唐治平，周璐，魏超

光伏電站智能清洗模型及實例分析

唐治平1，周璐2，魏超2

（1.新疆華電和田水電有限公司，新疆和田848000；2.華電電力科學研究院，浙江杭州310030）

提出了一種光伏電站智能清洗計算模型與方法。利用光伏電站的歷史運行數(shù)據(jù)建立光伏組件清洗前后發(fā)電出力的專家數(shù)據(jù)庫，基于該數(shù)據(jù)庫建立智能清洗專家系統(tǒng)，將光伏組件清洗后的實測輻照度代入該模型，計算得出光伏組件以及該光伏電站的實時功率損失及在某時間段內(nèi)損失的發(fā)電量，計算出光伏組件效率。通過利用現(xiàn)場數(shù)據(jù)模擬計算，驗證了該計算模型與方法的有效性，可對浮塵原因造成的光伏電站出力損失做出準確計算。該方法既可提高光伏電站的運行管理水平，還可為光伏電站運營維護提供準確的數(shù)據(jù)支持。

光伏電站；智能清洗；模型

0 引言

2013年7月，國務院下發(fā)《國務院關于促進光伏產(chǎn)業(yè)健康發(fā)展的若干意見》（國發(fā)〔2013〕24號），把擴大國內(nèi)市場、提高技術水平、加快產(chǎn)業(yè)轉(zhuǎn)型升級作為促進光伏產(chǎn)業(yè)持續(xù)健康發(fā)展的根本出路和基本立足點，建立適應國內(nèi)市場的光伏產(chǎn)品生產(chǎn)、銷售和服務體系，形成有利于產(chǎn)業(yè)持續(xù)健康發(fā)展的法規(guī)、政策、標準體系和市場環(huán)境。2013～2015年，年均新增光伏發(fā)電裝機容量1000萬kW左右，到2015年總裝機容量達到3500萬kW以上。

隨著光伏電站的陸續(xù)建設和裝機規(guī)模的快速增長，我國光伏電站在運行中逐漸出現(xiàn)大量問題，如光伏發(fā)電光-電轉(zhuǎn)換效率低、開發(fā)和轉(zhuǎn)化成本偏高、運行控制及維護困難和繁瑣、故障點難以檢測、效率衰減較難計量等[1]。

目前由于技術手段有限，各因素對光伏電站發(fā)電量的影響較難量化，電站故障維修通常為事后維護，檢修方法和標準落后、粗放，效率衰減無法評估，主要原因有：1）目前除發(fā)電量外，光伏陣列系統(tǒng)效率、光伏陣列平均故障間隔時間等指標大多為人工統(tǒng)計計算，且各指標計算時，人為因素對于數(shù)據(jù)的可靠性影響較大；2）光伏電站發(fā)電量與太陽能資源有直接關系，但太陽能具有能量分散（能量密度低）、能量不穩(wěn)定、能量不連續(xù)等缺點，這些因素給光伏電站性能和故障評價造成很大困難，光伏電站運營管理水平與運營維護技術水平難以客觀評價；3）由于影響發(fā)電量的因素較多且難以評價，灰塵覆蓋厚度對于電量影響較難量化；4）缺乏科學的智能運營管理系統(tǒng)支持，人為決策的合理性有待提高[2～6]。

目前，針對灰塵覆蓋厚度對于電量影響較難量化的問題，一般根據(jù)運維人員經(jīng)驗判斷。隨機因素較大，因此建立一套包含智能清洗專家系統(tǒng)的維護系統(tǒng)，同時對電站整體運行性能進行實時評價，對于提高光伏電站運行效率和運營管理水平具有重要意義。

1 智能清洗模型

光伏電站出力損失的計算，由專家系統(tǒng)數(shù)據(jù)庫的建立、專家系統(tǒng)數(shù)據(jù)庫的維護、獲取專家系統(tǒng)數(shù)據(jù)庫的輸出功率、光伏組件與光伏電站實時功率損失計算和發(fā)電量損失計算五個階段組成[7]。

影響光伏系統(tǒng)輸出功率的因素有很多，如觀測點、大氣狀況、天空中的云量、光伏組件灰塵遮擋等，這些因素決定了光伏組件接收到的輻射量，進而影響光伏組件的輸出功率[8～10]。同時，即使在已知輻射量的情況下，其輸出功率也不是一個確定值，也會受到溫度、濕度等因素的影響而變化。為了對光伏組件衰減效率進行評估，本項目研究根據(jù)各光伏組件的出力與環(huán)境因素的關系，利用光伏電站的歷史運行數(shù)據(jù)，建立相關影響因子專家系統(tǒng)，專家系統(tǒng)通過對數(shù)據(jù)的橫向和縱向比較，得出組件衰減效率，對組件廠家的產(chǎn)品質(zhì)量提供考核依據(jù)，并綜合考慮其他因素，為是否開展清洗工作提供判斷的依據(jù)。上述功能的實現(xiàn)主要通過以下幾部分去完成。

1.1 數(shù)據(jù)的處理

實際測量中發(fā)現(xiàn)，溫度升高1℃，光伏電池的輸出電壓降低大約0.5%。在白天光伏電池工作的時間范圍內(nèi)，溫度變化不大，輸出電壓變化小，所以光伏電站的輸出功率歸根結(jié)底主要由太陽輻射強度影響。導入各個光伏組件支路的電流、電壓以及光伏組件溫度、安裝方式、輻照度等數(shù)據(jù)，對數(shù)據(jù)進行篩選，剔除數(shù)據(jù)壞點。

對光伏電站中相鄰光伏組件的測量數(shù)據(jù)進行一致性檢驗，步驟如下：

（1）用兩兩比較法構(gòu)造判斷矩陣，對每一層次各指標進行相對重要性判斷，用數(shù)值表示并寫成矩陣形式，把第i個指標對第j個指標的相對重要性的估計值記做Xij，判斷矩陣形式。

（2）計算權(quán)向量并做一致性檢驗。計算判斷矩陣最大特征根及其對應的特征向量，并利用一致性指標、隨機一致性指標和一致性比例做一致性檢驗。若檢驗通過，特征向量即為權(quán)向量。

若一致性檢驗不通過，則依據(jù)相鄰光伏組件相似性準則，參考光伏組件歷史數(shù)據(jù)，將當前數(shù)據(jù)進行關聯(lián)并修正，避免光伏組件測量裝置失效造成的誤差。

1.2 建立相關影響因子專家系統(tǒng)數(shù)據(jù)庫

由于光伏電池的電壓會隨著光照強度和溫度的變化而變化，因此為了能夠最大限度的利用太陽能，光伏電站一般都帶有最大功率跟蹤。最大功率跟蹤設備可以校正光伏組件的負載電流和電壓，使其工作在最大功率輸出點。如果光伏組件有灰塵，會影響光伏電池的光照強度，進而會影響光伏電池的輸出功率；另外隨著光伏組件運行時間的增加，在同樣清洗條件下，也可能功率會下降，綜合考慮光照、溫度等參數(shù)，可以對光伏組件廠家的產(chǎn)品質(zhì)量進行評估考核。

建立相關影響因子專家系統(tǒng)數(shù)據(jù)庫，當每次對光伏組件進行清洗后，把清洗后N個小時這段時間稱為清洗有效時間TN，采樣周期為Ts1，將TN時間內(nèi)的數(shù)據(jù)按照時間ti、功率Pi、輻照度Gi、溫度Ti、標志位flag、輻照度修正因子Giα、溫度修正因子Tiβ等參數(shù)字段進行保存。其，表示所采樣數(shù)據(jù)為清洗有效時間的數(shù)據(jù)。在光伏組件清洗有效時間之外，采樣周期為Ts2，將采樣數(shù)據(jù)按照時間tj、功率Pj、輻照度Gj、溫度Tj、標志位flag、輻照度修正因子Gjα、溫度修正因子Tjβ等參數(shù)字段進行保存。其中j=0，1，……；flag=0，表示清洗有效時間之外所采樣數(shù)據(jù)。一般情況下，為了能夠更多的記錄清洗有效時間內(nèi)數(shù)據(jù)，取Ts1＜Ts2，TN可以根據(jù)實際需要進行選擇。

建立完成相關影響因子專家系統(tǒng)數(shù)據(jù)庫后，需對其各個參數(shù)字段進行訓練優(yōu)化，如Giα、Giβ、Gjα、Gjβ。

（1）對Giα、Tiβ訓練優(yōu)化

采用清洗有效時間TN內(nèi)的數(shù)據(jù)作為訓練數(shù)據(jù)，每次對光伏組件進行清洗后，都需要對其再次進行訓練優(yōu)化。按照下面公式對Giα、Giβ進行優(yōu)化。

式中T1，Ti+1，Ti+2－TN內(nèi)的數(shù)據(jù)任意三個相鄰時間點內(nèi)

數(shù)據(jù)。

（2）對Gjα、Tjβ訓練優(yōu)化

采用M小時這段時間的數(shù)據(jù)作為訓練數(shù)據(jù)，一般情況下可以取M=N。訓練優(yōu)化方法與（1）中方法類似，這里不再贅述。

1.3 組件清洗與否評估

計算由于灰塵所導致的功率的減少值，為智能維護中智能清洗專家提供參考依據(jù)。

選取某個清洗有效時間TN內(nèi)的數(shù)據(jù)，可取該TN內(nèi)數(shù)據(jù)字段中的輻照度的平均值作為參照輻照度，該TN內(nèi)數(shù)據(jù)字段中的溫度值的平均值作為參照溫度值。即：

式中Gref—參照輻照度；

Tref—參照溫度，

計算該TN內(nèi)數(shù)據(jù)中功率參數(shù)的相對參照輻照度Gref、參照溫度Tref的參照功率P。

對于該TN內(nèi)的所有數(shù)據(jù)，選取輻照度與Gref差值的絕對值小于εG，并且溫度與Tref的差值的絕對值小于εp的所有功率值Pm，取其平均值作為參照功率P，其中εG、εP設置遵循以下原則：

（1）εG、εP盡可能的小，不應超過一定限值εM，εM可以根據(jù)需要進行選取。

（2）εG、εP選取應該盡量使Pm存在，若Pm不存在，重新優(yōu)化算法，選取新的Gref、Tref。

接下來選取該清洗有效時間與下一清洗有效時間之間的數(shù)據(jù)，進行計算。由于計算時間區(qū)間介于兩次清洗有效時間之間，因此可以不考慮產(chǎn)品質(zhì)量性能下降對功率損失的影響。

式中Pt—設某一時間點t時刻采樣數(shù)據(jù)中功率值；

Gt—輻照度；

Tt—溫度；

ΔP—由于灰塵導致的功率損失。

功率損失的計算值，可以作為智能維護系統(tǒng)中的參數(shù)，為開展清洗工作提供參考。

建立損失電量和當?shù)厍逑闯杀镜慕?jīng)濟函數(shù)即可判定。

2 實例分析

本文驗證光伏電站出力損失計算模型有效性所采用方法如下：

（1）從歷史數(shù)據(jù)中任意選取16組光伏組件，。

（2）使用計算模型對搽洗前光伏組件在選定某一時刻的發(fā)電功率損失進行計算。

（3）使用計算模型對搽洗后光伏組件在選定某一時刻的發(fā)電功率損失進行計算。

（4）將計算結(jié)果與清洗成本進行比對，得出結(jié)論。

2.1 模型驗證

根據(jù)新疆某光伏電站從2013年7月開始清洗有效時間的歷史數(shù)據(jù)，設定清洗成本，并依據(jù)清洗成本倒推組件的功率閥值，現(xiàn)對2014年10月份（25日和10日）（上次清洗是2014年9月20日）和2014年4月份（10日和5日）（上次清洗是2014年3月20日）的光伏組件進行驗算。該地區(qū)浮沉影響最大的月份為每年的3、4月份，影響最小的是7、8月份。

表1和表2是2014年10月10日和25日清洗前光伏組件功率。

由圖1、圖2可知2014年10月25日和2014年4月15日組件宜開展清洗工作，因為浮沉強度不一樣，要求清洗的時間也不一致，在三四月浮沉天氣較多，所以要求清洗的時間相對較短，20d即要求清洗。9月份大概是25d左右即要求清洗可知，在同一個時間段在經(jīng)歷同一個時間段的運行后，組件因為浮沉影響的效率衰減差別不大。按照2014年4～10月的光伏電池組件浮沉影響和該月的歷史輻照情況計算大致的清洗時間。

本模型計算清洗時間見表3。

表1 2014年10月25日清洗前光伏組件發(fā)電功率

表2 2014年10月10日清洗前光伏組件發(fā)電功率

表3 2014年4月10日清洗前光伏組件發(fā)電功率

表4 2014年4月5日清洗前光伏組件發(fā)電功率

圖1 2014年10月份光伏組件清洗判定

圖2 2014年4月份光伏組件清洗判定

表3 2014年4月至2014年10月清洗時間

以一個20MWp光伏電站來計算，相對于傳統(tǒng)設定的每個月清洗一次，單位清洗成本為6萬元計算，相對于傳統(tǒng)的清洗方式來說，根據(jù)計算，按照本文提出的計算模型來設定的光伏組件搽洗時間的方法大約增加發(fā)電量417391度，合計人民幣41萬元。

3 結(jié)語

本文通過建立一個外部專家系統(tǒng)，故障診斷可根據(jù)閾值和外部專家系統(tǒng)返回值進行監(jiān)測量故障預判。

對清潔狀態(tài)下光伏組件的發(fā)電數(shù)據(jù)進行分析，建立相關影響因子專家系統(tǒng)，并使用每次清洗后的數(shù)據(jù)對模型進行二次訓練，以保證專家系統(tǒng)的時效性，專家系統(tǒng)通過對數(shù)據(jù)的橫向和縱向比較，得出組件衰減效率，為是否開展清洗工作提供判斷的依據(jù)。

[1]高英，謝開貴，胡博，等.考慮光伏出力與負荷相關性的光伏電站容量可信度評估[J].電力系統(tǒng)保護與控制，2013，41（14）：1～7.

[2]艾欣，韓曉男，孫英云.光伏發(fā)電并網(wǎng)及其相關技術發(fā)展現(xiàn)狀與展望[J].現(xiàn)代電力，2013，30（1）.

[3]方鑫，郭強，張冬霞，等.考慮天氣不確定性的光伏電站置信容量評估[J].電力系統(tǒng)自動化，2012，26（10）：27～32.

[4]梁雙，胡學浩，張冬霞，等.基于隨機模型的光伏置信容量評估方法[J].電力系統(tǒng)自動化，2012，36（13）：32～37.

[5]Hoff T.Calculating photovoltaic’s value：a utility perspective[J].IEEE Trans on Energy Conversion，1988，3（3）：491～495.

[6]Khallat M A，Rahaman S.A model of capacity credit evaluation of grid-connected photovoltaic system with fuel cell support[J].IEEE Trans on Power Systems，1988，3（3）：1270～1278.

[7]Perez R，Tarlor M，Hoff T，et al.Moving toward consensus on a photovoltaic generation capacity valuation methodologh[C]//Proceedings of Solar Power，September 24-27，2007，Long Beach，CA，USA.

[8]Esmili A，Nasiri A.A case study on improving ELCC by utilization of energy storage with solar PV[C]//Proceedings of 35th Annual Conference of IEEE on Industry Electronics，November 3-5，2009，Proto，Portugal.

[9]Keane A，Milligan M，Dent C J，et al.Capacity value of wind power[J]. IEEE Trans on Power Systems，2011，26（2）：564～572.

[10]栗然，李廣敏.基于支持向量機回歸的光伏發(fā)電出力預測[J].中國電力，2008，41（2）：74～78.

Model and Case Analysis on Photovoltaic Power Station Cleansing

TANG Zhi-ping1，ZHOU Lu2，WEI Chao2
（1.Xinjiang Huadian Hetian Hydropower Limited Liability Company，Hetian 848000，China；2.Huadian Electric Power Research Institute，Hangzhou 310030，China）

The intelligent cleansing calculation model and method of the photovoltaic power station have been proposed.Based on the historical operating data of the photovoltaic power station，the professional database of generated output，which is before and after the cleansing of the photovoltaic module，can be built.Then according to this database，the intelligent cleansing model is brought up.The after-cleansing irradiance is used in this model，the Real-time power loss of the photovoltaic module and the power station，the loss of the generated energy within a certain time，and the efficiency of the photovoltaic module can be calculated.By making use of the field data simulation，this model is proved to be valid.It can accurately calculate the loss of the photovoltaic power caused by floating dust.This model can both improve the operating management of the photovoltaic power station and provide accurate data for its operation and maintenance.

photovoltaic power station；intelligent cleansing calculation；model

10.3969/J.ISSN.2095-3429.2015.01.006

TM615

B

2095-3429（2015）01-0025-05

2014-10-30

修回日期：2014-11-12

唐治平（1970-），男，四川人，本科，工程師，研究方向：新能源發(fā)電技術；

周璐（1985-），女，碩士研究生，研究方向：新能源發(fā)電技術。