(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111405477.4 (22)申请日 2021.11.24 (71)申请人 华能新能源股份有限公司 地址 100036 北京市海淀区复兴 路甲23号 10、 11层 申请人 北京华能新锐控制技 术有限公司 (72)发明人 刘庆伏　王森　王传鑫　蒋贲　 刘庭　王晓宁　王军　李洪灯　 刘有金　 (74)专利代理 机构 北京中知法苑知识产权代理 有限公司 1 1226 代理人 景艳伟 (51)Int.Cl. G06F 30/27(2020.01) G06Q 50/06(2012.01)G06F 119/02(2020.01) (54)发明名称 光伏阵列清洗时间优化的数据驱动辨识方 法与装置 (57)摘要 本发明提供一种光伏阵列清洗时间优化的 数据驱动辨识方法与装置， 属于光伏阵列清洗时 间优化领域。 本发明的方法包括下述步骤： 采集 在预设条件下的光伏 阵列积灰密度和输出功率 的相关数据； 基于相关数据， 对猎鹿优化算法的 模型辨识进行原理分析及过程描述； 基于所述猎 鹿优化算法的模 型参数辨识方法， 分别对光伏系 统积灰衰减模型和峰值小时数预测模型进行辨 识； 对所述光伏阵列的积灰清洗预测时间进行合 理性评估和定量分析。 本发明通过所建立的光伏 系统积灰衰减模型和峰值小时数预测模型可间 接求得最佳清洗时间间隔， 为清洗时间动态优化 提供了参考。 通过收益量化对清洗前后光伏系统 的发电收益变化进行对比， 以有效评估所得清洗 时间方案的合理性。 权利要求书3页 说明书11页 附图2页 CN 114169229 A 2022.03.11 CN 114169229 A 1.一种光伏阵列清洗时间优化的数据驱动辨识方法， 其特 征在于， 包括下述具体步骤： 采集在预设条件下的光伏阵列积灰密度和输出功率的相关数据； 基于所述相关数据， 对猎鹿优化 算法的模型辨识进行原理分析及过程描述； 基于猎鹿优化算法的模型参数辨识方法， 分别对光伏系统积灰衰减模型和峰值小时数 预测模型进行辨识； 对所述光伏阵列的积灰清洗预测时间进行合理性评估和定量分析。 2.根据权利要求1所述的方法， 其特征在于， 所述采集在预设条件下的光伏阵列积灰密 度和输出功率的相关数据， 包括： 以气候、 环境以及地形因素为基准进行光伏系统积灰密度和输出功率相关数据采集； 选取多个气候、 环境及地形 条件组合进行 数据采集。 3.根据权利要求1所述的方法， 其特征在于， 所述基于所述相关数据， 对猎鹿优化算法 的模型辨识进行原理分析及过程描述， 包括： 为待辨识模型设立预设形式； 将猎鹿的最佳位置 视为最优模型参数向量θ*， 并对猎鹿优化 算法模型辨识进优化； 根据所述猎鹿优化 算法模型辨识以得到最优狩猎位置 Hbest， 且 θ*＝Hbest。 4.根据权利要求3所述的方法， 其特征在于， 所述将猎鹿的最佳位置视为最优模型参数 向量θ*， 并对猎鹿优化 算法模型辨识进行优化， 包括： 将s个猎人作为 一个种群H， 并随机初始化猎人种群为H＝{H1,H2,…,Hs}； 确定捕猎雄鹿的初始化 风向角和位置角； 根据适应度函数计算得到最接 近最优解的位置； 当最优狩猎位置确定后猎人停止位置更新。 5.根据权利要求4所述的方法， 其特征在于， 所述确定捕猎雄鹿的初始化风向角和位置 角采用下述公式得到： φk＝2 π l 其中， φ代 表风向角， 代表位置角； l是[0,1]范围内的随机数， k表示当前迭代步。 6.根据权利要求4所述的方法， 其特征在于， 所述根据适应度函数计算得到最接近最优 解的位置， 包括： 基于领导者位置的传播过程： 当确定了最佳位置时， 种群中的每个猎人都试图达到最 佳位置， 此时触发位置更新过程， 其中， 猎人包围行为可通过 下式表示： Hk+1＝Hlead‑M·c|R×Hlead‑Hk| 其中： Hlead代表领导者位置， c为考虑到风向角的随机 数， 其取值范围为(0,2]， M和R均指 参数向量； 基于位置角的传播过程： 通过在猎人的位置更新过程中考虑位置角 来改进搜索空间， 在鹿的狩猎过程中， 假定在某位置角下狩猎过程有效， 引入一个新参数dsk进行位置角的更 新且该参数 是根据风角之间的方差开发的， 其可视角度如下式： 以及， 猎物的可视角度vsk如下式：权　利　要　求　书 1/3 页 2 CN 114169229 A 2其中， rd为取自[0,1]的随机数， 参数a用于测量方程中的系数向量； 并且， 利用下述关系式进行位置角更新： 利用下述关系式更新猎人的位置： Hk+1＝Hlead‑c|cos(w) ×Hlead‑Hk|； 其中： Hk+1为利用k时刻的猎人位置向量Hk更新后的k+1时刻的猎人位置， w代 表位置角； 基于继任者位置的传播过程： 假设向量R的值小于1， 猎人位置的更新过程取决于继任 者的位置， 如下述关系式： Hk+1＝Hsuccessor‑M·c|R×Hsuccessor‑Hk| 其中， Hsuccessor代表继任者的位置 。 7.根据权利要求1至6任一项所述的方法， 其特征在于， 所述基于所述猎鹿优化算法的 模型参数辨识方法， 分别对光伏系统积灰衰减 模型和峰值小时数 预测模型进行辨识， 包括： 在不同季节和天气状况下选取光伏 组件刚清洗过的时间作为采样起始点， 以光伏组件 在清洗后随着时间推移 额定峰值功 率的变化情况为参考， 建立描述光伏组件随积灰时长的 功率衰减趋势模型； 从采样数据中选取环境温度、 空气湿度、 云层厚度和空气密度 数据作为建模输入， 太阳 辐照度为输出， 基于预设的模型形式通过D HO算法进行模型未知参数的辨识， 并计算峰值小 时数。 8.根据权利要求7 所述的方法， 其特 征在于， 所述计算峰值小时数采用下述关系式： 其中， 峰值小时数H指一定时间段内太阳辐照总量转换成标准测试条件下， 即辐照度为 1000W/m2， 温度为25℃条件下的小时数； t1和t2分别为所计算时间段的起始时间点和终止时间点， R(t)为光伏阵列在时刻t的辐 照度。 9.根据权利要求1至6任一项所述的方法， 其特征在于， 所述对所述光伏阵列的积灰清 洗预测时间进行合理性评估和定量分析， 包括： 绘制如下光伏系统在积灰和清洗后的额定峰值功率变化曲线， 并得出清洗后光伏系统 产生的发电增量ΔQ； 通过公式量 化计算电站因清洗操作为 光伏发电带来的电站收益增量Δ E如下式： ΔE＝Eclean‑Edust‑C Eclean＝r×Qclean Edust＝r×Qdust 其中， Eclean和Edust分别表示是否进行光伏阵列清洗的发电收入， C为清洗成本， Qclean表 示光伏阵列在Tc时间段内的t1时刻进行了清洗的累计发电量， Qdust表示光伏阵列在Tc时间 段内不进行清洗的累计发电量， r 表示光伏发电并 网电价； 并且， 通过判断Δ E是否大于 0以得清洗时间的合理性并寻 求最优的清洗时间 间隔。权　利　要　求　书 2/3 页 3 CN 114169229 A 3