本发明涉及分布式能源领域，尤其涉及一种积灰致光伏发电量损失预测方法以及光伏组件清洗判断方法。
背景技术：
：光伏组件长期在暴露在室外，尤其是在降雨量少的地区，空气中存在大量的灰尘，经过大气沉降极易附着在光伏组件表面，灰尘颗粒会对入射的太阳光进行吸收或散射，影响光伏发电系统效率；而且光伏组件表面灰尘的不均匀分布会影响光伏发电的热平衡，光照会使光伏组件表面受遮挡部分的温度远大于未遮挡部分的温度，受遮挡部分长期温度过高导致光伏组件局部烧毁，出现热斑，影响光伏的发电效率和使用寿命，甚至会出现安全隐患；因此，及时对光伏组件进行清洗尤为重要。现在光伏组件清洗多是固定的清洗周期或通过运维人员通过巡视现场情况来决定，但是这种人为观察的方式受主观因素的影响较大，且固定的清洗周期和人为观察不能确保使光伏电站的经济效益达到最大化，固定的光伏清洗周期或通过人工巡视现场判断是否清洗，都没有定量分析清洗挽回损失及灰尘造成损失间的关系，不能得到最优化解决清洗方案。定量分析灰尘造成的光伏发电效率的损失量，可解决上述问题。而现有的涉及到光伏清洗周期计算的文献或专利中，对环境因素的要求比较高，需要知道降尘量、降雨量、降雨周期等变量，但由于这么数据比较难获得，而且不用地区降尘降雨情况差别较大，得到所有地区数据成本太高。现有的涉及到光伏清洗周期计算的公开文献或专利文件中，主要是计算连续晴天的光伏清洗周期，对于雨雪天气的情况并未涉及。技术实现要素：有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是提供一种能够根据现有环境测量仪数据和历史数据，结合天气情况，计算并预测灰尘引起的发电量损失量，为制定光伏组件最优清洗方案奠定基础的方案。为实现上述目的，本发明提供了一种积灰致光伏发电量损失预测方法，包括：第一步骤：确定预定时间段内单日由于灰尘引起的发电量损失及对应的单日天气参数；第二步骤：根据预定时间段内单日由于灰尘引起的发电量损失及对应的单日天气参数建立积灰引起的发电量损失预测模型；第三步骤：获取未来天气参数，并基于所述预测模型预测未来某一天或某几天的积灰引起的发电量损失。如权利要求1所述的积灰致光伏发电量损失预测方法，其特征在于：所述第一步骤具体包括：i设置第一光伏组件a和第二光伏组件b，所述第一光伏组件a和第二光伏组件b均为清洁，且容量和大小相同；ii将第一光伏组件a和第二光伏组件b置于相同环境同时进行发电，并始终保持第一光伏组件a清洁，让第二光伏组件b自然积灰iii获得预定时间段内第i天的天气参数，第一光伏组件a日发电量wai，和第二光伏组件b日发电量wbiiv计算第0天到第n天的累积灰尘引起的发电量损失：v计算第n天的日灰尘引起的发电量损失：δwn′＝δwn-δwn-1优选地，所述第一光伏组件a日发电量所述第二光伏组件b日发电量其中，paij是第i天j时刻采集到的第一光伏组件a的逆变器发电功率，pbij是第i天j时刻采集到的第二光伏组件b的逆变器发电功率，为第一光伏组件a的日发电量；为第二光伏组件b的日发电量；t为一个采样周期；n为每天总的采样点数；优选地，所述第二步骤具体包括：i采用神经网络建立预测模型，确定神经网络的输入变量为单日天气参数，确定神经网络的输出变量为发电量的损失量ii以预定时间段内单日由于灰尘引起的发电量损失以及对应的单日天气参数为基础，选取训练集和测试集iii采用训练集和测试集训练并测试所述预测模型，使其输出达到一定精度；优选地，所述天气参数包括：温度、当日第一天气类型、当日第二天气类型。优选地，所述天气参数来源于天气预报。为实现上述目的，本发明还提供了一种光伏组件清洗判断方法，其特征在于包括：第一步骤：确定预定时间段内单日由于灰尘引起的发电量损失及对应的单日天气参数；第二步骤：根据预定时间段内单日由于灰尘引起的发电量损失及对应的单日天气参数建立积灰引起的发电量损失预测模型；第三步骤：获取未来天气参数，并基于所述预测模型预测未来某一天或某几天的积灰引起的发电量损失；第四步骤：基于预测数据判断未来第m天是否需要清洗光伏板。优选地，所述第四步骤具体包括：若积灰n+m天发电量累积损失金额大于或等于光伏清洗人工成本，并且未来预定期限内不会下雨，则判断需要清洗；否则，判断不需要清洗。优选地，所述m＝1，所述未来预定期限为1-10天。本发明能够在不添加额外传感器及购买其他数据的情况下，根据现有环境测量仪数据和历史数据，结合天气预报情况，计算并预测灰尘引起的光伏发电量损失量，进而判断明天是否需要清洗光伏组件，给出合理的清洗建议。以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。附图说明结合附图，并通过参考下面的详细描述，将会更容易地对本发明有更完整的理解并且更容易地理解其伴随的优点和特征，其中：图1是根据本发明优选实施例的基于搜索积灰致光伏发电量损失预测方法的光伏组件清洗判断方法的总体流程图。图2是本发明优选实施例采用的神经网络预测模型架构的示意图。图3是根据本发明优选实施例的基于搜索积灰致光伏发电量损失预测方法的光伏组件清洗判断方法的判别步骤的流程图。图4示出了日灰尘引起的光伏发电量损失量曲线。需要说明的是，附图用于说明本发明，而非限制本发明。注意，表示结构的附图可能并非按比例绘制。并且，附图中，相同或者类似的元件标有相同或者类似的标号。具体实施方式图1是根据本发明优选实施例的积灰致光伏发电量损失预测方法的流程图。如图1所示，根据本发明优选实施例的积灰致光伏发电量损失预测方法包括：第一步骤s1：确定预定时间段内单日由于灰尘引起的发电量损失及对应的单日天气参数；具体地，例如，获取容量和大小相同的光伏组件在经过清洗和未经清洗的状态下的日发电量，通过将经过清洗的光伏组件的预定时间段内的日发电量减去未经清洗的光伏组件的预定时间段内的日发电量的差值计算为预定时间段内单日由于灰尘引起的发电量损失。由于光伏组件表面的积灰程度以及光伏组件所在地的降尘量和降雨量等数据难以拿到，因此很难直接通过建立积灰模型计算光伏发电效率的影响，只能间接计算灰尘带来的发电量损失。在此保证其他自变量影响不变，将灰尘因素作为唯一的自变量进行控制，通过设计实验对比排除其他因素的影响，得到灰尘带来的发电损失。理论发电量的计算可以通过以下方式获得：式中，ppv为光伏组件的输出有功功率；ypv为光伏组件的额定容量，表示光伏组件在标准测试条件下的输出功率，单位为kw；为标准测试条件(standardtestcondition，stc)下的太阳辐照强度，单位为kw/m2，是一个常量；αp是光伏电池组件的功率温度系数，单位为％/℃，是一个常量；tc，stc为标准测试条件下的光伏组件温度，单位为℃，是一个常量；为实际环境下的太阳辐照强度，单位为kw/m2；tc为当前环境下光伏组件温度，单位为℃；f为光伏组件系统效率。影响光伏组件输出功率的变量中，tc，stc和不受光伏组件表面积灰程度的影响，因为采集到的光伏发电功率数据为逆变器的输出功率，因此效率f要考虑：光伏组件效率，逆变器转换效率、线路损失、灰尘因子等。由理论发电量的计算公式可知，要排除其他因素的影响，在设计实验对比对象时，需选择性能、容量、材质相同的光伏组件，选择相同型号的逆变器，光伏组件的摆放位置以及倾斜角度也要尽量一致。假设实验对比对象为光伏组件a和光伏组件b，不同的是组件a每天早上进行清洗(清洗时间最好是在未开始发电之前)，组件b不对其进行清洗，其他条件完全一致，连续进行30天实验，并将每天的实验数据以每一个小时采集一次的频率进行存储记录。采集的数据包括环境测量仪的数据，例如：辐照强度、温度、湿度、日照时数等；逆变器的数据，例如：逆变器的输入电压电流、输出三相电压电流、发电功率、发电状态等。主要实验步骤如下：(1)进行实验环境及实验设备的搭建，安装第一光伏组件a和第二光伏组件b，第一光伏组件a和第二光伏组件b均为清洁的，且容量和大小相同；(2)将第一光伏组件a和第二光伏组件b置于相同环境同时进行发电，并始终保持第一光伏组件a清洁，让第二光伏组件b自然积灰。具体地，在实施时，可以清洗第一光伏组件a以确保第一光伏组件a的清洁，例如第一光伏组件a保持每日清洗，第二光伏组件b不清洗，并以一定采样周期进行数据采集，假设第i天j时刻采集到的第一光伏组件a的逆变器发电功率为paij，第二光伏组件b的逆变器发电功率为pbij；(3)对采集到的数据进行预处理，由于通讯管理机可能会出现故障，首先要对采集到的数据进行处理，排除采不到数据的情况或数据卡死的情况，能补救的数据通过插值方法进行补救；(4)获得预定时间段内第i天的天气参数，第一光伏组件a日发电量wai，和第二光伏组件b日发电量wbi。具体地，可以计算第一光伏组件a和第二光伏组件b的第i天的日发电量wai、wbi：其中，wai为第一光伏组件a的日发电量，单位为kw·h；wbi为第二光伏组件b的日发电量，单位为kw·h；t为一个采样周期，单位为h；n为每天总的采样点数，(5)计算第0天到第n天的累积灰尘引起的发电量损失：(6)计算第n天的日灰尘引起的发电量损失：δwn′＝δwn-δwn-1(5)第二步骤s2：根据预定时间段内单日由于灰尘引起的发电量损失及对应的单日天气参数建立积灰引起的发电量损失预测模型；例如，在优选实施例中，首先，采用神经网络建立预测模型，确定神经网络的输入变量为单日天气参数，确定神经网络的输出变量为发电量的损失量；随后以预定时间段内单日由于灰尘引起的发电量损失以及对应的单日天气参数为基础，选取训练集和测试集；然后采用训练集和测试集训练并测试所述预测模型，使其输出达到一定精度。日灰尘引起的发电量损失量的计算方法已知，由环境测量仪或天气预报还可知未来几天的日平均温度、天气状况、风速等数据，输入机器学习模型，通过大量的训练数据，自学习训练天气和日灰尘引起损失量之间的仿真关系模型(为保证仿真模型的准确性，需对输入数据进行预处理)。据此关系模型，可由预报的辐照、天气数据预测日灰尘引起的发电量损失量。在此采用多输入单输出的bp网络建立预测模型，此处选用三层神经网络。神经网络预测模型的训练和预测步骤如下：(1)确定神经网络的输入输出变量：根据能采集的光伏及环境数据，确定神经网络的输入节点数为4，输入变量为：日最高温、日最低温、天气类型1、天气类型2；输出节点个数为1，输出变量为：日灰尘引起的发电损失量；隐含层节点个数按通用经验公式确定为3。其中，天气状况一般是由晴、阴、雨等文字描述的，特别是在一天内会出现天气变化的情况，例如：晴转多云、多云转阴等天气情况，所以，将一天的天气由第一天气类型1、第二天气类型2组合表示。并且，为了定量表示天气的影响，对天气类型进行量化处理，天气类型赋值情况如表1所示。神经网络预测模型架构如图2所示。表1天气类型量化情况天气类型量化系数晴1.6多云1.2阴09小雨、阵雨、雷阵雨0.7中雨、雷阵雨并伴有冰雹、04大雨0.25暴雨、大暴雨、特大暴雨、雨夹雪、冻雨0.1阵雪、小雪、中雪、大雪、暴雪0.05(2)选取训练集和测试集神经网络模型建立后，将获取的30天的实验数据作为训练数据训练神经网络模型，当模型训练精度达到要求后，根据天气预报数据预测未来几天的日灰尘引起的发电量损失量。第三步骤s3：获取未来天气参数，并基于所述预测模型预测未来某一天或某几天的积灰引起的发电量损失；具体地，所述天气参数可包括：温度、当日第一天气类型、当日第二天气类型。进一步优选地，所述天气参数来源于天气预报。在本步骤中，利用训练好的模型做预测。具体地说，例如，模型训练完成后，如果天气预报能预报未来15天的天气，便能通过训练的模型预测未来15天的日灰尘引起的发电量损失量。得到未来的发电量损失情况后，便能进一步设计清洗方案。第四步骤s4：基于预测数据判断未来第m天是否需要清洗光伏板。具体地，例如，若积灰n+m天发电量累积损失金额大于或等于光伏清洗人工成本，并且未来预定期限内不会下雨，则判断需要清洗；否则，判断不需要清洗。优选地，所述m＝1，所述未来预定期限为1-10天。具体实施步骤如下：(1)已知实验测得功率，由公式(2)-(4)可计算n天的灰尘累积引起的发电量损失量：δw1、δw2、···、δwi、、···、δwn-1、、δwn；(2)由公式(5)计算可得到n天内每天的日灰尘引起的发电量损失量：δw1′、δw2′、...、δwi′、...、δwn-1′、δwn′；(3)预测可得未来m天的日灰尘引起的发电量损失量：δwn+1、δwn+2···δwm；(4)则未来m天的灰尘累积引起的发电量损失量：δwn+δpn+1′，δwn+δpn+1′+δpn+2、…、δwn+δpn+1+…+δpn+m；(5)根据已知量和预测量，可计算由于灰尘累积造成的经济损失，计算公式如下：其中，a表示该地区新能源的上网电价。(6)假设现有光伏组件清洗的人工成本为b元，判断明天是否需要清洗。具体地，如图3所示，计算光伏清洗人工成本b以及上次清洗后到明天为止发电量累积损失金额s；随后判断上次清洗后到明天为止发电量累积损失金额s是否大于光伏清洗人工成本b，并且同时根据天气预报判断在未来预定天数内会不会下雨(例如，未来五天有没有雨)；在判断上次清洗后到明天为止发电量累积损失金额s大于光伏清洗人工成本b，同时判断判断在未来预定天数内不会下雨(例如，未来五天没有雨)，则判定需要对光伏板进行清洗；由此给用户推送需要清洗光伏板的信息。在本发明中，有利的是，判断了在未来预定天数内会不会下雨，从而避免了在清洗完光伏板之后又下雨而导致浪费人力的情况。可以看出，本发明不需要额外增加传感设备，通过实验预测发电量损失量进而得到损失金额，可准确判断未来光伏组件是否需要清洗，并可根据天气变化情况每天进行更新，相对于固定清洗周期，此方案更加灵活可靠。本发明直接给出光伏组件是否需要清洗的结论，且考虑天气(雨天)对光伏组件清洗时间的影响，相对于固定清洗周期而言，更加灵活可靠，且能挽回一定的经济损失。<具体示例>以光伏额定容量为35.6kw的光伏组件为例，选取天气状况较好的16天进行实验，假设卖电0.8元，根据调研情况，1mw光伏组件清洗一次的人工费用在5000元左右，则清洗实验光伏组件一次的费用为300元左右。实验测得日灰尘引起的光伏发电量损失量，结果如下所示：清洗后天数δp′(kw·h)日损失(元)000131725.36236.329.04350.640.48462.349.84570.556.467862.47116.192.888177.3141.849261.7209.3610302.6242.0811344.3275.4412410.8328.6413429343.2由实验测得的相关数据，可发现在连续晴天的情况下，日灰尘引起的光伏发电量损失量曲线如图4所示。因为不知光伏组件何时清洗比较合适，所以，每天在采集发电数据的同时，计算并预测明天的日灰尘引起的光伏发电量损失量及损失金额，便可判断明天是否要清洗。因为预测需要历史数据，所以我们从清洗后第五天开始预测：神经网络模型预测清洗后第五天的发电量损失量为67.2kw.h，清洗后第五天的实际损失量为70.5kw.h，预测误差为4.3％，满足预测精度要求。进一步计算第五天的累积损失金额s＝198.48元，损失金额小于清洗成本，因此得出结论：第五天不需要清洗光伏组件。预测清洗后第六天的发电量损失量为：76.32kw.h，清洗后第六天的实际损失量为78kw.h，预测误差为2.15％，满足预测精度要求。进一步计算第六天的累积损失金额s＝259.54元，损失金额小于清洗成本，因此得出结论：第六天不需要清洗光伏组件。预测清洗后第七天的发电量损失量为：88.4kw﹒h，清洗后第七天的实际损失量为116.1kw﹒h，预测误差为23.8％，满足预测精度要求。进一步计算第七天的累积损失金额s＝30.72元，损失金额大于清洗成本且未来几天都是晴天，因此得出结论：第七天需要清洗光伏组件。上述说明示出并描述了本发明的优选实施例，如前所述，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。当前第1页12