基于人工神经网络的光伏太阳能热泵系统的混合建模

姚建军

(中海油能源发展装备技术有限公司,天津300000)

1 概述

随着光伏发电技术的日益成熟，光伏发电在全世界取得了迅速发展，晶体硅太阳能电池的发电效率依赖其工作温度，过高的工作温度不仅会降低太阳能电池的工作效率，也会存在安全隐患。因此，有必要采取措施对太阳能电池进行降温处理。在降低太阳能电池温度的同时，将流体带走的热量加以利用，这种系统在提高发电效率的同时还可以提供热能，可称之为光伏光热一体化(PV/T)系统。(PV/T)系统接收到的太阳辐照中，一部分用于光伏发电，另一部分的能量由PV蒸发器吸收，经热泵系统循环后得到可供利用的热量。PV-SAHP系统不仅可以有效降低太阳能电池温度，还可以提高热泵的效率[1]。

本文搭建了光伏太阳能热泵系统（PV-SAHP），提出了对PV-SAHP系统进行混合建模的方法，利用建立好的混合模型，对PV-SAHP系统进行经济性分析，为PV-SAHP系统优化提出新的思路。

2 PV-SAHP系统混合建模

太阳能电池发电受气象条件干扰导致其功率输出呈现出间歇性，进而影响着整个光伏系统并网的稳定性；太阳能热泵受环境变化的影响，其性能也会发生不稳定的变化。为了达到最佳的发电输出效率，提高太阳能利用率，减小运行成本和合理调节PV-SAHP系统的热负荷，提前预测光伏太阳能热泵系统的性能显得尤其重要。

2.1 PV-SAHP系统混合模型建立方法

将纯机理模型与数据驱动模型结合起来形成的模型成为混合模型，常用的混合建模方法有四种[2]：串联建模、并联建模、混联建模与先验知识建模四种方法各有特点，本文采用串联建模方式。

太阳辐照强度是影响太阳能电池发电功率和太阳能热泵性能的最主要的因素[3]。利用人工神经网络对太阳辐照强度进行预测，预测的结果用于机理模型求得由于PV-SAHP系统的光伏发电效率和热泵放热量。图1为PV-SAHP系统混合模型示意图。

图1 混合建模示意图

由于PV-SAHP受到太阳辐照度、环境温度、风速和压强等多种天气因素的影响，具有很强的随机性，所以预测的难度非常大。传统的机理模型受到不确定性影响，建模复杂，而数据驱动建模较为简单且准确性较高，但受到历史数据的影响，预测范围小且没有外推性。将纯机理模型与数据驱动模型相结合的混合模型，不仅可以提高预测精度，还可以降低PV-SAHP系统建模的复杂性。

2.2 数据驱动模型——人工神经网络

BP神经网络，是一种前馈式网络，在数据驱动建模应用中十分广泛。其结构如图2所示。BP神经网络的输入参数为：一天中的时刻、环境温度、环境风速三个，输出参数为太阳辐照强度。

图2 BP神经网络结构示意图

2.3 机理模型

2.3.1 发电功率计算的数学模型

太阳能电池表面接收到的太阳辐射强度和太阳能电池的工作温度等因素决定了太阳能电池的输出功率。太阳辐照强度和电池的工作温度表达太阳能电池的输出功率为式所示。

P = μst×[[1 - 0.0041 × (T e - 298.15 )]]×E

式中：P——电池输出功率,W；E——太阳能总辐照量，W/m2；Te——电池的温度,℃；μst——在太阳辐照强度为1000W/m2，大气质量为AM1.5 ，电池工作温度为25℃的条件下的转换效率。取15%。

2.3.2 光伏蒸发器吸热量的数学模型

太阳辐射透射过玻璃盖板后进入光伏电池其中一部分能量散失到外界环境中，一部分能量转化为电能，剩余绝大部分则转化为热能被制冷剂吸收。在稳态时，PV/T蒸发器的热贮存率为0，其有效的集热量为Qe，其计算公式为：

Qe= ApS αт-ULAp(Te-T0)

式中：Qe——系统蒸发器的有效集热量，W；S——太阳辐射强度，W/m2；Ap——集热板（系统中为太阳能电池板）的采光面积，m2；Te和T0——太阳能电池的工作温度和环境温度，℃；α——光伏电池对太阳辐射的吸收率；取0.90 ；——玻璃盖板的透射率，取0.81 。

UL——太阳能电池对环境的总热损失系数。计算公式如下式所示：

UL= 5.7 + 3.8 VW+4εσT03

3 实验研究

PV-SAHP系统原理是在太阳能电池背面设置冷却盘管，冷却盘管也作为蒸汽压缩式热泵系统的蒸发器，制冷剂在冷却盘管中通过相变吸收太阳能电池散发的热量，从而达到对太阳能电池降温的目的，同时热泵系统将蒸发器吸收的热量循环后通过冷凝器放出。图3为实验系统示意图。

图3 系统流程及测点分布图

4 混合建模结果分析

4.1 GA-BP预测太阳辐照强度

神经网络的历史数据来自天津市典型气象年，对神经网络进行训练后，太阳辐照强度的预测结果如图4所示。训练后的网络输出的结果与实验结果存在的误差在5%以内。这证明BP人工神经网络预测精度较高，可以作为混合建模中的数据驱动模型。

图4 神经网络预测太阳辐照强度结果图

对神经网络性能评价指标为RMSE和R-square。RMSE称为拟合标准差，表示神经网络预测结果与实际结果的误差，数值越接近0效果越好；R-square称为确定系数，通过数据的变化来表征一个拟合的好坏，越接近1，表明这个模型对数据拟合较好。表1显示该神经网络性能良好。

表1 神经网络性能评价

4.2 混合建模结果分析

系统中太阳能电池使用多晶硅光伏组件，尺寸为1500mm×1000mm×40mm；共2块，则光伏组件有效面积为3m2。热泵系统以R22为制冷剂工质。选择天津市典型气象年中8月31号的气象数据，对太阳辐照强度进行预测。太阳能电池板温度由热泵蒸发器冷却，通过检测太阳能电池的实时温度，调节热泵系统的流量，使得太阳能电池的工作稳定在35℃左右。PV-SAHP系统的COP一般在3.5 以上，本文按照3.5 进行计算。根据预测得到的太阳辐照强度，计算出PV-SAHP系统的发电功率和热泵系统吸热量。气象数据以及PV-SAHP系统性能计算结果如表2所示。通过数据计算，太阳能总利用率平均达到了78%以上。在实验中发现，PV-SAHP系统的冷凝温度在50℃以上，可满足普通居民生活用热水使用。

表2 气象数据以及性能计算结果

5 结论

PV-SAHP系统可以有效降低太阳能电池的工作温度，提高光伏发电功率，并且将太阳能电池余热高效利用，实现了太阳能的双重使用，提高系统的节能效果。本文对PV-SAHP系统进行了实验研究和混合预测，得到如下结论。

5.1 基于BP神经网络的光伏太阳能热泵系统混合模型的建立，为PV-SAHP系统在实际应用中性能预测、系统优化等提供新的建模思路。太阳辐照强度的预测结果误差在5%以内，证明混合模型有着较高的预测准确度和灵活性。

5.2 混合模型预测结果显示，太阳能的总利用率平均达到了78%以上，对比常规太阳能电池发电系统，PV-SAHP系统大大提升了太阳能总利用率。