遮擋對分布式光伏電站陰影識別的影響研究

劉略

無錫英臻科技有限公司，江蘇 無錫，214000

0 引言

可再生能源的發展一直是當今世界的主要命題之一，在政策的引導下，中國近年來分布式光伏處于快速發展期。分布式光伏具有較高的靈活性以及土地利用率，同時由于規模一般較小，其相關建設以及配套建設成本與周期都有大幅降低。但相應的，其設計要求與運維規范，則無法保證與集中式電站相同的水平。

依照傳統光伏電站的設計規范，原則上，在設計組件安裝時，應保證其當地時間9：00-15：00之間[1]，其組件的排布應使組件各個方向均不受到遮擋影響。而分布式光伏電站易出現陰影遮擋的主要原因包括[2]：對設計圖紙缺乏嚴格管理，設計期間對于遮擋的計算并不準確。施工不規范，無法嚴格執行設計要求。人為產生，由于分布式電站運維頻率低，場地相對開放，存在電站投產后再產生人為遮擋的問題。環境變化，如附近建筑物建設，樹木生長等情況。

現階段分布式光伏電站對于陰影問題的查驗手段主要有如下幾種：肉眼觀察法。運維人員現場肉眼觀察，該方案準確率高，但需要長時間定點觀察，消耗人力。曲線觀察法。運維人員通過電站日發電功率曲線判斷，該方案基本為目前主流的判斷方法，但同樣的，由于其耗費人力較多，當運維人員管理電站較多時，無法及時發現電站的遮擋問題，同時由于功率曲線的對于陰影的反饋并不總是明顯的，因此準確性存在一定偏差[3]。直流離散率法。通過電站各組串直流離散率判斷，該方案也是目前較為流行的數據自動判斷方法，對電站各組串的直流電流通過統計方法計算數據離散率，以判斷電站是否存在陰影，該方法可以有效地規避干擾項影響，但對于電站整體遮擋以及組串數較少的小規模電站效果不佳[4]。視頻監控法。通過視頻監控與圖像識別的方法進行判斷，該方法準確率高，是現場判斷的替代方案，但設備成本仍然較高，目前應用較少[5]。

陰影遮擋由于其直接阻斷了太陽光到光伏組件的傳輸通道，減少了輻照總輸入，會嚴重影響光伏電站的能量產出[6]。對于分布式光伏而言，由于其數量多，規模小，現有常規的電站陰影識別手段并不能很好的適用，因此，迫切需要使用人工智能代替人工對陰影現象進行識別，以達到兼顧準確性與自動化的目的。

1 實驗材料與假設

實驗選擇若干人工確認存在陰影遮擋以及確認不存在陰影遮擋的分布式光伏電站，電站相關信息如表1所示。

表1 樣本電站基本信息

常見的識別算法屬于監督學習算法，因此需要對電站的運行數據進行陰影標簽標注。其中，由于光伏電站在陰影條件下并不總是會受到損失，當太陽直射輻照水平低于散射輻照時，陰影對于光伏組件的輻照影響從一定程度上可以忽略。NASA提供的晴空指數（KT）來表征某日的晴朗程度[7]，選擇電站數據中日KT數值大于0.5的數據進行標注，存在遮擋時刻標注標簽為1，無遮擋時刻標注標簽為0，標注效果如圖1和圖2所示。

圖1 有陰影電站某晴天日數據標注

圖2 無陰影電站某晴天日數據標注

2 實驗過程

2.1 使用原始數據

電站的原始運行數據包括：直流電流（DC），單位A；直流電壓（DV），單位V；交流電流（AC），單位A；交流電壓（AV），單位V；當日累計發電量（e_today），單位kWh。

且由于光伏發電與太陽軌跡與輻照直接相關，因此增加當日理論太陽軌跡數據及輻照數據：①實時太陽方位角（sun_azimuth），單位°，太陽方位角指以目標物的正北方向（與同一地理分區/分帶內所在中央子午線的北方向相同）為起算方向，即0°，按順時針方向旋轉一周，方位角逐步增大至360°。②實時太陽傾角（apparent_elevation），單位°，指太陽光的入射方向和地平面之間的夾角。③實時傾斜面總輻照（poa_global），單位kWh/m2，即照射到指定角度平面的單位面積輻照總量。

其中太陽軌跡數據來自NREL SPA算法[8-9]生成；輻照使用Ineichen模型[10-11]計算生成。將打好標簽的電站運行數據進行基礎的數據處理（包括去除異常值及空值）后，數據長度總計38162，抽取其中的50%數據作為訓練集，50%的數據作為測試集，使用常見的機器學習識別模型進行模型訓練與測試實驗，并采用準確性，混淆矩陣以及十折交叉驗證等方案進行結果評估，實驗結果如表2所示。

表2 原始數據輸入不同識別模型的識別結果

可以看出，當使用原始數據直接輸入模型時，盡管模型可以較為有效的捕捉到陰影時刻，但更容易將非陰影的時刻判定為陰影。

2.2 陰影特征生成

根據陰影原理，當光伏組件被遮擋時，其表面接收到的輻照直接降低，進而使獲得的能量降低。由原理推斷的陰影機理模型應如圖3所示。

圖3 陰影機理模型示意

由機理模型可知，陰影的主要特征是理論輻照與實際功率的偏差，且與組串本身相對獨立。由于分布式光伏電站通常很難收集準確的電站排布信息，實際上無法將輻照與直流功率進行直接對比，同時，由于經常出現的安裝問題所導致的組串數據橫向對比可靠性較低。此處選擇將理論傾斜面輻照向直流功率尺度進行放縮的方式實現標準化，以實現不改變其日曲線形狀，進而保留更多時序信息。同時，考慮到中午有可能受到陰影影響的情況下，功率最大值有可能不出現在正午，如果僅使用功率的最大最小值進行放縮則會使結論偏差較大。因此，在標準化的最后，需要依據理論計算輻照原則上一定大于實際輻照的原則進行理論輻照微調。最終的偏差特征由最終修正過的理論輻照值（poa_fix）與組串直流功率計算得出，最終計算公式如下：

其中，savgol(f,a,b)表示s-g平滑函數（基于最小二乘的卷積擬合算法），f為需要平滑的時間序列，為滑動窗口大小，b為擬合階數。陰影特征的生成過程如圖4所示。

圖4 電站陰影特征生成過程

將生成的陰影特征作為額外的變量輸入，在模型選擇及參數不發生改變的情況下，識別結果發生了顯著改善，盡管模型仍然在判定正樣本時表現更加出色，但與其在負樣本上的表現差距已經明顯縮小了。增加新特征輸入后不同識別模型的識別結果如表3所示。

表3 增加新特征輸入后不同識別模型的識別結果

3 結果分析

3.1 模型選擇

實驗過程采用的三個模型各項指標如表4所示。

表4 模型對比

可以明顯看出，陰影特征的構造使得所有分類模型都表現出了明顯的提升，其中，Cart樹模型的識別準確度最高，同時由于其模型本身具備較高的可解釋性，在配合陰影特征構造之后，可以應用于光伏電站日常陰影識別。

3.2 陰影損失的計算

在陰影特征構造的過程中，原則上得到了光伏電站近似的實際輻照曲線，或者是光伏電站沒有陰影時的近似功率曲線，因此，在判定的陰影時刻，將直流功率與推斷的理論輻照值（poa_fix）之差進行累加，原則上即可得出電站對應的陰影損失。需要注意的是，由于在輻照不足時，陰影實際并不會產生額外的損失，因此，這種陰影損失的計算方法僅在晴天下有效。陰影識別方案對比如表5所示。

表5 陰影識別方案對比

4 結論

對比現階段分布式光伏電站陰影的各種識別方案，可以看出基于陰影特征構造的AI智能陰影識別方案在成本以及準確性上都具有相當的優勢，其損失分析能力也能夠有效地提升光伏電站的運維效果。該方法通過對偏差特征的構造結合人工智能算法實現了較好的陰影識別效果，并基于可靠的陰影標簽完成了對陰影損失的估算。不足的是，當前的識別模型仍然采用組串級的光伏逆變器數據，無法對陰影在組件級的影響進行準確估計，后續應利用精度更高的運行數據，構造組件級的陰影特征。