共查询到20条相似文献,搜索用时 1 毫秒
1.
预测光伏电站输出功率对于光伏发电并网和电网安全运行具有重要意义,但雾霾天气的存在,对光伏电站输出功率预测产生了不利影响。针对这一问题,利用空气质量指数(air quality index,AQI)设计了雾霾天气下的光伏电站输出功率预测方法。以中国的某座城市为例,分析了不同雾霾天气下AQI与光伏电站输出功率折损率之间的相关性,证明了雾霾会对光伏电站的输出功率产生显著影响,并验证了以AQI=150作为判定AQI是否成为预测模型输入参数的阈值是可行的。该方法显著提高了在雾霾天气下得到的光伏电站输出功率预测精度,同时保证了空气质量较好时输出功率的预测精度。 相似文献
2.
3.
在光伏电站中,光伏支路受到遮挡将导致光伏阵列输出功率下降,快速精准地识别光伏支路是否被遮挡对于光伏电站的安全稳定、高效运行具有重要意义。基于浙江省湖州市某装机容量为66.5094 MW的光伏电站,以光伏支路输出功率偏离度、光伏支路输出功率偏离度变化率和超限频次等为核心参数,搭建智能监测与数据分析平台,通过对气象数据和光伏支路输出功率进行长时域分析,实现对光伏支路遮挡的精准识别,进而得出光伏支路受遮挡的具体时段,并用替代法计算得到遮挡损失电量。通过光伏电站实例验证表明:基于输出功率分析的智能监测与数据分析平台对光伏支路遮挡的识别准确率可达95%。 相似文献
4.
5.
针对积灰影响光伏组件发电量且现有光伏组件清洗方式不能满足大规模光伏电站清洗需求的情况,设计了1套光伏组件自动清洗系统。该自动清洗系统由水源、水泵、喷淋系统和可编程逻辑控制器(PLC)控制柜等组成,其可同时对3个光伏阵列进行清洗,实现光伏组件的自动清洗;然后以某8.2 MW光伏电站为例,研究了清洗前后光伏组件的I-V特性、表面温度、短路电流、开路电压、输出功率、光能转化效率的变化情况;最后分析了积灰对光伏电站经济性的影响。研究结果显示:1)相较于清洗前,清洗后光伏组件的I-V特性、表面温度、短路电流、开路电压、输出功率、光能转化效率均得到明显改善;2)当光伏组件表面处于稠密积灰状态时,经济损失基本平稳,日经济损失最高约可达4268元。由此可以说明,利用光伏组件自动清洗系统对光伏组件进行定期清洗尤为重要。 相似文献
6.
积尘对光伏电站发电量的影响及清洁方式分析 总被引:1,自引:0,他引:1
光伏发电已成为全球重要的可再生能源利用形式,然而光伏组件表面的积尘严重影响了其输出功率及使用寿命.通过分析光伏组件表面的积尘量对光伏组件输出功率的影响,计算了定期清洁积尘可增加的光伏电站年发电量及收益,并指出了自动行走类清洁机器人是大型地面光伏电站清洁设备的发展方向. 相似文献
7.
光伏发电系统输出功率计算方法研究 总被引:3,自引:1,他引:3
准确计算光伏发电系统的输出功率,对光伏发电系统发电量的监管和光伏并网系统与电网调度、电力负荷等的配合问题具有重大意义。根据光伏发电系统的结构和工作原理,提出了光伏发电系统输出功率计算方法,可以计算任意太阳辐射量、环境温度、系统结构下的光伏发电系统输出功率。通过与真实光伏电站运行数据的比对,结果显示了光伏发电系统输出功率计算方法的适用性与准确性。 相似文献
8.
为了得到光伏电站的输出功率,提出一种基于气象相似性的输出功率估计方法。该方法通过对大量历史数据的分析,利用光伏电站输出功率与气象数据密切相关的特点,基于皮尔逊相关系数在历史数据中计算得到与待估计输出功率相似的气象时刻,再根据相似气象时刻的输出功率估计待估计时刻的输出功率。利用甘肃省某光伏电站采集的包含9个气象要素的历史数据,经过数据预处理之后挑选出214 d不含有异常数据的数据集作为数据样本,并随机选出14 d不同天气类型的数据作为测试样本,其余作为训练样本。通过对测试样本数据进行验证,所提出的估计方法平均绝对误差仅为0.46 MW,相对误差仅为15.74%,具有较高的计算准确度,且适用的气象条件更广泛。 相似文献
9.
首先根据太阳能辐射的机理模型推算出1MW太阳电池方阵的发电量,再与国外软件的发电量进行对比,并分析差异原因。最后提出,待光伏电站的实际运行数据获取后,再对本理论计算方法进行优劣分析。 相似文献
10.
11.
针对光伏电站发电量预测不准确及多种气象因素下预测结果出现波动的问题,提出一种基于遗传算法小波神经网络(GA-WNN)的光伏电站发电量预测方法。首先,以反向传播(BP)神经网络的结构为框架,选择小波基函数作为隐含层的传递函数,将网络连接权值、小波函数伸缩因子、小波函数平移因子视为遗传个体,并通过遗传算法(GA)进行个体寻优以得到网络最优初始参数;然后,利用优化后的网络进行仿真预测,并对仿真数据进行分析;最后,将预测结果与实际发电量进行对比,以评估预测模型的误差和可靠性。实例分析表明,GA-WNN预测模型具有更小的误差和更高的预测精度,适用于精确预测光伏电站的发电量。 相似文献
12.
13.
14.
《可再生能源》2017,(5)
针对目前光伏电站发电量预测模型中输入气象维数较多、预测精度低等问题,提出基于主成分分析(PCA)和BP神经网络(BPNN)相结合的光伏电站发电量预测模型。利用PCA对水平面太阳总辐射、日照时数、气温日较差等多个气象变量进行解耦降维处理,形成相互正交、相互独立的公因子变量。将这些公因子变量作为BPNN模型的输入变量,并进行训练拟合建模,从而实现对光伏电站发电量进行预测。文章利用我国华中地区某屋顶并网光伏电站的实测数据,对PCA-BPNN模型进行检验。通过研究结果可知,与常见的预测模型相比,PCA-BPNN模型大大降低了气象变量的输入维数,该模型预测结果的准确性较高。 相似文献
15.
16.
17.
基于湖北省气象局18 kW·p太阳能光伏示范电站2011年7月~2012年6月发电资料和同期气象资料、辐射资料,分析了光伏电站发电量变化特征及其与气象要素的关系。结果表明,一年中,夏季发电多,冬季发电少,春秋两季发电持平;1 d中,正午发电多,早晚发电少,夜间不发电,呈单峰型变化特征;发电量与太阳总辐射量呈明显的同步性变化特征,且两者在各季节均呈显著的正相关关系;发电量与相对湿度、云量呈负相关关系,与日照时间、能见度、气温呈正相关关系,但在同等辐射条件下,气温越高,发电量越小。 相似文献
18.
19.
20.
详细介绍了积尘对光伏组件发电量的影响,阐述清洁对提升光伏发电量的效益的影响及重要性。 相似文献