一种多因素下集中式光伏电站内的光伏板部署优化方法与流程

1.本发明涉及光伏电站部署技术领域，具体涉及一种多因素下集中式光伏电站内的光伏板部署优化方法。

背景技术：

2.因地制宜的开发利用各地光伏资源是助力我国双碳目标的有效途径之一。光伏发电装机容量的增加一定程度上减轻了我国经济快速发展对环境带来的压力，然而光伏发电实际出力与当地地形、气象条件紧密相关，导致作为可再生能源的太阳能具有波动性和间歇性的特点。同时，集中式光伏电站占地面积较大，其规模不断扩大也造成了土地资源不足的问题。
3.为了应对这些问题，论文文献《气象因素对太阳能利用的影响研究》运用通径分析阐释了各个气象因素之间的相互作用，通过回归分析量化了气象因素对发电效率的影响。论文文献《多因素耦合作用对光伏发电效率的影响分析》用灰关联分析和回归分析得到对光伏出力影响最大的气象因素为辐照度、环境温度、风速、湿度、气压，并依此建立了光伏出力多元回归预测模型。但以上两个论文文献中都只利用单一的数据进行回归分析，得到的预测模型泛用性较差。
4.论文文献《multi-meteorological-factor-based graph modeling for photovoltaicpower forecasting》通过图模型方法描述各种气象因素与光伏出力的关系并对光伏出力进行预测，但是图模型的方法步骤较为繁琐，且预测精度低于深度学习模型。论文文献《基于集划分的光伏电站集发电功率短期预测方法》先是将出力特性相似的光伏电站聚类为一个个集，再运用bc-lstm网络对各个集进行建模训练，得到多个光伏电站短期总出力。论文文献《comparative study of electrical energy conversion on monocrystalline andpolycrystalline solar panel types in fixed position with various weather conditionsin mountain area》在湿度和温度均较低的高原山地地区比较分析了单晶和多晶太阳能电池板的性能，得出在山地地区多晶太阳能电池板出力更高的结论。论文文献《面向桂林气象特征的太阳能光伏电池板最佳部署角度》只考虑温度和辐照度，单独计算了光伏组件最优倾角和方位角，但没有考虑两者组合最优。论文文献《山地光伏电站固定式组件安装角度优化方法》提出了一种考虑山体遮挡，坡面朝向，辐照度情况的定量计算山地地区单一光伏组件最佳倾角、方向角的方法，但未考虑光伏阵列的排间距。论文文献《山地光伏阵列布置方法和排间距计算》定量分析了山地地区光伏阵列在不同坡度、倾角、方位角下的排间距，但是并未对最佳的布置方法进行建模。
5.综上所述，现有研究缺乏结合地形和气象差异，使某一集中式光伏电站实际出力最大且经济性最佳的站内光伏板部署优化方法。
6.现有技术存在的问题如下：
7.现有光伏电站内光伏板的部署方法未考虑不同地理特征上的气象因素对于光伏
出力的影响，未将地理特征和气象因素综合进行考量从而导致现有光伏电站内光伏板的部署方法所获得光伏出力年发电量低，部署成本高。

技术实现要素：

8.本技术所要解决的技术问题是现有光伏电站内光伏板的部署方法未考虑不同地理特征上的气象因素对于光伏出力的影响，目的在于提供一种多因素下集中式光伏电站内的光伏板部署优化方法，解决了未将地理特征和气象因素综合进行考量从而导致现有光伏电站内光伏板的部署方法所获得光伏出力年发电量低，部署成本高的问题。
9.本技术通过下述技术方案实现：
10.本技术一方面公开了一种多因素下集中式光伏电站内的光伏板部署优化方法，包括：
11.s1、依据光伏电站内的地理特征，将光伏电站内划分为多个地形区域；其中，所述地理特征包括年日照时数、平均海拔、坡向、坡度、区域中心与汇集站的距离以及区域中心相对汇集站的方向；
12.s2、基于双重注意力机制lstm模型，量化所述地形区域内的气象因素与光伏出力的关联关系；
13.s3、基于所述地形区域内的气象因素与光伏出力的关联关系，对光伏电站内光伏板进行部署。
14.在上述技术方案中，由于集中式光伏电站在安装光伏板时，常采用密集式铺设，即光伏板都有序的集中在某一块区域，所以将区域中心与汇集站的距离、区域中心相对汇集站的方向纳入地理特征，目的是使划分出的地形内各个子区域在地理位置上大致相近，更符合集中式光伏电站建设实际情况。
15.利用双重注意力机制lstm模型对多个主要气象因素进行分析，进而得出每个地形区域内光伏出力最大的位置。
16.双重注意力机制lstm模型是在lstm网络的基础上进行改进的模型，由于在天气突变及极端天气条件下仅利用lstm网络建模效果往往不佳。用双重注意力机制lstm模型对多因素气象进行分析，得到更准确的光伏功率输出与气象变量及历史信息的关系。
17.站内光伏板部署优化以整个光伏电站全年实际出力和光伏板部署成本最低为优化目标，以全年为时间尺度，充分利用各个地形的气象优势，提高了整个电站的发电效率和经济性。
18.在一种可选实施例中，依据光伏电站内的地理特征，将光伏电站内分化为多个地形区域，具体方法如下：
19.s11、基于区域的形状、面积，从地理位置上将光伏电站内的规划区域划分为k个子区域；
20.s12、定义第i个子区域的地理特征为并建立地理特征信息集合：其中，下标i1～i6分别表示第i个子区域的年日照时数、平均海拔、坡向、坡度、与汇集站的距离、相对汇集站的方向；
21.s13、基于模糊c均值聚类算法，将k个子区域分别归类到不同地理特征的地形中，得到多个地形区域。
22.在一种可选实施例中，基于双重注意力机制lstm模型，量化地形区域内的气象因素与光伏出力的关联关系的方法，具体方法包括：
23.s21、对多个主要气象因素和光伏出力进行归一化处理，并构造含多个主要气象因素的时序特征序列其中，为第t时刻的上述k个气象特征集，为第m个相关气象变量在t 个时刻上的各个数值；
24.s22、构建双重注意力机制lstm模型，通过双重注意力机制lstm模型对多个主要气象因素进行分析，得到t+1时刻光伏出力。
25.在一种可选实施例中，双重注意力机制lstm模型在输入侧设置有特征注意力机制，在解码输出侧设置有时间注意力机制。
26.在一种可选实施例中，构建双重注意力机制lstm模型，对多个主要气象因素进行分析的方法包括：
27.s221、通过特征注意力机制，对t时刻的气象特征进行计算，得到不同气象因素贡献率的关联特征；
28.s222、将不同气象因素贡献率的关联特征输入lstm网络，得到隐层状态权重；
29.s223、通过时序注意力机制，对隐层状态权重进行计算，得到t时刻与时序状态特征有关的综合信息；
30.s224、将t时刻与时序状态特征有关的综合信息输入lstm网络，得到t+1时刻光伏出力。在一种可选实施例中，通过特征注意力机制，对t时刻的气象特征进行计算的方法包括：
31.s2211、将t时刻相关气象特征输入到注意力机制，得到注意力权重向量e
t
：
[0032][0033]
上式中，为第t时刻各个气象特征所对应的注意力权重系数组合， ve、we、ue为注意力机制权重矩阵，be为相应偏置项；
[0034]
s2212、将t时刻各个气象特征所对应的注意力权重系数组合进行归一化处理，得到特征注意力权重值其中，特征注意力权重值为：
[0035][0036]
上式中，为特征注意力权重，为第m个相关气象变量的特征注意力权重值；
[0037]
s2213、将特征注意力权重值与对应的气象特征值相乘得到考虑不同气象因素贡献率大小的关联特征
[0038]
[0039]
上式中，为气象因素贡献率大小的关联特征。
[0040]
在一种可选实施例中，通过时序注意力机制，对隐层状态权重进行计算的方法包括：
[0041]
s2231、基于历史时序的隐层状态，对输入序列时间窗口长度进行计算，得到当前时刻时间注意力权重系数：
[0042][0043]
上式中，为隐层状态，l
t
为当前t时刻时间注意力权重系数，vd和wd为时间注意力机制的相应权重，ud为偏置项；
[0044]
s2232、将第t时刻各个气象特征所对应的时间注意力权重系数进行归一化处理，得到时间注意力权重：
[0045][0046]
上式中，为时间注意力权重；
[0047]
s2233、基于历史各时刻信息的贡献率，得到t时刻与时序状态特征有关的综合信息：
[0048][0049]
上式中，s
t
为与时序状态特征有关的综合信息。
[0050]
在一种可选实施例中，将t时刻与时序状态特征有关的综合信息输入lstm网络，得到 t+1时刻光伏出力的方法包括：
[0051]
s2241、将原有输出光伏出力y
t
和与时序状态特征有关的综合信息s
t
进行融合，得到现在输出光伏出力y
t
′
：
[0052][0053]
上式中，为lstm单元网络前端融合输入的权重，为lstm单元网络前端融合输入的偏置；
[0054]
s2242、基于历史关键时刻信息的贡献率，得到t时刻的隐层状态：
[0055]h′
t
＝f1(h
′
t-1
,y
′
t-1
)
[0056]
上式中，f1为lstm网络单元；
[0057]
s2243、基于t时刻的隐层状态，计算得到t+1时刻输出的光伏出力：
[0058][0059]
上式中wy为lstm单元网络权重，bw为lstm单元网络偏置，vy为整个网络在维度变换前的权重，by为整个网络在维度变换前的偏置。
[0060]
在一种可选实施例中，基于地形区域内的气象因素与光伏出力的关联关系，对光伏电站内光伏板进行部署的方法包括：
[0061]
s31、建立使整个光伏电站全年实际出力最大的目标函数：
[0062][0063]
上式中，nj表示第j个地形内安装光伏板的数量，y
j,year
表示第j个地形内单一光伏板的全年预期出力；
[0064]
s32、基于目标函数计算各个地形区域内全年光伏出力之和：
[0065][0066]
上式中，其中，y
j,d
表示第d天在第j个地形内单一光伏板的预期出力；
[0067]
s33、基于各个地形区域内全年光伏出力之和，计算各个地形区域内光伏电厂安装光伏板的成本：
[0068]cj
＝n
jcs,j
+c
l,j
[0069]
上式中，cj表示第j个地形内安装光伏板的总成本，c
s,j
表示在第j个地形内安装一单位光伏板所占土地消耗的成本，c
l,j
表示在第j个地形内光伏场连接至汇集点的线路布置所需要的总成本。
[0070]
本技术第二方面提供了一种计算机存储介质，所述计算机存储介质上存储计算机程序，所述计算机程序被处理器执行时实现光伏板部署优化方法的步骤。
[0071]
本技术与现有技术相比，具有如下的优点和有益效果：
[0072]
本技术在划分光伏电站内的不同地形时，利用多种地形特征，将各个子区域合理划分为数个地形并在建模量化每一个地形内的气象因素与光伏出力关联关系中，量化气象因素对光伏出力的作用，得到较为准确的考虑各个地形微气象特征的光伏预期出力值，使得光伏板部署最大化利用了现有土地和光伏资源，提高了光伏出力的效率。站内光伏板部署优化以整个光伏电站全年实际出力和光伏板部署成本最低为优化目标，以全年为时间尺度，充分利用各个地形的气象优势，提高了整个电站发电的效率和经济性。
附图说明
[0073]
为了更清楚地说明本发明示例性实施方式的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。在附图中：
[0074]
图1为本技术一实施例提供的一种多因素下集中式光伏电站内的光伏板部署优化方法的流程示意图；
[0075]
图2为本技术一实施例提供的光伏基地规划区域地形划分结果；
[0076]
图3为本技术一实施例提供的各地形单块光伏板年发电总量的统计图；
[0077]
图4为本技术一实施例提供的与传统方案的部署方案结果对比示意图；
[0078]
图5为本技术一实施例提供的与传统方案的全年总光伏预期出力和建设成本对比示意图。
具体实施方式
[0079]
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
[0080]
实施例
[0081]
一种多因素下集中式光伏电站内的光伏板部署优化方法，如图1所示，步骤包括：
[0082]
步骤s1、依据光伏电站内的地理特征，将光伏电站内划分为多个地形区域。
[0083]
其中，在文献《山地光伏电站固定式组件安装角度优化方法》提出了一种考虑山体遮挡，坡面朝向，辐照度情况的定量计算山地地区单一光伏组件最佳倾角、方向角的方法，证明了在光伏电站不同的地理特征的位置布置光伏板，其所产生的光伏出力大小不同，因此本技术实施例将地理特征考虑在内，依据光伏电站内的地理特征，将光伏电站内划分为多个地形区域，分别对不同地理特征进行分析，寻光伏板最优的部署位置。
[0084]
步骤s11、基于区域的形状、面积，从地理位置上将光伏电站内的规划区域划分为k个子区域。
[0085]
其中，根据地理特征划分光伏电站内的不同地形首先是按照形状相同的面积为an的矩形区域，在地理位置上从西到东，从北到南依次将整个规划区域划分为数个子区域，然后选取年日照时数、平均海拔、坡向、坡度、区域中心与汇集站的距离、区域中心相对汇集站的方向作为用于划分不同地形依据的地理特征。
[0086]
其中，由于集中式光伏电站在安装光伏板时，常采用密集式铺设，即光伏板都有序的集中在某一块区域，所以将区域中心与汇集站的距离、区域中心相对汇集站的方向纳入地理特征，目的是使划分出的地形内各个子区域在地理位置上大致相近，更符合集中式光伏电站建设实际情况。
[0087]
步骤s12、定义第i个子区域的地理特征并建立地理特征信息集合
[0088]
其中，下标i1～i6分别表示第i个子区域的年日照时数、平均海拔、坡向、坡度、与汇集站的距离、相对汇集站的方向。
[0089]
步骤s13、基于模糊c均值聚类算法，将k个子区域分别归类到不同地理特征的地形中，得到多个地形区域。
[0090]
其中，模糊c均值聚类算法思想为通过不断迭代从地理特征信息集合的数据集当中，求解隶属度矩阵u＝[u
ij
]n×k和聚类中心v＝{v1,v2,
…
,vn}，使聚类损失函数的函数值最小，从而达到更精确地将不同子区域归类到不同地理特征的地形中。
[0091]
其中，建立聚类损失函数，聚类损失函数表示为：
[0092][0093][0094]
上式中，u
ij
为第i个子区域属于第j类地形的隶属度；m为隶属度因子；d
ij
为第i个
子区域到第j类聚类中心的欧氏距离，j(u,v)为聚类损失函数的值。
[0095]
再采用模糊c均值聚类算法进行归类，模糊c均值聚类算法的步骤包括：
[0096]
a、随机选取n个聚类中心，计算初始隶属度矩阵u
(0)
。
[0097]
b、令l＝1为第一次迭代，计算第l步的聚类中心v
(l)
和隶属度矩阵u
(l)
,并计算地l次迭代过程中聚类损失函数的值j
(l)
。
[0098][0099][0100][0101][0102]
c、设定终止阈值。
[0103]
其中，终止阈值可采用隶属度终止阈值εu＞0，或函数终止阈值εj＞0。当或|j
(l)-j
(l-1)
|＜εj时迭代终止，否则继续迭代。
[0104]
当u
ij
＝max
1≤j≤n
{u
ij
}时，判断第i个子区域归类为第j个地形，即
[0105][0106]
步骤s2、基于双重注意力机制lstm模型，量化地形区域内的气象因素与光伏出力的关联关系。
[0107]
其中，多气象因素分析是利用双重注意力机制lstm模型对多个主要气象因素进行分析，进而得出每个地形区域内光伏出力最大的位置。
[0108]
lstm网络是一种经过改进的循环神经网络，每一隐层由四个相互连接的神经网络组成，将记忆信息与当前信息进行比较，通过自我衡量、选择忘记的机制进行学习，能够缓解循环神经网络训练过程中梯度消失及爆炸的问题。
[0109]
在一般的lstm网络当中，将t时刻的长期记忆信息定义为细胞状态c
t
。lstm网络接收t 时刻气象特征集和上一时刻神经元短期记忆信息h
t-1
，并将上一时刻的细胞状态c
t-1
作为内部信息输入到各个门中，通过遗忘门f
t
、输入门i
t
及输出门o
t
，按下式进行记忆单元信息的读取和修改。
[0110][0111][0112][0113]
为第m相关气象变量在t个时刻上的各个数值。
[0129]
步骤s22、构建双重注意力机制lstm模型，通过双重注意力机制lstm模型对多个主要气象因素进行分析，得到t+1时刻光伏出力。
[0130]
其中，双重注意力机制lstm模型是在lstm网络的基础上进行改进的模型，由于在天气突变及极端天气条件下仅利用lstm网络建模效果往往不佳。故分别在lstm网络的输入侧引入特征注意力机制，在解码输出侧引入时间注意力机制，构建双重注意力机制lstm模型。利用双重注意力机制lstm模型对多因素气象进行分析，得到更准确的光伏功率输出与气象变量及历史信息的关系。
[0131]
其中，通过双重注意力机制lstm模型对多个主要气象因素进行分析具体步骤如下：
[0132]
步骤s221、通过特征注意力机制，对t时刻的气象特征进行计算，得到不同气象因素贡献率的关联特征。
[0133]
其中，特征注意力机制，对t时刻的气象特征进行计算的具体步骤如下：
[0134]
步骤s2211、将t时刻相关气象特征输入到注意力机制，得到注意力权重向量e
t
。
[0135]
其中，为了得到每一个气象特征变量与t+1时刻光伏出力的贡献率，采用特征注意力机制编码量化权重。将t时刻相关气象特征输入到注意力机制，得到注意力权重向量e
t
：
[0136][0137]
上式中，为第t时刻各个气象特征所对应的注意力权重系数组合； ve、we、ue为注意力机制权重矩阵，be为相应偏置项。
[0138]
步骤s2212、将t时刻各个气象特征所对应的注意力权重系数组合进行归一化处理，得到特征注意力权重值
[0139]
其中，使用softmax函数按式(18)对e
t
归一化处理，使其特征注意力权重之和为1。特征注意力权重表示为其中为第m个相关气象变量的特征注意力权重值，通过下式计算。
[0140][0141]
步骤s2213、将特征注意力权重值与对应的气象特征值相乘得到考虑不同气象因素贡献率大小的关联特征
[0142]
其中，不同气象因素贡献率大小的关联特征表示为：
[0143][0144]
步骤s222、将不同气象因素贡献率的关联特征输入lstm网络，得到隐层状态权重。
[0145]
步骤s223、通过时序注意力机制，对隐层状态权重进行计算，得到t时刻与时序状态特征有关的综合信息。
[0146]
其中，为了得到一段时间内的时序状态对当前时刻光伏输出的影响程度，获得相应时序序列隐层状态权重，提取历史关键时刻信息，在解码输出侧引入时间注意力机制。
[0147]
步骤s2231、基于历史时序的隐层状态，对输入序列时间窗口长度进行计算，得到当前时刻时间注意力权重系数。
[0148]
当前时刻隐层状态的时序注意力权重依赖于所选择的历史时序lstm单元隐层状态 t为输入序列时间窗口长度，将其作为输入，得到当前t时刻时间注意力权重系数l
t
，如下式所示
[0149][0150]
式中，vd和wd为时间注意力机制的相应权重，ud为偏置项。
[0151]
步骤s2232、将第t时刻各个气象特征所对应的时间注意力权重系数进行归一化处理，得到时间注意力权重。
[0152]
其中，利用softmax函数对第t时刻各个气象特征所对应的时间注意力权重系数归一化，得到时间注意力权重其中，时间注意力权重的表达式为：
[0153][0154]
步骤s2233、基于历史各时刻信息的贡献率，得到t时刻与时序状态特征有关的综合信息。
[0155]
其中，考虑了历史各时刻信息的贡献率，得到t时刻与时序状态特征有关的综合信息s
t
，其中t时刻与时序状态特征有关的综合信息s
t
的表达式为：
[0156][0157]
步骤s224、将t时刻与时序状态特征有关的综合信息输入lstm网络，得到当前光伏出力。
[0158]
其中，将原有输出y
t
与s
t
融合得到y
′
t
[0159][0160]
式中，和和为lstm单元网络前端融合输入的权重和偏置。
[0161]
考虑了历史关键时刻信息的贡献率，得到t时刻隐层状态
[0162]h′
t
＝f1(h
′
t-1
,y
′
t-1
)
ꢀꢀ
(24)
[0163]
式中，f1为lstm网络单元。
[0164]
t+1时刻输出的光伏出力则可表示为
[0165][0166]
式中wy，bw为lstm单元网络权重和偏置，vy和by为整个网络在维度变换前的权重和偏置。
[0167]
步骤s2241、将原有输出光伏出力y
t
和与时序状态特征有关的综合信息s
t
进行融合，得到现在输出光伏出力y
′
t
。
[0168]
步骤s2242、基于历史关键时刻信息的贡献率，得到t时刻的隐层状态。
[0169]
步骤s2243、基于t时刻的隐层状态，计算得到t+1时刻输出的光伏出力。
[0170]
步骤s3、基于地形区域内的气象因素与光伏出力的关联关系，对光伏电站内光伏板进行部署。
[0171]
其中，站内光伏板部署优化以整个光伏电站全年实际出力和光伏板部署成本最低为优化目标，以全年为时间尺度，考虑容量约束和占地面积约束，充分利用各个地形的气象优势，提高了整个电站的效率和经济性。
[0172]
步骤s31、建立使整个光伏电站全年实际出力最大的目标函数。
[0173]
其中，使整个光伏电站全年实际出力最大的目标函数表达式为：
[0174][0175]
上式中，nj表示第j个地形内安装光伏板的数量。y
j,year
表示第j个地形内单一光伏板的全年预期出力，使用历史数据对lstm模型进行训练，再根据每个地形实际气象条件，以日为时间尺度，单独进行各个地形内单位光伏板出力量的全年预期出力计算。
[0176]
步骤s32、基于目标函数计算各个地形区域内全年光伏出力之和。
[0177]
其中，各个地形区域内全年光伏出力之和表达式为：
[0178][0179]
上式中，y
j,d
表示第d天在第j个地形内单一光伏板的预期出力。
[0180]
步骤s33、基于各个地形区域内全年光伏出力之和，计算各个地形区域内光伏电厂安装光伏板的成本。
[0181]
其中，计算各个地形区域内光伏电厂安装光伏板的成本具体步骤包括：
[0182]
a、建立使整个光伏电站所有光伏板部署成本最小的目标函数，目标函数的表达式为：
[0183][0184]
上式中，cj表示第j个地形内安装光伏板的总成本。
[0185]
b、考虑每块光伏板自身购置成本相同，计算单位光伏板安装成本：
[0186]cj
＝n
jcs,j
+c
l,j
ꢀꢀ
(29)
[0187]
上式中，c
s,j
表示在第j个地形内安装一单位光伏板所占土地消耗的成本，c
l,j
表示在第j 个地形内光伏场连接至汇集点的线路布置所需要的总成本。
[0188]
c、计算部署光伏板所占实际面积：
[0189]njaj
≤a
jsum
ꢀꢀꢀꢀꢀꢀ
(30)
[0190]aj
＝a
pvaslope
ꢀꢀ
(31)
[0191]ajsum
＝janꢀꢀ
(32)
[0192]
式(30)为占地面积约束，aj为第j个地形内安装一单位光伏板所占的实际面积。光伏板安装的实际占地面积与安装地点的坡度和坡向相关，如式(31)所示，其中a
pv
表示一块光伏板自身的面积，a
slope
表示坡度坡向影响面积系数。a
jsum
为第j个地形的总面积，其通过式(32) 计算，为第j个地形内包含的总共j个子区域的面积之和。
[0193][0194]
式(33)为容量约束，n
sum
为整个电站内所计划放置的光伏板总数，其数值与光伏电站规划容量相关。
[0195]
实施例2
[0196]
本技术实施例基于实施例1的种多因素下集中式光伏电站内的光伏板部署优化方法进行光伏板部署对国内西南部某大型集中式光伏基地的规划区域进行部署，整个光伏基地预计装机容量为210mw。
[0197]
步骤s1、依据光伏电站内的地理特征，将光伏电站内划分为多个地形区域。
[0198]
步骤s11、基于区域的形状、面积，从地理位置上将光伏电站内的规划区域划分为k个子区域。
[0199]
步骤s12、定义第i个子区域的地理特征并建立地理特征信息集合：
[0200]
步骤s13、基于模糊c均值聚类算法，将k个子区域分别归类到不同地理特征的地形中，得到多个地形区域。
[0201]
如图2所示，将光伏基地的规划区域依据地理特征划分为八个地形区域。
[0202]
不同地形地理信息如下表所示：
[0203][0204][0205]
步骤s2、基于双重注意力机制lstm模型，量化地形区域内的气象因素与光伏出力的关联关系。
[0206]
步骤s21、对多个主要气象因素和光伏出力进行归一化处理，并构造多个主要气象因素的时序特征序列
[0207]
步骤s22、构建双重注意力机制lstm模型，通过双重注意力机制lstm模型对多个主要气象因素进行分析，得到t+1时刻光伏出力。
[0208]
将该电站的光伏出力数据和对应气象数据运用本发明中的双重注意力机制lstm模型进行分析，再对比普通lstm模型，采用均方根误差e
rmse
和平均绝对误差e
mae
验证本发明中模型的准确性，计算效果如下表所示：
[0209]
计算模型均方根误差e
rmse
平均绝对误差e
mae
da-lstm0.8960.697lstm1.3161.025
[0210]
步骤s3、基于地形区域内的气象因素与光伏出力的关联关系，对光伏电站内光伏板进行部署。
[0211]
如图3所示，通过步骤s3可以计算个地形区域单块光伏板的年发电总量，具体的各个地形内光伏资源参数如下表所示：
[0212][0213]
如图4所示，通过本技术实施例中光伏板部署优化方法相较于以年总日照强度为参考的部署方法以及以年日照小时数为参考的部署方法，光伏板所部署位置不同、数量也有所不同。如图5所示，通过本技术实施例中光伏板部署优化方法相较于以年总日照强度为参考的部署方法以及以年日照小时数为参考的部署方法，年发电量优于以年总日照强度为参考的部署方法以及以年日照小时数为参考的部署方法，但总成本却低于以年总日照强度为参考的部署方法以及以年日照小时数为参考的部署方法。
[0214]
与现有技术相比，本实施例所具有的有益效果为：
[0215]
充分考虑光伏规划范围内的土地和光伏资源，提高集中式光伏电站的光伏出力，兼顾电站经济性。在划分光伏电站内的不同地形时，利用多种地形特征，将各个子区域合理划分为数个地形；在建模量化每一个地形内的气象因素与光伏出力关联关系中，筛选并量化几个主要气象因素对光伏出力的作用，得到较为准确的考虑各个地形微气象特征的
光伏预期出力值；在站内光伏板部署优化策略中，与仅考虑辐照度或日照小时数的光伏板部署传统策略相比，充分考虑各个地形的成本、单位光伏出力、占地面积等因素，提出了一种在光伏装机容量确定的情况下，通过确定各个位置光伏板部署数量提高实际光伏出力并减小建设成本的决策方法，最大化利用了现有土地和光伏资源。如图4～5所示，仿真结果表明，在预计光伏装机容量给定的情况下，所提出的方法的光伏预期出力比传统方法更高，并且所消耗的成本也更低。
[0216]
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：

1.一种多因素下集中式光伏电站内的光伏板部署优化方法，其特征在于，包括：s1、依据光伏电站内的地理特征，将光伏电站内划分为多个地形区域；其中，所述地理特征包括年日照时数、平均海拔、坡向、坡度、区域中心与汇集站的距离以及区域中心相对汇集站的方向；s2、基于双重注意力机制lstm模型，量化所述地形区域内的气象因素与光伏出力的关联关系；s3、基于所述地形区域内的气象因素与光伏出力的关联关系，对光伏电站内光伏板进行部署。2.根据权利要求1所述的一种多因素下集中式光伏电站内的光伏板部署优化方法，其特征在于，依据光伏电站内的地理特征，将光伏电站内分化为多个地形区域，具体方法如下：s11、基于区域的形状、面积，从地理位置上将光伏电站内的规划区域划分为k个子区域；s12、定义第i个子区域的地理特征并建立地理特征信息集合其中，下标i1～i6分别表示第i个子区域的年日照时数、平均海拔、坡向、坡度、与汇集站的距离和相对汇集站的方向；s13、基于模糊c均值聚类算法，将k个子区域分别归类到不同地理特征的地形中，得到多个地形区域。3.根据权利要求1所述的一种多因素下集中式光伏电站内的光伏板部署优化方法，其特征在于，基于双重注意力机制lstm模型，量化地形区域内的气象因素与光伏出力的关联关系的方法，具体方法包括：s21、对多个主要气象因素和光伏出力进行归一化处理，并构造含多个主要气象因素的时序特征序列其中，为第t时刻的上述k个气象特征集，为第m个相关气象变量在t个时刻上的数值集；s22、构建双重注意力机制lstm模型，通过双重注意力机制lstm模型对多个主要气象因素进行分析，得到t+1时刻光伏出力。4.根据权利要求3所述的一种多因素下集中式光伏电站内的光伏板部署优化方法，其特征在于，双重注意力机制lstm模型在输入侧设置有特征注意力机制，在解码输出侧设置有时间注意力机制。5.根据权利要求4所述的一种多因素下集中式光伏电站内的光伏板部署优化方法，其特征在于，构建双重注意力机制lstm模型，对多个主要气象因素进行分析的方法包括：s221、通过特征注意力机制，对t时刻的气象特征进行计算，得到不同气象因素贡献率的关联特征；s222、将不同气象因素贡献率的关联特征输入双重注意力机制lstm模型中的lstm网络，得到隐层状态权重；s223、通过时序注意力机制，对隐层状态权重进行计算，得到t时刻与时序状态特征有关的综合信息；
s224、将t时刻与时序状态特征有关的综合信息输入lstm网络，得到t+1时刻光伏出力。6.根据权利要求5所述的一种多因素下集中式光伏电站内的光伏板部署优化方法，其特征在于，通过特征注意力机制，对t时刻的气象特征进行计算的方法包括：s2211、将t时刻相关气象特征输入到注意力机制，得到注意力权重向量e
t
：上式中，为第t时刻各个气象特征所对应的注意力权重系数组合，v
e
、w
e
、u
e
为注意力机制权重矩阵，b
e
为相应偏置项；s2212、将t时刻各个气象特征所对应的注意力权重系数组合进行归一化处理，得到特征注意力权重值其中，特征注意力权重值为：上式中，为特征注意力权重，为第m个相关气象变量的特征注意力权重值；s2213、将特征注意力权重值与对应的气象特征值相乘得到考虑不同气象因素贡献率大小的关联特征贡献率大小的关联特征上式中，为气象因素贡献率大小的关联特征。7.根据权利要求5所述的一种多因素下集中式光伏电站内的光伏板部署优化方法，其特征在于，通过时序注意力机制，对隐层状态权重进行计算的方法包括：s2231、基于历史时序的隐层状态，对输入序列时间窗口长度进行计算，得到当前时刻时间注意力权重系数：上式中，为隐层状态，l
t
为当前t时刻时间注意力权重系数，v
d
和w
d
为时间注意力机制的相应权重，u
d
为偏置项；s2232、将第t时刻各个气象特征所对应的时间注意力权重系数进行归一化处理，得到时间注意力权重：上式中，为时间注意力权重；s2233、基于历史各时刻信息的贡献率，得到t时刻与时序状态特征有关的综合信息：
上式中，s
t
为与时序状态特征有关的综合信息。8.根据权利要求7所述的一种多因素下集中式光伏电站内的光伏板部署优化方法，其特征在于，将t时刻与时序状态特征有关的综合信息输入lstm网络，得到t+1时刻光伏出力的方法包括：s2241、将原有输出光伏出力y
t
和与时序状态特征有关的综合信息s
t
进行融合，得到现在输出光伏出力y
′
t
：上式中，为lstm单元网络前端融合输入的权重，为lstm单元网络前端融合输入的偏置；s2242、基于历史关键时刻信息的贡献率，得到t时刻的隐层状态：h
′
t
＝f1(h
′
t-1
,y
′
t-1
)上式中，f1为lstm网络单元；s2243、基于t时刻的隐层状态，计算得到t+1时刻输出的光伏出力：上式中w
y
为lstm单元网络权重，b
w
为lstm单元网络偏置，v
y
为整个网络在维度变换前的权重，b
y
为整个网络在维度变换前的偏置。9.根据权利要求1所述的一种多因素下集中式光伏电站内的光伏板部署优化方法，其特征在于，基于地形区域内的气象因素与光伏出力的关联关系，对光伏电站内光伏板进行部署的方法包括：s31、建立整个光伏电站全年实际光伏出力的最大值目标函数：上式中，n
j
表示第j个地形内安装光伏板的数量，y
j,year
表示第j个地形内单一光伏板的全年预期出力；s32、基于目标函数计算各个地形区域内全年光伏出力之和：上式中，其中，y
j,d
表示第d天在第j个地形内单一光伏板的预期出力；s33、基于各个地形区域内全年光伏出力之和，计算各个地形区域内光伏电厂安装光伏板的成本：c
j
＝n
j
c
s,j
+c
l,j
上式中，c
j
表示第j个地形内安装光伏板的总成本，c
s,j
表示在第j个地形内安装一单位光伏板所占土地消耗的成本，c
l,j
表示在第j个地形内光伏场连接至汇集点的线路布置所需要的总成本。10.一种计算机存储介质，其特征在于，所述计算机存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至9中任一项的光伏板部署优化方法的步骤。

技术总结

本发明公开了一种多因素下集中式光伏电站内的光伏板部署优化方法，包括依据光伏电站内的地理特征，将光伏电站内划分为多个地形区域；基于双重注意力机制LSTM模型，量化地形区域内的气象因素与光伏出力的关联关系；基于地形区域内的气象因素与光伏出力的关联关系，对光伏电站内光伏板进行部署。本申请在划分光伏电站内的不同地形时，利用多种地形特征，将各个子区域合理划分为数个地形并在建模量化每一个地形内的气象因素与光伏出力关联关系中，量化气象因素对光伏出力的作用，得到较为准确的考虑各个地形微气象特征的光伏预期出力值，使得光伏板部署最大化利用了现有土地和光伏资源，提高了光伏出力的效率。提高了光伏出力的效率。提高了光伏出力的效率。