光伏發電功率預測方法綜述

曹煜祺，張立梅

(1.河北農業大學機電工程學院，河北 保定 071000； 2.河北農業大學信息科學與技術學院，河北 保定 071000)

光伏發電功率預測方法綜述

曹煜祺1，張立梅2

(1.河北農業大學機電工程學院，河北 保定 071000； 2.河北農業大學信息科學與技術學院，河北 保定 071000)

隨著光伏大規模接入電網，其帶來的時變性、波動性及隨機性將對電網的安全穩定運行帶來巨大的沖擊。光伏功率預測技術是提高光伏并網質量、優化電網調度、保證電網安全穩定運行的基礎技術。文中首先對光伏輸出的主要影響因素進行了闡述，隨后對數據的選擇與處理進行了討論，歸納了光伏功率預測方法，最后總結了預測結果的評價標準。

光伏發電；功率預測；預測方法；評價標準

目前，人類正遭遇著世界范圍內的能源危機，全球不可再生能源存儲量不容樂觀。據英國bp石油公司統計分析，照2016年水平，全球煤炭儲量將能滿足人類153年的生產，石油為50.6年，而天然氣約為52.5年[1]。面對如此嚴峻的形勢，可再生能源越發地受到了國內外的關注。而太陽能，作為一種典型的可再生能源，由于其具有充分的清潔性與安全性也成為了人們關注和研究的熱點。自2002年，光伏發電已經成為了發展最快的能源技術，每年以48%的增幅滿足人們的能源需求[2]。近年來，我國光伏產業發展迅速，至2016年年底，我國全年新裝機容量達到了34.54 GW，新增和累計裝機容量均為全球第一[3]。

由于光伏輸出表現出的時變性、波動性和隨機性的特點，當大規模光伏發電系統并入電網時，其將對電網的穩定安全運行帶來巨大的沖擊，大大增加了電網調度的難度[4]。因此，光伏發電功率的準確預測對于保證電網的安全調度具有重要意義。本文首先介紹光伏功率輸出的影響因素，隨后介紹輸入數據的選擇與預處理，著重論述功率預測方法，最后總結光伏功率預測評價標準。

1 光伏功率輸出的主要影響因素

太陽能電池板由于依靠太陽能運行，其工作狀態也受多重因素影響。如：光伏系統所處的經緯度、場地地形條件等地理因素，季節、天氣狀況等環境因素，系統中光電轉換裝置的精度效率以及光伏陣列電池板的清潔運營維護，等等[5]。

1.1 太陽輻照強度

太陽輻射強度大小受地形、經緯度、天氣狀況等因素影響，直接影響著光伏功率輸出，相關關系見式(1)：

P=rNSη

(1)

式中：N表示光伏陣列的數目；S表示單位光伏陣列的面積；r為光伏陣列上接受的太陽輻照度；η為光電轉換效率[6]。

1.2 電池模塊的溫度

電池模塊只能將約小于20%的太陽能轉化成電能。因此當環境溫度過高、太陽輻射過強時會造成電池的過熱。電池模塊溫度高于25℃時將會影響電池工作效率。由于光電轉換效率的下降，功率將以0.35%/℃的幅度下降[7]。

1.3 云層

大氣中的云層能夠對太陽輻照度產生直接影響，其對太陽短波輻射的直接反射會導致太陽輻射的下降[8]。當云層快速運動時，短短幾秒就可以對一個點上的太陽輻射造成超過60%的變化[9]。

1.4 大氣濕度

濕度過高即意味著大氣中的水汽過多，對太陽輻射的削弱作用也更加明顯。光伏輸出與大氣濕度呈顯著負相關關系。

1.5 陣列的清潔維護

光伏陣列電池板上的積灰、積雪、污濁物等長期堆積會影響光伏發電量。長期運行會造成局部發熱，出現熱斑效應[10]。

2 模型輸入數據的選擇

影響光伏輸出的因素眾多且相互作用的機理十分復雜。然而，在構建模型進行功率預測時要考慮模型的復雜度，有必要篩選出對輸出影響較大的幾組輸入數據，對模型進行精簡。

2.1 數據的預處理

首先要對殘缺數據、極端數據、錯誤數據進行剔除，然后按3∶1的比例將原始數據拆分成訓練數據和測試數據。另外，由于原始數據數量級的差異及單位的不同，須對數據進行歸一化處理。

2.2 影響因素的選擇

通過對眾多因素的重要性進行分析，確定作為輸入的影響因素數據。運用線性回歸、支持向量機法等方法，通過最小化預測值與實際值的均方根誤差來進行重要性分析。對于誤差的確定可以運用k重交叉驗證機制，將樣本數據隨意的、等大小的分成k組，取出(k-1)組作為訓練組，剩余1組作為驗證，得出誤差。重復進行k次，使得每一組均進行過驗證。

2.3 參數的具體選擇

當選定了一種影響因素作為輸入數據，這也是一個龐大的數據庫，需要對其中的數據進行選擇。以溫度為例，原始氣象數據中包括一天中的最高溫度、最低溫度以及平均溫度，這三種溫度分別作為輸入數據時，功率實際值與預測值的均方根誤差是不同的，體現了不同輸入選擇對模型預測精度的影響?？衫蒙窠浘W絡法、支持向量機法、k鄰近算法、多重線性回歸算法等方法進行具體輸入參數的選擇。

3 光伏發電功率預測方法分類

光伏發電功率預測方法有許多，也有許多不同的分類方式，具體分類如圖1所示。

3.1 按照時間尺度分類

根據提前預測時間長短，分為：中長期預測、短期預測和超短期預測。中長期預測一般預測期間為幾個月～1年，主要作用為電網的規劃及安全運行。短期預測一般為1 d～2 d，超短期預測一般為0.5 h～6 h。短期預測對電網的安全穩定運行起著至關重要的作用。

3.2 按照對歷史數據的需求分類

將預測方法按對于歷史數據的需求量劃分，可分為:物理模型法、統計方法和學習法[11-12]。

3.2.1 物理模型法

通過光伏發電系統的地形位置信息建立太陽位置模型，與天氣預報數據結合得到太陽輻照度數據，再通過構建光伏電池及逆變器模型來預測光伏輸出功率。物理模型法不需要電站歷史運營數據，直接投產就可預測[13]。

3.2.2 統計方法

運用統計方法，通過分析獲得預測模型，輸入變量與被預測值之間的關系。利用光伏發電的歷史數據與相關因素數據進行統計分析[14-15]。常用的統計預測方法有季節性分析、自回歸移動平均算法(ARMA)、自回歸積分移動平均算法(ARIMA)、多次回歸分析、指數平滑算法等[16]。

3.2.3 學習機方法

學習機方法主要包括：模糊推理系統、遺傳算法、人工神經網絡和支持向量機(SVM)，等等。

支持向量機法是一種基于結構風險最小化原則的新型機器學習方法。支持向量機法最初由Vapnik等人提出，研究分類問題，后拓展至回歸問題領域的研究(SVR)，可很好的研究光伏發電功率問題[17-18]。

圖1 光伏預測方法分類Fig.1 Classification of PV prediction methods

人工神經網絡(ANN)是光伏功率預測的有力工具，具有大規模數據處理、自適應學習、容錯性強等特點。網絡主要包括三層：輸入層、隱含層與輸出層，各層之間通過權重連接。將輻照度等相關因素作為輸入，以光伏發電系統歷史發電量作為輸出數據對神經網絡進行訓練。訓練好的網絡可以進行光伏功率預測。

4 評估指標

光伏發電模型預測結果與實際值不可避免的存在著一定誤差，誤差不斷減小是研究的追求所在，對誤差的科學評估也顯得尤為重要。誤差的評估主要采用以下3種方法：

(2)

(3)

(4)

其中：N為樣本數量；Pmj為目標值；Pcj為預測值。

5 結語

光伏發電對于能源的可持續利用具有重要意義，然而由于太陽輻照度、氣象因子等不確定性因素造成系統本身具有時變性、波動性及隨機性等特點，當光伏發電系統大規模接入電網時，這種不確定性因素會對電網帶來巨大的沖擊。因此，光伏發電功率的準確預測對于電網的安全穩定運行具有重要意義。

[1] BOB D.BP statistical review of world energy [EB/OL].http://www.bp.com/en/global/corporate/about-bp/energy-economics/statistical-review of-world-energy.html.

[2] De Giorgi M G，Congedo P M，Malvoni M. Photovoltaic power forecasting using statistical methods: impact of weather data[J]. Iet Science Measurement amp; Technology，2014，8(03):90-97.

[3] 陳東坡. 2016-2017年中國光伏回顧與展望[J].電子產品世界，2017，(04):9-11.

[4] Chine W，Mellit A，Pavan A M，et al. Fault detection method for grid-connected photovoltaic plants[J]. Renewable Energy，2014，66(03):99-110.

[5] 張雪莉，劉其輝，馬會萌，等. 光伏電站輸出功率影響因素分析[J].電網與清潔能源， 2012，28(05):75-81.

[6] Yona A，Senjyu T，Funabashi T. Application of Recurrent Neural Network to Short-Term-Ahead Generating Power Forecasting for Photovoltaic System[C]//Power Engineering Society General Meeting. IEEE，2007:1-6.

[7] Meral M E， Din?er F. A review of the factors affecting operation and efficiency of photovoltaic based electricity generation systems[J]. Renewable amp; Sustainable Energy Reviews，2011，15(05):2176-2184.

[8] 汪凱，葉紅，陳峰，等.中國東南部太陽輻射變化特征、影響因素及其對區域氣候的影響[J]. 生態環境學報，2010，19(05):1119-1124.

[9] 錢振，蔡世波，顧宇慶，等.光伏發電功率預測方法研究綜述[J].機電工程，2015， 32(05):651-659.

[10] 范迪飛，董兵海，王世敏，等.太陽能電池板表面自清潔技術的研究進展[J].材料導報，2015，29(19):111-115.

[11] 李春來，朱慧敏，景滿德，等.并網型光伏電站功率預測方法探討[J].電工技術，2010，(12):27-28.

[12] Yadav H K，Pal Y，Tripathi M M. Photovoltaic power forecasting methods in smart power grid[C]// India Conference. IEEE，2016.

[13] 盧靜，翟海青，劉純，等.光伏發電功率預測統計方法研究[J].華東電力，2010，38(04):563-567.

[14] De Giorgi M G，Congedo P M，Malvoni M. Photovoltaic power forecasting using statistical methods: impact of weather data[J]. Iet Science Measurement amp; Technology，2014，8(03):90-97.

[15] Kardakos E G，Alexiadis M C，Vagropoulos S I，et al. Application of time series and artificial neural network models in short-term forecasting of PV power generation[C]// Power Engineering Conference. IEEE，2014:1-6.

[16] Das U K，Tey K S，Idris M Y I，et al. Forecasting of Photovoltaic Power Generation and Model Optimization[J]. Renewable amp; Sustainable Energy Reviews，2017,(09):96-97.

[17] Vapnik V N. An overview of statistical learning theory[J]. IEEE Transactions on Neural Networks，1999，10(05):988.

[18] Hu J，Gao P，Yao Y，et al. Traffic flow forecasting with particle swarm optimization and support vector regression[C]// International Conference on Intelligent Transportation Systems. IEEE，2014:2267-2268.

Areviewofthephotovoltaicpowerpredictionmethods

CAO Yu-qi1, ZHANG Li-mei2

(1.College of Mechanical and Electrical Engineering, Agricultural University of Hebei, Baoding 071000, China; 2.College of Information and Science and Technology, Agricultural University of Hebei, Baoding 071000, China)

With the growing scale of photovoltaic (PV) power generation system connected to the grid, its time variability, volatility and randomness will bring huge impact to the grid. The technique of photovoltaic power prediction is the foundation of improving PV grid-connected quality, optimizing dispatch system and ensuring a safe and stable running of the grid. This paper expounded the main affecting factors of the PV output and then discussed the methods of data selection, summarized the PV power prediction methods. At the end of this paper, a conclusion of the evaluation criteria is proposed.

PV power generation; Power prediction; Prediction method; Evaluation criteria

TM615

A

1674-8646(2017)21-0031-03

2017-09-22

曹煜祺(1997-)，女，河北農業大學機電工程學院本科在讀學生。