CN110161860B - 一种光伏组件智能清扫策略的方法及控制系统 - Google Patents
一种光伏组件智能清扫策略的方法及控制系统 Download PDFInfo
- Publication number
- CN110161860B CN110161860B CN201910454210.0A CN201910454210A CN110161860B CN 110161860 B CN110161860 B CN 110161860B CN 201910454210 A CN201910454210 A CN 201910454210A CN 110161860 B CN110161860 B CN 110161860B
- Authority
- CN
- China
- Prior art keywords
- photovoltaic
- cleaning
- photovoltaic module
- data
- power generation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004140 cleaning Methods 0.000 title claims abstract description 157
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000010248 power generation Methods 0.000 claims abstract description 80
- 239000000428 dust Substances 0.000 claims abstract description 41
- 230000008021 deposition Effects 0.000 claims abstract description 25
- 238000012423 maintenance Methods 0.000 claims abstract description 20
- 238000010408 sweeping Methods 0.000 claims abstract description 19
- 238000001514 detection method Methods 0.000 claims abstract description 6
- 239000002245 particle Substances 0.000 claims description 49
- 230000005540 biological transmission Effects 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 15
- 238000009825 accumulation Methods 0.000 claims description 13
- 230000003749 cleanliness Effects 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 12
- 230000005611 electricity Effects 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000002474 experimental method Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000005855 radiation Effects 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000007726 management method Methods 0.000 description 6
- 239000004576 sand Substances 0.000 description 4
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 3
- 229910052744 lithium Inorganic materials 0.000 description 3
- YBJHBAHKTGYVGT-ZKWXMUAHSA-N (+)-Biotin Chemical compound N1C(=O)N[C@@H]2[C@H](CCCCC(=O)O)SC[C@@H]21 YBJHBAHKTGYVGT-ZKWXMUAHSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- FEPMHVLSLDOMQC-UHFFFAOYSA-N virginiamycin-S1 Natural products CC1OC(=O)C(C=2C=CC=CC=2)NC(=O)C2CC(=O)CCN2C(=O)C(CC=2C=CC=CC=2)N(C)C(=O)C2CCCN2C(=O)C(CC)NC(=O)C1NC(=O)C1=NC=CC=C1O FEPMHVLSLDOMQC-UHFFFAOYSA-N 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013082 photovoltaic technology Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S40/00—Components or accessories in combination with PV modules, not provided for in groups H02S10/00 - H02S30/00
- H02S40/10—Cleaning arrangements
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明提供了一种光伏组件智能清扫策略的方法及控制系统,该控制系统包括服务器系统与Web系统两个部分;清扫策略的方法包括以下步骤:步骤一,服务器系统通过数据接口从外部系统中获取数据并判断是否符合光伏组件检测开始条件;步骤二,发电量预测;步骤三,损失发电量计算:步骤四,清扫成本分析;步骤五,获得优化清扫时间控制指令,或无需建设清扫装置运维建议;本发明的有益效果为:本发明的一种光伏组件智能清扫策略结合地理环境、天气因素等,对光伏组件由于积灰导致的发电量损失值进行量化分析,可有效解决目前光伏电站缺少相应智能清扫策略的问题,提高光伏组件清扫效率、降低清扫成本、提升光伏电站经济性。
Description
技术领域
本发明涉及光伏组件智能清扫技术领域,尤其涉及一种光伏组件智能清扫策略的方法及控制系统。
背景技术
随着光伏技术的不断发展,我国光伏装机容量的不断增加,光伏电站的经济效益尤为重要。但由于光伏电站所用的光伏组件通常安装在室外,光伏组件在运行过程中除了受设备老化等内部因素的影响,还要受到灰尘等外部因素的影响,研究表明,光伏组件发电性能与积灰量呈负相关变化,积灰厚度每增加1微米,光伏组件发电效率下降25.5%。因此,对光伏组件开展及时有效的清洗工作具有较大的现实意义和经济价值。
目前,光伏组件的清扫方式主要以下几种:人工清洗、自然条件清洗、光伏清扫机器人清洗。很多光伏电站采取人工清扫,工作人员使用清扫工具或者使用大量的水对光伏板进行清洗,这种清洗方式存在很多的弊端,例如安全系数不高、效率低、成本高、水资源浪费等。还有部分光伏电站完全依靠自然条件(如雨水的冲洗等),不进行任何清扫工作。光伏组件得不到及时有效的清扫会造成发电效率降低,光伏系统效益得不到最大化。越来越多的光伏电站引进光伏清扫机器人装置,用于解决光伏组件清洁问题。
然而,目前光伏清扫机器人所采用的清扫方案大多是传统的定期清扫,每隔固定的时间周期对光伏组件进行清扫,这种方式没有结合地理环境、季节变化、天气因素等,缺少相应的智能清扫策略,过多的清扫会造成能源的不必要损耗,过少的清扫会对光伏组件的发电效率产生影响,所以有必要提出一种智能清扫策略,合理安排最佳清扫时间。
如何解决上述技术问题为本发明面临的课题。
发明内容
本发明的目的在于提供一种光伏组件智能清扫策略的方法及控制系统。
本发明是通过如下措施实现的:一种光伏组件智能清扫控制系统,其中,该控制系统包括服务器系统与Web系统两个部分:
所述服务器系统用于实现监听、通信、异常处理以及智能清扫;所述服务器系统的智能清扫策略模块将生成清扫优化日期对应的控制指令保存并转发给光伏组件清扫机器人,实现对机器人的智能清扫控制,并通过Web页面显示清扫倒计时;
所述Web系统用于用户信息管理、光伏电站信息管理、光伏清扫机器人运行参数读取、使用记录查看、光伏清扫机器人控制、智能清扫控制。
其中,所述控制系统具体包括Web系统、服务器、若干个数据传输单元DTU以及与每个数据传输单元DTU对应无线传输的光伏清扫机器人;
所述Web系统连接所述服务器,所述服务器通过互联网连接若干个所述数据传输单元DTU,若干个所述数据传输单元DTU对应无线传输于每台所述光伏清扫机器人;
启动所述服务器,并绑定IP地址和端口,所述服务器、Web系统、数据传输单元DTU进行通信,客户端以及所述服务器采用TCP/IP协议建立连接,并进行通信;每台所述光伏清扫机器人对应一个地址,所述数据传输单元DTU通过无线通信模块与该地址对应的光伏清扫机器人连接,实现通信。
为了更好的实现上述发明目的,本发明还提供了一种光伏组件智能清扫控制系统的清扫策略的方法,包括以下步骤:
步骤一,服务器系统通过数据接口从外部系统中获取数据并判断是否符合光伏组件检测开始条件,采集光伏电站所在地区气象台的气象数据,比如温度、天气类型、风速级别,通过测试仪和相关外部系统采集光伏电站辐射量数据、光伏组件背板温度、历史发电量数据、地理位置数据;在气象台天气预报获知该地一个月内没有恶劣天气的情况下,把降雨量达到一定范围的雨天过后的日期或者光伏板刚清扫后的日期作为开始检测光伏组件积灰程度时间;
步骤二,发电量预测:
(1)对步骤一收集到的气象数据、辐射量数据、历史发电量数据进行预处理,对历史发电量数据中的异常数据剔除或空缺数据插补;
(2)确定预测模型的输入节点:辐射量、天气类型、平均温度、风速级别、光伏背板温度、历史发电量,将历史日利用聚类算法分为四类天气类型,取相似日做预测模型的训练样本,通过实验选取最优的网络结构、训练次数参数,利用改进的粒子群算法优化BP神经网络结构中的权值和阈值,对四类不同的天气类型分别建立基于改进的BP神经网络模型,预测短期发电量记为Pr;
步骤三,损失发电量计算:
(1)由气象数据及地理数据,计算出清洁状态下光伏组件理论发电量记为Ps;
(2)将预测发电量与清洁状态下理论发电量比较,得到光伏组件清洁度系数记为S,光伏清洁系数反映光伏组件的积灰程度;
(3)预测短期发电量与清洁状态下发电量的差值,求出光伏组件因积灰造成的发电损失值记为P;
步骤四,清扫成本分析;核算清扫一次的成本费用D,包括设备维护费用、设备折旧费用、设备维护费用等;
步骤五,获得优化清扫时间控制指令,或无需建设清扫装置运维建议;
(1)每日损失发电量求和得到累积发电量损失值P,再乘以光伏上网电价,获得光伏组件由于积灰而导致的经济损失;
(2)若短期内的累积发电量损失费用小于清扫成本费用,则短期内不需要清扫,若连续多个短期内都存在累积发电量损失费用小于清扫成本费用,则该光伏电站不需要安装光伏组件清扫机器人装置;如果短期内的累积发电量损失值大于清扫成本费用,求出该时间段内累积发电量损失值达到清扫成本时对应的时间,即获得优化清扫时间。
其中,所述步骤一具体包括如下步骤:
(1)采集光伏电站所在地区气象台的气象数据,比如温度、天气类型、风速级别;
(2)通过测试仪和相关外部系统采集光伏电站辐射量数据、光伏组件背板温度、历史发电量数据、地理位置数据;
(3)在气象台天气预报获知该地一个月内没有恶劣天气情况下,把降雨量达到一定范围的雨天过后的日期或者光伏板刚清扫后的日期作为开始检测光伏组件积灰程度时间。
其中,所述步骤二中改进的粒子群算法具体为:
假定在一个K维探索空间当中,存在一个种群,其粒子个数是为G,第i个粒子的位置可以使用向量表示为Xi=(xi1,xi2,...,xik),粒子的速度可以使用向量表示为Vi=(vi1,vi2,...,vik),粒子的极值表示为Pi=(pi1,pi2,...pik),种群所有粒子的极值表示为Pg=(pg1,pg2,...,pgk)[34],那么种群中第i个粒子第l+1代的速度和位置可以由如下公式得到:
惯性权重w按照如下公式调整:
其中,wmax、wmin为最大和最小惯性权重,两个加速常数随着惯性权重ω进行动态调整;
通过的公式(4)计算粒子的适应度:
其中,Y为期望输出值,T为实际计算输出值,M为输出节点数,N为训练样本数。
其中,所述步骤三中,设T为光伏板积灰程度的开始时间;
其中,Ps为光伏组件在没有灰尘状态下理论发电量为,Pr表示的是预测模型输出的发电量,光伏组件清洁度系数为S,P为光伏组件因积灰累积损失发电量。
其中,所述步骤二公式(1)和公式(2)中的l表示当前迭代次数,c1、c2是学习因子或加速常数,r1、r2是范围在[0,1]的随机数pik为粒子的最佳位置,pgk为种群最佳位置,为粒子的当前位置,ω表示为惯性权重,ω的含义是搜索步长。
具体地说,一种光伏组件智能清扫控制系统,其中,该控制系统包括服务器系统与Web系统两个部分:
所述服务器系统用于实现监听、通信、异常处理以及智能清扫;所述服务器系统的智能清扫策略模块将生成清扫优化日期对应的控制指令保存并转发给光伏组件清扫机器人,实现对机器人的智能清扫控制,并通过Web页面显示清扫倒计时;
所述Web系统用于用户信息管理、光伏电站信息管理、光伏清扫机器人运行参数读取、使用记录查看、光伏清扫机器人控制、智能清扫控制。
其中,所述控制系统具体包括Web系统、服务器、若干个数据传输单元DTU以及与每个数据传输单元DTU对应无线传输的光伏清扫机器人;
所述Web系统连接所述服务器,所述服务器通过互联网连接若干个所述数据传输单元DTU,若干个所述数据传输单元DTU对应无线传输于每台所述光伏清扫机器人;
启动所述服务器,并绑定IP地址和端口,所述服务器、Web系统、数据传输单元DTU进行通信,客户端以及所述服务器采用TCP/IP协议建立连接,并进行通信;每台所述光伏清扫机器人对应一个地址,所述数据传输单元DTU通过无线通信模块与该地址对应的光伏清扫机器人连接,实现通信。
为了更好的实现上述发明目的,本发明还提供了一种光伏组件智能清扫控制系统的清扫策略的方法,包括以下步骤:
步骤一,服务器系统通过数据接口从外部系统中获取数据并判断是否符合光伏组件检测开始条件:
(1)采集光伏电站所在地区气象台的气象数据,比如温度、天气类型、风速级别;
(2)通过光伏电站环境监测仪、温度传感器和相关外部系统采集光伏电站辐射量数据、光伏组件背板温度、历史发电量数据、地理位置数据;
(3)在气象台天气预报获知该地一个月内没有恶劣天气,如沙尘暴、大风(风速达到8级及以上)、大雪(下雪量大于12.5mm/h)的情况下,把降雨量达到一定范围的雨天过后的日期或者光伏板刚清扫后的日期作为开始检测光伏组件积灰程度时间;
步骤二,发电量预测:
(1)对步骤一收集到的气象数据、辐射量数据、历史发电量数据进行预处理,对历史发电量数据中的异常数据剔除或空缺数据插补;
(2)确定预测模型的输入节点:辐射量、天气类型、平均温度、风速级别、光伏背板温度、历史发电量,将数据采集时间利用聚类算法分为四类天气类型,取相似日做预测模型的训练样本,通过实验选取最优的网络结构、训练次数参数,利用改进的粒子群算法优化BP神经网络结构中的权值和阈值,对四类不同的天气类型分别建立基于改进的BP神经网络模型,预测短期发电量记为Pr;
步骤三,损失发电量计算:
(1)由气象数据及地理数据,计算出清洁状态下光伏组件理论发电量记为Ps;
(2)将预测发电量与清洁状态下理论发电量比较,得到光伏组件清洁度系数记为S,光伏清洁系数反映光伏组件的积灰程度;
(3)预测短期发电量与清洁状态下发电量的差值,求出光伏组件因积灰造成的发电损失值记为P;
步骤四,清扫成本分析;核算清扫一次的成本费用D,包括设备维护费用、设备折旧费用、设备维护费用等;
步骤五,获得优化清扫时间控制指令,或无需建设清扫装置运维建议;
(1)每日损失发电量求和得到累积发电量损失值P,再乘以光伏上网电价,获得光伏组件由于积灰而导致的经济损失;
(2)若短期内的累积发电量损失费用小于清扫成本费用,则短期内不需要清扫,若连续多个短期内都存在累积发电量损失费用小于清扫成本费用,则该光伏电站不需要安装光伏组件清扫机器人装置;如果短期内的累积发电量损失值大于清扫成本费用,求出该时间段内累积发电量损失值达到清扫成本时对应的时间,即获得优化清扫时间。
其中,所述步骤一具体包括如下步骤:
(1)采集光伏电站所在地区气象台的气象数据,比如温度、天气类型、风速级别;
(2)通过测试仪和相关外部系统采集光伏电站辐射量数据、光伏组件背板温度、历史发电量数据、地理位置数据;
(3)在气象台天气预报获知该地一个月内没有恶劣天气情况下,把降雨量达到一定范围的雨天过后的日期或者光伏板刚清扫后的日期作为开始检测光伏组件积灰程度时间。
其中,所述步骤二中改进的粒子群算法具体为:
假定在一个K维探索空间当中,存在一个种群,其粒子个数是为G,第i个粒子的位置可以使用向量表示为Xi=(xi1,xi2,...,xik),粒子的速度可以使用向量表示为Vi=(vi1,vi2,...,vik),粒子的极值表示为Pi=(pi1,pi2,...,pik),种群所有粒子的极值表示为Pg=(pg1,pg2,...,pgk)[34],那么种群中第i个粒子第l+1代的速度和位置可以由如下公式得到:
其中,l表示当前迭代次数,c1、c2是学习因子或加速常数,r1、r2是范围在[0,1]的随机数pik为粒子的最佳位置,pgk为种群最佳位置,为粒子的当前位置,w表示为惯性权重,ω的含义是搜索步长。惯性权重w按照如下公式调整:
其中,wmax、wmin为最大和最小惯性权重,两个加速常数随着惯性权重ω进行动态调整;
通过的公式(4)计算粒子的适应度:
其中,Y为期望输出值,T为实际计算输出值,M为输出节点数,N为训练样本数。
其中,所述步骤三中,设T为光伏板积灰程度的开始时间;
Ps为光伏组件在没有灰尘状态下理论发电量为,Pr表示的是预测模型输出的发电量,光伏组件清洁度系数为S,P为光伏组件因积灰累积损失发电量。
本发明的有益效果为:本发明的一种光伏组件智能清扫策略结合地理环境、天气因素等,对光伏组件由于积灰导致的发电量损失值进行量化分析,可有效解决目前光伏电站缺少相应智能清扫策略的问题,改变传统的定期清扫方案,可以提高光伏组件清扫效率、降低清扫成本、提升光伏电站经济性;服务器通过数据接口从外部系统中获取历史发电量、天气类型、温度、风速级别、光伏板背板温度、地理位置等信息,然后对数据进行剔除坏数据、缺失值插补等预处理,处理好的数据利用改进的BP神经网络建立发电量预测模型、计算理论发电量值,通过预测发电量和理论发电量相比较,从而求得光伏板积灰损失发电量,损失发电量逐日累积,乘以上网电价获取经济损失值,当经济损失值大于一次所需要的清扫成本时,获得当前最佳清扫日期;服务器将生成最佳清扫日期对应的控制指令,保存并转发给光伏组件清扫机器人,实现对机器人的智能清扫控制,并通过Web页面显示清扫倒计时。
附图说明
图1为本发明实施例中光伏组件智能清扫策略流程图。
图2为本发明实施例中BP算法流程图。
图3为本发明实施例的系统架构图。
图4为本发明实施例的系统整体结构框图。
图5为本发明实施例中光伏组件清洁度系数变化曲线图。
具体实施方式
为能清楚说明本方案的技术特点,下面通过具体实施方式,对本方案进行阐述。
参见图1至图5,本发明是:一种光伏组件智能清扫控制系统,其中,该控制系统包括服务器系统与Web系统两个部分:
所述服务器系统用于实现监听、通信、异常处理以及智能清扫;所述服务器系统的智能清扫策略模块将生成清扫优化日期对应的控制指令保存并转发给光伏组件清扫机器人,实现对机器人的智能清扫控制,并通过Web页面显示清扫倒计时;
所述Web系统用于用户信息管理、光伏电站信息管理、光伏清扫机器人运行参数读取、使用记录查看、光伏清扫机器人控制、智能清扫控制。
其中,所述控制系统具体包括Web系统、服务器、若干个数据传输单元DTU以及与每个数据传输单元DTU对应无线传输的光伏清扫机器人;
所述Web系统连接所述服务器,所述服务器通过互联网连接若干个所述数据传输单元DTU,若干个所述数据传输单元DTU对应无线传输于每台所述光伏清扫机器人;
启动所述服务器,并绑定IP地址和端口,所述服务器、Web系统、数据传输单元DTU进行通信,客户端以及所述服务器采用TCP/IP协议建立连接,并进行通信;每台所述光伏清扫机器人对应一个地址,所述数据传输单元DTU通过无线通信模块与该地址对应的光伏清扫机器人连接,实现通信。
为了更好的实现上述发明目的,本发明还提供了一种光伏组件智能清扫控制系统的清扫策略的方法,包括以下步骤:
步骤一,服务器系统通过数据接口从外部系统中获取数据并判断是否符合光伏组件检测开始条件:
(1)采集光伏电站所在地区气象台的气象数据,比如温度、天气类型、风速级别;
(2)通过测试仪和相关外部系统采集光伏电站辐射量数据、光伏组件背板温度、历史发电量数据、地理位置数据;
(3)在气象台天气预报获知该地一个月内没有恶劣天气,如沙尘暴、大风(风速达到8级及以上)、大雪(下雪量大于12.5mm/h)的情况下,把降雨量达到一定范围的雨天过后的日期或者光伏板刚清扫后的日期作为开始检测光伏组件积灰程度时间;
步骤二,发电量预测:
(1)对步骤一收集到的气象数据、辐射量数据、历史发电量数据进行预处理,对历史发电量数据中的异常数据剔除或空缺数据插补;
(2)确定预测模型的输入节点:辐射量、天气类型、平均温度、风速级别、光伏背板温度、历史发电量,将历史日利用聚类算法分为四类天气类型,取相似日做预测模型的训练样本,通过实验选取最优的网络结构、训练次数参数,利用改进的粒子群算法优化BP神经网络结构中的权值和阈值,对四类不同的天气类型分别建立基于改进的BP神经网络模型,预测短期发电量记为Pr;
基于改进的BP神经网络模型:
由于BP神经网络使用的是标准梯度下降这种算法,容易陷入局部极值点,为了优化BP网络结构中的权值和阈值,本发明提出改进的粒子群优化算法,使用动态改变惯性权重以及学习因子的方式,使粒子群算法具备局部搜索能力的同时也具备全局搜索能力,从而使BP算法性能得到增强。
粒子群优化算法(Particle Swarm Optimization,PSO)是模拟鸟群捕食行为提出的一种寻求最优解智能算法,使用PSO算法对某种问题进行优化,某种问题的解类似于空间中正在进行捕食的鸟所处的位置,也就是这个算法的“粒子”。
步骤三,损失发电量计算:
(1)由气象数据及地理数据,计算出清洁状态下光伏组件理论发电量记为Ps;
(2)将预测发电量与清洁状态下理论发电量比较,得到光伏组件清洁度系数记为S,光伏清洁系数反映光伏组件的积灰程度;
(3)预测短期发电量与清洁状态下发电量的差值,求出光伏组件因积灰造成的发电损失值记为P;
步骤四,清扫成本分析;核算清扫一次的成本费用D,包括设备维护费用、设备折旧费用、设备维护费用等;
步骤五,获得优化清扫时间控制指令,或无需建设清扫装置运维建议;
(1)每日损失发电量求和得到累积发电量损失值P,再乘以光伏上网电价,获得光伏组件由于积灰而导致的经济损失;
(2)若短期内的累积发电量损失费用小于清扫成本费用,则短期内不需要清扫,若连续多个短期内都存在累积发电量损失费用小于清扫成本费用,则该光伏电站不需要安装光伏组件清扫机器人装置;如果短期内的累积发电量损失值大于清扫成本费用,求出该时间段内累积发电量损失值达到清扫成本时对应的时间,即获得优化清扫时间。
其中,所述步骤一具体包括如下步骤:
(1)采集光伏电站所在地区气象台的气象数据,比如温度、天气类型、风速级别;
(2)通过测试仪和相关外部系统采集光伏电站辐射量数据、光伏组件背板温度、历史发电量数据、地理位置数据;
(3)在气象台天气预报获知该地一个月内没有恶劣天气情况下,把降雨量达到一定范围的雨天过后的日期或者光伏板刚清扫后的日期作为开始检测光伏组件积灰程度时间。
其中,所述步骤二中改进的粒子群算法具体为:
假定在一个K维探索空间当中,存在一个种群,其粒子个数是为G,第i个粒子的位置可以使用向量表示为Xi=(xi1,xi2,...,xik),粒子的速度可以使用向量表示为Vi=(vi1,vi2,...,vik),粒子的极值表示为Pi=(pi1,pi2,...,pik),种群所有粒子的极值表示为Pg=(pg1,pg2,...,pgk)[34],那么种群中第i个粒子第l+1代的速度和位置可以由如下公式得到:
其中,l表示当前迭代次数,c1、c2是学习因子或加速常数,r1、r2是范围在[0,1]的随机数pik为粒子的最佳位置,pgk为种群最佳位置,为粒子的当前位置,w表示为惯性权重,w的含义是搜索步长。惯性权重w按照如下公式调整:
其中,wmax、wmin为最大和最小惯性权重,两个加速常数随着惯性权重w进行动态调整;
通过的公式(4)计算粒子的适应度:
其中,Y为期望输出值,T为实际计算输出值,M为输出节点数,N为训练样本数。
其中,所述步骤三中,设T为光伏板积灰程度的开始时间;
Ps为光伏组件在没有灰尘状态下理论发电量为,Pr表示的是预测模型输出的发电量,光伏组件清洁度系数为S,P为光伏组件因积灰累积损失发电量。
本发明采用的改进的粒子群优化算法(IMPSO)调节BP初始权值和阈值,可以减少BP网络中权值以及阈值调节时间,能够让算法收敛更快并且搜索全局最优值水平提升,最终达到优化BP网络的目的。
通过提取综合影响光伏组件发电量的所有参数特征确定模型的输入变量为辐射量、天气类型、平均温度、风速级别、光伏背板温度、历史发电量。为提高神经网络模型预测精度,利用聚类算法将天气类型分为A、B、C、D四类,如下表1所示。
表1天气类型对照表
数据集来源于江苏某光伏电站、中国气象数据网,选取2017年8月1日到2018年8月20日的数据;对原始数据进行预处理后,将历史日利用聚类算法分为四类天气类型,然后取相似日来做预测模型的训练样本,通过实验选取最优的网络结构、训练次数等参数,对四类不同的天气类型分别建立基于改进的BP神经网络预测模型,改进的BP算法如图2所示,从而获得短期预测发电量值。
根据气象台天气预报信息,在光伏电站所在地区一个月没有恶劣天气(如沙尘暴、大风、大雪等)情况下,把降雨量达到一定范围的雨天过后的日期或者光伏板刚清扫后的日期作为检测光伏板积灰程度的开始时间,设为T,Ps表示的是光伏组件在没有灰尘状态下理论发电量值,Pr表示的是预测模型输出的发电量,光伏组件清洁度系数为S,户为光伏组件因积灰累积损失发电量。
公式(5)中用无灰尘状态下的光伏组件的理论发电量,先减去预测模型输出的预测发电量,再除以光伏组件理论发电量,得到覆尘因子S的值,S会随着时间的积累而改变,体现光伏组件上面清洁度的波动趋势,也可称S为光伏组件清洁度系数。公式(6)利用每日损失发电量求和得到累积发电量损失值,再乘以光伏上网电价,获得光伏电站由于积灰而导致的经济损失。
结合现场运维实际情况,光伏组件清扫机器人清扫成本D主要包含以下几个方面的内容:
(1)运行耗电成本。计算光伏电站清扫机器人完成一次清扫任务需要消耗的电费为K元。
(2)清扫设备耗损成本。计算光伏清扫机器人完成一次清扫任务预计设备损耗M元,包括机器人装置损耗、刷辊损耗以及可充电锂电池损耗。
(3)运维人员工资费用。计算光伏清扫机器人完成一次清扫任务累积需要支付运维人员工资费用N元。
综合以上三个方面,可以得出光伏组件清扫机器人完成一次清扫预计所需要的成本D=K+M+N。
具体实例:
江苏某光伏电站装机容量大约5MW(1MW=1000kW),模型验证选取光伏电站某阵列两台逆变器(500kW),取江苏某光伏电站从2017年12月1日到2018年7月31日数据作为训练集,在这期间光伏上网电价是0.98元/(kW·h),通过改进的BP神经网络预测模型,预测2018年8月1日到2018年8月28日的光伏组件发电量,根据天气预报获知这段时间无恶劣天气,天气类型以晴或多云为主,再根据智能清扫数据模型得出最佳清扫时间。
表2实验数据表
如表2所示,Pr是基于改进的BP神经网络的预测发电量值,Pa是光伏组件实际发电量值,Ps是根据光伏组件理论发电量模型计算得到的值,S是根据光伏组件覆尘因子计算模型计算得出的值。
随着积灰的累积,光伏组件的发电效率也会随之逐渐变少,光伏组件覆层因子S的变化曲线如图3所示。
实验验证期间光伏组件覆尘因子平均值为0.04,在下雨比较多的检测周期里,光伏组件覆尘因子平均值降低,当降低到一定阈值时,不需要进行清扫。
在该实验验证期间的清扫成本的详细计算由以下几个方面组成:
(1)运行耗电成本:光伏组件清扫机器人每次充满电需要4小时,光伏电站共部署10台清扫机器人,每台清扫机器人充电装置电压48V、电流5A,需要消耗电费为9.4元/次。
(2)清扫设备耗损成本:每部清扫机器人制造总成本为15万元,按每月清扫2次估算,预计可以使用600次,刷辊单价300元,预计能使用100次,锂电池单价3000元,预计能使用200次,设备耗损成本为2680元/次。
(3)运维人员工资费用:光伏电站运维人员在清扫机器人清扫一次需要对设备进行检查、运维、归位工作,需要三位运维人员,每人需要300元/次,则需要运维人员工资费用900元/次。
综合上述三个方面的清扫成本,计算出单次清扫机器人的清扫成本是3589.4元。
实验期间光伏上网电价为0.98元/(kW·h),利用公式(6),将理论发电量Ps与预测发电量Pr作差得出损失发电量,每日损失发电量求和得出累积损失发电量P,当累积损失发电量P*10>=3589.4/0.98时,计算得出n=7,即最佳清扫时间为2018年8月7日,光伏组件按照最佳清扫时间清扫比传统的定期清扫可以使光伏电站获得更大的收益。
服务器将生成最佳清扫日期对应的控制指令,保存并转发给光伏组件清扫机器人,实现对机器人的智能清扫控制,并通过Web页面显示清扫倒计时。
本发明未经描述的技术特征可以通过或采用现有技术实现,在此不再赘述,当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (1)
1.一种光伏组件智能清扫控制系统,其特征在于,该控制系统包括服务器系统与Web系统两个部分:
所述服务器系统用于监听、通信、异常处理以及智能清扫;所述服务器系统的智能清扫策略模块将生成清扫优化日期对应的控制指令保存并转发给光伏组件清扫机器人,实现对机器人的智能清扫控制,并通过Web页面显示清扫倒计时;
所述Web系统用于用户信息管理、光伏电站信息管理、光伏清扫机器人运行参数读取、使用记录查看、光伏清扫机器人控制、智能清扫控制;
所述控制系统具体包括Web系统、服务器、若干个数据传输单元DTU以及与每个数据传输单元DTU对应的无线传输的光伏清扫机器人;
所述Web系统连接所述服务器,所述服务器通过互联网连接若干个所述数据传输单元DTU,若干个所述数据传输单元DTU对应无线传输于每台所述光伏清扫机器人;
启动所述服务器,并绑定IP地址和端口,所述服务器、Web系统、数据传输单元DTU进行通信,客户端以及所述服务器采用TCP/IP协议建立连接,并进行通信;每台所述光伏清扫机器人对应一个地址,所述数据传输单元DTU通过无线通信模块与该地址对应的光伏清扫机器人连接,实现通信;
所述的光伏组件智能清扫控制系统的清扫策略的方法,包括以下步骤:
步骤一,服务器系统通过数据接口从外部系统中获取数据并判断是否符合光伏组件检测开始条件,采集光伏电站所在地区气象台的气象数据,通过测试仪和相关外部系统采集光伏电站辐射量数据、光伏组件背板温度、历史发电量数据、地理位置数据;在气象台天气预报获知该地一个月内没有恶劣天气的情况下,把降雨量达到一定范围的雨天过后的日期或者光伏板刚清扫后的日期作为开始检测光伏组件积灰程度时间;
步骤二,发电量预测:
(1)对步骤一收集到的气象数据、辐射量数据、历史发电量数据进行预处理,对历史发电量数据中的异常数据剔除或空缺数据插补;
(2)确定预测模型的输入节点:辐射量、天气类型、平均温度、风速级别、光伏背板温度、历史发电量,将历史日利用聚类算法分为四类天气类型,取相似日做预测模型的训练样本,通过实验选取最优的网络结构、训练次数参数,利用改进的粒子群算法优化BP神经网络结构中的权值和阈值,对四类不同的天气类型分别建立基于改进的BP神经网络模型,预测短期发电量记为Pr;
步骤三,损失发电量计算:
(1)由气象数据及地理数据,计算出清洁状态下光伏组件理论发电量记为Ps;
(2)将预测发电量与清洁状态下理论发电量比较,得到光伏组件清洁度系数记为S;
(3)预测短期发电量与清洁状态下发电量的差值,求出光伏组件因积灰造成的发电损失值记为P;
步骤四,清扫成本分析;核算清扫一次的成本费用D,包括设备维护费用、设备折旧费用、设备维护费用;
步骤五,获得优化清扫时间控制指令,或无需建设清扫装置运维建议;
(1)每日损失发电量求和得到累积发电量损失值P,再乘以光伏上网电价,获得光伏组件由于积灰而导致的经济损失;
(2)若短期内的累积发电量损失费用小于清扫成本费用,则短期内不需要清扫,若连续多个短期内都存在累积发电量损失费用小于清扫成本费用,则该光伏电站不需要安装光伏组件清扫机器人装置;如果短期内的累积发电量损失值大于清扫成本费用,求出该时间段内累积发电量损失值达到清扫成本时对应的时间,即获得优化清扫时间;
所述步骤一具体包括如下步骤:
(1)采集光伏电站所在地区气象台的气象数据,比如温度、天气类型、风速级别;
(2)通过测试仪和相关外部系统采集光伏电站辐射量数据、光伏组件背板温度、历史发电量数据、地理位置数据;
(3)在气象台天气预报获知该地一个月内没有恶劣天气情况下,把降雨量达到一定范围的雨天过后的日期或者光伏板刚清扫后的日期作为开始检测光伏组件积灰程度时间;
所述步骤二中改进的粒子群算法具体为:
假定在一个K维探索空间当中,存在一个种群,其粒子个数是为G,第i个粒子的位置可以使用向量表示为Xi=(xi1,xi2,...,xik),粒子的速度可以使用向量表示为Vi=(vi1,vi2,...,vik),粒子的极值表示为Pi=(pi1,pi2,...,pik),种群所有粒子的极值表示为Pg=(pg1,pg2,...,pgk)[34],那么种群中第i个粒子第l+1代的速度和位置可以由如下公式得到:
惯性权重w按照如下公式调整:
其中,wmax、wmin为最大和最小惯性权重,两个加速常数随着惯性权重w进行动态调整;
通过的公式(4)计算粒子的适应度:
其中,Y为期望输出值,T为实际计算输出值,M为输出节点数,N为训练样本数;
所述步骤三中,设T为光伏板积灰程度的开始时间;
Ps为光伏组件在没有灰尘状态下理论发电量为,Pr表示的是预测模型输出的发电量,光伏组件清洁度系数为S,P为光伏组件因积灰累积损失发电量;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910454210.0A CN110161860B (zh) | 2019-05-28 | 2019-05-28 | 一种光伏组件智能清扫策略的方法及控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910454210.0A CN110161860B (zh) | 2019-05-28 | 2019-05-28 | 一种光伏组件智能清扫策略的方法及控制系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110161860A CN110161860A (zh) | 2019-08-23 |
CN110161860B true CN110161860B (zh) | 2022-03-11 |
Family
ID=67629438
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910454210.0A Active CN110161860B (zh) | 2019-05-28 | 2019-05-28 | 一种光伏组件智能清扫策略的方法及控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110161860B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110649883B (zh) * | 2019-09-29 | 2021-09-10 | 合肥阳光新能源科技有限公司 | 清洗方法、装置和计算机设备 |
CN112291334A (zh) * | 2020-10-26 | 2021-01-29 | 南通理工学院 | 一种光伏组件除尘智能控制系统 |
CN112561190B (zh) * | 2020-12-23 | 2023-01-24 | 宁夏中科嘉业新能源研究院(有限公司) | 一种基于离散粒子群算法的光伏电站清洗模型预测方法 |
CN116128150B (zh) * | 2023-03-02 | 2023-07-14 | 南京邮电大学 | 一种基于两级优化的光伏智能出力预测方法 |
CN117252588B (zh) * | 2023-11-13 | 2024-03-22 | 南京同庆科技有限公司 | 一种用于清洁能源电站检修的智能巡检系统 |
CN117713688B (zh) * | 2024-02-06 | 2024-04-09 | 创维互联(北京)新能源科技有限公司 | 光伏组件在多朝向及倾角下的低效识别与电量提升方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103729685A (zh) * | 2013-12-02 | 2014-04-16 | 国电南瑞科技股份有限公司 | 基于改进rbf神经网络的光伏电站群区域功率预测方法 |
CN205809697U (zh) * | 2016-05-30 | 2016-12-14 | 上海律邦新能源科技有限公司 | 基于无线技术组网控制的光伏清扫装置 |
CN107133713A (zh) * | 2017-03-13 | 2017-09-05 | 华电电力科学研究院 | 一种光伏电站智能清洗决策系统的建立方法 |
CN107679672A (zh) * | 2017-10-20 | 2018-02-09 | 中冶华天南京电气工程技术有限公司 | 一种基于积尘发电损失预测的光伏电站清洗时机辅助决策方法 |
CN108960453A (zh) * | 2018-07-31 | 2018-12-07 | 江苏林洋新能源科技有限公司 | 光伏电站积灰经济清洗计算方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104399682B (zh) * | 2014-11-28 | 2016-12-07 | 许继集团有限公司 | 一种光伏电站组件清扫智能决策预警系统 |
KR101945314B1 (ko) * | 2018-07-27 | 2019-04-17 | 딥클라우드 주식회사 | 인공지능 알고리즘을 기반으로 한 미세먼지 예측모듈을 이용한 미세먼지 저감장치 |
-
2019
- 2019-05-28 CN CN201910454210.0A patent/CN110161860B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103729685A (zh) * | 2013-12-02 | 2014-04-16 | 国电南瑞科技股份有限公司 | 基于改进rbf神经网络的光伏电站群区域功率预测方法 |
CN205809697U (zh) * | 2016-05-30 | 2016-12-14 | 上海律邦新能源科技有限公司 | 基于无线技术组网控制的光伏清扫装置 |
CN107133713A (zh) * | 2017-03-13 | 2017-09-05 | 华电电力科学研究院 | 一种光伏电站智能清洗决策系统的建立方法 |
CN107679672A (zh) * | 2017-10-20 | 2018-02-09 | 中冶华天南京电气工程技术有限公司 | 一种基于积尘发电损失预测的光伏电站清洗时机辅助决策方法 |
CN108960453A (zh) * | 2018-07-31 | 2018-12-07 | 江苏林洋新能源科技有限公司 | 光伏电站积灰经济清洗计算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110161860A (zh) | 2019-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110161860B (zh) | 一种光伏组件智能清扫策略的方法及控制系统 | |
US9606168B2 (en) | Irradiance mapping leveraging a distributed network of solar photovoltaic systems | |
US11537091B2 (en) | Multi-scale optimization framework for smart energy systems | |
US8972221B2 (en) | Estimating solar irradiance components from plane of array irradiance and global horizontal irradiance | |
Sharma et al. | Cloudy computing: Leveraging weather forecasts in energy harvesting sensor systems | |
US10956629B2 (en) | Estimation of soiling losses for photovoltaic systems from measured and modeled inputs | |
US9322951B2 (en) | Weather and satellite model for estimating solar irradiance | |
US20110276269A1 (en) | Systems and methods for forecasting solar power | |
US20210255251A1 (en) | Action generator, energy storage device evaluator, computer program, learning method, and evaluation method | |
CN105260800A (zh) | 一种光伏组件温度预测方法及装置 | |
CN107276079A (zh) | 一种智能清洁评估系统 | |
CN110198042B (zh) | 一种电网储能的动态优化方法及存储介质 | |
CN107403015A (zh) | 一种基于时间序列相似性的短期光功率预测方法 | |
US11121670B2 (en) | Smart shingles | |
CN116307076A (zh) | 一种基于物联网的工业园区能效管控方法 | |
CN115481918A (zh) | 一种基于源网荷储的单元状态主动感知及预测分析系统 | |
CN117318111A (zh) | 一种基于天气预测的光储能源动态调节方法及系统 | |
D'Andrea et al. | Neural network-based forecasting of energy consumption due to electric lighting in office buildings | |
Knapp et al. | Design and implementation of an energy-neutral solar energy system for wireless sensor-actuator nodes | |
Awad | Integrating Solar PV Systems into Residential Buildings in Cold-climate Regions: The Impact of Energy-efficient Homes on Shaping the Future Smart Grid | |
CN117236638B (zh) | 基于多模态网络的运河微电网分布式能量管理系统 | |
Jiang | Intelligent Cleaning Strategy of Photovoltaic Solar Cell Modules | |
CN210430947U (zh) | 太阳能充电站 | |
CN117874510A (zh) | 光伏设备清洁策略确定方法、装置和电子设备 | |
CN117787551A (zh) | 基于光伏发电量和光照辐射量的光伏组件清洁决策方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |