基于BO-LSTM算法的光伏积灰损失预测

华北电力大学 李庆哲 李 斌

1 引言

当今时代寻找煤、石油、天然气等传统能源的代替品已经成为社会发展的主流，各国政府逐渐参与到开发新能源的项目中，而太阳能的利用更是新能源开发中必不可少的一环。目前，我国太阳能发电技术在不断发展，2021年，我国新增光伏装机规模达5488万kW，连续9年位居世界第一，累计光伏装机容量达3.06亿kW，连续7年位居全球第一。

光伏行业快速发展的同时产生了许多问题，其中光伏组件积灰属于严重问题。光伏组件安装在室外且长时间运行不更换，导致光伏组件多数情况下处于覆灰蒙尘状态，积灰引起的遮光效应、热斑效应等严重影响了光伏发电的经济性和安全性。在德黑兰的70d 无降雨试验中，光伏组件积灰密度达到6.0986g/m2，导致输出功率降低21.47%[1]。为了清洁组件表面积灰，现场工作人员依靠经验决定清洗日期，但这样无法保证光伏电站运行经济效益，因此，积灰损失预测是制定合理清洗策略的基础依据。

Yazdani 等[2]根据试验采集数据，利用指数模型，对每日功率损失百分比与光伏组件自然积灰天数进行拟合，根据光伏组件暴露在户外时间计算功率损失，该类方法计算简单，但受外界因素影响较大，计算结果存在较大误差。居发礼[3]通过灰色模型依据历史平均积灰数据建立积灰预测模型，然而在无大量历史数据时无法预测，且未考虑具体气象参数。王中豪[4]、Wasim[5]利用改进型相似性建模、人工神经网络等方法进行积灰损失的诊断工作，但这些研究结果的准确度较低。考虑已有研究的不足，本文基于LSTM 在处理时序数据的优越性，利用贝叶斯算法LSTM 进行优化，开发了BO-LSTM 算法。通过光伏电站现场光伏组件积灰监测试验，获取积灰对光伏发电影响的试验数据，对BO-LSTM算法的积灰预测效果进行验证。

2 算法介绍

2.1 LSTM 神经网络

循环神经网络（Recurrent Neural Network，RNN）是用于时间序列信号分类的最传统的深度学习方法，但RNN 对于长序列数据常常存在梯度消失的问题，难以学习和保存长期信息。Hochrieter 和Schmidhuber 在1997年提出的长短期记忆（Long Short-Term Memory，LSTM）神经网络可以解决RNN 在长序列训练过程中存在的梯度消失和梯度爆炸问题。LSTM 模型的单元结构如图1所示，LSTM的神经元也被称为细胞，神经元中包含输入门、输出门和遗忘门，内部信息传递主要通过门进行传递，可以对关键信息进行选择性“记忆”与“遗忘”，将多个LSTM 单元相互链接后形成LSTM 网络。

图1 LSTM 单元结构

信息进入神经元的第一步就是进入sigmoid 层组成的遗忘门，选择性遗忘输入的信息，输入为上一神经元输出的隐藏层状态ht-1和这一神经元的输入xt，经sigmoid 函数后为Ct-1中的值输出一个0～1的值，表示数据的保留状态。

式中：ft为遗忘门；σ为激活函数；Wxf为输入与遗忘门之间的连接权重矩阵；Whf为遗忘门前一时刻状态与当前状态的连接权重矩阵；bf为遗忘门的偏差值。

式中：it为输入门，判断该数据流是否记录到当前细胞状态；Ct为单元状态，用于保留当前输入的特征；bi和bc为偏差值。

式中：ot代表输出门，控制Ct影响这一神经元输出的程度；ht代表隐藏层状态；bo为输出门的偏差值。

2.2 贝叶斯优化算法

在构建神经网络模型前，需要确定构建模型所需的超参数，模型的最终预测效果很大程度上受超参数的影响，对模型超参数的调整常常参考用于其他问题超参数取值，然后反复尝试人工寻找最佳值，这样的操作将会消耗大量计算资源，而且最终获得的超参数可能不是最优，使得模型精度受限。因此为进行高效的超参数调优，常用方法包括网格搜索、随机搜索以及贝叶斯优化（Bayesian Optimization，BO）等。超参数调化是一个黑箱问题，用黑箱的输出对机器学习模型进行定义，然后对定义的模型进行训练，当误差满足条件时停止寻优确定超参数。

网格搜索通过查找搜索范围内的每一个点从而确定最优值，计算时长和资源占用大。随机搜索算法通过在搜索范围中随机取样本点来寻找全局最优点，但这种方法无法保证所得结果一定是最优值。贝叶斯优化算法和网格搜索、随机搜索不同，在进行新一轮参数选取时综合考虑之前的结果信息，确定参数优化方向，从而能够快速得到最优值。

贝叶斯在初始化阶段，由先验概率模型产生先验分布，并生成n 维参数向量代入目标函数，通过观测模型评估参数是否能够使目标函数取得最佳值，若不能则将信息向下传递，更新得到后验分布。在逐次迭代中，通过每次的信息传递不断更新先验分布，随着信息量的增加，概率模型得以修正，从而得到最优参数组向量的优化方向。

2.3 构建BO-LSTM 模型

BO-LSTM 的光伏积灰损失监测模型算法实现过程如图2所示。

图2 BO-LSTM 算法流程

步骤一：采集数据作为样本数据集。

步骤二：剔除无效数据并利用归一化函数处理原始数据，并将样本数据集分为训练样本集和测试样本集。

步骤三：通过贝叶斯算法产生初始超参数组合后训练模型，检验模型的预测精度，若不满足精度要求，则由贝叶斯优化算法经更新后产生一组新的超参数，重复迭代，直到满足精度要求得到最佳的模型训练效果。

步骤四：满足精度要求后，输出相应超参数及测试样本集的预测结果，并保存模型。

2.4 模型评价指标

研究中，采用了4种常用的统计误差指数，即均方误差（MSE）、均方根误差（RMSE）、平均绝对误差（MAE）和回归系数（R2），用以确定所用模型的精度水平和性能。

式中：n为总样本个数；i为样本编号（1～n）；Pi为第i个样本的真实值；为第i个样本的预测值，Pi为样本的平均值。

3 试验分析

3.1 试验系统

在2021年9月29日至2023年2月26日期间，对内蒙古自治区库布奇沙漠光伏电站实际运行的32块光伏组件进行积灰监测试验。试验现场如图3所示，选取同一组串上的光伏组件为研究对象，左侧16块光伏组件每日由清灰机器人进行清洁，视为清洁组串；右侧共16块光伏组件保持自然积灰状态，视为积灰组串；清洁组串和积灰组串分别与一个并网逆变器相连，由逆变器在最大功率点条件下测量直流功率、电压、电流。气象数据由安装在试验区的气象站测量。上述电气参数及气象数据均为每分钟采集一次，由网桥将数据传输至场站数据中心。

图3 试验现场

试验系统中光伏组件型号为亿晶EG-330P72-C，标准测试条件下的具体参数详见表1。气象站采用中科能慧NHQXZ607气象站，可精准测量环境温度、气压、相对湿度、风速、风向、降雨量、太阳总辐射、PM10、PM2.5。气象站参数详见表2。

表1 亿晶EG-330P72-C 光伏板参数

表2 气象站参数

3.2 光伏组件积灰损失分析

为分析气象因素对光伏组件积灰的影响，随机选取了三个月的数据进行研究。图4为2022年3月1日至2022年5月31日期间，积灰造成的光伏组串日发电量损失百分比，以及实测的辐照度、空气温度、相对湿度、风速、PM2.5和降水等气候条件。在此期间，16块积灰光伏组串共损失发电量88.58kWh，平均每天积灰造成光伏组件发电性能下降2.891%。2022年3月1日至2022年5月31日期间积灰损失和气象参数的变化趋势如图4所示。

图4 2022年3月1日至2022年5月31日期间积灰损失和气象参数的变化趋势

由图4可知，空气中的颗粒物浓度对光伏组件积灰存在促进作用，当PM2.5浓度高时，组件功率损失高。另外，降雨对光伏组件表面积灰有很大影响，每当出现降雨情况时，光伏组件功率损失有显著降低。从整体看，多个降雨周期内光伏组串的功率损失随自然积灰天数增加而增加，然而部分降雨周期内的积灰损失在经历初期的增长后保持在一个相对稳定的状态，如3月26日至4月8日期间，在降雨后的第三天功率损失增长到3.834%，随后在这一值附近波动，观察发现，这一时间段的平均风速在5m/s 以上且较低的环境湿度使光伏组件表面处于干燥状态，较高的风速可以提供充足的能量用以吹离粒径在10μm 以上的颗粒，而粒径小于10μm 的微粒由于受到的粘附力非常强无法通过风从表面去除，因此光伏组件表面积灰量处于动态平衡状态。

2022年3月1日至2022年5月31日期间积灰损失与气象因素的皮尔逊相关系数详见表3。统计分析结果反映各气象条件对光伏组件积灰损失的影响，由表3可以发现，PM2.5与光伏组件功率损失呈正相关，促进组件的积灰。气温、风速、日辐照量与光伏组件积灰呈负相关。湿度与积灰损失相关性很小，造成此现象主要是高湿度情况下容易在组件表面结露清洁积灰，而低湿度下对灰尘颗粒的黏附性降低使灰尘易被吹起，间接促进了灰尘的减少。

表3 2022年3月1日至2022年5月31日期间积灰损失与气象因素的皮尔逊相关系数

4 算例分析

4.1 数据选取

样本数据集由设计搭建的积灰监测系统所采集的2022年9月29日至2023年2月26日数据。通过分析发现日辐照量、气温、湿度、风速以及PM2.5对光伏组件积灰损失及组件发电量存在较大影响，因此在构建预测模型时可将气象数据作为输入量。降雨对组件积灰损失的影响更为严重，因此为了充分考虑降雨的影响，引入自然积灰天数这一变量，即出现降雨情况时自然积灰天数记为1，并随时间的增加而增加，直到出现下一次降雨重新归为1。最终确定BO-LSTM 预测模型采用日辐照量、温度、相对湿度、风速、PM2.5以及自然积灰天数作为输入量，输出变量为积灰造成的日发电量损失值。

4.2 模型预测结果分析

通过贝叶斯优化LSTM 模型，无须给出具体的超参数组合，在训练时可以设置较大的超参数搜索范围，因此，在训练BO-LSTM 模型时，学习率搜索范围为10-6～10-1，神经元层数为1～30，训练批次为2～400，定型周期为10～150。将数据集划分训练样本集和测试样本集，带入BO-LSTM 中进行建模和预测。使用训练样本集训练模型，再从数据集中抽取20%的数据作为测试集，利用测试集数据验证模型的有效性。

BO-LSTM 最优超参数组合详见表4。

表4 BO-LSTM 最优超参数组合

BO-LSTM 模型预测结果如图5所示。

图5 BO-LSTM 模型预测结果

BO-LSTM 模型预测结果误差详见表5。

表5 BO-LSTM 模型预测结果误差

表4给出了BO-LSTM 训练时的最优超参数组合。图5与表5分别为最优超参数组合的模型预测结果与误差，从预测效果来看，研究模型精度较高，对比同类型研究精度已有较大提升，文献[4]中利用气象数据预测光伏组件积灰程度，其精准度最高的改进型相似性建模方法的回归系数（R2）仅有0.53，文献[5]预测光伏积灰程度的人工神经网络的回归系数（R2）为0.537。

5 结语

基于光伏电站现场积灰监测试验台采集数据，本文通过对光伏积灰特性进行分析，探索在光伏电站工作过程中对光伏积灰影响较大的环境参数，发现日辐照量、气温、湿度、风速、PM2.5对光伏组件积灰损失及组件发电量存在较大影响。提出基于BO-LSTM 的光伏积灰损失预测模型，并与前人研究对比，证明了本研究模型精度高，光伏电站工作人员可结合此模型对清洗计划进行优化决策。