步骤101、获取历史气象数据与光伏电站的历史发电数据。

本申请提供的方法，光伏电站建模时需要的基础资料主要包括历史气象数据以及历史发电数据。历史气象数据包括多种气象参数，如光照强度、环境温度、湿度、风速等，这些气象参数对应的气象数据可以通过气象系统读取到。历史发电数据同样包括多种发电参数，比如有功功率、无功功率、光伏背板温度等。这些发电参数对应的发电数据可以从光伏电站的数据采集监控系统(supervisorycontrolanddataacquisitionscada)读取。

需要说明的是，本申请所提及的气象参数与发电参数，是指某种数据的类别，而提及的气象数据与发电数据，是某种类别下的具体数据，比如对于50kw与70kw是一个发电参数下两个发电数据。

步骤102、根据历史气象数据与历史发电数据，建立一个气象参数对应一个发电参数的辨识数据组和样本数据组。

可以在历史气象数据中选择一个气象参数，比如光照强度、环境温度、湿度、风速等的任一个。历史发电数据中也可以选择一个发电参数，发电参数也可以是有功功率、无功功率、光伏背板温度等的任一个。根据选定的气象参数与发电参数，对对应的气象数据与发电数据进行处理，建立辨识数据组与样本数据组。

需要说明的是，辨识数据组中的数据用于模型的辨识，样本数据组中的数据用于模型的筛选，但辨识数据组与样本数据组中的具体数据可以部分重复。

步骤103、以辨识数据组输入辨识软件，辨识出多个以气象参数为控制变量、以发电参数为被控变量的对象模型。

通过辨识软件，对输入的辨识数据组进行识别，可以得到多个以气象参数为控制变量、以发电参数为被控变量的对象模型。

步骤104、将样本数据组中的各气象数据一一输入各个对象模型。

得到多个对象模型后，需要从中筛选出最优的一个。具体实现上，样本数据组中的一个气象数据，每个对象模型均需要接受其的输入，而得到的输出可以与样本数据组中实际的发电数据进行比较，并计算出对应的偏差。

样本数据组中的每一个气象数据均按上述输入到每一个对象模型中，如此，对于每一个对象模型，能够得到其对应多个输入的多个偏差。通过对象模型之间的偏差的比对分析，从中挑选出综合偏差最小的对象模型，将其作为光伏电站的对象模型。功率预测、鲁棒控制、设备状态检测等的参考模型

步骤105、计算各个对象模型输出的发电数据与样本数据组中对应的实际的发电数据的偏差。

步骤106、选取综合偏差最小的对象模型作为光伏电站的对象模型。

以上为对本实施例提供的光伏电站建模方法的详细说明。本实施例提供的方法，只需要以历史气象数据与历史发电数据作为建模的基础资料，随后通过辨识软件辨识、对模型进行筛选等技术手段，便能得到出以气象参数为控制变量、以发电参数为被控变量的光伏电站的对象模型，不需要采用机器学习方法建立的复杂模型结构(直接模型预测法)，也不需要采用机理建模收集大量的光伏电站设备参数信息(间接模型预测法)。在模型应用时，通过输入气象参数便可得到光伏电站对应的预测的发电参数，能够体现光伏电站的发电特性。

下面请参见图2，图2为本申请第二个实施例提供的光伏电站建模方法的流程图，该方法包括：

步骤201、从气象系统中获取历史气象数据，从光伏电站的数据采集监控系统中获取光伏电站的历史发电数据。

该步骤可以参见上述第一个实施例中的步骤101。

步骤202、将历史气象数据中的各气象数据与历史发电数据中的各发电数据进行时间同步处理，编制成统一的时间尺度，形成时间标签相同的数据组。

为建立辨识数据组与样本数据组，需要对历史气象数据以及历史发电数据进行预处理，在时间上进行同步，使气象数据与发电数据在时间上对应。

步骤203、剔除数据组中夜晚时段发电功率为0值的部分。

无用的数据剔除，防止无用数据影响模型的准确性。

步骤204、从数据组中，选取一个气象参数与一个发电参数形成辨识数据组和样本数据组。

比如可以选取光照强度与有功功率，形成光照强度-有功功率的辨识数据组和样本数据组，当然也可以选取其他的气象参数或者发电参数。

步骤205、以辨识数据组输入辨识软件，辨识出多个以气象参数为控制变量、以发电参数为被控变量、且模型结构为二阶加纯滞后对象模型(sopdt)结构的对象模型。

本实施例中，对辨识出的模型的结构进行了限定，辨识出的模型结构需要符合二阶加纯滞后对象模型(sopdt)结构。具体的，sopdt结构的形式如下：

辨识软件在选定该结构下可以辨识出其中的各个参数，从而得到对象模型。

步骤206、将样本数据组中的各气象数据一一输入各个对象模型。

该步骤可以参考上述第一个实施例中的步骤104。

步骤207、计算各个对象模型输出的发电数据与样本数据组中对应实际的发电数据的偏差2-范数。

在计算对象模型输出的预测值与实际值之间的偏差时，本实施例计算了偏差的2-范数。

偏差2-范数的计算公式如下：

||ek||2＝||yij-xk||2。

其中，ek为第k个对象模型的偏差，yij为样本数据组中对应的实际的发电数据的数值，xk为对象模型输出的发电数据。

步骤208、选取综合偏差2-范数最小的对象模型作为光伏电站的对象模型。

该步骤可以参考上述第一个实施例中的步骤106。

步骤209、通过零阶保持器的变换计算，将光伏电站的对象模型离散化。

上述得到的sopdt结构的对象模型为连续模型，为将其进行离散化，可以通过零阶保持器。

零阶保持器的表达式如下：

变换计算后，可以得到对应的离散化模型：

y(k)＝[d2*y(k-1)+d1*y(k-2)+n1*u(k-1)+n2*u(k-2)+n3*u(k-3)]/d3

上述中的参数n1、n2、n3、d1、d2与d3，可以通过典型的离散化计算程序获得。

当然，除零阶保持器外，还有多种类型的保持器可以实现模型的离散化，因而在实际应用时可以根据需要自行选择合适的保持器。

步骤210、将离散化后的所述光伏电站的对象模型存储在计算机中。

以上为对本实施例提供的光伏电站建模方法的详细说明。本实施例提供的方法，只需要以历史气象数据与历史发电数据作为建模的基础资料，随后通过辨识软件辨识、对模型进行筛选等技术手段，便能得到出以气象参数为控制变量、以发电参数为被控变量的光伏电站的对象模型，不需要采用机器学习方法建立的复杂模型结构(直接模型预测法)，也不需要采用机理建模收集大量的光伏电站设备参数信息(间接模型预测法)。在模型应用时，通过输入气象参数便可得到光伏电站对应的预测的发电参数，能够体现光伏电站的发电特性。

建模完成后，模型通常将固定下来，但光伏电站在长期运行后，由于设备特性漂移、气象参数不准、环境条件影响等因素，模型的输出与实际情况间的偏差将逐渐增大，模型的准确度将逐步下降。

考虑到上述问题，本申请还提供了一种光伏电站模型输出校正方法，可以参见图3，图3为本申请第三个实施例提供的光伏电站模型输出校正方法的流程图，该方法需要预先建立光伏电站的三个对象模型，分别是气象参数-发电功率的第一对象模型、光伏背板温度-发电功率的第二对象模型以及气象参数-光伏背板温度的第三对象模型。

可以理解的是，三个对象模型均是依照本申请提供的光伏电站建模方法建立的。其中，第一对象模型与第三对象模型是对应的以气象参数为控制变量、以发电参数(发电功率与光伏背板温度均属于发电参数)为被控变量的对象模型，可以直接根据本申请提供的光伏电站建模方法建立。

但第二对象模型的控制变量和被控变量均为发电参数，因此在应用本申请提供的光伏电站建模方法时，需要在建立辨识数据组与样本数据组时做一些适当的调整，但建模的思路仍然是一致的，即通过辨识、筛选等手段得到模型。

发电功率可以是有功功率，也可以是无功功率。

预先工作完成后，光伏电站模型的输出校正包括以下步骤：

步骤301、获取新的气象数据与光伏电站对应的发电数据。

需要说明的是，新的气象数据区别于历史气象数据，在时间上更为接近当前，因此适用于对模型进行校正。

步骤302、以新的气象数据分别输入第一对象模型和第三对象模型，得到第一对象模型输出的预测发电功率以及第三对象模型输出的预测光伏背板温度。

第一对象模型以气象参数为控制变量、以发电功率为被控变量，第三对象模型以气象参数为控制变量、以光伏背板温度为被控变量。在新的气象数据输入后，可以得到第一对象模型输出的预测发电功率以及第三对象模型输出的预测光伏背板温度。

步骤303、计算预测光伏背板温度与发电数据中实际的光伏背板温度的温度偏差。

将第三对象模型输出的预测光伏背板温度与实际的光伏背板温度进行温度偏差的计算。

步骤304、以温度偏差输入第二对象模型，得到第二对象模型输出的发电功率偏差。

利用第二对象模型，可以将温度的偏差转化为发电功率的偏差。

步骤305、将发电功率偏差与预测发电功率相加，得到校正后的预测发电功率。

通过发电功率偏差对第一对象模型输出的预测发电功率机型进行修正，得到各种时间尺度的光伏发电功率的预测值。

以上为对本申请提供的一种光伏电站模型输出校正方法的详细说明。该方法中，预先建立了气象参数-发电功率的第一对象模型、光伏背板温度-发电功率的第二对象模型以及气象参数-光伏背板温度的第三对象模型，而修正时，将第三对象模型的输出偏差(即预测光伏背板温度与实际的偏差)通过第二对象模型转化成发电功率上的偏差，从而可以对第一对象模型的输出进行修正，消除了由于设备特性漂移、气象参数不准、环境条件影响等因素对预测模型的各种影响，改善了发电功率预报的准确性。

本申请还提供了一个光伏电站模型输出校正方法的应用例，可以参考图4，图4示出本申请提供的光伏电站模型输出校正方法的应用例的计算流程图。

该应用例中，第三对象模型的离散化计算式为：

ya-t(k)＝[da-t2*y(k-1)+da-t1*y(k-2)+na-t1*u(k-1)+na-t2*u(k-2)+na-t3*u(k-3)]/da-t3。

第一对象模型的离散化计算式为：

ya-mw(k)＝[da-mw2*y(k-1)+da-mw1*y(k-2)+na-mw1*u(k-1)+na-mw2*u(k-2)+na-mw3*u(k-3)]/da-mw3。

第二对象模型的离散化计算式为：

yt-mw(k)＝[dt-mw2*y(k-1)+dt-mw1*y(k-2)+nt-mw1*u(k-1)+nt-mw2*u(k-2)+nt-mw3*u(k-3)]/dt-mw3

上式中：na-t1,na-t2,na-t3,da-t1,da-t2,da-t3为第三对象模型的离散模型的参数；nt-mw1,nt-mw2,nt-mw3,dt-mw1,dt-mw2,dt-mw3为第二对象模型的离散模型的参数；na-mw1,na-mw2,na-mw3,da-mw1,da-mw2,da-mw3为第一对象模型的离散模型的参数。

经过校正后，模型的预测准确度得以保证。如图5所示，图5为本申请提供的光伏电站模型输出校正方法的应用例的预测效果比对图，可见，模型输出的预测发电功率与实际的光伏发电功率吻合度极高。

本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：只存在a，只存在b以及同时存在a和b三种情况，其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。