局部遮挡下光伏组件功率损失预测模型

刘林君; 李琼; 封力; 饶慧晴; 卢永

doi:doi:10.19912/j.0254-0096.tynxb.2024-1397

欢迎来到能源电力期刊网！

English Version 读者登录期刊登录

您当前的位置：

首页 >

文章列表页 >

局部遮挡下光伏组件功率损失预测模型

更新时间：2026-01-08

- 局部遮挡下光伏组件功率损失预测模型
- 局部遮挡下光伏组件功率损失预测模型
- 太阳能学报 2025年46卷第12期页码：243-253
- 作者机构：
- 作者简介：
- 基金信息：
- DOI：doi:10.19912/j.0254-0096.tynxb.2024-1397
  中图分类号： TM615
- 网络出版：2026-01-07，
  
  纸质出版：2025
- 稿件说明：
移动端阅览
刘林君, 李琼, 封力, 等. 局部遮挡下光伏组件功率损失预测模型[J]. 太阳能学报, 2025,46(12):243-253.

刘林君, 李琼, 封力, et al. 局部遮挡下光伏组件功率损失预测模型[J]. 2025, 46(12): 243-253.
刘林君, 李琼, 封力, 等. 局部遮挡下光伏组件功率损失预测模型[J]. 太阳能学报, 2025,46(12):243-253. DOI： doi:10.19912/j.0254-0096.tynxb.2024-1397.

刘林君, 李琼, 封力, et al. 局部遮挡下光伏组件功率损失预测模型[J]. 2025, 46(12): 243-253. DOI： doi:10.19912/j.0254-0096.tynxb.2024-1397.

摘要

为研究遮挡条件下的发电效率损失预测以及监测光伏组件遮挡缺陷严重程度

该文提出一种基于Tent-SSA-BP的局部遮挡下光伏组件输出功率损失预测模型。首先通过仿真模拟实验

对光伏组件在局部遮挡条件下的输出特性进行详细分析

在大量仿真数据基础上

建立Tent-SSA-BP预测模型。由于BP神经网络模型在预测时容易陷入局部最优解

预测精度不高

该文建立的Tent-SSA-BP预测模型解决原有网络容易造成的局部最优问题

提高全局搜索能力

快速找到更优的参数组合。通过实验对比分析

Tent-SSA-BP预测模型相比于原有网络MAE降低0.585

MSE降低3.212

RMSE降低0.593

具有更好的模型拟合程度

提升了模型预测精度。

Abstract

The phenomenon of foreign body occlusion often occurs in photovoltaic modules during long-term outdoor operation

which affects photovoltaic power generation. Studying the prediction of power generation efficiency loss under occlusion conditions is very useful for monitoring the severity of photovoltaic module occlusion defects and guiding module cleaning scientifically. In this paper

a forecast model of PV module output power loss under partial occlusion based on Tent-SSA-BP is proposed. Firstly

the output characteristics of PV modules under partial occlusion are analyzed through simulation experiments. On the basis of a large number of simulation data

the Tent-SSA-BP prediction model is established. Because BP neural network model is easy to fall into local optimal solution and the prediction accuracy is not high

the Tent-SSA-BP prediction model established in this paper solves the local optimal problem easily caused by the original network

improves the global search ability

and quickly finds a better parameter combination. Through comparative analysis of experiments

the determination coefficient of Tent-SSA-BP prediction model is improved by 0.04 compared with the original network

which has a better degree of model fitting and improves the prediction accuracy of the model.

关键词

Keywords

references

戚军, 叶焙佳, 李袁超, 等. 基于阴影识别的光伏阵列输出特性简化仿真方法[J]. 高技术通讯, 2020, 30(2):185-195.

张逴, 李树成, 魏东, 等. 基于GS-SVM的光伏阵列积灰程度评估方法研究[J]. 太阳能学报, 2024, 45(11): 220-226.

王宗满, 李玲, 胡振坤. 光伏组件红外检测故障分级方法[J]. 中国科技信息, 2024(1): 116-118.

龚莺飞, 鲁宗相, 乔颖, 等. 光伏功率预测技术[J]. 电力系统自动化, 2016, 40(4): 140-151.

殷豪, 陈云龙, 孟安波, 等. 基于二次自适应支持向量机的光伏输出功率预测[J]. 太阳能学报, 2019, 40(7): 1866-1873.

方洛迪, 郭倩, 卫东, 等. 遮挡状态下光伏组件多峰输出特性的参数计算与分析[J]. 太阳能学报, 2022, 43(7): 115-121.

文爽, 马逸骋, 孙志强. 基于GWO-EEMD-BP神经网络的光伏发电功率短期预测[J]. 中南大学学报(自然科学版), 2022, 53(12): 4799-4808.

刘沛汉, 袁铁江, 梅生伟, 等. 基于遗传算法优化神经网络的光伏电站短期功率预测[J]. 水电能源科学, 2016, 34(1): 211-214.

李国进, 黄鹏, 王雪茹. 基于CA-SE-GA-BP的光伏发电功率预测[J]. 水电能源科学, 2020, 38(4): 201-204.

王云艳, 罗帅, 王子健. 基于改进型BP神经网络的光伏功率预测[J]. 计算机仿真, 2022, 39(11): 153-157.

杨锡运, 王诗晨, 张艳峰, 等. 基于相似日的Grey-Markov与BP_Adaboost的短期光伏功率预测[J]. 电源技术, 2023, 47(6): 790-794.

谭建斌, 段春艳, 班群. 基于改进神经网络的光伏发电功率短期预测方法研究[J]. 可再生能源, 2019, 37(8): 1192-1197.

朱红路, 李旭, 姚建曦, 等. 基于小波分析与神经网络的光伏电站功率预测方法[J]. 太阳能学报, 2015, 36(11): 2725-2730.

张雲钦, 程起泽, 蒋文杰, 等. 基于EMD-PCA-LSTM的光伏功率预测模型[J] .太阳能学报,2021, 42(9): 62-69.

吉锌格, 李慧, 刘思嘉, 等. 基于MIE-LSTM的短期光伏功率预测[J]. 电力系统保护与控制, 2020, 48(7): 50-57.

裴婷婷, 郝晓弘. 局部阴影条件下光伏阵列的动态建模[J]. 太阳能学报, 2020, 41(2): 268-274.

林皓, 孙晓寅, 陈昊旻. 局部阴影遮挡下大尺寸光伏组件的输出特性研究[J]. 太阳能, 2023(3): 38-45.

MORETÓN R, LORENZO E, NARVARTE L. Experimental observations on hot-spots and derived acceptance/rejection criteria[J]. Solar energy, 2015, 118: 28-40.

王乃啸, 高海翔, 王希林, 等. 基于BP神经网络的绝缘子污秽成分LIBS在线检测技术[J]. 广东电力, 2020, 33(9): 49-57.

杨润泽. 基于GA-PSO-BP神经网络的车险欺诈识别研究[D]. 长沙: 湖南大学, 2021.

张伟康, 刘升, 任春慧. 混合策略改进的麻雀搜索算法[J]. 计算机工程与应用, 2021, 57(24): 74-82.

陈亮, 郝祎纯, 李巧茹, 等. 改进SSA优化的BP神经网络交通量预测模型[J]. 哈尔滨工业大学学报, 2024, 56(7): 94-101.

谭金铃, 赵春华, 林彰稳, 等. 基于GBDT特征提取与Tent-ASO-BP网络的铣刀磨损量预测[J]. 计算机集成制造系统, 2024, 30(4): 1296-1308.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于GSS的RIME-CNN-LSTM-Attention光伏出力组合预测模型

基于FOX-VMD联合小波阈值去噪的短期光伏功率预测研究

基于Attention-GRU的短期光伏发电功率预测

基于波动特性挖掘的短期光伏功率预测

基于改进VMD和SNS-Attention-GRU的短期光伏发电功率预测