光伏发电预测（精选十篇）
光伏发电预测 篇1
光伏发电与风力发电一样, 均属于波动性和间歇性电源, 同时, 各用户或小区使用的光伏电池种类及其安装位置随机性也大。光伏发电系统相对于大电网是一个不可控源, 其发电随机性会对大电网造成冲击。目前对于太阳能的随机性以及光伏阵列发电预测技术的研究并不多[3,4]。
以下采用气象参数估计太阳辐照度的方法对光伏电站发电功率进行了预测, 为了提高日类型变化时预测的准确性, 预测模型经过历史气象数据和历史发电量的反复训练, 并以预测日的天气预报信息作为预测模型的输入参考量, 得到预测日的发电量, 达到了一定的预测精度。
2 光伏发电功率预测模型
2.1 BP神经网络
BP (Back Propagation Neural Network) 神经网络是指基于误差反向传播算法的多层前向神经网络[5], 即信号是前向传播的, 误差是反向传播的。反向传播是指误差的调整过程是从最后的输出层依次向之前各层逐渐进行的, 网络权值沿着性能函数的梯度反向调整。BP神经网络具有以下特点:
1) 能够以任意精度逼近任何非线性映射, 实现对复杂系统建模。
2) 可以学习和自适应未知信息, 如果系统发生了变化可以通过修改网络的联接值而改变预测效果。
3) 分布式信息存储与处理结构, 具有一定的容错性, 因此构造出来的系统具有较好的鲁棒性。
4) 多输入、多输出的模型结构, 适合处理复杂问题。采用BP神经网络建立光伏发电功率预测模型。共分三层:输入层、隐含层和输出层。
输入层有6个神经元, 代表6个输入量:季节, 温度 (高低) , 天气, 雨量, 云量。
隐含层可选为5个神经元。
输出层为一个日发电量, 所以为1个神经元。
采用BP神经网络进行光伏阵列发电量预测模型的设计, 除了输入变量的选择外, 神经网络模型的精度还受到神经网络结构、样本的选取以及数据的预处理方式等诸多细节因素的影响, 建模过程中需要对这些细节加以解决[2]。
2.2 预测模型的输入
在光伏阵列发电预测中, 需要考虑的环境因素很多, 如太阳辐射强度、阵列的转换效率、安装角度、大气压、温度以及其他一些随机因素都会对光伏阵列的输出特性产生影响[6,7], 因此在选择预测模型的输入变量时考虑的是一些与光伏发电关联性较强的确定性因素[2]。
文中以某电站光伏发电系统中监控系统数据库的气象数据和历史发电数据为参考, 以监控系统数据库中的2010年8月10日到15日六天的日发电量数据为例 (如图1所示) 说明每天发电量与时间的相关性。
图1中x轴为24小时, y轴为10日至15日六天, z轴为发电量。从图中可以很清楚地看出来, 尽管每天的发电量都具有波动性, 随机性, 但在发电曲线的形状上是相似的, 所以光伏发电量自身和时间序列是有高度相关性的, 所以以过去的历史发电量和气象数据训练神经网络, 进而预测未来的发电数据的预测方法要比光伏发电的间接预测方法有着明显的准确性。
2.3 BP算法
BP算法沿着误差函数减小最快的方向, 也就是梯度的反方向改变权值和偏差。BP算法的迭代公式可以表示为:
xk+1=xk-αkgk (1)
其中, xk代表当前的权值和偏差, xk+1代表迭代产生的下一次的权值和偏差, gk为当前误差函数的梯度, αk代表学习速率。
下面以含有一个隐层为例, 对学习算法进行推导。设输入数目为M, 其中任意一个用m来标记;隐层记为I, 有i个神经元;输出层记为P, 有p个神经元。输入层与隐层间的权值记为wmi, 表示输入层第m个神经元输出到隐层第i个神经元间的权值;隐层与输出层间的权值记为wip。
神经元的输入u, 输出记为v, 用上标表示神经元所处层, 下标表示层中的序号, 如ui1表示隐层第i个神经元的输入。设训练样本集为, 期望响应为, 实际输出为。设n为迭代次数, 权值和实际输出都是n的函数。当网络输入训练样本时, 对于各层的中间值, 可以写出表达式如下:
隐层第i个神经元的输入为:
输出为:
输出层第p个神经元输入为:
输出为:
输出层第p个神经元的输出误差为:, 定义误差能量为, 输出层所有神经元的误差能量总和为: 误差与信号相反, 从后向前传播, 逐层地修改权值和偏差。下面计算此反向传播和误差调整的过程。
2.3.1 隐层I到输出层P间权值的调整
BP算法中, 权值的调整量与输出相对于期望响应的误差能量对权值的偏微分大小成正比, 符号相反, 下面计算此偏微分的值。
(2)
由误差能量定义及各变量间的关系可知:
, ,
即偏微分值为:
定义局部梯度为:
(3)
的修正量为:
其中η为学习步长, δundefined (n) 可以根据 (4) 式求得, vundefined (n) 可以根据信号正向传播过程求得, 从而计算出下一次wip (n) 的迭代值。
2.3.2 输入层M与隐层I间的权值调整
与上面推导类似, 两层间节点间的权值修正量为:局部梯度为:
而传递函数的导数为:
,
已经在上一层计算中求得, 即通过迭代公式求得下一步迭代的输入层M与隐层I间的权值。
2.4 预测模型的训练与评估
预测模型的结构确定以后, 要进行模型的训练, 训练时所有样本正向运行一次, 并反向修改权值一次称为一次训练。通常训练一个网络需要成千上万次的训练。
2.4.1 训练样本的处理
从本质上说, BP神经网络算法是统计数据进行学习, 找出数据之间的规律进而进行预测的。因此对训练样本进行适当的处理, 剔除样本数据中的奇异数据, 减少不同输入量之间的数值范围差异, 能够提高神经网络的泛化能力, 并提高预测精度[8]。
气象预报服务可以由当地气象部门提供, 构成地区气象预报与现场微气象站相结合的气象地理信息关联数据库。同时, 在光伏电站的监控系统中采集相应的发电功率数据, 为预测模型的训练准备数据条件。
但是用来训练的原始数据中, 不同的变量通常以不同的单位变化, 数量级的差异也比较大。某光伏发电平台光伏阵列发电量数值变化范围在0到110之间, 而气象数据的数值变化也很大程度上不在这一变化范围以内, 同时发电数据和气象数据这两个变量的单位很明显也不同, 所以要对这些数据进行归一化, 以消除原始数据形式不同所带来的不利, 神经元的输出要被限制在一定的范围内。
1) 对数值天气预报的历史记录数据和光伏发电的历史功率数据进行筛选, 消除其中的奇异数据。
2) 对输入数据和目标数据进行归一化处理。
3) 当需要的输入和目标数据落入[0, 1]区间时, 归一化公式为
(4)
(5)
式中
pn, nn—原始目标、输入数据;
pmin, pmax, nmin, nmax—p和n中的最小值和最大值;
Pn, Nn——归一化后的目标、输入数据。
2.4.2 预测模型的评估
常见的神经网络模型的评估方法为平均绝对误差, 均方根误差等, 均方根误差能够对出现较大误差的情况进行放大, 采用均方根误差作为模型评估方法能够保证模型预测误差的平稳性。本文采用均方根误差
(6)
式中Pundefined—预测值;Pundefined—实际值;N—测试样本数;P—装机容量。
3 模型建立
选用某光伏电站十天的气象数据, 这里选取比较有代表性天气下的发电功率为例进行研究分析。
由于气象数据对光伏发电预测有很大程度的影响, 所以发电预测的精度很大程度上取决于气象的预测。这里只是以辐射总量的预测误差为参照, (天气类型为编程代码, 分别对应于天气状况) 。
模型建立流程图如图2所示。
故预测的步骤如图3所示。
为了直观所示, 将光伏有功的预测值和实际值进行对比, 如图4所示。
将光伏无功的预测值和实际值进行对比, 如图5所示。
由图4和图5可以看出, 无论晴天还是阴天, 预测模型均可以根据气象因素的变化追踪到光伏电站输出功率的实际值, 得到了较好的预测结果。
经计算, 光伏有功的均方根误差为4.14%, 光伏无功的均方根误差为2.61%, 而误差均在15%以内。可见这种预测方法对各个预测点的预测准确度也较高, 可以满足工程应用的要求。负荷预测的准确性和日照辐射误差有一定的关系, 但不是线性的, 因为负荷预测和日照辐射强度相关性较大, 另外还与网络的构架及数据量的训练相关。
4 结 论
光伏电站输出功率的预测对于保持电力系统的功率平衡和经济运行有着重要的意义, 而预测功率的准确性可以为调度员提供必要的基础数据, 其对电力系统规划和运行都极其重要。以季节, 温度 (高低) , 天气, 雨量, 云量和辐射总量为输入数据, 采用BP神经网络建立光伏电站输出功率的预测模型, 使并网光伏发电系统的光伏预测平台达到了一定的预测精度, 预测误差均在15%以下, 可以满足建设平台的标准, 具有实际的使用价值, 可为电网调度安排运行方式, 具有巨大的经济效益和社会效益。
参考文献
[1]崔容强, 赵春江, 吴达成.并网型太阳能光伏发电系统[M].化学工业出版社, 2007年7月, 第1页.
[2]陈昌松, 段善旭, 殷进军.基于神经网络的光伏阵列发电预测模型的设计[J].电工技术学报, 2009年9月, 第24卷第9期, 153页, 154页, 156页.
[3]Chakraborty S, Weiss M D, Simoes MG.Distributed intelligent energy management systemfor a single-phase high-frequency AC microgrid[J].IEEE Transactions on Industrial Electronics, 2007, 54 (1) :97-109.
[4]Yona A, Senjyu T, Funabashi T.Applica-tion of recurrent neural network to short-term-a-head generating power forecasting for photovoltaic sys-tem[C].IEEE Power Engineering Society GeneralMeeting, 2007.
光伏发电预测 篇2
第一部分 加纳光伏发电市场的投资环境研究
第一章 加纳宏观经济发展相关指标预测
第一节 加纳政局稳定性及治安环境点评
一、加纳政局沿革及其未来的政局稳定性点评
二、加纳政府效率点评
三、加纳社会治安条件点评
四、加纳对中国企业的整体态度点评
第二节 加纳重点宏观经济指标研究
一、加纳GDP历史指标及现状综述
二、加纳经济结构历史指标及现状综述
三、加纳人均GDP历史指标及现状综述
四、加纳汇率波动历史指标及现状综述
第三节 加纳基础设施建设配套的状况
一、加纳公路建设状况及相关指标
二、加纳铁路建设状况及相关指标
三、加纳港口建设状况及相关指标
四、加纳机场及航空建设状况及相关指标
五、加纳水、电、油、气的配套建设状况及相关指标
六、加纳通信与互联网建设的状况及相关指标
七、其他
第四节 影响加纳经济发展的主要因素
第五节 2017-2020年加纳宏观经济发展相关指标预测
一、2017-2020年加纳GDP预测方案
二、2017-2020年加纳经济结构展望
三、2017-2020年加纳人均GDP展望
四、2017-2020年加纳汇率波动态势展望
１
为您提供：行业/区域/采购/选址/出口/国别/跨国投资系列报告
中恒远策—海外版电子商务平台
五、2017-2020年加纳基础设施建设态势展望
第二章 加纳光伏发电市场相关法律法规研究
第一节 加纳光伏发电国际贸易的相关法律法规
一、加纳光伏发电的进出口贸易政策
二、加纳光伏发电市场的关税水平点评
第二节 加纳光伏发电税收的相关法律法规
一、加纳财政税收政策的重点内容
二、加纳与光伏发电市场相关的重点税种及税率汇总
第三节 加纳光伏发电金融外汇监管的相关法律法规
一、加纳金融政策的重点内容
二、加纳外汇监管政策的重点内容
三、加纳投资利润汇出的管道对比研究
第四节 加纳光伏发电投资的相关法律法规
一、加纳对外商直接投资的相关法律法规及重点内容
二、加纳对外商获得土地的相关法律法规
三、加纳对外商投资的鼓励或优惠政策的重点内容
第五节 加纳光伏发电市场准入及认证的相关法律法规 第六节 其他
第三章 加纳劳动力市场相关指标预测
第一节 加纳劳动力市场相关历史指标
一、加纳人口总量历史指标及现状综述
二、加纳人口结构历史指标及现状综述
三、加纳医疗卫生条件及疫情防控的相关内容
四、2017-2020年加纳人口总量及结构的预测方案
第二节 加纳的风俗禁忌与宗教信仰研究
一、加纳的风俗禁忌
二、加纳的宗教信仰
第三节 加纳劳动力市场员工技能情况点评
２
为您提供：行业/区域/采购/选址/出口/国别/跨国投资系列报告
中恒远策—海外版电子商务平台
一、加纳劳动力市场普遍的受教育程度研究
二、加纳劳动力市场技工能力情况点评
第四节 加纳劳动力市场工会力量强弱程度判断
一、加纳工会的发展状况综述
二、加纳工会组织的罢工状况研究
三、加纳劳动力市场工会力量的强弱程度判断
第五节 加纳劳动法相关重点内容点评
一、加纳劳动法重点内容研究
二、加纳劳动力市场员工招聘的相关法律法规
三、加纳对员工最低工资水平的规定及具体内容
四、加纳对外籍员工入境的签证时间及获得的难易度判断
五、加纳对外籍员工数量比例等相关规定
第四章 加纳光伏发电市场投资环境的优劣势点评
第一节 加纳光伏发电市场的投资环境的优劣势点评
一、加纳投资环境的优势点评
二、加纳投资环境的劣势点评
第二节 加纳光伏发电市场的投资环境的总评及启示
一、加纳投资环境的总评
二、加纳投资环境的对中国企业的启示
第二部分 加纳光伏发电市场供需预测方案
第五章 加纳光伏发电市场供需指标预测方案
第一节 加纳光伏发电市场相关指标情况
一、加纳电力供给指标
二、加纳电力消费指标
三、加纳电源结构相关指标
四、加纳电力价格历史指标
五、加纳光照资源区域分布特征
六、加纳光伏发电发展状况综述
３
为您提供：行业/区域/采购/选址/出口/国别/跨国投资系列报告
中恒远策—海外版电子商务平台 第二节 影响加纳光伏发电市场发展的主要因素 第三节 加纳光伏发电市场供需预测的思路与方法 第四节 加纳光伏发电市场态势展望与相关指标预测
一、2017-2020年加纳电力发展规划
二、2017-2020年加纳电力供需相关指标预测
三、2017-2020年加纳电力供需平衡展望
四、2017-2020年加纳电源结构变化态势展望
五、2017-2020年加纳光伏发电市场发展态势展望
第六章 加纳光伏发电重点关联行业发展态势展望
第一节 加纳太阳能电池行业相关态势展望
一、加纳太阳能电池行业发展相关指标
二、加纳太阳能电池行业主要特征
三、2017-2020年加纳太阳能电池行业发展态势展望
第二节 加纳电力行业相关态势展望
一、加纳电力行业发展相关指标
二、加纳电力行业主要特征
三、2017-2020年加纳电力行业发展态势展望
第三节 其他行业
第七章 加纳光伏发电市场竞争格局展望
第一节 2017-2020年加纳光伏发电市场周期展望
一、加纳本土光伏发电市场的生命周期判断
二、加纳光伏发电市场未来增长性判断
第二节 加纳光伏发电市场竞争主体综述
一、加纳本土光伏发电企业及其相关指标
二、中国在加纳的光伏发电企业及其相关指标
三、其他国家在加纳的光伏发电企业及其相关指标
第三节 加纳光伏发电市场各类竞争主体的SWOT点评
一、加纳本土光伏发电企业的SWOT点评
４
为您提供：行业/区域/采购/选址/出口/国别/跨国投资系列报告
中恒远策—海外版电子商务平台
二、中国在加纳的光伏发电企业的SWOT点评
三、其他国家在加纳的光伏发电企业的SWOT点评
第四节 影响加纳光伏发电市场竞争格局变动的主要因素 第五节 2017-2020年加纳光伏发电市场竞争格局展望
一、2017-2020年加纳光伏发电市场竞争格局展望
二、2017-2020年中国企业在加纳光伏发电市场的竞争力展望
第三部分 中国企业投资加纳光伏发电市场的经营建议
第八章 加纳光伏发电市场机会与风险展望
第一节 2017-2020年加纳光伏发电市场机会展望
一、2017-2020年加纳光伏发电市场需求增长的机会展望
二、2017-2020年加纳重量级区域市场的机会展望
三、2017-2020年加纳光伏发电市场辐射的机会展望
四、其他
第二节 2017-2020年加纳光伏发电市场系统性风险展望
一、加纳光伏发电市场波动的风险
二、加纳光伏发电市场相关政策变动的风险
三、强势竞争对手带来的竞争风险
四、汇率波动风险
五、人民币升值的风险
六、关联行业不配套的风险
七、利润汇出等相关金融风险
八、劳动力成本提高的风险
九、其他
第三节 2017-2020年加纳光伏发电市场非系统性风险展望
一、产品定位不当的风险
二、投资回收周期较长的风险
三、跨国人才储备不足及经营管理磨合的风险
四、与当地政府、劳工关系处理不当的风险
５
为您提供：行业/区域/采购/选址/出口/国别/跨国投资系列报告
中恒远策—海外版电子商务平台
五、当地化经营进展缓慢的风险
六、其他
第九章 加纳光伏发电市场的经营与投资建议
第一节 2017-2020年是否适合开拓加纳光伏发电市场的判断
一、从市场准入门槛的角度进行判断
二、从当地光伏发电市场需求的角度进行判断
三、从市场竞争程度的角度进行判断
四、从生产要素成本的角度进行判断
五、从市场进入时机的角度进行判断
六、从地理区位的角度进行判断
七、是否适合开拓加纳光伏发电市场的结论
第二节 2017-2020年在加纳光伏发电市场进行直接投资的建议
一、光伏发电选址的建议
二、投资方式选择的建议
三、光伏发电项目建设规模和建设节奏的建议
四、与加纳地方政府公关争取优惠政策的建议
五、企业融资方式选择的建议
六、参与电站运营的建议
七、处理跨国人才储备及当地化经营的建议
八、正确处理当地劳资关系的建议
九、利润转移路径选择的建议
６
光伏发电系统最大发电量分析 篇3
关键词：光伏；最大发电量
中图分类号：TM615 文献标识码：A 文章编号：1674-7712 （2014） 18-0000-01
一、光伏发电系统
系统利用太阳能光伏效应转化太阳能为电能。相对于火力发电，光伏发电不会造成环境破坏，并且不会产生机械传动，光伏发电系统通常有太阳能电池组件、防雷汇流箱、太阳能充放电控制器、逆变器等构件。
（1）太阳能电池。太阳能电池组件是光伏发电系统中至关重要的部分，光伏组件的总投资占到了光伏电站投资成本的1/2，主要负责将太阳能转换为太阳能。太阳能电池组件转化率是光伏系统中最重要的性能参数。（2）汇流箱。太阳能光伏发电系统中，为了减少光伏方阵及其连接逆变器之间连接电缆和接点数量，使用汇流箱，串联相同型号和个数太阳能电池组成组串，根据逆变器参数确定逆变器组串，并将多个组串并联进入光伏汇流防雷箱，通过汇流箱汇集电流到一点。（3）太阳能控制器。通常在离网光伏发电系统中应用，主要用于控制蓄电池充放电，国内主流控制器主要有24V、48V、220V等几种类型。（4）逆变器。逆变器能够转换太阳能电池方阵直流电为需要频率的交流电，逆变器主要有开网和并网两种类型。
二、光伏组件安装倾角优化
太阳能光伏发电系统为了能够在全年都获得较大的太阳辐射量，光伏组件采光面通常使用面向赤道倾斜方式，北半球的光伏电站组件均向南倾斜放置。光伏发电系统光伏组件倾角对系统发电量有着很大影响，因而确定组件安装倾角是获得系统最大发电量的重要措施。
（一）太阳能辐射量计算
水平面和倾斜面上获得辐射量符合光直射散射分离原理，总辐射量等于直接辐射和散射辐射之和，但是光伏组件阵列面上获得的辐射有光线射向地面反射到组件表面的辐射，水平面上则没有，但是气象站通常只有水平面上的太阳能辐射资料。光伏组件接收平均太阳能辐射量主要受到太阳能辐射量、周围环境温度以及其他设备特性的影响，光伏组件安装通常倾斜进行，计算光伏阵列输出需要将水平面上记录辐射强度反应到倾斜面上，需要通过复杂的数学模型确定倾斜面上的辐射量。
倾角β下斜面太阳能辐射强度模型如下：
倾斜面和水平面直接辐射之比如下：
式中φ-当地纬度；
δ-太陽赤纬；
ω-时角；
n-一年从1月1日其算天数；
ρ-地表反射率。
根据当地纬度和气象资料，就能够求出赤道放置倾斜角β时的倾斜太阳能辐射量。
（二）太阳能电池电力输出计算
太阳能电池输出为曲线特性，温度、光照强度和用电负荷等均会对输出曲线造成影响。温度和光照强度一定的情况下只有在某一个特定输出电压下光伏系统输出功率才能够得出最大值，这就是光伏发电系统最大功率跟踪技术。太阳能电池发电率主要受光照影响，在夜晚或者多云情况下电池输出较少，温度较高时太阳能电池功率将会下降。如下是一种比较实用的模型。
式中E-光伏电池电力输出；
Ht-入射太阳辐射强度；
T-光伏电池表面温度；
c1-实验标定常数；
Hf-标定太阳辐射强度；
C2-太阳能电池组件温度系数。
（三）最佳倾角计算
离网光伏系统通常要求在冬季保持较大的发电量，但是对于一些特殊的离网供电系统要求全年不断电，对于这种系统要保证全面最小辐射量的那天也能够保证光伏的正常工作。冬至日是夜晚时间最长的一天，因而要求光伏阵列倾角需要调整到冬季接收辐射量最大保证冬至日也能够提供相当的发电量。对于并网光伏电站，通常有着较大的装机容量，想要获得最大的发电量，需要选择合适的倾角。使用固定式安装方法倾角越大，装机容量一定情况下，需要占用的面积越大。
三、自动跟踪系统
（1）平单轴跟踪系统。使用一根轴改变电池组件角度，调整太阳光使之垂直与电池组件面板，提高光伏转化率。单轴跟踪系统使用固定转速旋转，通过单轴跟踪支架使太阳能电池面板法线方向和太阳能电池面板法线夹角最小，从而提高光伏系统的发电效率。（2）斜单轴跟踪系统。单轴系统转动轴和地面成一定倾角被称为极轴单轴跟踪。倾斜单轴跟踪直接固定在太阳电池组件倾角上，围绕倾斜周追踪太阳方位，争取获得更大发电效率。（3）双轴跟踪系统。双轴跟踪系统沿着两个旋转轴运动，和斜单轴不同，倾斜角度同样能够调整，因而在理论上能够获得零入射角。电机动力输出通过涡轮蜗杆转化为水平面回转运动馆，并通过位置传感器进行系统转动角度的采集，双轴跟踪是两个角度的跟踪，跟踪效果优于单轴跟踪。对比以上几种跟踪系统，相同容量和规格情况下，双轴系统安装占地面积最大，斜单轴次之，平单轴系统占地面积最小。光伏电站纬度越高，支架投入将越大，获得的发电量越不经济。
四、方阵设计
组件串接方式多种多样，但是为了降低施工复杂程度，采用双联排排列方式，减少占地面积，节省施工线缆长度，并且后期维护工作量少，工作难度小。使用固定方式安装光伏电池组件单元时，需要考虑两排光伏点知组件之间的相互遮挡，会造成光伏单元发电效率的下降。组件前后排最小距离D计算公式如下：
通过计算，能够获得最合理的方阵间距。
五、结束语
迫于能源危机的压力，各国家纷纷开始研究化石能源的替代能源，但是光伏发电系统的效率和经济性问题仍然未能得到很好的解决，研究光伏发电系统最大发电量，对提高光伏发电系统发电效率，促进光伏发电系统的建设和发展有着重要的意义。
参考文献：
光伏发电量的预测综述 篇4
面对全球日益严重的能源危机,人类加快了对新能源探索的脚步。太阳能作为目前全球最大的可再生能源,具有极高的利用价值。发电量预测是太阳能利用的一项非常重要的指标,对大电网的分配调度会产生一定的影响。然而光伏阵列的输出特性受到光照强度、温度、湿度等其他外界因素的影响,具有不确定性[1,2],这使得光伏发电量的预测变得更加困难。
对于一个光伏发电系统,其发电量的预测对于大电网调度十分重要,我们需要掌握的是该系统在某一时刻的实时发电功率,在不同情况下选择合理的预测方法对发电量预测能起到事半功倍的效果。目前光伏发电量的预测方法有很多种,按照时间尺度可以分为超短期预测、短期预测和中长期预测。按照研究过程可以分为直接预测和间接预测[3]。这些方法虽然可以将大多数的预测方法进行归类,却很难全面覆盖,甚至有些预测方法的划分界限十分模糊,不能系统的将光伏发电量预测的方法进行归类。为此本文将光伏发电预测方法用数学统计预测法和人工智能预测进行分类,并在最后补充了一些其他的预测方法。实现了光伏发电量预测的完整化分类。
1数学统计预测法
1.1灰色理论预测法
所谓灰色理论预测法就是指利用灰色系统实现的预测模型。灰色系统的概念是在1982年由邓聚龙教授首次提突出,他所描述的是介于部分信息已知的白色系统和部分信息未知的黑箱系统之间的过度系统。灰色系统可以通过对原始数的分析整理找出它们之间存在的联系从而预测数据的变化规律从而达到预测的效果。GM(1,1) 模型是灰色系统中较为常用的动态预测模型,该模型的构成只有一个单一变量的一阶微分方程,预测过程大致可以分为累加—拟合—累减三个步骤[4]。
文献[5,6]分别采用GM(1,1)模型对光伏发电量进行预测,单一的采用GM(1,1)模型对光伏的发电量虽然可以起到预测的效果,但其预测结果与实际结果存在一定的偏差,为了能够得到较为准确的预测结果,采用GM(1,1)残差修正模型对原有的预测模型进行修正。将一天中各个时间段的发电量构成一个时间序列,以一天中光照强度最强发电量最大时为分界点,把一天中的预测分为两个阶段分别进行预测。结果显示,基于残差修正的GM(1,1)模型效果更好,其预测结果更为接近实际值。
1.2多元线性回归预测法
在生活中一种现象的发生往往与多个因素存在相互关联,此时就需要多个相关因素作为自变量解释因变量的变化规律,这种模型就是多元线性回归模型。在光伏发电量预测中,光伏系统的发电量受到辐射强度和温度等因素的影响,因此可以以这些因素作为光伏发电系统的多元线性回归模型的输入。
文献[7]将由18块京瓷KC130GH-2P多晶硅太阳能电池组件串联的光伏阵列作为研究对象,对该系统的辐射强度、环境温度、组件背板温度、风速、发电功率以及每小时发电量6个自变量建立多元线性回归模型,并采用F检测法对回归方程显著性检测后说明该模型有很好的拟合效果。将对预测结果在不同的天气情况下进行分类,在晴天,多云,阴转天三种情况下与将预测值与实际值比较后发现,在晴天的预测值较实际值偏高,阴转云的情况下预测值较实际值偏低,多云天气的预测值则有较好的预测效果。
1.3时间序列预测法
时间序列预测法是一种以时间为序列,根据历史数据揭示事物发展规律的数学统计方法。在光伏发电量预测技术中将光伏系统某一时段内的发电量看作一个随时间周期变化的随机数列。通过曲线拟合和参数评估来建立预测系统的数学模型,自回归—滑动平均模型(ARMA)是时间序列预测法中较为常见的预测模型。 文献[8]中作者建立了ARMA模型在光照充分的晴天下对光伏系统的短期发电量进行预测,结果表明,ARMA模型在晴天中有较高的预测精度。
数学统计预测法虽然在光伏发电量预测中可以实现预测的效果,其预测结果虽然和历史数据存在着某种相互联系,但这种联系并不能起到决定性的作用。在短期预测中光伏发电量受环境因素影响时效性较强,这种特性导致此类方法一旦受到环境因素变化较大情况时,预测结果变化缓慢,预测精度较低等情况。但这种方法易于实现,正是由于与历史数据存在着相互联系使得在中长期发电量变化趋势上有一定的可取性。
2人工智能预测法
2.1 BP神经网络预测法
BP神经网络是一种按照误差逆向传播算法训练的多层前馈网络,是由大量的神经元相互连接而成的非线性动态系统,使用最速下降法通过反馈结果进而不断调整网络的权值和闸值,使网络的输出达到最优化。BP神经网络模型包括输入层,隐含层和输出层三个部分。 目前,通过BP神经网络与其他算法相结合可延伸出多种预测方法,如基于牛顿法小波神经网络预测模型,基于遗传算法神经网络预测模型,基于BP神经网络—马尔科夫链预测模型,基于粒子群BP神经网络预测模型等。
2.1.1基于牛顿法小波神经网络预测模型
文献[9]描述了一种基于牛顿法小波神经网络的光伏发电预测模型,在原有神经网络的预测模型中做了以下两点改进,其一在训练方法上选择能够较好地处理复杂问题的拟牛顿算法;其二是在神经网络的结构上采用能够较好处理小信号的小波神经网络进行改进。通过仿真结果分析发现,该模型比普通的神经网络预测模型预测精度更高,尤其针对不同季节采用该模型有较好的预测效果。
2.1.2基于遗传算法神经网络预测模型
文献[10]描述了一种改进的神经网络算法,在神经网络的基础上加入遗传算法,建立GA-BP预测模型。 首先对环境温度、风速、湿度、辐射强度等环境因素进行主成分分析,剔除掉无用信息并筛选出主要成分作为GA-BP预测模型的输入。设定初始种群数,经过遗传迭代,得到BP神经网络的最优权值和闸值,经过BP神经网络训练后得到最终预测结果。对预测结果分析后表明主成分分析的遗传优化神经网络预测模型比一般的BP神经网络预测模型在预测结果上更为准确。
2.1.3基于BP神经网络—马尔科夫链预测模型
文献[11]中提到一种基于BP神经网络—马尔科夫链的光伏发电预测方法,将前一日的发电量及最高和最低温度以及预测日当天的最低和最高温度作为模型的输入,在经过BP神经网络预测后根据预测的相对误差采用马尔科夫链模型进行修正。避免了在建模的过程中忽略了实际的光照数据等。结果表明该模型具有较高的预测精度。
2.1.4基于粒子群BP神经网络预测模型
文献[12]中描述了一种基于粒子群的BP神经网络(PSO-BP)光伏发电预测模型,该模型将神经网络中需要调整的权值和闸值映射为PSO中的粒子,通过粒子间的竞争与合作不断优化这些参数,使网络的训练效率大大提高。 通过与普通BP神经网络的预测结果相比较,基于PSO-BP神经网络的光伏发电预测模型有更好的预测效果。
2.2支持向量机预测法
支持向量机(SVM)是1995年由Corinna Cortes和Vapnik提出的,是一种基于统计学习理论的模式识别方法,在解决一些复杂的非线性系统中具有极好的效果。 其主要思想可以概括为将一个样本空间映射到一个高维空间中,在原有样本空间中线性不可分的问题在高维空间中实现线性可分。
2.2.1基于鲁棒学习最小二乘支持向量机预测模型
文献[13]中提到了一种改进后的基于鲁棒学习最小二乘支持向量机(RLS-SVM)的光伏预测模型。在传统的LS-SVM基础上采用鲁棒学习提高系统的鲁棒性, 同时减少了系统的“过拟合”现象。该模型以历史发电量,太阳辐射强度和环境温度作为输入,以光伏发电功率为输出,与LS-SVM模型及RBF神经网络做了仿真对比。研究结果表明,RLS-SVM光伏预测模型有更高的预测精度,能够准确的预测出光伏阵列额定输出功率, 有效地解决了光伏发电的随机化问题。
2.2.2基于相似日和最小二乘支持向量机预测模型
文献[14]提出了一种基于相似日和最小二乘支持向量机的光伏发电预测模型,该模型首先将天气因素归类为晴天、阴天和雨天。将温度和湿度作为两个主要参考量,计算出预测当日与历史数据的相似度,根据相似度选择相应的相似日,由相似日的光伏发电量和预测日当天的气候特征来预测这一天的发电量。这种模型在一定程度上减小了天气变化对预测值的影响,相比于SVM模型有更好的预测效果。
人工智能预测法有预测精度高、响应速度快等优点,BP神经网络和支持向量机预测法是目前较为常用的人工智能预测法,许多其他的智能预测模型也都是基于这两者加入其他算法进行改进。而这也使原本复杂的系统实现起来更为困难,尤其BP神经网络需要大量的原始数据进行训练。而支持向量机面对大规模的训练样本时更是难以实施。这些预测方法理论性较强,只能借助计算机实现仿真分析,很难与大型光伏发电站的实际情况相结合。
3其他预测方法
在研究光伏阵列的数学模型中,我们不难发现影响光伏发电量的主要因素是温度和辐射强度[1,3]。针对这一特性,人们提出另外一种间接预测光伏发电量的方法, 即建立瞬时太阳辐射模型,例如Hottel辐射预测模型或者Liu-Jordan辐射模型[15]等。这种预测方法以天文辐射作为输入变量,以地表接收到的太阳辐射为输出建立数学模型来间接预测实时的光伏发电量。同样利用此方法建立逐时太阳能预测模型和日总太阳能预测模型,可以实现以日为单位的光伏发电量。但这种方法实施起来十分困难,目前国内外对这方面的研究尚处在起步阶段。
从光伏电池板的电路特性出发可以直接采用日本工业标准(JIS)进行光伏发电量的预测,这种方法较为简单,通过光伏阵列的I/V特性曲线由数学公式计算出其输出功率。与之相似的三维模拟计算法则是寻找输出的瞬时最大功率,计算出瞬间的发电量并将其累加起来进而算出一天的发电量乃至一月的发电量。该方法充分考虑了影响光伏发电量的各个因素,包括太阳高度角的选择及配线方案等[16]。但这些方法仅在理论上存在可行性,实际实施起来具有一定的困难。
4我国光伏发电量预测的发展现状
目前我国正在走可持续发展的道路并且大力推进 “生态文明”建设,对能源的要求向着清洁环保的方向发展。在这样的时代背景下我国的光伏发电产业得到了迅猛的发展。
根据德国商报报道,2014年最新全球十大光伏供应商排名中中国企业就有四个之多,常州天合光能有限公司更是首次成为全球最大的光伏供应商。其他三家分别为中国英利能源有限公司、无锡尚德太阳能有限公司和晶科能源有限公司。在新增装机容量方面,根据国家可再生能源中心统计数据显示,由2008年以前的零增长发展到2012年的新增装机容量达328MW,仅次于德国和意大利,位列世界第三。这一趋还在以更快的速度增长。到2020年前后累计装机总量可达20000GW。国家电网公司《关于做好分布式光伏发电并网服务的工作的意见》中规定,自2012年11月1日起不超过6MW的光伏发电项目可以到当地的电网公司申请免费并网运行[1,3]。这一政策的颁布也促使了国内的光伏产业的快速发展。
在光伏发电量预测方面,我国华北电力大学栗然等结合当地气候特征模拟了30MW光伏电站发电量数据, 利用支持向量机和回归分析法做了发电量的预测。但该方法仅模拟光伏发电站的预测数据,没有实验数据作为参考。华中科技大学在对18k W光伏发电站的研究中对每5分钟系统的发电量进行采集,陈昌松等结合这些数据和大量气象数据建立了基于相似日的神经网络预测模型。取得了很好的预测效果,但也同样存在着一旦环境急剧变化预测失真等情况[17]。
而在德国光伏发电量的预测已不仅仅在理论预测阶段,2009年就有6000MW光伏发电量在德国电网运行, RWE运输风暴公司(RWE TSO)与一些科研院在光伏发电量预测的准确性上做了深入研究,他们不仅能够准确的对光伏的发电量进行预测,更重要的是他们已经在考虑系统的平衡性、网络损耗、拥堵、储能等问题[18]。
总的来说,虽然我国的光伏发电量在以迅猛的速度发展,但由于我国的光伏产业起步较晚,也存在着很多因素制约着其发展,使得我国的光伏产业与国外的发达国家存在着一定差距。
5光伏发电量预测的发展方向
随着光伏产业的大力发展,光伏发电量预测技术也日渐成熟。但是目前的研究方法过分依赖大量的原始数据及智能算法,而忽略了光伏阵列的电气特性以及影响光伏阵列输出功率的外在因素,因此,我们的预测工作仍有许多需要改进的地方。
光伏产业的飞速发展必将带来更多大规模的光伏发电站与大电网的并网,光伏并网后其输出功率的工程模型如式(1):
式(1)中P为光伏阵列的输出功率,N为光伏组建个数,n1为光伏转换效率,n2为最大功率点跟踪工作效率,n3为逆变器效率,A为光伏组件的面积,a为光伏阵列倾角,Ra为光伏阵列所受福照度,s为温度系数,Tc为光伏组件背板温度[6]。由此可见不仅温度和辐射强度对光伏发电量有影响,光伏阵列的安装角度等同样对光伏发电量存在一定的影响。由于目前光伏阵列的安装角度较为固定,尤其大型光伏发电站一旦安装很难更改。 以往,光伏板的最佳安装角度都是根据太阳高度角来进行设置,而我国地理环境复杂,一些地区具有独特的气候特征,仅仅通过太阳高度角确定下来的安装角度不一定是最优的,因此,在安装角度上,我们可以综合考虑太阳高度角以及当地特有的气候特征,确定当地的最佳安装角度。
6结束语
光伏发电预测 篇5
汤瑾华东润环能（北京）科技有限公司
The Application of Photovoltaic PowerForecast System
in a Photovoltaic Power Station
摘要：太阳能是丰富清洁的可再生资源，已经成为电力发电系统的重要的后续能源。在光伏发电技术的不断提高和完善的同时，也给电力系统的安全稳定运行造成了一定的影响。光伏功率预测系统的出现，为光伏发电技术提供了辅助完善的作用，同时为光伏电站的稳定运行打下了坚实的基础。本文主要介绍了光伏功率预测系统在光伏电站的具体应用情况，从系统的实际情况和运行数据多方面验证了该系统的优越性和可推广性。
Abstract：Solar energy is abundant and clean renewable resources，has become an important follow-up energy for electric power generation systems.InPhotovoltaic technology continues to improve and perfect at the same time, Caused some impact to the safe and stable operation of the power system。This Article introduces the PV power forecasting system in the practical application of a photovoltaic power station，Many ways from the actual situation and operating data of the system verify the superiority of the system and can be extended.关键词：光伏 ； 光伏电站 ； 功率预测
Keywords: Photovoltaic；PhotovoltaicPowerStation ；Power Forecast 1 光伏发电功率预测的目的和意义
光伏发电具有波动性和间歇性，大规模光伏电站并网运行可能对电力系统的安全稳定经济运行造成影响。对光伏电站的输出功率进行预测有助于电力系统调度部门统筹安排常规能源和光伏发电的协调配合，及时调整调度计划，合理安排电网运行方式，一方面有效地降低光伏接入对电网的影响，提高电网运行的安全性和稳定性，另一方面减少电力系统的旋转备用和运行成本，以充分利用太阳能资源，获得更大的经济效益和社会效益。
2项目概况
该光伏电站位于青海省德令哈市境内，平均海拔高度2980米,该项目规模为10MW，已于2012年初并网发电。
由东润环能（北京）科技有限公司提供的光伏功率预测系统于2011年12月投入运行，现运行稳定，预测精度达到国际先进水平，短期预测月均方根误差小于12%，远远满足国家和西北电网对光伏功率预测精度的要求，验收时受到业主和专家的一致好评。系统运行结构
光伏发电功率预测系统需要配置两台服务器：外网数据处理服务器与内网应用服务器，外网数据采集服务器用于接收数值天气预报数据；内网应用服务器用于安装预测系统主程序，接收实时功率数据，并向调度上传预测结果。同时，为保障系统的安全性，同时满足国网对光伏发电安全性要求，对从外网接受的数值天气预报数据需加装方向网络隔离装置，以保证系统的安全性。
数值天气预报反向隔离数据接收服务器功率预测系统服务器交换机PC工作站打印机预测结果上传调度获取实时功率数据电网调度（安全II区）光伏电站发电监控（安全I区）4系统功能
该系统具备短期预测及超短期预测功能，短期预测能够实现光伏电站次日0时至72时的光伏输出功率预测，时间分辨率为15分钟。超短期预测能够实现光伏电站未来0-4小时的输出功率的滚动预测。
预测系统分为实时状态监测、曲线展示、气象信息展示、报表统计、系统管理共五个应用模块，每个应用模块又根据应用包含了若干个具体操作的子模块。
4.1实时状态监测
实时状态监测模块是以地图形式展示光伏电站的地理分布，并采用实时更新的方式对光伏电站的预测功率、实际功率进行展示，页面的刷新周期根据光伏电站实时功率的接口更新时间而定，一般为1-5分钟更新一次。将鼠标放置在光伏电站所在位置上,会弹出该电站的功率信息,如预测功率,实时功率和装机容量。如图1所示：
图1光伏功率地图展示界面
4.2曲线展示
曲线模块下包含了4个子模块，即短期光伏电站日曲线、周曲线展示和超短期光伏电站日曲线、周曲线展示。4.2.1短期光伏电站日曲线展示
点击“曲线展示”菜单下的“短期光伏电站日曲线展示”链接，会进入短期预测日曲线展示列表页面。其中“日曲线”横坐标为时间序列，15分钟一个点，每天96点；纵坐标为功率，单位为兆瓦(MW)。用户可在页面上通过日期控件选择任何想查看的日期，点击“提交”按钮，即可显示相应的信息。页面提供导出功能，点击右上角“导出”按钮可用EXCEL和CSV两种格式将结果导出到本地。如图2所示：
图2短期光伏电站日曲线展示界面
4.2.2短期光伏电站周曲线展示
点击“曲线展示”菜单下的“短期光伏电站周曲线展示”链接，会进入短期预测周曲线展示列表页面。在周曲线页面，会展示某个光伏电站在所选日期之后一周的功率曲线，并提供导出功能将功率数据导出。其中“周曲线”横坐标为时间序列，15分钟一个点，每天96点；纵坐标为功率，单位为兆瓦(MW)。曲线展示内容分为“预测功率曲线”、“实际功率曲线”，绿色曲线代表预测曲线，红色曲线代表实际功率曲线，用户可在页面上通过日期控件选择任何想查看的日期，当选择好各种想查看的条件后，点击“提交”按钮，即可显示相应的信息。4.2.3超短期光伏电站日曲线展示
点击“曲线展示”菜单下的“超短期光伏电站日曲线展示”链接，会进入超短期预测日曲线展示页面。其中“日曲线”横坐标为时间序列，15分钟一个点，每天96点；纵坐标为功率，单位为兆瓦(MW)。用户可在页面上通过日期控件选择任何想查看的日期，点击“提交”按钮，即可显示相应的信息。页面提供导出功能，点击右上角“导出”按钮可用EXCEL和CSV两种格式将结果导出到本地。如图3所示：
图3超短期光伏电站日曲线展示界面
3.2.4超短期光伏电站周曲线展示
点击“曲线展示”菜单下的“超短期光伏电站周曲线展示”链接，会进入超短期预测周曲线展示列表页面。在周曲线页面，会展示某个光伏电站在所选日期之后一周的超短期功率曲线，并提供导出功能将功率数据导出。
4.3气象信息展示
气象信息展示模块包含风速曲线展示、风玫瑰图展示、风廓线展示、辐照强度曲线展示、云量曲线展示、气温曲线展示六个子模块。4.3.1辐照强度曲线展示
在气象信息展示模块下拉菜单中点击“风速曲线展示”，用户选择日期后，点击“提交”可查看该电站在某日的光辐强度曲线，并提供导出功能。该模块会展示出该电站在某日的各层高风速曲线，共计四个层高：10米，30米，10米，170米。4.3.2风玫瑰图展示
在风玫瑰图展示页面，用户选取时间段和指定层高后，点击“提交”按钮，便可查看该电站的某层高在指定时间段内的玫瑰图表。4.3.3风廓线展示
在风廓线展示页面，选择时间段后，点击“提交”按钮，可查看该光伏电站的风廓线曲线图 4.3.4辐照强度曲线展示
在辐照强度展示页面，用户选择日期后，点击“提交”可查看该电站在某日的光辐强度曲线，并提供导出功能。4.3.5云量曲线展示
在云量曲线展示页面，用户选择日期后，点击“提交”可查看该电站在某日的云量曲线，并提供导出功能。4.3.6气温曲线展示
在气温曲线展示页面，用户选择日期后，点击“提交”可查看该电站在某日的云量曲线，并提供导出功能。
4.4报表统计模块
报表统计模块只包含上报曲线导出、光伏短期预测指标统计、限记录查询及导出、预测实际功率导出四个子模块，即光伏电站短期预测指标统计。4.4.1上报曲线导出
通过导航可进入此子模块，在上报曲线导出页面，选择日期后，点击“提交”会展示出第二天的上报预测曲线。在上报曲线页面，提供导出功能。在上报曲线展示页面，可修改上报的预测值。用户有两种方法修改，一是修改页面右侧表格中某时刻的预测值，修改后，左侧图中的曲线会按照修改后的值做出相应变化；二是用鼠标拖曳左侧图中的曲线，修改后，右侧表格中对应时刻的值会做出相应修改。修改成功后，点击左侧图中右下角的“确认修改”来完成上报曲线预测值的更新，否则点击“取消”按钮来撤销修改。如图4所示
图4上报曲线展示
4.4.2光伏短期预测指标统计
此模块的功能为依据指定时间段内的预测值和实际功率值做出的统计。统计指标包括：相关性系统，平均绝对误差，均方根误差和误差小于20%所占的比例。
a)均方根误差（RMSE）：
RMSE1nn(i1PMiPPiCapi)2
b)平均绝对误差（MAE）：
MAE1nn(i1PMiPPiCapi)
PMi—ｉ时段的实际平均功率； PPi—ｉ时段的预测功率； Capi—ｉ时段的开机总容量； n－所有样本个数。
4.4.3限电记录查询及导出
用户在“限电记录查询”页面，选择时间段后提交，系统会查找出在该时间段内所有光伏电站的限电记录信息，并提供数据导出功能。4.4.4预测实际功率导出
在预测实际功率导出页面，选择要导出的数据类型：预测功率导出，实际功率导出和预测实际功率导出，选择时间段后，点击“导出”按钮导出功率数据。
4.5系统管理
系统管理模块包含用户管理、光伏电站装机容量设置、预测开机容量设置、光伏限电设置、光伏电站管理、运行监控信息、用户操作日志、数据库导出、Tomcat日志下载和系统更新十个子模块。4.5.1用户管理
在该子模块超级管理员用户（一般系统会自动初始化一个）可以增加新的用户和对原来的用户进行编辑、删除和密码修改等操作，目前系统提供两种用户：超级管理员具有所有模块的使用功能；普通浏览用户可以浏览，不具有系统管理模块的使用权限。
4.5.2光伏电站装机容量设置
在该子模块，用户可以根据实际情况对预测系统中所有光伏组件的装机容量进行修改，提交之后，预测系统将按照新的装机容量对光伏电站进行预测，在没有填报第二天开机容量的情况下，系统会以该电站的装机容量为默认开机容量进行预测，因此修改装机容量对预测系统影响很大，需按照实际情况进行修改。4.5.3预测开机容量设置
在该子模块，用户根据实际情况设置未来一天的光伏电站开机情况，这里只需要填写某电站未来一天的总开机容量，提交之后，预测系统将根据用户填报的开机容量进行预测，如果不填，预测系统会按照默认全部开机的情况进行预测。4.5.4光伏限电设置
在该子模块的页面，管理员可以设置一段时间内调度限电记录，新增或者删除限电记录。4.5.5光伏电站管理
点击“系统管理”菜单下的“光伏电站管理”进入光伏电站列表界面，点击“编辑”进入编辑电站界面，在电站编辑界面，修改该电站的基本信息。4.5.6运行监控信息
点击“系统管理”菜单下的“运行监控信息”，进入监控信息查看页面，在该界面选择监控信息的查询条件，查询符合条件的监控信息。监控信息展示的是系统运行过程中的运行日志。4.5.7用户操作日志
点击“系统管理”菜单下的“用户操作日志信息”，进入用户操作日志页面，在该界面选择查询条件，查询符合条件的用户操作日志。界面提供导出功能，能够导出用户操作日志。4.5.8数据库导出
点击“系统管理”菜单下的“数据库导出”，进入导出界面，可将系统的数据库整体导出至本地，以便系统备份与维护。4.5.9服务器日志下载
当系统出现问题，电站管理人员可以下载tomcat服务器的日志信息，方便系统开发人员找到问题所在，解决系统问题。4.5.10系统更新
点击“系统管理”菜单下的“系统更新”，进入系统更新界面。在该界面，用户可以上传系统程序包来更新预测系统，系统包的格式为war文件格式。由我方提供更新包，然后由地方工作人员将更新包在此上传，即可完成预测系统的更新。
5产生的经济效益
光伏功率预测系统在提高电网公司光伏发电消纳能力、促进节能减排的同时也对提高光伏发电企业运营管理效率具有重要意义，可以为光伏发电企业带来直接经济效益。
1)光伏功率预测可以帮助电网调度合理安排常规电源发电计划，减少因光伏发电并网而增加的旋转备用容量，增加光伏发电上网小时数，减少温室气体排放的同时也为光伏发电企业带来直接经济效益； 2)通过对未来光伏发电功率的预测，有利于光伏发电企业提升运营效率和科学管理水平，例如可以在阴雨天气或者多云气象环境下安排检修计划，增加发电小时数，提高经济效益；
3)通过光伏功率预测，有利于电网合理安排运行方式和应对措施，提高电力系统的安全性和可靠性。
6总结
光伏发电功率预测系统基于以上功能模块设计，实现了对光伏电站的输出功率进行预测的功能。系统具有界面友好、操作方便、预测精度优良等优点，在满足光伏并网要求的同时，为光伏电站的科学有效管理提供了可靠的依据，是一款值得在光伏电站推广的功率预测产品。
参考文献：
[1] 简介[EB] EB]．http：／／www．myearth．eom．en Anintroduction0fphotovoltaicpower[EB] [2] 赵争鸣,刘建政,孙晓瑛,等.太阳能光伏发电及其应用[M ].北京:科学出版社, 2005.[3]范高峰,王伟胜,刘 纯,等.基于神经网络的风电功率预测[ J ].中国电机工程学报, 2008, 28(34).作者简介：
分布式光伏发电破冰 篇6
目前，欧洲、美国等都在积极发展分布式光伏发电。2012年12月19日，国务院召开常务会议提出要着力推进分布式光伏发电，鼓励单位、社区和家庭安装和使用光伏发电系统。分布式光伏发电在政策的带动下有着广阔的市场前景，但在未来，依然面临着众多不确定性因素。
技术前景剖析
如果说能源供给是一种权力，那么在我国，这种权力在相当长时间里一直是集中在发电企业和电网企业中。在相当长的时间中，我国的火电业务主要被中国电投、华能、大唐、华电、国电等五大电力集团所垄断，此外在各地区还有一些大中型电力公司，如天富电力集团以及国家电网公司的子公司等。目前这些大中型电力企业现在的主营业务依然为集中式的大型发电厂，但在新能源产业迅猛发展的背景下，也面临着体制改革的困局。
而分布式光伏发电则是社会进入新能源时代而产生出的新事物。其在我国出现的原因是多方面的。其一是顺应了改变煤炭燃料比重过高的趋势，其二是在低碳发展的背景下，有利于新兴产业的发展。具体来说，分布式光伏发电高度分散特性可大大缓解集中式电站带来的间歇性问题，且调峰性能好，启停快速，便于实现灵活调度。此外，其还具备安全可靠性高，抗灾能力强的特点，非常适合远离大电网的边远农村、牧区、山区供电。在当今土地价格高涨的情况下，分布式光伏发电可在既有建筑上安装和规划，不需要进行土地规划和开发，同时还可以满足特殊移动电源的需求。因此目前分布式光伏发电在世界范围内得到了广泛应用。
不过，在我国，分布式光伏发电还存在一定的问题，如光伏发电具有的随机性与间歇性，将其并入电网可能会引起系统电压不稳、频率扰动、输出功率不平稳和闪变等一系列问题，从而使系统的稳定性受到影响，并且使电能质量降低，所以需要电网进行调度和控制。
政策频出迎来曙光
为启动国内光伏市场，财政部、工业和信息化部、商务部、国家能源局等多部门出台了一系列扶持产业发展的利好政策。2012年7月，国家电网提出要“欢迎、支持、服务”分布式光伏发电并网，并在2012年10月26日发布了《关于促进分布式光伏发电并网管理工作的意见》，通过优化并网流程、简化并网程序、提高服务效率积极支持分布式光伏发电快速发展。2012年9月，国家能源局印发了《关于申报分布式光伏发电规模化应用示范区的通知》，希望各省市自治区申报“数量不超过3个，申报总装机容量原则上不超过50万千瓦”的示范区，并将用电需求较大的中东部作为优先地区。随后又宣布位于用户侧不超过6兆瓦的光伏发电项目可免费接入电网，并称正在制定相关的发电上网补贴标准。
2012 年12月 19日召开的国务院常务会议研究制定了促进光伏产业健康发展的政策措施，其中首次提出按照资源条件确定光伏电站分区域上网标杆电价，并完善中央财政资金支持光伏发展的机制，即财政部将对光伏电站建设补贴予以支持，同时根据成本变化对上网电价和补贴标准进行合理调减。会议还明确对光伏电站项目执行与风电相同的增值税优惠，鼓励单位、社区和家庭安装、使用光伏发电系统，这些都为分布式光伏电站大规模开发提供了政策保障。
而为了更快地将分布式光伏政策落实，2013年2月，国家电网发布了《关于做好分布式电源并网服务工作的意见》，明确提出“要为分布式电源项目接入电网提供便利条件，为接入系统工程建设开辟绿色通道。”
此外，国家能源局公布的《太阳能发电发展“十二五”规划》将2015年太阳能发电发展目标从10GW大幅提高到21GW；并在《关于申报分布式光伏发电规模化应用示范区的通知》文件中，启动迄今为止国内最大的光伏项目，即在每个省建设500MW的分布式光伏规模化应用示范区；同时，国家能源局、科技部、财政部等在2012年再次启动了共约4.54GW装机容量的金太阳示范工程。这些政策极大增强了国内光伏企业发展分布式的信心，我国分布式光伏电站开发迎来了前所未有的重大机遇。中国可再生能源学会光伏专业委员会副主任、秘书长吴达成表示，到2015年，国内仅分布式光伏发电就可能超过20GW，同时会拉动纯商业化的市场发展。预计我国今后五年和十年的光伏系统安装量会大大超过当前制定的总量目标。
抓小放大的“破冰之举”
在国内分布式能源发展相对明朗的支持政策鼓励之下，2013年我国在很多省份都实现了个人分布式光伏电站的第一次并网，这些项目也成为国内分布式能源发展的破冰之举。
比如2013年3月，陕西省一家企业投资建设的 1000 千瓦光伏发电站正式并网发电，成为该省首个发电的分布式电源项目。福建省第一个居民个人分布式光伏发电站也于4月 10 日正式并网，且并网以来，系统运行稳定。除了这两个省，山东、北京、天津等省市的电力公司近期也纷纷收到个人自发电项目并网的申请，部分已获批。如宁波就规定个人建设光伏发电系统，国家电网收购价约为 1 元/度，如光伏发电系统有国家补贴，则收购价约为 0.5 元/度。电网公司免费提供接入服务，并且提供双向计量电表。
但记者在调查中发现，国家能源局发布的《关于申报分布式光伏发电规模化应用通知》中的思路是在中部地区和东部沿海地区发展“屋顶”分布式电站，而在中西部内陆地区则鼓励在城市工业园区、大型工业企业建设分布式太阳能发电系统。从这个角度来看，工商业企业由于厂房屋顶面积很大，工商业用电的电价比居民用电高出 2到 3 倍，如果国家能再有所补贴，工商业企业理应有更大的投资动力。但是到目前为止，在分布式光伏发电站市场中 “唱主角” 的还是一些“技术控”的个人。
nlc202309011344
比如有调查发现，目前和“分布式光伏电厂”结缘的多是投身于光伏上下游的专业人士，并非普通家庭。比如全国首例成功并网的是青岛徐鹏飞家的“小电厂”，而徐鹏飞是能源公司的工程师；重庆首个申请分布式光伏发电的居民杨洪彬一直爱好研究太阳能发电；上海首例家庭光伏发电站并网的业主党纪虎任职于昱能光伏科技集成公司等。“他们有的是环保人士，致力于推进清洁能源的利用，还有的是将自己发电视作身份的象征，并不在乎投资回报。”一位研究微电网的人士说，“普通市民要么租房，要么是公寓楼，哪来的别墅屋顶发电？”
依据国外发达国家的经验，分布式光伏屋顶电站，对工业厂房、商业设施，以及大型的公共建筑更具有吸引力，那么为什么企业的动力不大呢？
记者在走访调查中发现，原因主要集中在以下层面，一是国家规定的是6MW 以下的分布式光伏电站免费入网。但工业厂房及大型的公共建筑由于发电面积大，分布式光伏电站的规模也更大。这些电站的规模如果超过6MW，国家电网则要考虑其入网所带来的成本压力以及对电网造成的冲击。
另外是企业的补贴问题没有解决。企业在建设的过程中需要先行垫付大量的建设成本，而由于分布式光伏电站的补贴问题，如设备采购补贴、安装费用补贴、电价补贴等目前还未出台细则，在这样的背景下，企业建好电站如果迟迟拿不到补贴，那么即使发出的电力上网也不具备盈利能力，反而可能成为企业的负担。另外，企业建设分布式光伏电站目前还面临着较多的资质门槛，比如项目核准、对施工单位的资质要求等，这些都限制了项目建设的灵活性，在并网上也增加了风险，因此打击了企业的积极性。
体制障碍亟待化解
在目前的发展态势下，虽然家庭光伏电站投建入网进展得热火朝天，但分布式光伏电站也面临着更多的政策困局。目前出台的相关政策如果真正要落实则要解决诸多体制障碍。
其中最重要的是补贴问题。目前，光伏发电的成本依然较高，必须通过国家补贴来拉动，这种做法在欧洲、美国、日本等国家也是如此。目前出台的补贴政策是进行度电补贴，这种补贴方式改变了原来金太阳工程发电项目的装机补贴（即国家一次性对光伏发电项目的初始投资进行一定比例的补贴）造成的虚报装机、以次充好的现象。但是目前细则还没有出台，比如选择净电量还是总电量补贴，补贴的额度、补贴期限、补贴发放方式等也没有说明，而这些问题都将影响企业和投资者的开发积极性。另外，补贴是否能及时到位也是一个影响企业对政策信任度的关键问题，由于利益分割，很多企业对政策是否能真正落实持怀疑和观望态度。因此，针对落实补贴的配套管理问题亟待解决。
其次，我国在分布式光伏发电并网技术标准方面还比较欠缺。我国已发布的标准目前只有《光伏系统并网技术要求》和《光伏系统电网接入特性》两个国标文件，而在有关设备规范、设计、测试、运行控制、监控等方面的行标和国标的制定工作则还是空白。比如在发电装备检测认证方面，欧洲和美国均规定所有光伏组件和逆变器都必须通过检测认证，而国内尚未出台强制的检测认证制度，潜在的并网安全问题也在一定程度上制约着光伏发电的可持续发展，因此需广泛开展技术标准方面的研究和相关标准的制定，以此来规范企业的资质和投资的理性，避免盲目建设。
2013年4月11日，国家光伏质检中心与中节能太阳能科技（镇江）有限公司在无锡签署了光伏领域框架合作协议。双方表示将在实验室建设、非标测试、认证市场准入、标准化合作等领域进行多元化合作。通过这项合作，可以预见未来我国的分布式光伏发电的标准将很快提出，为提升光伏产业产品质量水平，促进行业健康有序发展做出贡献。
最后，是利益协调机制的问题。分布式能源发电的施工、建设、并网和利益回收涉及到供应原材料、零配件、设备、能源、劳务、资金及其他用品等渠道企业、光伏制造企业、电站施工单位、电网公司、房地产物业、建筑物业主间的关系和权责。比如电站的运营管理、电站的收益支配、产权划定和安全责任等依然是待解的难题。目前已经建成的一些屋顶电站由光伏企业持有并负责管理，但这种模式需要光伏企业垫付大量的资金；而如果屋顶电站在建成后由建筑物业主收购，并享有发电收益权则需要屋顶所有者（建筑物业主）和管理者（物业公司）进行协商合作。另外，有较大屋顶面积的工业厂房、仓库、商业大楼等建筑载体一般都位于人口密集区，这些建筑内都配装有大量仪器设备或存放有易燃物质，而如何保证新建的电站不影响这些建筑物原有的生产生活功能，以及排除这些建筑的人员活动和生产不对电站产生安全隐患也是亟需解决的问题。
GE中国副总裁许正指出，作为第三次工业革命立意的核心，分布式能源的推广和发展，在中国还有相当漫长的道路要走，因为当下集中式的发电和能源的集中管理，依旧是中国能源领域里最重要的模式。第三次工业革命的迅速到来，其重要标志就是分布式发电与互联网技术的紧密结合。在分布式能源领域，其进展还有赖于电力体制改革的进一步推进，也有待政策更有力的支持以及各方经济利益的平衡。而分布式光伏发电迈出的每一小步，都会是第三次工业革命在中国实质性推进的重要一步。
一种新的光伏发电预测模型的设计 篇7
光伏发电预测主要分为两类。一类是利用数值天气预报和太阳辐射模型。2011年由我国气象部门研发的“太阳能光伏发电预报系统”基于中尺度数值天气预报,可以预报未来三天逐小时光伏发电量,精度达到国内领先水平。这种方法预测结果较为精确, 但是计算复杂而且成本较高。第二种方法是利用历史气象资料,包括天气、太阳辐射功率等数据,通过神经元网络、模糊预测等方法进行预测,易于实现,且具有较高的精度,具有很大的实用性。本文侧重研究通过第二类方法预测光伏发电功率,文献[1]—[4]概述了该方向的相关研究成果。文献[1]将日射量、太阳能电池板的类型和温度及配线方案作为影响因素,它侧重于太阳辐射模型和光电转换模型,对天气情况的变化考虑较少。文献[2]将日太阳辐射及温度数据进行小波分解,对不同的小波成分采用不同的预测,但对一天中天气变化剧烈的情况仍不理想。文献[3]将气温、季节、天气类型作为考虑因素,采用神经元算法,利用了历史数据的相关性。但其过于简单地把某一天归为睛天、雨天、多云和阴天四种类型中的某一种,预测结果不准确。文献[4]通过“气候因素总体差异度”这样一个指标,考虑了太阳辐照强度、辐照时间、气温三个要素,从历史数据中找出与当前天气最为相关的数据来进行预测,但是该方法对天气变化较大的情况辨识灵敏度不高。因此,本文提出了以太阳辐射曲线作为相似度的标准进行天气类型匹配搜索和预测。
1基于太阳辐射曲线匹配的预测模型
1.1影响光伏发电功率的因素
光伏发电功率的影响因素主要是光伏电池的光电转换效率和太阳辐射功率。光伏电池的光电转换效率越高,在相同的太阳辐射强度时,输出的功率就越大;而在光伏电池光电转换效率一定的情况下,太阳辐射功率越大,光伏电池的输出的功率也越大。
影响光伏电池光电转换效率的主要因素是温度, 图1显示了不同温度下太阳能电池的伏安特性曲线[5]。总体而言,随着光伏电池板温度的升高,电池板的输出功率要下降。因此,光伏电池板温度是光伏发电输出功率的重要影响因素。
除了温度,太阳辐射对光伏发电功率的影响可以分为两大类。一类是明确因素,包括太阳高度角、方位角、电站所处纬度、海拔等。太阳高度角、电站纬度、海拔影响太阳辐射强度;方位角影响太阳入射光线与太阳能电池板的夹角,当太阳光线垂直入射太阳能电池板表面时入射能量最强。这类因素的影响可以通过计算得到,故称明确因素。另一类不定因素则包括大气透明度、云的种类及云量、风速、风向等。该类因素影响太阳辐射到达地面的强度,而且对地面太阳辐射的综合影响难以用明确的物理公式来计算,故称不定因素。
通过与某实际光伏发电站的合作,并综合考虑上述影响因素之间的相关性,本实验采用光伏电站易获得的数据类型,如太阳高度角、方位角这两个明确因素变量和电站温度、湿度、风向、风速这四个不定因素变量,以及实时的太阳辐射值来综合反映各环境变量对光伏发电的影响,力争避开复杂的物理模型,通过神经网络预测的方法对光伏发电功率进行预测。
本文主要通过时间段匹配的方法找到与当前时间段太阳辐射曲线相符的历史数据,利用历史数据构建预测网络并对待预测时段的发电功率进行预测。
1.2太阳辐射曲线匹配模型
模型前提:将所有历史数据中5时到20时这15个小时的数据等间隔分为5段。如第3时间段代表11时、12时、13时。本模型基于以下假设:
1)同一时间段的三个小时内,天气类型是大致相同的。
2)相临时间段,天气类型之间高度相关。
3)在历史数据中,对当前三个小时的太阳辐射曲线进行匹配搜索。如果历史某一时段满足最佳匹配标准,则认为当前时间段天气类型与搜索到的历史天气类型相同。
4)待预测的后三个小时的太阳辐射,可以由搜索到的历史匹配时间段的数据进行预测得到。
如图2,首先将max(max代表数据库中的总天数)天历史数据中的每一天都分为间隔三个小时的时间段。每一时间段有1 954个观测数据(每5秒钟记录一次)。每一个数据点记录着光伏电站太阳高度角H、太阳方位角L、实时的温度T、湿度W、风向CD、 风速CV及太阳辐射功率I等观测数据,作为神经网络的输入数据类型。
通过对收集的某光伏电站一年内的气象数据及发电数据进行考查,上述假设在总体上是成立的。对于不符合该假设的个别情况,在进行数据库建立时将这些极少量的数据作为“异常数据”排除。
预测步骤如下:
首先,判断当前输入数据Pcurrent[H;L;T;W; CD;CV;I]属于5个时间段中的第几段,即图2-2中m的取值。
其次,以I(太阳辐射功率曲线)为对象,对max天的第m时间段历史数据进行遍历,得到历史第i天对应时间段m与当前时间段太阳辐射曲线的匹配度Similar[i][m]。
其中Icurrent为当前输入数据Pcurrent中的太阳辐射功率分量;Ihistory[i,m]表示历史第i天第m时间段内的太阳辐射功率序列。匹配度Similar[i][m]的计算方法为:将历史第i天第m时间段太阳辐射功率Ihistory[i][m]减去当前时间段太阳辐射功率Icurrent, 然后将其绝对值与当前时段太阳辐射功率Icurrent相除。
然后使用语句(2)对Similar[i][m](i=1,2,3 …max)序列中(对每一个i值,Similar[i][m]序列都包含所在时间段m内的1 954个点)值小于0.3的数据个数进行计数。计数值赋给Lable[i]。Find函数功能是查找Similar[i][m]中符合条件Similar [i][m]< =0.3的数据点,而length函数功能是计算这些数据点的个数。其中0.3是计算天气相符程度的阈值,选取的越小,匹配程度也越大,一般根据实验选取。
接着使用(3)对max个Lable值排序。Sort函数将max个Lable[i]值由小到大排列。取Lable最大的5个值所对应的下标i,即得到5个历史匹配日。
另外,设定一个相似度衡量标准FN。FN的含义是求5个历史匹配日中符合Similar[i][m]< = 0.3条件点的个数与所在时间段内总的数据个数的比值。如果FN小于0.6(根据经验选取的阈值),说明得到的5天虽然比其他历史日更接近当前天气,但是仍然与当前天气差别较大,则要进一步舍弃该天数据。
最后,将几组匹配数据所对应的[H;L;T;W; CD;CV;I]分量作为输入,其后三个小时的太阳辐射分量Ihisory -after作为输出,构建BP神经网络。并引入权重训练。使得匹配度最高的数据在训练中占据的权重最大。
训练完成后,即可将当前三个小时数据Pcurrent[H;L;T;W;CD;CV;I]作为输入,得到后三个小时的太阳辐射输出值Ifuture。为了保证神经网络预测的收敛性,将历史匹配数组中下一时间段的太阳辐射值与当前预测输出值Ifuture进行加权平均,得到新的Ifuture值。可使预测更加准确。
2预测实例
2.1最佳匹配搜索
本文使用MATLAB7对某实际光伏发电站一年的数据进行建模。选取6月16号作为预测日,选取该天第3段数据序列[H;L;T;W;CD;CV;I]来预测第4段的太阳辐射输出值I。预测过程如下:
以6月16号第3段数据中的太阳辐射值I作为对象,在全年数据中的第3段数据库中寻找I的匹配,得到5组匹配度最大的数据。按相似度由大到小排列,下标分别为180、40、146、245、302。其中最佳匹配下标为180,表明与I最匹配的历史日为第180日,即5月30日。
5月30日第3段数据11时、12时、13时的太阳辐射曲线如图3所示,而6月16号第3段实际的太阳辐射曲线如图4所示。相比之下可以看出,使用本文自定义的匹配标准搜索到的最佳匹配曲线与实际曲线有较大的相符性。
除了最佳匹配,还找到了4个匹配度较高的数据组,下标为40、146、245、302,对应2月9号、5月26号、9月2号、10月29号。其Lable与FN的值分别如表1所示,选取FN≥0.6的4天数据得到历史匹配数据组。
2.2使用匹配数据组训练神经元网络模型
BP神经网络是基于误差反向传播算法的人工神经网络,具有自我学习能力。图5所示为神经网络的学习算法原理图[6]。
本次试验选用输入节点数为7,输出节点为1,中间层为1的神经元网络。训练输入为4组历史匹配数据中第3时间段的太阳高度角、太阳方位角、温度、 湿度、风向、风速及电站太阳辐射功率序列。训练输出为匹配数据中第4时间段的太阳辐射功率序列。
2.3预测结果
将当前三个小时的数据Pcurrent[H;L;T;W;CD; CV;I]作为输入,利用训练好的神经网络,得到后三个小时的太阳辐射功率输出值Ifuture。6月16号14时、 15时、16时太阳辐射预测值及实际曲线如图6所示。
2.4误差分析
图7是预测值减实际值所得的预测误差曲线。 可以看出,在第750个采样点以内(在11时到12时之间),预测误差平稳而且较小;在第800个采样点附近,实际辐射值变化非常大,预测机制可以快速的响应,但是缺点是响应的幅度不足。
另外值得注意的是随着预测时间的增长,误差有增大趋势。因为要预测的时间段越大,待预测数据与当前输入的相关性就越小。该不足可以通过对更长时间跨度的历史数据进行数据库的建立来改进。
为验证模型的适用性,随机对其它历史时段进行预测,预测误差计算公式如(5)所示:
其中,Error表示预测误差,1954表示预测时段(三个小时)内的总的数据点数。Ifuture(l)表示预测结果序列的第l个值,而Ifuture_real(l)表示待预测时段真实的太阳辐射功率序列第l个值。所得的部分预测误差数据如表2所示。
从表2可以看出,对不同时段进行预测所得的预测误差是不同的。如本文实例中平均误差在5% 左右,而有的情况误差则能达到30%左右。经过分析, 误差大的情况是由于历史样本数据量较小,对于一些不常见的天气变化类型,所建立的分段数据库中没有找到它的较好的匹配。但总体来说,平均误差处于20%以内的较小水平,实际为13.5%(取所有预测误差平均值),优于较新文献4中的两种预测模型(预测误差分别为20.4%和15.7%)。而且本文预测误差的计算考虑了全年中各个季节的预测结果,而非文献4中仅仅计算几天的数据,更具有普遍性。
3结论
本文采用基于太阳辐射曲线匹配的光伏预测模型,并运用某实际光伏发电站的历史数据进行验证, 具有较高的预测精度,优于同类型的预测模型。证明该方法具有一定的实用性,值得进一步研究。由于本文中使用的数据时间跨度不大,最佳匹配搜索得到的数据在实际上并不一定与当前类型完全相符,是预测误差的主要原因。该误差可以通过增加历史数据样本而减小。
摘要：为了对光伏发电的输出功率进行预测,本文分析光伏发电的影响因素,提出了一种基于太阳辐射功率曲线匹配的预测模型。该模型将历史数据按时段进行分解,查找与当前时段太阳辐射功率曲线最为匹配的数据,以此构建并训练BP神经网络,来预测未来3个小时内的太阳辐射功率,能够较好的实现预测目标。实验结果表明,该模型有较高的精度,可对电网调度起到重要的指导作用。
光伏发电预测 篇8
当前情况下,影响光伏发电成本主要因素有光伏电站装机成本、日照条件、贷款情况、设计运营年限、运营维护费用和政策性补贴。光伏发电成本主要受电站装机成本影响,但并不完全决定于装机成本[1,2,3]。因此,本文在光伏发电成本构成解析的基础上,建立了光伏电站单位发电成本的计算模型,对主要影响因素的相互性进行了量化分析。
随着生产技术的进步、生产工艺水平的提高及运营规模的扩大,未来单位光伏发电成本必将进一步走低。基于此,本文建立了学习曲线模型,根据历史经验选取学习曲线典型参数,并对未来光伏发电单位成本走势进行了预测。
1 光伏发电成本构成
1.1 装机成本
装机成本(Civs)是光伏电站的固定资产总投入,主要包括光伏组件成本、基础建设成本、土地购置费用以及安装费用等成本,表1给出了光伏电站装机成本的所有组成单元。
1.2 日照条件
光伏电站建设的地理位置决定了其日照条件,在确定的日照条件下,光伏电站的理论年满负荷发电时间是确定的。光伏电站年满负荷发电时间受到光伏组件稳定性的影响,按照国际光伏产业通用要求,光伏组件每年的衰减不得高于1%,或25年不得小于20%(递进衰减)。目前,大多数制造厂商给出的数据是年衰减不超过0.5%。为简单起间,假定光伏电站安装运行后,每年的年满负荷发电时间为常数,对应的光伏电站发电量是可计算的。
1.3 财务费用
财务费用主要是指光伏电站建设的年贷款利息,取决于贷款占总投资的比例和贷款利率。
式中:Cfn为光伏电站财务费用;Rloan为贷款占总投资的比例;Cintr为贷款利率。
1.4 使用期限
光伏电站的设计使用年限对光伏发电成本有很大影响。在保证安全稳定高效运行的情况下,相同初始固定投资,可使用年限越长,光伏发电成本越低。目前,光伏电站的设计使用年限(寿命周期)一般为25年。
1.5 运营维护费用
运营管理成本是光伏电站维护和管理费用,一般可以按照总体固定投资提取某一比例进行估算。光伏电站在营运过程中不需要耗用原材料,也没有运动磨损部件,维护费用很低,也完全可以预见。通常,维护费用除了人员工资外,主要是备件费用。根据目前为止的经验,运营费率通常在总体固定投资的1%～3%之间。装机容量越大的电站,比例越低。
式中:Cop为光伏电站的年运营维护费用;Rop为运营维护费率。
1.6 光伏发电补贴
为鼓励光伏发电的投入使用,各国政府都结合本国实际情况,制定了相应的光伏发电补贴政策,常用的补贴形式是直接给予资金补贴、清洁发展机制(CDM)、制定光伏发电上网电价等。
2 光伏发电单位成本模型
光伏电站的单位发电成本取决于光伏电站全生命周期的总投入和总发电量,按照式(3)测算。
式中:P为光伏电站单位成本;C为光伏电站全生命周期总投入;E为光伏电站全寿命周期的总发电量。
对于某一个光伏电站,其全生命周期的总投入按照式(4)计算。
式中:Isub为光伏发电补贴(包括直接资金补贴和清洁发展机制所产生的补贴)。
对于某一个光伏电站,其全生命周期的总发电量E为
式中:Ci为光伏电站装机容量;Hfp为年满负荷发电时间;N为生命周期。
一般来说,装机成本与装机容量成正比关系,则单位装机成本
同时,光伏电站的补贴收入也与装机容量存在正比关系,可按式(7)表示为装机成本的一定比例。
式中:Isub为光伏电路的补贴收入;Rsub为补贴收入装机成本的比例。
结合上述式(1)-式(7),则光伏电站单位发电成本的数学模型见式(8),它反映了光伏发电的单位成本与单位装机成本、财务费用、运营维护费用、年
满负荷发电时间、设计使用时间以及光伏发电补贴之间的关系。
3 光伏发电成本影响要素量化分析
选取典型光伏电站参数,对光伏发电成本的主要影响因素(仅选取装机成本、日照小时数、运营维护成本3个因素)进行量化分析,其中,光伏电站装机容量为10 MW,经营期为25年,银行还贷期为15年,折旧率为3.8%,光伏组件年衰退率按照1%计算。
3.1 装机成本的影响
设定银行长期贷款利率为7%,自有资本金比例为20%,年峰值日照小时数为1 600 h,年运营维护成本为200元/kW,则光伏发电成本随装机成本(单位造价)变化规律见图1。
由图1可以看出,随着装机成本的降低,光伏发电成本线性下降。当装机成本下降到15 000元/kW时,光伏发电单位成本降至0.8元/kWh。随着电池组件等设备价格的下跌及装机容量的增加,光伏发电成本仍有下降空间。
3.2 日照小时数的影响
设定总装机成本为12 000元/kW,资本金比例为20%,年运营维护成本为200元/kW,则光伏发电单位成本随日照条件变化规律见图2。
3.3 运营维护成本的影响
设定装机成本为12 000元/kW,年峰值日照小时数为1 600 h,贷款利息为7%,资本金比例为20%。则光伏单位发电成本随运营维护费用变化的曲线见图3。
从图3可以看出,运营维护成本随光伏系统装机成本的下降而降低。按上述设定的光伏发电投资条件,运营维护成本对单位成本的影响非常大。因此,要提高光伏发电项目的投资回报,应在项目设计、设备选型时减少光伏系统运行过程中的事故发生率。
4 基于学习曲线的光伏发电成本预测
随着生产技术进步、生产工艺水平提高及运营规模扩大,在过去20年间,太阳能光伏发电成本大幅降低。从2000年约45元/kWh降至2005年约4～5元/kWh,并进一步降至2010年约1.5元/kWh,降幅达96.97%,目前,光伏发电单位成本为1元/kWh左右。光伏发电成本变化见图4。
4.1 学习曲线模型
学习曲线又称经验曲线,是一种可显示单位产品生产成本与所生产的产品总数之间的关系曲线。学习曲线的基本思想是生产成本的下降是经验积累的结果[4,5]。经验积累主要用累计生产量或累计生产容量表示。学习曲线基本模型为:
式中:y为第x件产品的成本;a为第1件产品的成本;x为产品累计产量;m为学习系数m=lgc/lg2,其中c为学习率。
学习曲线模型能够较好地量化分析规模效应引起的成本下降。光伏发电、风力发电等新能源产业在发展初期具有明显的规模效应,所以光伏发电成本与累计装机容量之间的关系符合学习曲线模型,可用来描述发电成本随装机规模扩大而下降的趋势。光伏发电单位成本随累计装机容量变化而变动的关系可用学习曲线表示为式(10)-式(12)。
式中:C为光伏发电单位成本,为Q的函数;C0为当累计装机容量为1 MW时的单位发电成本;Q为光伏累计装机容量;s为基本参数,δ∈(0,1);LR为学习率;PR为成本下降率即技术进步率,当PR=95%时,则光伏发电装机容量每增加1倍,单位发电成本下降5%。
4.2 学习率选取
我国光伏发电发展仍处于起步阶段,装机容量快速增长,2005年-2012年,我国光伏逐年累计装机容量、单位发电成本如表2。
基于2005～201 2年我国光伏装机容量与发电成本历史时间序列数据,可以得到光伏发电成本电价的学习曲线。可以看出,学习率分阶段变化,2005～2010年光伏发电成本学习率变化范围为15%～25%,其中,2005～2009年约维持在25%,2009～2012年约维持在15%左右,同时,2009年后学习率逐年减小。
基于历史学习率,假定3种情景,分别是高增长,学习率为30%;基本增长(中增长),学习率为20%;低增长,学习率为1 5%,以2012年光伏度电成本为起点,发电成本为1元/kWh[7],累计装机容量为5 000 MW,则光伏发电成本变化趋势见图5。学习率越大,光伏发电单位成本降幅越大。若光伏发电学习率能够维持在15%-20%的水平,预计我国光伏发电成本2020年能降至0.6元/kWh左右,价格接近传统化石能源。
5 结语
本文建立了综合考虑装机成本、日照条件、财务费用、光伏电站使用期限、运营维护费用以及补贴等因素的光伏发电成本模型,构建了基于学习曲线的光伏发电成本趋势预测模型。
根据学习率历史变化情况选取了高增长、基本增长和低增长3种情景、设定了相应的学习率。高增长情景下,光伏发电成本至2020年可降至0.3元/kWh,正常增长情景下,光伏发电成本至2020年可降至0.6元/kWh左右,低增长情景下,光伏发电成本至2020年可降至0.8元/kWh左右。
参考文献
[1]史珺.光伏发电成本的数学模型分析[J].太阳能,2012(2):53-58.
[2]钱伯章.太阳能光伏发电成本及展望[J].中国环保产业,2009(4):24-28.
[3]马胜红,李斌,陈东兵,等.中国光伏发电成本、价格及技术进步作用的分析[J].太阳能,2010(4):6-13.
[4]宋军,郝清民.新产品的学习曲线效应及定价策略[J].商业研究,2001(2):46-48.
光伏发电预测 篇9
由于受太阳辐射强度、光伏组件温度、天气和一些随机因素的影响,光伏发电系统的运行过程是一个非平衡的随机过程,其发电量和输出功率随机性强、波动大、不易控制,这在天气突变时表现得尤为突出。随着越来越多的兆瓦级光伏发电系统接入电网运行,对电网的稳定和调度管理带来诸多问题［１－３］。因此,有必要对光伏发电系统的出力进行准确预测,进而采取相应的技术措施平滑光伏发电功率波动,提高电力系统的安全性和稳定性。
光伏发电功率预测是指采用数值天气预报或数学统计的方法来预测未来某段时间内的光伏发电系统输出功率值。类似于风电功率预测,根据预测物理量的不同,光伏发电功率预测方法可分为间接预测和直接预测两类［４］。间接预测方法首先对太阳辐射进行预测,然后根据光伏发电系统出力模型得到输出功率值。文献[5]提出一种改进的欧洲中尺度天气预报中心太阳辐射预测模型,得到具体预报时间间隔的辐射区域值,该方法依赖于详细准确的公共天气预报信息。直接预测方法以统计方法居多,如神经网络［３］、多元线性回归［６－７］、马尔可夫链［８］、支持向量机［９］等。
文献[1]以气温、湿度代替太阳辐射强度作为输入量,采用自组织特征映射对天气类型聚类识别,分季节建立基于BP(back propagation)神经网络的无辐照度短期功率预测模型,其算法容易陷入局部最小问题。文献[6]以气象环境变化趋势高度相似为依据,结合气象历史数据,将太阳辐射作为输入,建立线性回归算法的功率预测模型,该方法简单易行,但只考虑光照强度对光伏发电功率预测的影响,预测精度不高。文献[8]应用光伏阵列模型的太阳能辐射—输出功率特性,通过马尔可夫链直接预测光伏系统的输出功率,但该方法只在天气不变或变化不大的情况下有较好预测,泛化能力不强。文献[9]根据天气预报得到待预测日的天气类型和气象特征,选择与预测日相似的历史日的光伏出力作为最小二乘支持向量机训练数据集,以相似日待测点及其前后两时段的光伏发电出力和待预测日温度为输入量,对光伏电站次日24h输出功率进行预测。文献[10]将直接方法和间接方法结合,建立基于灰色神经网络组合模型的方法,较单一灰色模型和神经网络模型更准确,但该方法只对晴天进行预测,非晴天天气效果未知。此外,国内外学者在储能方面也有大量研究。文献[11]重点分析了电池储能系统(BESS)在新能源发电中的构建方案以及应用现状,并提出了BESS构建运行存在的问题。文献[12]分析了不同储能方式的特点,推荐采用蓄电池作为光伏系统中的能源存储设备。文献[13]给出了基本平滑控制模型,光伏输出功率经过一阶低通滤波器得到光伏电站的目标输出,经BESS充放电控制得到最终组合输出。
本文提取和光伏发电功率相关性较大的太阳辐射强度和温度为输入变量,确定相似日和训练样本的选择方法,建立遗传算法(GA)—模糊径向基(RBF)神经网络的光伏功率预测模型(简称GA—模糊RBF神经网络预测模型),验证了模型准确性。最后,将功率预测值应用到蓄电池储能功率调节系统,使光伏输出功率在一定时间范围内维持较平稳水平,提高光伏并网功率的可控性和稳定性。
1 影响光伏发电功率的主要因素
在实际工程当中,光伏系统输出功率为［１４］:
式中:ηＰＶ为光伏阵列的转换效率;S为光伏阵列的总面积;Iｒ为光伏阵列接收到的太阳辐射强度;Tｃ为光伏组件板温度。
对于既定的光伏电站,在进行短期光伏发电功率预测时,光伏阵列的转换效率、安装角度等参数的影响已经隐含在历史输出功率数据中,可以不用考虑。因此,光伏发电功率只与太阳辐射强度、温度、风速、湿度等气象因素有关。
如果将所有气象因素都作为预测模型的输入变量,必将导致模型复杂度增加、收敛速度变慢等问题,因此有必要提炼出与光伏发电功率相关性大的气象因素。本文采用Spearman秩相关系数［１５］对美国俄勒冈州的Ashland光伏电站2011年全年白天历史输出功率和相关气象信息进行相关性分析。选取太阳辐射强度Iｒ、风速v、温度Tａ和光伏系统输出功率Pｓ为变量,分析结果见表1。
注:*表示在置信度(双侧)为0.01 时,相关性是显著的。
由表1可知,光伏系统输出功率和太阳辐射强度相关性最大为0.933,与温度相关性为0.384,与风速相关性为0.166,3个因素与输出功率均呈正相关。因此,选择太阳辐射强度和温度作为GA—模糊RBF神经网络预测模型的输入变量。
2 GA—模糊RBF神经网络预测模型
2.1 相似日选取和训练样本确定
因受季节变换、昼夜交替等自然条件和不同天气类型等随机因素的影响,太阳辐射强度具有准周期性和不确定性。图1为美国俄勒冈州的Ashland光伏电站在不同天气类型下的太阳辐射强度曲线。在晴天条件下,太阳辐射强度规律明显,相似度很高;在非晴天条件下,太阳辐射强度受云层影响没有规律,相似度较低。因此,为了提高光伏发电功率的预测精度,有必要从大量的历史数据中筛选出比较合理的相似日,作为预测模型的输入变量。
相似日选取方法为首先选择出与待预测日相同天气类型的历史日,然后通过历史日与待预测日的温度欧氏距离计算确定相似日。
待预测日的天气类型可由气象部门提供,历史日的天气类型由历史日太阳辐射强度和Hottel模型数据比较确定。Hottel模型能预测任意地区全年晴天太阳辐射强度,非晴天太阳辐射强度可由云层覆盖度及天气类型系数得到［１６－１７］。以Hottel模型数据为参考量,结合光伏电站历史数据,比较日总太阳辐射强度值和日最大太阳辐射强度值,将历史数据自动分为晴天、阴天和雨天3个数据集。
从对应天气类型的数据集中挑选出与待预测日日期最接近的5d历史数据作为样本集,逐一计算历史日与待预测日的欧氏距离并比较,将最小值所对应的历史日作为待预测日的相似日。欧氏距离dｉ的计算公式为:
式中:Tｉｋ为第i个历史日第k个温度值;Tｋ为待预测日的第k个预测温度值;λ为温度值个数。
从历史数据中选择与待预测日天气类型相同、日期最接近的10d作为训练样本,根据上述方法得到训练样本的相似日,将所有数据进行归一化处理,训练并建立预测模型。
2.2 预测模型设计
模糊RBF神经网络是将模糊理论和RBF神经网络的优势结合起来［１８］,其本质上是对RBF神经网络赋予模糊输入信号和模糊权值,使它的所有节点和参数都具有特定的意义,即对应模糊系统的隶属函数和推理过程。
光伏发电功率预测模型由输入层、模糊化层、模糊推理层、归一化层和输出层组成。光伏发电功率预测模型各层的功能和实现如下所示。
1)输入层:输入层节点对应于模型的输入变量,分别为相似日t时刻的太阳辐射强度Iｒｈ(t)和温度Tａｈ(t)、待预测日t时刻的预测温度Tａｆ(t)。
2)模糊化层:模糊化层是对所有输入变量进行模糊化处理,确定它们的模糊子集数以及各模糊子集的隶属度函数中心和宽度,计算输入变量属于各模糊子集的隶属度值。以相似日的太阳辐射强度值为例,太阳辐射强度模糊子集个数为R１,采用K均值聚类算法计算太阳辐射强度模糊子集的隶属度函数中心c１ｊ和宽度σ１ｊ(j=1,2,…,R１),具体步骤如下。
步骤1:对训练集中的相似日太阳辐射强度值进行归一化处理,即将所有太阳辐射强度线性化至[0,1]区间中。
步骤2:确定太阳辐射强度模糊子集个数为R１,根据等距原则初始化各模糊子集的聚类中心c１ｊ,并初始化计算误差ε。
步骤3:分别计算太阳辐射强度的样本值Iｒｈ，ｎ(n=1,2,…,N,N为训练样本个数)与聚类中心c１ｊ的距离,将Iｒｈ，ｎ重新分配到与之距离最小的模糊子集中。
步骤4:重新计算太阳辐射强度的聚类中心,如式(3)所示。
式中:θ１ｊ为聚集在聚类中心c１ｊ周围的样本集合;M１ｊ为聚类中心c１ｊ包含的样本数。
步骤5:比较c１ｊ和c１ｊ′的大小,若|c１ｊ′-c１ｊ|>ε,重复步骤3和4,直至两者差值小于误差ε。
步骤6:假设c１ｊ为θ１ｊ样本集的质心,则太阳辐射强度的模糊隶属度函数宽度如式(4)所示。
隶属度函数采用一种RBF函数,本文选用最常用的高斯函数,则太阳辐射强度属于各模糊子集的隶属度为:
3)模糊推理层:该层节点表示光伏发电功率预测模型的模糊规则数R,并计算第n个训练样本第k条规则的适用度αｋ，ｎ。
式中:j=1,2,…,Rｉ;k=1,2,…,R;R２和R３分别为相似日温度和待预测日温度的模糊子集数。
4)归一化层:对光伏发电功率预测模型每条规则的适用度进行归一化计算。
5)输出层:实现光伏预测功率Pｓｆ，ｎ的清晰化计算,输出变量为待预测日t时刻的功率值Pｓｆ(t)。
假设第k条规则和功率预测值之间的连接权值为wｋ,对所有样本有:
网络设计完成后,通过样本进行训练。权值的训练结果影响光伏发电功率预测模型的精度,传统的神经网络训练采用的是迭代算法,存在着容易陷入局部极小点等问题,GA是一种具有全局寻优的仿生优化算法,需要将当前问题转化为最优化问题来解决［１９］。
要保证训练精度最高,即光伏发电功率预测模型输出功率值Pｓｆ=[Pｓｆ,１,Pｓｆ,２,…,Pｓｆ,ｎ,…,Pｓｆ,Ｎ]与理想功率值Pｓｄ=[Pｓｄ,１,Pｓｄ,２,…Pｓｄ,ｎ,…,Pｓｄ,Ｎ]的偏差最小,本文采用最小均方误差(MSE)来衡量。则预测功率连接权值wｋ的寻优可转化成如下模型:
式中:xｉ，ｎ为Rｉ的第n个训练样本。
综上,GA—模糊RBF神经网络预测模型的功率预测流程如图2所示。
3 预测结果分析
为了验证本文提出的光伏发电功率预测模型,选择位于美国俄勒冈州的Ashland光伏电站(纬度42.19°,经度122.70°,海拔595 m)作为研究对象,其总容量为15kW［２０］。研究时段为2011 年1 月1日—2011年12月31日的06:00—18:00,采样频率为15min一次。预测模型的训练数据和测试数据采用光伏监控系统数据库中的历史输出功率数据和相关气象信息。
对于GA—模糊RBF神经网络预测模型,输入变量的模糊子集个数会影响预测精度,假设相似日的太阳辐射强度值和温度值、待预测日的预测温度值的模糊子集个数均为Rｆ,针对不同模糊子集个数Rｆ,分别对3 月27 日(雨天)、5 月6 日(阴天)和8月23日(晴天)的训练样本进行训练并评估,得到MSE和迭代次数Nｉｒ结果见表2。
随着模糊子集数的增加,该模型的训练精度先增加后减小,迭代次数呈现总体增长趋势。由上文知,模糊规则数是模糊子集数的3次方,当模糊子集数太小时,模糊规则数不能完全反映所有信息,因此训练效果不佳;当模糊子集数太大时,模糊规则数也大大增加,容易出现过学习现象使得训练效果变差。在相同模糊子集数下,不同天气类型的训练效果也有较大差异。其中,阴天的训练误差最大,这是因为云层频繁无规律的运动导致光伏发电功率骤然增减,变化趋势难以跟踪。根据训练误差和训练时间的综合表现,本文选择3个模糊子集的网络作为最终的光伏发电功率预测模型。
以5月6日为例,计算得到相似日为5月2日,将5 月2 日各时刻的太阳辐射强度值、温度值和5月6日对应时刻太阳辐射强度值作为模型输入变量,经模糊化后得到9个隶属度函数和27条模糊规则,经上述预测模型得到光伏发电功率预测值。图3为实际功率值和预测模型的功率值,其中模型1为传统的模糊神经网络预测模型,模型2为本文所提出的GA—模糊RBF神经网络预测模型。
对预测模型进行准确的评估,需要采用一定的评估指标,本文采用平均绝对百分比误差(MAPE)和正规化均方根误差(NRMSE)对功率预测值的误差进行评估分析［２１］,得到模型1 的MAPE和NRMSE分别为23.3%和6.8%,模型2的MAPE和NRMSE分别为16.3%和5.2%。可见,本文预测模型可有效提高光伏功率预测精度,能较好地跟踪预测功率的变化趋势。
4 光伏功率预测在平滑功率波动中的应用
由于受环境因素的影响,光伏电站的功率输出波动明显,大型光伏电站的输出功率在5~10 min内可能发生70%的变化［２２］。为减小对电力系统的冲击,在光伏电站配置一定容量的储能系统已经成为平滑光伏出力的重要手段。
4.1 光储发电系统结构
本文在EMTP/ATP仿真平台上搭建光储发电系统仿真模型,BESS由蓄电池和充放电控制器构成,经由双向DC/AC逆变器并联在光伏电站出口公共母线处。其中,光伏电站的总容量为15kW,蓄电池组输出额定功率为3kW,容量为5kW·h,公共母线线电压为380V。
4.2 平滑功率波动控制方法
考虑到电力系统的稳定性和经济性,本文在基本平滑控制［１３］的基础上,引入光伏功率预测值和平滑系数对BESS进行控制,如图4所示。
图中:T为时间常数;Pｒｅａｌ(i|k)为在k时段内第i时刻的光伏电站实际输出功率值,经一阶低通滤波器滤除高频量,减小其变化率得到电站目标输出功率Pｓ(i|k);Pｐ(k)为k时段的光伏发电功率预测平均值,设定平滑系数β求得功率上限值Pｐｍａｘ(k)和功率下限值Pｐｍｉｎ(k)。一般来说,设Pｐ(k)=0.5(Pｐｍａｘ(k)+Pｐｍｉｎ(k)),有Pｐｍａｘ(k)=(1+0.5β)Pｐ(k),Pｐｍｉｎ(k)=(1-0.5β)Pｐ(k)。光伏并网功率幅值变化幅度θ=(Pｐｍａｘ(k)-Pｐｍｉｎ(k))/Pｐｍｉｎ(k),计算可得β=θ/(1+0.5θ)。
以控制BESS出力最小为目标,求出该时刻BESS的充放电功率控制指令值Pb_ref(i|k),BESS的实际输出功率值Pb(i|k)与Preal(i|k)之和为并网输出功率值Pg(i|k)。在蓄电池荷电状态满足要求的前提下,当Ps(i|k)大于上限值Ppmax(k)时,蓄电池投入运行并处于充电状态;当Ps(i|k)小于下限值Ppmin(k)时,蓄电池投入运行并处于放电状态。当充放电功率大于蓄电池额定功率Prated时,采用限幅环节以恒额定功率进行充放电。
目标BESS的功率约束可表示为:
式中:S(i|k)为在k时段内第i时刻的BESS荷电状态;Sｌ和Sｈ分别为BESS荷电状态的上、下限,分别为0.1和0.9。
BESS在t时刻的储能容量为:
式中:Eｂ(0)为BESS的初始能量;Pｂ(t)为t时刻BESS的充放电功率。
考虑光伏功率预测的采样频率,本文以1h为时间周期,即一个时段。在同一时段内,光伏并网功率的变化幅度不大于10%,以功率下限为例,计算得到β≤0.095。此外,在任意1min内光伏并网功率变化幅度不超过光伏电站总额定输出功率的2%。保证光伏并网功率同时满足以上两个条件,可以提高光伏并网功率的平滑度,维持电力系统的动态稳定性,相比于以恒功率为平滑目标输出,还可以减小系统储能容量,从而提高系统经济性。
本文采用的功率平滑控制方法如图5所示。图中,SVPWM表示空间矢量脉宽调制,S1中0表示蓄电池充电,1表示蓄电池放电。蓄电池充放电采用双环控制调节DC/DC占空比,外环均采用功率控制环,将光伏电站实际输出功率Pｒｅａｌ和并网功率Pｇ差值经比例—积分(PI)调节得到电池工作电流参考值iｂｒｅｆ,内环为电池工作电流控制环,使电池实际工作电流值iｂ跟踪外环给定的电流参考值。DC/AC逆变器采用有功无功电流解耦控制,将充放电功率值Pｂ作为有功功率控制信号,经PI调节器得到d轴电流参考值iｄｒｅｆ。q轴电流参考值iｑｒｅｆ为0。
4.3 仿真结果分析
为了验证本文所提出方法的有效性,本文以5月6日为例,设定时间周期为1h,平滑系数为0.09,储能初始容量为2kW·h,得到平滑功率波动仿真结果如图6所示。
可见,光伏输出功率在09:00—13:00期间输出值较大,波动较为剧烈,通过光伏功率预测和BESS的功率补偿后,在一个时段内,将光伏电站的并网功率波动限制在10%以内,在任意1min内光伏并网功率变化幅度不超过光伏电站总额定输出功率的2%,符合国内颁布的光伏电站每分钟最大功率变化量不宜超过安装容量的10%的要求,有效实现了光伏电站的发电功率控制。蓄电池充放电过程中,对功率采用限幅控制,减少了储能系统容量,保证了蓄电池持续工作在正常状态。
5 结语
光伏发电预测 篇10
作为智能电网的重要组成部分,微网能有效地将可再生能源、燃油/燃气发电装置、储能系统、负荷等整合,实现电力系统成本效益、能量管理及系统运行的优化[1]。微网中可再生能源的比例可达70%以上,在含有高比例间歇性能源的情况下,会引起微网安全和经济等问题。对间歇性能源发电功率的准确预测可为微网运行控制和发电计划提供参考,提高微网运行的安全性和经济性[2-3]。本文旨在研究微网规模下的光伏(photovoltaic,PV)发电短期预测问题。
目前,对光伏发电短期预测应用的统计方法主要包括持续法、时间序列法[4]、神经网络[5-6]和支持向量回归(support vector regression,SVR)[7-9]等。SVR具有严格的数学理论基础,能有效解决小样本、非线性及高维回归等问题,可得到全局最优模型并具有较强的泛化能力,近年来在负荷预测和风功率预测中得到广泛应用,并逐渐在光伏发电预测中得到应用。文献[7]基于天气预报,将日类型分为阴、雾、阳、雨4种,采用SVR分别对4种类型日建立提前1d的小时光伏功率预测。根据预测日的天气预报情况选择对应的SVR预测模型进行预测。文献[8]根据天气预报信息选择与预测日相同的类型日,采用最小二乘SVR建立提前1h的预测模型,比较了预测日统一建模和分时间点建模两种建模方法,证明了分时间点建模具有更高的预测精度。
局部预测法近年来在负荷预测和风功率预测中得到广泛应用[10-11],然而在光伏发电预测中研究甚少。以相空间重构为前提的局部预测法,通过寻找预测点的临近相点建立局部预测模型,模型能随时间变化自动更新参数,具有很好的动态特性。与基于类型日的光伏功率预测相比,预测提前量较小时,局部模型能搜索到与预测点更相似的数据,因此模型能更好地反映光伏功率的变化趋势。
目前,国内外学者在进行间歇性能源发电功率预测研究时,普遍采用等采样间隔或等时段长度均值的单一时间尺度序列建立预测模型,数据间隔一般为10min,15min,1h。这些用于建模的功率序列的两个相邻数据间仍存在更详细的功率变化信息,忽略此时序信息会降低模型对功率时序特征模拟的准确度。因此,本文提出构造不同时间尺度的光伏功率均值序列用于光伏发电提前1h预测建模,形成以小时平均光伏功率序列为主要研究序列的多维时间序列,对多维时间序列进行相空间重构,根据多维时间序列相空间重构的延迟时间和最优嵌入维数的计算结果,采用SVR建立提前1h光伏功率局部预测模型。
1 多时间尺度的光伏功率均值序列构造
本文采集到的光伏功率数据是时间间隔为1min的某微网光伏发电功率数据,部分实测光伏功率数据如图1所示。可以看出,原始光伏功率波动较大,不能直接用于小时平均光伏功率预测建模。
为充分利用原始光伏功率变化信息,这里通过构造不同时间尺度的光伏功率均值序列来对原始功率进行处理。 采用两种均值变换方法,如式(1)和式(2)所示。
式中:Pt，i为t时段第i分钟光伏功率采样值,采样间隔为1min,t=1,2,…,N,i=1,2,…,60;xm，t和zm，t分别为采用方法1和方法2 的时间尺度为m分钟的均值数据,m=1,2,…,60,xm和zm分别为方法1和方法2的时间尺度为m分钟的光伏功率均值序列,xm=(xm，1,xm，2,…,xm，N),zm=(zm，1,zm，2,…,zm，N)。
将原始光伏功率序列进行均值处理后,得到xm和zm两种均值序列,共120 个序列。 其中x60=z60,为小时平均光伏功率序列。以小时平均光伏功率序列为建模必要序列,其他时间尺度均值序列作为建模可选序列。可选均值序列选择的依据是均值序列的一步延迟序列与小时平均光伏功率序列的相关系数,相关系数可用式(3)表示。
式中:Tm为可选均值序列,包括xm和zm;B为一步延迟算子;σBTm和σx60分别为BTm和x60的标准差;Cov(BTm,x60)和ρBTm分别为BTm和x60之间的协方差和相关系数。
利用相关系数计算公式,计算两种可选均值序列的一步延迟序列与小时平均光伏功率序列的相关系数,计算结果如图2所示。可以看出,两种均值处理的方法,方法1的相关性明显高于方法2。用于建模的光伏功率均值序列从序列x1,x2,…,x59中按照相关系数大小进行选择,x1,x2,…,x59按相关系数从大到小排序后表示为xρ1,xρ2,…,xρ59。
2 多维时间序列SVR局部预测
2.1 多维时间序列相空间重构
以Takens嵌入定理[12]为基础的相空间重构理论是研究复杂时间序列的常用方法。时间序列相空间重构的目的是将时间序列变换到能有效反映其特征的高维状态空间,并在此状态空间对时间序列特征进行研究。由小时平均光伏功率序列x60和M个可选均值序列xρ1,xρ2,…,xρM构成M +1维时间序列X1,X2,…,XN,Xt= (x60,t,xρ1,t,xρ2,t,…,xρM，t),t=1,2,…,N,相空间重构结果可用式(4)表示。
式中:τj和dj分别为第j个时间序列的时间延迟和嵌入维数,j=1,2,…,M +1;Vn为重构相空间相点,,其中N为时间序列样本数。
根据Takens嵌入定理,当嵌入维数d或dj足够大,d=d1+d2+…+dM+1>2D时(D为吸引子维数),则存在映射F:,如式(5)所示,其等价形式可用式(6)表示。
进行提前1 h的平均光伏功率预测,只须对式(6)第1个状态方程求解,对x60，n+1进行预测。
2.2 相空间参数计算
2.2.1 相空间参数计算策略
时间延迟τ 和嵌入维数d是相空间重构的两个重要参数。C-C方法[13]可以同时计算τ 和d,认为τ 和d与重构相空间的时间窗τw有固定关系(τw=(d-1)τ),对于特定的时间序列,其τw相对固定。考虑光伏功率序列有明显的日周期性,重构相空间具有相对固定的时间窗τw,这里采用C-C方法求取各时间序列的τ,采用嵌入维最小预测误差法[14]求取d。进行提前1h光伏功率预测,对所构造的多维光伏功率时间序列而言,以小时平均光伏功率序列为主要序列,可选均值序列为光伏功率变化信息的补充描述。可选均值序列仅考虑嵌入维为1,这样既考虑了光伏功率最新变化信息,又不至于使重构相空间嵌入维过多。
2.2.2 多维时间序列嵌入维最小预测误差法
多维时间序列嵌入维最小预测误差法是将预测误差达到最小值对应的嵌入维作为相空间重构的最优嵌入维。这是因为选取过小的嵌入维数,吸引子会出现自交,这样就会出现假近邻点,而选取过大的嵌入维数,又会使相点间距离太远,容易过滤掉真正的近邻点,这两种情况都会导致相空间重构后预测误差增大。这里提出一种适合本文所构造的多维时间序列的嵌入维最小预测误差法,以确定小时平均光伏功率序列嵌入维d1和可选均值序列数M ,具体计算步骤如下。
步骤1:确定可选均值序列数M的取值范围,M =1,2,…,Mmax,其中Mmax<60,为正整数。
步骤2:确定嵌入维数dj的取值范围,其中小时平均光伏功率序列d1=1,2,…,dmax,其中dmax为正整数,可选均值序列嵌入维为1,应用C-C方法确定光伏功率序列的延迟时间τj。
步骤3:对于确定的嵌入维数按式(4)进行相空间重构,并应用欧氏距离确定预测点Vn与其他相点Vk的距离dn(k),取距离最小的K个点作为近邻点Vc(n),c=1,2,…,K。
步骤4:将K个近邻点Vc(n)的下一演化点Vc(n)+1的第1个分量x1，c(n)+1的平均值作为x1，n+1的预测值,并计算平均一步绝对预测误差E(d1,d2,…,dM+1)。
式中:。
步骤5:对于确定的d1,按相关系数从大到小逐渐增加可选均值序列个数,重复步骤3 和4,直到M =Mmax。
步骤6:增加d1,重复步骤3至5,直到d1=dmax。
步骤7:针对嵌入维数dj的不同取值确定最小的平均一步绝对预测误差所对应的最优嵌入维数。
2.3 SVR局部预测模型
2.3.1 SVR原理
SVR是由分类支持向量机(support vectormachine,SVM)推广而来[15],基于VC(Vapnik-Chervonenkis)维理论和结构风险最小原则,通过将样本数据进行非线性变换转换到高维的特征空间,并在此空间中构造线性决策函数来实现线性回归。为适应训练样本集的非线性,SVR通过引入核函数把线性回归问题推广到非线性回归问题。这里采用高斯径向基核函数:
式中:Vc(n)为支持向量回归输入样本,c =1,2,…,K;V为与Vc(n)维数相同的向量。
SVR在实际应用中,其性能依赖于学习机的惩罚系数C及核参数γ 的确定。为保证SVR预测模型的鲁棒性,利用网格搜索和交叉验证法对C和γ进行寻优[16]。
2.3.2 SVR局部预测建模
SVR局部预测是在相空间重构后,通过计算其他相点与预测点距离,找到近邻点并利用近邻点建立SVR模型进行预测。SVR局部预测模型能自动更新,时间序列的动态变化信息能被逐步捕获,建模步骤如下。
1)如2.1节和2.2节所述重构相空间,在重构的相空间中,计算预测点与其他历史相点的欧氏距离,选择距离最小的K个相点作为近邻点。
2)将近邻点Vc(n)作为SVR输入,x1，c(n)+1作为SVR输出,用K组训练样本对SVR参数进行网格寻优。
3)利用寻优得到的C和γ 以及K组训练样本训练SVR模型,将预测点Vn输入SVR模型,即可得到下一小时光伏功率预测值。
2.4 预测流程
对于确定的光伏发电功率序列,其相空间重构参数比较稳定,不必每次预测都进行更新计算,在实际应用中可根据需要按月或季度等进行更新。综上,基于多维时间序列SVR局部模型的光伏功率预测算法流程如图3所示。
3 光伏功率预测算例分析
3.1 光伏功率局部预测模型训练
局部预测法需要足够数量的历史数据才能取得良好的预测效果,这里以某微网2011年3月至8月的光伏发电功率数据进行研究,功率采样间隔为1min,总长度为3 840h,光伏装机容量峰值为254.4kW。为便于统计和提高效率,取3月至7月光伏功率数据(长度为3 240h)作为历史样本计算相空间重构参数,采用固定的相空间重构参数,根据不同预测时刻搜索到的近邻点建立不同的SVR局部预测模型,对8月光伏功率(长度为600h)进行提前1h预测。 光伏功率发电主要时段为06:00—17:59,共计12h,取该时段作为预测效果评价研究时段。
经计算,可选均值序列与小时平均光伏功率序列具有相同的时间延迟,τ=5。小时平均光伏功率序列延迟时间窗口τw=24,与光伏功率的日周期性一致。可选均值序列最大序列数和小时平均光伏功率最大嵌入维分别取值为Mmax=50,dmax=10。最小平均一步绝对预测误差对应的嵌入维为d1=9,可选均值序列个数M =38,嵌入维取1,即重构相空间的相点包含与下一小时功率相关度最高的38个最新功率变化信息。近邻点数通过仿真试验设定K=10。
除了所提出的多维时间序列SVR局部预测法(MLPSVR),本文还采用持续预测法和基于小时平均光伏功率序列的一维时间序列SVR局部预测法(LPSVR)对光伏发电功率进行了提前1h的预测。其中持续法是将最近一点历史值作为下一点的预测值。LPSVR相空间重构参数设置为 τ=5,d =6,K=25。某日局部模型的预测结果如图4所示。可以看出,MLPSVR预测曲线能更好地跟随光伏功率的变化,在多数情况下具有更好的预测效果。
3.2 预测模型评价
预测误差大小和光伏装机容量有直接关系,为定量评价预测效果,本文采用平均绝对误差EMAE、均方根误差ERMSE以及所研究模型相对于持续法预测误差减少的百分比I来评价模型预测效果,如式(9)—式(11)所示。
式中:为光伏功率预测值;Pi为光伏功率实测值;PN为光伏装机容量;N′为预测数据个数;EC和E分别为持续法和所研究模型的EMAE或ERMSE。
对不同模型进行训练,各模型的预测误差如表1所示。从表1可以看出,与持续法相比,光伏功率局部模型的预测精度显著提高,本文所建立的MLPSVR模型优于LPSVR模型,相对于LPSVR模型EMAE降低达29.0%,ERMSE降低达23.2%。预测结果显示,本文的预测方法是可行的。
4 结语
本文提出一种针对小采样间隔光伏功率数据的多维时间序列局部预测模型。通过对原始功率进行处理得到不同时间尺度的光伏功率均值序列,将建模必要的小时平均光伏功率序列与可选的其他时间尺度光伏功率均值序列组成多维时间序列。考虑可选均值序列与小时平均光伏功率序列的相关性,采用C-C方法和一种改进的嵌入维最小预测误差法求取多维时间序列相空间重构时间延迟和嵌入维,并同时确定用于建模的可选均值序列数。利用重构相空间中预测点的近邻点建立SVR局部预测模型。通过某微网光伏发电仿真预测,证明了基于小采样间隔光伏功率数据的多维时间序列SVR局部预测模型能很好地实现光伏功率提前1h预测,相对于传统的基于大采样间隔的SVR局部预测模型具有更高的预测精度,小采样间隔光伏功率数据在短期光伏功率预测建模中具有潜在的应用价值。
摘要：目前光伏发电预测普遍采用采样间隔较大的单一时间尺度功率序列建模,模型简单但对功率时序特征的模拟精度不高。文中提出了一种基于小采样间隔光伏功率数据的多维时间序列局部预测方法。通过构造不同时间尺度的光伏功率均值序列,形成以小时平均光伏功率序列为主要研究序列的多维时间序列;基于相关性分析、C-C方法和嵌入维最小预测误差法确定多维时间序列相空间重构的时间延迟和嵌入维;采用支持向量回归方法建立提前1h的光伏功率局部预测模型。以国内某微网的光伏功率预测为例进行仿真实验,计算结果表明,多维时间序列局部预测模型优于基于单一时间尺度功率序列的局部预测模型,更具应用价值。