[发明专利]一种光伏组件智能清扫策略的方法及控制系统

权利要求书

1.一种光伏组件智能清扫控制系统，其特征在于，该控制系统包括服务器系统与Web系统两个部分：

所述服务器系统用于监听、通信、异常处理以及智能清扫；所述服务器系统的智能清扫策略模块将生成清扫优化日期对应的控制指令保存并转发给光伏组件清扫机器人，实现对机器人的智能清扫控制，并通过Web页面显示清扫倒计时；

所述Web系统用于用户信息管理、光伏电站信息管理、光伏清扫机器人运行参数读取、使用记录查看、光伏清扫机器人控制、智能清扫控制；

所述控制系统具体包括Web系统、服务器、若干个数据传输单元DTU以及与每个数据传输单元DTU对应的无线传输的光伏清扫机器人；

所述Web系统连接所述服务器，所述服务器通过互联网连接若干个所述数据传输单元DTU，若干个所述数据传输单元DTU对应无线传输于每台所述光伏清扫机器人；

启动所述服务器，并绑定IP地址和端口，所述服务器、Web系统、数据传输单元DTU进行通信，客户端以及所述服务器采用TCP/IP协议建立连接，并进行通信；每台所述光伏清扫机器人对应一个地址，所述数据传输单元DTU通过无线通信模块与该地址对应的光伏清扫机器人连接，实现通信；

所述的光伏组件智能清扫控制系统的清扫策略的方法，包括以下步骤：

步骤一，服务器系统通过数据接口从外部系统中获取数据并判断是否符合光伏组件检测开始条件，采集光伏电站所在地区气象台的气象数据，通过测试仪和相关外部系统采集光伏电站辐射量数据、光伏组件背板温度、历史发电量数据、地理位置数据；在气象台天气预报获知该地一个月内没有恶劣天气的情况下，把降雨量达到一定范围的雨天过后的日期或者光伏板刚清扫后的日期作为开始检测光伏组件积灰程度时间；

步骤二，发电量预测：

(1)对步骤一收集到的气象数据、辐射量数据、历史发电量数据进行预处理，对历史发电量数据中的异常数据剔除或空缺数据插补；

(2)确定预测模型的输入节点：辐射量、天气类型、平均温度、风速级别、光伏背板温度、历史发电量，将历史日利用聚类算法分为四类天气类型，取相似日做预测模型的训练样本，通过实验选取最优的网络结构、训练次数参数，利用改进的粒子群算法优化BP神经网络结构中的权值和阈值，对四类不同的天气类型分别建立基于改进的BP神经网络模型，预测短期发电量记为Pr；

步骤三，损失发电量计算：

(1)由气象数据及地理数据，计算出清洁状态下光伏组件理论发电量记为P_s；

(2)将预测发电量与清洁状态下理论发电量比较，得到光伏组件清洁度系数记为S；

(3)预测短期发电量与清洁状态下发电量的差值，求出光伏组件因积灰造成的发电损失值记为P；

步骤四，清扫成本分析；核算清扫一次的成本费用D，包括设备维护费用、设备折旧费用、设备维护费用；

步骤五，获得优化清扫时间控制指令，或无需建设清扫装置运维建议；

(1)每日损失发电量求和得到累积发电量损失值P，再乘以光伏上网电价，获得光伏组件由于积灰而导致的经济损失；

(2)若短期内的累积发电量损失费用小于清扫成本费用，则短期内不需要清扫，若连续多个短期内都存在累积发电量损失费用小于清扫成本费用，则该光伏电站不需要安装光伏组件清扫机器人装置；如果短期内的累积发电量损失值大于清扫成本费用，求出该时间段内累积发电量损失值达到清扫成本时对应的时间，即获得优化清扫时间；

所述步骤一具体包括如下步骤：

(1)采集光伏电站所在地区气象台的气象数据，比如温度、天气类型、风速级别；

(2)通过测试仪和相关外部系统采集光伏电站辐射量数据、光伏组件背板温度、历史发电量数据、地理位置数据；

(3)在气象台天气预报获知该地一个月内没有恶劣天气情况下，把降雨量达到一定范围的雨天过后的日期或者光伏板刚清扫后的日期作为开始检测光伏组件积灰程度时间；

所述步骤二中改进的粒子群算法具体为：

假定在一个K维探索空间当中，存在一个种群，其粒子个数是为G，第i个粒子的位置可以使用向量表示为X_i＝(x_i1，x_i2，...，x_ik)，粒子的速度可以使用向量表示为V_i＝(v_i1，v_i2，...，v_ik)，粒子的极值表示为P_i＝(p_i1，p_i2，...，p_ik)，种群所有粒子的极值表示为P_g＝(p_g1，p_g2，...，p_gk)^[34]，那么种群中第i个粒子第l+1代的速度和位置可以由如下公式得到：

惯性权重w按照如下公式调整：

其中，w_max、w_min为最大和最小惯性权重，两个加速常数随着惯性权重w进行动态调整；

通过的公式(4)计算粒子的适应度：

其中，Y为期望输出值，T为实际计算输出值，M为输出节点数，N为训练样本数；

所述步骤三中，设T为光伏板积灰程度的开始时间；

P_s为光伏组件在没有灰尘状态下理论发电量为，P_r表示的是预测模型输出的发电量，光伏组件清洁度系数为S，P为光伏组件因积灰累积损失发电量；

所述步骤二公式(1)和公式(2)中的l表示当前迭代次数，c₁、c₂是学习因子或加速常数，r₁、r₂是范围在[0,1]的随机数p_ik为粒子的最佳位置，p_gk为种群最佳位置，为粒子的当前位置，w表示为惯性权重，w的含义是搜索步长。