楊 旭，喻 聰，龔 旭

(中國電建集團(tuán)貴州工程有限公司，貴陽550003)

0 引言

在各項環(huán)境因素中，因光伏組件表面沉積的灰塵而造成的那部分光伏電站系統(tǒng)效率的損失，即污穢損失率，是影響光伏電站發(fā)電量的重要因素，其造成的影響僅次于太陽輻照度和溫度造成的影響[1]。尤其是建設(shè)于荒漠、沙漠等風(fēng)沙較大地方的光伏電站，降低污穢損失率顯得更加重要。因此，不同國家的學(xué)者均對自然條件下污穢與光伏發(fā)電性能之間的關(guān)系進(jìn)行了大量研究[2-5]，且均發(fā)現(xiàn)：污穢損失率隨空氣中灰塵含量、相對濕度、風(fēng)速等的不同而不同，但以上研究都未對各種情況與污穢損失率之間的關(guān)系進(jìn)行歸納。Micheli等[6]通過研究美國20個地點的光伏發(fā)電系統(tǒng)的污穢損失率，發(fā)現(xiàn)利用氣象和空氣污染數(shù)據(jù)預(yù)測每個地點的污穢損失率是可行的，但是該研究中并未給出量化分析氣象環(huán)境與污穢損失率之間關(guān)系的方法。Wasim等[5]對比了分別利用人工神經(jīng)網(wǎng)絡(luò)和線性回歸分析污穢損失率的效果，結(jié)果顯示：雖然人工神經(jīng)網(wǎng)絡(luò)在預(yù)測污穢損失率方面具有更高的精度，但其精度范圍也僅為50%～84%，作為工程應(yīng)用不確定度還是太高，同時該研究并未指明如何將其研究結(jié)果用于實際應(yīng)用。

遺傳算法是模擬生物在自然環(huán)境中的遺傳和進(jìn)化過程而形成的一種自適應(yīng)、全局的優(yōu)化搜索算法，具有廣泛適用性[7]。該算法最早由美國的John Holland于20世紀(jì)70年代提出，可巧妙地模擬生物染色體的交叉、變異等過程，將問題的求解轉(zhuǎn)變?yōu)樯锏倪M(jìn)化過程。因此，將遺傳算法應(yīng)用到神經(jīng)網(wǎng)絡(luò)對光伏電站系統(tǒng)效率損失的污穢損失率預(yù)測中，不僅能解決預(yù)測過程中的隨機(jī)性問題，獲取最優(yōu)的神經(jīng)網(wǎng)絡(luò)參數(shù)[8-9]，而且還能提高預(yù)測精度，為工程評估提供更為可靠的結(jié)果?；诖耍疚膶⑦z傳算法與反向傳播(back propagation，BP)神經(jīng)網(wǎng)絡(luò)進(jìn)行結(jié)合(下文簡稱為“遺傳算法BP神經(jīng)網(wǎng)絡(luò)”)，并建模，通過模擬分析風(fēng)速、風(fēng)向、相對濕度及環(huán)境PM10濃度這些氣象條件與日污穢損失率之間的關(guān)系，建立改進(jìn)的光伏電站日污穢損失率預(yù)測模型。

1 BP神經(jīng)網(wǎng)絡(luò)

1986年，BP神經(jīng)網(wǎng)絡(luò)[8,10]由Rumelhart和McClelland率先提出，是一種按誤差逆向傳播法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，在目前的神經(jīng)網(wǎng)絡(luò)中其應(yīng)用較為廣泛。將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用到光伏電站的日污穢損失率預(yù)測中，分析日污穢損失率與風(fēng)速、風(fēng)向、相對濕度及環(huán)境PM10濃度等之間的關(guān)系。BP神經(jīng)網(wǎng)絡(luò)的一個神經(jīng)元如圖1所示[8]。圖中：n為輸入權(quán)值的個數(shù)；xi為激活函數(shù)的第i個輸入?yún)?shù)，i∈n；wi為第i個輸入權(quán)值；f為激活函數(shù)；α為上層神經(jīng)元輸出；B為偏置；y為輸出函數(shù)。

圖1 BP神經(jīng)網(wǎng)絡(luò)的一個神經(jīng)元Fig. 1 A neuron of BP neural network

圖1中，n個輸入權(quán)值wn(n=1, 2,…,i,…,n)

(α,B)。

BP神經(jīng)網(wǎng)絡(luò)中隱含層激活函數(shù)f(x)通常由雙曲正切函數(shù)表示，即：

其中，激活函數(shù)的輸入?yún)?shù)可表示為：

日污穢損失率的預(yù)測值yk與日污穢損失率的真實值tk的誤差E可表示為：

2 遺傳算法

遺傳算法的基本操作步驟為：

1)確定位串。采用長度l的二進(jìn)制字符串{0,1}來表示每個個體的編碼，也稱位串。編碼通常需考慮完備性、健全性、非冗余性等方面。問題空間中的所有點都能通過遺傳算法空間中的點來表現(xiàn)，染色體和候選解一一對應(yīng)。

2) 建立初始群體。隨機(jī)生成M個個體作為初始群體P(0)，個體數(shù)量可選擇4～30個。

3)適應(yīng)度。適應(yīng)度用于表示個體對環(huán)境的適應(yīng)能力，也即繁殖后代的能力，是判斷群體中的個體優(yōu)劣程度的指標(biāo)。在本模型中適應(yīng)度為訓(xùn)練數(shù)據(jù)的預(yù)測誤差。

4)個體的選擇。從舊群體中選擇個體到新群體中，個體被選中的概率與適應(yīng)度值有關(guān)，適應(yīng)度值越好，被選中的概率越大。

5)個體的交叉。從個體中選擇2個個體，通過將2個個體的染色體交叉組合，從而產(chǎn)生新的優(yōu)秀個體。

6)個體的變異。從群體中選擇任意1個個體，選擇個體的染色體中的1點進(jìn)行變異，以產(chǎn)生更優(yōu)秀的個體。

3 遺傳算法BP神經(jīng)網(wǎng)絡(luò)模型

遺傳算法BP神經(jīng)網(wǎng)絡(luò)可擴(kuò)大神經(jīng)網(wǎng)絡(luò)的搜索空間、提高計算效率[11]。遺傳算法BP神經(jīng)網(wǎng)絡(luò)模型的計算流程圖[8]如圖2所示。

圖2 遺傳算法BP神經(jīng)網(wǎng)絡(luò)模型的計算流程圖Fig. 2 Calculation flow chart of genetic algorithm BP neural network model

4 參數(shù)選擇及計算分析

4.1 參數(shù)選擇

選擇文獻(xiàn)[5]中的統(tǒng)計數(shù)據(jù)作為遺傳算法BP神經(jīng)網(wǎng)絡(luò)模型的計算數(shù)據(jù)，由于影響光伏電站的污穢損失率的氣象條件因素主要包括風(fēng)速、風(fēng)向、相對濕度、環(huán)境PM10濃度等，因此，將風(fēng)速、風(fēng)向、相對濕度、環(huán)境PM10濃度作為模型的輸入?yún)?shù)；將日污穢損失率作為模型的輸出參數(shù)。

4.2 模型驗證與誤差分析

依據(jù)圖2，利用遺傳算法BP神經(jīng)網(wǎng)絡(luò)模型對數(shù)據(jù)進(jìn)行處理，從所有收集到的數(shù)據(jù)中隨機(jī)選擇80%的數(shù)據(jù)用于模型訓(xùn)練，從而獲取模型參數(shù)；然后利用未使用的20%的數(shù)據(jù)來預(yù)測日污穢損失率。日污穢損失率的預(yù)測值與真實值的對比如圖3所示，預(yù)測值與真實值的誤差如圖4所示。

圖 3 日污穢損失率的預(yù)測值與真實值的對比Fig. 3 Comparison between predicted value and actual value of daily pollution loss rate

圖4 日污穢損失率的預(yù)測值與真實值的誤差Fig. 4 Error between predicted value and actual value of daily pollution loss rate

從圖3可以看出；日污穢損失率的預(yù)測值與真實值的跟隨性較好，且模型能準(zhǔn)確模擬出個別出現(xiàn)正值(正值代表日污穢損失率相對于前一天減小，負(fù)值代表日污穢損失率相對于前一天增加)的情況。雖然存在極個別誤差較大的點，但是考慮到日污穢損失率對光伏電站發(fā)電量的影響是一個累積過程，極個別的單日誤差不會影響對于污穢損失率的整體評估。

通過圖4中的數(shù)據(jù)可以計算得到：日污穢損失率的預(yù)測值與真實值之間的平均絕對誤差為0.0722%，均方差為0.0096%，均方根誤差為0.098%，相對誤差為83.44%，回歸系數(shù)為89.9%。而文獻(xiàn)[5]中單純使用人工神經(jīng)網(wǎng)絡(luò)時得到的回歸系數(shù)為50%～84%，本模型結(jié)果比其最高可提高5.9%。從誤差來看，日污穢損失率預(yù)測值能很好地反應(yīng)真實情況，可以應(yīng)用到實際光伏發(fā)電工程中。

4.3 年污穢損失率預(yù)測

根據(jù)訓(xùn)練得到的模型參數(shù)，使用卡塔爾多哈市的氣象數(shù)據(jù)，預(yù)測2015年該地區(qū)光伏電站的日污穢損失率，預(yù)測結(jié)果如圖5所示。

圖5 1年內(nèi)的日污穢損失率預(yù)測結(jié)果Fig. 5 Daily pollution loss rate forecast results for one year

從圖5可以看到：該地區(qū)光伏電站存在部分日污穢損失率大于零的情況。從所有886組樣本數(shù)據(jù)中篩選出正值的情況，分析發(fā)現(xiàn)：有14組數(shù)據(jù)是在風(fēng)速為0～2 m/s、相對濕度大于75%、環(huán)境PM10濃度為0.085～0.150 mg/m3的情況下出現(xiàn)的正值；有27組數(shù)據(jù)是在風(fēng)速大于4 m/s、相對濕度為15%～60%、環(huán)境PM10濃度為0.11～0.17 mg/m3的情況下出現(xiàn)的正值；有52組數(shù)據(jù)是在風(fēng)速為2～4 m/s、相對濕度為15%～30%、環(huán)境PM10濃度為0.10～0.12 mg/m3的情況下出現(xiàn)的正值。通過比較當(dāng)時的氣象條件可以發(fā)現(xiàn)，在2種氣象條件下日污穢損失率出現(xiàn)正值的可能性較大：一種是在高風(fēng)速、低濕度的情況下，即在天氣較干燥、風(fēng)速較大的情況下，更容易將沉積在光伏組件表面上的灰塵吹起，使光伏組件表面變得較為清潔；另一種是相對濕度較大的情況，往往預(yù)示著下雨或類似天氣情況，降水將光伏組件表面上沉積的灰塵沖刷掉，導(dǎo)致日污穢損失率出現(xiàn)正值?？梢钥吹?，該種情況能通過遺傳算法BP神經(jīng)網(wǎng)絡(luò)模型準(zhǔn)確預(yù)測。

在表面有灰塵堆積，但不考慮光伏組件清洗的情況下，得到當(dāng)?shù)丨h(huán)境下光伏組件1年內(nèi)的潔凈率情況，具體如圖6所示。

圖6 1年內(nèi)光伏組件不清洗時的日潔凈率情況Fig. 6 Daily cleaning rate within one year without cleaning

從圖6可以看出：從第1天開始沉積灰塵，在全年不進(jìn)行清洗時，光伏組件表面的潔凈率逐漸降低，與時間呈二次曲線的關(guān)系，前期光伏組件的日潔凈率下降較快，到后期下降較慢，這是因為前期沉積的灰塵已經(jīng)遮擋了大部分陽光；而后期繼續(xù)沉積的灰塵雖然覆蓋在光伏組件表面后能繼續(xù)導(dǎo)致其日潔凈率降低，但是降低幅度減小了。從灰塵的年累積效果來看，年底時光伏組件表面的日潔凈率為年初時的14.51%，即到年底時造成的污穢損失率將達(dá)到85.49%；年均潔凈率僅為43.81%，年均污穢損失率將達(dá)到56.19%，這一損失值非常大，將嚴(yán)重影響光伏電站的發(fā)電量。所以現(xiàn)在的光伏電站在設(shè)計時大多要考慮與清洗策略配合，采取清洗機(jī)器人、人工或機(jī)械清洗措施。

4.4 預(yù)測污穢損失率與光伏組件清洗策略

為了將遺傳算法BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測得到的日污穢損失率結(jié)果應(yīng)用于光伏電站設(shè)計中，需要將灰塵沉積與光伏組件的清洗策略結(jié)合，假設(shè)每次清洗都能完全清洗光伏組件表面的灰塵，計算得到清洗周期分別為1、3、5、…、17天時光伏組件表面的年均潔凈率，具體如圖7所示。

圖 7 清洗周期與光伏組件表面年均潔凈率的關(guān)系Fig. 7 Relationship between cleaning cycle and annual average cleaning rate of PV module surface

從圖7可以看到：隨著清洗周期的延長，光伏組件表面的年均潔凈率呈線性降低，這也說明污穢損失率隨著清洗周期的延長呈線性增加。清洗周期越長，灰塵在光伏組件表面停留的時間就越長，遮擋陽光直射到光伏組件上的時間就越長；從長效應(yīng)來看，灰塵的沉積是每天增加的，每天增加的部分將增大對陽光的阻擋，而且覆蓋在光伏組件表面的灰塵還會影響光伏組件的散熱，導(dǎo)致光伏組件的輸出功率進(jìn)一步降低。從圖7還可以看出：每天清洗時光伏組件表面的年均潔凈率高達(dá)99.18%，而若間隔17天清洗一次，則年均潔凈率將降至95.16%。由于各個地方的氣象條件不一樣，不同清洗周期得到的光伏組件表面的年均潔凈率不同，對于具體的光伏電站，則需要根據(jù)當(dāng)?shù)貧庀髼l件做具體分析。

計算得到清洗周期為7天時1年內(nèi)光伏組件的日潔凈率，具體如圖8所示。

圖8 清洗周期為7天時1年內(nèi)光伏組件的日潔凈率Fig. 8 Daily cleaning rate of PV modules when cleaning cycle is 7 days in one year

從圖8可以看出：每次清洗完成后到下一次清洗之前，空氣中的灰塵逐漸在光伏組件表面積累，光伏組件的日潔凈率逐漸降低，直到下一次清洗后才得以恢復(fù)，并開始下一次循環(huán)。而日潔凈率降低的值即為圖5給出的日污穢損失率值，這樣在1年內(nèi)對圖中曲線進(jìn)行積分后可計算出平均值，由此得到光伏組件1年的平均潔凈率，該值可以用于光伏電站設(shè)計時日污穢損失率的評估。

5 結(jié)論

本文將遺傳算法與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合形成遺傳算法BP神經(jīng)網(wǎng)絡(luò)，并建模，通過輸入風(fēng)速、風(fēng)向、相對濕度及環(huán)境PM10濃度，研究了氣象條件對光伏電站日污穢損失率的影響。結(jié)果顯示：

1)利用遺傳算法BP神經(jīng)網(wǎng)絡(luò)和氣象數(shù)據(jù)對日污穢損失率進(jìn)行預(yù)測的誤差可以滿足精度要求，相比于單純使用人工神經(jīng)網(wǎng)絡(luò)，誤差可減少

5.9%。

2)日污穢損失率隨著光伏組件清洗周期的延長呈線性增長，光伏組件表面年均潔凈率呈線性下降。

3) 遺傳算法BP神經(jīng)網(wǎng)絡(luò)能很好預(yù)測氣象環(huán)境導(dǎo)致的污穢損失率，通過氣象條件參數(shù)可以對當(dāng)?shù)亟ㄔO(shè)的光伏電站的日污穢損失率進(jìn)行預(yù)估。