基于输出功率分析的光伏电站内 光伏支路遮挡的识别

莫 裘，熊伟铭，陈文皓

(1.上海电力能源科技有限公司，上海 200245；2.上海霖石科技发展有限公司，上海200120)

0 引言

截至2020年底，中国并网光伏发电累计装机容量达253.43 GW，占全球光伏发电累计装机容量的三成以上；2020年中国光伏发电新增装机容量为4820万kW，同比增长24.1%。光伏发电作为目前最具发展前景的可再生能源利用方式之一，已然成为能源行业关注的焦点[1]。光伏电站具有占地面积大、运行环境复杂多样等特点，光伏组件在运行过程中易受到周边建筑、立柱、植物及前后排光伏组件等产生的周期性遮挡的影响，长期受到遮挡不仅影响光伏组件的输出功率，更容易造成光伏组件出现热斑及串并联失配等不良情况，从而会减少光伏组件的使用寿命、降低光伏电站的能效比、增加光伏电站的安全隐患[2]。因此，快速、准确、经济地找到光伏电站内被遮挡的光伏支路、获取光伏支路被遮挡的时段及得到遮挡损失情况具有重要的实际意义。

近年来，国内外的专家学者针对与光伏发电相关的遮挡损失及其改善方式进行了大量研究。文献[3]通过改变光伏阵列拓扑结构和增加直流优化器这2种方法，提升了高原高寒地区的光伏阵列在局部阴影遮挡下的输出功率；文献[4]通过建立光伏发电单元输出特性模型，利用两点电压/电流检测数据，实现了对异物遮挡范围与程度的定量诊断；文献[5]对部分阴影遮挡下的光伏发电系统进行3D建模，分析了多种模型在多种情景下的仿真精度，模拟值与实际值的误差范围为9%～24%；文献[6]通过在全年的时间尺度上比较多种光伏组件拓扑模型，最大限度地提高了部分阴影遮挡下的光伏组件发电量；文献[7]利用Matlab/Simulink软件建立了适用于局部阴影遮挡下光伏组件的电气模型，进而得到了局部阴影对光伏组件输出特性的影响；文献[8]引入云遮系数后建立了太阳辐射预测模型和隐马尔可夫模型，从而提升了光伏发电超短期功率的预测精度。

上述研究大多是采用假设法或理论建模法进行遮挡分析，聚焦于遮挡现象发生后的输出功率预测与优化。尽管通过理论计算可识别是否存在遮挡现象，但太阳高度角、太阳方位角和可变遮挡物等的参数的变化使计算变得困难；此外，由于存在遮挡物的参数不全和遮挡程度受太阳辐照度变化影响等问题，导致采用此类参数计算得到的结果的精确度较差。本文以光伏支路输出功率偏离度、光伏支路输出功率偏离度变化率和超限频次等为核心分析参数，以位于浙江省湖州市的某装机容量为66.5094 MW的光伏电站为基础搭建了智能监测与数据分析平台，通过对气象参数和光伏支路输出功率进行长时域分析，得到光伏支路的遮挡时段与遮挡损失。以期在低投入、少人工干预的情况下，对光伏电站存在的光伏支路遮挡现象进行快速精准识别，在为光伏电站提供定量评判标准的同时，又能有助于提升光伏电站经济效益。

需要说明的是，对于采用组串式逆变器的光伏电站而言，光伏支路为逆变器支路(即“光伏组串”)，对于采用集中式或集散式逆变器的光伏电站而言，光伏支路为直流汇流箱支路(即“光伏组串”)。由于本文中作为分析基础的光伏电站采用的是组串式逆变器(下文简称为“逆变器”)，因此本文的光伏支路即为逆变器支路。

1 数据采集及预处理

1.1 数据采集模块

根据国家电力信息安全规定，严禁将电站数据与外部互联网直接进行交互。因此，本文在光伏电站数据采集方面以全物理隔离智能网络单向信息采集系统为基础，充分运用物联网、计算机视觉、数据加密、身份认证和私有协议等安全管理保障技术，有效解决了数据从高安全域向低安全域的单向的安全可靠传输。全物理隔离智能网络单向信息采集系统的数据采集原理如图1所示。

图1 全物理隔离智能网络单向信息采集系统的数据采集原理图Fig. 1 Data acquisition principle of all physical isolated intelligent network unidirectional information acquisition system

1.2 数据预处理

由于数据采集具有不稳定性，导致数据采集模块在每分钟内的采集时刻和数据采集频率均存在差异。针对此问题，本文先对近30天内光伏电站中的太阳辐照度及光伏支路的电流和输出功率进行标准化预处理，即对太阳辐照度、直流电流和输出功率分别进行恒值和零值处理，而后进行5 min级数据组预处理，具体方法可表示为：

式中：Df为5 min级数据，其代表了以5 min为时段的秒级数据集合；t1、t2分别为5 min内所记录的第1组和最后1组数据对应的时刻；Ds为秒级实时数据；Drf为5 min内数据采集频次。

以7月14日编号为013726的逆变器接入的6条光伏支路(p1～p6)的秒级数据输出功率曲线为例(如图2所示)，对该秒级数据进行5 min级数据处理，处理后得到的6条光伏支路的输出功率曲线如图3所示。

图2 6条光伏支路的秒级数据输出功率曲线Fig. 2 Second level data output power curve of six PV branches

图3 5 min级数据处理后的6条光伏支路的输出功率曲线Fig. 3 Output power curve of six PV branches after 5 min level data treatment

对比图2、图3可以发现：5 min级数据处理后的输出功率曲线走势与秒级数据输出功率曲线保持了高度一致性。通过对秒级数据进行5 min级数据处理，有效避免了数据采集频率不稳定带来的影响，使每一台设备的每一个参数在时间段数量和相同时段内的数据总量保持一致，同时消除了部分极大值和极小值的干扰。通过采用处理后的数据，根据逆变器输出功率积分计算得到的测试时间段内的光伏发电量与实际的光伏发电量误差小于0.3%。

2 光伏支路遮挡识别与分析

光伏支路受到遮挡时，其输出功率曲线将会发生规律性波动，相较于光伏支路未被遮挡时的输出功率曲线，受到遮挡时的输出功率曲线呈现“正常—降低—稳定—升高—恢复正常”的“U”型偏离特征，且该特征在长周期内具有时间上的连续性和数量上的重复性时，说明光伏支路出现了遮挡。这种输出功率曲线形式与因云层或落叶等偶发因素产生的短时遮挡而形成的输出功率曲线，以及因阴雨天和光照不足而导致的光伏支路输出功率曲线变化存在明显的不同。

本文所述的光伏支路遮挡识别与分析过程分为3个阶段：1)对单台逆变器进行干扰数据的筛除，并对光伏支路输出功率偏离度进行分析，查寻大于设定偏离度阈值的时段，获得光伏支路对应时段内的超限频次。2)根据超限频次的数量和时间连续性，进一步根据超限情况将逆变器分为“全时段输出功率异常”和“部分时段遮挡”两类，其中，部分时段遮挡表现为光伏支路输出功率偏离度超限在特定时段内重复发生；而全时段输出功率异常可能由全时段遮挡引起，也可能由光伏支路中光伏组件功率异常衰减、严重积尘和装机容量偏低等原因引起，可采用现场检测等其他辅助手段进行判别。3)在得到部分时段遮挡类别的具体起止时段后，计算光伏支路遮挡损失。

本文是以位于浙江省湖州市的某装机容量为66.5094 MW的光伏电站为基础进行分析，参数取值也是基于该电站而定，而对于位于不同地理位置、采用不同布置方式，以及周边环境和数据采集方式不同的光伏电站，则应根据实际情况对参数取值做出调整。

2.1 逆变器干扰数据的筛除与光伏支路输出功率偏离度分析

由于光伏支路遮挡特征仅在其输出功率较高且输出功率曲线稳定时才易于捕捉，因此，本文筛除了太阳辐照度较低(小于等于200 W/m2)的时段及光伏发电开始和结束时的时段，以避免智能监测与数据分析平台误判。除此之外，某些极端情况下的数据，比如光伏支路断流和输出功率偏离度长时间异常(包括通信故障)时得到的数据，也应一并剔除。

筛除干扰数据后，首先通过读取单台逆变器的电流数据找到零电流的光伏支路，并将其剔除，然后计算剩余光伏支路的偏离度，其计算式为：

式中：Pd,j为单台逆变器的第j个光伏支路输出功率的偏离度；Pj为单台逆变器的第j个光伏支路的输出功率；Pv为单台逆变器所有光伏支路的平均输出功率；M为单台逆变器剔除零电流支路后的光伏支路总数。

随后将30天内全天光伏支路输出功率偏离度均值超过70%且天数大于3天的光伏支路判定为异常支路(包括通信故障造成的结果)，并将其剔除，至此，单台逆变器的光伏支路数量更新为剔除异常支路和零电流支路后的数量m。最后，对所有逆变器的光伏支路在30天内每个时段的输出功率偏离度进行比对，记录偏离度超出15%的时段，并统计对应时段重复出现的次数，即超限频次。逆变器数据干扰筛除与光伏支路输出功率偏离度分析流程如图4所示，其中，n为分析计算时所涉及的逆变器总数。

图4 逆变器数据干扰筛除与光伏支路输出功率 偏离度分析流程Fig. 4 Inverter data interference screening and PV branch output power deviation analysis process

2.2 遮挡类型分析与遮挡损失计算

对光伏电站内所有光伏支路在30天内的全工作时段进行输出功率分析，根据遮挡连续时长和偏离度超限频次的不同特征，找到相应的逆变器，并记录其编号；将找到的逆变器分为“全时段输出功率异常”和“部分时段遮挡”两类。遮挡类型分析与遮挡损失计算的流程如图5所示。

2.2.1 遮挡类型分析

根据上文分析得到的所属同一逆变器的光伏支路超限时段与超限频次情况，首先对存在超限光伏支路的逆变器进行筛选，同一台逆变器的光伏支路超限情况应具有时段的连续性，且在同一时段内的超限频次应具有重复性。对于时段的连续性，筛选存在连续超限20 min以上的光伏支路，可最大限度地避免动物、云层或其他异物等间歇性遮挡造成的影响；对于同一时段内的超限频次的重复性，选取超限频次大于3次且大于0.5倍较佳气候天数对应的光伏支路，其中，较佳气候天数为近30天内电站所属地气象站“晴天无云”气候对应的天数，可最大限度地避免为消除偶发因素而造成的误判。

图5 遮挡类型分析与遮挡损失计算的流程 Fig. 5 Process of occlusion type analysis and occlusion loss calculation

经过上述筛选过程，得到存在光伏支路遮挡情况的全部逆变器的编号，再次利用时段的连续性及同一时段内的超限频次的重复性对存在光伏支路遮挡的逆变器进行分类。将连续超限8 h以上或超限频次大于1.5倍较佳气候天数的逆变器判定为“全时段输出功率异常”，剩余逆变器则判定为“部分时段遮挡”。

2.2.2 遮挡损失计算

因遮挡损失造成的光伏电站发电量损失是电站管理人员最为关心的问题之一，也是光伏电站定量评价发电能力的重要一环。因此，在精准识别遮挡现象后，有必要对其造成的发电量损失进行计算。受电站现场众多不确定性因素的影响，预期发电量的理论计算结果往往误差较大，根据现场经验，以相邻光伏支路(可选择同一个光伏阵列)的发电量均值对受遮挡光伏支路应发电量进行替代具有相对合理和操作简便的优势。因此，本文采用替代法计算遮挡损失电量占应发电量的比例Re，即：

式中：PL为受遮挡光伏支路损失的电量；Δt为受遮挡时长；ts、te分别为当日存在的第1组和最后1组数据对应的时段；Pk,Δt为第k个光伏支路在Δt内的平均输出功率；Pa为除被遮挡光伏支路外的其他光伏支路在Δt内的平均输出功率；N为被遮挡光伏支路的数量。

2.3 光伏支路遮挡起止时间分析

存在“部分时段遮挡”现象的逆变器较易因电站工作人员的巡视时间与光伏支路的遮挡发生时间错位而难以确定，因此对“部分时段遮挡”类型下光伏支路的具体遮挡时间进行分析，有助于现场工作人员进行精准查找。

首先，对于每一台存在“部分时段遮挡”现象的逆变器，通过对时段进行筛选去除特征不明显的时间段，然后计算单台逆变器的单个光伏支路输出功率偏离度变化率和同一时段单台逆变器单个光伏支路输出功率偏离度差值，并通过这2个重要指标进行时段判别。这2个指标的计算式分别为：

式中：Pr,u为单台逆变器第u个光伏支路的输出功率偏离度变化率；Pd,u,t、Pd,u,t+1分别为单台逆变器第u个光伏支路在t和t+1时段内的输出功率偏离度；Pc,u为同一时段内的单台逆变器的第u个光伏支路输出功率偏离度差值；Pd,u为单台逆变器第u个支路的输出功率偏离度；为单台逆变器除第u个光伏支路以外逆变器内其余支路输出功率偏离度的最大值。

根据上述指标，以天为周期对式(4)和式(5)的计算结果进行判断。当逆变器光伏支路输出功率偏离度变化率或同一时段逆变器光伏支路输出功率偏离度差值大于7%(建议取值范围7%～10%)的持续时长大于20 min时，则将其作为当日第1个满足条件的时段，将其前1个时段记录为遮挡起始时段；然后从起始时段向后判断，若存在连续2个时段的逆变器光伏支路输出功率偏离度变化率大于等于-7%(建议取值范围-7%～0%或-10%～0%)且同一时段逆变器光伏支路输出功率偏离度差值小于等于7%的情况，则保存满足该条件的时段，并将该时段内第1个时段记录为遮挡终止时段；最后，将30天内最早的起始时段和最晚的终止时段记录为该逆变器对应的光伏支路受遮挡的起始和终止时刻，并记录对应光伏支路的受遮挡时段。逆变器光伏支路遮挡起止时间的分析流程如图6所示。

图6 逆变器光伏支路遮挡起止时间的分析流程Fig. 6 Analysis process of PV branch occlusion start and end time of inverter

3 实例验证

以浙江省湖州市的某装机容量为66.5094 MW的光伏电站为例进行分析，该电站包括1724台逆变器。以光伏支路输出功率偏离度、光伏支路输出功率偏离度变化率和超限频次等作为核心参数，搭建智能监测与数据分析平台，并以该平台开展光伏支路遮挡分析与识别，得到存在“全时段输出功率异常”的逆变器数量为23台，存在“部分时段遮挡”的逆变器数量为16台，分别占逆变器总台数的1.33%和0.93%。通过与电站现场进行比对后发现，本方法的识别准确率可达95%。

以典型的表现出“全时段输出功率异常”的编号为014320的逆变器(下文简称为“逆变器014320”)和典型的表现出“部分时段遮挡”的编号为012806的逆变器(下文简称为“逆变器012806”)为例，这2台异常逆变器30天内的光伏支路超限频次如图7所示。

从图7可以看出：“全时段输出功率异常”的逆变器的光伏支路超限连续时长大于8 h，且存在超限频次大于10次的连续时间段(周期内较佳气候天数为7天)；“部分时段遮挡”的逆变器的光伏支路超限连续时长约为2 h之间，且存在超限频次处于3～10次的连续时间段。

等时间间隔选取逆变器012806的光伏支路超限频次，限于论文篇幅，数据进行了简化，具体如表1所示。

图7 2台异常逆变器30天内的光伏支路超限频次Fig. 7 PV branch overrun frequency within 30 days of two abnormal inverters

表1 逆变器012806的光伏支路超限频次Table 1 Overrun frequency of PV branch of inverter No. 012806

通过将表1中的数据与该逆变器实际的光伏支路输出功率曲线进行对比可以发现，逆变器的光伏支路超限频次在时间和变化趋势上与实际的光伏支路输出功率曲线具有一致性。

图8为光伏电站内光伏支路的典型遮挡现场图。其中，图8a是逆变器014320的光伏支路，由于生长性植物导致该光伏支路被全时段遮挡；图8b是逆变器012806的光伏支路，由于周边电塔阴影导致该光伏支路存在部分时段遮挡。

图8 光伏电站内光伏支路的典型遮挡现场图Fig. 8 Typical shielding site photo of PV branch in PV power station

图9 逆变器014320在4个典型日的光伏支路输出功率曲线Fig. 9 Output power curve of PV branch of inverter No. 014320 in four typical days

根据分析所得的被遮挡的光伏支路对应的逆变器信息，调取其相应的光伏支路输出功率曲线，逆变器014320和012806在4个典型日的光伏支路输出功率曲线分别如图9和图10所示。图中，Pa为正常光伏支路的平均输出功率，P1为被遮挡光伏支路的输出功率；对于4个典型日，逆变器014320取7月1、6、12、14日，逆变器012806取7月11—14日。图10中标记了逆变器012806的遮挡起始与终止时段，其中，起始时段包括15:20、15:25和15:50，取最早时段15:20的前一个时段作为当前逆变器的遮挡起始时间；终止时段包括16:35、16:50、17:20和17:35，取最晚时段17:35作为当前逆变器的遮挡结束时段。

图10 逆变器012806在4个典型日的光伏支路输出功率曲线Fig. 10 Output power curve of PV branch of inverter No. 012806 in four typical days

智能监测与数据分析平台显示的因光伏支路被遮挡而损失的电量(即“遮挡损失电量”)占应发电量的比例如表2所示。

表2 遮挡损失电量占应发电量的比例Table 2 Proportion of electricity of occlusion loss in generating capacity

根据表2中的数据，可计算得到光伏电站整体的电量损失，从而为光伏电站发电能力提供定量评判标准。

4 结论

本文以光伏支路输出功率偏离度、光伏支路输出功率偏离度变化率和超限频次等作为核心分析参数，以数据预处理与筛除干扰数据等为辅助手段，综合光伏电站所在地的气象信息，通过智能监测与数据分析平台对光伏电站存在的光伏支路遮挡现象进行了识别。实例验证结果表明：智能监测与数据分析平台对光伏支路遮挡识别的准确率可达95%。相较于理论计算和人工识别，本文所提方法除具有经济、准确、快速和便捷等优势外，还包括以下创新：1)对数据进行5 min级别处理，有效避免了数据采集频次不稳定带来的影响，使每一台设备的每一个参数在时间段和数据量上保持一致，同时消除部分极大值和极小值的干扰；2)对太阳辐照度、直流电流、发电时段和光伏支路输出功率偏离度等数据进行筛选，最大限度地排除了偶发性因素造成的误判，提升了分析的识别准确度；3)对光伏支路输出功率偏离度、超限频次和超限时间跨度进行分析，分辨受遮挡的光伏支路，进而得到遮挡损失电量和受遮挡具体时段。