关于光伏电站智能清洗模型及实例探究

关于光伏电站智能清洗模型及实例探究

王皓

上海来有信信息技术有限公司 上海 200000

摘要：对于光伏电站来说，定期清理灰尘可以为组件发电情况予以相应保障，但在清洗过程中需要耗费诸多成本与人力。为了从根本上确保光伏电站组件清洗效果，并适当降低光伏电站组件的清洗成本，光伏电站需要将重点放在智能清洗模型上，通过智能清洗模型达成最终目的。基于此，本文以光伏电站智能清洗为基础，先行表明光伏发电站组件表面积灰的实际影响、现存问题以及清洗方式，继而探究光伏电站智能清洗模型的构建，最后以某发电站为例，提出智能清洗模型的应用效果。
关键词：光伏电站；智能清洗模型；应用实例
前言：近几年，光伏能源逐渐变成主要能源之一，主要因为其具备一定清洁效果，还能降低能源消耗对于环境、人体等多方面的危害，但由于光伏能源无法通过人力进行控制，所以维护过程难度较大。目前，我国光伏电站数量持续增多，各种问题也随之开始不断出现，其中最为严峻的问题之一便是灰尘清洗，大量灰尘会降低组件运转效率，限制组件的发电效果，所以大部分光伏电站都会定期清洗组件上的灰尘，但清洗过程需要耗费一定时间和成本，这样光伏电站的经济效益就会有所降低，因此，光伏电站需要将智能清洗构建作为首要任务。
1.光伏发电站组件表面积灰的综合概述

1.1 表面积灰的实际影响

根据光伏电站工作人员的描述，目前光伏阵列除尘存在以下问题:(1)在除尘过程中，经常出现光伏阵列输出下降，P-V特性曲线波动，MPPT算法失效等一系列降低光伏发电效率的现象。(2)在自然条件下光照强度和温度大致相同的连续两天，光伏阵列发电量存在显著差异，这使得运维人员无法根据光伏阵列的输出衰减来判断光伏阵列表面积尘造成的输出损失，从而建立合理的除尘周期。(3)光伏阵列表面积尘和局部遮阳会导致光伏阵列输出衰减。光伏组件表面的积尘会显著影响光伏阵列表面的光照强度，导致光伏阵列输出波动。同时，在积灰状态下模块表面的光照强度衰减导致发电效率下降，这与局部遮光状态非常相似，使得光伏电站运维工程师无法准确判断哪个因素是发电量下降的主要原因。因此很难确定合理的组件清洗时机，造成巨大的经济损失。

1.2 表面积灰的现存问题

虽然大部分光伏电站非常重视组件表面积灰的清理，但由于自身资金和技术的限制，并没有非常有效的清理积灰的方法。设定清洗周期为一个月，没有根据部件积尘量制定合理的清洗周期。这不仅会导致光伏组件因积灰过多而造成不必要的发电效率衰减，还会导致整个光伏电站因积灰过多而导致发电效率下降，造成电厂效益损失。严重情况下，光伏组件会发生不可逆转的损坏，甚至发生火灾等重大生产事故，造成严重损失。与此同时，光伏电站工作人员提出，在除尘维护过程中，光伏阵列的输出经常波动，呈现多个局部峰值的状态，这也会造成一定数量的发电量衰减。通过进一步的调查，我们了解到这种不科学的管理和维护方式在光伏电站中普遍存在。因此，解决目前光伏电站除灰方式和除灰循环安排不合理，对提高除灰效率、降低除灰成本、提高发电效率、增加电厂收益无疑具有重要的研究价值和现实意义。

1.3 表面积灰的清洗方式

目前，常见的组件表面清灰方式有三种，详情如下图所示：

图1：光伏组件积灰清理方式

其中，在部件表面安装自洁覆盖材料、安装自动除尘设备和安排人工除尘都可以达到有效除尘的目的，但也有其自身的问题。安装在组件表面的自洁覆盖材料技术条件不成熟，成本较高，无法在常规光伏组件中使用。据相关研究，电刷等自动除尘设备的安装对于一般的屋顶光伏来说是比较实用的，但是当它应用到光伏电站时，也会使安装维护成本过大，在现有条件下很难推广。因此，绝大多数光伏电站采用第三种安排人工除尘的方式来清洁光伏组件的表面。
2.光伏发电站智能清洗模型的构建
2.1发电能力计算

引入光伏发电组件的日发电能力的基本概念,将组件发电能力统一定义描述为:同一光伏环境下,组件中的日理想利用发电量与日实际利用发电量的绝对比值。设某一特定时刻辐照度为G_M0,通过快速读取电站发电数据,可以得到该辐照度下的实际发电功率值为P。由于每次回归处理模型计算中的每个参数数值是根据最近一次进行清洗处理周期里的测量数据计算得到,因此,k、b的线性数值关系是在不断上下变化的,即每次进行清洗后,辐照度与理想发电系统功率的两种线性数值关系都应该是不同的，理想辐照度与功率之间的两种线性数值关系应该是不同的。通过对理想交流电站的功率统计数据进行分析和综合，在电站的清洗和发电循环中，可以直接得到理想交流发电系统在不同辐照度下的功率。从而达到了在同一电站中采用不同的交流逆变器的理想效果。除此之外，本文主要选取的一种表征电站灰尘污染影响反应程度的清洗发电能力检测指标主要是将大型电站自身的实际清洗发电能力数据与该电站清洗发电周期下的理想实际发电能力数据对比进行分析对比,因此,即使一些大型电站自身存在灰尘辐照仪检测不准的发电情况,也不会对表征灰尘污染影响反应程度的数据分析检测结果对其造成任何影响。

2.2智能清洗模型构建

2.2.1构建数据处理系统

（1）异常数据的处理

异常辐照度数据的处理主要是指已识别出的无效辐照度数据。对于日间异常数据，各种无效的辐照度数据可以通过“空白”的方式转换为“缺失辐照度值”的形式。接下来，可以对“空”的辐照度数据进行数据补全。对于夜间无效数据，可以对辐照度数据进行“置零”填充，结果为“0”。

（2）无效数据的处理

有必要判断辐照度数据是否可以完成。判断的依据是当天系统是否正常运行。另外，还需要确定当天缺失的辐照度数据的数量。如果系统在同一天故障运行，连续辐照度异常数据数小于3，则可以通过拉格朗日插值来补全缺失数据。如果当天系统故障运行，且连续辐照度异常次数大于等于3次，则认为辐照度段未完成。在系统健康运行的情况下，利用正常辐照度采集期间的发电数据和系统性能，可以计算出缺失辐照度周期的近似值。

2.2.2构建专家数据库

由于光伏电池的电压随光强和温度的变化而变化，光伏电站通常配备最大功率溯源，以确保工厂能够尽可能有效地利用太阳能。最大功率溯源装置可以校正光伏组件的负载电流和输入电压，使其工作在最大功率的输出端。如果光伏组件含有大量的灰尘，会直接影响光伏电池的照明和强度，甚至影响光伏电池的输入和功率，此外，随着光伏组件连续运行时间的延长，在相同的清洁环境条件下，也很可能发生功率损耗或减少。考虑到照明、温度等各种参数，可以对光伏组件制造商的产品质量进行评估。

2.2.3构建评估工具

光伏系统的太阳能电池板接收太阳辐射能并将其转化为电能，是光伏系统的核心部件。但由于暴露在户外，灰尘和污渍会挡住太阳能电池板的表面。另一方面，会减少太阳能电池板接收到的太阳辐射能，导致光伏系统发电量的减少，影响投资者的电力收入。如果重量大，会对太阳能电池板表面产生热点效应，导致太阳能电池板在工作过程中温度过高，引起火灾。因此，及时对太阳能电池板表面进行清洁，不仅可以提高光伏系统的性能，还可以保证系统的安全性。目前光伏组件在清洗作业中往往依靠现场经验，时效性往往滞后，因此，本文采用智能软硬件结合，清洗光伏组件的自动化必要性，提高了光伏组件清洗的及时性和光伏电站发电能力，节约了人力成本。

（1）硬件结构

硬件部分的主要功能是采集目标系统中的太阳辐照数据、太阳能板温度数据和自身系统的发电数据。硬件部分是一组小离线光伏系统:1套太阳能电池板,翻译与MPPT BOS系统、电池、太阳总辐射传感器,温度传感器和支架(与目标系统对现场的安装太阳能电池板和角)和一个固定的系统,数据采集和通信模块。每次清洗目标系统时，硬件部分的太阳能电池板应同步清洗。硬件部分由自身的太阳能电池板和电池组供电。电池作为能量缓冲模块，即在晴天辐射量高的时候，为了满足传感器和数据采集模块的太阳能总辐射，电池为电池充电，在雨天辐射量低的时候，通过电池放电，所述全太阳辐射传感器和数据采集模块为电源。

（2）软件结构

软件算法部分的主要功能是对硬件部分采集到的电气数据和气象数据进行处理，最后提醒业主是否需要对太阳能电池板进行清洁。软件算法包括以下几个部分:一是系统性能的数值修正:由于光伏系统的性能值是影响太阳能电池板的温度,该系统将修改实际的光伏系统的性能根据太阳能电池板的实际温度,确保性能值可以反映真实的性能以最客观的方式。第二，系统污染率统计:随着系统中的太阳能电池板暴露在外部环境中，空气中的污垢会逐渐影响太阳能电池板表面的透光率，使系统以一定的速率发电性能。“系统污染率统计”模块是通过线性回归来量化该系统发电性能的退化率。第三，系统污染损失评估:假设光伏系统在不受污染积累影响的情况下，运行过程中系统性能保持在一个理想最优值不变。然后通过系统的实际性能和系统每天的“系统性能理想值”计算出某一天的污染损失。通过评价系统实际性能随时间变化的积分值和理想性能随时间变化的积分值，可以得到一段时间内污染损失比例的数据。系统污垢损失的计算应从最后一次清洗完成之日开始，直到系统安装日期的前一天为止。这样就可以通过智能清洗模式实现自动清洗，清理流程如下图所示：

图2：智能清洗流程图

3.光伏发电站智能清洗模型的应用实例分析
3.1实例概况

以某分布式小型光伏电站节点为一实例,对2020年9月份该节点电站光伏组件总体表面的大气灰尘浓度影响情况进行长期动态的数据量化跟踪分析。该座光伏电站在2020年9月底伊始开展了首次清洗发电计划。根据2020年9月底的最佳家电清洗功率效果图本周期利用t与图中的辐照度与实际发电量的功率相关数据形成组的功率散点图,记录了以下9月份每天不同日间时刻某辐照度下的所对应的实际理想发电量的功率,同时根据功率回归原理模型的功率系数,计算当月得到同一辐照度下的理想实际发电量的功率,并对实际理想发电量的功率和理想实际发电量的功率分别进行记录,求得当月相应的实际发电量。

3.2模型应用效果分析

在整个光伏电站的日常运维管理阶段,准确统计量化大气灰尘对整个光伏电站的年发电量的直接影响,并合理准确判定光伏组件的运行动态以及清洗处理周期也就显得尤为重要。本文首先根据一座电站最佳动态清洗发电效果计算周期内的相关数据,拟合可得出辐照度与理想综合发电组件功率之间的相互关系,建立传统回归计算模型,并初步提出综合发电能力的基本概念及回归计算基本方法,基于传统回归物理模型,计算可得出发电组件每年的实际发电衰减辐照率,再根据回归计算方法得到的固体灰尘浓度影响变化程度及数值,确定一座电站的一个动态最佳清洗效果周期。将其研究应用在某光伏电站中,结果表明:该电站量化程度灰尘污染影响量化程度计算方法的成功提出,不仅不但可以有效避免因光伏电站内部辐照仪器的测算结果不准确而导致的计算结果存在误差,而且不仅能够为光伏电站组件的各种动态模式清洗费用频率计算提供重要的频率参考计算建议,从而能够使整个光伏电站在静态清洗费用成本与动态清洗费用收益的平衡中可以实现经济效益率和盈利率的最大化。
总结

综上所述，智能清洗模型的构建对于光伏电站而言至关重要，通过智能清洗模型能够实现自动化清洗与智能化清洗，智能清洗系统可以自行分辨组件上的积灰状况，待组件上的灰尘积累到一定程度后，就会自行对其展开全面清洗。这样就无需工作人员定期确定组件上的灰尘状况，就能帮助光伏电站节省大量人力和成本，还能强化组件在实际运转中的发电效果，从根本增加光伏电站的经济效益。因此，该智能清洗模型完全可以在光伏电站领域中展开进一步推广，帮助更多光伏电站解决灰尘清洗问题。
参考文献

[1]陈璐, 张天文, 刘杰斌. 光伏电站组件动态清洗周期的研究[J]. 中国高新科技, 2019(24):6-8.

[2]王亚丽, 闫九祥, 张艳芳. 光伏板清洁机器人运动学建模与仿真[J]. 机床与液压, 2019, 489(15):62-66.

[3]董伯先. 浅析光伏电站清洁机器人的应用现状[J]. 太阳能, 2020,311(03):48-52.

[4]赵波, 范思远, 曹生现. 移动式光伏板积灰干式清洗装置研制及应用[J]. 中国电机工程学报, 2019, 39(006):1707-1713.

[5]尹航. 太阳能智能跟踪式电站的技术方案及应用案例[J]. 信息周刊, 2020(03):1-1.

[6]黄国龙. 构建问题拓展探究教学模式培养模型构建和科学推理核心素养[J]. 物理通报, 2019, 38(9):6-9.

[7]李晓东. 电力系统自动化控制中的智能技术应用及其优势研究[J]. 电力系统装备, 2019(14):17-18.

简介：王皓，1989.09，男，汉族，上海市人，德国斯图加特大学，研究生学历，电气工程与信息技术专业，从事光伏发电系统数据分析、数据产品开发工作多年，参与研发多款光伏电站系统相关数据产品。