基于云平台的光伏电站监测及功率预测系统

海 涛, 肖健伦, 韦 文, 张 川, 陆 猛

(1.广西大学 电气工程学院, 南宁 530004; 2.广西中烟工业有限责任公司, 南宁 530001;3.霍尔果斯正泰科技服务有限公司, 新疆 霍尔果斯 835221)

发电量与发电功率的不规则性是阻碍光伏发电成为主要电力来源的因素之一[1]。随着物联网技术的飞速发展, 越来越多的物联设备被应用到生产生活中, 产业不断扩大, 物联设备的成本逐渐下降[2]。文献[3]开发出了一套基于WiFi无线通信技术的光伏监控系统, 虽然WLAN技术的带宽满足无线监控的要求, 但是其通信覆盖范围及可靠性无法满足远程监控需求。一般的大型光伏电站地处偏远, 传统的有线监控方式随着人工成本的上升并不适用, 当光伏电站需要扩容时, 就会面临光伏监测系统重新部署与设备更新换代的问题。这不仅需要消耗人力物力, 还会影响光伏电站的运行。鉴于此，本文提出一种基于云平台的高效监测方案, 通过部署在云端的神经网络对发电功率进行准确预测, 使得操作员可随时查看光伏电站的运行情况。

光伏电站的监测系统主要由数据采集节点、汇聚节点与服务器3部分组成, 该系统构成如图1所示。实现光伏电站物联网监测的关键环节是通信。数据采集节点采用LoRa通信把数据上传至LoRa网关, 数据采集节点与网关之间通信采用的是星形网络结构, 可以降低开发维护成本，提高数据传输的稳定性, 从而实现光伏电站的数据采集[4]。本次实验采用的是光伏电站内装机容量为19.9 kW的光伏阵列, 无线传感器将采集到的光辐照度、组件温度、环境温度以及空气湿度等数据通过LoRa网关上传至服务器进行分析处理。

图1 光伏电站监测系统框图

数据采集节点与汇聚节点的主控芯片采用来自意法半导体的STM32F407VET6, 具有82个I/O口、512 kB的Flash以及192 kB的RAM, 主频最高为168 MHz, 具有丰富的外设资源。无线通讯LoRa是基于SX1278芯片开发的无线数传模块, 该模块可以直接与供电为3.3 V的单片机连接, 采用LoRa调制方式可以显著提高通信距离, 并且具有低功耗、抗干扰性强的特点。

1.1 数据采集节点

数据采集节点主要负责采集光伏电站的数据，通过辐照度传感器采集电站的辐照数据, 经电流与电压传感器分别采集光伏矩阵的电流与电压, 通过环境传感器(温度、湿度、大气压强传感器)来采集电站的主要环境参数及光伏组件的温度, 数据采集节点结构框图如图2所示。

图2 数据采集节点结构框图

采集到的数据由单片机进行处理, 通过 SPI(串行外设接口)将数据通过SX1278无线模块传至汇聚节点, 使用GPS/北斗定位模块实现对各个节点的快速定位, 方便节点的管理。数据采集节点采用太阳能电池供电, 电源模块主要给传感器、单片机、SX1278模块等供电。STM32F407VET6通过SX1278完成数据的发送。数据采集节点的流程如图3所示, 首先对单片机及传感器进行初始化, 然后读取传感器的数据并储存, 最后完成上传数据至汇聚节点。

图3 数据采集节点流程图

无线模块外围收发电路如图4所示, 单片机通过SPI和SX1278无线模块进行双向通讯。SX1278是半双工的收发器, 在使用时需要在接收和发送之间切换模式, 当CTRL为高电平且VDD为低电平时, 开启接收功能; 当CTRL为低电平且VDD为高电平时, 开启发射功能。数据通过单片机的PA7引脚发送到SX1278的MISO引脚, 再由射频模块发出, SX1278的SCK、MISO、MOSI、NSS分别与单片机的PA5、PA7、PA6、PA4相连。

图4 通信模块SX1278外围收发电路

1.2 汇聚节点

汇聚节点主要由LoRa模块、STM32最小系统、GPRS模块组成。GPRS模块采用的是合宙Air720H, 使用DTU固件实现数据透传至阿里云。考虑到LoRa模块与GPRS模块的功耗比较大、稳定性要求高, 为确保汇聚节点的稳定性, 供电采用光伏电与市电的混合供电方式, 太阳能为主供电, 市电为备用供电, 其结构框图如图5所示。

图5 汇聚节点结构框图

汇聚节点的程序流程如图6所示, GPRS模块在连接单片机之前需要在后台配置好阿里云平台的接口。当设备成功入网后, 再接收数据节点采集到的数据, 通过GPRS模块上传。随着阿里云物联网套件的不断发展, 目前设备除了支持HTTPS认证外, 也支持MQTT客户端域名直连认证[5]。

图6 汇聚节点流程图

MQTT协议主要有3种角色: 代理服务器、发布者客户端及订阅者客户端。消息的发布者和订阅者可相互订阅及转换, MQTT协议原理如图7示。

图7 MQTT协议原理

1.3 通信测试

汇聚节点的实物图如图8所示, LoRa模块负责接收来自数据采集节点上传的数据, GPRS模块则是把数据上传至服务器, SD卡储存所收集到的原始数据。为了测试数据采集节点在光伏电站类的通信性能, 选取LoRa网关等间距的测试半径, 每个测试半径选取不同的3个方向数据采集节点来进行数据通信测试, 其示意图如图9所示。

图8 汇聚节点实物图

图9 通信测试方案示意图

LoRa网关与LoRa终端的天线增益配置为12 dB、发射功率为20 dBm、工作频率为472 MHz、通信带宽为125 kHz、扩频因子为12。在同一测试半径设置3个数据采集节点, 每隔5 s发送256 byte数据包, 共发送50次。LoRa网关接收数据包, 并按节点编号记录数据和接收信号强度(RSSI)的值。通过分析LoRa网关接收到的数据来分析丢包率(PLR)和数据传输速度(DR), 得到的数据如表1所示。

表1 节点通信测试

在上述配置下的数据采集节点与汇聚节点之间的通信距离可达2.8 km, 数据传输速率在1 840～10 213 b/s, 为保证通信的可靠, 将汇聚节点安装在光伏矩阵的中心位置, 以满足光伏电站的监测需求。

RNN(递归神经网络)是一种能够跟踪时间序列非线性动态的人工神经网络, 这得益于其嵌入式内存[6]。它拥有多种架构, 其中性能较好的是Elman网络, 该网络由3层组成, 分别为输入层、隐藏层和输出层。在输入层和隐藏层之间存在反馈连接, 产生了一个新的承接层。Elman网络结构如图10所示。

图10 Elman网络结构示意图

Elman网络的输出可表示为

式中:yk为输出值;xi为输入值;θk、θj为输出节点k与隐藏节点j的阈值;wkj为隐藏节点到输出节点的权重;wji为输入节点到隐藏节点的权重;fm、fL为输出层和隐藏层的激活函数,m、L分别输出层和隐藏层节点个数;ac为隐藏节点的激活值, 存储在承接层节点c中;wjc为从承接层节点到隐藏节点的权重;t为迭代次数。

遗传算法优化的Elman(GA-Elman)神经网络构建如图11所示。

图11 GA-Elman神经网络构建流程图

2.1 模型训练

以本次搭建的19.9 kW的实验平台为例, 地面固定式安装朝南仰角45°。采集数据包括: 光伏板输出功率(PA, kW)、水平总辐射(IGH, W/m2)、直射辐射(IDN, W/m2)、散射辐射(IDH, W/m2)、环境温度(TA, ℃)、组件温度(TC, ℃)、环境相对湿度(RHA, %)与大气压强(P, Pa)。

灰色关联法是一种多因素统计方法, 与常规的主成分分析、线性回归相比, 有较高的灵活性[8]。本次采集到的数据总共7组作为特征量, 为了保证神经网络的高效运行, 使用灰色关联法对样本数据进行关联度排序, 得到影响光伏电站发电功率的关键参数, 其关联度排行见表2。

表2 光伏电站发电功率影响参数及关联度排序

考虑到总辐射强度等于直射与散射辐射强度相加, 直射与散射辐射强度都是按照相同的效率转换为电能[9]，故神经网络的输入选择水平总辐射强度(IGH)、环境温度(TA)、组件温度(TC)与环境相对湿度(RHA)作为特征输入, 输出为光伏板输出功率(PA)。由于4组特征数据之间的量纲不同, 无法直接进行比较, 因此为了简化计算提高预测精度, 需对每个特征的样本进行归一化处理, 将有量纲的表达式转化为无量纲的量。

式中:x*为归一化处理后的数据；
x为原始特征输入数据；
xmax、xmin为原始特征数据中的最大和最小值。

表3 GA-Elman模型精度评价结果

可知, 优选神经网络拓扑结构为4-9-1的精度最佳，即输入层神经元采用关联度最大的4个特征值; 隐藏节点神经元个数为9, 由经验公式法与试凑法确定; 输出节点为1, 表示光伏电池矩阵的发电功率。神经网络的参数设置如下: 学习速率为0.01, 训练次数1 000, 训练误差为0.001。采用R2作为遗传算法的适应度函数, 设置最大进化次数(迭代次数)为100, 种群规模定为60, 交叉概率与变异概率分别定为0.6和0.1。

2.2 模型对比

为了客观地比较Elman模型与遗传算法优化过的Elman模型在云端的预测性能, 利用相同的训练集, 分别建立了Elman算法与GA-Elman算法的预测模型, 迭代期情况如图12所示。

图12 最佳适应度进化曲线

Elman模型在经过75次迭代才能达到最佳适应度, 而GA-Elman则只需要42次迭代就能达到最佳适应度, 且模型适应度值更高。因此，经遗传算法优化过的Elman神经网络训练速度更快、适应度值更高, 使得在服务器上部署GA-Elman网络更加高效。

考虑到光伏组件的衰减, 选取最近半年所采集到的光伏电站数据。数据集分为两部分, 最后两天的数据(192个样本)作为测试集, 其余的作为训练集。分别用Elman模型与GA-Elman模型对数据集进行训练, 将训练好的模型进行测试, 两种模型的预测值与实际值的拟合曲线如图13所示。可见, GA-Elman模型的预测效果更佳,R2达到了0.977 6,RMSE为0.428 5。

图13 Elman、GA-Elman模型预测结果

采用阿里云服务器作为系统的运行平台, 装载64位CentOS 7.6镜像系列操作系统, 配置Python所需的环境, 安装非关系型数据库MongoDB和关系型数据库MySQL作为数据库管理系统。MongoDB支持的是类似*·json的文件格式数据, 其数据结构松散, 因此可以存储各个感知节点的信息, 方便分布式文件的存储, 适用本系统。MySQL用来储存用户信息等大量关系型数据。两者结合, 能优化系统的运行速度和效率。

服务器与用户之间的交互主要通过电脑与移动端实现, 交互平台设计采用Python语言进行开发, 其工具选用的是Pycharm, 采用MVC(model view controller)软件设计模式把业务逻辑、数据与界面显示分离, 使程序的开发灵活[11]。交互平台采用B/S(browser/server, 浏览器/服务器)模式, 能实现用户灵活访问系统，查看当前的数据, 降低了系统的开发与运行成本[12]。开发的光伏电站监测端界面如图14所示。由于大型光伏电站多数情况地处偏远地区, 维护人员很难对电站现场进行检查和维护。服务器在分析数据采集节点所采集的光伏矩阵信息后发现异常时, 按照危急程度发布紧急警告、重要警告、一般警告、信息警告, 维护人员可以通过数据采集节点的定位芯片及编号快速抵达现场并解决问题。

图14 光伏电站监测端界面

本文设计了一套可以快速部署的光伏电站监测系统, 通过数据上传至云端, 具体的数据处理分析交予服务器, 降低现场设备的开发成本和减少因干扰带来数据失真; 云服务对于光伏电站的功率预测、电力系统调节具有参考价值; 通过对光伏电站各项数据分析能够及时发现故障并进行维护, 对于保障光伏电站的正常运行具有现实意义。不足的是所采集的数据仅是光伏电站地面的数据, 如果引入气象数据, 有提升预测精度的可能。