一种光伏电站智能清洗决策系统的建立方法与流程

本发明涉及一种光伏电站智能清洗决策系统的建立方法。

背景技术：

目前，太阳能光伏电站运维过程中存在着阵列清洗困难、清洗成本高、清洗时间难以把握等问题，也导致了光伏电站因阵列受灰尘遮挡而发电量降低，发电收益不满足预期。为光伏电站进行合理、有效的清洗决策，在清洗成本基本固定的前提下寻找动态的最佳清洗周期，是未来光伏电站智能运维、高效运维的必然要求。

光伏阵列的清洗决策，需根据电站发电情况，并综合考虑区域气候情况、灰尘积累情况等而制定。由于光伏阵列在自然环境中积灰情况是动态变化的，难以用一段时间的经验值来确定长期固定的清洗周期。另外，太阳辐射情况、雨雪等气象条件，也是影响清洗决策的重要因素。现阶段，光伏电站运营公司对电站内阵列的清洗往往仅依赖发电量数据，甚至仅依靠对现场阵列表面灰尘的观察判断。同时，由于光伏阵列清洗成本较高，难以高频次清洗，导致很多光伏电站长期不进行组件清洗，或直到发电量异常时才进行清洗。灰尘遮挡严重时，不仅对光伏电站的发电量有重要影响，也对光伏组件的安全运行有着显著影响，因此需要一套能够为光伏电站提供智能、合理的清洗决策系统，在固定的清洗成本投入下，最大限度地获得发电量收益。

使用本发明涉及的光伏电站智能清洗决策系统，能够为光伏电站提供基于动态实测数据的场区组件灰尘遮挡损失率，直观反映组件受灰尘遮挡的情况。在此基础上，通过算法分析计算，为光伏电站运维提供随环境条件变化的动态清洗周期决策，实现发电收益与清洗成本权衡的最优化，保障电站效益。

中国专利201510785343.8公开了一种实现光伏电站太阳能电池板智能清洗的系统及方法，其中包括环境采集装置，用以采集太阳辐射强度和太阳辐射量数据；发电信息采集装置，用以采集实际发电量；通信服务器，用以在环境采集装置、发电信息采集装置和数据处理服务器之间进行通信；数据处理服务器，用以计算光伏电站的理论发电量、理论发电收益和损失发电收益并判断是否需要清洗；显示终端，用以向用户展示清洗建议。该装置对积灰的效果分析不全，距离最优化配置仍有一定差距。

技术实现要素：

本发明的目的在于克服现有技术中存在的上述不足，而提供一种步骤简单，智能高效的光伏电站智能清洗决策系统的建立方法。该方法建立的光伏电站智能清洗决策系统能够保证准确、高效地获取电站某一时间段内的代表性灰尘遮挡损失率，并结合气象数据与电站发电量预测，综合提供电站光伏阵列的收益最大化清洗决策，为光伏电站运维提供智能、可靠的支持。

本发明解决上述问题所采用的技术方案是：一种光伏电站智能清洗决策系统的建立方法，其特征在于：依次包括如下步骤：

1）建立灰尘遮挡损失计算子系统：采用实地监测方式，选取光伏电站中一组或多组具有代表性的光伏阵列作为对比组，在对比组周围选取一组或多组光伏阵列作为参照组，对对比组和参照组分别进行实时发电量监测，并在实时发电量监测过程中对对比组进行定时清洗，对对比组的实时发电量监测结果与相同环境下自然积灰的参照组的实时发电量监测结果进行对比，计算得到对比组的灰尘遮挡损失率；

2）建立气象预测子系统：采用实地监测与外接气象数据互补的方式，实时获取电站区域气象情况和太阳辐射情况，为发电量预测提供支持；

3）步骤1）和步骤2）结束后，建立发电量预测子系统：根据所有光伏阵列的发电量情况，结合灰尘遮挡损失率，分别计算对比组的发电量变化情况和参照组的发电量变化情况，预测整个光伏电站在一个清洗周期内的发电能力；

4）步骤3）结束后，建立智能清洗决策子系统：收集步骤1）、步骤2）和步骤3）中所有处理结果，通过计算一个清洗周期内光伏电站总发电量收益函数与清洗成本函数之差的最大值，向电站人员反馈最佳的清洗周期，从而达到自动决策和智能清洗的目的。

灰尘遮挡损失计算子系统、气象预测子系统、发电量预测子系统和智能清洗决策子系统共同构成光伏电站智能清洗决策系统。灰尘遮挡损失计算子系统用于计算灰尘遮挡损失，气象预测子系统用于气象预测，发电量预测子系统用于发电量预测，智能清洗决策子系统用于反馈最佳的清洗周期，从而达到自动决策和智能清洗的目的。

灰尘遮挡损失计算子系统基于光伏阵列发电量的实地监测，其运行策略为：选取光伏电站场区内一组或几组有代表性的阵列，进行定时、高频次清洗，从而获得光伏阵列在无灰尘遮挡情况下的实时发电量数据。再通过监测标准阵列附近自然积灰的普通阵列发电量，进行折算对比，从而获得能够代表光伏电站的典型灰尘遮挡损失率。气象预测子系统与发电量预测子系统联合运行。气象预测子系统是光伏电站发电量预测的基础，采用实地太阳辐射监测与外接气象预报互补的形式，为发电量预测系统提供数据基础。发电量预测子系统则根据灰尘遮挡损失计算子系统提供的光伏电站典型灰尘遮挡损失率，计算光伏阵列分别在及时清洗与自然积灰条件下的发电量变化情况，预测全场区在一个清洗周期内的理论发电量。智能清洗决策子系统集成新型智能清洗决策算法，将光伏电站运行过程抽象为清洗点与自然积灰周期（统称清洗周期）相间的时间轴。在一个清洗周期内，借助函数算法计算及时清洗后全站阵列在自然积灰周期内的理论发电量，结合实时电价，计算发电量收益预测。然后，考虑清洗成本函数，计算发电量收益预测值与清洗成本之差，求取两函数之差的最大值，并将满足最大值条件的清洗周期天数n作为决策的最佳清洗周期。

本发明外接气象数据来源包括气象数据库和代表性气象站，气象数据库外接于国家气象部门，代表性气象站建立在光伏电站的场区内，代表性气象站包括太阳总辐射仪、环境温湿度传感器和风速仪。

本发明实施步骤1）之前，对光伏阵列的灰尘遮挡损失率进行一段时间的监测。

本发明步骤1）中对比组的监测电流为a1，参照组的监测电流为a2，电流值偏差为δ，则δ=（a1－a2）/a2。

本发明步骤3）中进行理论发电量和实际发电量计算，其中，第一天理论发电量为q1，第n天理论发电量为qn，qn=n×qn-1/（n－1），第n天灰尘遮挡损失率为δn，第一天实际发电量预测值为q1，第n天实际发电量预测值为qn，q1=q1，qn=qn×（1－δn），n≥2。

本发明步骤4）中光伏电站总发电量收益函数与清洗成本函数之差为f（t,δ），其中f（t,δ）=（qn－c）/t，c为固定的清洗成本，t为清洗周期，对f（t,δ）求最大值时，n=1时，q1采用实际监测值，预测第二日至第n日的实际发电量值，并计算目标函数值，第二日起，采用算法预测值逐日迭代，更新预测趋势，寻找函数最大值点的范围，从而确定最佳清洗周期t的值。

现有技术中，由于光伏电站组件数量庞大，场区占地广阔，且电站现阶段多施行“少人维护”的运维方式，导致电站组件阵列清洗困难，电站发电量难以保证，尤其体现在我国西北沙尘较严重区域的光伏电站。当前光伏电站的清洗决策多依靠人为判别，手段多为人工观察反馈，结合电站发电量监测数据。相比现有技术，本发明能够借助气象监测，通过实地检测定时、高频次清洗的标准阵列的发电量情况，自动计算光伏场区内灰尘遮挡损失率，合理分析全场阵列在清洗周期内及时清洗与自然积灰条件下的发电量变化，最终自主地为光伏电站人员提供基于实际情况的智能清洗决策，实现“发电量-清洗成本”的收益最大化。本发明提高光伏电站组件清洗的自动化、合理化、智能化以及最优化程度。

本发明一方面，从光伏电站运维的实际需求出发，通过实地监测动态的光伏组件阵列灰尘遮挡损失率，提供更为准确，更具代表性的光伏组件灰尘遮挡损失率，作为决策的数据基础。能够避免光伏电站仅依靠运维人员直观判断的盲目性，使得清洗决策拥有量化的计算基础。另一方面，采用自动化的算法计算模式，使清洗决策的制定更具有时效性，为光伏电站提供动态的、收益最大化的清洗周期。

附图说明

图1是本发明实施例的运行流程示意图。

图2是本发明实施例的灰尘遮挡损失率变化趋势的示意图，其中横坐标为电量偏差值，纵坐标为灰尘遮挡损失率，单位为%。

具体实施方式

下面结合附图并通过实施例对本发明作进一步的详细说明，以下实施例是对本发明的解释而本发明并不局限于以下实施例。

实施例。

参见图1至图2。

本实施例中光伏电站智能清洗决策系统由灰尘遮挡损失计算子系统、气象预测子系统、发电量预测子系统以及智能清洗决策子系统等构成。

其中，光伏电站智能清洗决策系统的建立方法依次包括建立灰尘遮挡损失计算子系统、建立气象预测子系统、建立发电量预测子系统以及建立智能清洗决策子系统。

（1）灰尘遮挡损失计算子系统：于光伏电站场区内，选择一组或几组标准阵列，作为定时清洗的对比组。采用定时、高频次清洗的方式，保证标准阵列的洁净程度，使之基本在不受灰尘遮挡的条件下运行，并实时其监测发电量情况。同时，也对标准阵列附近的多组正常阵列做发电量数据监测，正常阵列在自然积灰的条件下运行，随时间推移，积灰程度加重，其发电量情况将与标准阵列产生差距。通过对比数据，可以计算得到场区内的代表性数据，包括动态的灰尘遮挡损失率、清洗后光伏阵列的理论发电量、不做清洗时光伏阵列的发电量降低趋势等。这些数据将作为后续运算的基础。

该系统硬件主要包括集成在阵列汇流箱的数据采集器、阵列自动清洗装置。软件算法方面，主要为灰尘遮挡损失率的计算。

例如，选取一串加装自动清洗置的阵列为标准阵列，和附近一串普通阵列近7天的电流数据做对比，每天晚上0:00计算一次当天的电流偏差平均值（应注意，数据统计中剔除太阳辐照度小于200w/m²，以及电流值小于0.2a以及大于10a的情况）。对某一时刻的电流值偏差δ，用标准阵列电流a1与普通阵列电流a2监测值计算：

δ=（a1－a2）/a2

近7天平均偏差计算：

δ7=σ（δn×a2）/σa2

在系统正式投运前，需要对灰尘遮挡损失情况进行一段时间的监测，以便获得后续周期预测的基础数值，可以选择5天、7天或其他自定天数作为预测积累周期。本实施例中为1个月及以上。一般，剔除雨雪、大风等特殊情况影响，灰尘遮挡损失率应为波动递增的近线性趋势，如图2所示。在启动灰尘遮挡预测周期时，可以设定周期内前3天采用上一周期平均灰尘遮挡损失斜率，获得了灰尘遮挡损失率的周期数据。

（2）气象预测子系统：该由两部分组成。其一是外接于国家气象部门的气象数据库，可以实时获得光伏电站区域的气象历史、预报，为发电量预测做基础。其二是建立在光伏电站场区内的代表性气象站，包括倾角与场区阵列一致的太阳总辐射仪、环境温湿度传感器、风速仪等。以历史与预报气象数据为基础，结合实际监测的太阳辐射数据，为后续的发电量预测系统提供数据。

（3）发电量预测子系统：该系统负责接收灰尘遮挡损失计算系统提供的灰尘遮挡损失率参数与标准阵列发电量参数，结合气象预测系统提供的太阳辐射数据与气象预测数据，对光伏电站全站开展发电量预测。一方面，计算全站组件即时清洗后，为期n天的清洗周期内的理论发电量，此时需要将这一期间的动态灰尘遮挡损失率的增长考虑进计算中，故在清洗周期n天内，理论的发电量呈下降趋势。另一方面，计算不清洗情况下，随组件自然积灰不断增长，电站的预计发电量情况。将两方面的发电量预测重合比对，向用户反映清洗与否的发电量对比态势。

该系统发电量预测公式如下：

1）理论发电量预测：主要考虑天气因素对电站发电量的影响，结合气象预测子系统提供的天气预测数据与预测开始前上一周期的实际发电量数据，采用平均替代的方法，逐日预测电站理论发电量，预测算法如下：

设第一天理论发电量q1已知，则

q2=2×q1/1

q3=3×q2/2

q4=4×q3/3……

qn=n×qn-1/（n－1）

2）实际发电量预测：主要考虑灰尘遮挡损失率δn对电站发电量的影响，采用理论发电量预测值为计算基础，设预测开始时，组件已清洗或阵列积灰可忽略，则每日实际发电量预测如下：

q1=q1

q2=q2×（1－δ2）

q3=q3×（1－δ3）

q4=q4×（1－δ4）……

qn=qn×（1－δn）

（4）智能清洗决策子系统：作为清洗决策的核心子系统，决策子系统负责收集前序全部系统的处理结果，结合设定的预计清洗成本，通过函数算法计算清洗周期内，清洗后发电量收益与清洗成本做差的最大值，从而确定清洗周期天数t，指导电站开展组件清洗作业。

清洗决策算法以求出清洗收益函数最大值为目标，即maxf（t,δ）。

f（t,δ）=（qn－c）/t

式中，qn为实际发电量预测值，c为固定的清洗成本，t为清洗周期。

对f（t,δ）求最大值时，启始日（n=1）时，采用实际监测值，预测第二日至第n日的实际发电量值，并计算目标函数值。第二日起，采用算法预测值逐日迭代，更新预测趋势，寻找函数最大值点的范围，从而确定最佳清洗周期t的值。

此外，需要说明的是，本说明书中所描述的具体实施例，其零、部件的形状、所取名称等可以不同，本说明书中所描述的以上内容仅仅是对本发明结构所作的举例说明。凡依据本发明专利构思所述的构造、特征及原理所做的等效变化或者简单变化，均包括于本发明专利的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。