张天红，卢 强，李 升*

(1.南京工程学院电力工程学院，南京 211167；2.国电南瑞吉电新能源(南京)有限公司，南京 211106)

0 引言

光伏发电具有不受地域限制、规模应用灵活、无污染等优点。2017—2021 年，中国光伏发电年发电量增长率达到32.1%，新能源发电装机容量占全国电源总装机容量的26.6%[1]。光伏电站大规模化建设，运行设备器件增加，导致系统复杂性增加的同时稳定性降低[2]，积尘现象还会造成光伏组件发电效率下降和组件内部热斑故障等不可忽视的问题。

积尘长期吸附在光伏组件的表面会导致两种后果：1)积尘密度逐渐增大使光伏组件表面玻璃盖板的透光率降低，导致光伏电站的发电效率减少20%～80%[2-4]；2)灰尘对单个光伏组件也会产生的影响，主要体现在倾斜的光伏组件上下边缘不同程度的积灰更容易影响局部发电效果[5-6]，长期未清洁的光伏组件下边缘更容易发生热斑故障和不可逆转的损坏。为解决积尘造成光伏组件发电效率下降和内部热斑故障等问题，光伏电站会进行光伏组件遮挡情况的定期检测。

基于检测应用的技术的不同，划分为3 种检测方法：1)理论公式模型预测，该方法实现了干燥状态下积尘状态预测，并结合环境条件与光伏组件特性等因素对模型进行了改进与完善，提高了预测准确性。2)根据光伏发电系统的I-V曲线反映系统运行状态的检测方法，其是目前主流的检测方法，可对积尘状态进行判断[7]。3)随着图像识别技术的进一步发展，以图像为主要数据源，以深度学习为数据分析和检测方法的计算机视觉积尘检测自动化的概念已经成为积尘状态检测重要的研究方向。

本文对光伏电站中光伏组件积尘状态的检测技术进行分析与综述，在光伏组件积尘状态分析的基础上，通过对3 种检测方法的分析，体现光伏电站在光伏组件积尘状态检测上的多样性与非同源性。一方面，可提高光伏组件污损源头追踪的准确性，保证光伏电站的发电效率和安全性；另一方面，可为光伏电站制定清洗策略奠定基础，降低光伏组件清洗成本及节约资源。

1 光伏组件的积尘状态

文献[8]根据光伏电站中积尘的颗粒直径将其分为3 类：1)来自空气中的小颗粒飘尘(直径小于5 μm)；2)包含粉尘沉积物的中等颗粒(直径为20～40 μm)；3)由车辆、人和牲畜产生的大颗粒粉尘(直径大于70 μm)。固体颗粒或液滴在重力与流体流动力等其他力的作用下在光伏组件表面积聚[9-10]。干燥状态下积尘密度随着时间逐渐增加，而空气中的水分会使积尘变得潮湿，一定条件下形成吸附能力更强的沉积物[11]，降低到达光伏组件表面的太阳辐射量。

光伏电站运行过程中，若积尘造成的损失大于清洗成本，则认为该清洗方式是可行的。干燥状态下积尘造成的损失可接受时，该积尘状态为轻微性的遮挡状态。而干燥状态下积尘密度达到一定程度时造成严重损失，达到了不可接受程度，则该积尘状态为暂时性的遮挡状态；但干燥状态下的积尘在强风或雨水等流体作用下其密度会减少，暂时性遮挡状态具有恢复到轻微性遮挡状态的可能性。受雨水或湿度的影响，光伏组件表面的积尘能形成吸附能力强的胶结，难以清除而且会产生更严重的遮挡侵蚀和热斑效应，这类吸附能力强、需要及时清理的积尘状态称为永久性的遮挡状态。

2 积尘对光伏组件发电效率的影响

光伏组件表面的积尘会导致其发电效率降低。Klugmann-R adziemska[12]通过对自然沉积的灰尘进行研究，发现光伏电站发电效率降低与灰尘沉积密度呈线性正相关，每毫米自然沉积的灰尘密度可导致光伏电站发电效率降低25.5%，每日发电效率损失可达0.8%。Hai 等[13]通过实验室的太阳模拟器，得出光伏组件发电效率的降低与灰尘的沉积密度近似为线性关系，当积尘密度达到22 g/m2，光伏组件输出功率降低至26%。Zaihidee 等[14]提出了积尘密度与光伏组件发电效率损失之间存在线性关系，积尘密度越大，光伏组件发电效率越低；当大气悬浮颗粒物在沉降30～60 天后，光伏组件发电效率达到最小值。

光伏电站所在地区不同，其灰尘的成分结构也不同，积尘对光伏组件造成的遮挡也不同。Said[15]、Solanki 等[16]讨论了不同地区的灰尘具有不同的尺寸和化学成分。冯志诚[17]的研究结果表明：在呼和浩特地区，玻璃样片水平面经过30、40 天积尘后，其平均透射率分别衰减了21.8%、45.5%；水平的光伏组件积尘密度达到5.65 g/m2时，其输出功率衰减15.2%。陈东兵等[18]以蚌埠地区的2 MW 非晶硅光伏电站为例，进行了积尘天数对光伏组件输出功率的影响研究，研究结果表明：积尘20 天可使光伏组件输出功率降低24%。

对文献[19]中积尘与光伏组件发电效率损失实验数据(设为“地区1”)进行最小二乘拟合，对文献[13]中3 个不同地区的积尘与光伏组件发电效率损失实验数据(分别设为“地区2、3、4”)分别进行不同次数的最小二乘拟合，得到积尘密度与光伏组件发电效率损失的关系曲线，如图1所示。

图1 积尘密度与光伏组件发电效率损失的关系曲线Fig. 1 Relationship curve between dust density and PV module power generation efficiency loss

Mastekbayeva 等[20]用数学方法得出了积尘密度与光伏组件表面玻璃透光率降低的关系，但仅局限于低密度聚乙烯玻璃面板。而Elminir 等[19]也定量测量了积尘密度与光伏组件表面玻璃透光率降低的关系，研究所得关系表达式可普遍使用，如式(1)所示。为了简化计算，进行光伏组件积尘状态检测时，每1 层积尘对光伏组件透光率和输出功率的影响视为1 个固定系数，该系数的大小由光伏电站的地理位置决定。

式中：Δτ为光伏组件透光率损失，%；ρD为积尘密度，g/m3。

3 积尘状态检测方法

3.1 理论公式模型预测

理论公式模型预测方法是基于光伏组件灰尘沉积物理模型及影响积尘形成的因素来建立预测模型。影响沉积速度的因素分别是当地环境特征(环境参数、天气状况等)和光伏组件特征(表面材料、光伏组件安装倾角等)。

3.1.1 光伏组件灰尘的沉积物理模型建立

灰尘粒径是影响光伏电站灰尘沉降速度和光伏组件积尘形成的重要因素。在风速、温度等环境因素固定的条件下，光伏组件表面的灰尘颗粒作用力随着其粒径的增大而增大[21-22]。小粒径灰尘受重力影响较小，在其他力的作用下比大粒径灰尘更易吸附在光伏组件表面，会对光伏组件产生更大的影响。

文献[23]模拟了光伏组件上灰尘沉积随颗粒粒径和光伏组件方向变化的变化；文献[24-25]模拟研究了各种尺寸的灰尘颗粒对光伏组件发电效率的影响，并根据实验数据得出了经验公式，如式(2)所示。

式中：Er为有积尘污染的光伏组件输出功率；Ec为无积尘污染的光伏组件输出功率；κ为实验拟合因子；Nd为td时间段内沉积的粒子数；mp为每个尘埃粒子质量；Sd为光伏组件迎风面积；λ为灰尘沉积速度；T为曝光时间；dp为灰尘粒径。

3.1.2 基于环境因素的积尘拟合模型

环境温度、相对湿度、风速等因素的复杂多变都会影响光伏电站灰尘沉积状态。吕玉坤等[22]研究得出：随着环境温度增加，污秽颗粒中会含有一定水分，在风力、重力等作用下，更易吸附在光伏组件的表面。Goossens 等[26]在以色列内盖夫沙漠经过长期观测，研究了不同风速和灰尘沉积情况下光伏组件最大输出功率的特性曲线，并得出了在风速较高时会给光伏组件造成较大程度的灰尘沉积的结论。现有积尘预测研究在考虑环境影响时，多基于当地历史数据进行拟合。环境的差异与气候的多变，使现有的研究具有较强的现场特定因素，开发一个通用模型非常困难[3]。

陈金鑫等[27]认为：风向、湿度和雨日数是影响光伏组件积尘量的主要气象因子，将典型环境下与自然积尘量相关的气象因子作为输入变量，基于最小二乘向量机建立了预测无降雨事件下光伏组件积尘模型，并通过数学拟合建立了自然降水清洁积尘模型。胡旭辉等[28]通过实验收集了同一时间段的3 块光伏组件积尘量，将样本较少、关系比较模糊的环境温度、相对湿度、风速、气压等相关环境因素作为自变量建立了支持向量回归模型。

3.1.3 基于光伏组件特性的改进

光伏电站可以通过调整光伏组件安装倾角或改变光伏组件表面材料来减少积尘量。光伏组件使用不同的材料或覆盖不同材料的涂层，其表面会呈现不同的亲水性和粗糙性[29-30]，经过雨水的冲洗，特殊材料涂层能有效减少停留在表面的积尘，减少积尘遮挡面积。在光伏组件安装倾角的选择上，通常是让光伏组件倾斜面上接收到的太阳辐射量达到最大，但不同的倾斜角下灰尘沉积速度不同，因此光伏组件最佳安装倾角也中据此改变。

文献[31]和文献[32]对光伏组件安装倾角和积尘密度进行研究，将其研究对象分别设定为地区a、b，对其实验数据进行拟合，得到光伏组件安装倾角与积尘密度之间的关系，如图2 所示。从图2 可以看出：光伏组件安装倾角与积尘密度呈负相关关系。通过改变光伏组件表面材料与安装倾角在一定程度上能够减少积尘量，但同时也会影响光伏发电系统的最大输出功率。

图2 光伏组件安装倾角与积尘密度的关系Fig. 2 Relationship between PV modules installation inclination angles and dust density

3.2 I-V 曲线检测

光伏发电系统直流侧输出的I-V曲线能够反映系统运行状态。积尘造成的损失可以作为光伏发电系统运行中一种特殊故障状态，通过I-V曲线间接实现积尘状态的检测。随着智能逆变器I-V在线跟踪器的发展，可以在不中断光伏发电系统运行的情况下获得每串光伏组串的I-V曲线，从而对系统的各种故障进行准确分类。

根据I-V检测设备历史数据中具有代表性的数据，通过插值等运算方法估算光伏组件积尘的衰减因子。曹玉珍等[33]、居发礼[34]和张永帅等[35]依据大量历史数据建立灰色模型对光伏组件积尘状态进行检测。Saquib 等[36]，神经网络在数据拟合及不需要精确的数学模型即可建立的优势，建立了神经网络模型，其在检测每日积尘量和累积损失方面明显优于灰色模型。陈金鑫[37]利用长短期记忆神经网络建立了短时预测模型，只需要前几天的少量历史数据即可预测未来一天光伏组件的积灰状态。

3.3 计算机视觉检测

计算机视觉检测是从图像中提取数据并输出作用于特定任务的方法，一般是由图像捕捉、数字图像处理、机器学习3 个过程组成。

3.3.1 光学图像检测

利用红外热成像图能够产生相对温度差，从而可进行光伏组件积尘状态的分析识别。在太阳辐照下，由于光伏组件部分受到积尘遮挡而无法工作，使被遮挡部分的组件温度远大于其他部分，最终因为高温度形成热斑[2,9]。红外热成像仪通过检测物体表面发出红外辐射来测量物体的温度，可用于连续监测和识别光伏组件裂缝、热斑等缺陷，也可用于识别表面是否污染。

光学图像包括了可见光和近红外波长图像，由无人机或巡检监控进行信息收集。光学图像在电力设备和周围区域详细图像上的收集能力，已被应用于多类光伏电站设备的故障检测。

电斑发光(EL)检测原理是利用太阳电池中受激电荷载流子的辐射带间复合。在EL 研究中，太阳电池作为发光二极管运行，由于复合效应，发射的辐射可通过敏感的CCD(Charge Coupled Device)相机检测到。太阳电池或光伏组件流过定义的外部激励电流(施加的电流小于等于太阳电池或光伏组件的短路电流)时，相机拍摄图像。图像中，与正常的区域相比，光伏组件的积尘区域显得暗淡[38]。

3.3.2 传统视觉检测

通过特征提取使图像上有关积尘的信息数据与其他信息数据实现分离，提高分类的准确性。而传统的视觉检测方法在特征提取上更多依靠人工进行选取，能够针对不同目标任务变换处理图像的方式并选取合适的特征。在光伏组件积尘状态的特征提取上，主要通过增强光伏组件上积尘区域与未积尘区域的颜色对比度来突出积尘状态的信息。提取的图像特征，经过机器学习，例如人工神经(Artificial Neural Network，ANN)、支持向量机等实现积尘状态的分类。

在积尘图像的特征提取上，张姝伟[39]发现不同程度的灰尘覆盖光伏组件表面时，表面的亮度对比度会发生变化，从而提出一种基于图像亮度的积灰检测方法。而Doll 等[40]使用EL 图像进一步增加了光伏组件与积尘的对比度，能够检测更多的污染物。Unlnturk 等[41]考虑图像中像素空间关系，使用灰度共生矩阵来识别图像中相关区域的纹理特征，提取的特征经过ANN 分类器可分成不同的污染等级。

传统视觉检测多选择积尘的形状与色彩进行特征提取，而积尘形状与色彩在环境影响下具有不规则性与多样性，因此特征提取较为困难。

3.3.3 卷积神经网络检测

卷积神经网络已被广泛应用于图像识别、自然语言处理、故障诊断等领域。与传统视觉检测的特征提取方法相比，通过卷积神经网络的图像能够自动提取图像特征并进行特征训练，具有更高的效率和更强的鲁棒性[42]。

廖坤[43]以不同深度的ResNet(Residual Network) 模型为实验组，以VGG-16(Visual Geometry Group Network)、AlexNet 模型为对照组，输入光伏组件的光学图像，对11 个等级的光伏组件积尘状态进行分类识别，并分析不同网络结构模型对光伏组件积尘状态识别准确性的影响。在结果误差上，ResNet 的各类模型的训练误差值均较低且收敛情况较好。Shi 等[42]提出了一种高效的端到端识别光伏组件灰尘状态的卷积神经网络模型，称为识别灰尘状态网络(Identigy Dust State NetWork，IDS-Net)。IDS-Net 的创新性在于其是基于重新制定的大气散射模型设计的，是一个端到端进行优化的模型，而不进行中间步骤的参数估计。

4 结论与建议

本文分析了光伏电站中积尘造成的光伏组件发电效率损失，对积尘状态的检测技术进行了综述，将积尘检测的方法分为3 类进行详细介绍。理论公式模型预测，包括了光伏电站所在地环境特征和光伏组件特征影响下模型的改进与优化；使用I-V曲线检测可间接实现光伏组件积尘状态的检测；计算机视觉检测方法检测光伏组件积尘状态在实时检测上是有优势。

但由于光伏组件的积尘与阴影形成的复杂性，使其积尘状态的检测依然存在需要改进的地方。

1)理论公式模型预测多基于实验研究，考虑的环境因素较少且可控，所得结果较为理想。影响积尘量的环境因素有气候温度、太阳辐射量等，也可以作为模型的影响因子进一步提高模型的准确性。

2)I-V曲线检测方法能够对光伏组件状态进行实时检测，但难以检测出光伏组件的局部遮挡。光伏发电系统故障的多样性及对太阳辐射量的敏感性使其在I-V曲线跟踪时会显示多个光伏组件故障共同作用下的故障信息。因此仅使用I-V曲线进行积尘状态的检测时准确率不高且会产生错误的故障类型判断，影响光伏发电系统运行状态的判断。I-V曲线检测可以与计算机视觉检测等其他检测方式结合，形成集成学习模型实现多源检测状态的识别。

3) 计算机视觉检测方法中，图像的采集受很多因素的影响，相机位置、相机的清晰度、环境明暗等都是在实际数据收集时应该考虑或控制的重要因素。传统视觉检测在图像的特征提取上困难且单一，而光学图像与红外热成像图的融合能够进一步增加图像的信息，提高光伏组件状态识别准确性。此外，近年来计算机视觉发展，语义分割、物体检测等在积尘或阴影形成的局部遮挡检测方面具有更好的适用性。