本發(fā)明涉及光伏發(fā)電領(lǐng)域，更具體地涉及一種光伏電站組件積灰清洗輔助決策系統(tǒng)。

背景技術(shù)：

1、光伏年發(fā)電量在全國能源總發(fā)電量中所占比重顯著增加，這表明了光伏發(fā)展具有光明的前景。然而，由于光伏電站建設(shè)在戶外，長時(shí)間暴露于自然環(huán)境中，光伏組件表面往往會(huì)積聚灰塵，降低了其接收到的光照強(qiáng)度，進(jìn)而導(dǎo)致輸出功率下降，影響發(fā)電效率。此外，積灰還可能導(dǎo)致局部溫度升高，引發(fā)失配現(xiàn)象，進(jìn)而減少發(fā)電量，甚至威脅光伏電站的安全。根據(jù)相關(guān)研究數(shù)據(jù)顯示，長時(shí)間的積灰可使光伏組件的峰值輸出功率下降約17％至40％，為了降低積灰導(dǎo)致的光伏電站發(fā)電量的損失，提高光伏電站的收益，需要對(duì)光伏組件進(jìn)行清洗。

2、目前，光伏組件清洗通常采用固定的清洗周期或依賴運(yùn)維人員進(jìn)行現(xiàn)場(chǎng)巡視決定。然而，這種人為觀察方式容易受到主觀因素的影響。固定的清洗周期和人為觀察不能確保最大化光伏電站的經(jīng)濟(jì)效益，無定量分析積灰造成的發(fā)電量損失與清洗費(fèi)用之間的關(guān)系。因此，需要一種光伏電站組件積灰清洗輔助決策系統(tǒng)來提高光伏電站運(yùn)行收益。

3、現(xiàn)有的最接近的技術(shù)方案為：首先，確定預(yù)定時(shí)間段內(nèi)單日由于灰塵引起的發(fā)電量損失及對(duì)應(yīng)的單日天氣參數(shù)；然后，根據(jù)預(yù)定時(shí)間段內(nèi)單日由于灰塵引起的發(fā)電量損失及對(duì)應(yīng)的單日天氣參數(shù)建立積灰引起的發(fā)電量損失預(yù)測(cè)模型；最后，獲取未來天氣參數(shù)，并基于所述預(yù)測(cè)模型預(yù)測(cè)未來某一天或某幾天的積灰引起的發(fā)電量損失。

4、已有部分研究考慮了光伏組件的清洗判斷方法，但其只是將當(dāng)前光伏電站的收益損失和清洗費(fèi)用進(jìn)行比較，沒有預(yù)測(cè)考慮后續(xù)情況，不能起到預(yù)測(cè)規(guī)劃清洗日期的作用，其次，多數(shù)研究中并沒有將光伏電站的老化考慮進(jìn)去，這也是影響光伏電站發(fā)電量的一個(gè)重要因素，通過考慮光伏電站的老化，可以更精確的預(yù)測(cè)后續(xù)光伏電站的發(fā)電量損失情況，更精確的規(guī)劃清洗日期。

5、已有研究中部分使用人工智能方法，然而使用人工智能方式實(shí)現(xiàn)該方案具有以下缺點(diǎn)：

6、1.數(shù)據(jù)要求高：人工智能算法需要大量的數(shù)據(jù)來進(jìn)行訓(xùn)練，如果數(shù)據(jù)質(zhì)量不好或者數(shù)據(jù)量太少，模型的準(zhǔn)確性會(huì)受到影響；

7、2.模型可解釋性差：人工智能算法的預(yù)測(cè)過程通常是黑盒子，即無法解釋模型如何得出預(yù)測(cè)結(jié)果，這使得難以理解模型的預(yù)測(cè)結(jié)果和難以發(fā)現(xiàn)模型的潛在問題；

8、3.模型魯棒性差：人工智能算法對(duì)輸入數(shù)據(jù)的變化很敏感，如果輸入數(shù)據(jù)發(fā)生變化，模型的預(yù)測(cè)結(jié)果可能會(huì)發(fā)生較大的變化；

9、4.需要大量的計(jì)算資源：人工智能算法需要進(jìn)行大量的計(jì)算，因此需要大量的計(jì)算資源來支持模型的訓(xùn)練和預(yù)測(cè)。

10、還有一些研究中，沒有體現(xiàn)出對(duì)清洗日的預(yù)測(cè)，參考專利光伏組件清洗日期的計(jì)算方法及系統(tǒng)。

11、因此，本領(lǐng)域急需一種光伏組件積灰清洗決策方法，以克服上述缺陷，從而合理規(guī)劃光伏電站組件清洗周期，提高光伏電站效益。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供一種光伏組件積灰清洗決策方法，本發(fā)明的方法可以合理規(guī)劃光伏電站組件清洗周期，提高光伏電站效益。

2、本發(fā)明提供了一種光伏組件積灰清洗決策方法，所述方法包括：

3、步驟s101：基于光伏電站的所述光伏組件清洗后的運(yùn)行數(shù)據(jù)，與理論狀態(tài)下的光伏電站輸出功率比較，確定光伏電站并網(wǎng)后的衰減情況；

4、步驟s102：基于光伏電站衰減后清潔狀態(tài)下的理論輸出功率，計(jì)算光伏電站因積灰狀態(tài)造成的發(fā)電量損失；

5、步驟s103：引入降雨對(duì)積灰密度的削減作用和輻射強(qiáng)度的峰值小時(shí)數(shù)以預(yù)測(cè)未來積灰對(duì)光伏電站造成的發(fā)電量影響；以及

6、步驟s104：基于當(dāng)前與未來積灰導(dǎo)致的光伏電站累積發(fā)電量損失，與光伏電站的光伏組件清洗費(fèi)用比較，確定最佳清洗日。

7、在另一優(yōu)選例中，所述步驟s101包括：

8、計(jì)算該光伏電站在未衰減時(shí)的理論輸出功率p0，其計(jì)算公式為：

9、p0＝0.001elpv[1-0.005(tc-tstc)]；

10、其中：p0為光伏電站總輸出功率，單位：kw；e為光伏組件接收的太陽輻射強(qiáng)度,單位：w/m2；lpv為光伏電站裝機(jī)容量，單位：kwp；tc為光伏組件工作溫度，單位：℃；tstc為標(biāo)準(zhǔn)測(cè)試條件溫度，單位：℃。

11、在另一優(yōu)選例中，所述tc的計(jì)算公式為：

12、tc＝t+ke；

13、其中：t為當(dāng)前環(huán)境溫度，單位：℃；k為光伏組件的溫度系數(shù)；e為光伏組件接收的太陽輻射強(qiáng)度，單位：w/m2。

14、在另一優(yōu)選例中，所述光伏電站衰減后清潔狀態(tài)下的理論輸出功率p為：

15、p＝0.001ηelpv[1-0.005(tc-tstc)]；

16、其中：p為所述光伏電站衰減后清潔狀態(tài)下的理論輸出功率，單位：kw；η為所述光伏電站并網(wǎng)投入使用后所述光伏電站整體的衰減率。

17、在另一優(yōu)選例中，所述步驟s102包括：

18、采集光伏電站組件清洗集控平臺(tái)每日的發(fā)電量，將其作為實(shí)際發(fā)電量；同時(shí)采集每日不同時(shí)刻的氣象數(shù)據(jù)，包括環(huán)境溫度和輻射強(qiáng)度，計(jì)算光伏電站衰減后各個(gè)時(shí)刻的理論輸出功率：

19、將計(jì)算的光伏電站的理論衰減后清潔狀態(tài)下的理論輸出功率進(jìn)行積分，獲得單日光伏電站的理論發(fā)電量wtheory為：

20、

21、其中：wtheory為單日光伏電站的理論發(fā)電量，單位：kwh；t1為當(dāng)天開始并網(wǎng)發(fā)電的時(shí)間，單位：h；t2為當(dāng)天結(jié)束并網(wǎng)發(fā)電的時(shí)間，單位：h。

22、在另一優(yōu)選例中，計(jì)算因積灰導(dǎo)致的光伏電站累積發(fā)電量損失為：

23、

24、其中：wloss為光伏電站因光伏組件積灰導(dǎo)致的累積發(fā)電量損失，單位：kwh；為光伏電站第i天理論發(fā)電量，單位：kwh；為光伏電站第i天積灰狀態(tài)下的實(shí)際發(fā)電量，單位：kwh；n為一監(jiān)測(cè)周期中已監(jiān)測(cè)的天數(shù)。

25、在另一優(yōu)選例中，所述步驟s103包括：

26、步驟s201，根據(jù)設(shè)計(jì)的積灰密度計(jì)算光伏組件當(dāng)日的積灰密度；

27、通過收集光伏組件上的積灰，實(shí)驗(yàn)計(jì)算擬合出積灰密度與相對(duì)透光率的曲線，用以下公式表示：

28、γ＝a-b*ln(r+c)；

29、其中：γ為相對(duì)透光率；a、b和c為擬合出的曲線參數(shù)；r為積灰密度，單位：g/m2。

30、根據(jù)積灰密度測(cè)量裝置測(cè)量因積灰導(dǎo)致的輻射強(qiáng)度的衰減，進(jìn)而計(jì)算相對(duì)透光率γ；其中該裝置的玻璃板選用與光伏組件面板同樣材質(zhì)的玻璃板，玻璃板的安裝角度也同光伏組件，在該裝置的玻璃板上下兩個(gè)位置分別安裝一個(gè)光強(qiáng)測(cè)量儀，分別用于測(cè)量玻璃板上方的輻射強(qiáng)度和玻璃板下方的輻射強(qiáng)度：

31、

32、其中：e為玻璃板上方光強(qiáng)測(cè)量儀測(cè)量的輻射強(qiáng)度，單位：w/m2，e下為玻璃板下方光強(qiáng)測(cè)量儀測(cè)量的輻射強(qiáng)度，單位：w/m2；

33、帶入上式計(jì)算積灰密度，作為當(dāng)日的光伏組件表面的積灰密度；

34、步驟s202，基于s201擬合無降雨時(shí)積灰密度隨日期變化的曲線，通過asymptoticl模型預(yù)測(cè)后續(xù)5天光伏組件的積灰密度：

35、rd＝x-yzd；

36、其中：x，y和z為待確定系數(shù)，由積灰密度的數(shù)據(jù)分布確定；d為時(shí)間，即第1-5天；rd為預(yù)測(cè)對(duì)應(yīng)天的積灰密度。

37、同時(shí)，引入降雨對(duì)光伏組件的清洗作用，采用boxlucas指數(shù)函數(shù)建立清洗效率ηclean的降雨沖刷模型，用以下公式所示：

38、ηclean＝a-ae-bt；

39、其中：a為可清洗比例(％)，t為降雨時(shí)間(min)；b為衰減系數(shù)(min-1)。a、b由不同的降雨強(qiáng)度決定；

40、考慮降雨時(shí)的積灰密度rd的計(jì)算公式為：

41、

42、步驟s203，分析歷史數(shù)據(jù)，采用季節(jié)、天氣和空氣質(zhì)量結(jié)合的方式，預(yù)測(cè)后續(xù)5天的輻射強(qiáng)度的峰值小時(shí)數(shù)；

43、輻射強(qiáng)度的峰值小時(shí)數(shù)h的計(jì)算公式如下：

44、

45、其中：e(t)為輻射強(qiáng)度與時(shí)間的關(guān)系，t1和t2為光照時(shí)間；

46、分析光伏電站所處位置5年的氣象站歷史數(shù)據(jù)，將所述數(shù)據(jù)根據(jù)季節(jié)分為春、夏、秋和冬四個(gè)季節(jié)，根據(jù)天氣分為晴、多云、陰和雨四種，根據(jù)空氣質(zhì)量分為優(yōu)、良好、輕度污染、中度污染和重度污染5種，總計(jì)共80種情況，采用k-means算法進(jìn)行聚類；

47、步驟s204，基于s201-s203預(yù)測(cè)后續(xù)5天的光伏電站發(fā)電量，計(jì)算每日發(fā)電量損失。

48、具體的，計(jì)算后續(xù)5天中每日的發(fā)電量損失：

49、wprediction＝h*lpv*(1-ηy)；

50、其中：lpv為光伏電站裝機(jī)容量，單位：kwp；ηy為光伏電站相對(duì)發(fā)電效率；

51、計(jì)算光伏電站相對(duì)發(fā)電效率ηy，光伏電站相對(duì)發(fā)電效率與積灰密度呈線性關(guān)系，用以下公式表示：

52、ηy＝1-drd；

53、其中：d為擬合參數(shù)；rd為考慮降雨時(shí)的積灰密度。

54、在另一優(yōu)選例中，所述步驟s104包括：

55、步驟s301：計(jì)算當(dāng)前與預(yù)測(cè)的光伏電站發(fā)電量的損失之和，并將損失按照上網(wǎng)電價(jià)轉(zhuǎn)換為金額ql的形式：

56、

57、其中：ql為損失金額，單位：元；wloss為光伏電站因光伏組件積灰導(dǎo)致的累積發(fā)電量損失，單位：kwh；為預(yù)測(cè)第j天的光伏電站發(fā)電量損失，單位：kwh，cpv為光伏上網(wǎng)電價(jià)，單位：元/kwh；

58、步驟s302：計(jì)算光伏電站組件清洗一次所需的清洗費(fèi)用qc，單位：元：

59、qc＝lpv*s*ccl；

60、其中：lpv為光伏電站裝機(jī)容量，單位：kwp；s為每千瓦光伏組件的面積；ccl為單位面積光伏組件的清洗費(fèi)用，單位：元；

61、步驟s303：當(dāng)光伏電站的累積發(fā)電量損失等于或大于清洗一次光伏電站的清洗費(fèi)用，且后續(xù)3天內(nèi)無大雨時(shí)，即為光伏電站組件的最佳清洗日。

62、在另一優(yōu)選例中，所述步驟s303包括：

63、比較步驟s301中計(jì)算的ql和步驟s302中計(jì)算的qc，當(dāng)ql≥qc時(shí)，確定滿足該條件下的最小j值，且后續(xù)3天內(nèi)無大雨時(shí)，則為第j天進(jìn)行光伏電站組件清洗，否則繼續(xù)輔助決策系統(tǒng)繼續(xù)運(yùn)行預(yù)測(cè)最佳清洗日。

64、應(yīng)理解，在本發(fā)明范圍內(nèi)中，本發(fā)明的上述各技術(shù)特征和在下文(如實(shí)施例)中具體描述的各技術(shù)特征之間都可以互相組合，從而構(gòu)成新的或優(yōu)選的技術(shù)方案。限于篇幅，在此不再一一累述。