本發明涉及一種光伏電站智能清洗決策系統的建立方法。

背景技術：

目前，太陽能光伏電站運維過程中存在著陣列清洗困難、清洗成本高、清洗時間難以把握等問題，也導致了光伏電站因陣列受灰塵遮擋而發電量降低，發電收益不滿足預期。為光伏電站進行合理、有效的清洗決策，在清洗成本基本固定的前提下尋找動態的最佳清洗周期，是未來光伏電站智能運維、高效運維的必然要求。

光伏陣列的清洗決策，需根據電站發電情況，并綜合考慮區域氣候情況、灰塵積累情況等而制定。由于光伏陣列在自然環境中積灰情況是動態變化的，難以用一段時間的經驗值來確定長期固定的清洗周期。另外，太陽輻射情況、雨雪等氣象條件，也是影響清洗決策的重要因素?，F階段，光伏電站運營公司對電站內陣列的清洗往往僅依賴發電量數據，甚至僅依靠對現場陣列表面灰塵的觀察判斷。同時，由于光伏陣列清洗成本較高，難以高頻次清洗，導致很多光伏電站長期不進行組件清洗，或直到發電量異常時才進行清洗?；覊m遮擋嚴重時，不僅對光伏電站的發電量有重要影響，也對光伏組件的安全運行有著顯著影響，因此需要一套能夠為光伏電站提供智能、合理的清洗決策系統，在固定的清洗成本投入下，最大限度地獲得發電量收益。

使用本發明涉及的光伏電站智能清洗決策系統，能夠為光伏電站提供基于動態實測數據的場區組件灰塵遮擋損失率，直觀反映組件受灰塵遮擋的情況。在此基礎上，通過算法分析計算，為光伏電站運維提供隨環境條件變化的動態清洗周期決策，實現發電收益與清洗成本權衡的最優化，保障電站效益。

中國專利201510785343.8公開了一種實現光伏電站太陽能電池板智能清洗的系統及方法，其中包括環境采集裝置，用以采集太陽輻射強度和太陽輻射量數據；發電信息采集裝置，用以采集實際發電量；通信服務器，用以在環境采集裝置、發電信息采集裝置和數據處理服務器之間進行通信；數據處理服務器，用以計算光伏電站的理論發電量、理論發電收益和損失發電收益并判斷是否需要清洗；顯示終端，用以向用戶展示清洗建議。該裝置對積灰的效果分析不全，距離最優化配置仍有一定差距。

技術實現要素：

本發明的目的在于克服現有技術中存在的上述不足，而提供一種步驟簡單，智能高效的光伏電站智能清洗決策系統的建立方法。該方法建立的光伏電站智能清洗決策系統能夠保證準確、高效地獲取電站某一時間段內的代表性灰塵遮擋損失率，并結合氣象數據與電站發電量預測，綜合提供電站光伏陣列的收益最大化清洗決策，為光伏電站運維提供智能、可靠的支持。

本發明解決上述問題所采用的技術方案是：一種光伏電站智能清洗決策系統的建立方法，其特征在于：依次包括如下步驟：

1）建立灰塵遮擋損失計算子系統：采用實地監測方式，選取光伏電站中一組或多組具有代表性的光伏陣列作為對比組，在對比組周圍選取一組或多組光伏陣列作為參照組，對對比組和參照組分別進行實時發電量監測，并在實時發電量監測過程中對對比組進行定時清洗，對對比組的實時發電量監測結果與相同環境下自然積灰的參照組的實時發電量監測結果進行對比，計算得到對比組的灰塵遮擋損失率；

2）建立氣象預測子系統：采用實地監測與外接氣象數據互補的方式，實時獲取電站區域氣象情況和太陽輻射情況，為發電量預測提供支持；

3）步驟1）和步驟2）結束后，建立發電量預測子系統：根據所有光伏陣列的發電量情況，結合灰塵遮擋損失率，分別計算對比組的發電量變化情況和參照組的發電量變化情況，預測整個光伏電站在一個清洗周期內的發電能力；

4）步驟3）結束后，建立智能清洗決策子系統：收集步驟1）、步驟2）和步驟3）中所有處理結果，通過計算一個清洗周期內光伏電站總發電量收益函數與清洗成本函數之差的最大值，向電站人員反饋最佳的清洗周期，從而達到自動決策和智能清洗的目的。

灰塵遮擋損失計算子系統、氣象預測子系統、發電量預測子系統和智能清洗決策子系統共同構成光伏電站智能清洗決策系統?；覊m遮擋損失計算子系統用于計算灰塵遮擋損失，氣象預測子系統用于氣象預測，發電量預測子系統用于發電量預測，智能清洗決策子系統用于反饋最佳的清洗周期，從而達到自動決策和智能清洗的目的。

灰塵遮擋損失計算子系統基于光伏陣列發電量的實地監測，其運行策略為：選取光伏電站場區內一組或幾組有代表性的陣列，進行定時、高頻次清洗，從而獲得光伏陣列在無灰塵遮擋情況下的實時發電量數據。再通過監測標準陣列附近自然積灰的普通陣列發電量，進行折算對比，從而獲得能夠代表光伏電站的典型灰塵遮擋損失率。氣象預測子系統與發電量預測子系統聯合運行。氣象預測子系統是光伏電站發電量預測的基礎，采用實地太陽輻射監測與外接氣象預報互補的形式，為發電量預測系統提供數據基礎。發電量預測子系統則根據灰塵遮擋損失計算子系統提供的光伏電站典型灰塵遮擋損失率，計算光伏陣列分別在及時清洗與自然積灰條件下的發電量變化情況，預測全場區在一個清洗周期內的理論發電量。智能清洗決策子系統集成新型智能清洗決策算法，將光伏電站運行過程抽象為清洗點與自然積灰周期（統稱清洗周期）相間的時間軸。在一個清洗周期內，借助函數算法計算及時清洗后全站陣列在自然積灰周期內的理論發電量，結合實時電價，計算發電量收益預測。然后，考慮清洗成本函數，計算發電量收益預測值與清洗成本之差，求取兩函數之差的最大值，并將滿足最大值條件的清洗周期天數n作為決策的最佳清洗周期。

本發明外接氣象數據來源包括氣象數據庫和代表性氣象站，氣象數據庫外接于國家氣象部門，代表性氣象站建立在光伏電站的場區內，代表性氣象站包括太陽總輻射儀、環境溫濕度傳感器和風速儀。

本發明實施步驟1）之前，對光伏陣列的灰塵遮擋損失率進行一段時間的監測。

本發明步驟1）中對比組的監測電流為a1，參照組的監測電流為a2，電流值偏差為δ，則δ=（a1－a2）/a2。

本發明步驟3）中進行理論發電量和實際發電量計算，其中，第一天理論發電量為q1，第n天理論發電量為qn，qn=n×qn-1/（n－1），第n天灰塵遮擋損失率為δn，第一天實際發電量預測值為q1，第n天實際發電量預測值為qn，q1=q1，qn=qn×（1－δn），n≥2。

本發明步驟4）中光伏電站總發電量收益函數與清洗成本函數之差為f（t,δ），其中f（t,δ）=（qn－c）/t，c為固定的清洗成本，t為清洗周期，對f（t,δ）求最大值時，n=1時，q1采用實際監測值，預測第二日至第n日的實際發電量值，并計算目標函數值，第二日起，采用算法預測值逐日迭代，更新預測趨勢，尋找函數最大值點的范圍，從而確定最佳清洗周期t的值。

現有技術中，由于光伏電站組件數量龐大，場區占地廣闊，且電站現階段多施行“少人維護”的運維方式，導致電站組件陣列清洗困難，電站發電量難以保證，尤其體現在我國西北沙塵較嚴重區域的光伏電站。當前光伏電站的清洗決策多依靠人為判別，手段多為人工觀察反饋，結合電站發電量監測數據。相比現有技術，本發明能夠借助氣象監測，通過實地檢測定時、高頻次清洗的標準陣列的發電量情況，自動計算光伏場區內灰塵遮擋損失率，合理分析全場陣列在清洗周期內及時清洗與自然積灰條件下的發電量變化，最終自主地為光伏電站人員提供基于實際情況的智能清洗決策，實現“發電量-清洗成本”的收益最大化。本發明提高光伏電站組件清洗的自動化、合理化、智能化以及最優化程度。

本發明一方面，從光伏電站運維的實際需求出發，通過實地監測動態的光伏組件陣列灰塵遮擋損失率，提供更為準確，更具代表性的光伏組件灰塵遮擋損失率，作為決策的數據基礎。能夠避免光伏電站僅依靠運維人員直觀判斷的盲目性，使得清洗決策擁有量化的計算基礎。另一方面，采用自動化的算法計算模式，使清洗決策的制定更具有時效性，為光伏電站提供動態的、收益最大化的清洗周期。

附圖說明

圖1是本發明實施例的運行流程示意圖。

圖2是本發明實施例的灰塵遮擋損失率變化趨勢的示意圖，其中橫坐標為電量偏差值，縱坐標為灰塵遮擋損失率，單位為%。

具體實施方式

下面結合附圖并通過實施例對本發明作進一步的詳細說明，以下實施例是對本發明的解釋而本發明并不局限于以下實施例。

實施例。

參見圖1至圖2。

本實施例中光伏電站智能清洗決策系統由灰塵遮擋損失計算子系統、氣象預測子系統、發電量預測子系統以及智能清洗決策子系統等構成。

其中，光伏電站智能清洗決策系統的建立方法依次包括建立灰塵遮擋損失計算子系統、建立氣象預測子系統、建立發電量預測子系統以及建立智能清洗決策子系統。

（1）灰塵遮擋損失計算子系統：于光伏電站場區內，選擇一組或幾組標準陣列，作為定時清洗的對比組。采用定時、高頻次清洗的方式，保證標準陣列的潔凈程度，使之基本在不受灰塵遮擋的條件下運行，并實時其監測發電量情況。同時，也對標準陣列附近的多組正常陣列做發電量數據監測，正常陣列在自然積灰的條件下運行，隨時間推移，積灰程度加重，其發電量情況將與標準陣列產生差距。通過對比數據，可以計算得到場區內的代表性數據，包括動態的灰塵遮擋損失率、清洗后光伏陣列的理論發電量、不做清洗時光伏陣列的發電量降低趨勢等。這些數據將作為后續運算的基礎。

該系統硬件主要包括集成在陣列匯流箱的數據采集器、陣列自動清洗裝置。軟件算法方面，主要為灰塵遮擋損失率的計算。

例如，選取一串加裝自動清洗置的陣列為標準陣列，和附近一串普通陣列近7天的電流數據做對比，每天晚上0:00計算一次當天的電流偏差平均值（應注意，數據統計中剔除太陽輻照度小于200w/m²，以及電流值小于0.2a以及大于10a的情況）。對某一時刻的電流值偏差δ，用標準陣列電流a1與普通陣列電流a2監測值計算：

δ=（a1－a2）/a2

近7天平均偏差計算：

δ7=σ（δn×a2）/σa2

在系統正式投運前，需要對灰塵遮擋損失情況進行一段時間的監測，以便獲得后續周期預測的基礎數值，可以選擇5天、7天或其他自定天數作為預測積累周期。本實施例中為1個月及以上。一般，剔除雨雪、大風等特殊情況影響，灰塵遮擋損失率應為波動遞增的近線性趨勢，如圖2所示。在啟動灰塵遮擋預測周期時，可以設定周期內前3天采用上一周期平均灰塵遮擋損失斜率，獲得了灰塵遮擋損失率的周期數據。

（2）氣象預測子系統：該由兩部分組成。其一是外接于國家氣象部門的氣象數據庫，可以實時獲得光伏電站區域的氣象歷史、預報，為發電量預測做基礎。其二是建立在光伏電站場區內的代表性氣象站，包括傾角與場區陣列一致的太陽總輻射儀、環境溫濕度傳感器、風速儀等。以歷史與預報氣象數據為基礎，結合實際監測的太陽輻射數據，為后續的發電量預測系統提供數據。

（3）發電量預測子系統：該系統負責接收灰塵遮擋損失計算系統提供的灰塵遮擋損失率參數與標準陣列發電量參數，結合氣象預測系統提供的太陽輻射數據與氣象預測數據，對光伏電站全站開展發電量預測。一方面，計算全站組件即時清洗后，為期n天的清洗周期內的理論發電量，此時需要將這一期間的動態灰塵遮擋損失率的增長考慮進計算中，故在清洗周期n天內，理論的發電量呈下降趨勢。另一方面，計算不清洗情況下，隨組件自然積灰不斷增長，電站的預計發電量情況。將兩方面的發電量預測重合比對，向用戶反映清洗與否的發電量對比態勢。

該系統發電量預測公式如下：

1）理論發電量預測：主要考慮天氣因素對電站發電量的影響，結合氣象預測子系統提供的天氣預測數據與預測開始前上一周期的實際發電量數據，采用平均替代的方法，逐日預測電站理論發電量，預測算法如下：

設第一天理論發電量q1已知，則

q2=2×q1/1

q3=3×q2/2

q4=4×q3/3……

qn=n×qn-1/（n－1）

2）實際發電量預測：主要考慮灰塵遮擋損失率δn對電站發電量的影響，采用理論發電量預測值為計算基礎，設預測開始時，組件已清洗或陣列積灰可忽略，則每日實際發電量預測如下：

q1=q1

q2=q2×（1－δ2）

q3=q3×（1－δ3）

q4=q4×（1－δ4）……

qn=qn×（1－δn）

（4）智能清洗決策子系統：作為清洗決策的核心子系統，決策子系統負責收集前序全部系統的處理結果，結合設定的預計清洗成本，通過函數算法計算清洗周期內，清洗后發電量收益與清洗成本做差的最大值，從而確定清洗周期天數t，指導電站開展組件清洗作業。

清洗決策算法以求出清洗收益函數最大值為目標，即maxf（t,δ）。

f（t,δ）=（qn－c）/t

式中，qn為實際發電量預測值，c為固定的清洗成本，t為清洗周期。

對f（t,δ）求最大值時，啟始日（n=1）時，采用實際監測值，預測第二日至第n日的實際發電量值，并計算目標函數值。第二日起，采用算法預測值逐日迭代，更新預測趨勢，尋找函數最大值點的范圍，從而確定最佳清洗周期t的值。

此外，需要說明的是，本說明書中所描述的具體實施例，其零、部件的形狀、所取名稱等可以不同，本說明書中所描述的以上內容僅僅是對本發明結構所作的舉例說明。凡依據本發明專利構思所述的構造、特征及原理所做的等效變化或者簡單變化，均包括于本發明專利的保護范圍內。本發明所屬技術領域的技術人員可以對所描述的具體實施例做各種各樣的修改或補充或采用類似的方式替代，只要不偏離本發明的結構或者超越本權利要求書所定義的范圍，均應屬于本發明的保護范圍。