微气象的分布式光伏发电态势感知方法

叶德亮

关键词： 微气象 分布式光伏 发电态势 感知方法

中图分类号： TP393 文献标识码： A 文章编号： 1672-3791（2024）01-0074-04

分布式光伏发电是目前较为常见的新能源发电的一种形式，主要将光伏电池安装在分散区域内采集光能，并将其转化为电能，为用户供电。这种发电方式具有环保、可持续和分散供电等优势，受到越来越多国家和地区的重视与支持［1］。然而，分布式光伏发电系统的效率和性能受气象因素的影响很大，尤其是微气象条件的变化。微气象包括风速、辐射、温度等因素，它们直接影响光伏电池板的发电效果［2］。因此，了解微气象的分布状况，对于优化光伏系统的运行和发电效率至关重要。利用传感器和监测设备收集各个地点的微气象数据，并对其进行处理，实现气象条件的实时监测，可以提前发现气象变化对光伏发电系统产能和性能的影响，帮助光伏发电系统的运营商和管理者确定最佳发电策略，进一步提高发电效率和可靠性［3］。近年来，众多专家开展微气象对分布式光伏发电系统影响的研究，已经取得一定成果，但其应用效果仍然不佳，无法对其发电态势进行良好预测［4］。在该背景下，本研究提出了一种基于微气象的分布式光伏发电态势感知方法。

1 基于K-means 聚类算法的天气状态数据提取

分布式光源发电态势与电池板的工作效率有直接关系，外界因素如辐射度、风力等对电池板采集光能的效率造成直接影响，故需要对外界气象因素进行分析，充分考虑多种因素，进而实现对光伏发电态势的感知［5］。由于多种气象因子都会对光伏发电造成影响，为消除多个输入气象参数数值差异对光伏发电态势识别的影响，在完成光伏电站发电数据和当地气象数据采集后，对其进行归一化处理［6］，具体过程如式（1）所示。

初始化各权重，再对样本进行归一化，最后运算神经网络，即在隐含层输出后，由承接层对其进行计算，并将反馈值传递到隐含层中，实现对光伏发电情况的预测，其具体流程如图2 所示。

由此，利用建立的分布式光伏发电态势感知模型，完成光伏发电态势预测。

3 实验分析

3.1 实验环境设置

为验证所提方法的先进性，选取某区域光伏电站作为研究对象，从光伏电站中获取2021 年1—12 月的发电数据和当地气象站发布的气象数据。其中发电数据为每天8：00—18：00 间隔20 min 的采样值；气象数据包括当日太阳的辐照度、风速、温湿度等，其同样是每天8∶00—18∶00 间隔20 min 的采样值，以此作为数据样本开展实验测试。完成初始数据采集后，在一台操作系统为Windows 10 的笔记本电脑中完成数据分析过程。利用MATLAB 实现神经网络的计算与迭代训练，模型相關参数设置如表1 所示。

在该测试背景下，选取方鹏等人［3］和解振学等人［4］的方法作为对比方法，将态势感知准确率和感知效率作为评价指标，开展对比测试。

3.2 实验结果分析

应用3 种方法完成分布式光伏发电态势感知，对比3 种方法的感知准确率，得到对比结果详见表2。

根据表2 数据可知，采用所提方法进行分布式光伏发电态势感知，其准确率均高于94.2%，最高可达到96.3%，而应用方鹏等人［3］的方法，其准确率均低于86.7%；应用解振学等人［4］的方法，其准确率均低于90.3%。由此可证明，采用所提方法对分布式光伏发电态势感知效果更优，应用效果较好。这主要是由于本次研究对气象因素进行充分分析，并选取辐照度、风速、风向、环境温度、湿度等7 个气象因子来完成其发电态势感知模型的建立，大大提升了其发电感知准确度。

通过对比3 种方法的感知消耗时间来判断其发电感知效率，得到对比结果具体见表3。

根据表3 数据可知，应用所提方法，其感知时间均低于45.3 ms，而应用对比方法，其感知时间均高于118.9 ms，由此可证明采用所提方法进行分布式光伏发电感知，其应用效果更佳。这主要是由于所提方法采用了高效的归一化处理和K-means 聚类算法，有效地优化了天气状态识别过程，同时基于Elman 神经网络建立分布式光伏发电态势感知模型，这些优化使所提方法的感知时间显著低于对比方法。

4 结语

为提升光伏发电感知效果，本次研究提出了一种考虑微气象的分布式光伏发电态势感知方法。利用归一化处理和K-means 聚类算法实现天气状态数据的提取，并通过Elman神经网络建立了分布式光伏发电态势感知模型，从而实现了对分布式光伏发电态势的准确预测。实验结果证明，该方法感知准确率均高于94.2%，且感知效率较高，而感知时间低于45.3 ms，优于传统方法，具有广泛的应用价值。