光伏电站绩效分析评估：绝大部分光伏电站存在运维损失漏洞

电力18讯：

 依靠摄像头迅速从人群中提取并锁定犯罪嫌疑人的影视剧片段大家都不陌生，其背后的“人脸识别”技术不仅减少了人力投入成本还提高了效率，随着识别技术的逐渐成熟，其应用范围也越来越广。

 

对于光伏电站的业主来说，如果电站也能进行性能识别，比如从大型电站中快速定位到出现故障的组件或逆变器，通过大数据分析智能评估电站的运营情况，找到影响发电量的最大因素，并给出具体可执行的改善建议，这无疑将大大提高电站运维的效率与价值，获得更多电站收益。

 

 

 

2018年1月19日，远景能源阿波罗光伏发布了一款光伏电站绩效分析评估产品－阿波罗Ensight，据了解这是国内首款电站性能评估大数据产品，通过数据分析驱动电站智能运维决策，并集成了远景美国光伏创新中心多年算法经验。

 

他们是行业极少数拥有全自动化电站损失高精度算法的团队之一，部分专家曾就职于美国国家可再生能源实验室、美国SunPower、First Solar等。

 

拥有监控系统，但不会用数据？

 

中国光伏电站累计装机逐年上升，目前已经超过130GW，占电力总装机比重接近10%。迅猛发展的背后是光伏电站运维服务问题的日益凸显，这是一个万亿级的市场，如何同时运营好成百上千的电站？

 

为了对众多分散的电站进行有效运营，主流光伏电站投资商、业主几乎都配置了一套监控软件。然而，监控系统传输的电站数据可靠吗？是否能真实反映设备的运行状况？电站运行的真实情况是怎样？

 

监控软件实时接入数据，海量数据如何传输、管理并提取？如此庞大的数据很难通过人力的线下分析，准确的找到发电损失和提高发电量的机会点。另一方面，由于通讯和设备质量的原因，光伏电站的数据质量存在严重问题。

 

未经过滤的数据会严重影响数据分析的效果，给人错误的决策，浪费人力物力。经过数次失败验证后，由监控系统带来的大数据成了可有可无的管理点缀。

 

如何用好大数据？在有的人看来，智能监控可以用好大数据，然而现阶段国内的光伏电站智能运维其准确度、实用性常常为人所诟病。有些相对发达的智能监控系统只能解决海量数据的提取，对数据进行筛选、分析，通过数据识别电站性能、运行状态等一系列问题依然无法得到解决。

 

事实上，对电站数据进行有效分析具有极强的领域门槛，在发达国家，光伏电站的损失分解一般都是重要实验室的科学家们持续研究的课题。在国内，因为这部分人才匮乏，因此也缺乏专业机构为一线运维人员提供高效的电站损失分解服务。

 

 

数据分析驱动精准运维

 

“传统线下纯人力运维方式没办法跟上光伏电站的发展速度，通过高科技大数据分析技术，可以帮助我们更高效、科学的管理电站。”远景美国创新中心的算法负责人Pascal  Wehrli表示，我们研发Ensight solar的主要思路是希望通过数据分析评估电站性能，并得到可以改善的建议，帮助业主或者运维团队提升发电量。

 

传统监控产品仅提供场站层面的KPI，无法识别问题根因，这导致很多问题难以被发现，也无法评估运维团队到底做的好不好，因为这些，一些光伏电站已经低性能运行了很多年。

 

“我们首先从原始数据出发，通过数据清洗算法，包括损失分析算法、发电量算法，找到电站可能存在的潜在问题，进行各类损失分析，然后自动汇总，评估结果并给出可改善的运维建议，按照收益损失排序，优先处理高损失问题，帮助业主提升发电量。其中原始数据，全部采用可以直接获取的数据。” Pascal  Wehrli介绍到。

 

 

实操：什么时候清洗电站最划算？

 

大数据分析的目的是为了对电站运行情况及性能进行评估，从而识别出问题，给出改善建议并指导运维。在众多运维问题中，电站清洗维护是一项普遍的问题。

 

在国内，灰尘对电站有很大影响 ，严重的发电量损失可达30%。如果频繁清洗，成本就很高，如果降低清洗频次造成损失比较大，怎么权衡？什么时候需要清洗电站，怎样清洗最划算？

 

首先，灰尘污染与物理环境息息相关，区域级灰尘污染分析，不同区域需要区别对待。

 

Pascal 表示：“Ensight会准确量化灰尘损失，仅清洗那些需要清洗的，自动检测区域层级的灰尘累积率，考虑灰尘损失及清洗成本，按区域产生最优清洗策略，最大限度地提高投资回报率。”

 

以一个6兆瓦屋顶分布式电站为例，有两种安装倾角，一个低倾角2度、一个高倾角13度，中间有一个烟囱，电站处于一个比较复杂的灰尘污染环境。

 

“阿波罗Ensight拿到这个电站运营数据之后，经过数据清洗、自动检测，并且聚类了每台逆变器灰尘损失，分析出污染较轻的区域灰尘损失约为0.3%/天，重污染区和低倾角区则达到了两倍之多，所以针对不同的区域，Ensight能够自动检测出灰尘累积率。

 

下一步进入灰尘清洗优化策略，基于成本效益最大化考虑，采用成本效益分析法，系统给出改善建议：对于低度倾角的区域，需要每月进行清洗，年度清洗12次，对于高倾角区域建议年度清洗次数6次，不需要经常清洗，这样可以降低一部分的清洗成本，另一方面这个数据是基于TMI数据获取，在获取电站真实数据之后，会不断地用真实数据迭代，不断地迭代这个算法，获得下次清洗最佳的时间。”Pascal演示道。

 

 

 

还有逆变器停机的问题。

 

作为光伏发电系统重要组成设备，逆变器的停机对电站发电量影响非常大，那么，逆变器为什么会停机？停机的原因是什么，停机时长多少？停机会造成多大损失？

 

阿波罗Ensight自动记录并识别每一个设备停机事件，包括停机损失、时长等信息，可给出多种图形化展示其发展，分析其停机缘由，并允许一键导出报表。具体问题具体分析，让数据说话，从而提升电站发电量，形成主动运维机制。

 

据悉，目前阿波罗Ensight已在欧美市场广泛推广和使用，此次为首次在国内公开，受到了中广核、国电投、天合光能、东旭蓝天、苏美达、中康电力、英利投资、阿特斯、晶澳、振华重工等多家光伏电站业主的关注和兴趣，下一步将开始项目试点。

 

内容来源：PV-Tech