摘 要：提出一種考慮自然降雨對灰塵沉積的清潔效果及其對發(fā)電量影響的光伏組件清潔周期的動態(tài)分析設計方法。該方法采用關聯(lián)圖法和相關性分析確定影響光伏組件清潔及發(fā)電量的主要因素，以此為基礎建立降雨量和灰塵沉積的定量關系和考慮灰塵沉積影響的發(fā)電量預測模型，再將其應用于動態(tài)更新或調整清潔周期。所提出方法應用于浙江省杭州市某光伏電站清潔策略的制定，結果表明清潔周期動態(tài)更新策略下的清潔總成本相較于不清潔時降低20.04%，相較于固定清潔周期方法降低3.63%。

關鍵詞：光伏組件；灰塵；降雨；發(fā)電量預測；清潔策略

中圖分類號：TB114.3 """" """"""文獻標志碼：A

0 引 言

光伏組件的表面積灰不僅影響光伏組件的發(fā)電效率，且積灰不均勻或局部異物的污染遮擋，會使光伏組件出現熱斑效應，從而降低光伏組件的壽命［1-2］。因此，如何有效控制積灰及其影響是業(yè)界和學界廣泛關注的問題。

有計劃的清潔活動是減少積灰對光伏發(fā)電效率和壽命影響的重要手段［3］。如文獻［4］將灰塵沉積的圖像識別結果應用于清潔策略的制定，得到中國東北某光伏電站的干、濕兩種清潔技術的最優(yōu)清洗周期分別為10.1和22.8 d；文獻［5］基于灰塵沉降速度和沉降密度與光伏組件功率的關系，建立沙漠地區(qū)光伏組件清潔周期的設計模型，研究結果表明，在沙漠地區(qū)的清潔周期約為20 d；文獻［6］對歐洲地區(qū)以月、季度和半年為周期的3種清潔方式與無清潔的對照結果表明，每月清潔一次可使發(fā)電量增加11.15%，而7—10月份的最佳清潔周期應為每3周一次。但固定周期的清潔方式未充分考慮自然降雨等因素對灰塵沉積和發(fā)電量的影響，難以實現清潔效益的最大化。因此，動態(tài)清潔周期的清潔方式被提出。如文獻［7］提出一種根據隨機天氣生成算法來預測積灰損失，據此預先確定最佳清潔計劃；文獻［8］提出一種定期規(guī)劃和動態(tài)調整的混合清潔調度策略，通過預先確定清潔周期，再結合氣象參數、發(fā)電量等動態(tài)調整清潔計劃。

要制定科學合理的清潔計劃，就需要準確預測灰塵沉積量及其對發(fā)電量的影響。如文獻［9］通過灰色關聯(lián)分析建立積灰預測模型，但其研究未考慮相關氣象參數的影響；文獻［10］基于改進禿鷹算法優(yōu)化的最小二乘向量機，建立積灰預測模型。而光伏組件發(fā)電量不僅受灰塵沉積因素的影響，還受到太陽輻射、環(huán)境溫度、風速、降雨量等環(huán)境因素和安裝地點及安裝參數的影響［11］。因此，發(fā)電量的預測需要考慮諸多相關因素。如文獻［12］根據日照時數估算太陽輻照度，再計算傾斜面有效太陽輻照度，最后根據光電轉化模型得到小時發(fā)電量，結果表明月發(fā)電量的決定系數為5.6%～19.13%；文獻［13］通過計算斜面小時太陽輻射量，并根據光電轉化模型得到發(fā)電量預測模型，武漢地區(qū)的驗證結果表明，年發(fā)電量預測值和實際值的均方根誤差（root mean squared error， RMSE）、相對均方根誤差（relative root mean squared error，RRMSE）和平均絕對百分比誤差（mean absolute percentage error，MAPE）分別為1.94 kWh、1.9%和1.66%，但上述發(fā)電量預測模型均未考慮降雨對灰塵沉積的影響。

自然界的降雨是一種天然而無成本的清潔方式，但降雨及其對灰塵的清潔效果均具有隨機性，并對發(fā)電量的預測產生影響，因此，有必要綜合考慮這些因素，來預先確定清潔周期。為此，本文提出基于降雨對灰塵沉積和發(fā)電量影響的光伏組件清潔周期的動態(tài)更新策略或設計方法，即在分析確定影響光伏組件清潔的相關因素的基礎上，建立降雨量和灰塵沉積的定量關系，進而構建考慮灰塵沉積影響的發(fā)電量預測模型，再將該模型應用于動態(tài)清潔周期的制定。最后，通過應用于研究驗證所提出方法的有效性。

1 光伏組件清潔影響因素分析

光伏組件需要清潔與否受多種因素的影響，且各影響因素之間往往存在一定的耦合關系，全面準確地識別這些影響因素至關重要［14］。

關聯(lián)圖是一種準確識別導致問題的主要原因的系統(tǒng)分析方法，以圖形的方式揭示問題或結果與存在相互關聯(lián)、相互作用的諸多影響因素之間的邏輯關系［15］。因此采用關聯(lián)圖法，通過系統(tǒng)分析影響光伏組件清潔活動的相關因素及其相互之間的作用關系，建立圖1所示影響光伏組件清潔的相關因素及其相互關系的關聯(lián)圖。

從圖1可知，光伏組件需要清潔與否取決于由清潔收益與清潔成本所決定的清潔效益。清潔收益越高而清潔成本越低，則清潔的效益越高；反之，則清潔效益越低。影響光伏組件清潔成本的因素包括受清潔方式影響的人力成本、物力成本和耗損成本；影響清潔收益的因素則包括并網電價、政府補貼和發(fā)電量?？紤]到在同一個地區(qū)較長一段時間內，采用固定的清潔方式，其清潔成本、并網電價和政府補貼基本保持不變，因此，清潔效益主要通過光伏組件發(fā)電量的增加來體現。

而光伏組件發(fā)電量受諸多因素影響：太陽輻射量、安裝傾角、安裝方位角和地理緯度直接影響光伏組件表面的太陽輻射量；降雨量、相對濕度、PM10粉塵濃度、溫度、風速、安裝傾角等都會影響光伏組件表面的積灰密度，進而降低光伏組件透射率，使得有效輻射量減少，并最終影響光伏組件的發(fā)電量；溫度、風速、日照時長和太陽輻射量會對光伏組件的工作溫度產生影響，進而影響其光電轉化效率?？紤]到光伏組件安裝參數的可控性以及定量分析研究的可行性，選取上述可量化的太陽輻射量、降雨量、溫度、相對濕度、風速和PM10粉塵濃度這6個自然環(huán)境影響因素進行相關性分析，進而確定光伏發(fā)電量的主要影響因素。

在此分析計算2011年7月—2012年6月武漢市某光伏電站的月發(fā)電量與上述通過清潔關聯(lián)圖分析確定的太陽輻射量等6個自然環(huán)境影響因素的肯德爾秩相關系數和斯皮爾曼秩相關系數值，如表1所示。

根據表1給出結果，考慮到溫度和降雨量在一定程度上能表示相對濕度的影響效果，故在此選擇太陽輻射量、溫度、PM10粉塵濃度、降雨量和風速共5個自然影響因素，研究其對發(fā)電量的定量影響。

2 考慮降雨清潔效果的發(fā)電量預測模型

發(fā)電量預測模型的構建不僅要考慮太陽輻射量、溫度等因素的影響，還應考慮降雨量對灰塵沉積的影響，并對所構建的模型進行驗證，確保其預測結果的準確性。

2.1 考慮降雨清潔效果的透射率計算

光伏組件傾斜表面上的灰塵沉積嚴重影響其透射率，進而影響光伏組件的發(fā)電量。而降雨清潔效果是通過透射率的改善來反映的。因此，建立降雨量與積灰密度及透射率的定量關系，是客觀準確預測發(fā)電量、合理制定清潔周期的前提。

積灰條件下光伏組件表面透射率的計算公式為［16］：

[τ=τclean1-0.3437erf（0.17ρ0.8473Xβ）] （1）

式中：[τclean]——無積灰條件下光伏組件表面透射率，一般取值0.98[～]1；[ρXβ]——光伏組件安裝傾角為[β]時，從前次清潔后開始工作至第[X]天的表面積灰密度，[g/m2]。

在無降雨情況下，光伏組件表面積灰密度與安裝傾角之間的計算公式為［17］：

[ρXβ=-0.85×10-3ρX0β+0.82ρX0] （2）

式中：[ρX0]——當安裝傾角[β]=0°時，光伏組件工作至第[X]天的表面積灰密度，[g/m2]，其計算公式為：

[ρX0=AX+B] （3）

式中：[A]、[B]——擬合系數。

在有降雨情況下，不同降雨條件對灰塵沉積的影響程度不同［18］。根據降雨量對灰塵沉積的影響情況，可將其清潔效果分為無效清潔、不完全清潔和基本完全清潔3種類型［19］。

假設[R1]為無效清潔的最大降雨量，[R2]為基本完全清潔的最小降雨量，由此可建立灰塵沉積量與降雨量的關系式：

[ρXβ=ρXβ， "" R≤R1ρXβ=a+bR-R1R2-R1 ρ（X-1）β， R1lt;R≤R2ρXβ=0.05 ρ（X-1）β， Rgt;R2] （4）

式中：[R]——日降雨量，[mm]；[a]、[b]——降雨量與灰塵沉積量的線性擬合系數。

2.2 有效太陽輻射量預測模型

光伏組件表面太陽輻射量包括直射、散射和地面反射輻射量3個部分。

根據水平面太陽輻射量與地外輻射量計算晴朗指數，其計算公式為［20］：

[KT=HG0] （5）

式中：[H]——當地水平面太陽輻射量，[W/m2]；[G0]——地外輻射量，[W/m2]，其計算公式為［21］：

[G0=24π?oIscωhωh=（cos?cosδsinωs+ωssin?sinδ）] （6）

式中：[?o]——修正系數，（ °）；[Isc]——太陽常數；[?]——緯度，（ °）；[δ]——赤緯角，（ °）；[ωs]——日落時角，（ °），其計算公式分別為：

[?o=1+0.033cos2πdn365cos（ωs）=-tan?tanδδ=23.45sin360dn+284365] （7）

式中：[dn]——日期序號，每年的1月1日為1。

根據散射輻射量與水平面輻射量之比的關系式［22］，可確定散射輻射量的計算式為：

[Hd=0.974H， "KT≤0.15（1.192-1.349KT）H， "0.15lt;KT≤0.70.259H， "0.7lt;KT] （8）

將由式（5）確定的[KT]代入式（8），可計算得到不同地區(qū)處于水平面的日散射輻射量[Hd]。而水平面小時散射輻射量的計算公式為［23］：

[Hdt=Hdrdrd=IohG0=π24·cosω-cosωssinωs-π180ωscosωs] （9）

式中：[Ioh]——地外水平小時太陽輻射量，[W/m2]；[ω]——太陽時角，（ °），其計算公式為：

[ω=πTlocaltime-1212] （10）

式中：[Tlocaltime]——當地時間，h。

而水平面小時總輻射量其計算公式為［24］：

[Hht=H（μ+νcosω）rdμ=0.4059+0.5016sinωs-π3ν=0.6609-0.4767sinωs-π3] （11）

由于水平面輻射量為水平面散射輻射量和水平面直射輻射量的總和，故水平面小時直射輻射量為：

[Hbt=Hht-Hdt] （12）

光伏組件由水平面轉向安裝傾角為[β]時的傾斜面小時太陽直射輻射量為：

[Hβ，bt=HbtRb] （13）

式中：[Rb]——斜面直射輻射量系數，其計算公式為［25］：

[Rb=max0， cosδcos（?-β）cosω+sinδsin（?-β）cosδcos?cosω+sinδsin?]

（14）

光伏組件傾斜面的小時散射輻射量計算則采用Klucher模型［26］：

[Hβ，dt=HdtRdRd=1+cosβ2（1+fkcos2θisin3θz）1+fksin3β2] （15）

式中： [θi]——傾斜面上的直射輻射入射角，（ °）；[θz]——天頂角，（ °）；[fk]——云量系數，其計算公式為：

[fk=1-HdH2] （16）

地面反射輻射是指太陽輻射到達地面被反射的部分，則光伏組件傾斜面反射輻射量為：

[Hβ，ref=12ρHht（1-cosβ）] （17）

式中：[ρ]——地面反射率，一般取值為0.2。

將式（13）、式（15）、式（17）相加就可求得光伏組件傾斜表面的小時太陽輻射量為：

[Hβ，t=Hβ，bt+Hβ，dt+Hβ，ref] （18）

結合式（1）、式（18）就可求得考慮降雨清潔效果的光伏組件傾斜表面的有效小時太陽輻射量為：

[Hβt，τ=Hβ，tτ] （19）

即有：

[Hβt，τ=τclean1-0.3437erf0.17ρ0.8473XβHβ，t] （20）

2.3 發(fā)電量預測模型及其仿真分析

光伏組件表面溫度會對光伏組件發(fā)電效率產生顯著影響，其計算公式為［27］：

[Tc（t）=Ta（t）+9.55.7+3.8vw（TcN-TaN）1-ηrefταHβt，τHTN]

（21）

式中：[Tc（t）]——光伏組件表面[t]時刻的溫度，℃；[Ta（t）]——光伏組件表面[t]時刻的環(huán)境溫度，℃；[vw]——月平均風速，[m/s]；[TcN]——標準測試環(huán)境下組件溫度，℃；[TaN]——標準測試環(huán)境下環(huán)境溫度，℃；[τα]——光伏組件表面太陽吸收率；[ηref]——光伏組件光電轉化效率；[HTN]——標準測試環(huán)境下的太陽輻射量， [kW/m2]。

故光伏組件瞬時輸出功率的計算公式為［28］：

[P（t）=PreffpvHβt，τHref1+ξvoc（Tc（t）-Tref）] （22）

式中：[Pref]——光伏組件標準條件下的額定輸出功率，[W]；[fpv]——光伏組件因積雪、積灰等原因引起的退化因子；[Href]——光伏組件標準條件下的太陽輻射量，[kW/m2]；[ξvoc]——光伏組件開路電壓溫度系數；[Tref]——光伏組件標準條件下的環(huán)境溫度，℃。

光伏組件發(fā)電量為：

[W=0TP（t）dt] （23）

將式（22）代入式（23）可得：

[W=0TPreffpvHβt，τHref1+ξvoc（Tc（t）-Tref）dt] （24）

為驗證上述預測模型的準確性，以某光伏電站為例進行仿真分析。該光伏電站位于湖北省武漢市，其光伏組件為90 W的MBF90多晶硅組件，正南朝向安裝，傾斜角為30°，表2給出光伏組件的具體參數。

在傾斜角為30°時，根據圖2給出的灰塵沉積量與降雨量的連續(xù)40 d的監(jiān)測結果，由式（4）可建立灰塵沉積與降雨量的關系式為：

[ρXβ=ρXβ， R≤2ρXβ=（1.095-0.0475R） ρ（X-1）β， 2lt;R≤22ρXβ=0.05 ρ（X-1）β， Rgt;22] （25）

根據中國氣象局提供的武漢市2011年7月—2012年6月的氣象資料［31］，結合式（24）的發(fā)電量預測模型進行仿真分析，得到傾角為30°時的預測發(fā)電量，如圖3所示。為便于比較，圖3中也給出了實際發(fā)電量。采用RMSE、RRMSE和MAPE量化模型預測結果的誤差，并與文獻［12］方法進行比較，如表3所示。

圖3和表3給出結果表明，月預測發(fā)電量與實際值基本一致，且本文提出的預測模型具有更好的準確性。

3 基于清潔效益最大化的動態(tài)清潔周期設計

以上述發(fā)電量預測模型為基礎，考慮清潔成本因素，以效益最大化為目標，在以天為單位的清潔規(guī)劃時間[Ts]內，研究圖4所示最佳清潔時間的設計問題，并提出相應的評估模型。

圖4中[Tip（fi）]表示第[i]個預測周期內確定的清潔時間為[fi]，[fi∈{0，1，…，T}]，[i∈{0，1，…，Ts}]，當[fi=0]時，表示光伏組件第[i]個預測周期內不清潔，當[fi≠0]時表示光伏組件清潔時間為第[i]個預測周期的第[fi]天，即[fi+i-1]天；[Tip+1]表示第[i]個預測周期后的新一個周期[T]；當[Tnc=fi+i-1，（fi≠0）]時，即動態(tài)清潔時間與固定清潔時間相同，動態(tài)清潔周期退化為固定清潔周期。

3.1 固定清潔周期

假設在清潔規(guī)劃時間[Ts]內，光伏組件按固定清潔周期[Tc]進行清潔，光伏組件清潔一次的費用為[Cc]，則在時間[Ts]內的發(fā)電量損失成本和清潔成本之和為：

[Et=Wc-WTcCe+TsTcCc] （26）

式中：[Wc]——無積灰情況下光伏組件清潔規(guī)劃時間[Ts]內的總發(fā)電量，[kWh]；[W（Tc）]——清潔周期為[Tc]下的清潔規(guī)劃時間[Ts]內的總發(fā)電量，[kWh]；[Ce]——并網電價，元/kWh。

光伏組件在清潔規(guī)劃時間內的最大收益為：

[EA=maxW（Tc）×Ce-TsTc×Cc] （27）

由式（27）解出最優(yōu)固定清潔周期[Tc]的求解流程如圖5所示。

3.2 動態(tài)清潔周期

假設預測周期為[T]天，第[i]個預測周期內的利潤為［32］：

[ηi，p=Wip（fi）Ce-UciCc] （28）

式中：[Wip（fi）]——第[i]個預測周期內第[fi]天清潔時的光伏組件總發(fā)電量，[kWh]；[Uci]——第[i]個預測周期內光伏組件是否清潔，當[fi=0]時，[Uci=0]，當[fi≠0]時，[Uci=1]。

而由于初始灰塵沉積會影響新一個周期的利潤，其計算公式為：

[ηlosti，p+1=Wip+1（ρip（T））Ce] （29）

式中：[ρip（T）]——第[i]個預測周期內第[T]天的積灰密度，[g/m2]，[Wip+1（ρip（T））]——第[i]個預測周期內第[T]天的積灰密度下得到的新一個周期的光伏組件的總發(fā)電量，[kWh]。

結合式（28）、式（29）就可得到光伏組件動態(tài)清潔周期的目標函數為：

[Em=maxηi，p-ηlosti，p+1] （30）

動態(tài)清潔周期求解流程，如圖6所示。

4 應用研究

將通過驗證后的光伏發(fā)電量預測模型式（24）應用于浙江省杭州市某光伏電站發(fā)電量的預測，并展開光伏組件的動態(tài)清潔周期策略研究。光伏組件基本參數如表4所示。

杭州市月平均降塵密度數據通過杭州市生態(tài)環(huán)境狀況公報獲取，如表5所示。2018—2022年間杭州市月水平面平均積灰密度為3.286 g/m"由式（3），經擬合分析可得[A=0.106]、[B=0.28]，從而確定光伏組件安裝傾角[β=0"°]時，工作至第[X]天的表面積灰密度[ρX0]，再由式（25）可確定光伏組件傾角為30°時的降雨量與灰塵沉積量的關系式。

4.1 固定清潔周期分析

光伏組件的清潔可洗去表面沉積的灰塵，從而恢復其發(fā)電效率，但不同清洗間隔會影響清潔效益。因此，在污染嚴重的地區(qū)，必須研究不同清潔周期對光伏組件發(fā)電量影響，并根據清潔效益評估模型得到最優(yōu)固定清潔周期。

單塊光伏組件的表面積約1.3 m"假設清潔成本為0.1 元/m"并網電價為0.75 元/kWh。通過上述方法，比較不同固定清潔周期下的總成本，如圖7所示，杭州市年最優(yōu)固定清潔周期為24 d。

杭州市2022年降雨量分布情況，如圖8所示，春夏季降雨量大，且較為頻繁。

而由于不同季節(jié)天氣情況不同，導致季最優(yōu)固定清潔周期也不一樣，如圖9所示。

4.2 動態(tài)清潔周期分析

針對固定清潔周期所存在清潔效益無法最大化的問題，進一步考慮降雨量對清潔時間的影響，對清潔時間做動態(tài)調整，并制定清潔時間表。

由于降雨時間難以預測，一般認為天氣預報7日內是準確的［34］。故[T=7]。

以杭州某光伏電站2022年夏季（6—8月份）為例，根據上述條件與方法，得到夏季動態(tài)清潔周期或時間表，即第23、第43和第68天為清潔時間。計算該清潔策略的季度清潔成本與不清潔和最優(yōu)固定清潔周期方法的季度清潔成本進行比較，結果如圖10所示。

結果表明，單塊光伏組件在不清潔情況下的季總成本2.156 元，最優(yōu)固定清潔周期下季總成本為1.789元，而動態(tài)清潔周期下季總成本1.724 元，相較于不清潔情況降低20.04%，相較于以21 d為夏季最優(yōu)固定清潔周期情況下降低3.63%。隨著光伏電站的規(guī)模擴大，調整清潔策略后，降本效果越好。

5 結 論

本文在系統(tǒng)分析確定影響光伏組件清潔的相關因素的基礎上，選取太陽輻射量、溫度、積灰密度、降雨量和風速作為主要影響因素，建立降雨量和灰塵沉積的定量關系，進而構建考慮灰塵沉積影響的發(fā)電量預測模型，再將該模型應用到動態(tài)清潔策略的制定。

根據所提出方法的應用研究結果，建議在杭州地區(qū)的光伏電站采用最優(yōu)固定清潔周期策略時，應至少每24天清洗一次，以實現效益最大化。而采用動態(tài)清潔周期策略時，2022年杭州市夏季的清潔總成本相較于不清潔時降低20.04%，相較于固定清潔周期方法降低3.63%，故更提倡采用動態(tài)清潔周期策略。

綜上，本文提出的自然降雨驅動的光伏組件清潔周期動態(tài)更新方法可為科學制定清洗方案提供技術支撐，也可應用于光伏發(fā)電項目的投資、設計和運維決策的分析。

［參考文獻］

［1］ 寧會峰， 程榮展， 王偉志， 等. 積灰對光伏發(fā)電的影響及除塵效果實驗研究［J］. 太陽能學報， 2020， 41（11）： 120-125.

NING H F， CHENG R Z， WANG W Z， et al. Experimental study on influence of dust accumulation on photovoltaic power generation and dust removal effect［J］. Acta energiae solaris sinica， 2020， 41（11）： 120-125.

［2］ 王平， 杜煒， 張海寧， 等. 表面積灰影響光伏組件泄漏電流與衰減壽命的研究［J］. 太陽能學報， 2019， 40（1）： 119-125.

WANG P， DU W， ZHANG H N， et al. Pollution impact on the leakage current and power degradation of photovoltaic ""modules［J］. "Acta "energiae "solaris "sinica， 2019， 40（1）： 119-125.

［3］ YOUNIS A， ONSA M. A brief summary of cleaning operations and their effect on the photovoltaic performance in Africa and the Middle East［J］. Energy reports， 202""8： 2334-2347.

［4］ ZHAO B， ZHANG S W， CAO S X， et al. Cleaning cycle optimization and cost evaluation of module dust for photovoltaic power plants in China［J］. Clean technologies and environmental policy， 2019， 21（8）： 1645-1654.

［5］ JIANG Y， LU L， LU H. A novel model to estimate the cleaning frequency for dirty solar photovoltaic （PV） modules in desert environment［J］. Solar energy， 2016， 140： 236-240.

［6］ SáNCHEZ-BARROSO G， GONZáLEZ-DOMíNGUEZ J， GARCíA-SANZ-CALCEDO J， et al. Markov chains estimation of the optimal periodicity for cleaning photovoltaic panels installed in the dehesa［J］. Renewable energy， 202""179： 537-549.

［7］ MICHELI L， FERNáNDEZ E F， MULLER M， et al. Extracting and generating PV soiling profiles for analysis， forecasting， and cleaning optimization［J］. IEEE journal of photovoltaics， 2020， 10（1）： 197-205.

［8］ WANG Z H， XU Z G， LIU B， et al. A hybrid cleaning scheduling framework for operations and maintenance of photovoltaic systems［J］. IEEE transactions on systems， man， and cybernetics： systems， 202""52（9）： 5925-5936.

［9］ 居發(fā)禮. 積灰對光伏發(fā)電工程的影響研究［D］. 重慶： 重慶大學， 2010.

JU F L. Study on the effect of photovoltaic power generation project by dust［D］. Chongqing： Chongqing University， 2010.

［10］ 高瑜， 康興國， 周少迪， 等. 基于改進BES-LSSVM光伏組件積灰預測［J］. 太陽能學報， 2023， 44（6）： 213-219.

GAO Y， KANG X G， ZHOU S D， et al. Ash deposition prediction of photovoltaic modules based on improved BES-LSSVM［J］. Acta energiae solaris sinica， 2023， 44（6）： 213-219.

［11］ 何旻. 分布式光伏電站中長期發(fā)電量影響因素分析及預測方法研究［D］. 杭州： 浙江工業(yè)大學， 2020.

HE M. Study on influencing factors and forecasting methods of medium and long-term power generation of distributed PV power stations［D］. Hangzhou： Zhejiang University of Technology， 2020.

［12］ THAPAR V. A revisit to solar radiation estimations using sunshine duration： analysis of impact of these estimations on energy yield of a PV generating system［J］. Energy sources， part A： recovery， utilization， and environmental effects， 2023， 45（3）： 8356-8380.

［13］ LIU W D， LI J K， LI S S， et al. Research on optimum tilt angle of photovoltaic module based on regional clustering of influencing factors of power generation［J］. International journal of energy research， 202""45（7）： 11002-11017.

［14］ 劉衛(wèi)東， 羅吉， 姜小華， 等. 基于影響因素區(qū)域聚類的光伏組件灰塵沉積及其應用研究［J］. 太陽能學報， 202""43（1）： 375-383.

LIU W D， LUO J， JIANG X H， et al. Studying on region clustering and application of photovoltaic module dust deposition based on its impact factors［J］. Acta energiae solaris sinica， 202""43（1）： 375-383.

［15］ WANG R Z， YAN J C， YANG X K. Neural graph matching network： learning lawler’s quadratic assignment problem with extension to hypergraph and multiple-graph matching［J］. IEEE transactions on pattern analysis and machine intelligence， 202""44（9）： 5261-5279.

［16］ SALARI A， HAKKAKI-FARD A. A numerical study of dust deposition effects on photovoltaic modules and photovoltaic-thermal """systems［J］. ""Renewable """energy， 2019， 135： 437-449.

［17］ MICHELI L， FERNáNDEZ E F， ALMONACID F. Photovoltaic cleaning optimization through the analysis of historical ""time ""series "of "environmental ""parameters［J］. Solar energy， 202""227： 645-654.

［18］ YAO W X， KONG X R， XU A， et al. New models for the influence of rainwater on the performance of photovoltaic modules under different rainfall conditions［J］. Renewable and sustainable energy reviews， 2023， 173： 113119.

［19］ LIU F G， ZHANG Z， ZHAO Y Z， et al. A method of calculating the daily output power reduction of PV modules due to dust deposition on its surface［J］. IEEE journal of photovoltaics， 2019， 9（3）： 881-887.

［20］ YAO W X， LI Z R， LU Y， et al. New models for separating hourly diffuse and direct components of global solar radiation［C］//Proceedings of the 8th International Symposium on Heating， Ventilation and Air Conditioning： Volume 1： Indoor and Outdoor Environment， Springer Berlin Heidelberg， 2013： 653-663.

［21］ AYODELE T R， OGUNJUYIGBE A S O. Prediction of monthly average global solar radiation based on statistical distribution of clearness index［J］. Energy， 2015， 90： 1733-1742.

［22］ LAM J C， LI D H W. Correlation between global solar radiation ""and """its ""direct ""and ""diffuse ""components［J］. Building and environment， 1996， 31（6）： 527-535.

［23］ DUFFIE J A， BECKMAN W A. Solar engineering of thermal processes［M］. 4nd ed. New Jersey： John Wiley amp; Sons， 2013.

［24］ SALMI ""M， "BOUZGOU ""H， ""AL-DOURI ""Y， ""et ""al. Evaluation of the hourly global solar radiation on a horizontal "plane "for "two ""sites "in ""Algeria［J］. Advanced materials research， 2014， 925： 641-645.

［25］ DEMAIN C， JOURNéE M， BERTRAND C. Evaluation of different models to estimate the global solar radiation on inclined surfaces［J］. Renewable energy， 2013， 50： 710-721.

［26］ YANG D Z. Solar radiation on inclined surfaces： corrections and benchmarks［J］. Solar energy， 2016， 136： 288-302.

［27］ MAGARE D， SASTRY O， GUPTA R， et al. Wind effect modeling and analysis for estimation of photovoltaic module temperature［J］. Journal of solar energy engineering， 2018， 140（1）： 011008.

［28］ MAATALLAH T， EL ALIMI S， BEN NASSRALLAH S. Performance modeling and investigation of fixed， single and dual-axis tracking photovoltaic panel in Monastir city， Tunisia［J］. Renewable and sustainable energy reviews， 201""15（8）： 4053-4066.

［29］ 陳正洪， 孫朋杰， 成馳， 等. 武漢地區(qū)光伏組件最佳傾角的實驗研究［J］. 中國電機工程學報， 2013， 33（34）： 98-105.

CHEN Z H， SUN P J， CHENG C， et al. Experimental research on the optimal tilted angle for PV modules in Wuhan［J］. Proceedings of the CSEE， 2013， 33（34）： 98-105.

［30］ 陳金鑫， 潘國兵， 歐陽靜， 等. 自然降雨下光伏組件積灰預測方法研究［J］. 太陽能學報， 202""42（2）： 431-437.

CHEN J X， PAN G B， OUYANG J， et al. Study on prediction algorithm of dustfall on PV modules under natural rainfall［J］. Acta energiae solaris sinica， 202""42（2）： 431-437.

［31］ 國家氣象科學數據中心［EB/OL］. http：//data.cma.cn.

National Meteorological Data Center［EB/OL］. http：//data. cma.cn.

［32］ WANG Z H， XU Z G， ZHANG Y， et al. Optimal cleaning scheduling for photovoltaic systems in the field based on electricity generation and dust deposition forecasting［J］. IEEE journal of photovoltaics， 2020， 10（4）： 1126-1132.

［33］ XU R D， NI K， HU Y H， et al. Analysis of the optimum tilt angle for a soiled PV panel［J］. Energy conversion and management， 2017， 148： 100-109.

［34］ PELLAND S， REMUND J， KLEISSL J， et al. Photovoltaic and solar forecasting： state of the art［J］. IEA PVPS Task， 2013， 14（355）： 1-36.

RESEARCH ON DYNAMIC UPDATE STRATEGY OF CLEANING CYCLE FOR PHOTOVOLTAIC MODULES DRIVEN BY EFFECT OF

NATURAL RAINFALL

Liu Weidong，Wu Jinhua，Hu Shan，Wen Hailang

（Advanced Manufacturing School， Nanchang University， Nanchang 330036， China）

Abstract：This article proposes a dynamic analysis and design method for the cleaning cycle of photovoltaic modules which considers the cleaning effect of natural rainfall on dust deposition and its impact on power generation. This method uses the correlation graph method and correlation analysis to determine the main factors affecting the cleanliness and power generation of photovoltaic modules. Based on this， a quantitative relationship between rainfall and dust deposition is established， and a power generation prediction model considering the impact of dust deposition is applied to dynamically update or adjust the cleaning cycle. The proposed method was applied to the formulation of a cleaning strategy for a photovoltaic power plant in Hangzhou， Zhejiang Province. The results showed that the total cleaning cost under the dynamic update strategy of the cleaning cycle was reduced by 20.04% compared to the non-cleaning method， and by 3.63% compared to the fixed cleaning cycle method.

Keywords：PV modules； dust； rainfall； power generation forecast； cleaning strategy