本发明属于光伏领域,更具体地说,涉及基于机理-数据双驱动的光伏全生命周期发电量估算方法。
背景技术:
1、近年来,光伏发电技术得到了快速的发展,光伏发电在整个供电构成中占的比重逐步增大,围绕光伏发电产生了许多新技术,其中就包括光伏发电量预测。光伏发电量预测是对未来一段时间内的发电量进行预估,它是能量管理系统中的重要部分,准确预测未来一段时间内的发电量对于合理安排发电计划,节省用电费用以及发电成本都有重要意义。
2、目前对光伏全生命周期发电量仅通过现有发电量进行简单推算,缺少准确的估算方法。
技术实现思路
1、为解决上述问题,本发明提供一种基于机理-数据双驱动的光伏全生命周期发电量估算方法以解决对光伏全生命周期发电量估算不准的问题。
2、本发明采用如下的技术方案。
3、一种基于机理-数据双驱动的光伏全生命周期发电量估算方法,包括步骤:
4、s1:获取光伏的首年发电量g1及逐年发电量gi(i∈(1,25]);
5、s2:获取卫星图像中的太阳能电池板的图像;
6、s3:识别图像中地形阴影面积及太阳能电池板面积;s4:计算卫星图像中地形阴影造成的遮挡损失ηshadow,式中sshadow为地形阴影面积,spv为太阳能电池板面积;
7、s5:获得修正因子ξ=1-ηshadow
8、s6:根据修正因子计算发电量的修正值:
9、g1_fixed=ξ×g1,gi_fixed=ξ×gi
10、g1_fixed为首年发电量修正值,gi_fixed为逐年发电量修正值。
11、进一步地,s1:获取光伏的首年发电量g1及逐年发电量gi包括:
12、s11:确定峰值日照小时数t,
13、式中β为倾斜面太阳能辐射量,ε为标准辐射量;
14、s12:确定最大理论发电量gmax,
15、式中ctotal为光伏总装机容量,γ为双面提升比,为固定可调提升比;
16、s13:确定初始理论发电量g0,
17、g0=gmax×ηavg,式中ηavg为系统平均效率;
18、s14:确定首年衰减系数λ0,
19、λ0=1-α0,式中α0为组件首年衰减率;
20、s15:确定首年发电量g1,
21、g1=λ0×g0;
22、s16:确定逐年发电量gi,
23、gi=(λi-1-αn)×g0(i∈(1,25]),式中λi-1为第i-1年衰减系数,αn为组件逐年衰减率。
24、进一步地,s2:获取卫星图像中的太阳能电池板的图像包括:
25、s21:获取卫星图像中对应区域太阳能电池板的栅格图像;
26、s22:通过坐标转换算法进行定位,算法如下:
27、
28、
29、式中,xpixel为x轴上的像素坐标;xlon为经度坐标;z为缩放级别;ypixel为y轴上的像素坐标;ylat为纬度坐标。
30、进一步地,s3:识别图像中地形阴影面积sshadow及太阳能电池板面积spv包括:
31、使用inception-resnet-v2的cnn架构作为基本分类框架,采用半监督方法,其初始学习率为0.001,每5个周期递减一次,因子为0.5,批量大小为36,210000步后停止训练,其应用式如下所示:
32、l=ls+μ(τ)lu;
33、式中,l为损失;ls为监督损失;μ(τ)为加权项;τ为训练步数;lu为无监督损失。
34、有益效果
35、相比于现有技术,本发明的有益效果为:
36、(1)本发明结合已建项目电站的历史实测发电量数据、目标点周围相似电站的历史实测发电量数据、cnn和gis识别的数据驱动模型和光伏发电机理模型,综合考虑了现实因素对实际发电量的影响。
37、(2)本发明提高了对光伏全生命周期发电量估算的准确度,在实际项目应用中,已运营年份的预测准确度比现有lstm神经网络模型高8.3%。
1.一种基于机理-数据双驱动的光伏全生命周期发电量估算方法,其特征在于,包括步骤:
2.根据权利要求1所述的基于机理-数据双驱动的光伏全生命周期发电量估算方法,
3.根据权利要求1所述的基于机理-数据双驱动的光伏全生命周期发电量估算方法,
4.根据权利要求1所述的基于机理-数据双驱动的光伏全生命周期发电量估算方法,其特征在于,s3:识别图像中地形阴影面积sshadow及太阳能电池板面积spv包括: