黄山峰,姜 凯,顾志兴,秦冠军
(南京南瑞继保电气有限公司,南京 211102)
截至2021 年3 月底,中国并网光伏发电累计装机容量达2.59 亿kW,同比增长24.2%。其中,并网分布式光伏发电累计装机容量为8134 万kW,占并网光伏发电累计装机容量的31.4%;并网集中式光伏发电累计装机容量为1.78 亿kW,占并网光伏发电累计装机容量的68.6%。中国新能源发电产业在国家补贴政策的推动下实现了增速发展,其中,风电和光伏发电产业的表现较为突出。运维是整个产业链的最后一个环节,目前的运维过程中,仍然存在着光伏电站(或“风电场”)管理不规范、维护管理水平跟不上、电站数据分析不到位、发电效率差的问题。积灰是影响光伏发电效率的关键因素之一。
通过对某光伏电站的实际运维数据分析后,发现积灰污染会大幅降低光伏电站的发电量,估计因其造成的发电量损失每年至少在5%以上,由此可知,每年因积尘而造成的经济损失非常可观。光伏组件长时间暴露于空气中,灰尘容易沉积在其表面,导致其能够接收到的太阳辐照度下降,使其输出功率下降,最终造成光伏电站的发电量损失[1]。因此,及时清洗光伏组件表面的积灰尤为重要,为了减少积灰对光伏组件发电量的影响,电站需要不定期的对光伏组件进行清洗。目前,光伏组件清洗时间的选定方法有以下两种。
1)固定周期法。选取发电设备运行稳定的光伏方阵,经过软件处理和分析固定周期内太阳辐照度下的理论和实际发电量数据,当损失的发电量(理论发电量与实际发电量的差值)超过清洗成本时,确定清洗时间和清洗周期,然后全站光伏组件将以此清洗周期为依据进行光伏组件清洗。这种方法未考虑光伏方阵接收的太阳辐照度损耗、逆变器损耗、设备故障损失等因素,而且未考虑到每个清洗周期内的太阳辐照度条件是否一样等因素,导致确定的清洗周期的误差较大。
2)样本法。人为选取某个光伏方阵或某个光伏组串作为样本,并每日进行清洗,一直保持光伏组件处于无灰尘附着状态。定期抽取该样本的发电数据,并进行分析,然后将其他光伏方阵或光伏组串的发电能力与样本做对比,推算出因积灰造成的发电量损失,当损失发电量超过清洗成本时,确定清洗时间和清洗周期。由于这种方法无法实时分析,并且采用定期抽取发电数据计算的形式,使运维人员的工作量较大,并且也未考虑光伏方阵或光伏组串所在的地形、地理位置对因积灰造成的发电量损失的影响。
随着近年来新能源集控平台建设的快速发展,新能源生产数据已成为发电企业的重要资产,比如,全面的数据范围可为精细化的光伏组件清洗分析提供数据支持。因此,本文设计了一套基于新能源集控平台的光伏组件清洗分析系统,通过建立清洗计算模型,可实现光伏组件无积灰理论发电量的计算,能解决积灰对光伏组件发电量影响无法量化的问题,最大程度平衡清洗后发电量收益与清洗成本之间的关系,自动推算下次最佳清洗时间,为用户安排清洗工作提供科学依据,对于提高光伏电站运行效率和运营管理水平具有重要意义[2]。
本文利用新能源集控平台的历史数据,通过精细化建模,建立清洗计算模型,为基于新能源集控平台的光伏组件清洗分析系统提供理论依据。
光伏发电是利用半导体界面的光生伏特效应,将太阳辐射能直接转换成电能。理论上太阳辐照度与光伏组件输出功率之间存在某种线性关系。以某个光伏电站为例,通过分析新能源集控平台数据,发现光伏方阵在完成清洗后的一段时间内,光伏组件表面较为清洁,基本没有灰尘,光伏组件处于最好的运行状态,发电能力较好,将该时间段定义为T0;利用新能源集控平台中光伏组件清洗后保持清洁的多个时间段(T0)内光伏电站辐照仪上显示的太阳辐照度数据和光伏方阵输出功率数据,构成最佳清洗数据散点图[3],每个点对应某时刻i下光伏方阵接收的太阳辐照度值Ii和理想的光伏方阵输出功率Pi;根据散点图拟合得到太阳辐照度与光伏方阵输出功率之间的线性关系,如式(1)所示。
式中:a、b、c均为线性参数。
由上述计算方法可知:计算样本越多,拟合曲线越精确。因此,可以考虑利用n次清洗后光伏组件保持清洁的时间段来计算太阳辐照度-输出功率拟合曲线的线性参数。
得到太阳辐照度-输出功率拟合曲线的线性参数后,以清洗结束后的第k天作为基准时间,从该天开始计算每日的无积灰理论发电量。首先,从新能源集控平台中获取太阳辐照度数据,根据式(1)可计算得到i时刻下光伏方阵接收的太阳辐照度对应的理想的光伏方阵输出功率,并实测该光伏方阵的实际输出功率;然后对实际输出功率和理想输出功率分别积分,可以得到每天的实际发电量F′和理想发电量E′[3],则该光伏方阵每天的发电能力Lp可表示为:
光伏方阵每天的发电能力可以反映出积灰对光伏方阵发电量的影响程度。本文选取的可表征积灰影响程度的发电能力指标是将光伏方阵输出功率积分得到的实际发电量与理想发电量进行对比,因此,即使一些光伏电站存在辐照仪不精准的情况,也不会对积灰影响程度的分析结果造成影响[3]。根据新能源集控平台采集的逆变器数据得到光伏方阵实际日发电量F,可通过式(3)计算得到该光伏方阵无积灰理论发电量E,即:
进而可得到积灰损失发电量L,即:
光伏方阵的清洗成本M是参考光伏组件清洗定额计算得到的。若每千瓦光伏组件的清洗成本是C,光伏方阵的装机容量为Z,则整个光伏方阵的清洗成本为:
若每度电的费用为f,将清洗成本折算成电量G为:
当光伏方阵清洗经过q天后,因积灰造成的累积损失发电量超过光伏方阵的清洗成本折算电量时,即:
当满足式(7)时,则可以给出光伏方阵清洗建议,再由人工参考未来几天的降雨量情况,最终确定是否清洗[3]。
本文基于新能源集控平台,采用清洗计算模型,在考虑光伏电站运维需求后,设计并搭建光伏组件清洗分析系统。该系统的框架图如图1所示。
图1 基于新能源集控平台的光伏组件清洗分析系统的框架图Fig.1 Framework diagram of PV modules cleaning analysis system based on new energy centralized control platform
该清洗分析系统需达到如下目标:1)精细化管理新能源集控平台管辖的所有光伏方阵的清洗记录;2)基于新能源集控平台大数据分析、训练太阳辐照度-输出功率拟合模型;3)实现光伏方阵级无积灰理论发电量计算;4)主动推送清洗提醒。
通过新能源集控平台采集其所管辖光伏电站的数据采集与监视控制系统(SCADA)的运行数据,包括光伏逆变器、箱变、升压站监控系统的数据、输出功率预测值、辐照仪数据等,并对采集到的太阳辐照度数据和光伏方阵输出功率设置10 min 的采样周期存储历史。
开发的基础数据管理模块的功能主要包括录入、修改、删除光伏电站中关于光伏方阵清洗的基本信息,包括光伏方阵容量、上次清洗时间、上次清洗成本、当时电价等。
清洗分析系统的数据模型训练模块可以针对每个光伏方阵独立训练数据模型,利用新能源集控平台中n次清洗后的光伏组件保持清洁状态的时间段数据进行计算,以光伏电站辐照仪获取的太阳辐照度数据、光伏方阵输出功率这两个指标作为模型输入,通过拟合计算得到线性参数a、b、c。
拟合计算之前需要对历史采样数据进行清洗,剔除异常数据,否则会对模型的拟合结果产生影响。异常数据产生的原因及相应的解决办法如下:
1)因逆变器故障,通信、传感器终端故障,发电单元停机等产生的异常数据。这类异常数据的主要特征为:在太阳辐照度远大于零时,光伏方阵的输出功率保持为零或接近零。
解决办法:拟合计算时,排除设备状态为故障、异常运行、待机、停机和通信中断时间段的数据,只采用设备正常运行状态时间段的数据。
2)当太阳辐照度较低时,根据式(1)计算得到的拟合曲线线性参数不准确所产生的异常数据。一般发生在发电设备早、晚启停或阴雨天气时。
解决办法:拟合计算时,设定选取数据的时间段,比如选取09:00~16:00;或先判断太阳辐照度的大小,比如若太阳辐照度小于某个阈值则不参与计算。
基于新能源集控平台的分析预处理技术,利用模块化分析功能和插件化业务算法的架构,构建无积灰理论发电量计算插件,将业务分析与界面展示数据流解耦。在解决复杂业务计算与系统并发访问造成的海量计算压力问题的同时,极大提升了用户界面体验。
无积灰理论发电量计算插件根据上文中的无积灰理论发电量算法,自动计算光伏方阵无积灰理论发电量。业务分析平台周期调用无积灰理论发电量计算插件,从时间、对象集、指标集等多个维度计算,将原始数据集合加工预处理成各类分析指标和统计数据等,并保存入库。
清洗建议自动推送程序利用插件计算得到的无积灰理论发电量,并利用新能源集控平台中存储的实际发电量计算出积灰损失发电量。当积灰损失发电量大于清洗成本时触发自动推送逻辑,将清洗建议信息推送给新能源集控平台和光伏电站负责人手机终端,推送的内容包含:电站名称、光伏方阵名称、建议的清洗时间等。
光伏组件的安装形式主要包含固定式和跟踪式两类,而采用哪种方式最有利于增加发电量,在光伏电站建设规划时就已设计完成。本文中线性参数a、b、c,是根据电站在每次清洗周期内的实际运行数据计算得到的,是不断在调整和变化的,即每个电站每次清洗后,太阳辐照度和输出功率的线性关系都是不同的。所以光伏组件安装方式不会影响本文的研究方法和结论。
以河北省某个受灰尘影响严重的分布式光伏电站为例,该电站所在的屋顶是平屋顶,光伏组件采用固定式支架与屋顶平行安装。对2021 年10 月该电站1#光伏方阵中光伏组件表面的积灰影响进行动态的量化分析。收集到的1#光伏方阵的基础数据如表1 所示。
表1 1#光伏方阵的基础数据Table 1 Basic data of 1# PV array表2 拟合线性参数的取值Table 2 Value of fitting linear parameters
收集该电站的历史清洗时间,模型训练程序根据光伏组件清洗后清洁时间段内的太阳辐照度数据和光伏方阵输出功率数据进行数据拟合,得到拟合线性参数的取值,具体如表2 所示,太阳辐照度-输出功率拟合线性曲线如图2 所示。
图2 太阳辐照度-输出功率拟合曲线Fig. 2 Solar irradiance-output power fitting curve
结合表1 中的数据,再根据式(6)可计算得到清洗成本折算成的电量为14173.17 kWh。
表1 1#光伏方阵的基础数据Table 1 Basic data of 1# PV array表2 拟合线性参数的取值Table 2 Value of fitting linear parameters
?
无积灰理论发电量计算插件根据拟合线性参数可以计算出光伏组件清洗后清洁时间段(8 天)之后每日的无积灰理论发电量和其对应的积灰损失发电量,具体如表3 所示。
表3 积灰损失发电量统计Table 3 Statistics of power generation capacity loss due to dust accumulation
(续表)
随着时间的推移,每天的积灰与积灰损失发电量都在增加,由清洗分析系统判断出在11 月7 日总积灰损失发电量大于清洗成本折算成的电量(1.417317 万 kWh),此时清洗分析系统发出清洗建议。
本文基于新能源集控平台设计了一款光伏组件清洗分析系统,实现了对光伏组件清洗的精细化管理,同时扩展了光伏组件的无积灰理论发电量算法,改变了光伏组件清洗模式。实际应用案例显示,该系统能够达到预期效果,为合理安排光伏组件清洗时间,提升清洗经济效益,提高光伏电站收益,提供了有效的技术手段。