基于大数据分析的光伏组件灰尘预警系统设计

翁 捷 胡 琼 王平玉

（1、阳光电源（上海）有限公司，上海201203 2、阳光电源股份有限公司，安徽 合肥230000）

光伏电站在正常运行过程中存在众多可能的影响电站运行效率和发电能力的因素，其中光伏组件因为部署量最大，投资最大，故障隐患最多，对于发电量具有直接的影响，所以一直是电站智能化运维的重点关注对象之一。在我们辽阔的土地上面部署的地面大型光伏电站，在日常工作中灰尘的影响是所有运维相关因素中最为重要的因素之一，在部分地区由于灰尘的影响，可能造成电站的发电损失高达10%以上，但是光伏电站的灰尘影响的量化与经济清洗判定一直是一个工程上面的难点。

1 项目概况

本系统通过收集与分析大量光伏电站监控系统中的历史电量、气象数据、环境数据、光伏电站所在地的地理信息、光伏电站组件和其他核心设备的参数，建立光伏电站积尘量化指标与监测数据之间的拟合模型，在自然环境下计算出光伏组件灰尘积累的估计值，然后依据光伏电站所在地的天气预报信息和电站清扫成本给出最经济的清扫时间预估，发出清洗预警。

本软件系统在实际光伏电站应用中，可以部署在云端服务器中，根据获得的每日光伏电站监测数据进行高精度的电站积尘情况估算，最后进行可视化展现或者提供数据服务接口。在系统可以获得电站当地天气预报信息的前提下，可以自动结合电站积尘情况与天气预报信息给出电站灰尘的清扫预警。

2 光伏组件灰尘预警系统设计

2.1 系统框架设计

本系统的实现框架如图1 所示。

系统通过与电站监控系统平台进行API 接口互通，获得光伏电站的历史与实时监测数据；同时本系统功能的计算结果可以通过平台对外接口功能开放给外部用户。例如，可以对接电站监控系统的积尘分析与预警服务的数据输入接口，为电站监控和运维人员提供电站组件的积尘量化指标和清洗预警提示。

组件积尘与清扫预警系统在从电站监控系统接入数据后进行积尘量化指标的计算，结合从天气预报数据接口获得的电站所在地天气预报信息和其他电价、清洗成本等信息，就可以进行灰尘清洗的预警分析，积尘预警分析的结果和清洗预警计算的结果将会存在系统的数据库中，供用户随时查看。

图1 系统实现框架图

平台对外接口服务将积尘与清扫预警系统的分析计算结果以服务接口的形式（基于HTTP）向外部用户发布，根据用户的Token 来确定用户的合法性以及关联电站的数据信息，最终从数据库中取出计算完毕的信息，提供给用户用于展示和制定下一步行动。

底层平台系统基于Hadoop+Spark 的大数据计算架构来提供平台类型服务，其中主要包括：定时调度运行组件积尘与清扫预警系统的计算任务，获取外部数据的任务，计算结果存储在数据库中的任务，以及提供外部客户访问计算结果的任务等。

2.2 系统流程设计

实现组件积尘与清扫预警功能主要是利用光伏组件的积尘为逐步积累的自然特性，通过比较光伏组件（或者光伏组串）在一段适当时期内的发电功率数据的变化趋势和变化量，来量化光伏组件的积尘情况。且利用大数据分析的方法，可以同时处理同一光伏电站的所有光伏组件的发电功率数据，能够对电站受积尘影响情况作整体判断，避免了使用单一或者少量样本数据得出结论的偶然性。

对于某个光伏电站的积尘量化估计与清洗预警的流程如图2 所示。

2.2.1 输入数据

图2 积尘判定与清洗预警流程图

从电站监控系统获取历史至少30 日的监测数据用于后面的数据处理，数据指标包含：瞬时辐照、瞬时直流功率、日发电量、日辐照量、组件温度、环境温度、风速、湿度、总发电量、总辐射量等。

2.2.2 数据ETL 处理

删除整条数据样本为0 或为空的记录，对重复的数据样本剔重；

瞬时辐照、瞬时直流功率、组件温度、环境温度取5 分钟一次的数据；

日发电量、日辐照量取当日最大值；

风速、湿度取当日平均值或者等级值；

瞬时辐照和瞬时直流功率中数值为负值的记录等同于缺失值处理；

组件温度、环境温度：数值异常大或者异常小的记录等同于缺失值处理。

2.2.3 干扰因素判定与剔除

软性阴影或者称之为临时阴影是影响判定的主要因素之一。此算法会计算瞬时直流功率的梯度值，若超过预设阈值，认为受到较多的临时影响因素的干扰，需要对干扰的数据进行处理。

当判定存在软性阴影等影响因素的时候，消除的方法是对瞬时辐照和瞬时直流功率进行模型拟合（二次多项式或一阶高斯），使用拟合值替换实际值进行后续的计算。

2.2.4 数据归一化处理

使用如下的公式（1）来进行组件直流功率数据的归一化处理，从而将瞬时直流功率归一化到辐照和温度为标准条件下的值：

最后筛选每日瞬时辐照大于400w/m2的记录，计算每个瞬时直流功率经过修正公式处理后的日平均功率值。

2.2.5 积尘判定起始日期设定

初始日期设定：

a.产品算法第一次运行时，从近30 日中寻找日平均功率最大的日期，作为判定的起始日期，该日的日平均功率作为组件清洁状态下的基准日平均功率；

b.或者，根据最近电站除尘情况或降雨情况手动设定初始日期。

判定起始日期调整：

a. 每往后一日判断当日的积尘情况时，比较起始日的日平均功率与判定日期的日平均功率，若（判定日期日平均功率- 起始日期的日平均功率）/判定日期日平均功率不小于-2%，将判定日期设为新的起始日期，继续下一日的积尘判断；

b. 若电站进行了除尘工作，将除尘完成日期设为新的起始日，该日的实际日平均功率作为基准日平均功率；

c.若电站能够采集到日降雨量，降雨量达到一定程度时，将降雨后日期作为起始日。

2.2.6 日平均直流功率下降幅度计算

对起始日期到判定日期这段时期的日平均功率做线性回归拟合，使用线性回归拟合值的最大值与最小值计算下降幅度；或者使用趋势倾向率（趋势倾向率/起始日期的指标值*n）的方式计算下降幅度。

2.2.7 计算组件积尘率

组件的积尘在此系统中采用如下公式来计算：

2.2.8 计算组件清洗建议时间

组件清洗需要考虑的总损耗f(t)包含两部分：

其中，A 为积灰持续增长所引起的发电量总损耗；W 为设备清扫费用（人工费，设备损耗，电力损耗，设备折旧费用等）；R 为因积灰造成的经济损失速率；T 为最佳清洗周期。

根据积尘的统计特性可知，组件上的积灰导致的发电量损失随时间变化基本上成线性关系（如图3）。

表1

图3 发电量之差的费用损失值随时间变化曲线

由此可得出t 时间内，组件灰尘导致的发电量总损耗为：

考虑清洗组件的成本在内，则t 时间内的总成本为：

求极小值即可得出最佳清洗间隔T 为：

2.3 数据库设计

该系统采用了MySQL 关系型数据，数据库以及表的设计如图4。

图4 数据库与表的设计

数据库表命名规则为tb_项目名_模块名。

例如：ETL 处理（ tb_dustwarn_etl）（表1）。

2.4 外部接口设计

本系统将积尘量化指标与清洗预警功能的计算结果通过Http 方式向用户提供接口，接口的调用格式示例如图5：

图5 数据库与表的设计

3 结论

本系统开发完成之后在多个电站现场得到验证，经过与安装在电站现场的对比光伏组串（自然状态组串和每日自动清洗组串）进行长时间的比对之后，我们发现两者之间的绝对值差距＜3%，且一致性较好，达到了设计要求。对比结果如下图6所示。

本系统基于光伏电站的实时监控数据，从大数据分析的角度实现了光伏组件表面灰尘积累程度的量化估计，并且结合未来的天气预报和光伏组件的清洗成本给出清洗预警，从而保证了光伏电站的最佳发电收益，同时提高了光伏电站的运维效率。

图6 对比验证结果