風光伏發電預測技術的發展

瞿誼 新疆維吾爾自治區石河子大學

1 介紹

發展可再生能源是目前解決能源危機的主要途徑，而可再生能源發電是最有效、最清潔的可再生能源利用方式，僅風力發電將占全球電力需求的12%。微電網為可再生能源發電提供了一種新的運行模式。但是，可再生能源的特點（如不穩定，間斷性和不可控性等）給微電網集成與傳統的電網帶來了諸多挑戰：（1）微電網的儲能容量一般是額定負荷的2-3倍，頻繁充放電會縮短能量存儲設備的壽命；（2）合并后的調度策略難以預先安排；（3）削弱了可再生能源相對于傳統能源發電的競爭優勢。

2 風電功率預測的現狀

對低維非線性動態模型的分析表明：風電發電輸出時間序列數據具有混沌特征。風力發電預測一般包括風速預測、功率曲線計算和模型輸出統計，其中最關鍵是風速預測。由于溫度和壓力差，空氣密度和地形等因素的影響，使風速成為最難預測的的氣象參數之一。根據預測的時間范圍，風力發電預測可分為長期預測（3-10天）、中期預測（6-72h）、短期預測（0-6h）。所有的風力發電預測模型都包括兩個階段：一、數據采集。二、數據處理。數據采集的目的是為預測模型提供輸入信息。在風電功率預測中，最重要的信息是氣象參數和歷史風電輸出數據。氣象參數來源于風場周圍的測量設備（如氣象傳感器等）和氣象部門的氣象預報信息。目前，所有的風電功率預測模型可大致分為兩類：間接預測與直接預測。

組合預測模型是一種特殊的統計模型，它通過從許多不同的預測技術中組合預測產生最佳的預測。基于研究表明，從一個適當的集合預測生成技術的綜合預測往往優于其中的任何一個部分所產生的。它的基本思想是，如果不同方法產生的預測誤差是無偏的，且彼此之間的關聯度很低，那么個別預測中的隨機誤差往往會相互抵消，因此，預測的綜合誤差會比任何單項預測都要低；如果所有的輸入的預測是高度相關的整合的則影響將是最小的。這意味著，底層預測方法在如何構建原始觀測數據與其預測之間的關系或確定輸入數據的類型或數量時必須取自顯著不同的幾個方面。有學者采用模糊神經網絡和人工神經網絡模型預測，模糊系統的輸出被用于構建人工神經網絡的網絡結構，并通過構建好的神經網絡來進行較準確的風速預測。而用統計和物理技術對風速建立一個準確的短期預測模型，預測的時間是48小時。并在此預測模型的基礎上，對輸入的數據，結合使用最近鄰搜索算法和粒子群算法確定一個最可能的預測值以減少預測誤差。

3 光伏發電預測的現狀

光伏發電是利用半導體界面的光生伏特效應將太陽能直接轉換為電能的發電技術。到2030年底，可再生能源在能源結構中的占比將達到30%，而光伏發電將占世界總能源需求的10%以上。相對于成熟的風力發電預測技術，目前對光伏發電預測的研究還處于起步階段，在文獻中提出的方案還比較少。有專家采用雙正交小波分解的設計神經網絡把太陽輻射分為小波空間信號，而壓縮信號系數用于設置應用了修改的遞歸學習算法的預測神經網絡的自適應振幅結構，并提出非線性自回歸神經網絡的預測性能的改善流程。研究者提出了直接和間接兩種方法來預測下一天的光伏系統發電量。在間接預測方法中，先利用過去的天氣樣本對太陽輻射進行預測，然后將估計的太陽輻射轉換成發電的功率；直接方法則利用系統運行期間獲得的氣象及電力數據樣本直接預測光伏發電功率，相對來說直接法較好應用。

4 結論

本文綜述了近10年來風力發電和光伏發電預測技術，重點介紹了基于統計和人工智能技術的預測模型，并闡述了這些預測模型的優缺點及其改進方向。最后，對未來風電和光伏發電的預測提出以下建議：在風電功率預測中，間接預測誤差的一個重要原因是風力發電機組提供的功率曲線直接將風速轉化為功率輸出。但風力發電機組提供的功率曲線是在一定條件下得到的，在任何情況下都不能準確地描述風速與功率輸出之間的關系。為了進一步提高精度，應根據實際情況采用統計方法等技術確定風速與功率輸出的精確關系。

[1]唐敏,熊謀林,程乙峰.全球電力市場化改革與中國戰略[J].財經問題研究, 2015(9):28-34.

[2]吳佳.集成光伏和儲能環節的微電網變換器控制方法研究[D].南京航空航天大學, 2016.

[3]宋曉華,張宇霖, 李樂明.一種混合風力發電的預測方法及系統:,CN105930900A[P]. 2016.