華北電力大學 李慶哲 李 斌

1 引言

當今時代尋找煤、石油、天然氣等傳統(tǒng)能源的代替品已經(jīng)成為社會發(fā)展的主流，各國政府逐漸參與到開發(fā)新能源的項目中，而太陽能的利用更是新能源開發(fā)中必不可少的一環(huán)。目前，我國太陽能發(fā)電技術在不斷發(fā)展，2021年，我國新增光伏裝機規(guī)模達5488萬kW，連續(xù)9年位居世界第一，累計光伏裝機容量達3.06億kW，連續(xù)7年位居全球第一。

光伏行業(yè)快速發(fā)展的同時產(chǎn)生了許多問題，其中光伏組件積灰屬于嚴重問題。光伏組件安裝在室外且長時間運行不更換，導致光伏組件多數(shù)情況下處于覆灰蒙塵狀態(tài)，積灰引起的遮光效應、熱斑效應等嚴重影響了光伏發(fā)電的經(jīng)濟性和安全性。在德黑蘭的70d 無降雨試驗中，光伏組件積灰密度達到6.0986g/m2，導致輸出功率降低21.47%[1]。為了清潔組件表面積灰，現(xiàn)場工作人員依靠經(jīng)驗決定清洗日期，但這樣無法保證光伏電站運行經(jīng)濟效益，因此，積灰損失預測是制定合理清洗策略的基礎依據(jù)。

Yazdani 等[2]根據(jù)試驗采集數(shù)據(jù)，利用指數(shù)模型，對每日功率損失百分比與光伏組件自然積灰天數(shù)進行擬合，根據(jù)光伏組件暴露在戶外時間計算功率損失，該類方法計算簡單，但受外界因素影響較大，計算結果存在較大誤差。居發(fā)禮[3]通過灰色模型依據(jù)歷史平均積灰數(shù)據(jù)建立積灰預測模型，然而在無大量歷史數(shù)據(jù)時無法預測，且未考慮具體氣象參數(shù)。王中豪[4]、Wasim[5]利用改進型相似性建模、人工神經(jīng)網(wǎng)絡等方法進行積灰損失的診斷工作，但這些研究結果的準確度較低?？紤]已有研究的不足，本文基于LSTM 在處理時序數(shù)據(jù)的優(yōu)越性，利用貝葉斯算法LSTM 進行優(yōu)化，開發(fā)了BO-LSTM 算法。通過光伏電站現(xiàn)場光伏組件積灰監(jiān)測試驗，獲取積灰對光伏發(fā)電影響的試驗數(shù)據(jù)，對BO-LSTM算法的積灰預測效果進行驗證。

2 算法介紹

2.1 LSTM 神經(jīng)網(wǎng)絡

循環(huán)神經(jīng)網(wǎng)絡（Recurrent Neural Network，RNN）是用于時間序列信號分類的最傳統(tǒng)的深度學習方法，但RNN 對于長序列數(shù)據(jù)常常存在梯度消失的問題，難以學習和保存長期信息。Hochrieter 和Schmidhuber 在1997年提出的長短期記憶（Long Short-Term Memory，LSTM）神經(jīng)網(wǎng)絡可以解決RNN 在長序列訓練過程中存在的梯度消失和梯度爆炸問題。LSTM 模型的單元結構如圖1所示，LSTM的神經(jīng)元也被稱為細胞，神經(jīng)元中包含輸入門、輸出門和遺忘門，內(nèi)部信息傳遞主要通過門進行傳遞，可以對關鍵信息進行選擇性“記憶”與“遺忘”，將多個LSTM 單元相互鏈接后形成LSTM 網(wǎng)絡。

圖1 LSTM 單元結構

信息進入神經(jīng)元的第一步就是進入sigmoid 層組成的遺忘門，選擇性遺忘輸入的信息，輸入為上一神經(jīng)元輸出的隱藏層狀態(tài)ht-1和這一神經(jīng)元的輸入xt，經(jīng)sigmoid 函數(shù)后為Ct-1中的值輸出一個0～1的值，表示數(shù)據(jù)的保留狀態(tài)。

式中：ft為遺忘門；σ為激活函數(shù)；Wxf為輸入與遺忘門之間的連接權重矩陣；Whf為遺忘門前一時刻狀態(tài)與當前狀態(tài)的連接權重矩陣；bf為遺忘門的偏差值。

式中：it為輸入門，判斷該數(shù)據(jù)流是否記錄到當前細胞狀態(tài)；Ct為單元狀態(tài)，用于保留當前輸入的特征；bi和bc為偏差值。

式中：ot代表輸出門，控制Ct影響這一神經(jīng)元輸出的程度；ht代表隱藏層狀態(tài)；bo為輸出門的偏差值。

2.2 貝葉斯優(yōu)化算法

在構建神經(jīng)網(wǎng)絡模型前，需要確定構建模型所需的超參數(shù)，模型的最終預測效果很大程度上受超參數(shù)的影響，對模型超參數(shù)的調(diào)整常常參考用于其他問題超參數(shù)取值，然后反復嘗試人工尋找最佳值，這樣的操作將會消耗大量計算資源，而且最終獲得的超參數(shù)可能不是最優(yōu)，使得模型精度受限。因此為進行高效的超參數(shù)調(diào)優(yōu)，常用方法包括網(wǎng)格搜索、隨機搜索以及貝葉斯優(yōu)化（Bayesian Optimization，BO）等。超參數(shù)調(diào)化是一個黑箱問題，用黑箱的輸出對機器學習模型進行定義，然后對定義的模型進行訓練，當誤差滿足條件時停止尋優(yōu)確定超參數(shù)。

網(wǎng)格搜索通過查找搜索范圍內(nèi)的每一個點從而確定最優(yōu)值，計算時長和資源占用大。隨機搜索算法通過在搜索范圍中隨機取樣本點來尋找全局最優(yōu)點，但這種方法無法保證所得結果一定是最優(yōu)值。貝葉斯優(yōu)化算法和網(wǎng)格搜索、隨機搜索不同，在進行新一輪參數(shù)選取時綜合考慮之前的結果信息，確定參數(shù)優(yōu)化方向，從而能夠快速得到最優(yōu)值。

貝葉斯在初始化階段，由先驗概率模型產(chǎn)生先驗分布，并生成n 維參數(shù)向量代入目標函數(shù)，通過觀測模型評估參數(shù)是否能夠使目標函數(shù)取得最佳值，若不能則將信息向下傳遞，更新得到后驗分布。在逐次迭代中，通過每次的信息傳遞不斷更新先驗分布，隨著信息量的增加，概率模型得以修正，從而得到最優(yōu)參數(shù)組向量的優(yōu)化方向。

2.3 構建BO-LSTM 模型

BO-LSTM 的光伏積灰損失監(jiān)測模型算法實現(xiàn)過程如圖2所示。

圖2 BO-LSTM 算法流程

步驟一：采集數(shù)據(jù)作為樣本數(shù)據(jù)集。

步驟二：剔除無效數(shù)據(jù)并利用歸一化函數(shù)處理原始數(shù)據(jù)，并將樣本數(shù)據(jù)集分為訓練樣本集和測試樣本集。

步驟三：通過貝葉斯算法產(chǎn)生初始超參數(shù)組合后訓練模型，檢驗模型的預測精度，若不滿足精度要求，則由貝葉斯優(yōu)化算法經(jīng)更新后產(chǎn)生一組新的超參數(shù)，重復迭代，直到滿足精度要求得到最佳的模型訓練效果。

步驟四：滿足精度要求后，輸出相應超參數(shù)及測試樣本集的預測結果，并保存模型。

2.4 模型評價指標

研究中，采用了4種常用的統(tǒng)計誤差指數(shù)，即均方誤差（MSE）、均方根誤差（RMSE）、平均絕對誤差（MAE）和回歸系數(shù)（R2），用以確定所用模型的精度水平和性能。

式中：n為總樣本個數(shù)；i為樣本編號（1～n）；Pi為第i個樣本的真實值；為第i個樣本的預測值，Pi為樣本的平均值。

3 試驗分析

3.1 試驗系統(tǒng)

在2021年9月29日至2023年2月26日期間，對內(nèi)蒙古自治區(qū)庫布奇沙漠光伏電站實際運行的32塊光伏組件進行積灰監(jiān)測試驗。試驗現(xiàn)場如圖3所示，選取同一組串上的光伏組件為研究對象，左側16塊光伏組件每日由清灰機器人進行清潔，視為清潔組串；右側共16塊光伏組件保持自然積灰狀態(tài)，視為積灰組串；清潔組串和積灰組串分別與一個并網(wǎng)逆變器相連，由逆變器在最大功率點條件下測量直流功率、電壓、電流。氣象數(shù)據(jù)由安裝在試驗區(qū)的氣象站測量。上述電氣參數(shù)及氣象數(shù)據(jù)均為每分鐘采集一次，由網(wǎng)橋將數(shù)據(jù)傳輸至場站數(shù)據(jù)中心。

圖3 試驗現(xiàn)場

試驗系統(tǒng)中光伏組件型號為億晶EG-330P72-C，標準測試條件下的具體參數(shù)詳見表1。氣象站采用中科能慧NHQXZ607氣象站，可精準測量環(huán)境溫度、氣壓、相對濕度、風速、風向、降雨量、太陽總輻射、PM10、PM2.5。氣象站參數(shù)詳見表2。

表1 億晶EG-330P72-C 光伏板參數(shù)

表2 氣象站參數(shù)

3.2 光伏組件積灰損失分析

為分析氣象因素對光伏組件積灰的影響，隨機選取了三個月的數(shù)據(jù)進行研究。圖4為2022年3月1日至2022年5月31日期間，積灰造成的光伏組串日發(fā)電量損失百分比，以及實測的輻照度、空氣溫度、相對濕度、風速、PM2.5和降水等氣候條件。在此期間，16塊積灰光伏組串共損失發(fā)電量88.58kWh，平均每天積灰造成光伏組件發(fā)電性能下降2.891%。2022年3月1日至2022年5月31日期間積灰損失和氣象參數(shù)的變化趨勢如圖4所示。

圖4 2022年3月1日至2022年5月31日期間積灰損失和氣象參數(shù)的變化趨勢

由圖4可知，空氣中的顆粒物濃度對光伏組件積灰存在促進作用，當PM2.5濃度高時，組件功率損失高。另外，降雨對光伏組件表面積灰有很大影響，每當出現(xiàn)降雨情況時，光伏組件功率損失有顯著降低。從整體看，多個降雨周期內(nèi)光伏組串的功率損失隨自然積灰天數(shù)增加而增加，然而部分降雨周期內(nèi)的積灰損失在經(jīng)歷初期的增長后保持在一個相對穩(wěn)定的狀態(tài)，如3月26日至4月8日期間，在降雨后的第三天功率損失增長到3.834%，隨后在這一值附近波動，觀察發(fā)現(xiàn)，這一時間段的平均風速在5m/s 以上且較低的環(huán)境濕度使光伏組件表面處于干燥狀態(tài)，較高的風速可以提供充足的能量用以吹離粒徑在10μm 以上的顆粒，而粒徑小于10μm 的微粒由于受到的粘附力非常強無法通過風從表面去除，因此光伏組件表面積灰量處于動態(tài)平衡狀態(tài)。

2022年3月1日至2022年5月31日期間積灰損失與氣象因素的皮爾遜相關系數(shù)詳見表3。統(tǒng)計分析結果反映各氣象條件對光伏組件積灰損失的影響，由表3可以發(fā)現(xiàn)，PM2.5與光伏組件功率損失呈正相關，促進組件的積灰。氣溫、風速、日輻照量與光伏組件積灰呈負相關。濕度與積灰損失相關性很小，造成此現(xiàn)象主要是高濕度情況下容易在組件表面結露清潔積灰，而低濕度下對灰塵顆粒的黏附性降低使灰塵易被吹起，間接促進了灰塵的減少。

表3 2022年3月1日至2022年5月31日期間積灰損失與氣象因素的皮爾遜相關系數(shù)

4 算例分析

4.1 數(shù)據(jù)選取

樣本數(shù)據(jù)集由設計搭建的積灰監(jiān)測系統(tǒng)所采集的2022年9月29日至2023年2月26日數(shù)據(jù)。通過分析發(fā)現(xiàn)日輻照量、氣溫、濕度、風速以及PM2.5對光伏組件積灰損失及組件發(fā)電量存在較大影響，因此在構建預測模型時可將氣象數(shù)據(jù)作為輸入量。降雨對組件積灰損失的影響更為嚴重，因此為了充分考慮降雨的影響，引入自然積灰天數(shù)這一變量，即出現(xiàn)降雨情況時自然積灰天數(shù)記為1，并隨時間的增加而增加，直到出現(xiàn)下一次降雨重新歸為1。最終確定BO-LSTM 預測模型采用日輻照量、溫度、相對濕度、風速、PM2.5以及自然積灰天數(shù)作為輸入量，輸出變量為積灰造成的日發(fā)電量損失值。

4.2 模型預測結果分析

通過貝葉斯優(yōu)化LSTM 模型，無須給出具體的超參數(shù)組合，在訓練時可以設置較大的超參數(shù)搜索范圍，因此，在訓練BO-LSTM 模型時，學習率搜索范圍為10-6～10-1，神經(jīng)元層數(shù)為1～30，訓練批次為2～400，定型周期為10～150。將數(shù)據(jù)集劃分訓練樣本集和測試樣本集，帶入BO-LSTM 中進行建模和預測。使用訓練樣本集訓練模型，再從數(shù)據(jù)集中抽取20%的數(shù)據(jù)作為測試集，利用測試集數(shù)據(jù)驗證模型的有效性。

BO-LSTM 最優(yōu)超參數(shù)組合詳見表4。

表4 BO-LSTM 最優(yōu)超參數(shù)組合

BO-LSTM 模型預測結果如圖5所示。

圖5 BO-LSTM 模型預測結果

BO-LSTM 模型預測結果誤差詳見表5。

表5 BO-LSTM 模型預測結果誤差

表4給出了BO-LSTM 訓練時的最優(yōu)超參數(shù)組合。圖5與表5分別為最優(yōu)超參數(shù)組合的模型預測結果與誤差，從預測效果來看，研究模型精度較高，對比同類型研究精度已有較大提升，文獻[4]中利用氣象數(shù)據(jù)預測光伏組件積灰程度，其精準度最高的改進型相似性建模方法的回歸系數(shù)（R2）僅有0.53，文獻[5]預測光伏積灰程度的人工神經(jīng)網(wǎng)絡的回歸系數(shù)（R2）為0.537。

5 結語

基于光伏電站現(xiàn)場積灰監(jiān)測試驗臺采集數(shù)據(jù)，本文通過對光伏積灰特性進行分析，探索在光伏電站工作過程中對光伏積灰影響較大的環(huán)境參數(shù)，發(fā)現(xiàn)日輻照量、氣溫、濕度、風速、PM2.5對光伏組件積灰損失及組件發(fā)電量存在較大影響。提出基于BO-LSTM 的光伏積灰損失預測模型，并與前人研究對比，證明了本研究模型精度高，光伏電站工作人員可結合此模型對清洗計劃進行優(yōu)化決策。