光伏电站智能清洗模型及实例分析

唐治平，周璐，魏超

光伏电站智能清洗模型及实例分析

唐治平1，周璐2，魏超2

（1.新疆华电和田水电有限公司，新疆和田848000；2.华电电力科学研究院，浙江杭州310030）

提出了一种光伏电站智能清洗计算模型与方法。利用光伏电站的历史运行数据建立光伏组件清洗前后发电出力的专家数据库，基于该数据库建立智能清洗专家系统，将光伏组件清洗后的实测辐照度代入该模型，计算得出光伏组件以及该光伏电站的实时功率损失及在某时间段内损失的发电量，计算出光伏组件效率。通过利用现场数据模拟计算，验证了该计算模型与方法的有效性，可对浮尘原因造成的光伏电站出力损失做出准确计算。该方法既可提高光伏电站的运行管理水平，还可为光伏电站运营维护提供准确的数据支持。

光伏电站；智能清洗；模型

0 引言

2013年7月，国务院下发《国务院关于促进光伏产业健康发展的若干意见》（国发〔2013〕24号），把扩大国内市场、提高技术水平、加快产业转型升级作为促进光伏产业持续健康发展的根本出路和基本立足点，建立适应国内市场的光伏产品生产、销售和服务体系，形成有利于产业持续健康发展的法规、政策、标准体系和市场环境。2013～2015年，年均新增光伏发电装机容量1000万kW左右，到2015年总装机容量达到3500万kW以上。

随着光伏电站的陆续建设和装机规模的快速增长，我国光伏电站在运行中逐渐出现大量问题，如光伏发电光-电转换效率低、开发和转化成本偏高、运行控制及维护困难和繁琐、故障点难以检测、效率衰减较难计量等[1]。

目前由于技术手段有限，各因素对光伏电站发电量的影响较难量化，电站故障维修通常为事后维护，检修方法和标准落后、粗放，效率衰减无法评估，主要原因有：1）目前除发电量外，光伏阵列系统效率、光伏阵列平均故障间隔时间等指标大多为人工统计计算，且各指标计算时，人为因素对于数据的可靠性影响较大；2）光伏电站发电量与太阳能资源有直接关系，但太阳能具有能量分散（能量密度低）、能量不稳定、能量不连续等缺点，这些因素给光伏电站性能和故障评价造成很大困难，光伏电站运营管理水平与运营维护技术水平难以客观评价；3）由于影响发电量的因素较多且难以评价，灰尘覆盖厚度对于电量影响较难量化；4）缺乏科学的智能运营管理系统支持，人为决策的合理性有待提高[2～6]。

目前，针对灰尘覆盖厚度对于电量影响较难量化的问题，一般根据运维人员经验判断。随机因素较大，因此建立一套包含智能清洗专家系统的维护系统，同时对电站整体运行性能进行实时评价，对于提高光伏电站运行效率和运营管理水平具有重要意义。

1 智能清洗模型

光伏电站出力损失的计算，由专家系统数据库的建立、专家系统数据库的维护、获取专家系统数据库的输出功率、光伏组件与光伏电站实时功率损失计算和发电量损失计算五个阶段组成[7]。

影响光伏系统输出功率的因素有很多，如观测点、大气状况、天空中的云量、光伏组件灰尘遮挡等，这些因素决定了光伏组件接收到的辐射量，进而影响光伏组件的输出功率[8～10]。同时，即使在已知辐射量的情况下，其输出功率也不是一个确定值，也会受到温度、湿度等因素的影响而变化。为了对光伏组件衰减效率进行评估，本项目研究根据各光伏组件的出力与环境因素的关系，利用光伏电站的历史运行数据，建立相关影响因子专家系统，专家系统通过对数据的横向和纵向比较，得出组件衰减效率，对组件厂家的产品质量提供考核依据，并综合考虑其他因素，为是否开展清洗工作提供判断的依据。上述功能的实现主要通过以下几部分去完成。

1.1 数据的处理

实际测量中发现，温度升高1℃，光伏电池的输出电压降低大约0.5%。在白天光伏电池工作的时间范围内，温度变化不大，输出电压变化小，所以光伏电站的输出功率归根结底主要由太阳辐射强度影响。导入各个光伏组件支路的电流、电压以及光伏组件温度、安装方式、辐照度等数据，对数据进行筛选，剔除数据坏点。

对光伏电站中相邻光伏组件的测量数据进行一致性检验，步骤如下：

（1）用两两比较法构造判断矩阵，对每一层次各指标进行相对重要性判断，用数值表示并写成矩阵形式，把第i个指标对第j个指标的相对重要性的估计值记做Xij，判断矩阵形式。

（2）计算权向量并做一致性检验。计算判断矩阵最大特征根及其对应的特征向量，并利用一致性指标、随机一致性指标和一致性比例做一致性检验。若检验通过，特征向量即为权向量。

若一致性检验不通过，则依据相邻光伏组件相似性准则，参考光伏组件历史数据，将当前数据进行关联并修正，避免光伏组件测量装置失效造成的误差。

1.2 建立相关影响因子专家系统数据库

由于光伏电池的电压会随着光照强度和温度的变化而变化，因此为了能够最大限度的利用太阳能，光伏电站一般都带有最大功率跟踪。最大功率跟踪设备可以校正光伏组件的负载电流和电压，使其工作在最大功率输出点。如果光伏组件有灰尘，会影响光伏电池的光照强度，进而会影响光伏电池的输出功率；另外随着光伏组件运行时间的增加，在同样清洗条件下，也可能功率会下降，综合考虑光照、温度等参数，可以对光伏组件厂家的产品质量进行评估考核。

建立相关影响因子专家系统数据库，当每次对光伏组件进行清洗后，把清洗后N个小时这段时间称为清洗有效时间TN，采样周期为Ts1，将TN时间内的数据按照时间ti、功率Pi、辐照度Gi、温度Ti、标志位flag、辐照度修正因子Giα、温度修正因子Tiβ等参数字段进行保存。其，表示所采样数据为清洗有效时间的数据。在光伏组件清洗有效时间之外，采样周期为Ts2，将采样数据按照时间tj、功率Pj、辐照度Gj、温度Tj、标志位flag、辐照度修正因子Gjα、温度修正因子Tjβ等参数字段进行保存。其中j=0，1，……；flag=0，表示清洗有效时间之外所采样数据。一般情况下，为了能够更多的记录清洗有效时间内数据，取Ts1＜Ts2，TN可以根据实际需要进行选择。

建立完成相关影响因子专家系统数据库后，需对其各个参数字段进行训练优化，如Giα、Giβ、Gjα、Gjβ。

（1）对Giα、Tiβ训练优化

采用清洗有效时间TN内的数据作为训练数据，每次对光伏组件进行清洗后，都需要对其再次进行训练优化。按照下面公式对Giα、Giβ进行优化。

式中T1，Ti+1，Ti+2－TN内的数据任意三个相邻时间点内

数据。

（2）对Gjα、Tjβ训练优化

采用M小时这段时间的数据作为训练数据，一般情况下可以取M=N。训练优化方法与（1）中方法类似，这里不再赘述。

1.3 组件清洗与否评估

计算由于灰尘所导致的功率的减少值，为智能维护中智能清洗专家提供参考依据。

选取某个清洗有效时间TN内的数据，可取该TN内数据字段中的辐照度的平均值作为参照辐照度，该TN内数据字段中的温度值的平均值作为参照温度值。即：

式中Gref—参照辐照度；

Tref—参照温度，

计算该TN内数据中功率参数的相对参照辐照度Gref、参照温度Tref的参照功率P。

对于该TN内的所有数据，选取辐照度与Gref差值的绝对值小于εG，并且温度与Tref的差值的绝对值小于εp的所有功率值Pm，取其平均值作为参照功率P，其中εG、εP设置遵循以下原则：

（1）εG、εP尽可能的小，不应超过一定限值εM，εM可以根据需要进行选取。

（2）εG、εP选取应该尽量使Pm存在，若Pm不存在，重新优化算法，选取新的Gref、Tref。

接下来选取该清洗有效时间与下一清洗有效时间之间的数据，进行计算。由于计算时间区间介于两次清洗有效时间之间，因此可以不考虑产品质量性能下降对功率损失的影响。

式中Pt—设某一时间点t时刻采样数据中功率值；

Gt—辐照度；

Tt—温度；

ΔP—由于灰尘导致的功率损失。

功率损失的计算值，可以作为智能维护系统中的参数，为开展清洗工作提供参考。

建立损失电量和当地清洗成本的经济函数即可判定。

2 实例分析

本文验证光伏电站出力损失计算模型有效性所采用方法如下：

（1）从历史数据中任意选取16组光伏组件，。

（2）使用计算模型对搽洗前光伏组件在选定某一时刻的发电功率损失进行计算。

（3）使用计算模型对搽洗后光伏组件在选定某一时刻的发电功率损失进行计算。

（4）将计算结果与清洗成本进行比对，得出结论。

2.1 模型验证

根据新疆某光伏电站从2013年7月开始清洗有效时间的历史数据，设定清洗成本，并依据清洗成本倒推组件的功率阀值，现对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）的光伏组件进行验算。该地区浮沉影响最大的月份为每年的3、4月份，影响最小的是7、8月份。

表1和表2是2014年10月10日和25日清洗前光伏组件功率。

由图1、图2可知2014年10月25日和2014年4月15日组件宜开展清洗工作，因为浮沉强度不一样，要求清洗的时间也不一致，在三四月浮沉天气较多，所以要求清洗的时间相对较短，20d即要求清洗。9月份大概是25d左右即要求清洗可知，在同一个时间段在经历同一个时间段的运行后，组件因为浮沉影响的效率衰减差别不大。按照2014年4～10月的光伏电池组件浮沉影响和该月的历史辐照情况计算大致的清洗时间。

本模型计算清洗时间见表3。

表1 2014年10月25日清洗前光伏组件发电功率

表2 2014年10月10日清洗前光伏组件发电功率

表3 2014年4月10日清洗前光伏组件发电功率

表4 2014年4月5日清洗前光伏组件发电功率

图1 2014年10月份光伏组件清洗判定

图2 2014年4月份光伏组件清洗判定

表3 2014年4月至2014年10月清洗时间

以一个20MWp光伏电站来计算，相对于传统设定的每个月清洗一次，单位清洗成本为6万元计算，相对于传统的清洗方式来说，根据计算，按照本文提出的计算模型来设定的光伏组件搽洗时间的方法大约增加发电量417391度，合计人民币41万元。

3 结语

本文通过建立一个外部专家系统，故障诊断可根据阈值和外部专家系统返回值进行监测量故障预判。

对清洁状态下光伏组件的发电数据进行分析，建立相关影响因子专家系统，并使用每次清洗后的数据对模型进行二次训练，以保证专家系统的时效性，专家系统通过对数据的横向和纵向比较，得出组件衰减效率，为是否开展清洗工作提供判断的依据。

[1]高英，谢开贵，胡博，等.考虑光伏出力与负荷相关性的光伏电站容量可信度评估[J].电力系统保护与控制，2013，41（14）：1～7.

[2]艾欣，韩晓男，孙英云.光伏发电并网及其相关技术发展现状与展望[J].现代电力，2013，30（1）.

[3]方鑫，郭强，张冬霞，等.考虑天气不确定性的光伏电站置信容量评估[J].电力系统自动化，2012，26（10）：27～32.

[4]梁双，胡学浩，张冬霞，等.基于随机模型的光伏置信容量评估方法[J].电力系统自动化，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，李广敏.基于支持向量机回归的光伏发电出力预测[J].中国电力，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，工程师，研究方向：新能源发电技术；

周璐（1985-），女，硕士研究生，研究方向：新能源发电技术。