軌道交通沿線分布式光伏示范電站設計方案研究*

吉祥雨 李 曄 劉國桐 吳宗臻 王小鎖

(1.鐵科院(北京)工程咨詢有限公司, 100081, 北京; 2.城軌創新網絡中心有限公司, 100071, 北京∥第一作者, 助理研究員)

隨著光伏建筑一體化系統的發展,越來越多的軌道交通車站開始大規模鋪設光伏發電設施[1],但仍較少應用于軌道交通沿線地區,這是由于光伏電站選址不僅需考慮電力傳輸與光照強度的平衡問題,還需考慮安全性和維護問題:安全性問題即光伏發電系統穩定性導致的軌道交通電網用電安全,以及沿線部署光伏發電系統對線路限界可能造成影響所導致的安全隱患;維護問題即光伏發電系統部署時會依照當地光照條件調整傾斜角度和光伏陣列位置[2],使用過程中積沙、積塵等會引發泥帶問題,嚴重時大幅影響光伏轉化能效。以上問題導致軌道交通沿線土地光伏發電系統應用的實質性推進較為艱難。

裝機容量為216 kW的軌道交通沿線分布式光伏示范電站(以下簡稱“光伏示范電站”)位于國家鐵道試驗中心,是我國首個應用于軌道交通沿線地區并網發電的分布式光伏項目,旨在探索推動我國軌道交通沿線大規模建設光伏電站的有效路徑[3]。本文介紹了該示范電站的設計方案,并對該電站的實際運行數據及規律進行了分析。

1 光伏示范電站總體設計方案

結合場址具體情況,光伏示范電站項目針對線路間夾心地和沿線邊坡兩類典型軌道交通沿線光伏發電系統的鋪設場地,劃分為柔性支架光伏區域(以下簡稱“柔性支架區”)和鋼結構支架光伏區域(以下簡稱“鋼結構支架區”),共布置峰值功率為540 W的單晶光伏組件401塊,裝機容量共計216.54 kW。其中:柔性支架區位于線路間夾心地,裝機容量為43.74 kW,布置1臺輸出額定功率為40 kW的組串式光伏逆變器;根據線路走勢和光伏組件朝向不同,將位于沿線邊坡的鋼結構支架區劃分為鋼結構西南支架區、鋼結構正南支架區。鋼結構西南支架區裝機容量為43.2 kW,布置1臺輸出額定功率為40 kW組串式光伏逆變器;鋼結構正南支架區裝機容量為129.6 kW,布置1臺輸出額定功率為110 kW組串式光伏逆變器。所有光伏發電系統均經光伏逆變器匯入400 V配電箱內,另設1套100 kW/204.3 kWh磷酸鐵鋰儲能系統并入場區低壓網。

結合光伏組件與儲能模塊的選定和安裝需求,按照上述設計方案進行施工建設。光伏示范電站項目平面布置如圖1所示。

圖1 光伏示范電站項目平面布置

2 光伏示范電站能源管理系統設計

2.1 光伏示范電站能源管理系統需求分析

軌道交通沿線可鋪設光伏的地塊通常較為狹長,光伏組件敷設較為零散,且距有人值守車站存在一定距離,難以實現經濟可行的數據有線傳輸與監測。因此,軌道交通沿線光伏示范電站能源管理系統的總體設計思想是利用物聯網、云計算等技術手段[4],破解傳統光伏電站運營模式存在的數據孤島、響應低效等弊端。軌道交通沿線光伏示范電站能源管理系統的業務需求和功能需求如下。

2.1.1 業務需求

光伏電站能源管理系統應將采集后的數據面向運維、管理等業務需求進行數據匯總和維度擴展。該系統包括基礎需求和定制化需求兩類。基礎需求包括用戶管理、設備管理、數據統計與臺賬生成、可視化設計等[5]。定制化需求包括:

1) 用能分析,如光伏示范電站消納水平分析、設備用能優化控制策略生成與輔助決策等;

2) 系統預測,如光伏示范電站發電趨勢分析與設備用能趨勢分析,電站用能調度策略生成等;

3) 運維管理,如設備健康管理、運維工單自動派發、碳資產管理與雙碳服務等。

2.1.2 功能需求

光伏示范電站所需采集和監測的數據可分為電氣側、氣象側和維保側三方面。其中:電氣側需獲取光伏示范電站實時運行情況,包括光伏發電系統的電壓、電流、功率、轉換效率及總電能,儲能系統的PCS(儲能變流器)運行數據、SOC(荷電狀態),以及并網點處測得的電壓、電流及電量數據等;氣象側通常需同步監測光伏組件周邊的溫濕度、輻照強度及風速、風向等。考慮到軌道交通邊坡距離遠、維護難,且處于線路安全保護區范圍內,因此,邊坡光伏示范電站維保側還應考慮對光伏組件積灰損耗水平、路肩/軌旁形變水平、車致振動水平、氣動荷載等進行采集監測,以提升維保效率,確保行車安全。

2.2 光伏示范電站能源管理系統設計

光伏示范電站能源管理系統架構如圖2所示。通過工業控制模塊和數字儀表等設備,就近分散采集光伏示范電站的現場數據,使用云計算技術將該電站的并網逆變器、電能表、環境檢測儀等設備數據通過以太網上傳至云端服務器,用戶可以通過監控計算機及移動設備對數據進行集中管理和記錄[6]。光伏示范電站能源管理系統不僅能夠監測光伏組件的電壓、電流數據,而且可以監測光伏組件附近的環境參數,以及整個光伏示范電站的發電情況,為今后該系統的科研分析提供數據支撐。

圖2 光伏示范電站能源管理系統架構

考慮到運維管理人員工作和項目展示需求[7],本項目配套開發軌道交通沿線分布式光伏及能源管控電子看板,對光伏發電系統發電側、并網消納側等的關鍵運行參數進行展示。光伏示范電站能源管理系統界面見圖3。

圖3 光伏示范電站能源管理系統界面截圖

3 光伏示范電站運行數據分析

3.1 示范電站運行數據分析

圖4展示了2022年11月5日,3類地塊光伏發電系統的發電量與瞬時功率隨時間變化曲線[8]。從圖4可以看出:光伏發電系統每日出力最多的時段通常集中于11:00—16:00,該時段約占全日總發電量的40%～50%。

a) 鋼結構西南支架區

光照強度是影響光伏發電系統發電量的最直接因素。圖5統計了光伏示范電站鋼結構西南支架區日發電量和光照強度。由于天氣原因,可見圖5中11月11日、11月15日、11月24日光照強度大幅下降,其日發電量與相鄰日期相比亦顯著降低。

圖5 光伏電站11月每日發電量及光照強度

3.2 出力相關性分析

為了分析軌道交通沿線光伏示范電站的發電量影響因素,本文采用神經網絡擬合模型對關鍵影響因素與發電量進行擬合。光伏發電系統神經網絡擬合模型架構如圖6所示。

圖6 光伏發電系統神經網絡擬合模型架構圖

在光伏示范電站2022年6月至2023年5月的監測數據中,隨機選取70%的數據作為網絡訓練集,15%的數據作為網絡測試集,剩余數據作為網絡驗證集。將影響光伏發電系統的關鍵影響因素(光照強度、溫度及濕度)作為神經網絡擬合模型的輸入變量,將光伏發電系統的瞬時功率作為輸出。光伏發電系統神經網絡擬合模型的參數設置見表1。

表1 光伏發電系統神經網絡擬合模型參數表

采用Levenberg-Marquardt算法進行模型訓練。光伏發電系統神經網絡擬合模型均方誤差-迭代次數關系曲線如圖7所示。由圖7可以看出:在訓練62個回合后,該模型均方誤差-迭代次數關系曲線趨于穩定;在訓練88次后,模型誤差曲線趨于穩定。

圖7 光伏發電系統神經網絡擬合模型均方誤差-迭代次數關系曲線

采用回歸值R描述預測值與目標值間的相關性:R值越接近1,代表預測值與目標值間的關系越密切;R值越接近0,代表預測值與目標值間的關系隨機性很大。圖8為神經網絡擬合模型預測值與目標值間的相關性。由圖8可見:訓練集的R值為0.846 64,測試集的R值為0.845 22,驗證集的R值為0.849 98,全集的R值為0.845 78,神經網絡擬合模型精度滿足要求。

圖8 神經網絡擬合模型預測值與目標值間的相關性

設置3種常見的光伏電站環境:①光照強度為50 lx,濕度為40%,溫度為10～40 ℃;②光照強度為50 lx,溫度為8 ℃,濕度為15%～95%;③濕度為40 %,溫度為8 ℃,光照強度為1～350 lx。利用訓練好的神經網絡擬合模型,預測溫度、濕度和光照強度對光伏發電系統瞬時功率的影響,結果如圖9所示。

注:光照強度為50 lx,濕度為40%。a) 瞬時功率-溫度相關性曲線

由圖9可知,在光照強度為50 lx、濕度為40%的條件下,光伏發電系統的瞬時功率隨溫度的上升而波動上升,且在15 ℃時達到峰值,而后波動下降。在光照強度為50 lx、溫度為8 ℃的條件下,濕度小于60%時,濕度對光伏發電系統的瞬時功率基本無影響;濕度大于60%時,發電瞬時功率隨著濕度的增加而快速減小。在濕度為40%、溫度為8 ℃的條件下,光伏發電系統的瞬時功率隨著光照強度的增加而不斷增大,且在50～200 lx、250～300 lx區間內趨于穩定,而在其余區間近似線性增加。

4 結語

本文介紹了軌道交通沿線光伏示范電站及智能監測系統的設計方案,并對位于國家鐵道試驗中心的裝機容量為216 kW光伏示范電站的實際運行數據及其規律進行了分析。采用神經網絡擬合模型對關鍵影響因素和發電量間的關系進行擬合,預測周邊溫度、濕度、光照強度對光伏發電系統瞬時功率的影響。通過數據分析可知:冬季時段,該光伏示范電站的發電瞬時功率隨著溫度的上升而波動上升,且在15 ℃時達到峰值,而后波動下降。當濕度小于60%時,其對發電瞬時功率基本無影響;而當濕度大于60%時,發電瞬時功率隨濕度的增加而快速減小。光照強度與光伏發電系統的瞬時功率呈正相關,且光照強度在50～200 lx與250～300 lx范圍內趨于穩定,而在其他范圍內近似線性增加。因此,光伏示范電站的選址應首要考慮光照強度,并盡量避免在高濕度及氣候變化劇烈的地區建設。本文成果有助于研究光伏電站的選址方案,后續將利用該電站的相關運行數據,進一步開展軌道交通沿線光伏發電系統功率預測研究,有效提升光伏消納率。