本发明涉及光伏发电系统自动化技术领域，特别涉及一种计及老化时光伏发电功率的方法。
背景技术：
随着经济全球化的不断深入，世界化石能源问题的不断突显，对新兴能源的研究和利用成为维持人类发展的必要手段。近些年来随着太阳能光伏发电技术的不断进步和光伏产业的长足发展，太阳能光伏发电以其优越性显露出巨大优越性，光伏发电必将成为未来主要能源之一。
近年来随着分布式光伏发电系统的大量并网，对光伏发电系统输出功率的稳定性要求越来越高，因此提高光伏发电功率预测的精度势在必行。太阳辐射是对光伏出力影响最大的因素，目前的预测方法不能充分考虑各个影响因素的不确定性。
传统的光伏发电出力，短期预测的时间尺度和时间分辨率，主要借鉴风电并网规定的短期预测技术指标，即时间尺度<<24小时，时间分辨率为15分钟。光伏发电短期预测中经常考虑日类型、太阳入射角度、环境温度、相对湿度、风速、灰尘等固有的物理特性变化相对较为缓慢因素。
然而，近年来小规模分布式光伏发电得到迅速发展并大量并网，光伏输出的功率稳定性需要得到精准预测。目前，光伏发电功率预测方法主要根据历史气象要素数据和光伏电站输出功率数据进行统计分析或神经网络方法进行预测，如基于人工神经网络的预测模型和基于支持向量机的预测模型。但是这种预测方法没有考虑太阳能电池板的老化程度对光伏发电率的影响。
技术实现要素：
本发明的研究目标：本发明改进现有的功率预测方法，使对光伏电站的功率预测更加准确、可靠。因此本发明将考虑电池板的老化程度的发电功率预测，这样更切合实际的运行，同时也更有利于电网电压的调节。
本发明的技术方案是：一种计及老化时光伏发电功率的方法，包括如下步骤：
步骤1：提出老化的概念，本发明说明书所涉及的功率预测均计及电池组件的老化。由于电池组件的老化主要是光伏组件中超白玻璃和eva的老化，而这两种老化主要表现为影响组件的透光率，进而影响组件的光电转换效率，即组件的发电功率。因此，当考虑组件的老化系数时的功率预测更加符合实际，这样得到的值更加精准。
步骤2：进行模拟算法的准备,即模拟基础数据的收集、预测、拟合和论证。其中包括：目前光伏电站的功率预测方法，某区域电站历史气象数据统计，电站的发电功率统计，电站所用的电池组件型号以及该种型号的电池组件老化研究等。
步骤3：构建一种新的光伏电站发电功率预测模型，定义数学表达式，表示如下：
b＝f1(r(t))·(1-f2(t))
f1(r(t))为根据历史气象数据模拟出的辐照度/功率表达式。
f2(t)为本电站内对一块光伏组件随时间老化的发电功率/时间表达式(其中该测试是在标准条件下测得)。
b为对光伏电站预测的发电功率。
步骤3.1：定义原始发电功率f1(r(t))，
f1(r(t))＝ar2(t)+br(t)-c
式中：a，b，c为二次曲线关系式的对应项系数；r(t)为t时刻光伏电站水平面辐照度的总辐射。
步骤3.2：定义老化系数f2(t)，
a为最初时一块组件的发电功率，g(t)为一块组件在20年内的发电功率随时间的变化表达式。
步骤4：由某天的测得太阳辐照度值代入到步骤3.1得到f1(r(t))，
再由电站运行时间t，代入到3.2中可得f2(t)的值。
步骤5：将步骤4得到的f1(r(t))、f2(t)值带入到步骤3即可得到预测的功率b。
有益效果
本发明改进现有的功率预测方法，使对光伏电站的功率预测更加准确、可靠。因此本发明将考虑电池板的老化程度的发电功率预测，这样更切合实际的运行，同时也更有利于电网电压的调节。
具体实施方式
一种计及老化时光伏发电功率的方法，包括如下步骤：
步骤1：提出老化的概念，本发明说明书所涉及的功率预测均计及电池组件的老化。由于电池组件的老化主要是光伏组件中超白玻璃和eva的老化，而这两种老化主要表现为影响组件的透光率，进而影响组件的光电转换效率，即组件的发电功率。因此，当考虑组件的老化系数时的功率预测更加符合实际，这样得到的值更加精准。
步骤2：进行模拟算法的准备,即模拟基础数据的收集、预测、拟合和论证。其中包括：目前光伏电站的功率预测方法，某区域电站历史气象数据统计，电站的发电功率统计，电站所用的电池组件型号以及该种型号的电池组件老化研究等。
步骤3：构建一种新的光伏电站发电功率预测模型，定义数学表达式，表示如下：
b＝f1(r(t))·(1-f2(t))
f1(r(t))为根据历史气象数据模拟出的辐照度/功率表达式。
f2(t)为本电站内对一块光伏组件随时间老化的发电功率/时间表达式(其中该测试是在标准条件下测得)。
b为对光伏电站预测的发电功率。
步骤3.1：定义原始发电功率f1(r(t))，
f1(r(t))＝ar2(t)+br(t)-c
式中：a，b，c为二次曲线关系式的对应项系数；r(t)为t时刻光伏电站水平面辐照度的总辐射。
步骤3.2：定义老化系数f2(t)，
a为最初时一块组件的发电功率，g(t)为一块组件在20年内的发电功率随时间的变化表达式。
步骤4：由某天的测得太阳辐照度值代入到步骤3.1得到f1(r(t))，
再由电站运行时间t，代入到3.2中可得f2(t)的值。
步骤5：将步骤4得到的f1(r(t))、f2(t)值带入到步骤3即可得到预测的功率b。
对比分析：
对某区域60mw的电站的未来某天发电功率预测，并对实际的测量数据进行统计如下：(选取部分时间点的数据)
注：预测功率1为未考虑组件老化，预测功率2为计及组件老化。
由上述数据对比可以得到计及组件老化的预测功率更加接近真实值，且偏差误差在20％左右，这种预测模型对功率预测更有实际作用，对电网调峰更有指导作用。