光伏板污秽度状态评价及清扫决策系统的研究

李佳奇,李 爽,李 斌,刘碧琦,王 亮

(1.国网辽宁省电力有限公司电力科学研究院,辽宁 沈阳 110006;2.国网辽宁省电力有限公司信息通信分公司,辽宁 沈阳 110006;3.沈阳工程学院,辽宁 沈阳 110136)

0 引言

气候变化是全人类共同面对的全球性重大课题,伴随着化石能源大量消耗,温室气体的排放也不断增加,引发的各种生态问题亟待解决。对此,国家提出“碳达峰”、“碳中和”,构建新型电力系统目标愿景,完善多元化清洁能源供应体系,为我国夯实经济发展基础提供新导向和新机遇［1-4］。其中,太阳能受到人们越来越多的关注。太阳能资源是一种取之不尽、用之不竭的绿色能源。以辽宁朝阳新能源电站为例,以清洁、环保为主要特点的光伏发电产业正在不断涌现,光伏产业的收益也呈迅速上升趋势。辽宁朝阳新能源现场如图1所示。

图1 辽宁朝阳新能源现场

无论是分布式光伏发电还是大型地面光伏发电,其最终目的都是利用太阳能转换为电能。然而,光伏板发电效率因受到灰尘遮挡而大打折扣,通常损耗可达到5%,甚至高达10%,严重时也会发生光伏组件烧损的情况［5-6］。以20 MW典型地面光伏电站为例,以光伏板受到灰尘遮挡造成的经济效益损失每年近千万元。因此,光伏板表面清扫技术成为光伏发电产业研究的关键问题之一。合理的清扫决策可提高光电转换效率,提升发电效率性价比,使经济效益最大化。

1 系统设计原理

光伏板污秽度状态评价及清扫决策系统主要由参数获取单元、数据中心单元、评价决策单元、后台及移动终端、清扫单元等模块组成。系统架构如图2所示。

图2 系统架构流程

1.1 参数获取单元

参数获取单元是从光伏监视平台采集计算机设定地址的光伏板区块发电量、光伏电站总发电量、发电效率等工作状态数据,用以决定能否将获取到的信息发送至数据中心单元。参数获取单元包括参数监测模块和限制报警模块,参数监测模块与光伏监视平台通信连接,用于获取光伏板区块发电量、光伏电站总发电量、发电效率等工作状态数据,限值报警模块与参数监测模块通信连接,对所收集的参数进行判断,对比所设定的门限值与实际采集数据大小关系,以决定能否将获取到的信息发送至数据中心单元,若实际值大于门限值,则不报警,否则参数获取单元将获取的光伏板区块发电量、光伏电站总发电量、发电效率等工作状态数据等电站运行的关键数据输出到数据中心单元。

1.2 数据中心单元

数据中心单元的气象信息数据以光伏板所在地理位置的网络气象数据为依据,通过5G网络发送至数据中心单元;各光伏板阵列分区、完成全站清扫支出费用数据、完成全站清扫的发电效率、发电量、利润数据通过历史数据进行推算,并在数据中心单元中进行人工设定。

1.3 评价决策单元

评价决策单元用于对数据中心单元中的各种数据进行处理、判断,给出光伏板执行清扫判据。该评价决策单元通过BP神经网络进行建模,神经网络首先经过数据集的训练,能够表征电站各种数据的原始特征,以电站经济收益最大化为原则,建立数学模型对输入的数据进行综合分析［7］。所制定和输出的清扫执行数据方案包括清扫位置、清扫周期、清扫频次等内容。

1.4 后台及移动终端

后台及控制中心由MCGS完成组态和联网,以modbus协议传输决策数据至指定单元,并由清扫执行单元完成清扫工作。

移动终端由安卓手机构成,其具备可实时观测光伏电站各个参数的APP,电站运维人员可实时通过手机来了解电站的各项参数。

1.5 清扫单元

清扫单元设计为符合光伏板尺寸结构的机器人,可牢固地固定在光伏板阵列区。其内部主要由步进电动机、清扫电动机、毛刷等结构组成,由主控室提供的指令完成光伏板清扫操作。

2 系统硬件设计

2.1 环境模拟量采集模块设计

采用一体化温湿度传感器DHT11模块,将其通信引脚DQ连接到单片机的P3.2引脚,并依据单总线通信协议编程完成太阳辐射度采集;采用GY-30模块,将其时钟和数据引脚分别连接至单片机多主从串行总线,并依据ⅡC总线通信协议完成太阳辐射度采集;采用ZPH02模块,将其TXD、RXD引脚连接至单片机异步串行通信总线,并以UART协议完成灰尘颗粒物浓度采集。因上述模拟量采集传感器均为数字化信号传输,只需要根据芯片手册时序逻辑完成编程读取对应寄存器地址值,即可获取对应的环境模拟量。环境模拟量与单片机引脚连接如图3所示。

图3 环境模拟量与单片机引脚连接图

2.2 光伏板硬件模块设计

2.2.1 基准源模块设计

由于单片机内部的模拟数字转换器容易受到温度影响导致较大的误差,为了准确测试电压,采用基准源电路TL431产生2.5 V的基准电压Uref。R6起限流作用,利用多圈电位器R7作为基准源电压的精确调整。由于TL431具备较低的输出阻抗,故可以直接将其调整端连接至单片机的P1.7引脚作为参考电源。基准源电路设计如图4所示。

图4 基准源电路与单片机引脚连接图

2.2.2 光伏板电压采集模块设计

光伏板电压采集电路如图5所示。

图5 光伏板电压采集电路

为了有效采集光伏板的输出电压,设计了R1,R2 2个电阻对光伏板输出电压进行衰减,衰减比例K1为

(1)

通常衰减倍数为11倍,可取R1为100 kΩ,R2为10 kΩ。为保证衰减后的信号不失真,信号经过运算放大器U1A设计的电压跟随器完成阻抗变换。信号经过U2A设计的同向比例放大电路,其放大倍数K2为

(2)

负反馈电阻Rf的电阻值应满足当光伏板最大电压输出时,经过调节,运算放大器U2A尽可能达到后续AD转换器的满量程电压值。此外,为了提高系统电压采集的信噪比,设计了由C1、C2、R5构成π型滤波器以消除测试信号中的干扰。同时,设计了双5.1 V稳压管DW1、DW2反向串联构成双向过压保护电路,满足对输入的测试电压进行嵌电位保护。经模拟信号网络衰减后的光伏板输出电压Ux连接至单片机P1.6引脚完成光伏板电压信号采集,可得光伏板实际电压Vbat为

(3)

式中:Vref为高精度电压表读取到的基准源电压值;ADbat为单片机获取的分压电阻位置AD值;ADref为单片机获取的基准源AD值。

2.3 无线数据传输模块

引入ESP8266无线WiFi 芯片完成采样数据的无线通信。芯片内核为32位ARM,在满足小型化的同时保障了系统数据传输质量。

3 系统算法设计

3.1 BP神经网络

BP神经网络(back propagation,BP)是一种按误差逆向传播算法进行网络训练的多层前馈型神经网络,是目前大量应用的神经网络模型之一(artificial neural network,ANN),具有较强的自适应性和学习能力、非线性映射能力、鲁棒性和容错能力,这些优点可以促进控制系统智能化水平大幅提升,因而成为智能控制的新方向。人工神经网络模拟人的智能是基于人体大脑生理结构及信息传导分析过程来实现［8］。

BP神经网络是基于最小二乘法的数学思想,同时具备信息正向和误差逆向传播环节,基于梯度搜索方法逆向修编网络权值,通过循环反馈使得网络的最终输出与期望输出的实现最小误差均方值。BP神经网络模型由输入层、隐含层和输出层3层神经元组成［9］。BP神经网络模型结构如图6所示。

图6 BP神经网络模型结构

输入层的作用是将外部信息传递到神经网络中,隐含层的修正权系数大小可影响全局多层神经网络的效果,输出层作为数据接口,可将神经网络的信息反馈到外部。

模糊神经网络利用模糊隶属函数,完成输入信息的模糊处理,并转换成介于0～1的值,并作为BP神经网络的输入变量。选择模糊隶属函数可降低外来因素导致的误差。

3.2 光伏板污秽度状态评价神经网络建模

对光伏板污秽度状态评价选用相对误差 (RE) 和均方根误差(RMSE)评价光伏发电预测模型的预测效果。RE和RMSE的计算如下:

(4)

(5)

式中:X为实际测量的日光伏发电总量;Y为预测的日光伏发电总量;Xi,Yi分别为元素个数为i时实测和预测的日光伏发电总量;n为测试样本中的元素个数。

数据中心单元中存储的重要参数设计为8个:b1为光伏板地理位置区块发电量;b2为光伏板地理位置全电站总发电量;b3为光伏板地理位置气象平均温度;b4为光伏板地理位置气象平均湿度;b5为光伏板地理位置日太阳总辐射;b6为光伏板地理位置空气颗粒物浓度;b7为光伏电站执行清扫区块工作增加的利润与支出之差;b8为光伏电站执行清扫全站增加的利润与支出之差。其模糊隶属函数分别为

由于对输入数据首先进行了模糊隶属度处理,因而本智能评价决策系统的神经网络在神经网络的输入层前增加一个模糊器隶属层,用于对输入量进行模糊隶属处理,形成输入层的输入信号,设计的拓扑结构如图7所示。

图7 改进后BP回归神经网络的拓扑结构

由系统实际输入和输出的参数可知,该广义回归神经网络共有8个输入节点(X1～X8),5个输出节点(Y1～Y5),输出参数分别为Y1为待清扫光伏区块编号;Y2为待清扫光伏区块清扫工作时间;Y3为待清扫光伏区块清扫工作周期;Y4为光伏电站执行清扫区块工作增加的利润与支出之差;Y5为光伏电站执行清扫全站增加的利润与支出之差。

从获取到的光伏电站各种实时监测数据及其历史数据中,采用具备代表性的多组数据样本完成神经网络学习过程,网络学习函数为西格蒙德函数。

当实际输出与期望输出超过偏差阈值时,执行误差的逆向传播模块,误差越过输出层,通过判断相对误差(ERE)和均方根误差(ERMSE),以误差梯度趋于零点的办法调整各层权值,并向模式层、输入层逐层反传。

3.3 光伏板污秽度状态评价自学习流程

通过不断训练,建立稳定的神经网络结构,最终将本智能评价决策系统中的数据中心单元所收发与存储的在线光伏电站数据,经过模糊化隶属处理,输出相应的智能决策结果。通过循环执行信息正向传播和误差反向算法,修正不同层权值,直至相对误差(ERE)和均方根误差 (ERMSE)满足实际要求,也可按照指定的学习次数进行,直至达到设定训练次数。改进后BP经网络学习流程如图8所示。

图8 改进后的BP经网络学习流程

评价决策单元配置有光伏监视平台通信的光纤有线通信接口和光伏电站运维人员手机通信的无线传输模块。可以通过光纤有线通信方式反馈到光伏监视平台,也可以利用5G无线通信方式推送到光伏电站运维人员的手机APP或微信小程序。光伏电站运维人员将评价决策方案以命令的形式发送到光伏组件清扫系统,完成组件清扫。

在实施过程中,若限值报警模块发生报警,经过数学模型推理和分析后,若电站清扫后得到的经济收益小于成本费用,或根据气象信息数据,综合考虑光伏板评价结果及清理后突发的各种恶劣天气,可避免高频次执行清扫工作。光伏电站完成数据中心单元输出的评价决策方案后,如不符合限值报警模块中门限值的指标,则重新执行该系统流程。

4 结语

以神经网络算法实现光伏板污秽度状态评价及清扫决策,可提高测试和评价结果准确度,大幅缩短检测的前期准备工作时间。相对传统人工定期清扫,可使经济效益最大化,具有广泛应用前景。

以神经网络算法实现光伏板污秽度状态评价及清扫决策具备较高的实用性,不仅可提高测试和评价结果准确度,同时大幅缩短检测的前期准备工作时间。相对传统人工定期清扫,可促进经济效益最大化和清洁低碳转型,打造能量监控数字孪生,助推能效提升生态圈,具有广泛的应用前景。在以新能源为主体的新型电力系统发展背景下,利用改进型BP神经网络实现清扫决策的模型,可为构建新型电力系统目标愿景及完善多元化清洁能源供应体系提供参考。