气象条件对光伏电站日污秽损失率的影响分析

杨 旭，喻 聪，龚 旭

(中国电建集团贵州工程有限公司，贵阳550003)

0 引言

在各项环境因素中，因光伏组件表面沉积的灰尘而造成的那部分光伏电站系统效率的损失，即污秽损失率，是影响光伏电站发电量的重要因素，其造成的影响仅次于太阳辐照度和温度造成的影响[1]。尤其是建设于荒漠、沙漠等风沙较大地方的光伏电站，降低污秽损失率显得更加重要。因此，不同国家的学者均对自然条件下污秽与光伏发电性能之间的关系进行了大量研究[2-5]，且均发现：污秽损失率随空气中灰尘含量、相对湿度、风速等的不同而不同，但以上研究都未对各种情况与污秽损失率之间的关系进行归纳。Micheli等[6]通过研究美国20个地点的光伏发电系统的污秽损失率，发现利用气象和空气污染数据预测每个地点的污秽损失率是可行的，但是该研究中并未给出量化分析气象环境与污秽损失率之间关系的方法。Wasim等[5]对比了分别利用人工神经网络和线性回归分析污秽损失率的效果，结果显示：虽然人工神经网络在预测污秽损失率方面具有更高的精度，但其精度范围也仅为50%～84%，作为工程应用不确定度还是太高，同时该研究并未指明如何将其研究结果用于实际应用。

遗传算法是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应、全局的优化搜索算法，具有广泛适用性[7]。该算法最早由美国的John Holland于20世纪70年代提出，可巧妙地模拟生物染色体的交叉、变异等过程，将问题的求解转变为生物的进化过程。因此，将遗传算法应用到神经网络对光伏电站系统效率损失的污秽损失率预测中，不仅能解决预测过程中的随机性问题，获取最优的神经网络参数[8-9]，而且还能提高预测精度，为工程评估提供更为可靠的结果。基于此，本文将遗传算法与反向传播(back propagation，BP)神经网络进行结合(下文简称为“遗传算法BP神经网络”)，并建模，通过模拟分析风速、风向、相对湿度及环境PM10浓度这些气象条件与日污秽损失率之间的关系，建立改进的光伏电站日污秽损失率预测模型。

1 BP神经网络

1986年，BP神经网络[8,10]由Rumelhart和McClelland率先提出，是一种按误差逆向传播法训练的多层前馈神经网络，在目前的神经网络中其应用较为广泛。将BP神经网络应用到光伏电站的日污秽损失率预测中，分析日污秽损失率与风速、风向、相对湿度及环境PM10浓度等之间的关系。BP神经网络的一个神经元如图1所示[8]。图中：n为输入权值的个数；xi为激活函数的第i个输入参数，i∈n；wi为第i个输入权值；f为激活函数；α为上层神经元输出；B为偏置；y为输出函数。

图1 BP神经网络的一个神经元Fig. 1 A neuron of BP neural network

图1中，n个输入权值wn(n=1, 2,…,i,…,n)

(α,B)。

BP神经网络中隐含层激活函数f(x)通常由双曲正切函数表示，即：

其中，激活函数的输入参数可表示为：

日污秽损失率的预测值yk与日污秽损失率的真实值tk的误差E可表示为：

2 遗传算法

遗传算法的基本操作步骤为：

1)确定位串。采用长度l的二进制字符串{0,1}来表示每个个体的编码，也称位串。编码通常需考虑完备性、健全性、非冗余性等方面。问题空间中的所有点都能通过遗传算法空间中的点来表现，染色体和候选解一一对应。

2) 建立初始群体。随机生成M个个体作为初始群体P(0)，个体数量可选择4～30个。

3)适应度。适应度用于表示个体对环境的适应能力，也即繁殖后代的能力，是判断群体中的个体优劣程度的指标。在本模型中适应度为训练数据的预测误差。

4)个体的选择。从旧群体中选择个体到新群体中，个体被选中的概率与适应度值有关，适应度值越好，被选中的概率越大。

5)个体的交叉。从个体中选择2个个体，通过将2个个体的染色体交叉组合，从而产生新的优秀个体。

6)个体的变异。从群体中选择任意1个个体，选择个体的染色体中的1点进行变异，以产生更优秀的个体。

3 遗传算法BP神经网络模型

遗传算法BP神经网络可扩大神经网络的搜索空间、提高计算效率[11]。遗传算法BP神经网络模型的计算流程图[8]如图2所示。

图2 遗传算法BP神经网络模型的计算流程图Fig. 2 Calculation flow chart of genetic algorithm BP neural network model

4 参数选择及计算分析

4.1 参数选择

选择文献[5]中的统计数据作为遗传算法BP神经网络模型的计算数据，由于影响光伏电站的污秽损失率的气象条件因素主要包括风速、风向、相对湿度、环境PM10浓度等，因此，将风速、风向、相对湿度、环境PM10浓度作为模型的输入参数；将日污秽损失率作为模型的输出参数。

4.2 模型验证与误差分析

依据图2，利用遗传算法BP神经网络模型对数据进行处理，从所有收集到的数据中随机选择80%的数据用于模型训练，从而获取模型参数；然后利用未使用的20%的数据来预测日污秽损失率。日污秽损失率的预测值与真实值的对比如图3所示，预测值与真实值的误差如图4所示。

图 3 日污秽损失率的预测值与真实值的对比Fig. 3 Comparison between predicted value and actual value of daily pollution loss rate

图4 日污秽损失率的预测值与真实值的误差Fig. 4 Error between predicted value and actual value of daily pollution loss rate

从图3可以看出；日污秽损失率的预测值与真实值的跟随性较好，且模型能准确模拟出个别出现正值(正值代表日污秽损失率相对于前一天减小，负值代表日污秽损失率相对于前一天增加)的情况。虽然存在极个别误差较大的点，但是考虑到日污秽损失率对光伏电站发电量的影响是一个累积过程，极个别的单日误差不会影响对于污秽损失率的整体评估。

通过图4中的数据可以计算得到：日污秽损失率的预测值与真实值之间的平均绝对误差为0.0722%，均方差为0.0096%，均方根误差为0.098%，相对误差为83.44%，回归系数为89.9%。而文献[5]中单纯使用人工神经网络时得到的回归系数为50%～84%，本模型结果比其最高可提高5.9%。从误差来看，日污秽损失率预测值能很好地反应真实情况，可以应用到实际光伏发电工程中。

4.3 年污秽损失率预测

根据训练得到的模型参数，使用卡塔尔多哈市的气象数据，预测2015年该地区光伏电站的日污秽损失率，预测结果如图5所示。

图5 1年内的日污秽损失率预测结果Fig. 5 Daily pollution loss rate forecast results for one year

从图5可以看到：该地区光伏电站存在部分日污秽损失率大于零的情况。从所有886组样本数据中筛选出正值的情况，分析发现：有14组数据是在风速为0～2 m/s、相对湿度大于75%、环境PM10浓度为0.085～0.150 mg/m3的情况下出现的正值；有27组数据是在风速大于4 m/s、相对湿度为15%～60%、环境PM10浓度为0.11～0.17 mg/m3的情况下出现的正值；有52组数据是在风速为2～4 m/s、相对湿度为15%～30%、环境PM10浓度为0.10～0.12 mg/m3的情况下出现的正值。通过比较当时的气象条件可以发现，在2种气象条件下日污秽损失率出现正值的可能性较大：一种是在高风速、低湿度的情况下，即在天气较干燥、风速较大的情况下，更容易将沉积在光伏组件表面上的灰尘吹起，使光伏组件表面变得较为清洁；另一种是相对湿度较大的情况，往往预示着下雨或类似天气情况，降水将光伏组件表面上沉积的灰尘冲刷掉，导致日污秽损失率出现正值。可以看到，该种情况能通过遗传算法BP神经网络模型准确预测。

在表面有灰尘堆积，但不考虑光伏组件清洗的情况下，得到当地环境下光伏组件1年内的洁净率情况，具体如图6所示。

图6 1年内光伏组件不清洗时的日洁净率情况Fig. 6 Daily cleaning rate within one year without cleaning

从图6可以看出：从第1天开始沉积灰尘，在全年不进行清洗时，光伏组件表面的洁净率逐渐降低，与时间呈二次曲线的关系，前期光伏组件的日洁净率下降较快，到后期下降较慢，这是因为前期沉积的灰尘已经遮挡了大部分阳光；而后期继续沉积的灰尘虽然覆盖在光伏组件表面后能继续导致其日洁净率降低，但是降低幅度减小了。从灰尘的年累积效果来看，年底时光伏组件表面的日洁净率为年初时的14.51%，即到年底时造成的污秽损失率将达到85.49%；年均洁净率仅为43.81%，年均污秽损失率将达到56.19%，这一损失值非常大，将严重影响光伏电站的发电量。所以现在的光伏电站在设计时大多要考虑与清洗策略配合，采取清洗机器人、人工或机械清洗措施。

4.4 预测污秽损失率与光伏组件清洗策略

为了将遗传算法BP神经网络模型预测得到的日污秽损失率结果应用于光伏电站设计中，需要将灰尘沉积与光伏组件的清洗策略结合，假设每次清洗都能完全清洗光伏组件表面的灰尘，计算得到清洗周期分别为1、3、5、…、17天时光伏组件表面的年均洁净率，具体如图7所示。

图 7 清洗周期与光伏组件表面年均洁净率的关系Fig. 7 Relationship between cleaning cycle and annual average cleaning rate of PV module surface

从图7可以看到：随着清洗周期的延长，光伏组件表面的年均洁净率呈线性降低，这也说明污秽损失率随着清洗周期的延长呈线性增加。清洗周期越长，灰尘在光伏组件表面停留的时间就越长，遮挡阳光直射到光伏组件上的时间就越长；从长效应来看，灰尘的沉积是每天增加的，每天增加的部分将增大对阳光的阻挡，而且覆盖在光伏组件表面的灰尘还会影响光伏组件的散热，导致光伏组件的输出功率进一步降低。从图7还可以看出：每天清洗时光伏组件表面的年均洁净率高达99.18%，而若间隔17天清洗一次，则年均洁净率将降至95.16%。由于各个地方的气象条件不一样，不同清洗周期得到的光伏组件表面的年均洁净率不同，对于具体的光伏电站，则需要根据当地气象条件做具体分析。

计算得到清洗周期为7天时1年内光伏组件的日洁净率，具体如图8所示。

图8 清洗周期为7天时1年内光伏组件的日洁净率Fig. 8 Daily cleaning rate of PV modules when cleaning cycle is 7 days in one year

从图8可以看出：每次清洗完成后到下一次清洗之前，空气中的灰尘逐渐在光伏组件表面积累，光伏组件的日洁净率逐渐降低，直到下一次清洗后才得以恢复，并开始下一次循环。而日洁净率降低的值即为图5给出的日污秽损失率值，这样在1年内对图中曲线进行积分后可计算出平均值，由此得到光伏组件1年的平均洁净率，该值可以用于光伏电站设计时日污秽损失率的评估。

5 结论

本文将遗传算法与BP神经网络相结合形成遗传算法BP神经网络，并建模，通过输入风速、风向、相对湿度及环境PM10浓度，研究了气象条件对光伏电站日污秽损失率的影响。结果显示：

1)利用遗传算法BP神经网络和气象数据对日污秽损失率进行预测的误差可以满足精度要求，相比于单纯使用人工神经网络，误差可减少

5.9%。

2)日污秽损失率随着光伏组件清洗周期的延长呈线性增长，光伏组件表面年均洁净率呈线性下降。

3) 遗传算法BP神经网络能很好预测气象环境导致的污秽损失率，通过气象条件参数可以对当地建设的光伏电站的日污秽损失率进行预估。