微氣象的分布式光伏發電態勢感知方法

葉德亮

關鍵詞： 微氣象 分布式光伏 發電態勢 感知方法

中圖分類號： TP393 文獻標識碼： A 文章編號： 1672-3791（2024）01-0074-04

分布式光伏發電是目前較為常見的新能源發電的一種形式，主要將光伏電池安裝在分散區域內采集光能，并將其轉化為電能，為用戶供電。這種發電方式具有環保、可持續和分散供電等優勢，受到越來越多國家和地區的重視與支持［1］。然而，分布式光伏發電系統的效率和性能受氣象因素的影響很大，尤其是微氣象條件的變化。微氣象包括風速、輻射、溫度等因素，它們直接影響光伏電池板的發電效果［2］。因此，了解微氣象的分布狀況，對于優化光伏系統的運行和發電效率至關重要。利用傳感器和監測設備收集各個地點的微氣象數據，并對其進行處理，實現氣象條件的實時監測，可以提前發現氣象變化對光伏發電系統產能和性能的影響，幫助光伏發電系統的運營商和管理者確定最佳發電策略，進一步提高發電效率和可靠性［3］。近年來，眾多專家開展微氣象對分布式光伏發電系統影響的研究，已經取得一定成果，但其應用效果仍然不佳，無法對其發電態勢進行良好預測［4］。在該背景下，本研究提出了一種基于微氣象的分布式光伏發電態勢感知方法。

1 基于K-means 聚類算法的天氣狀態數據提取

分布式光源發電態勢與電池板的工作效率有直接關系，外界因素如輻射度、風力等對電池板采集光能的效率造成直接影響，故需要對外界氣象因素進行分析，充分考慮多種因素，進而實現對光伏發電態勢的感知［5］。由于多種氣象因子都會對光伏發電造成影響，為消除多個輸入氣象參數數值差異對光伏發電態勢識別的影響，在完成光伏電站發電數據和當地氣象數據采集后，對其進行歸一化處理［6］，具體過程如式（1）所示。

初始化各權重，再對樣本進行歸一化，最后運算神經網絡，即在隱含層輸出后，由承接層對其進行計算，并將反饋值傳遞到隱含層中，實現對光伏發電情況的預測，其具體流程如圖2 所示。

由此，利用建立的分布式光伏發電態勢感知模型，完成光伏發電態勢預測。

3 實驗分析

3.1 實驗環境設置

為驗證所提方法的先進性，選取某區域光伏電站作為研究對象，從光伏電站中獲取2021 年1—12 月的發電數據和當地氣象站發布的氣象數據。其中發電數據為每天8：00—18：00 間隔20 min 的采樣值；氣象數據包括當日太陽的輻照度、風速、溫濕度等，其同樣是每天8∶00—18∶00 間隔20 min 的采樣值，以此作為數據樣本開展實驗測試。完成初始數據采集后，在一臺操作系統為Windows 10 的筆記本電腦中完成數據分析過程。利用MATLAB 實現神經網絡的計算與迭代訓練，模型相關參數設置如表1 所示。

在該測試背景下，選取方鵬等人［3］和解振學等人［4］的方法作為對比方法，將態勢感知準確率和感知效率作為評價指標，開展對比測試。

3.2 實驗結果分析

應用3 種方法完成分布式光伏發電態勢感知，對比3 種方法的感知準確率，得到對比結果詳見表2。

根據表2 數據可知，采用所提方法進行分布式光伏發電態勢感知，其準確率均高于94.2%，最高可達到96.3%，而應用方鵬等人［3］的方法，其準確率均低于86.7%；應用解振學等人［4］的方法，其準確率均低于90.3%。由此可證明，采用所提方法對分布式光伏發電態勢感知效果更優，應用效果較好。這主要是由于本次研究對氣象因素進行充分分析，并選取輻照度、風速、風向、環境溫度、濕度等7 個氣象因子來完成其發電態勢感知模型的建立，大大提升了其發電感知準確度。

通過對比3 種方法的感知消耗時間來判斷其發電感知效率，得到對比結果具體見表3。

根據表3 數據可知，應用所提方法，其感知時間均低于45.3 ms，而應用對比方法，其感知時間均高于118.9 ms，由此可證明采用所提方法進行分布式光伏發電感知，其應用效果更佳。這主要是由于所提方法采用了高效的歸一化處理和K-means 聚類算法，有效地優化了天氣狀態識別過程，同時基于Elman 神經網絡建立分布式光伏發電態勢感知模型，這些優化使所提方法的感知時間顯著低于對比方法。

4 結語

為提升光伏發電感知效果，本次研究提出了一種考慮微氣象的分布式光伏發電態勢感知方法。利用歸一化處理和K-means 聚類算法實現天氣狀態數據的提取，并通過Elman神經網絡建立了分布式光伏發電態勢感知模型，從而實現了對分布式光伏發電態勢的準確預測。實驗結果證明，該方法感知準確率均高于94.2%，且感知效率較高，而感知時間低于45.3 ms，優于傳統方法，具有廣泛的應用價值。