轨道交通沿线分布式光伏示范电站设计方案研究*

吉祥雨 李 晔 刘国桐 吴宗臻 王小锁

(1.铁科院(北京)工程咨询有限公司, 100081, 北京; 2.城轨创新网络中心有限公司, 100071, 北京∥第一作者, 助理研究员)

随着光伏建筑一体化系统的发展,越来越多的轨道交通车站开始大规模铺设光伏发电设施[1],但仍较少应用于轨道交通沿线地区,这是由于光伏电站选址不仅需考虑电力传输与光照强度的平衡问题,还需考虑安全性和维护问题:安全性问题即光伏发电系统稳定性导致的轨道交通电网用电安全,以及沿线部署光伏发电系统对线路限界可能造成影响所导致的安全隐患;维护问题即光伏发电系统部署时会依照当地光照条件调整倾斜角度和光伏阵列位置[2],使用过程中积沙、积尘等会引发泥带问题,严重时大幅影响光伏转化能效。以上问题导致轨道交通沿线土地光伏发电系统应用的实质性推进较为艰难。

装机容量为216 kW的轨道交通沿线分布式光伏示范电站(以下简称“光伏示范电站”)位于国家铁道试验中心,是我国首个应用于轨道交通沿线地区并网发电的分布式光伏项目,旨在探索推动我国轨道交通沿线大规模建设光伏电站的有效路径[3]。本文介绍了该示范电站的设计方案,并对该电站的实际运行数据及规律进行了分析。

1 光伏示范电站总体设计方案

结合场址具体情况,光伏示范电站项目针对线路间夹心地和沿线边坡两类典型轨道交通沿线光伏发电系统的铺设场地,划分为柔性支架光伏区域(以下简称“柔性支架区”)和钢结构支架光伏区域(以下简称“钢结构支架区”),共布置峰值功率为540 W的单晶光伏组件401块,装机容量共计216.54 kW。其中:柔性支架区位于线路间夹心地,装机容量为43.74 kW,布置1台输出额定功率为40 kW的组串式光伏逆变器;根据线路走势和光伏组件朝向不同,将位于沿线边坡的钢结构支架区划分为钢结构西南支架区、钢结构正南支架区。钢结构西南支架区装机容量为43.2 kW,布置1台输出额定功率为40 kW组串式光伏逆变器;钢结构正南支架区装机容量为129.6 kW,布置1台输出额定功率为110 kW组串式光伏逆变器。所有光伏发电系统均经光伏逆变器汇入400 V配电箱内,另设1套100 kW/204.3 kWh磷酸铁锂储能系统并入场区低压网。

结合光伏组件与储能模块的选定和安装需求,按照上述设计方案进行施工建设。光伏示范电站项目平面布置如图1所示。

图1 光伏示范电站项目平面布置

2 光伏示范电站能源管理系统设计

2.1 光伏示范电站能源管理系统需求分析

轨道交通沿线可铺设光伏的地块通常较为狭长,光伏组件敷设较为零散,且距有人值守车站存在一定距离,难以实现经济可行的数据有线传输与监测。因此,轨道交通沿线光伏示范电站能源管理系统的总体设计思想是利用物联网、云计算等技术手段[4],破解传统光伏电站运营模式存在的数据孤岛、响应低效等弊端。轨道交通沿线光伏示范电站能源管理系统的业务需求和功能需求如下。

2.1.1 业务需求

光伏电站能源管理系统应将采集后的数据面向运维、管理等业务需求进行数据汇总和维度扩展。该系统包括基础需求和定制化需求两类。基础需求包括用户管理、设备管理、数据统计与台账生成、可视化设计等[5]。定制化需求包括:

1) 用能分析,如光伏示范电站消纳水平分析、设备用能优化控制策略生成与辅助决策等;

2) 系统预测,如光伏示范电站发电趋势分析与设备用能趋势分析,电站用能调度策略生成等;

3) 运维管理,如设备健康管理、运维工单自动派发、碳资产管理与双碳服务等。

2.1.2 功能需求

光伏示范电站所需采集和监测的数据可分为电气侧、气象侧和维保侧三方面。其中:电气侧需获取光伏示范电站实时运行情况,包括光伏发电系统的电压、电流、功率、转换效率及总电能,储能系统的PCS(储能变流器)运行数据、SOC(荷电状态),以及并网点处测得的电压、电流及电量数据等;气象侧通常需同步监测光伏组件周边的温湿度、辐照强度及风速、风向等。考虑到轨道交通边坡距离远、维护难,且处于线路安全保护区范围内,因此,边坡光伏示范电站维保侧还应考虑对光伏组件积灰损耗水平、路肩/轨旁形变水平、车致振动水平、气动荷载等进行采集监测,以提升维保效率,确保行车安全。

2.2 光伏示范电站能源管理系统设计

光伏示范电站能源管理系统架构如图2所示。通过工业控制模块和数字仪表等设备,就近分散采集光伏示范电站的现场数据,使用云计算技术将该电站的并网逆变器、电能表、环境检测仪等设备数据通过以太网上传至云端服务器,用户可以通过监控计算机及移动设备对数据进行集中管理和记录[6]。光伏示范电站能源管理系统不仅能够监测光伏组件的电压、电流数据,而且可以监测光伏组件附近的环境参数,以及整个光伏示范电站的发电情况,为今后该系统的科研分析提供数据支撑。

图2 光伏示范电站能源管理系统架构

考虑到运维管理人员工作和项目展示需求[7],本项目配套开发轨道交通沿线分布式光伏及能源管控电子看板,对光伏发电系统发电侧、并网消纳侧等的关键运行参数进行展示。光伏示范电站能源管理系统界面见图3。

图3 光伏示范电站能源管理系统界面截图

3 光伏示范电站运行数据分析

3.1 示范电站运行数据分析

图4展示了2022年11月5日,3类地块光伏发电系统的发电量与瞬时功率随时间变化曲线[8]。从图4可以看出:光伏发电系统每日出力最多的时段通常集中于11:00—16:00,该时段约占全日总发电量的40%～50%。

a) 钢结构西南支架区

光照强度是影响光伏发电系统发电量的最直接因素。图5统计了光伏示范电站钢结构西南支架区日发电量和光照强度。由于天气原因,可见图5中11月11日、11月15日、11月24日光照强度大幅下降,其日发电量与相邻日期相比亦显著降低。

图5 光伏电站11月每日发电量及光照强度

3.2 出力相关性分析

为了分析轨道交通沿线光伏示范电站的发电量影响因素,本文采用神经网络拟合模型对关键影响因素与发电量进行拟合。光伏发电系统神经网络拟合模型架构如图6所示。

图6 光伏发电系统神经网络拟合模型架构图

在光伏示范电站2022年6月至2023年5月的监测数据中,随机选取70%的数据作为网络训练集,15%的数据作为网络测试集,剩余数据作为网络验证集。将影响光伏发电系统的关键影响因素(光照强度、温度及湿度)作为神经网络拟合模型的输入变量,将光伏发电系统的瞬时功率作为输出。光伏发电系统神经网络拟合模型的参数设置见表1。

表1 光伏发电系统神经网络拟合模型参数表

采用Levenberg-Marquardt算法进行模型训练。光伏发电系统神经网络拟合模型均方误差-迭代次数关系曲线如图7所示。由图7可以看出:在训练62个回合后,该模型均方误差-迭代次数关系曲线趋于稳定;在训练88次后,模型误差曲线趋于稳定。

图7 光伏发电系统神经网络拟合模型均方误差-迭代次数关系曲线

采用回归值R描述预测值与目标值间的相关性:R值越接近1,代表预测值与目标值间的关系越密切;R值越接近0,代表预测值与目标值间的关系随机性很大。图8为神经网络拟合模型预测值与目标值间的相关性。由图8可见:训练集的R值为0.846 64,测试集的R值为0.845 22,验证集的R值为0.849 98,全集的R值为0.845 78,神经网络拟合模型精度满足要求。

图8 神经网络拟合模型预测值与目标值间的相关性

设置3种常见的光伏电站环境:①光照强度为50 lx,湿度为40%,温度为10～40 ℃;②光照强度为50 lx,温度为8 ℃,湿度为15%～95%;③湿度为40 %,温度为8 ℃,光照强度为1～350 lx。利用训练好的神经网络拟合模型,预测温度、湿度和光照强度对光伏发电系统瞬时功率的影响,结果如图9所示。

注:光照强度为50 lx,湿度为40%。a) 瞬时功率-温度相关性曲线

由图9可知,在光照强度为50 lx、湿度为40%的条件下,光伏发电系统的瞬时功率随温度的上升而波动上升,且在15 ℃时达到峰值,而后波动下降。在光照强度为50 lx、温度为8 ℃的条件下,湿度小于60%时,湿度对光伏发电系统的瞬时功率基本无影响;湿度大于60%时,发电瞬时功率随着湿度的增加而快速减小。在湿度为40%、温度为8 ℃的条件下,光伏发电系统的瞬时功率随着光照强度的增加而不断增大,且在50～200 lx、250～300 lx区间内趋于稳定,而在其余区间近似线性增加。

4 结语

本文介绍了轨道交通沿线光伏示范电站及智能监测系统的设计方案,并对位于国家铁道试验中心的装机容量为216 kW光伏示范电站的实际运行数据及其规律进行了分析。采用神经网络拟合模型对关键影响因素和发电量间的关系进行拟合,预测周边温度、湿度、光照强度对光伏发电系统瞬时功率的影响。通过数据分析可知:冬季时段,该光伏示范电站的发电瞬时功率随着温度的上升而波动上升,且在15 ℃时达到峰值,而后波动下降。当湿度小于60%时,其对发电瞬时功率基本无影响;而当湿度大于60%时,发电瞬时功率随湿度的增加而快速减小。光照强度与光伏发电系统的瞬时功率呈正相关,且光照强度在50～200 lx与250～300 lx范围内趋于稳定,而在其他范围内近似线性增加。因此,光伏示范电站的选址应首要考虑光照强度,并尽量避免在高湿度及气候变化剧烈的地区建设。本文成果有助于研究光伏电站的选址方案,后续将利用该电站的相关运行数据,进一步开展轨道交通沿线光伏发电系统功率预测研究,有效提升光伏消纳率。