一种光伏电池参数预测及光伏电池建模方法及系统与流程

本发明属于光伏发电，尤其涉及一种光伏电池参数预测及光伏电池建模方法及系统。

背景技术：

1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

2、近年来，随着全球能源问题的加剧，光伏发电装机大幅度增长。光伏能源作为可再生能源，具有安全可靠，清洁无污染，易于维护等优点，有着广阔的发展前景。且越来越多的分布式光伏接入电网系统，建立精确的光伏电池模型对于光伏系统的制造和预测都是至关重要的。

3、在前人研究的基础上，已经提出了许多光伏电池板的电路模型，而目前最常用的是单二极管模型和四参数模型。单二极管模型包含一个光生电流源，一个二极管以及两个等效电阻，包含五个具有明确物理意义的参数。四参数模型作为数学模型，四个参数从光伏特性曲线种得到，包含开路电压、短路电流及两个斜率。这两个模型以其结构简单，精度高而被广泛应用于光伏电池的建模。

4、目前大多数的多条件建模方法是基于参考条件下的模型参数，通常这些参数来自光伏制造厂商的数据表，而光照温度每时每刻都在变化，因此仅依靠参考条件下的数据不足以准确预测光伏电池板的工作特性。且数值算法是目前的求解参数的算法中精度最高的一类算法，但计算量巨大，计算速度很慢，除了光照和温度并未考虑其他天气因素对模型的影响，并且无法对未来任意时刻的光伏电池模型参数进行预测及建立光伏电池模型。在现有研究中，也使用例如神经网络、深度学习等人工智能的方法来预测光伏电池参数及建立任意条件下的光伏电池模型。但大部分研究中和使用的解析算法中，只考虑了光照、温度对模型的影响，并未考虑其他因素。

技术实现思路

1、为了解决上述背景技术中存在的技术问题，本发明提供一种光伏电池参数预测及光伏电池建模方法及系统，其可以在不同天气下更加精确的对光伏电池的数学参数进行预测及建模。

2、为了实现上述目的，本发明采用如下技术方案：

3、本发明的第一个方面提供一种光伏电池参数预测方法。

4、一种光伏电池参数预测方法，包括：

5、获取光伏场站所处的辐照度、温度、太阳天顶角和太阳方位角；

6、基于光伏场站所处的辐照度、温度、太阳天顶角和太阳方位角，采用已训练的神经网络，得到光伏电池的开路电压、短路电流以及光伏特性曲线的形状参数；

7、所述神经网络的训练过程包括：获取光伏电池的光伏特性曲线以及光伏场站所处的辐照度、温度、太阳天顶角和太阳方位角；根据光伏电池的光伏特性曲线，计算光伏电池的开路电压、短路电流以及光伏特性曲线的形状参数；以光伏场站所处的辐照度、温度、太阳天顶角和太阳方位角为输入，光伏电池的开路电压、短路电流以及光伏特性曲线的形状参数作为输出，训练神经网络，得到训练好的神经网络。

8、进一步地，所述光伏场站所处的太阳天顶角和太阳方位角为：

9、

10、

11、其中，θ是太阳天顶角，δ*是太阳偏角，h′是当地时角，是观察者地理纬度，φ是太阳方位角。

12、进一步地，所述基于光伏场站所处的辐照度、温度、太阳天顶角和太阳方位角，采用已训练的神经网络，得到光伏电池的开路电压、短路电流以及光伏特性曲线的形状参数的具体过程包括：

13、输入向量一共有四个，分别是x＝(x1,x2,x3,x4)，其中x1为太阳辐照度，x2为温度，x3为太阳天顶角，x4为太阳方位角，第j个隐藏神经元的网络输入为

14、

15、其中，因子j表示隐藏层神经元的数量，wij是从第i个输入层神经元到第j个隐藏层神经元的连接权重，表示单个隐藏层神经元的偏差；在隐藏层中，输出神经元由下式给出：

16、

17、激活函数表示为：

18、

19、其中f1(sj)表示隐藏层的激活值，tansig(sj)是双曲正切sigmoid传递函数；

20、输出层神经元的净输入写为：

21、

22、其中wjt是从第j个隐藏层神经元到第t个输出层神经元的连接的权重，t＝1、2、3和4，表示第二层神经元的偏差。

23、是网络输出，表示为：

24、

25、f2(sj)＝purelin(sj)＝sj

26、其中f2(sj)是输出层的激活函数，是光伏电池的开路电压、短路电流以及光伏特性曲线的形状参数，t＝1、2、3、4。

27、本发明的第二个方面提供一种光伏电池参数预测系统。

28、一种光伏电池参数预测系统，包括：

29、数据获取模块，其被配置为：获取光伏场站所处的辐照度、温度、太阳天顶角和太阳方位角；

30、预测模块，其被配置为：基于光伏场站所处的辐照度、温度、太阳天顶角和太阳方位角，采用已训练的神经网络，得到光伏电池的开路电压、短路电流以及光伏特性曲线的形状参数；

31、神经网络训练模块，其被配置为：获取光伏电池的光伏特性曲线以及光伏场站所处的辐照度、温度、太阳天顶角和太阳方位角；根据光伏电池的光伏特性曲线，计算光伏电池的开路电压、短路电流以及光伏特性曲线的形状参数；以光伏场站所处的辐照度、温度、太阳天顶角和太阳方位角为输入，光伏电池的开路电压、短路电流以及光伏特性曲线的形状参数作为输出，训练神经网络，得到训练好的神经网络。

32、本发明的第三个方面提供一种光伏电池建模方法。

33、一种光伏电池建模方法，包括：

34、获取光伏场站所处的辐照度、温度、太阳天顶角和太阳方位角；

35、基于光伏场站所处的辐照度、温度、太阳天顶角和太阳方位角，采用已训练的神经网络，得到光伏电池的开路电压、短路电流以及光伏特性曲线的形状参数；

36、基于光伏电池的开路电压、短路电流以及光伏特性曲线的形状参数，建立光伏电池模型；

37、所述神经网络的训练过程包括：获取光伏电池的光伏特性曲线以及光伏场站所处的辐照度、温度、太阳天顶角和太阳方位角；根据光伏电池的光伏特性曲线，计算光伏电池的开路电压、短路电流以及光伏特性曲线的形状参数；以光伏场站所处的辐照度、温度、太阳天顶角和太阳方位角为输入，光伏电池的开路电压、短路电流以及光伏特性曲线的形状参数作为输出，训练神经网络，得到训练好的神经网络。

38、进一步地，所述建模方法还包括，根据光伏电池模型，得到任意时刻的光伏特性曲线。

39、进一步地，所述基于光伏场站所处的辐照度、温度、太阳天顶角和太阳方位角，采用已训练的神经网络，得到光伏电池的开路电压、短路电流以及光伏特性曲线的形状参数的具体过程包括：

40、输入向量一共有四个，分别是x＝(x1,x2,x3,x4)，其中x1为太阳辐照度，x2为温度，x3为太阳天顶角，x4为太阳方位角，第j个隐藏神经元的网络输入为

41、

42、其中，因子j表示隐藏层神经元的数量，wij是从第i个输入层神经元到第j个隐藏层神经元的连接权重，表示单个隐藏层神经元的偏差；在隐藏层中，输出神经元由下式给出：

43、

44、激活函数表示为：

45、

46、其中f1(sj)表示隐藏层的激活值，tansig(sj)是双曲正切sigmoid传递函数；

47、输出层神经元的净输入写为：

48、

49、其中wjt是从第j个隐藏层神经元到第t个输出层神经元的连接的权重，t＝1、2、3和4，表示第二层神经元的偏差。

50、是网络输出，表示为：

51、

52、f2(sj)＝purelin(sj)＝sj

53、其中f2(sj)是输出层的激活函数，是光伏电池的开路电压、短路电流以及光伏特性曲线的形状参数，t＝1、2、3、4。

54、本发明的第四个方面提供一种光伏电池建模系统。

55、一种光伏电池建模系统，包括：

56、数据获取模块，其被配置为：获取光伏场站所处的辐照度、温度、太阳天顶角和太阳方位角；

57、预测模块，其被配置为：基于光伏场站所处的辐照度、温度、太阳天顶角和太阳方位角，采用已训练的神经网络，得到光伏电池的开路电压、短路电流以及光伏特性曲线的形状参数；

58、模型构建模块，其被配置为：基于光伏电池的开路电压、短路电流以及光伏特性曲线的形状参数，建立光伏电池模型；

59、神经网络训练模块，其被配置为：获取光伏电池的光伏特性曲线以及光伏场站所处的辐照度、温度、太阳天顶角和太阳方位角；根据光伏电池的光伏特性曲线，计算光伏电池的开路电压、短路电流以及光伏特性曲线的形状参数；以光伏场站所处的辐照度、温度、太阳天顶角和太阳方位角为输入，光伏电池的开路电压、短路电流以及光伏特性曲线的形状参数作为输出，训练神经网络，得到训练好的神经网络。

60、本发明的第五个方面提供一种计算机可读存储介质。

61、一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一个方面所述的光伏电池参数预测方法或第三个方面所述的光伏电池建模方法中的步骤。

62、本发明的第六个方面提供一种计算机设备。

63、一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一个方面所述的光伏电池参数预测方法或第三个方面所述的光伏电池建模方法中的步骤。

64、与现有技术相比，本发明的有益效果是：

65、本发明除了考虑光照和温度外还考虑到其他对建模精度影响较高的天顶角、方位角两个参数，不仅提高了训练和预测的速度，并且在总体提高了对光伏电池建模的精度。