一种高效的光伏监控方案及发电量预测--发表.doc

一种高效的光伏监控方案及发电量预测海涛1，梁挺兴1，林波2，胡翔1，闻科伟1，张朝1（1.广西大学 电气工程学院，广西 南宁 530004）摘要：提出一种以串口服务器为数据采集网关，以面向对象的方法描述设备、以多线程的方式处理数据、以模块化的思想布局、采用自定义数据队列、以嵌入的RBF神经网络模型预测发电量的高效光伏监控方案。以在广西大学内搭建的一个小型的光伏发电站为实验对象，在该方案的基础上实现多总线的光伏远程监控系统，并在该系统中嵌入发电量预测功能。经过长时间地运行系统并预测发电量，结果表明该系统具有运行效率高、可扩展性强、发电量预测精度高等优点。关键词：光伏监控;串口服务器;RBF神经网络;预测中图分类号：TM615；TP277 文献标识码：A An efficient photovoltaic monitoring solution and generated energy predictionHai Tao1，Liang Tingxing1，Hu Xiang1，Wen Kewei1，Zhang zhao1(1.School of Electrical Engineering,Guangxi University,Nanning 530004，China)Abstract:An efficient photovoltaic monitoring solution is proposed by taking the serial port server as data collection gateway,using the object-oriented approach to describe devices, taking the multithreading technology to process data and using modularized layout, user-defined data queue and The embedded RBF neural network generated energy prediction model. A small photovoltaic station used as the experiment object is set up in Guangxi University. A photovoltaic monitoring system with more bus network is implemented on the basis of the solution which is embedded the generated energy prediction function.The situation of system running and generated energy prediction turn out that the system has the advantage of high running efficiency、powerful expansibility and precision generated energy prediction.Keywords: Photovoltaic monitor; Serial port server; RBF neural network; Prediction0 前言随着光伏发电技术的发展，越来越多光伏电站即将或已经投入运行使用，而高效的光伏监控系统则是这些光伏电站高效与稳定地运行的重要环节。光伏设备的生产厂家很多，大多数厂家只研发用于自家产品的专用监控系统，而且大多数都没有嵌入发电量预测的功能。当一个已投入使用的光伏系统要扩大规模时，需重新部署原来的监控系统，面临的难题将是：使用新设备，淘汰落后的设备；旧的光伏设备已经不再生产或者新的光伏设备的成本更低、性能更好；添加新功能等。这些漫长的重部署过程必将影响光伏电站的运行，故提出高效的光伏监控系统方案，缩短监控系统重部署的时间。而采用改进的串口服务器、多线程技术、面向对象的方法、模块化的思想、采用自定义数据队列、嵌入预测发电量的功能等环节是实现高效的光伏监控方案关键。1 基于局域网和互联网的监控方式基于以太网的数据采集网关（即485转以太网）是这种监控方式的最关键的环节，它将多条485总线上的所有设备的485数据转换为以太网数据，并通过工业以太网交换机和路由器实现局域网和互联网的监控方式。其特点是，监控范围广，通信速度快，节点数无限制，系统可扩展性强，在此监控方式的基础上实现高效的远程监控系统。2 监控系统总体设计拓扑结构的选择和软件方案的完善度决定光伏监控方案是否高效。基于光伏电站的地处偏远、占地辽阔的特点，选择基于局域网和互联网的监控方式的拓扑结构。以提高系统运行效率和可扩展性为目标实现软件部分的功能。2.1 搭建实验平台为实现该高效的监控方案，搭建如图1所示的小型光伏发电站，所使用的光伏设备都配置了485通信接口+ModBus通信协议的通信选择。使用6块标称功率为50W光伏组件组成光伏阵列，先串联两块，再并联三路由汇流箱汇集成一路输出，最后由并网逆变器输送至电网。为体现该方案具有可扩展性和支持多485总线的特点，将该实验平台分成两条总线连接至改进的串口服务器（将Modified Serial Port Server简称为MSPS）。由温度采集模块和太阳总辐射传感器组成的环境气象仪记录光伏发电的环境参数，为训练预测发电量的神经网络提供训练数据。图1 实验平台Fig.1 The experimental platform2.2 改进的串口服务器串口服务器（将Serial Port Server简称为SPS），可以把分散的串行设备、主机等通过网络集中管理。目前市场上的SPS都是一个串口对于一个网口的构造，如果要支持多总线，则必须使用多个SPS或者使用带有多串口、多网口的SPS，这样带来的问题是：成本增加、系统设计复杂、设备资源利用率不高。MSPS在监控系统中的角色就是支持多总线的数据采集网关，充分地利用了ARM单片机的多个UART、嵌入式操作系统的多线程、以太网的带宽。而在软件部分的设计则只需围绕一个MSPS展开，极大地减小了设计的工作量。MSPS工作原理如图2所示，其中TransverterThread是485总线数据与以太网数据的转换线程。图2 MSPS工作原理Fig.2 The working principle of MSPS2.3 软件方案的实现在硬件平台搭起后，软件方案的实现主要围绕对MSPS数据的收发来展开。在Microsoft Visual Studio 2010的集成开发环境中，使用面向对象的VB.NET语言编写程序，其中VB.NET语言中的所提供的部分功能和接口是该方案的逻辑基础。从以下几个方面体现该方案的高效性。2.3.1模块化布局合理、清晰的文件布局，可以加速软件方案的实施，也是是解决系统移植和扩展问题的基础。如图3所示：SysClass目录存放所有的类文件；SysFile目录存放配置的信息文件；SysModule 存放软件运行后的全局模块；SysForm存放软件全部的窗体模块；PVMain主要负责启动软件和调用功能模块。图3 监控系统的软件组织Fig.3 The software organization of monitoring system2.3.2面向对象使用面向对象的编程思想实现设备定义、ModBus功能、Socket功能和数据库功能。在设备定义部分特别能体现面向对象的编程思想带来的高效性，将相同类型的设备定义成一个设备类，而这些设备类，具有相同的格式。当增加一个设备时，只需定义一个该设备类的对象。当需要定义一个新的设备类时，在需要修改的地方修改代码即可。2.3.3自定义数据队列队列是先进先出的数据结构，VB.NET有自带的队列结构Queue，而不用自己去写一个。一般情况下，只有基本数据类型的队列，无法满足软件方案的灵活性。使用自定义的数据结构，再对Queue指定该自定义的数据结构，就实现了一个自定义数据队列。只有在串口服务器的收发模块与其它功能模块相互独立的情况下，整个系统数据处理速度才达到最佳，而自定义数据队列则充当了串口服务器的收发模块向外提供数据的唯一通道。2.3.4多线程队列是先进先出的数据结构，VB.NET有自带的队列结构Queue，而不用自己去写一个。一般情况下，只有基本数据类型的队列，无法满足软件方案的灵活性。使用自定义的数据结构，再对Queue指定该自定义的数据结构，就实现了一个自定义数据队列。只有在串口服务器的收发模块与其它功能模块相互独立的情况下，整个系统数据处理速度才达到最佳，而自定义数据队列则充当了串口服务器的收发模块向外提供数据的唯一通道。2.3.5嵌入发电量预测功能发电量预测功能是在Matlab中利用光伏电站的历史发电数据和环境数据来建立基于神经网络的发电量预测模型的方式实现，然而监控方案在Visual Studio 中实现，为了在监控系统中使用发电量预测功能，必须在Visual Studio中调用在Matlab中的实现预测的m文件，使监控系统脱离Matlab软件，其嵌入过程如图4所示。与Visual Studio 2010 匹配的Matlab是2011以上的版本。图4 发电量预测的嵌入过程Fig.4 The embedded process of generated energy prediction3 基于RBF神经网络的发电量预测光伏电站的发电量预测是光伏监控系统能量调度的一项重要日常工作。光伏发电系统相对于电网是一个不可控源，其发电随机性会对大电网造成冲击，因此需预先获得光伏发电系统的日发电量曲线，从而协调电力系统制定发电计划，减少光伏发电的随机化问题对电力系统的影响。建立基于RBF神经网络的预测模型，实现未来一天发电量预测。3.1 RBF神经网络RBF神经网络是一种三层前向网络，其拓扑结构如图5所示，输入层由信号源节点组成。隐层单元的变换函数是一种局部分布的非负非线性函数，对中心点径向对称衰减。隐含层的单元数由所描述问题的需要确定。网络的输出是隐单元输出的线性加权和。RBF神经网络的输入空间到隐含层空间的变换是非线性的，而从隐含层空间到输出层空间的变换是线性的。可以通过Matlab提供的RBF神经网络工具箱来建立网络。图5 RBF神经网络Fig.5 The RBF neural networkRBF神经网络的基本思想是用径向基函数作为隐含层单元的基，构成隐含层空间。通常使用高斯函数作为RBF神经网络的径向基函数，如式（1）所示。RBF网络的输出为隐层节点的线性组合，如式（2）所示 （1）式中，是第j个隐层节点的输出；是输入样本；是高斯函数的中心；是高斯函数的宽度；是隐层节点数。 （2）式中，；3.2 预测模型建立有效地进行发电量预测要具备两方面的条件：一是历史数据信息的可靠；二是预测方法可行。本文所采用的RBF神经网络预测模型结构简单、训练简洁而且学习收敛速度快，能够逼近任意非线性函数。考虑到影响光伏组件输出最显著的两个因素是太阳辐照度和大气温度，本文提出如图6所示的预测模型。由于很难获取太阳辐照度的预测数据，使用预报的紫外线强度、天气类型和地外理论太阳辐照度取代太阳辐照度对光伏组件的作用。从紫外线强度和天气类型的预报数据中，反应了不同季节性、不同天气类型的太阳辐照度，而地外理论太阳辐照度反应了地球公转和自传的信息，故不需分季节、分天气类型建预测模型。由于实际情况限制，只考虑每天7点到17点发电情况，所以RBF神经网络的输入层有50个节点，输出层有10个节点。 图6 RBF预测模型Fig.6 The RBF prediction model3.3 模型训练最终的预测模型是RBF神经网络的学习过程达到了条件要求，REF神经网络的学习过程分为两个阶段：第一阶段，根据所有的输入样本决定隐层各节点的高斯基函数的中心和宽度；第二阶段，在决定好的隐层的参数后，再根据样本信号，利用最小二乘法，求出输出的权值。网络训练的部分数据如表1所示，其中EXSI是地外理论辐照度序列，UI是紫外线序列，WT是天气类型序列（晴天0、少云1、多云2、小雨3、中雨4、大雨5），ET是大气温度序列，GE是发电量序列，GE是前一天的发电量序列，X是模型的输入，Y是模型的输出。如果有M组数据，则XM是M组输入向量，YM是M组输出向量。表1 部分训练数据Tab.1 A part of the training dataX= EXSI UI WT ET GEY=GEEXSI=652.0 925.2 1148.2 1305.9 1387.5 1387.5 1305.9 1148.3 925.5 652.5UI=2 6 8 10 11 11 11 10 10 6WT=0 0 0 0 0 0 1 1 0 1ET=31.8 33.7 35.6 37.3 38 37.7 37.7 38.3 39.2 37.3GE=0.6 16.5 44.3 60.7 67.9 58.2 56 74.1 64.9 33.1GE= 1.7 19.5 47.6 62.5 66.2 67.4 64 64.7 56.9 35.6EXSI=650.6 924.1 1147.4 1305.2 1387.0 1387.0 1305.3 1147.5 924.4 651.2 UI=3 5 4 9 8 8 7 11 3 2WT=1 2 0 2 3 0 2 1 2 1ET=28.8 29.3 31.1 31.5 28.3 32.6 31.6 32 31 30.1GE=1.7 19.5 47.6 62.5 66.2 67.4 64 64.7 56.9 35.6GE= 5 28.5 49.4 66.8 67.4 66.3 62.2 61.9 60.3 34.5利用RBF神经网络工具函数net=newrb(XM, YM,0.001)获得期望的RBF神经网络。网络的训练效果如图7所示，当隐含层节点数增加到8个，网络的目标误差趋近于零，说明网络输出能非常好的逼近函数。图7 训练效果Fig.7 The training effect4 系统运行过程与发电量预测分析4.1 监控系统运行实验按照上述方案所实现的监控系统如图8（a）所示，能实时监控整个电站的运行情况，出现异常情况可手动或自动地做出相应的操作。历史数据的查询如图8（b）所示，可灵活地选择目标数据，并对比显示。(a) (b)图8 监控系统界面Fig.8 The monitoring system interface4.2 发电量预测分析以预测日期为2014.8.1的发电量为例，当天预报的天气类型序列为（晴、晴、晴、晴、晴、少云、晴、晴、多云、晴）；预报的紫外线等级序列为(2,6,8,7,10,9,8,8,6,6)；预报的温度序列为(28,31,33,35,35,36,38,37,37,36);地外理论辐照度为(639.7,915.5,1140.6,1299.8,1382.2, 1382.2, 1299.9, 1140.8,915.9,640.4);前一天的发电序列(2.3,28,39.8,51,52.7,44.8,43.1,52.6,46.7, 41)，单位是W.h。将这些数据输入网络Out=sim(net,In)，即可获得当天预测的发电量预测。当天预测的发电量曲线与真实的发电量曲线如图9（a）所示，预测曲线基本与真实的发电曲线吻合，RMSE=6.6，误差分布如图9（b）所示，在9点、11点、14点、15点、16点的天气预测不准确的情况下，预测值偏离不大，说明地外理论值辐照度很好地起到了限制作用，总的预测发电量与总的真实发电量相差并不大。(a) (b)图9 发电量预测情况Fig.9 The situation of generated energy prediction5 结语本文实现了一种以串口服务器为数据采集网关，以面向对象的方法描述设备、以多线程的方式处理数据、以模块化的思想布局、采用自定义数据队列、以嵌入的RBF神经网络模型预测发电量的高效光伏监控系统。基于RBF神经网络预测模型具有简单、实用、预测准备的特点。虽然是针对光伏电站所设计的远程监控系统，但是稍微改变，便可应用于其他领域。参考文献：1 邓素枚.光伏电站数据采集系统的研究与实现D.北京：北京交通大学，2012.2 叶琼茹.光伏并网远程监控系统的研究与设计D.泉州：华侨大学，2012.3 舒杰,彭宏,沈辉.光伏系统的远程监控技术与实现J.华南理工大学学报（自然科学版），2005,33(5)：43-44.4 陈平,郝继飞,周晓飞等.基于串口服务器组网的自