光伏电站智能运维及功率预测技术要点探讨

甄凡奇，孔祥辉，罗方圆，杜传军，范永生

三峡新能源微山发电有限公司，山东 济宁 272000

0 引言

随着全球信息工业的不断崛起，光伏产业得到了快速发展。据统计，截至2017年年底，中国光伏累计装机并网量达130.25 GW。随着国家出台政策的不断完善，光伏发电普及光伏平价上网的步伐在逐步加快[1]。相对于风力发电与核力发电，光伏电站有着很强的优势，其基本没有地域等局限性条件，只要有阳光能照射的地方都可以安装。不仅如此，光伏发电操作便捷，易于安装，且无污染，能源供应具有可持续性[2-3]。由此可见，在新能源产业中，光伏电厂的应用前景广阔。

1 光伏电站智能运维现状

光伏电站是与电网相连并向电网输送电力的光伏发电系统，属于国家支持的绿色能源项目。光伏电站可以分为带储能的和不带储能的并网发电系统。太阳能发电分为光热发电和光伏发电，通常说的太阳能发电指的是太阳能光伏发电。光伏发电产品主要用于三大方面：为无电场合提供电源；太阳能日用电子产品，如各类太阳能充电器、太阳能路灯和太阳能草地各种灯具等；并网发电，这在发达国家已经大面积推广实施。目前，国家大力倡导环境保护，作为最有能力代表新能源的光伏电站，迅速大规模崛起，这就对光伏电站的运营、维护和管理提出了更高的要求，需要大量的人力资源。为了应对这一问题，智能运营进入光伏电站市场中，推动企业的不断扩大和快速发展。

光伏发电系统主要由三个部分组成：输入部分（包括光伏阵列和直流汇流箱）、逆变部分（主要是逆变器）、输出部分（主要是交流配电箱，如果是工频隔离型逆变器，输出部分就是隔离变压器）。此外，还有一些配套系统，如监控系统、气象数据采集系统。光伏电站作为持续输出电能的重要原产地，需要不断地预测和对各个环节进行检修，包括对光伏阵列、汇流箱、逆变器、变压器、电缆等部件运行工况的检测与诊断。这是整个光伏电站能正常运行的基础。智能运维方式的融入是工业时代与信息时代急速发展碰撞的产物。

目前，我国光伏运维故障诊断主要有三种方式。

（1）根据红外图像进行故障诊断。基于太阳能电池内存在的温度差异，可以采用红外热像仪获取光伏列阵的红外图像，这是一种非接触式的故障诊断方法。红外图像诊断不会影响电站本身的结构，但是在光伏列阵比较复杂或者不容易产生很强烈的温度差异时，很难准确地发现故障的类型。

（2）以数学计算的方式判断各物理量是否在正确的区间内波动，如果发现异常波动，就能发现故障类型。

（3）用智能的方式来判断光伏列阵的状况，它的诊断结果源于多个因素计算之下的结果，只要有足够大的数据作对比，就不会出现差错。智能诊断往往要比前两种故障诊断方式更加有效，并且诊断速度也在大幅提升。

2 光伏电站智能运维技术

在光伏电站中融入智能运维技术，可以实现对各个电站企业的全方位把控，不仅能使企业的投资方和各员工深入了解电力设备和系统维护技术，更有利于其直观地发现当下运维电站技术存在的缺陷和不足，并且第一时间去解决这些缺陷和不足。

智能化电站运营分析并不是靠人为来判断故障问题，而是通过计算机软件技术、计算机网络技术、自动检测与远程检测技术、通用信息和其他相关的专业技术等一系列计算机模型架构起来的运维系统来实现，进而为新能源电站的高效运行提供可靠的技术支持。不仅要求有计算机水平，还要通过云数据管控，基于光伏运维云平台的光伏电站运维管库系统，将云储存和大数据相互结合，引入电站的终端管理中。

智能运维管理技术需要结合实际按需设计对应的程序，使系统及时发现自身的故障和隐患，及时上报，分析并确定故障的类型和位置。同时，还要结合光伏电厂周边的信息与当地气象预报数据，再通过互联网内的云计算与大数据判定，进而准确地预测出未来某时间段内的固定发电量，使能量调度更加精细化。这样可以给运行人员、检修人员、管理人员等提供十分快捷的信息服务，确保故障发现及信息传输的时效性。

3 光伏电站功率预测

光伏电站功率预测是以天气预报数据或者实际数据作为基础，根据光伏电站的地理环境和当地的地域特点、气候环境等，通过固定的算法建立模型，实现对未来一段时间内光伏电站输出功率的预测。

3.1 光伏功率预测的影响因素

光伏功率预测的影响因素有很多，具体包括如下方面。

（1）自然因素。在太阳能的传递和太阳能的转化过程中，接收器会受到气候、天气、云层、地理条件、地域环境等各方面自然因素的影响。地理条件的影响通常有限，但是为了企业的发展还是应该选用更加适合企业运行的地域设置发电厂。这就需要考虑电站所占地的地形、周边环境等，尤其需要考虑日均峰值和日照数。最好是选择空旷无遮挡、太阳能资源丰富、全年日照时间长、无灾害性天气的地区设厂。这就需要结合大数据的天气预测，通过固定的应对算法来预测。

（2）人为管控因素。光伏电池的光转化效率主要取决于电池，而电池自身的转化能力一方面与环境有关，另一方面和电池本身的抗老化能力有关。电池的散热性易受到风速、环境空气压强、环境温度及湿度等一系列因素的影响。而且长久使用的电池极易老化，应注意及时检测及维修，必要时更换。

3.2 具体的预测方法

目前，行业内光伏电站效率评估的技术方案大多是利用能效比来判断光伏电厂的运行效率。

式中：PR为电厂光伏系统的效率；E为测试时间内光伏电站的实际发电量；Pe为光伏电站组件装机的标称容量；ht为测试时间内的等效峰值日照时数。

光伏功率预测的方法可分为直接预测法和间接预测法两种。直接预测法是通过气象数据、辐射数据及其他数据等直接预测出数据模型；间接预测法不仅要预测辐射模型，还要通过光转电模型来预测评估光伏电站的功率。直接预测法的建模难度很大，在不同的时间段内要有不同的应对算法，但实际预测时很难做到全面兼顾、有效应用，因此导致模型不能很好地计算出光伏电站的准确功率。间接预测法虽然有着多个模型内的转换，计算起来十分复杂，但其预测结果要比直接预测法准确很多。为了更好地预测输出功率，相关人员要研究辐照度、光伏功率等影响功率预测的基本物理量，研习辐照度、光伏功率等的历史规律，在结合物理学与统计学的研究方法后，得到准确的研究模型，以此达到准确预测光伏电站的输出功率的目的，不断推动光伏电站产业的发展和运营。

在大量研究成果的积累下，目前，光伏电站的功率预测方法也在不断地改变。例如，白天与夜晚的天气数据差别很大，尤其是温差较大的地区，单一对温度数据进行分类并不能很好地结合实际情况，因此针对不同的数据应该建立不同的预测模型，用来分析天气数据中常常出现的一些聚类性质。同时，结合经济条件，尽可能多地安装传感器，搭建数据采集系统，并建立相应的算法模型，按照相应的样本采集技术分类。采集到相应的数据后，选择均方根误差作为损失函数，用梯度下降对神经网络参数进行训练，直至参数不再发生变化。

总之，为了准确预测光伏电厂未来一段时间内的输出功率，需要运用智能化手段，结合固定算法，在各项不确定性因素中合理使用直接或者间接的预测方法，以更好地维护光伏电厂安全、稳定地运行。

4 结束语

在大数据时代的各种挑战与机遇下，只有不断完善科技手段，不断完善企业自身的能力，依靠智能化解决各种问题，加强对数据质量的把控、对自身环境现状的把握、对数据的传输和对各项数据的处理运算，才可以实现高效且快速的计算和数据处理，助力电站运营，助推企业发展。当下，我国已基本实现了光伏电站智能化运维，在时代迅速发展的大环境下，各个企业方要把握好机遇，运用科技造福人类，推动社会进步，推进民族产业发展。现代科技不断造福人类生产生活，在智能化科技的帮助下，中国光伏电厂企业一定会日渐增长、不断进步。