一種基于神經(jīng)網(wǎng)絡的硅基光伏組件運行溫度在線軟測量方法

于航，劉陽，連魏魏，朱紅路

（1.龍源(北京)太陽能技術(shù)有限公司，北京市 西城區(qū) 100034；2.華北電力大學可再生能源學院，北京市 昌平區(qū) 102206）

0 引言

目前，光伏行業(yè)發(fā)展迅猛，2007—2017年全球光伏發(fā)電裝機容量呈指數(shù)級增長。截至 2017年底，全球光伏發(fā)電的裝機容量達到402 GW[1-2]。根據(jù)國際能源署的最高預測，到2030年全球太陽能光伏發(fā)電裝機容量可能會超過1700 GW[3]。由于世界范圍內(nèi)光伏電站主要以硅基光伏組件為主，對于該類型的光伏電站而言，光伏組件運行溫度是影響硅基光伏組件電氣性能和效率的重要參數(shù)[4]。目前，硅基光伏組件運行溫度建模受到了越來越多學者的關(guān)注。文獻[5]探討了硅基光伏組件運行溫度受到的外部因素影響，如環(huán)境溫度、風速以及太陽輻照強度等。針對諸多外部因素的影響，相關(guān)學者嘗試建立它們之間的關(guān)聯(lián)：硅基光伏組件運行溫度和輻照量以及環(huán)境溫度之間的聯(lián)系[6]；硅基光伏組件運行溫度系數(shù)與太陽輻照度和其他因素之間的聯(lián)系[7]；組件運行溫度函數(shù)，硅基光伏組件運行溫度、外界環(huán)境溫度等因素與光伏系統(tǒng)輸出功率之間的聯(lián)系[8]。以上研究表明，組件運行溫度和外部環(huán)境因素之間具有很明顯的關(guān)系。為了進一步研究組件運行溫度與電氣參數(shù)之間的關(guān)系，相關(guān)學者從光伏電站附近的地理和氣候環(huán)境出發(fā)，研究了正確定位溫度傳感器位置處的空氣流動性對組件運行溫度的影響[9]；組件自身物理特性以及自身參數(shù)的影響、運行溫度與短路電流、結(jié)電流的關(guān)系[10]；運行溫度所引起的開路電壓、填充因子的下降，進而帶來組件的效率下降等等[11]。由于運行溫度對硅基光伏組件的效率和性能有著重要影響，許多學者對硅基光伏組件的運行溫度計算問題進行了探索[12-14]。由于每個電站的地理位置，環(huán)境差異較大，且不同組件自身材料特性和安裝環(huán)境也各不相同，因此想要建立精確的機制模型十分困難。文獻[15]采用理論模型對硅基光伏組件運行溫度進行計算，然而其計算結(jié)果與實際狀況仍存在一定的誤差。文獻[16]針對組件運行溫度的計算建立了太陽輻照度和硅基光伏組件運行溫度的線性相關(guān)分析模型，但是模型參數(shù)的獲取較為復雜，一般光伏組件廠商提供或者實驗測試。文獻[17]提出Hottel-Whillier-Bliss (HWB)公式來對硅基光伏組件運行溫度進行修正計算，但是受到條件限制，缺乏良好的泛化性能，難以直接工程應用。

綜上所述，在復雜和惡劣的工作條件下，光伏組件的運行溫度受到實際環(huán)境中各種因素的影響，電站地理位置信息，電站自身性能的衰退，使得采用機制模型算法較為困難。但最重要的是，機制模型在建模時，由于所涉及的建模環(huán)節(jié)、模型參數(shù)眾多，且受建站成本的限制，在現(xiàn)場實際運行條件下機制模型要得到所有輸入變量以及模型參數(shù)是不可能的[18]。針對上述問題，本文提出一種基于多層反向傳播(back propagation，BP)神經(jīng)網(wǎng)絡的硅基光伏組件運行溫度計算方法。由于光伏電站的歷史運行數(shù)據(jù)不僅包含了電站自身位置、結(jié)構(gòu)等信息、外部環(huán)境狀況(太陽輻照度、環(huán)境溫度、濕度、風速)，而且能夠體現(xiàn)組件自身特性(效率降低等)，因此所提基于多層BP神經(jīng)網(wǎng)絡的組件運行溫度計算模型，采用電站歷史運行數(shù)據(jù)不僅可以避免物理模型的復雜分析過程，以及模型參數(shù)難以獲取等問題，而且相比于單層隱含層 BP神經(jīng)網(wǎng)絡模型，其泛化能力更強，計算簡單、高效、性能較好，可以有效地應用于相關(guān)工程計算中。

1 運行溫度對光伏組件效率的影響

當光伏組件運行溫度發(fā)生變化時，短路電流ISC和開路電壓USC分別為：

式中：GT為硅基光伏電池工作時的光照強度，W/m2；GSTC為標準測試條件下的光照強度，W/m2，GSTC為 1 000 W/m2；TC為組件運行溫度，℃；TSTC為標準測試條件下的電池溫度，℃，TSTC為 25 ℃；α為短路電流溫度系數(shù)，α通常由生產(chǎn)廠家提供；ISC_STC為標準測試條件下的硅基光伏電池短路電流；UOC_STC為標準測試條件下的硅基光伏電池開路電壓；β為開路電壓溫度系數(shù)；δ為太陽輻射強度的校正因子；為只考慮組件運行溫度是相應電氣參數(shù)的系數(shù)，其中?；ηSTC為硅基光伏電池在標準測試條件下的發(fā)電效率；γ為輻照度系數(shù)；βref為參考狀態(tài)下的溫度系數(shù) ，K-1。

式(1)和式(2)說明了短路電流和開路電壓在輻照度一定的條件下與組件運行溫度之間的關(guān)系。從式(1)和式(2)可知：短路電流隨著組件運行溫度有微小的增大；開路電壓則隨著運行溫度的增大明顯減小。由于?，因此，隨溫度增高，硅基光伏電池的開路電壓顯著變小，短路電流微小變大，最終導致其效率隨著溫度升高而降低，如圖1所示，具體數(shù)值關(guān)系可以由式(3)進行描述。式(1)—(3)描述了硅基光伏電池的相關(guān)電氣特性及其電氣參數(shù)受外部環(huán)境影響的變化規(guī)律，分析了組件運行溫度通過影響短路電流和開路電壓，從而影響組件轉(zhuǎn)化效率的過程。各個公式中的參數(shù)和相關(guān)變量多由組件生產(chǎn)廠家給定或需要現(xiàn)場測試得到，且這些參數(shù)并不是固定不變的，光伏組件可能受到惡劣環(huán)境條件的影響導致性能退化、廠家生產(chǎn)工藝的差異、實際現(xiàn)場狀況以及施工條件的不同等因素的影響，導致相關(guān)參數(shù)畸變，同時由于光伏電站相關(guān)數(shù)據(jù)采集設備未有效及時配置，使得所需實際參數(shù)無法直接獲取，只能通過間接的方法得到，最終導致計算結(jié)果和實際值之間偏差較大。

圖1 硅基光伏電池的效率與溫度的關(guān)系Fig. 1 Relationship between efficiency and temperature of silicon-based PV cells

2 硅基光伏組件運行溫度的計算及實證分析

2.1 硅基光伏組件運行溫度計算模型

從第1節(jié)分析可知：短路電流隨著組件運行溫度有較為微小的增大；開路電壓則隨著運行溫度的增大明顯減??；光電轉(zhuǎn)化效率隨著溫度升高而降低。從光伏電池機制層面探究其原因主要是由于組件運行溫度提高，熱激發(fā)態(tài)電子在半導體的電氣特性中開始占據(jù)主導地位，并且填充因子大幅度減小。在工程應用上，考慮硅基光伏組件運行溫度的光伏系統(tǒng)輸出功率PTc_r為

式中：βref為硅基光伏組件的溫度系數(shù)，對于硅基光伏組件，一般取0.004 K-1；Tc為硅基光伏組件運行溫度，簡單起見γ的值通?？梢栽O為0。相比于直接利用環(huán)境溫度來進行光伏輸出功率的計算方法 P =ηrefGTA而言，此種方法考慮到了組件運行溫度對于光伏電站輸出功率的影響，發(fā)電量計算結(jié)果有一定的提高。但是對于容量幾十MW的光伏電站，組件數(shù)量眾多，且空間覆蓋面積廣闊，為每一個組件或每一串組件安裝溫度采集器不現(xiàn)實，不僅成本劇增，而且信息維護困難。因此在實際環(huán)境條件下大型光伏電站組件運行溫度是難以獲取的。

光伏發(fā)電機制建模主要是依據(jù)太陽輻照度傳遞過程、光伏組件光電轉(zhuǎn)化方程、相關(guān)設備運行方程、詳細的地理位置信息等，建模環(huán)節(jié)眾多，模型結(jié)構(gòu)復雜，參數(shù)求解困難。因此，對于大多數(shù)的機制模型來說很難應用于光伏組件在線溫度的計算。在實際應用中，較為常用的光伏組件運行溫度計算如式(5)所示，該公式建立了組件運行溫度和環(huán)境溫度之間的關(guān)系：

式中：Ta為環(huán)境溫度；TNOCT為硅基光伏電池標稱工作溫度，是指當硅基光伏組件或硅基光伏電池處于開路狀態(tài)，并在一定條件下(硅基光伏電池表面光強強度為800 W/m2，環(huán)境溫度為20℃，風速為1 m/s，支架結(jié)構(gòu)為后背面打開)所達到的溫度。

2.2 實證平臺的描述

為評價上述光伏組件運行溫度計算方法的性能，搭建了光伏發(fā)電實證測試平臺進行測試。圖2說明了實證測試實驗平臺的系統(tǒng)構(gòu)成方式以及溫度傳感器布置方式，圖3給出了實驗平臺氣象數(shù)據(jù)采集以及溫度測量設備，可以采集外部環(huán)境參數(shù)以及組件運行溫度等數(shù)據(jù)，每塊組件按照圖 2布置方式設置 5個溫度傳感器，型號為PT100，文中的分析過程取各溫度測點的平均值。

2.3 實證分析

為說明上述經(jīng)驗公式方法的性能，將實證測試平臺的實測傾斜面太陽輻照度和環(huán)境溫度作為輸入，基于經(jīng)驗公式(5)可以計算出相應的組件運行溫度。由于光伏組件運行溫度在不同季節(jié)條件下存在較大的差異，因此針對各典型季節(jié)分別展開了計算分析，相應的組件運行溫度計算結(jié)果如圖4所示。從圖4可以看出，實際組件運行溫度明顯高于環(huán)境溫度，而由經(jīng)驗公式(5)所得到的運行溫度計算值則介于二者之間；且組件運行溫度隨季節(jié)狀況變化明顯。

圖2 實證測試系統(tǒng)結(jié)構(gòu)示意圖Fig. 2 Structure schematic diagram of experimental test system

圖3 實證平臺氣象數(shù)據(jù)采集及溫度測量設備Fig. 3 Meteorological data acquisition and temperature measurement equipment of empirical platform

圖4 典型季節(jié)條件下硅基光伏組件運行溫度計算分析Fig. 4 Calculation and analysis for operating temperature of silicon-based PV modules under typical seasonal condition

以上分析僅為定性的結(jié)果，為量化評價光伏組件運行溫度計算模型的性能，本文分別選擇最大誤差εMaxError、標準差εSTD、均方根誤差εRMSE、平均絕對誤差εMAE等指標對組件運行溫度計算結(jié)果進行評價，相應指標計算公式為：

式中：Tc_r,i為電站實際運行狀況下組件運行溫度；Tc_C,i為經(jīng)驗公式(5)下的組件運行溫度計算值；Tc_mean為組件運行溫度計算值的算數(shù)平均值；n為樣本數(shù)量。同理，引入環(huán)境溫度和光伏組件運行溫度之間的誤差用于經(jīng)驗計算的對比分析。量化的分析結(jié)果見表1。

通過圖4和表1可以得到如下結(jié)論：組件運行溫度受到季節(jié)狀況的影響，不同季節(jié)條件下組件運行溫度差距較大；環(huán)境溫度和組件實際運行溫度之間差距較大，在進行發(fā)電量的計算中組件運行溫度和環(huán)境溫度之間不具有互換性，僅以環(huán)境溫度代替組件運行溫度得到的發(fā)電量結(jié)果偏差較為明顯；經(jīng)驗公式計算得到的組件運行溫度相比于環(huán)境溫度來說更加接近于組件運行溫度，但是其僅僅能夠描述組件運行溫度的變化趨勢，存在較大誤差；同時，面對復雜的外部環(huán)境狀況以及隨著電站服役時間越久，光伏系統(tǒng)自身性能退化越來越嚴重，其發(fā)電量和輻照量、組件運行溫度的關(guān)系并不是一成不變的。因此，隨著時間和運行狀況的改變，利用經(jīng)驗公式來實現(xiàn)光伏組件運行溫度的精確計算是不可行的，需要找到一種具有自學習能力，可以面對以上復雜的狀況，同時計算精度高的方法。

表1 在典型季節(jié)條件下硅基光伏組件運行溫度的計算誤差分析Tab. 1 Error analysis about calculation for the operating temperature of silicon-based PV modules in typical seasons ℃

表2 多層BP神經(jīng)網(wǎng)絡模型參數(shù)配置列表Tab. 2 Parameters configuration list of multi-layer BP-ANN model

圖5 光伏組件運行溫度計算多層BP-神經(jīng)網(wǎng)絡模型Fig. 5 Multi-layer BP-ANN model for operating temperature calculation of PV module

3 基于多層BP神經(jīng)網(wǎng)絡的硅基光伏組件運行溫度計算方法

BP神經(jīng)網(wǎng)絡是使用最為普遍的神經(jīng)網(wǎng)絡算法，能夠?qū)W習和存儲大量的輸入-輸出之間的映射關(guān)系，它的最終目標則是通過反向傳播誤差不斷調(diào)整網(wǎng)絡的權(quán)值和閾值，使得誤差的平方和最小[19]。由第2節(jié)分析可知，由于機制建模所涉及的建模環(huán)節(jié)眾多，模型結(jié)構(gòu)復雜，參數(shù)求解困難，并且各個環(huán)節(jié)所涉及的模型變量和參數(shù)不易獲得，因此，很難應用于光伏組件在線溫度的計算。針對BP神經(jīng)網(wǎng)絡，多層結(jié)構(gòu)的網(wǎng)絡相比單層的結(jié)構(gòu)泛化能力更強，擬合非線性的能力增加，誤差更小[20-21]。因此本文采用多層BP神經(jīng)網(wǎng)絡方法來建立光伏組件運行溫度的計算模型，構(gòu)建一個 5層 BP神經(jīng)網(wǎng)絡模型，選擇太陽輻照強度，環(huán)境溫度、光伏系統(tǒng)輸出功率作為5層BP神經(jīng)網(wǎng)絡模型輸入變量，同時選擇硅基光伏組件運行溫度作為多層BP神經(jīng)網(wǎng)絡模型的輸出變量。

由于風速的大小與組件散熱有關(guān)，會影響光伏組件的運行溫度，在這里將風速作為一種可選擇的模型輸入變量。基于多層 BP神經(jīng)網(wǎng)絡的硅基光伏組件運行溫度模型參數(shù)配置見表2。

按照表2模型參數(shù)配置表來建立多層BP神經(jīng)網(wǎng)絡的光伏組件運行溫度計算模型，如圖5所示。通常情況下，神經(jīng)網(wǎng)絡的應用主要包括3個步驟：采集訓練樣本、訓練網(wǎng)絡結(jié)構(gòu)、測試網(wǎng)絡。本文設計的光伏組件運行溫度在線軟測量方法采用的是離線訓練神經(jīng)網(wǎng)絡，利用訓練好的模型在線計算組件運行溫度。即根據(jù)實驗平臺大量樣本數(shù)據(jù)，在Matlab平臺上訓練神經(jīng)網(wǎng)絡，得到最佳的網(wǎng)絡權(quán)值、閾值以及訓練函數(shù)等其他參數(shù)，最后基于神經(jīng)網(wǎng)絡模型實現(xiàn)光伏組件運行溫度的在線軟測量。

所設計的 5層神經(jīng)網(wǎng)絡隱含層函數(shù)依次為tansig函數(shù)，tansig函數(shù)以及purelin函數(shù)；輸出層函數(shù)采用traingd函數(shù)；訓練次數(shù)設置為5 000次，訓練精度設置為 0.001。按照以上參數(shù)訓練神經(jīng)網(wǎng)絡得到所需的各連接權(quán)值和閾值，依據(jù)訓練好的神經(jīng)網(wǎng)絡結(jié)構(gòu)就可以編寫程序，實現(xiàn)組件運行溫度的在線計算，相應的在線計算流程如圖6所示。

圖6 光伏組件運行溫度在線計算流程圖Fig. 6 Flow chart for operating temperature online calculation of PV module

4 結(jié)果和討論

由于 BP神經(jīng)網(wǎng)絡的訓練依賴樣本數(shù)據(jù)的大小，為了明確訓練數(shù)據(jù)集大小對于所提模型精度的影響，選取不同數(shù)據(jù)集大小的樣本數(shù)據(jù)進行訓練，見表3。將光伏實證平臺2016年全年的歷史運行數(shù)據(jù)按照不同時間尺度樣本數(shù)據(jù)(7天、15天、1月、3月、6月、1年)各分成6組進行統(tǒng)計分析，其中80%的數(shù)據(jù)用于訓練，剩余20%的數(shù)據(jù)用于測試。

利用表2參數(shù)來建立基于多層BP神經(jīng)網(wǎng)絡的硅基光伏組件運行溫度計算模型。為了探究風速對于光伏組件運行溫度的建模是否存在影響，實驗設計中將所建立模型分為2組來對比分析風速的影響。

由表3可知：

1）所提多層BP神經(jīng)網(wǎng)絡模型的計算誤差隨著訓練樣本的增大而逐漸減??；相反，模型的訓練時間隨著樣本的增大而逐漸增加，有明顯的變化趨勢。

表3 多層BP-神經(jīng)網(wǎng)絡建模結(jié)果(有/無風速)Tab. 3 Modeling results of multi-layer BP-ANN(w/or w/o wind speed)

2）風速對于提高組件運行溫度模型的計算精度是有幫助的，因此，在條件允許的情況下，組件運行溫度的模型計算中應考慮風速的影響。

因此，為了保證模型的精度要求，本文選擇一年的樣本數(shù)據(jù)用于模型的訓練，同時神經(jīng)網(wǎng)絡模型采用離線的方式訓練得到。表3和表4分別統(tǒng)計了不同樣本大小條件下模型訓練時間和不同天測試數(shù)據(jù)的在線計算時間，論文方法在線計算時間耗時在ms級別，滿足實時在線計算的要求。

為了驗證所提多層BP神經(jīng)網(wǎng)絡運行溫度模型的準確性和普遍適應性，以及是否滿足在線計算的時間要求，選擇2016年9月30日—2016年10月3日連續(xù)4天實測電站運行數(shù)據(jù)，對光伏組件運行溫度的在線計算結(jié)果進行分析。從計算時間來看，本文所提方法在線計算的時間耗時在ms級別，滿足實時在線計算的要求。圖7展示了所提多層BP神經(jīng)網(wǎng)絡運行溫度模型和前述經(jīng)驗公式(5)的建模結(jié)果。誤差的計算結(jié)果如表4和圖8所示?？梢钥闯?，經(jīng)驗公式所得結(jié)果具有較大的誤差，本文所提的基于多層BP神經(jīng)網(wǎng)絡的組件溫度計算方法具有較好的性能，精度較高。

5 結(jié)論

在實際應用中采用機制模型進行光伏組件溫度的計算不僅相關(guān)模型參數(shù)難以獲取，計算過程復雜，而且具有較大的誤差。同時為了尋求更加有效、計算簡單、且泛化能力強的方法來計算組件運行溫度。因此，在神經(jīng)網(wǎng)絡的基礎上，本文提出了基于多層 BP神經(jīng)網(wǎng)絡組件運行溫度的計算方法。通過本論文分析能夠得到如下結(jié)論：

1）基于多層BP神經(jīng)網(wǎng)絡的組件運行溫度計算方法對非線性對象具有較強自學習能力，模型泛化能力較強，且歷史訓練數(shù)據(jù)中已經(jīng)包括了光伏電站自身特征的歷史信息，能夠適應電站的動態(tài)變化特性；

2）本文提出光伏組件運行溫度計算方法能夠利用現(xiàn)有可測量參數(shù)，實現(xiàn)光伏組件運行溫度的在線軟測量，進而代替溫度傳感器測量；

3）針對大型光伏電站，本文所提方法能夠在線監(jiān)控各部分組件的運行溫度情況，從而可以得到更加精確的發(fā)電量計算結(jié)果。

4）采用經(jīng)驗公式計算得到的組件運行溫度誤差較大，對比于機制模型復雜的計算過程，本文所提方法簡單高效，且具有更高的計算精度，同時本文方法計算耗時滿足在線計算的要求，可以應用于實際工程。

表4 誤差分析Tab. 4 Error analysis

圖7 硅基光伏組件運行溫度計算結(jié)果Fig. 7 Calculation results of operating temperature of silicon-based PV modules

圖8 硅基光伏組件運行溫度誤差分析Fig. 8 Error analysis of silicon-based PV module operating temperature