基于人工神經網絡的光伏太陽能熱泵系統的混合建模

姚建軍

(中海油能源發展裝備技術有限公司,天津300000)

1 概述

隨著光伏發電技術的日益成熟，光伏發電在全世界取得了迅速發展，晶體硅太陽能電池的發電效率依賴其工作溫度，過高的工作溫度不僅會降低太陽能電池的工作效率，也會存在安全隱患。因此，有必要采取措施對太陽能電池進行降溫處理。在降低太陽能電池溫度的同時，將流體帶走的熱量加以利用，這種系統在提高發電效率的同時還可以提供熱能，可稱之為光伏光熱一體化(PV/T)系統。(PV/T)系統接收到的太陽輻照中，一部分用于光伏發電，另一部分的能量由PV蒸發器吸收，經熱泵系統循環后得到可供利用的熱量。PV-SAHP系統不僅可以有效降低太陽能電池溫度，還可以提高熱泵的效率[1]。

本文搭建了光伏太陽能熱泵系統（PV-SAHP），提出了對PV-SAHP系統進行混合建模的方法，利用建立好的混合模型，對PV-SAHP系統進行經濟性分析，為PV-SAHP系統優化提出新的思路。

2 PV-SAHP系統混合建模

太陽能電池發電受氣象條件干擾導致其功率輸出呈現出間歇性，進而影響著整個光伏系統并網的穩定性；太陽能熱泵受環境變化的影響，其性能也會發生不穩定的變化。為了達到最佳的發電輸出效率，提高太陽能利用率，減小運行成本和合理調節PV-SAHP系統的熱負荷，提前預測光伏太陽能熱泵系統的性能顯得尤其重要。

2.1 PV-SAHP系統混合模型建立方法

將純機理模型與數據驅動模型結合起來形成的模型成為混合模型，常用的混合建模方法有四種[2]：串聯建模、并聯建模、混聯建模與先驗知識建模四種方法各有特點，本文采用串聯建模方式。

太陽輻照強度是影響太陽能電池發電功率和太陽能熱泵性能的最主要的因素[3]。利用人工神經網絡對太陽輻照強度進行預測，預測的結果用于機理模型求得由于PV-SAHP系統的光伏發電效率和熱泵放熱量。圖1為PV-SAHP系統混合模型示意圖。

圖1 混合建模示意圖

由于PV-SAHP受到太陽輻照度、環境溫度、風速和壓強等多種天氣因素的影響，具有很強的隨機性，所以預測的難度非常大。傳統的機理模型受到不確定性影響，建模復雜，而數據驅動建模較為簡單且準確性較高，但受到歷史數據的影響，預測范圍小且沒有外推性。將純機理模型與數據驅動模型相結合的混合模型，不僅可以提高預測精度，還可以降低PV-SAHP系統建模的復雜性。

2.2 數據驅動模型——人工神經網絡

BP神經網絡，是一種前饋式網絡，在數據驅動建模應用中十分廣泛。其結構如圖2所示。BP神經網絡的輸入參數為：一天中的時刻、環境溫度、環境風速三個，輸出參數為太陽輻照強度。

圖2 BP神經網絡結構示意圖

2.3 機理模型

2.3.1 發電功率計算的數學模型

太陽能電池表面接收到的太陽輻射強度和太陽能電池的工作溫度等因素決定了太陽能電池的輸出功率。太陽輻照強度和電池的工作溫度表達太陽能電池的輸出功率為式所示。

P = μst×[[1 - 0.0041 × (T e - 298.15 )]]×E

式中：P——電池輸出功率,W；E——太陽能總輻照量，W/m2；Te——電池的溫度,℃；μst——在太陽輻照強度為1000W/m2，大氣質量為AM1.5 ，電池工作溫度為25℃的條件下的轉換效率。取15%。

2.3.2 光伏蒸發器吸熱量的數學模型

太陽輻射透射過玻璃蓋板后進入光伏電池其中一部分能量散失到外界環境中，一部分能量轉化為電能，剩余絕大部分則轉化為熱能被制冷劑吸收。在穩態時，PV/T蒸發器的熱貯存率為0，其有效的集熱量為Qe，其計算公式為：

Qe= ApS αт-ULAp(Te-T0)

式中：Qe——系統蒸發器的有效集熱量，W；S——太陽輻射強度，W/m2；Ap——集熱板（系統中為太陽能電池板）的采光面積，m2；Te和T0——太陽能電池的工作溫度和環境溫度，℃；α——光伏電池對太陽輻射的吸收率；取0.90 ；——玻璃蓋板的透射率，取0.81 。

UL——太陽能電池對環境的總熱損失系數。計算公式如下式所示：

UL= 5.7 + 3.8 VW+4εσT03

3 實驗研究

PV-SAHP系統原理是在太陽能電池背面設置冷卻盤管，冷卻盤管也作為蒸汽壓縮式熱泵系統的蒸發器，制冷劑在冷卻盤管中通過相變吸收太陽能電池散發的熱量，從而達到對太陽能電池降溫的目的，同時熱泵系統將蒸發器吸收的熱量循環后通過冷凝器放出。圖3為實驗系統示意圖。

圖3 系統流程及測點分布圖

4 混合建模結果分析

4.1 GA-BP預測太陽輻照強度

神經網絡的歷史數據來自天津市典型氣象年，對神經網絡進行訓練后，太陽輻照強度的預測結果如圖4所示。訓練后的網絡輸出的結果與實驗結果存在的誤差在5%以內。這證明BP人工神經網絡預測精度較高，可以作為混合建模中的數據驅動模型。

圖4 神經網絡預測太陽輻照強度結果圖

對神經網絡性能評價指標為RMSE和R-square。RMSE稱為擬合標準差，表示神經網絡預測結果與實際結果的誤差，數值越接近0效果越好；R-square稱為確定系數，通過數據的變化來表征一個擬合的好壞，越接近1，表明這個模型對數據擬合較好。表1顯示該神經網絡性能良好。

表1 神經網絡性能評價

4.2 混合建模結果分析

系統中太陽能電池使用多晶硅光伏組件，尺寸為1500mm×1000mm×40mm；共2塊，則光伏組件有效面積為3m2。熱泵系統以R22為制冷劑工質。選擇天津市典型氣象年中8月31號的氣象數據，對太陽輻照強度進行預測。太陽能電池板溫度由熱泵蒸發器冷卻，通過檢測太陽能電池的實時溫度，調節熱泵系統的流量，使得太陽能電池的工作穩定在35℃左右。PV-SAHP系統的COP一般在3.5 以上，本文按照3.5 進行計算。根據預測得到的太陽輻照強度，計算出PV-SAHP系統的發電功率和熱泵系統吸熱量。氣象數據以及PV-SAHP系統性能計算結果如表2所示。通過數據計算，太陽能總利用率平均達到了78%以上。在實驗中發現，PV-SAHP系統的冷凝溫度在50℃以上，可滿足普通居民生活用熱水使用。

表2 氣象數據以及性能計算結果

5 結論

PV-SAHP系統可以有效降低太陽能電池的工作溫度，提高光伏發電功率，并且將太陽能電池余熱高效利用，實現了太陽能的雙重使用，提高系統的節能效果。本文對PV-SAHP系統進行了實驗研究和混合預測，得到如下結論。

5.1 基于BP神經網絡的光伏太陽能熱泵系統混合模型的建立，為PV-SAHP系統在實際應用中性能預測、系統優化等提供新的建模思路。太陽輻照強度的預測結果誤差在5%以內，證明混合模型有著較高的預測準確度和靈活性。

5.2 混合模型預測結果顯示，太陽能的總利用率平均達到了78%以上，對比常規太陽能電池發電系統，PV-SAHP系統大大提升了太陽能總利用率。