光伏组件积尘量的影响因素及预测模型研究

2020-05-08胡旭辉徐红伟乔永力

太阳能 2020年4期

胡旭辉，徐红伟，乔永力，邵怡

(1.浙江浙能嘉华发电有限公司，嘉兴 314201；2.中国计量大学，杭州 310018)

0 引言

在实际运行过程中，环境因素对光伏组件光电转换效率的影响很大，比如太阳辐射量、环境温度、大气降尘程度等。其中，大气降尘会导致光伏组件积尘，从而降低组件接收到的太阳辐射量，而且不均匀的积尘会造成组件局部温度升高，形成对光伏组件有损伤的热斑。

光伏组件积尘对太阳辐射具有反射、散射和吸收作用，随着积尘厚度的增加，组件光电转换效率成倍减小[1]。GARG[2]研究了玻璃不同角度放置时积尘对玻璃透光率的影响，并模拟了积尘对光伏组件透光率的影响。将实验玻璃放置在室外并定期对其透光性进行测试，排除下雨天影响；取30天数据，结果表明，30天的积尘使45°放置的玻璃的透光率损失了8%。张宇[3]等研究了积尘对屋顶光伏电站的光伏组件输出功率的影响，通过连续30天的观察发现，光伏组件在开始积尘的初期，组件输出功率下降较快。

综上所述，积尘对于光伏组件输出功率的影响很大。降尘在雨水、风力的作用下，造成组件表面局部积尘，受积尘影响的电池单元变成负载，温度急剧升高形成热斑，会对组件造成损害。本文通过实验和数据分析得出光伏组件积尘量随时间变化的预测模型，对于光伏组件输出功率预测和光伏电站运维具有重要意义。

1 积尘来源

光伏组件积尘主要来源于自然因素和人为因素。自然因素是指在自然环境条件下，靠重力自然沉降在光伏组件表面的颗粒物，其是光伏组件积尘的主要原因。人为因素是指由于近代工业的迅速发展，人们肆意向大气中排放污染物而在光伏组件上形成的积尘。由于人为排放的污染物中含有腐蚀光伏组件的成分，造成了光伏组件表面腐蚀程度的加快，降低了光伏组件的使用寿命。积尘来源及形成过程框图如图1所示。

图1 积尘来源及形成过程框图Fig.1 Block diagram of dust source and formation process

2 积尘量的影响因素及积尘状态

2.1 影响光伏组件积尘量的主要因素

气象因素是影响光伏组件积尘量的主要因素，主要包括环境温度、空气湿度、风速、降雨量。环境温度越高，地表灰尘越容易形成浮尘，浮尘漂浮在空中，然后降落于光伏组件表面形成积尘。随着空气湿度升高，灰尘颗粒与小水珠颗粒之间结合的几率也在升高，灰尘更容易沉降。空气中灰尘颗粒的运动要借助风力作用，灰尘颗粒随着风力作用漂移，风速越大，灰尘漂移越快。大风能吹走一部分光伏组件积尘，同时也会带来灰尘。降雨量则较为特殊，降雨量小时，光伏组件积尘量会增加，同时使积尘状态发生改变，积尘中间形成沟道；随着降雨量的增加，雨水又能对光伏组件表面起到一定的清洗作用。

为了获得最大发电效率，光伏组件在铺设时会根据当地经纬度计算出最佳方位角和最佳倾角[4]，不同地区的光伏组件安装倾角不同，我国大部分地区的光伏组件最佳安装倾角在20°～40°之间；而不同的安装倾角对光伏组件的积尘量影响也不同。因此，需要研究不同安装倾角和气象条件对光伏组件积尘量的影响。

2.2 光伏组件的积尘状态

大气降尘颗粒物中，粗尘粒(粒径为0.25～1.00 mm)的占比为7.79%，细尘粒(粒径为0.05～0.25 mm)的占比为47.05%，粉尘颗粒(粒径＜0.05 mm)的占比为45.16%[3]。以布置在位于杭州市的中国计量大学天问科技楼(120.37085°E，30.327254°N)屋顶的容量为3 kW的光伏组件为例进行积尘实验，其积尘颗粒粒径占比归一化处理之后的结果如图2所示。由图2可知，光伏组件积尘颗粒的粒径以80 µm为中心呈正态分布。

光伏组件的积尘状态主要分为4种情况，如图3所示：1)短暂降雨之后形成斑点状的积尘(见图3a)；2)早晨有露水时产生的沟壑状积尘(见图3b)；3)典型天气下产生的近似均匀的积尘(见图3c)；4)树叶、鸟粪与积尘等同时存在的特殊情况(见图3d)。本文主要研究第3种积尘状态对光伏组件性能的影响。

图2 光伏组件积尘颗粒粒径归一化正态分布图Fig.2 Normalized proportional distribution of dust particle size of PV module

图3 光伏组件的积尘状态Fig.3 Dust accumulation state of PV module

3 积尘量实验设计

在中国计量大学的天问科技楼屋顶，以倾角20°、30°、40°各放置1块光伏组件，3块组件的清洁度一样，编号分别为1#、2#、3#，用于测试积尘量与光伏组件倾角之间的关系。在每天中午12:00，对光伏组件分别进行称重，该值与前一天同一时刻的重量差值即为光伏组件24 h的积尘量。实验连续统计14天数据，实验所用设备参数如表1所示。

表1 实验所用设备的参数Table 1 Experimental equipment parameters

3块光伏组件的摆放方式如图4所示，测得的连续14天3块不同倾角光伏组件的积尘量数据如表2所示。

图4 3块光伏组件的摆放方式Fig.4 Arrangement of three PV modules

表2 3块不同倾角光伏组件连续14天的积尘量数据Table 2 Dust volume data of three different inclinations PV modules for 14 consecutive days

为了分析积尘量与光伏组件倾角之间是否存在一定的数学关系，利用统计分析软件SPSS对两者的相关性进行分析，结果如表3所示。

表3 SPSS相关性分析结果Table 3 Results of SPSS correlation analysis

从表3的结果可以看出，组件倾角与积尘量之间的相关性系数为0.0015，显著性为0.992。由于显著性检验值远大于0.01，因此可以认为杭州地区的光伏组件在20°～40°的安装倾角范围内，组件积尘量与安装倾角的大小无显著相关性。该结果与相关学者的研究[5]不同，可能有2个主要原因：1)多数学者研究积尘量与倾角的关系时，选择的地理位置一般为荒漠等气象条件较为恶劣的区域；2)多数研究的倾角范围在0°～90°之间，范围变化较大，而本文主要研究我国多数地区光伏组件倾角在20°～40°范围内时积尘量与倾角的关系，因此结果不同。

4 积尘量预测模型

1)为判断光伏组件表面积尘量受气象因素的影响程度，通过实验收集同一时间内的光伏组件积尘量，以及环境温度、相对湿度、风速、气压等相关气象数据，并建立它们之间的相互关系模型。由于样本较少，自变量之间的关系较为模糊，因此采用支持向量回归(SVR)预测方法建立SVR模型，利用Matlab的Libsvm工具箱完成模型建立。按照Libsvm软件包所要求的格式收集数据集，对数据进行归一化处理，采用网格寻优、遗传算法等寻求最佳的惩罚系数参数C与宽度系数γ，利用得到的最佳(C，γ)对训练集进行训练，从而得到SVR模型，最后利用获取的模型进行测试验证。

实验选用3块相同的光伏组件，方位角均为正南方，倾角选择杭州地区年最佳倾角30°。首先测定3块光伏组件的质量，于当天中午12:00放置于楼顶，第2天同一时刻再测组件质量，两者之间的差值即为光伏组件的24 h积尘量数据。气象数据来自于中国计量大学天问科技楼设置的气象监测站。

本实验共收集了50个样本数据，因受降雨影响而使光伏组件积尘量可忽略不计的样本个数为10个，将其剔除，以去除降雨量对预测分析造成的影响。剔除后的样本总量为40个，选择35个样本作为训练集，5个样本作为测试集，并利用SVR模型进行训练和测试，结果分别如图5和图6所示。

图5 训练集结果Fig.5 Training set results

图6 测试集结果Fig.6 Test set results

由图5、图6可知，SVR模型能较好地完成积尘量预测，吻合度较好。

2)建立累积积尘量预测模型。为考察不同放置位置对光伏组件累积积尘量的影响，进行2组实验，第1组实验中将光伏组件放置在四面空旷的位置；第2组实验中将光伏组件放置在三面空旷、另一面距离1 m高的墙面1 m的位置。为了避免降雨的影响，根据浙江省气象局和国家气象局的天气预报信息，当第2天可能出现降雨时，将光伏组件收回封存。通过连续2个多月的观察，去除降雨天，选取连续20天的有效数据。将这些数据首先采用Origin软件绘制成散点图，观察散点图的规律和特点，再利用拟合后的曲线分析不同位置放置时组件累积积尘量随时间变化的规律。

通过采用Origin软件进行多次拟合后发现，Logistic回归模型的拟合效果较好，该模型的公式为：