[发明专利]光伏电站积灰智能判断方法

权利要求书

1.一种光伏电站积灰智能判断方法，其特征在于它包括以下步骤：

S1、选取同种类型的两串光伏组件，一串固定时间进行清洗记作样本组件；另一串不清洗记作待测组件；

S2、采集器同时监测上述两串光伏组件，记录每串光伏组件的背板温度、辐照度、电压、电流、功率数据、实际发电量；

S3、通过智能算法获得待测组件在清洁状态下的应发功率Pc_C，通过采集器获得待测组件的实际功率Pr；通过下式获得待测组件的应发功率Pc_C：

Pc_C＝βP_STC(1+r(Tr–T₀))/(G/G₀))

式中，β为调整系数，P_STC为待测组件的标称功率，r为组件的温度系数，Tr为组件的背板温度，T₀为标准温度25℃，G为组件的辐照度，G₀为标准辐照度1000W/m2；

调整系数β的获取方法为：固定时间间隔内对调整系数β进行确定：

β＝P/(P_STC(1+r(Tr–T₀))/(G/G₀))

式中，P为样本组件实际测量功率，P_STC为样本组件的标称功率，r为组件的温度系数，Tr为样本组件的背板温度，T₀为标准温度25℃，G为组件的辐照度，G₀为标准辐照度1000W/m2；

S4、若应发功率Pc_C和实际功率Pr的差值大于一定量值，则提醒光伏电站运维人员进行电站清洗。

2.根据权利要求1所述的方法，其特征在于S2中，在每台箱变所属区域内布置一或两台采集器，用于监测同种类型的两串光伏组件。

3.根据权利要求1所述的方法，其特征在于S3中，利用已经获得的数据构建的一个神经网络，神经网络的输入为待测组件的背板温度Tr、辐照度G、温度系数r，神经网络的输出为待测组件的应发功率Pc_C，神经网络的训练过程为：将样本组件的背板温度、辐照度、温度系数输入神经网络进行训练，输出的应发功率值与样本组件的测量功率值进行比较，当误差小于2％时，神经网络完成训练。

4.根据权利要求1所述的方法，其特征在于S4的具体步骤为：

S4-1、基于应发功率Pc_C和实际功率Pr，得到功率损失系数SR＝1-Pr/Pc_C，

S4-2、采用积分法获得待测组件的应发电量Qc＝ΣT.Pcc，

S4-3、基于应发电量Qc和实际发电量Q，得到发电量损失系数ER＝1-Q/Qc，

S4-4、对固定周期内的所有采集器中获得的SR和ER进行加权平均，如果SR的均值大于设定值K1或者ER的均值大于设定值K2，那么系统就会发出清洗提醒，提醒光伏电站运维人员进行电站清洗。

5.根据权利要求1所述的方法，其特征在于S1中，所述固定时间为当需要更新β时，保持样本组件10天的清洁。

6.根据权利要求1所述的方法，其特征在于所述固定时间间隔为半年。

7.根据权利要求4所述的方法，其特征在于步骤S4-4中，所述固定周期为1天。

8.根据权利要求4所述的方法，其特征在于K1＝10％，K2＝5％。