分布式光伏電站功率預測與儲能模組設計研究

崔 永

（中國水電建設集團十五工程局有限公司，陜西 西安 710086）

0 引言

預測光伏電站的功率可以更好地進行電力市場調度和制定發電計劃，降低因天氣等自然因素造成的電力波動和浪費，提高光伏電站的發電效率和經濟效益。儲能模組的有效應用有助于實現分布式光伏電站電能的儲存，使光伏電站能夠在低負荷期間進行電能儲存，在高負荷期間釋放儲存的電能，從而優化能源消費結構，提高能源利用率，降低能源成本。該文研究了分布式光伏電站功率預測與儲能模組，能夠有效降低因能源波動，并減少供需不平衡造成的能源浪費。對廣域氣象資源數據進行網格化處理，采用反距離權重（IDW）插值法等構建光伏功率預測模型，根據預測誤差值對儲能系統充放電功率進行控制，并應用PID 控制算法實現了對基于分布式光伏電站功率預測的儲能模組充放電功率進行控制。通過分析測試計算結果，證實了PID 控制算法能夠用于分布式光伏電站功率預測儲能模組，有助于對實際功率進行精細控制，實現對分布式光伏電站充放電功率的精確調節。

1 光伏功率預測模型

1.1 數據收集處理

由于分布式光伏電站裝機容量相對較小，基本沒有安裝固定的能源資源監測裝置，測試光伏功率期間，如果直接根據距離光伏電站最近的點數據對其進行光伏功率預估，可能存在精度不高的問題。基于上述因素的影響，該文對廣域氣象資源數據進行網格化處理，目的在于將分布不規則的氣象數據轉換為規則的網格數據，以方便對光伏電站進行地理插值計算。通過將廣域氣象資源數據根據經緯度坐標進行網格化處理，將數據離散化為一定大小的網格，每個網格對應一個經緯度范圍。對每個光伏電站的經緯度位置利用網格化后的氣象數據進行地理插值計算，獲取該電站所在位置的氣象數據，地理插值方法采用反距離權重（IDW）插值等方法[1]。

反距離權重（Inverse Distance Weighting，IDW）是一種經典的地理插值方法，它基于一種假設，即距離近的點之間存在較強的相似性。該方法假設待插值點與已知點之間的距離越近，則它們之間的差異性越小，權重越大。IDW 方法的計算公式如公式（1）所示。

式中：Z0為待插值點的值；Zi為已知點的值；wi為已知點與待插值點之間距離的倒數的權重值；n為已知點的個數[2]。

IDW 方法中的距離權重值計算方法如公式（2）所示。

式中：di為已知點與待插值點之間的距離；p為冪指數。

當p=1 時，權重值為距離的倒數，即線性插值；當p>1時，距離越小，權重值越大，插值結果受近處點的影響將更大，即逐漸趨于銳化；當p<1 時，距離越小，權重值越小，插值結果受遠處點的影響將更大，即逐漸趨于平滑。

1.2 特征提取及模型預測

利用插值獲取的氣象數據可提取出光伏電站所需要的氣象要素。通常預測分布式光伏電站功率的氣象要素包括溫度、輻射、風速和濕度等。采用LSTM 時間序列格式，可將氣象數據按照時間順序進行排序，并以時間為索引，將各氣象要素列構成一個二維矩陣，便于模型對歷史數據進行學習和預測。對基于統計特征的預測模型而言，可采用線性回歸方式，將氣象數據按照一定的時間間隔進行平均或聚合，計算出每個時間段內的統計特征值，以減少數據噪聲，提高模型精度[3]。

線性回歸的目標在于找到一組權重向量W和偏置項b，使預測值y_pred=XW+b與真實值y之間的誤差最小，y_pred指預測的目標值向量，通過最小化損失函數進行實現，常用的損失函數為均方誤差（MSE），如公式（3）所示。

式中：∑為對所有樣本求和。

通過最小化損失函數可計算出權重向量W和偏置項b的值。最常用的方法為最小二乘法，即通過求解矩陣方程獲得最優解，如公式（4）所示。

式中：XT為X的轉置矩陣；（-l）為矩陣的逆；T 為乘方。

通過已經得到的權重向量W和偏置項b，可對新輸入樣本進行預測[4]。使用線性回歸進行預測時，需要注意特征的選擇和處理、模型的評估和調優，以確保預測結果的準確性和可靠性。

2 儲能模組設計

2.1 能量管理

儲能模組狀態估計對電池單體SOC、SOH、溫度、電壓和電流等參數進行實時估計，以便于精確地掌握儲能模組狀態。狀態估計的精度會直接影響儲能模組的能量控制和故障診斷。儲能模組能量控制通過儲能模組的充放電策略控制、能量平衡控制等方式實現對儲能模組能量的優化控制。能量控制技術對儲能模組的運行效率、安全性和壽命等方面都有重要影響。儲能模組故障診斷對儲能模組的故障診斷和分析，及時發現和解決儲能模組的故障問題，保障儲能模組的運行安全。故障診斷技術對保障儲能模組的安全運行和延長儲能模組的壽命具有非常重要的作用。常用的故障診斷技術包括基于經驗的故障診斷、基于模型的故障診斷以及基于數據挖掘的故障診斷等。

實現的途徑主要有如下2 種：一是基于傳統控制算法的實現途徑，如PID 控制算法、模糊控制算法等；二是基于人工智能算法的實現途徑，如神經網絡控制算法、遺傳控制算法等。基于傳統控制算法的實現途徑具有實現簡單、易于掌握等優點，但對系統參數的精確度要求較高，難以滿足高精度控制的需求；基于人工智能算法的實現途徑具有高精度、適應性強等優點，但對算法的要求較高，需要大量的樣本數據進行訓練。

基于上述理論分析，結合分布式光伏電站建設的分散性、不均一性和離散化的特點，該文采用性價比較高的PID控制算法。

建立等效電路模型是儲能系統能量管理的重要步驟之一，該文根據儲能系統的特性和要求，選擇經典R-C 電路模型。將儲能模塊看作一個電容器，容量為C，電壓為Vc；將儲能模塊的內部電阻建模為一個電阻器，電阻為R；將輸入電流建模為一個恒定的電流源Iin；將輸出電流建模為一個與電容器電壓成正比的電流源Iout=k·Vc（k為比例系數），可成功建立等效電路模型。該模型可對儲能模塊進行建模和仿真，進行不同充放電模式下的電壓、電流和能量等參數計算分析[5]。

當輸入電流Iin大于輸出電流Iout時，電容器C 開始充電，電容器的電壓Vc會隨時間逐漸增加。此時，可以利用PID控制算法調整輸入電流Iin，控制充電速率和充電時間，使電容器充電至指定的電壓水平。當電容器電壓達到設定值時，需要停止充電操作。當輸出電流Iout大于輸入電流Iin時，電容器C 開始放電，電容器的電壓Vc會隨時間逐漸降低。此時，可以利用控制算法來調整輸出電流Iout，控制放電速率和放電時間，使電容器放電至指定的電壓水平。當電容器電壓降至設定值時，停止放電操作。在充電和放電過程中，需要實時監測輸入電流和輸出電流，并根據電容器電壓和電阻值計算出電容器的能量，以保證儲能模塊的能量平衡，即輸入能量等于輸出能量。如果能量計算結果與實際輸入、輸出不平衡，則需要調整充放電控制算法，保證能量平衡。通過上述方法，可以實現經典R-C 電路模型的能量管理功能，控制儲能模塊的充放電過程，實現對能量的高效利用和儲存。

2.2 控制充放電功率

儲能裝置的充放電功率控制是儲能技術的核心之一，其關鍵技術和實現途徑的不斷完善和創新，將有助于提高儲能系統的能量轉換效率和使用壽命，進一步推動儲能技術的發展和應用。在儲能裝置的充放電功率控制中，通過電池充電過程中的電流、電壓、溫度等參數監測技術對電池進行實時監測，可以保障充電過程中電池的安全性和穩定性，同時還可以提高充電效率并延長電池壽命。儲能裝置的充放電功率控制需要對儲能系統進行優化管理，需要考慮儲能系統的充電與放電策略，并通過優化充電和放電策略提高儲能系統的充放電效率。同時還需要對儲能系統進行安全管理，如過充、過放以及過溫等情況的保護控制。

通過采用智能充電技術，可以實現對電池的高效充電控制和儲能系統的智能管理。通過應用新型電池技術和充電技術，可以提高充電效率和儲能系統的安全性能。通過運用人工智能等高新技術，可以對儲能系統進行更精細的控制和管理。

儲能模組的充放電功率控制可以通過PID 控制算法進一步實現。對被控制對象的測量數據進行比較，根據差值調整輸出控制信號。PID 控制算法如公式（5）所示。

式中：u（t）為控制器的輸出信號；e（t）為當前誤差，即目標值與實際值之間的差距；Kp、Ki和Kd分別為比例系數、積分系數和微分系數；Kpe（t）為比例部分輸出，用于對當前誤差進行比例放大，使控制器對誤差的反應更迅速；

通過比例、積分和微分3 個部分的組合，PID 控制器可以實現對儲能模組充放電功率的精準控制，并在控制系統出現干擾或變化的情況下做出適應性響應，以確保系統的穩定性和可靠性。

3 集成測試

3.1 測試準備

分布式光伏電站功率預測與儲能模組集成測試需要進行全面的硬件和軟件準備，該文采用了華為Smart Logger 電力計量儀器、西克1041404 WTF12-3P2431 傳感器等硬件設備，借助光伏發電功率預測模型及PID 控制算法等軟件工具，運用線性回歸功率預測算法對未來一段時間內的分布式光伏電站功率進行預測，并將預測結果與實際功率進行比較，計算預測誤差。然后根據預測誤差值調整儲能系統的充放電功率控制，采用PID 控制算法對充放電功率進行控制。再對實際光伏電站功率、預測功率、控制器輸出以及PID 參數等數據的變化趨勢和相關性進行分析，獲得分布式光伏電站功率預測與儲能模組設計測試結果。

3.2 測試結果

3.2.1 光伏電站實際功率與預測功率誤差分析

在光伏電站實際功率與預測功率的誤差分析中，使用Python 中的scikit-learn 庫進行線性回歸模擬，對實際功率和預測功率之間的線性關系做進一步擬合。通過定義實際功率和預測功率的數組x和yfit（），將其轉換為二維數組X和Y，然后創建一個LinearRegression 對象model。此時，使用fit（）方法對模型進行訓練，使用predict（）方法計算預測值y_pred，并獲取誤差。誤差值見表1。

表1 光伏電站實際功率與預測功率的誤差分析值

表1 列出了光伏電站在不同時間下的實際功率、預測功率以及它們之間產生的誤差。由表1 記錄值可知，在多數情況下，分布式光伏電站預測功率與實際功率非常接近，誤差小于0.5kW。

3.2.2 儲能模組PID 控制器輸出結果分析

設定PID 參數Kp=0.5、Ki=0.1、Kd=0.2，參考功率為10kW。根據PID 控制算法公式計算控制器輸出功率、比例部分輸出、積分部分輸出和微分部分輸出等誤差。設定當前時間為t，當前功率為P，誤差為e，則誤差的計算如公式（6）所示。

式中：Pref為參考功率；t為時間；P（t）為當前功率。

設定時間t的取值為1~6，當前功率P（t）所得值見表2。

表2 當前控制器輸出功率值

根據公式（5）可以計算出每個時間點的誤差、比例部分輸出、積分部分輸出、微分部分輸出和控制器輸出，見表3。

表3 PID 控制器輸出結果記錄

分析表3 可知，目標功率Pref為10kW 時，實際功率P（t）在前3 個時刻均低于目標功率，后3 個時刻高于目標功率；誤差e（t）隨時間的推移發生波動，有正有負，但總體趨勢是向目標功率靠近；比例部分輸出Kpe（t）隨誤差的增大而增大，但未出現過沖的現象；積分部分輸出隨誤差的積累而增大，但增長速度較慢；微分部分輸出在波動較大情況下較為顯著，對誤差的變化速率有響應；控制器輸出u（t）受比例、積分和微分部分輸出的綜合作用，逐步調整實際功率，最終趨向于目標功率。由此可得，PID控制器通過比例、積分和微分3 個部分的綜合作用，可對基于分布式光伏電站功率預測與儲能模組系統的實際功率進行精細控制，并將其維持在目標功率附近，能實現充放電功率的精確調節。

4 結語

該文對基于分布式光伏電站功率預測與儲能模組進行了設計。對廣域氣象資源數據進行網格化處理，利用線性回歸計算方式對地理差值氣象數據進行模擬計算和分析，有效測算出光伏電站實際功率與預測功率的誤差。并通過分析PID控制器輸出功率得知預測誤差在測試過程中雖呈現一定的波動性，但總體趨勢為逐漸下降，能夠滿足分布式光伏電站功率預測儲能需求，可以對分布式光伏電站的實際功率進行精細控制，實現了儲能模組充放電功率的精確調節，有助于提高光伏發電系統的效率和經濟效益，并推動可再生能源技術的可持續發展。