分布式光伏發電系統發電量預測方法

劉彥彥 呂森惠

【摘要】在我國快速發展過程中，經濟在快速發展，社會在不斷進步，預測分布式光伏發電系統發電量時，因無法準確建立光伏組件的溫度與太陽光輻照強度之間量化關系，導致預測結果偏差高。提出了不同太陽輻射強度下分布式光伏發電系統發電量預測方法，該方法利用實測獲取的不同陽光輻射強度和組件溫度下光伏發電輸出功率，構建以光輻射強度和溫度為變量的發電輸出功率模型，以此來預測發電量。仿真數據表明，晴天和雨天時，分布式光伏發電系統發電量預測結果與發電量實測值誤差很小。

【關鍵詞】光伏發電系統;發電量;預測;溫度;光伏組件

太陽能具有取之不盡、用之不竭、分布廣泛和安全清潔的優勢。各個國家都很重視發展太陽能，特別是發展光伏產業。到2018年底，全球光伏發電裝機容量達到480.36GW，中國達到176.1GW，占全球總容量的36%。但是，光伏發電卻具有顯著的間歇性和隨機性，其大規模接入電網將導致電網出現一定的波動，對電力系統產生影響。所以，對光伏發電的發電量進行預測以及提高預測的準確性成為保證電網穩定性的關鍵。光伏發電預測方法眾多，按照預測的時間可以分為超短期預測、短期預測、中期預測和長期預測。本文根據光伏發電預測的研究原理將其分為直接預測法和間接預測法。直接預測法中，根據模型的不同，將其分為數學統計預測法、人工智能預測法及混合模型。本文對混合模型進行歸納，分為基于確定神經網絡初始權值的混合模型、基于光伏數據預處理的混合模型以及其他混合模型3種，并總結間接預測法，介紹新型預測模型。

1、大規模光伏發電并網對電力系統頻率的影響

光伏發電輸出功率隨機波動的固有屬性，使其很大程度上會在光伏發電并網后對電力系統頻率產生影響。若光伏發電并網規模較小、光伏發電輸出功率波動較小，電力系統依靠自身裕度，可以動態調整，從而達到平衡;而隨著光伏發電并網規模的增大，光伏發電輸出功率比重的上升，電力系統自身不足以吸收這些波動，其有功平衡遭到挑戰，從而威脅到其頻率的穩定。

2、分布式光伏發電系統發電量預測方法

2.1神經網絡預測法

神經網絡（ANN）是一種功能強大、應用廣泛的機器學習算法。目前在光伏發電量預測領域研究比較多的大概有10多種。本文根據網絡結構的不同將其分為前饋神經網絡、反饋神經網絡以及深度學習神經網絡。（1）前饋神經網絡的數據只從輸入層經過隱含層流向輸出層，各層之間沒有反饋。應用于光伏發電量預測的主要有BP神經網絡、徑向基函數神經網絡（RBF）和極限學習機（ELM）。BP神經網絡是神經網絡領域應用最多的一種模型。BP神經網絡主要包括輸入層、隱含層和輸出層。首先，輸入光伏歷史數據進行訓練，訓練完成后輸入測試值，即可預測光伏發電量?；贐P神經網絡模型對光伏系統的輸出功率進行預測，結果表明預測日的誤差為6%～7%。設計了基于BP神經網絡的光伏發電量預測模型，將光伏電池溫度加入到輸入變量中。結果表明加入電池溫度輸入變量的誤差為4.2962%，未加入的為6.3556%。徑向基函數神經網絡（RBF）是一種結構簡單、收斂速度快、能夠逼近任意非線性函數的網絡。徑向基函數神經網絡可分為正則化網絡和廣義網絡，廣義網絡在工程中廣泛應用。（2）反饋神經網絡的輸出除了與當前輸入及網絡權值有關，還與網絡之前的輸入有關。典型的反饋神經網絡有Hopfield網絡和Elman網絡，在發電量預測領域研究較多。Elman網絡與BP網絡相比，在結構上多了一個連接層，同時多了一個延遲單元，可以記憶過去狀態，使網絡具有動態記憶功能。其中，第k個樣本的輸出y（k）、隱含層輸出x（k）和反饋輸入xc（k）可分別表示為：y（k）=g（ω3x（k）），x（k）=f（ω1xc（k）+ω2u（k-1）），xc（k）=x（k-1），式中：ω1、ω2、ω3—連接層和隱含層，輸入層和隱含層，隱含層和輸出層的權值。（3）深度學習神經網絡深度學習神經網絡（DNN）近些年被廣泛應用于光伏發電量的預測。深度學習神經網絡主要分為4種：卷積神經網絡（CNN）、深度信任網絡（DBN）、堆棧自編碼網絡（SDAE）和長短期記憶網絡（LSTM）。在光伏發電量預測領域應用比較多的是CNN和LSTM。由卷積層、池化層以及激活層組成。卷積層提取輸入數據的特征，池化層則是壓縮數據以及參數的量，而激活層則是將卷積層輸出結果做非線性映射。

2.2綜合AGC調頻研究

光伏電站現有的AGC系統能夠按照調度指令調節有功功率，但調節時間為分鐘級，不滿足一次調頻響應時間的要求。為此，在考慮節約升級改造成本的前提下，基于現有的AGC固有設備和網絡通信架構，研究了一種改進算法，提升了功率分配的精度及光伏電站執行響應的速度。在AGC基礎上通過光伏下垂控制特性，實現了光伏電站參與一次調頻，提出了調頻和AGC配合策略，并對光伏發電有功功率分配策略進行了改進，提升了光伏電站調頻的響應速度和貢獻能力。提出了自適應電網側AGC兩種控制模式的光伏發電參與電力系統調頻的控制策略，并通過仿真驗證了該控制策略的經濟適用價值極高。

2.3降低光伏組件最佳安裝傾角的實驗

實驗計算以1MW光伏陣列的占地面積、組件最佳安裝傾角為32°作為基準。實驗中組件的安裝傾角范圍為10°～32°，以1°為間隔，依次減小組件的安裝傾角進行測試，當前、后排組件的陰影遮擋時間一致時，前排固定支架組件前沿到相鄰后排固定支架組件前沿的距離（下文簡稱“前到前間距”）也相應減小，此時1MW光伏陣列的占地面積也會不同。當保持總占地面積不變時，降低組件的最佳安裝傾角，雖然組件傾斜面接收的年太陽輻射量逐漸減少，但同樣占地面積下實際可布置的光伏組件容量增大了，即光伏陣列的直流裝機容量增加了，增加比例為1%～50%，光伏發電系統的首年發電量提高了約10%～40%。由于年可利用小時數可以比發電量更直觀、更清晰地反映光伏發電系統的發電量情況，所以一般采用年可利用小時數來描述光伏發電系統的年發電水平;而在經濟測算時，則以逐年發電量來計算項目投資收益和內部收益率等動態經濟指標。需要注意的是，組件安裝傾角降低的程度需要根據項目的裝機容量要求和發電量增加量進行技術經濟性比對后確定;還需要綜合考慮項目所在地的灰塵污染情況，以及光伏發電系統中光伏組件的清掃頻率等因素。

結語：

光伏發電系統發電量預測對光伏發電系統設計并網運行控制具有重要作用，構建光伏組件溫度和陽光輻射強度的回歸模型，準確預測發電量，有實際應用意義。本文提出了不同太陽輻射強度下分布式光伏發電系統發電量預測方法，該方法具有較高的預測精度。

參考文獻：

[1]張一飛.光伏發電并網對接入電網穩定性影響的研究[D].天津：天津大學，2018.

[2]王誠良，朱凌志，黨東升，等.云團移動對光伏電站出力特性及系統調頻的影響[J].可再生能源，2017，35（11）：1626-1631.

[3]葛星.規?；夥⒕W特性及其送出系統穩定性分析[D].北京：華北電力大學，2018.

[4]王士元，鄭超，劉濤，等.計及LVRT的光伏高滲透電網動態頻率特性及優化措施[J].電網技術，2020（6）：2151-2159.

[5]張劍云，李明節.新能源高滲透的電力系統頻率特性分析[J].中國電機工程學報，2020（11）：3498-3507.