基于GS-SVM的光伏阵列积灰程度评估方法研究.pdfVIP

第45卷第11期太阳能学报Vol.45，No.11

2024年11月ACTAENERGIAESOLARISSINICANov.，2024

DOI：10.19912/j.0254-0096.tynxb.2023-1093文章编号：0254-0096（2024）11-0220-07

基于GS-SVM的光伏阵列积灰程度评估方法研究

11122

张逴，李树成，魏东，刘素民，易建波

（1.四川晟天新能源发展有限公司，成都610213；

2.电力系统广域测量与控制四川省重点实验室（电子科技大学），成都611731）

摘要：提出一种基于网格搜索（GS）和支持向量机（SVM）的阵列积灰程度评估方法，有效解决光伏阵列表面积灰与光伏出力

之间的潜在经济性损益问题。通过对光伏阵列积灰以及混有其他故障的输出特性进行分析，揭示短路电流这一电气参数能反

映光伏阵列积灰情况且不易受其他故障干扰。提出以短路电流、太阳辐照度以及温度3个参数作为输入特征量，含GS超参数

优化技术的SVM积灰程度评估模型。经过实验测试分析，证明该方法准确率高于DecisionTree、GS-DecisionTree以及XGBoost

评估方法，且应用中对数据采集量和训练样本量的需求低，易于推广应用。

关键词：光伏组件；短路电流；网格搜索；支持向量机；积灰评估

中图分类号：TM715文献标志码：A

方法。此外，基于采集积灰评估特征量，如太阳辐照度、温

0引言

度、电压、电流以及功率等，利用机器学习方法进行模型训练

近年来，光伏发电在清洁能源领域发展势头迅猛，年均和积灰程度辨识的方法逐渐展现优势。如文献［11-14］分别

增速超15%。截至2022年底，中国国内累计光伏装机容量利用LSSVM、灰色模型、马尔可夫链等机器学习算法均获得

达87.41GW，全年光伏发电量为3.9204亿kW，约占全社会了高准确度的光伏电站积灰程度预测和诊断结果。特别是

用电量的4.0%。从近几年光伏发电的运维情况分析，存在一利用支持向量机训练积灰程度评估模型表现出了时间短、鲁

个棘手的经济性问题，光伏阵列运行中易受风沙、落尘、污［15］

棒性强以及泛化能力好的优越性能。只是当积灰阵列混

秽、雨雾等自然因素影响，阵列表面积灰问题严重，可能导致有局部短路、局部开路、全局老化以及局部阴影等其他常见

发电效率下降20%~40%［1-3］。因此，积灰程度检测与评估已故障时，上述机器学习方法的辨识精度会大受影响，不易开

成为光伏电站运维不可或缺和避免的基础工作和难点问题。展工程应用研究。

针对光伏阵列积灰程度评估问题，目前的研究多集中于基于此，本文首先分析不同积灰程度以及积灰和其他常

理论与现场实验相结合的积灰模型检测方法。文献［4］通过见故障混合工况下光伏阵列的伏安特性，讨论具有抗干扰特

设计积灰浓度发电性能实验，建立积灰浓度、环境参数与光性的积灰程度评估特征量选取方法。其次，以选取的特征量

伏组件输出功率的非线性耦合模型；文献［5］通过仿真与实和太阳辐照度、温度作为输入特征量，研究基于网格搜索

验总结了不同倾角下积灰对光伏系统的影响，并总结了计算（gridsearch，GS）和支持向量机（supportvector