農業大棚光伏發電預測的研究

高華興 李建軍 張 樂 楊宇昕 任永強

(1.塔里木大學現代農業工程重點實驗室，新疆 阿拉爾 843300；2.塔里木大學機械電氣化工程學院，新疆 阿拉爾 843300)

1 光伏功率的影響因素

1.1 輻照強度

無論是利用半導體p-n結的光電效應太陽能電池，還是光電直接轉換的太陽能電池，都是需要光照輻射強度，前者依靠光照在p-n結上形成空穴-電子對，形成電場，產生電流；后者直接將光照打到光電二極管上，產生電勢差，形成電流。輻照強度對電流影響較大，輻照強度跟電流大小成正比，對電壓幾乎沒有影響，所以輻照強度跟光伏功率成正比[1]。

太陽輻照強度受很多因素的影響，比如天氣狀況，空氣質量，光伏設備上的灰塵，還有光伏電池板擺放的角度等因素。這些因素通過影響光照強度大小，進而影響光伏發電功率的大小，在預測光伏功率的時候要考慮到這些因素。光伏上輻照強度受光伏電池板擺放角度的影響，斜面輻照強度公式IA如式(1)所示。

Iθ=IDθ+Iσθ+IRA

(1)

IDθ是傾斜面上太陽直射輻照強度，Iσθ是斜面上太陽散射輻照強度，IRA是傾斜面上所獲得的地面反射輻照強度[2]。光伏電池板擺放的角度會影響輻照強度，進而影響發電功率。

1.2 溫度

太陽能電池目前主要是硅系太陽能電池，有單晶硅太陽能電池、多晶硅太陽能電池、非晶硅太陽能電池。溫度主要影響太陽能電池的電壓、電流、峰值功率等參數。光伏電池板的電壓隨溫度的升高而降低，電流是隨溫度升高而升高，太陽能的功率隨著溫度升高而降低。溫度對開路電壓的具體影響，在20～45℃時候，升高1℃單片光伏的電壓降2mV[3]；而對單片光伏電流的影響是每上升1℃電流增加0.03mA，計算可得，每升高1℃則功率減少0．35%。為使光伏發電效率得到提高，要是光伏溫度在20℃左右，保證光伏的高效運行[4]。

1.3 陰影

在大棚環境中，很有必要考慮陰影的影響，若光伏上有陰影則會引起光伏發電效率的大大降低。光伏電池板如果有一個電池單元被遮擋，發電效率只有之前的25%[5]，由于電池片之間都是串聯的，每路直流組件的若干組件也是串聯的，所以遮擋一塊組件，甚至遮擋一塊組件的其中一塊電池片，都會對整組組串的功率輸出造成很大的影響。在預測中要考慮可能產生的陰影，像電線桿、鳥糞、落葉都會造成光伏發電效率的降低[6]。

1.4 灰塵

光伏電池板的效率受到沉積在表面灰塵的影響，光伏電池板上的灰塵對輻照強度和溫度有直接影響，進而影響光伏發電效率，使電池的效率降低，并能使面板表面受到腐蝕，不同地區的灰塵影響不同。光伏電池板上的灰塵能擋住太陽輻射，降低太陽的透過率，造成面板接收到的太陽輻射減少，輸出功率也隨之減小，灰塵厚度越大效應就越明顯[7]?；覊m所吸收的輻射轉換成了熱能使光伏發電板升溫，灰塵中含有一些腐蝕性的物質，會影響到光伏發電效率。光伏發電的影響因素互相耦合，在預測過程中要考慮到耦合因素的影響。

2 光伏發電預測方法

2.1 直接預測法

直接預測法的建模相對間接預測法建模難度要大一些，在不同時間內和不同運行條件下，對應關系可能發生改變，這種改變可能使預測結果不準或者嚴重偏離正常值。光伏直接預測就是通過歷史的光照強度，天氣溫度來預測今后的光伏發電量，神經網絡就是直接預測，通過對歷史天氣狀況的訓練來預測今后光伏發電量。

2.1.1 統計預測法

數據統計預測法首先要進行大量光伏發電歷史數據的統計，找出各時段光伏發電的規律，根據規律做出相應光伏發電預測，目前常見的數據統計預測模型有：灰色理論預測模型、多元線性回歸預測模型、時間序列預測模型等?；疑碚擃A測模型不需要完整的信息，具體的影響因素不需要明確，因素之間的互相的影響不需要明確，系統的作用原理不需要完全明白，灰色理論預測模型提供了一種不需要太多信息的預測方法。多元回歸預測模型，是把影響光伏發電量的多個因素及之間的相互作用同時考慮，來預測未來發電量，上文中第一章提到的所有影響因素都可以被多元回歸方程所用，作為回歸方程的輸入，短期預測效果較好。時間序列預測模型通過歷史數據對未來做出判斷的數學模型，在光伏發電預測中將一段時間的發電量作為一個隨機變量，最后通過數據處理擬合曲線，建立預測模型。

2.1.2 人工智能預測法

人工智能算法快速發展，在光伏發電預測中的應用成為主流，人工智能算法主要包括人工神經網絡、深度信念神經網絡、徑向基神經網絡、生成對抗網絡、邏輯學習機、多分類決策森林等方法。人工智能預測方法，模仿神經元的工作原理，將大量神經元聯結進行運算，通過不斷地學習，訓練，找到無限逼近基于歷史數據的函數，在光伏發電領域中，使用神經網絡可以得到很好的預測結果。人工神經網絡有前饋神經網絡和反饋神經網絡，前饋神經網絡是將數據一層一層傳遞，沒有反饋，反饋神經網路與前饋神經網絡最大的不同就是反饋神經網絡各個神經元之間互相聯系，都可以作為輸入輸出。

文獻介紹了一種基于大數據的預測方法，通過理清各種不同因素的重要程度，建立多層神經網絡來預測未來光伏發電量。文獻介紹了支持向量機，是一種自學習的模型，原則是使結構風險最小化，具有很好的適應性。文獻介紹了光伏數據中有高頻和低頻信號，利用小波分解技術把高低頻信號分開計算，使預測值更精確。

2.2 間接預測法

間接預測方法相對于直接預測法，預測方法較為復雜，是指不需要大量的光伏歷史數據，根據天氣預報數據進行預測的方法，在預測精確度方面，間接預測要好于直接預測，并減少了大量光伏數據的統計。間接預測可以根據當地實時天氣預報信息，衛星云圖、歷史數據進行預測下個時間段的光伏量，達到預測的目的。文獻介紹了基于數值天氣預報預測的方法，能有效地根據季節進行預測。文獻介紹了在數據不準確、不全面時，提出了將數據分為陰晴2類，然后找到相似的數據，進行分析預測。

2.3 組合預測法

組合預測法是把多種預測方法結合在一起，文獻介紹了基于自適應Kmeans和 LSTM的光伏預測，根據短期發電的特點，選取相適應的預測方法，然后再在LSTM上進行光伏發電預測，文獻介紹了基于特征挖掘的 indRNN的光伏預測，首先根據環境特征與光伏發電量的關系，找出相應的特征，再進行神經網絡的預測。各種預測方法的組合，取長補短，預測精度大幅提升，但是計算的復雜度也將會提升。在這里規定超短期預測時長4h以內，短期預測時長在72h之內，中期時長為1月～1年。以上各種預測方法的總結如表1所示。

3 未來研究展望

隨著對環境的重視，將會加快尋找綠色能源的腳步，太陽能具有綠色、環保的特點，無疑將會受到越來越重視。在大棚中應用光伏，符合生態農業觀念，是一種發展趨勢。光伏只能白天發電，如何使白天所產生的電能持續、高效地轉化為大棚用電，就要進行光伏的預測。在預測過程中，常常面臨預測難度與精度不能統一的矛盾，根據大棚的環境選擇出最優的預測方法，就會是未來研究的重點。

表1 光伏發電預測方法分析

(1)近年來，大數據、人工智能、機器學習的蓬勃發展，光伏預測技術的預測精度一步步提高，但是預測過程中運算復雜度和運算量大幅提升。大棚環境中，未來隨著計算機運算速度的提升，大棚中運用人工智能預測的方法將會越來越普及。未來根據大棚實際情況建立不同復雜度預測模型將會是一個重要研究方向。

(2)組合式預測的優越性逐漸凸顯，能進行靈活地組合，達到靈活預測的結果。組合式預測能根據光伏預測環境進行組合，在大棚環境中，將會根據不同地區的不同情況進行預測，組合預測在大棚環境中滿足了預測精度的需要，但也存在運算量的問題。未來預測模型的優化和簡化將成為一個研究重點。

(3)超短期預測在大棚光伏預測中會普及，這是由大棚特點和大棚用電策略所決定的，如何減少儲蓄電池的充放電次數，在陰天霧霾天等光照不足的情況下，快速預測將會減少非必須用電，超短期預測將會使大棚用電快速反應，未來在大棚中超短期預測將會重點研究。