解析光伏發(fā)電功率預測技術

鄒夢麗

（塔里木大學 機械電氣化工程學院，新疆 阿拉爾843300）

引言

在清潔能源開發(fā)方面，光伏發(fā)電為重要技術，可以將太陽能轉化為電能使用。但在將光伏發(fā)電系統(tǒng)產生的電量納入電網時，將受到輸出功率不穩(wěn)因素的影響，因此還應加強光伏發(fā)電功率預測分析，為電網調度和自動發(fā)電控制功能實現提供支撐。

1 光伏發(fā)電功率特性分析

在光伏發(fā)電過程中，需要結合系統(tǒng)發(fā)電特性對功率進行預測。但實際光伏發(fā)電將受到氣壓、溫度等各方面因素的影響，因此需要實現歷史數據深入分析，對其中隱含的規(guī)律進行挖掘。通過建立功率預測模型，對一定時間內光伏發(fā)電功率進行科學預估，能夠根據精準預測曲線做好光伏電站運行安排，避免大規(guī)模光伏電站并網給電網運行帶來不良影響。實際在光伏發(fā)電輸出功率分析上，可以按照式（1）計算：

式中，η 指的是太陽能電池轉換效率，S 為光伏陣列面積，I 為太陽輻射強度，t0則為環(huán)境溫度。在光伏發(fā)電系統(tǒng)運行過程中，S 和η 基本不變，但其他因素將隨著氣候、季節(jié)變化發(fā)生改變，導致發(fā)電輸出功率不斷波動。在光伏電站接入電網過程中，需要制定科學調度計劃。為此，還要對光伏發(fā)電功率進行預測，通過負荷跟蹤確定1d 內光伏發(fā)電功率變化情況。在實際分析過程中，對6h以內功率進行預測，需要利用衛(wèi)星云圖實現數據實時處理。根據觀測得到的地面數據、天氣預報信息等進行綜合預測，確定功率瞬變情況[1]。預測的時間分辨率最小將達到1min，最大不超10min，能夠為電網狀態(tài)實時分析提供依據，為電網自動發(fā)電控制實現提供支持。而對6h 以上功率變化進行預測，可以直接利用天氣預報數據進行分析。在使分析的數據量得到減少的同時，對氣象等數據無過高的時空分辨率要求。在實際分析過程中，需要保證預測結果達到較高精度，以便通過科學調度為電網安全運行提供保障。得到的結果也能為光伏發(fā)電中長期功率預測奠定扎實基礎，使區(qū)域光資源得到科學利用。

2 光伏發(fā)電功率預測技術

2.1 功率預測算法

對光伏發(fā)電的功率進行預測，如果采取傳統(tǒng)統(tǒng)計方法完成氣象預報、歷史功率數據等數值統(tǒng)計分析，分析結果并不精確。根據氣象和太陽輻射強度間的物理映射關系進行預測，需要頻繁變換光電轉換模型進行功率預測，難以滿足現實操作要求。過去主要按照時間順序完成樣本數據排列，根據數據隱含線性規(guī)律實現功率預測。盡管模型簡單，但在光伏電站日漸增多的背景下，參數確認日漸困難。為解決這些問題，機器學習和深度學習等不同算法得以被提出。本文采取灰色預測，樣本數據來源于某光伏電站發(fā)電系統(tǒng)，在獲取2015-2017 共3年歷史數據的基礎上，采用前2年數據進行模型訓練，并利用2017年數據進行模型預測驗證分析。

2.2 預測模型建構

針對預測類的問題，普遍采用灰色預測模型進行預測。這個模型相較其他模型來說，基于一定范圍的時間序列的數據變化。研究按時間累加后關于數列變量的波動，建立GM（1，1）模型。一般采用一階線性微分方程的解來預測數據的結果。

GM 的微分方程：x(1)為經過一次累加生成的數列；t 為時間；a 為發(fā)展灰度u 為內生控制灰數

（1）建立一次累加生成數列，設原始數列為

按照以下的方式進行累加計算，重新生成數列；n 為樣本空間

（2）利用最小二乘法求參數a，u

參數辨識

（3）求出GM（1.1）的模型（4）對模型的精度的檢驗

計算原始數列x(0)（i）的均方差S0

計算殘差數列的均方差S1

計算方差比c

計算小誤差概率

2.3 樣本數據分析

為驗證模型預測效果，需要開展數據分析。樣本全年總輻射量累計6008.35MJ/m2，最佳傾角斜面上輻射年累計功率1623.34kWh/m2，年最大日累計輻射量33.54MJ/m2，年最小日累計輻射量1.81MJ/m2。光伏系統(tǒng)額定功率為30MWp。針對原始數據，按時間進行匹配分析后，將異常數據剔除，然后進行數據預處理。

從圖1 中可以看出，由于2014年的數據與歷年數據出現了較大差值，對預測結果造成嚴重影響，在2017年將達到4821.5186 萬千瓦時。遠遠超過了阿拉爾光伏電站的實際的發(fā)電量，脫離了實際的生產生活。因此本文將2014年的數據進行修正，從而達到在一般光照資源條件下的準確預測。

2.3 模型的修正

為了對2014年的數據進行修正，通過提取2015年和2016年兩年的相關數據，對每個月數據分析，剔除不良數據，篩選具有一般性質的數據，得出2015 和2016年的平均年發(fā)電量。同理，計算2013年和2015年兩年的相關數據，對每個月數據分析，剔除不良數據，篩選代表性數據，得出2013 和2015年的平均年發(fā)電量；再將平均年發(fā)電量匯總分析，得出2014年的虛擬年發(fā)電量為3893.74 萬千瓦時，來替換3058.88 萬千瓦時。通過數據分析得出的新結果進一步代入灰色預測模型中，對2017年光伏電站一期項目的發(fā)電量實現預測。

2.4 功率預測結果

本文通過樣本數據選取2013年、2014年（修正后）、2015年、2016年的年發(fā)電量，預測2017年的發(fā)電量。阿拉爾光伏電站的數據分析可知多年平均發(fā)電量為4140.7萬千瓦時，根據灰色預測模型可以得出預測值為：4191.2319 萬千瓦時。

3 結束語

據2017年光伏電站一期項目的發(fā)電量數據顯示，全年發(fā)電量為4219.21 萬千瓦時，預測值與實際生產生活的數值較為接近，屬于可接受范圍內，可以滿足電網實時分析和調度要求。未來隨著大數據、云計算等先進技術的融合運用，建構的模型可以得到進一步完善，達到更高的光伏發(fā)電功率預測精度，使技術得到推廣應用。

圖1 灰色預測2017年一期項目發(fā)電量圖

表1 灰色預測表

表2 灰色預測表（處理后）