光伏发电量的预测综述

光伏发电量的预测综述（精选九篇）

光伏发电量的预测综述 篇1

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

光伏发电量的预测综述 篇2

第一部分 缅甸光伏发电市场的投资环境研究

第一章 缅甸宏观经济发展相关指标预测

第一节 缅甸政局稳定性及治安环境点评

一、缅甸政局沿革及其未来的政局稳定性点评

二、缅甸政府效率点评

三、缅甸社会治安条件点评

四、缅甸对中国企业的整体态度点评

第二节 缅甸重点宏观经济指标研究

一、缅甸GDP历史指标及现状综述

二、缅甸经济结构历史指标及现状综述

三、缅甸人均GDP历史指标及现状综述

四、缅甸汇率波动历史指标及现状综述

第三节 缅甸基础设施建设配套的状况

一、缅甸公路建设状况及相关指标

二、缅甸铁路建设状况及相关指标

三、缅甸港口建设状况及相关指标

四、缅甸机场及航空建设状况及相关指标

五、缅甸水、电、油、气的配套建设状况及相关指标

六、缅甸通信与互联网建设的状况及相关指标

七、其他

第四节 影响缅甸经济发展的主要因素

第五节 2017-2020年缅甸宏观经济发展相关指标预测

一、2017-2020年缅甸GDP预测方案

二、2017-2020年缅甸经济结构展望

三、2017-2020年缅甸人均GDP展望

四、2017-2020年缅甸汇率波动态势展望

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年缅甸基础设施建设态势展望

第二章 缅甸光伏发电市场相关法律法规研究

第一节 缅甸光伏发电国际贸易的相关法律法规

一、缅甸光伏发电的进出口贸易政策

二、缅甸光伏发电市场的关税水平点评

第二节 缅甸光伏发电税收的相关法律法规

一、缅甸财政税收政策的重点内容

二、缅甸与光伏发电市场相关的重点税种及税率汇总

第三节 缅甸光伏发电金融外汇监管的相关法律法规

一、缅甸金融政策的重点内容

二、缅甸外汇监管政策的重点内容

三、缅甸投资利润汇出的管道对比研究

第四节 缅甸光伏发电投资的相关法律法规

一、缅甸对外商直接投资的相关法律法规及重点内容

二、缅甸对外商获得土地的相关法律法规

三、缅甸对外商投资的鼓励或优惠政策的重点内容

第五节 缅甸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 缅甸劳动力市场相关指标预测

第一节 缅甸劳动力市场相关历史指标

一、缅甸人口总量历史指标及现状综述

二、缅甸人口结构历史指标及现状综述

三、缅甸医疗卫生条件及疫情防控的相关内容

四、2017-2020年缅甸人口总量及结构的预测方案

第二节 缅甸的风俗禁忌与宗教信仰研究

一、缅甸的风俗禁忌

二、缅甸的宗教信仰

第三节 缅甸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、缅甸劳动力市场普遍的受教育程度研究

二、缅甸劳动力市场技工能力情况点评

第四节 缅甸劳动力市场工会力量强弱程度判断

一、缅甸工会的发展状况综述

二、缅甸工会组织的罢工状况研究

三、缅甸劳动力市场工会力量的强弱程度判断

第五节 缅甸劳动法相关重点内容点评

一、缅甸劳动法重点内容研究

二、缅甸劳动力市场员工招聘的相关法律法规

三、缅甸对员工最低工资水平的规定及具体内容

四、缅甸对外籍员工入境的签证时间及获得的难易度判断

五、缅甸对外籍员工数量比例等相关规定

第四章 缅甸光伏发电市场投资环境的优劣势点评

第一节 缅甸光伏发电市场的投资环境的优劣势点评

一、缅甸投资环境的优势点评

二、缅甸投资环境的劣势点评

第二节 缅甸光伏发电市场的投资环境的总评及启示

一、缅甸投资环境的总评

二、缅甸投资环境的对中国企业的启示

第二部分 缅甸光伏发电市场供需预测方案

第五章 缅甸光伏发电市场供需指标预测方案

第一节 缅甸光伏发电市场相关指标情况

一、缅甸电力供给指标

二、缅甸电力消费指标

三、缅甸电源结构相关指标

四、缅甸电力价格历史指标

五、缅甸光照资源区域分布特征

六、缅甸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 影响缅甸光伏发电市场发展的主要因素 第三节 缅甸光伏发电市场供需预测的思路与方法 第四节 缅甸光伏发电市场态势展望与相关指标预测

一、2017-2020年缅甸电力发展规划

二、2017-2020年缅甸电力供需相关指标预测

三、2017-2020年缅甸电力供需平衡展望

四、2017-2020年缅甸电源结构变化态势展望

五、2017-2020年缅甸光伏发电市场发展态势展望

第六章 缅甸光伏发电重点关联行业发展态势展望

第一节 缅甸太阳能电池行业相关态势展望

一、缅甸太阳能电池行业发展相关指标

二、缅甸太阳能电池行业主要特征

三、2017-2020年缅甸太阳能电池行业发展态势展望

第二节 缅甸电力行业相关态势展望

一、缅甸电力行业发展相关指标

二、缅甸电力行业主要特征

三、2017-2020年缅甸电力行业发展态势展望

第三节 其他行业

第七章 缅甸光伏发电市场竞争格局展望

第一节 2017-2020年缅甸光伏发电市场周期展望

一、缅甸本土光伏发电市场的生命周期判断

二、缅甸光伏发电市场未来增长性判断

第二节 缅甸光伏发电市场竞争主体综述

一、缅甸本土光伏发电企业及其相关指标

二、中国在缅甸的光伏发电企业及其相关指标

三、其他国家在缅甸的光伏发电企业及其相关指标

第三节 缅甸光伏发电市场各类竞争主体的SWOT点评

一、缅甸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、中国在缅甸的光伏发电企业的SWOT点评

三、其他国家在缅甸的光伏发电企业的SWOT点评

第四节 影响缅甸光伏发电市场竞争格局变动的主要因素 第五节 2017-2020年缅甸光伏发电市场竞争格局展望

一、2017-2020年缅甸光伏发电市场竞争格局展望

二、2017-2020年中国企业在缅甸光伏发电市场的竞争力展望

第三部分 中国企业投资缅甸光伏发电市场的经营建议

第八章 缅甸光伏发电市场机会与风险展望

第一节 2017-2020年缅甸光伏发电市场机会展望

一、2017-2020年缅甸光伏发电市场需求增长的机会展望

二、2017-2020年缅甸重量级区域市场的机会展望

三、2017-2020年缅甸光伏发电市场辐射的机会展望

四、其他

第二节 2017-2020年缅甸光伏发电市场系统性风险展望

一、缅甸光伏发电市场波动的风险

二、缅甸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年缅甸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 缅甸光伏发电市场的经营与投资建议

第一节 2017-2020年是否适合开拓缅甸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、是否适合开拓缅甸光伏发电市场的结论

第二节 2017-2020年在缅甸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、与缅甸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

光伏发电预测技术的应用研究 篇3

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.

光伏发电量的预测综述 篇4

第一部分 刚果(金)光伏发电市场的投资环境研究

第一章 刚果(金)宏观经济发展相关指标预测

第一节 刚果(金)政局稳定性及治安环境点评

一、刚果(金)政局沿革及其未来的政局稳定性点评

二、刚果(金)政府效率点评

三、刚果(金)社会治安条件点评

四、刚果(金)对中国企业的整体态度点评

第二节 刚果(金)重点宏观经济指标研究

一、刚果(金)GDP历史指标及现状综述

二、刚果(金)经济结构历史指标及现状综述

三、刚果(金)人均GDP历史指标及现状综述

四、刚果(金)汇率波动历史指标及现状综述

第三节 刚果(金)基础设施建设配套的状况

一、刚果(金)公路建设状况及相关指标

二、刚果(金)铁路建设状况及相关指标

三、刚果(金)港口建设状况及相关指标

四、刚果(金)机场及航空建设状况及相关指标

五、刚果(金)水、电、油、气的配套建设状况及相关指标

六、刚果(金)通信与互联网建设的状况及相关指标

七、其他

第四节 影响刚果(金)经济发展的主要因素

第五节 2017-2020年刚果(金)宏观经济发展相关指标预测

一、2017-2020年刚果(金)GDP预测方案

二、2017-2020年刚果(金)经济结构展望

三、2017-2020年刚果(金)人均GDP展望

四、2017-2020年刚果(金)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年刚果(金)基础设施建设态势展望

第二章 刚果(金)光伏发电市场相关法律法规研究

第一节 刚果(金)光伏发电国际贸易的相关法律法规

一、刚果(金)光伏发电的进出口贸易政策

二、刚果(金)光伏发电市场的关税水平点评

第二节 刚果(金)光伏发电税收的相关法律法规

一、刚果(金)财政税收政策的重点内容

二、刚果(金)与光伏发电市场相关的重点税种及税率汇总

第三节 刚果(金)光伏发电金融外汇监管的相关法律法规

一、刚果(金)金融政策的重点内容

二、刚果(金)外汇监管政策的重点内容

三、刚果(金)投资利润汇出的管道对比研究

第四节 刚果(金)光伏发电投资的相关法律法规

一、刚果(金)对外商直接投资的相关法律法规及重点内容

二、刚果(金)对外商获得土地的相关法律法规

三、刚果(金)对外商投资的鼓励或优惠政策的重点内容

第五节 刚果(金)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 刚果(金)劳动力市场相关指标预测

第一节 刚果(金)劳动力市场相关历史指标

一、刚果(金)人口总量历史指标及现状综述

二、刚果(金)人口结构历史指标及现状综述

三、刚果(金)医疗卫生条件及疫情防控的相关内容

四、2017-2020年刚果(金)人口总量及结构的预测方案

第二节 刚果(金)的风俗禁忌与宗教信仰研究

一、刚果(金)的风俗禁忌

二、刚果(金)的宗教信仰

第三节 刚果(金)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、刚果(金)劳动力市场普遍的受教育程度研究

二、刚果(金)劳动力市场技工能力情况点评

第四节 刚果(金)劳动力市场工会力量强弱程度判断

一、刚果(金)工会的发展状况综述

二、刚果(金)工会组织的罢工状况研究

三、刚果(金)劳动力市场工会力量的强弱程度判断

第五节 刚果(金)劳动法相关重点内容点评

一、刚果(金)劳动法重点内容研究

二、刚果(金)劳动力市场员工招聘的相关法律法规

三、刚果(金)对员工最低工资水平的规定及具体内容

四、刚果(金)对外籍员工入境的签证时间及获得的难易度判断

五、刚果(金)对外籍员工数量比例等相关规定

第四章 刚果(金)光伏发电市场投资环境的优劣势点评

第一节 刚果(金)光伏发电市场的投资环境的优劣势点评

一、刚果(金)投资环境的优势点评

二、刚果(金)投资环境的劣势点评

第二节 刚果(金)光伏发电市场的投资环境的总评及启示

一、刚果(金)投资环境的总评

二、刚果(金)投资环境的对中国企业的启示

第二部分 刚果(金)光伏发电市场供需预测方案

第五章 刚果(金)光伏发电市场供需指标预测方案

第一节 刚果(金)光伏发电市场相关指标情况

一、刚果(金)电力供给指标

二、刚果(金)电力消费指标

三、刚果(金)电源结构相关指标

四、刚果(金)电力价格历史指标

五、刚果(金)光照资源区域分布特征

六、刚果(金)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 影响刚果(金)光伏发电市场发展的主要因素 第三节 刚果(金)光伏发电市场供需预测的思路与方法 第四节 刚果(金)光伏发电市场态势展望与相关指标预测

一、2017-2020年刚果(金)电力发展规划

二、2017-2020年刚果(金)电力供需相关指标预测

三、2017-2020年刚果(金)电力供需平衡展望

四、2017-2020年刚果(金)电源结构变化态势展望

五、2017-2020年刚果(金)光伏发电市场发展态势展望

第六章 刚果(金)光伏发电重点关联行业发展态势展望

第一节 刚果(金)太阳能电池行业相关态势展望

一、刚果(金)太阳能电池行业发展相关指标

二、刚果(金)太阳能电池行业主要特征

三、2017-2020年刚果(金)太阳能电池行业发展态势展望

第二节 刚果(金)电力行业相关态势展望

一、刚果(金)电力行业发展相关指标

二、刚果(金)电力行业主要特征

三、2017-2020年刚果(金)电力行业发展态势展望

第三节 其他行业

第七章 刚果(金)光伏发电市场竞争格局展望

第一节 2017-2020年刚果(金)光伏发电市场周期展望

一、刚果(金)本土光伏发电市场的生命周期判断

二、刚果(金)光伏发电市场未来增长性判断

第二节 刚果(金)光伏发电市场竞争主体综述

一、刚果(金)本土光伏发电企业及其相关指标

二、中国在刚果(金)的光伏发电企业及其相关指标

三、其他国家在刚果(金)的光伏发电企业及其相关指标

第三节 刚果(金)光伏发电市场各类竞争主体的SWOT点评

一、刚果(金)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、中国在刚果(金)的光伏发电企业的SWOT点评

三、其他国家在刚果(金)的光伏发电企业的SWOT点评

第四节 影响刚果(金)光伏发电市场竞争格局变动的主要因素 第五节 2017-2020年刚果(金)光伏发电市场竞争格局展望

一、2017-2020年刚果(金)光伏发电市场竞争格局展望

二、2017-2020年中国企业在刚果(金)光伏发电市场的竞争力展望

第三部分 中国企业投资刚果(金)光伏发电市场的经营建议

第八章 刚果(金)光伏发电市场机会与风险展望

第一节 2017-2020年刚果(金)光伏发电市场机会展望

一、2017-2020年刚果(金)光伏发电市场需求增长的机会展望

二、2017-2020年刚果(金)重量级区域市场的机会展望

三、2017-2020年刚果(金)光伏发电市场辐射的机会展望

四、其他

第二节 2017-2020年刚果(金)光伏发电市场系统性风险展望

一、刚果(金)光伏发电市场波动的风险

二、刚果(金)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年刚果(金)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 刚果(金)光伏发电市场的经营与投资建议

第一节 2017-2020年是否适合开拓刚果(金)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、是否适合开拓刚果(金)光伏发电市场的结论

第二节 2017-2020年在刚果(金)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、与刚果(金)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

光伏并网发电的专利技术综述 篇5

关键词：光伏,最大功率跟踪,并网控制,技术综述

0 引言

近年来, 由于全球环境污染、常规能源短缺问题突出, 光伏发电得到了各国政府的重视和支持。在科技进步与激励政策推动下, 光伏发电产业迅速发展。地面太阳能发电系统运行方式根据是否与电网连接可分为独立型光伏发电系统和光伏并网发电系统。光伏并网系统是世界光伏发电系统的主要应用方式, 光伏发电系统通过并网逆变器与电网连接, 通过电网将光伏发电系统所发出的电能进行再次分配, 例如供电负载或者进行电力调峰等[1,5]。

众所周知, 光伏发电系统追求最大的发电功率输出。最大功率点跟踪技术 (MPPT) , 是太阳能光伏并网发电中一项重要的关键技术。光伏发电系统普遍采用在光伏阵列与负载 (或) 电网之间安装了具备光伏阵列最大功率点跟踪 (MPPT) 功能的电力电子变换器, 并提出和设计了相应的MPPT算法。一套基本的带有MPPT的光伏并网发电系统通常是由光伏阵列、最大功率点跟踪控制器、逆变器和交流电网或交流负载组成。

1 光伏并网发电中的控制方法简介

目前, MPPT控制技术主要有:扰动观察法、电导增量法、恒定电压法、短路电流法, 以及模糊逻辑与人工免疫理论相结合实现MPPT、固定电压法与扰动观测法结合、固定电压法与电导增量法的占空比扰动的MPPT算法等[2,4]。

而对于光伏并网系统中的逆变器常见的控制策略包括:滞环控制、基于内模控制原理的重复控制、无差拍控制、电压外环与电流内环的双环控制、模糊控制与神经网络控制等[3]。

2 国内申请人的技术演进和发展

2.1 申请时间和申请量

以中国专利文献检索库CNABS作为入口, 对检索的314篇国内专利申请进行分析, 得出国内光伏并网发电技术专利申请的时间的分析结果如图1所示。

由图1可知, 在2000-2002年, 国内对于光伏并网控制方面的专利技术申请, 几乎没有, 原因在于我国光伏发电技术起步较晚。随着2003-2007年国内高校对于光伏并网技术的研究, 光伏并网发电技术专利申请量逐渐增加;2008-2012年申请量增长迅速, 一方面由于光伏发电的优越性, 另一方面由于光伏发电技术的日益成熟;2013-2014年的申请量还不能完全统计, 因为从专利申请至公开需要一定的时间。随着光伏并网技术的继续发展, 2013-2014年的申请量可能会与2012年的申请量相近。

2.2申请人和申请量

通过对检索的314件国内申请, 从科研院校、电网公司、企业以及个人四个方面进行分

析, 得出国内光伏并网发电技术专利申请的申请人分布结果如图2所示。

根据图2可知, 申请量以国内的企业与科研院校占据多数。如上海交通大学、清华大学、天津理工大学、云南大学、东南大学等。伴随着高校申请的提出, 国内企业与个人申请量也逐渐升高, 其中企业的申请量已超过了高校的申请量。光伏并网发电由于其自身的优点, 在电网削峰填谷、用户供电以及综合调度方面也有了逐步的应用, 电网公司也提出了一些基于风光互补、能量存储与调度方面的申请。

国内科研院校的研究, 围绕着光伏发电的最大功率点跟踪控制及并网控制策略日益深入, 具体包括MPPT算法、Z源逆变器/多电平逆变器的设计、以及变换器的控制策略等。国内科研院校的申请分布如图3所示。

从图3中可以看出, 清华大学与湖南处于前沿地位, 其次为上海交通大学、东南大学以及华南理工大学, 而天津理工大学、中南大学与北京交通大学也在这方面做出了比较多的研究。

2.3 光伏并网发电技术的演进

光伏并网发电是太阳能发电的主要研究方向。光伏并网发电系统的控制一般可分为两个环节, 其一为光伏阵列的最大功率点跟踪, 其二为向大电网注入高质量的正弦电流。

随着国外光伏发电技术的发展, 国内对光伏并网技术的研究也进入了起步阶段。根据图2与图3可知, 国内出现较早的为科研院校的相关申请。上海交通大学于2003提出了实现并网发电与电网无功功率补偿的一体化方法, 以CN1523726A为例, 基于瞬时无功功率理论, 采用dq变换实现对有功电流和无功电流的分离, 同时对本地电网进行无功功率补偿, 改善电网的供电质量;接着清华大学提出了d P/d V-I近线性的光伏发电系统最大功率点跟踪法, 控制buck电路的占空比或并网型逆变器的PWM驱动信号, 采用电流内环与电压外环控制策略实现MPPT与并网同步。

清华大学于2007年提出了同步电流矢量PI控制方法实现对并网电流的闭环控制;东南大学于2009年提出的单级三相光伏并网系统的最大功率跟踪控制方法, 在继承了传统的电压PI控制器和同步矢量电流PI控制器所组成的双闭环控制系统的基础上, 对清华大学提出的最大功率点跟踪控制方法提出了改进, 即通过光伏阵列输出功率对电压的微分和模糊控制器的输出量, 避免了扰动步长取值不当导致的跟踪精度不够的问题。

此后, 东南大学提出了单级三相光伏并网系统的模糊滑模控制方法, 其改进点在于引入前馈补偿;清华大学周德佳提出了高效稳定多功能的单级式光伏单相并网控制方法, 其改进点在于采用FBD方法对本地负载产生的谐波和无功进行补偿;上海理工大学提出了基于人工神经网络的最大功率跟踪方法;天津理工大学提出了基于极点配置与重复控制相结合的并网控制技术;湖南大学提出了基于功率前馈的鲁棒双环光伏并网控制方法;天津大学提出了通过直流母线并联解耦电容和解耦电路实现功率解耦的并网控制方法, 以及电流内环控制器采用了PR调节器;东南大学提出了级联型光伏并网逆变器的功率平衡控制方法, 对各级联单元的H桥进行独立的MPPT控制, 得到各级直流电压指令值, 然后对总的直流电压进行PI控制, 并网电流的准比例谐振PR控制和电网电压前馈控制;中国电力科学研究院提出了用于光伏并网逆变器低电压穿越的控制方法, 运用PID调节器根据逆变器的d轴参考电流获得脉宽调制脉冲, 通过D调节器的引入提高系统在故障发生时刻的快速响应, 有效抑制故障期间的电流尖峰。

3 结论

综上可知, 光伏并网发电技术的国内研究主要集中在科研院校中, 目前的申请量趋于相对稳定。随着光伏并网发电技术的广泛应用, 对于最大功率跟踪技术、并网技术、谐波处理、低电压穿越、微网的能量管理、电网的综合调度等方面必将有着更深入的研究, 相关的申请量还会持续上升。同时, 由于光伏并网发电技术的推广, 越来越多的企业也参与到光伏并网发电的研究之中, 申请量逐步超过了科研院校的申请数量, 这对于提高我国光伏并网发电技术、解决能源危机, 起到了非常重要的作用。

参考文献

[1]陈炜, 等.光伏并网发电系统对电网的影响研究综述[D].电力自动化设备, 2013, 33 (2) :26-30.

[2]廖锷.基于模糊自适应PI闭环控制的太阳能并网发电系统的研究[D].中南大学, 2010.

[3]赵杰.光伏发电并网系统的相关技术研究[D].天津大学, 2012.

[4]孙园园.光伏并网逆变器MPPT技术研究[D].南京航空航天大学, 2010.

短期光伏发电预测方法研究探讨 篇6

光伏太阳能是自然界中的最基本的也是重要的资源,其他种类的可重复利用资源,比如:生物质能、潮汐能、水能、风能、等都可以由太阳能转换形成。太阳能已被公认为是未来最具有竞争力的能源之一,具有取之不尽、用之不竭、绿色环保等特点[1]。可是光伏发电功率输出具有明显的间歇性和不可控等特点,大范围的光伏发电并网会给电网管理调度带来很多复杂的困难,对电力系统的稳定性、安全性、经济运行造成庞大冲击。因此,怎样在满足电网安全稳定运行的前提下,最大限度的消耗这些可再生能源,成为新能源电力系统研究的热点。光伏电池的发电原理是光生伏特效应,光伏发电一定会受到太阳辐射强度和天气因素的影响。环境因素的不可控性和随机性决定了发电功率的波动性,光伏发电系统并入电网后会给电网造成重大冲击。若调度部门能利用光伏发电系统输出功率的变化曲线合理的安排光伏发电站的发电计划,将减少这个波动对电力系统的影响。要想知道发电规划则须要光伏发电站输出功率的预测曲线,是以对光伏发电系统进行发电功率预测不但能够有效的减轻或者避免光伏发电并网造成的安全隐患,还能够减少电力系统的备用容量和运行用度,能提高光伏发电在整个电力系统中所占的比例,使的光伏发电工业进一步发展成长。是以对光伏发电功率的预测方法的研究有现实意义。

1 光伏发电预测方法的基本原理

目前的短期光伏发电预测方法都是基于相同的方法:先利用数学和物理学理论及相关数据建立预测公式或模型,再通过预测公式或模型对光伏电站发电量进行预测(图1)。按照所采取的数学物理理论及其预测输出量,光伏发电预测方法可分为两类:

a.直接预测光电系统输出功率的直接预测法(统计法)。

b.先对太阳辐射进行预测,再根据光电转换效率得出光电输出功率的间接预测法(物理法)[2]。

直接预测法(统计法)主要是依据数学统计预测理论及方法,包括概率、时间序列、人工智能等方法。优点是程序简明,对光伏电站位置及电力转换参数没有要求;缺点是为了保证预报结果的精确度,需要大量的光伏电站历史运行数据。依据预测所采用的具体统计方法,该类方法又可细分为时间序列法、时间趋势外推法、点预测法、概率预测法和智能预测法等5类。[2]间接预测法(物理法)主要是以光伏发电系统物理发电原理为基础,优点是不需要历史运行数据,光伏电站建成之后就可以直接进行预测;缺点是需要光伏电站详细地形图、发电站坐标、光伏电站功率曲线及其他相关光电转换参数等数据。依据建模基础及其复杂程度,该类方法又可细分为电子元件模型法,简单物理模型法和复杂物理模型法等3类。

2 光伏功率预测的研究进展

从20世纪80年代开始,由于世界能源急剧大量消耗,德国、西班牙、美国和日本等国率先进入了光伏发电领域。为了保障本国电网的稳定、可靠运行,他们展了光伏发电功率预测理论和应用技术研究,并取得了一定的研究成果。

国外光伏发电功率预测方法的主要统计模型:时间序列法包括多元线性回归、ARMA、ARIMA;时间趋势外推法包括灰色预测、马尔科夫链;点预测法包括SVM、随机深林、广义可加模型、贝叶斯法;概率预测法包括分位数回归深林、QSVM;智能预测法包括FFNN、RBFNN、RNN、MLPNN、模糊ARTMAP、自适应小波网络。国外光伏发电功率预测方法的主要物理模型:电子元件模型法包括Qsterwald、Araujo-Green、Diode Model;简单物理模型法包括Hammer、Bofinger、Yona、Mager、Knowe;复杂物理模型法包括Lorenz、三维模拟计算法。这些方法各有自己的优缺点,在使用是要根据要求选择适合的方法或者将多种方法相结合得出一种更加精确的方法来使得自己的实验更加接近真实的光伏发电功率输出。

最近几年,在光伏发电输出功率预测方面取得了一些令人满意的结果。现在常用的预测方法主要有人工神经网络法(ANN)、支持向量机(SVM)、时间序列法(TSM)、马尔科夫链等,其中基于ANN和SVM的光伏发电功率预测方法的研究比较常见。文献[3]采取前向反馈神经网络(FFNN)、径向基函数神经网络(RBFNN)和递归神经网络(RNN)3种神经网络算法预测光伏发电功率,通过对比,选择了RNN对光伏功率进行间接预测。文献[4,5]提出一种基于神经网络与关联数据的光伏发电功率预测的方法,通过降低输入维数对ANN预测模型进行改造,减少了输入各输入间的多重耦合,提高了预测的正确性。

结束语

本文在大量研究国内外光伏发电预测方法研究文献的基础上,比较系统的论述了短期光伏发电预测技术的研究状况及其最新动态,并对各类方法进行了归纳总结。复杂物理模型类预测方法充分考虑了降水、云等气候状况,是大型光伏电站短期发电量预测技术发展的主要方向,也是国外地区大型并网光伏发电站未来几年将要采取的主要预测方法。

参考文献

[1]中国气象局.中华人民共和国气象行业标准-太阳能资源评估方法[S],2007.

[2]崔洋,孙银川,常倬林.短期太阳能光伏发电预测方法研究进展[J].资源科学,2013,35(7):1474-1481.

[3]Yona A,Senjyu T,Saber A Y,etal.Application of neural netw ork to24-hour-ahead generating pow er forecasting for PV system[C]//Pow er and Energy Society General M eeting-Conversion and Delivery of Electrical Energy in the 21st Century,Pittsburgh,PA,USA:IEEE,2008:1-6.

[4]Kudo M,Nozaki Y,Endo H,et al.Estimation of the energy of a PV generator using artificial neural netw ork[J].Renew able Energy,2009,34(12):2743-2750.

光伏发电量的预测综述 篇7

1 光伏发电合并电网后的系统问题

由于接入方式、接入位置、电源本身运行特性和外在条件等方面因素的影响, 光伏发电接入智能配电网后, 会对电网系统中的电流分布、电压分布、系统频率等方面产生影响, 这些影响会导致整个电网系统运作陷入混乱的状况, 不利于配电网的安全供电。

1.1 造成系统结构与潮流变化

一方面, 分布式的电源在接入智能配电网后, 电网系统中的负荷会发生改变, 电流分布不规律, 同时, 分布式的电源在接入智能配电网后, 会改变电网整体结构, 结构的变化会导致系统无法正常供电, 这些影响极不利于电网系统的长远发展。另一方面, 将光伏发电接入智能配电网中, 尤其是从负荷处接入后, 整个电网系统的电流分布会发生不规则的转变和交替现象, 这会导致整个电网系统潮流随机变化, 进而影响整个电网系统潮流的正常工作。只有研究出适合的潮流控制对策才能解决这个问题, 比如根据配电网里各式分布式电源的运行特性、光伏系统功率使用特点以及节点种类转变负荷的方法, 构建一个稳定的电网模型, 或者采用灵活度补偿的统计办法, 构建出适用的配电潮流系统。

1.2 导致系统电压不稳定

分布式电源应当在不影响配电网系统电压的条件下接入, 然而光伏发电受到天气、光照强度、交通等多方面因素影响, 其本身就是一种不稳定的电源, 尤其是气候对配电网的供电稳定性影响最大。在接入配电网后, 其不稳定性会改变系统电压分布, 导致电网系统供电断续、断路、短路等不稳定现象, 尤其是大型光伏电站的电网合并, 会使电网系统运行电压超出额定电压, 导致电网系统供电停止。在电网系统供电停止期间, 光伏系统却依旧为其线路供电, 最终形成一个电压负载局势, 这一状况会对配电系统造成很大的负面影响, 比如用电设备的损坏, 严重的还会危害用电户的用电安全。光伏发电接入配电网后除了会导致电压分布和供电不稳定的问题, 还会导致配电系统的输出功率表现出极大的变化周期, 其周期性的影响会使电网系统发生周期性供电中断。通常配电网中的光伏发电输出功率不宜小于总配电网发电容量的10%, 不宜超过总配电网发电容量的15%, 否则配电网系统将无法正常运作。

2 研究问题解决方案

智能电网的最大特点在于能够接受许多分布式电源的正常接入, 智能配电网具有花费少、发电灵敏、对环境适应性强等优点。光伏发电作为一种清洁能源, 具有很高的经济研究价值, 如何解决光伏发电在接入配电网后的电网系统电压变化、供电不稳定以及输出功率难以控制等问题是实现能源有效利用的必经之路。可以考虑通过完善系统终端配置、控制负荷分布状况、优化电网结构等手段进行光伏智能电网研究, 设计出能够兼容光伏发电的智能配电网。

2.1 电能质量监控

光伏发电在与配电网合并之后, 会对整个配电系统的电能质量造成扰乱, 比如会导致系统电压闪烁、电压短路、电压运作频率改变、系统瞬时供电突然停止过等电能质量方面的问题。而电网系统中的电能质量的控制是保证智能配电网构建和安全运行的基本条件。针对这些问题, 一般采取降低分布式电源开关次数, 利用逆变器把光伏发电电源并入智能配电网中, 减少光伏电源的输出功率改变引起的系统电压变化。针对电能质量中的谐波问题, 应该于谐波电压较高处的母线上安上专门的滤波器。除此之外, 还可以研究多功能结合的逆变器装置, 比如把滤波器并入逆变器中一起工作, 利用额定电压最大输出功率监控系统逆变器所输出电流, 从而控制谐波电压, 解决电能质量谐波问题。

2.2 继电保护设计

将光伏发电电源接入智能配电网后, 配电网系统成为一项多种电源合并的电源系统, 原先的继电保护仪器不能满足系统继电保护需求, 所以应当优化系统的继电保护, 使其具备保护方向性特点。通常当系统出现运行故障时, 工作人员会采取切断一切分布式电源, 恢复原先继电保护的方法进行电网系统继电保护。该方法的不足之处在于减缓了系统运行速度, 没有考虑分布式电源断开时限问题, 同时经常性的切断电源容易损坏系统设备。因此可以通过完善切断电源方案中的时限配合问题、采取分布式电源单独配电的方法来解决光伏发电接入配电网后系统继电保护不足问题。经过这样的继电保护设计, 当分布式电源出现运行故障, 通过继电保护, 其故障只会导致较小面积内出现停电现象, 不会影响整体配电系统的正常运行。

2.3 故障评估处理

配电系统的稳定性评估与光伏发电或者其它分布式电源所接入电网的方式、接入地点、电源本身运行特点等方面息息相关。比如光伏发电或者其它分布式电源单单作为系统的备用电源, 则可以优化配电系统的供电稳定性, 但将光伏发电或者其它分布式电源接入配电网中与系统一起运行, 就会影响配电系统的稳定性。因此, 在将光伏发电接入智能配电网之前, 应当对光伏发电本身的运行特点进行系统评估, 并充分考虑该运行特点对智能配电网稳定性的影响、最佳接入位置和方式、故障问题和解决方案设计等方面进行评估和处理方案设计, 同时气候条件、建设成本等也是评估标准之一, 通过评估建立可靠的电网评估系统。

2.4 输出功率预测

对光伏发电的输出功率进行预测能够掌握光伏发电运行情况, 能够起到协调电网电流分布、负荷分布和电流分布情况的作用。当前对于光伏发电有效输出功率预测这一方面的研究不多, 通常的功率预测是按照具体配电网情况, 进行光伏发电的配电网建模, 并按照电站所处位置的光照辐射度值进行光伏发电功率模拟, 用正确的计算方式进行输出功率预测。但光伏电源的输出功率受到多方面影响, 其变化幅度较大, 更科学合理的预测方法还有待研究。

2.5 研究微网变化

微网管理技术是对分布式电源接入智能电网的系统运行进行管理的方法。微网的作用是管理配电系统中的中小容量分布式电源, 中小容量分布式电源接入智能配电网后, 会对微网的动态运行造成很大影响。但由于智能配电网的不断进步, 各式分布式电源接入配电网进行合并使用是不可控制的未来电网发展走向。微网的设计必将顺应这一电力技术发展趋势, 在原先的技术基础上进行优化和完善, 以便适应配电网的系统管理。

一方面, 要充分考虑微网结构、电源容量大小、负荷分布情况以及电源接入方法, 研究分布式电源接入智能配电网后系统对微网动态运行的影响, 并总结不同种类的分布式电源的数学模型, 进行微网模型设计建模。另一方面, 研究各种扰动状况、在接触与控制方法不同的情况下, 微网动态特点。比如研究主要配电网出现短路的情况下, 微网的额定功率掌握、调节掌握下的微网动态运行状况。

2.6 灵活协调运行

光伏发电接入智能配电网与配电系统共同运行的前提条件是系统发电能够满足每一用电结构中的负荷供电, 因此需要利用智能配电网管理体系对系统供电进行优化调节。比如通过电网系统的能量协调, 实现在光照不足、阴雨天气以及天黑后的状况下, 配电网系统依旧正常运行和供电。因此, 首先要研究大量分布式电源在接入智能配电网后, 电源运行输出功率平衡改变情况, 再者, 应当研究大量分布式电源共同接入电网后系统的接受能力和系统方案。

许多地区于光照能源充足的季节中会出现光伏电输出功率高于实际用电需求的情况, 而在光照能源不够的季节光伏电输出功率不能满足用电需求, 针对这一情况, 可以通过能力存储的方式弥补不同时间段输电功率差异, 或者研究不同季节的配电系统协调方案, 实现供电的稳定性。针对因气候和光照辐射强度变化不稳定的问题, 可以采用降低电网系统无功运作, 增加有功运作或者在电源附近安装无功补偿仪器等方法进行不稳定电压补偿, 从而减少光伏发电接入电网后引起的系统电压变化。光伏电站的智能配电设计还应当充分考虑配电站所处位置能源、交通状况、辐照强度变化情况自然气候条件等方面条件对光伏电站造成的影响。只有充分考虑各方面的影响因素, 研究配电协调方案, 才能有效减少甚至避免光伏发电对配电网系统的正常运作造成的影响。

3 总结

综上所述, 光伏发电接入配电网后会造成许多问题, 这些问题都会影响到配电网系统的正常运行和安全供电, 不利于满足人们生活和生产的正常用电需求, 因此要针对这些问题进行解决方案的深入研究和探讨, 结合配电系统的合理设计、管理方案和运行特征方面知识, 优化当前智能配电网的供电体系, 实现配电网的稳定、安全供电。

摘要：光伏发电是一种节约型能源供电方式, 分布式电源包括光伏发电接入智能配电网是电力技术未来研究方向之一。然而, 光伏发电接入智能配电网后会造成许多问题影响配电网系统的正常供电。本文就光伏发电接入智能配电网后的系统问题展开研究和论述。

关键词：光伏发电,分布式电源,配电网,问题研究

参考文献

[1]刘永胜, 李题印, 包拯民, 黄河, 姚海燕.基于PSCAD/EMTDC的并网光伏发电分析[J].浙江电力, 2011 (03) .

[2]鞠佳.分布式光伏电源接入配电网规划设计研究访杭州市电力设计院王骏海副院长[J].电气应用, 2011 (13) .

[3]张文亮, 刘壮志, 王明俊, 杨旭升.智能电网的研究进展及发展趋势[J].电网技术, 2009 (13) .

[4]林国庆, 张榕林, 吴文宣.刍议福建发展分布式电源对电力系统的影响[J].电力与电工, 2010 (01) .

[5]李春来, 朱慧敏, 孔祥鹏, 赵世昌, 王轩.青海大规模光伏发电发展问题探讨[J].电力科技与环保, 2011 (03) .

光伏并网发电系统孤岛检测方法综述 篇8

孤岛检测方法研究主要集中在欧美和日本,电气电子工程师协会IEEE(Institute of Electrical and Electronics Engineers)率先提出了孤岛检测性能发展方向并制定了测试标准[1,2],如IEEE Std.2000.929和IEEE Std.2003.154712。并网技术要求与配电网的结构和运作制度有关,不同国家对并网技术要求的规定不同,一些代表性国家的检测方案和时间要求如表1所示。

1 孤岛效应发生机理分析

光伏并网时的结构示意图如图1所示,图中P(Q)、△P(△Q)、Pload(Qload)分别是指逆变器、电网、负载输出或消耗的有功(无功)功率。并网运行时负载端电压受电网电压的钳制,故公共耦合点处电压即为电网电压Ug,则:

ωg为电网电压角频率,电网断开后光伏系统发出的功率全部被负载消耗,则:

ωinv为逆变器输出电压角频率,分别联立式(1)、式(3)和式(2)、式(4)可得:

式中Qc=ωgCUg2是电容的无功功率,联立式(5)、式(6):

当逆变器输出功率与负载功率匹配时,令△P=0、△Q=0,可得ωg=ωinv、Ug=Uinv,公共点电压、频率基本无变化,过/欠压、过/欠频保护失败即进入检测盲区NDZ(None Detection Zone),形成孤岛。

2 孤岛检测方法分析比较

对孤岛检测方法的性能要求主要是高灵敏度、高准确度,低检测盲区、低电网污染。目前常用的孤岛检测方法分类如图2所示。

2.1 远程检测法

远程法是基于电网侧的检测方法,利用电网侧自身的监控系统检测到电网故障或电网供电中断情况后,向并网逆变系统传送故障信号。该类方法主要有断路器跳闸信号检测、电力载波通信PLCC(Power Line Carrier Communication)、网络监控数据采集系统SCADA(Super-visory Control and Data Acquisition)等,主要适用于大功率并网系统。该类方法不存在检测盲区、可靠性好,但由于需要的设备多、投资大,性价比不高不太被人们看好。

2.2 本地检测法

本地技术法是指在并网逆变器侧的检测方法,又分为被动式检测法(也称无源检测法)、主动式检测法(也称有源检测法)和混合法。

2.2.1 被动式检测法

被动法的检测原理是通过检测公共点电压幅值、相位或频率、功率、谐波等参数变化判断孤岛发生,检测形式基本固定。常用的方法有以下几种:

(1)过欠压、过欠频检测法(Over/Under Voltage andOver/Under Frequency method,OUV/OUF)

IEEE Std.2000.929规定并网系统逆变器必须具有过/欠压、过/欠频保护,它是所有孤岛检测方法的基础。根据图1和功率守恒可知:

独立供电系统的运行状况取决于断路器断开前的△P、△Q,根据式(8)、式(9)式可分为4种情况进行讨论:①△P<0时,P>PLoad→PLoad↑→Upcc↑,当PCC点电压增大超出OVP设定的上阈值,可以检测到孤岛现象;②反之,△P>0时,PCC点电压减小超出UVP设定的下阈值检测有效;③△Q>0时,负载吸收无功功率,△Q>0→QLoad↓→f↓,PCC点频率减小超出阈值OFP检测到孤岛;④反之,△Q<0时,负载产生无功功率,PCC点频率增大超出阈值UFP检测有效。

该方法原理简单易于实现,只有在逆变器输出和负载功率不匹配时且超出阈值时才会有效,但检测盲区较大、难以确定合适的阈值。

(2)相位突变检测PJD(Phase Jump Detection)

逆变器并网运行时,PCC点的电压受电网电压所钳位,此时逆变器输出电流与电网电压同相位,当孤岛现象发生后PCC点电压的相位将会发生变化,由逆变系统输出电流和负载阻抗决定,该法就是利用这一原理(如图3所示)判断是否发生孤岛。

(3)电压谐波检测HD(Harmonics Detection)

此方法是通过监测PCC点的电压总谐波畸变率THD(Total Harmonics Distortion),判断THD是否超出设定的阈值范围。逆变器并网运行PCC点与电网的THD基本相等,而电网断开后由于负载阻抗比电网阻抗大得多,因此会在公共点产生较大的谐波电压。

(4)参数变化率检测法

此类方法主要包括检测判据为d P/dt的输出功率变化率检测法;判据为df/dt的频率变化率检测法ROCOF(Rate of Change of Frequency);判据为df/d P的系统频率变化和负载功率变化之比检测法,此类方法灵敏性高简单易行、检测速度快,但当负载和逆变器功率匹配时均会失效。

2.2.2 主动检测法

主动式检测方法通过有意地给系统注入扰动信号破坏功率平衡,根据逆变器输出电流的表达式:

可知对电流幅值Im、电流频率f、电流相位φ施加扰动,使处于孤岛状态下的PCC点电压参数(幅值、频率或谐波含量等)超出正常范围,来确定电网的存在与否以达到检测出孤岛的目的,常用方法有以下几种。

(1)阻抗测量法IM(Impedance Monitoring)

通过对逆变器输出电流iinv幅值进行扰动,使有功功率变化,检测PCC点电压的变化,即相当于检测d Upcc/Iinv。该方法原理简单、容易实现、电流谐波小,但是对逆变输出功率影响大,且不适用于多台逆变器并网运行。参考文献[3]加入周期性无功扰动电流,并将电压频率前馈使频率在电网断开时迅速越限。该方法不影响电网频率,不向电网注入谐波,对逆变器输出功率因数的影响小。

(2)有源频率偏移法AFD(Active Frequency Detection)

通过使逆变器输出电流的频率发生一定的偏移,使频率超出预设的阈值来检测孤岛,主动频率偏移法是目前改进最多、最常用的有源检测法。逆变器引入频率偏移的电流波形如图4所示,定义斩波系数cf为:cf=2Tz/Tu,将这样的电流加到负载上,电压相应以更短的时间到达零点,系统检测到Upcc与I之间的相位差,逆变器输出频率超出阈值检测出孤岛,当AFD造成的相位差和负载阻抗角在工频及其附近相等时该方法失败。

参考文献[4]从正反两面施加频率的扰动来改进AFD,消除负载对单一频率扰动方向的平衡作用,参考文献[5]将正负半周的扰动修改为只在正半周期进行扰动,并网工作的电流THD仅为1.61%,对电能质量的影响较小。

(3)正反馈有源频率偏移法AFDPF(Active Frequency Drift with Positive Feedback)

在AFD中引入正反馈,其控制策略为:

其中k为正反馈系数,使在加速频率偏移的同时NDZ更小。但该方法扰动信号均按一个方向,负载性质的不同可能导致频率的变化方向与扰动方向相反,从而制约了孤岛的检测,这是AFDPF方法存在的主要缺点。参考文献[6]提出了周期性不间断地对逆变器输出电压进行正反两个方向的频率扰动的AFDPF法,该方法可有效避免对单一频率扰动方向的平衡作用的问题,提高了检测速度,缩小了检测盲区。

(4)滑模频率偏移法SMS(Slide-mode frequency shift)

该方法与AFD法原理相似,区别在于AFD是引入的死区时间TZ产生频率偏移,而SMS是通过引入相角偏移,将Iinv和Upcc间的相位差设计成Upcc的频率f的函数,应用该方法时逆变器输出电流为:

其中θsm为最大相位角,fm为与之对应的最大频率。SMS法优点是检测盲区小,缺点是会影响逆变器输出电能质量。参考文献[7]提出的自动移相法APS(Automatic Phase Shift),相对SMS引进了参考电压相移:

其中,α为偏移因子,θ0(k)为附加的相位偏移。孤岛发生时,如果稳态频率有一个微小的增加,则θ0会有一个相角增量△θ,这将打破系统原本的平衡从而检测出孤岛。

(5)Sandia电压偏移法SVS(Sandia Voltage Shift)

此方法类似于正反馈有源频率偏移法,不同的是对PCC点电压引入正反馈,定义逆变器输出电流为:

其中A为正反馈增益系数,U0为额定电压。孤岛发生时Upcc的微小变化引起Iinv的剧变,正反馈又使这一变化一直循环直至Upcc的变化超出阈值检测出孤岛。其检测效率非常高,但会对系统暂态响应和电能质量产生影响且成本较高。

2.2.3 混合法

顾名思义,混合法即根据实际情况权衡利弊,把主动法和被动法有机结合起来扬长避短,克服各自的缺点、充分发挥各自的优点,快速、更可靠地检测出孤岛获得满意的检测结果,常见的孤岛检测法的性能评价如表2所示。

参考文献[8]将过/欠压和过/欠频检测法与改进主动式AFD方法相结合,不影响电网的频率,不向电网注入谐波,不存在检测盲区。参考文献[9]提出一种基于电压相位突变检测与改进型主动电流扰动法相结合的新型组合式孤岛检测方法。二者分别作为独立的检测模块,加周期性的扰动之前,首先判断输出电压的变化情况,然后施加与电压变化方向相同的扰动。

光伏发电量的预测综述 篇9

关键词：最大功率点跟踪,扰动观察法,新能源利用

0绪论

1) 光伏发电研究的意义

随着经济技术的快速发展, 人们对能源的需求也越来越大, 而现今运用最广泛的化石能源因其不可再生的特性使其总量在人类不断地开采下越来越少。寻找新能源成为了人类必须面对的现实。太阳能作为现今自然界中最为理想的新能源之一, 收到越来越普遍的重视。太阳能与其他绿色可再生新能源相比有储量丰富;分布范围广泛;能源清洁的特性。

太阳能光伏发电在可再生能源和新能源中占有很大的比例, 被全社会公认为当前世界最有发展潜力的新能源技术。太阳能光伏发电有如下优点:

(1) 光伏发电设备操作维护简单, 运行稳定可靠;

(2) 光伏发电污染小, 不排放有害气体, 不发出噪音;

(3) 太阳能资源丰富且便于获得;

(4) 太阳能电池组件结构简单, 体积小重量轻, 便于运输和安装。

2) 最大功率点跟踪控制的意义

为了使光伏电池板能够随着温度、光照强度变化始终运行于最大功率点处, 光伏发电系统常采用最大功率点跟踪 (Maximum Power PointtTracking, MPPT) 技术。它是提高光伏发电效率的重要措施。常用MPPT算法有电导增量法、恒定电压法和扰动观察法。由于算法自身特点, 上述算法均有其局限性和优越性。

本文对MPPT常见算法及其研究现状进行了归纳总结。特别是对扰动观察法的步长变化、扰动方向出错的局限性以及针对这些问题的现有改进方法进行了归纳分析。

1 光伏发电MPPT算法

1.1 MPPT原理

根据光伏电池的输出特性, 光伏电池在不同温度和光照强度下的输出功率-电压曲线P-U曲线分别如图1和图2所示。

由图1和图2可知, 在给定的光照强度和温度下, 输出的功率值存在一个最大值并且对应一个电压, 此点即最大功率点 (Maximum PowerrPoint, MPP) , 对应电压为最优电压。这个最大功率点会随着温度和光照的变化而变化。

因此, 光伏发电最大功率点跟踪的原理为, 跟随不同的光照和温度条件, 控制光伏电池的电压, 使其始终运行于最优电压下, 即可获得最大功率输出。

1.2 MPPT算法

1.2.1 电导增量法

电导增量法[1,2]是从光伏系统输出功率随输出电压变化率而变化的角度来实现最大功率跟踪。通过光伏阵列的d P/d U-U曲线可以得到式 (1) 所示的判据:

通过判断d P/d U的符号就可以判断光伏阵列是否工作在最大功率点。在最大功率点处有d P/d U=0, 此时保持电压不变;在最大功率点左侧d P/d U>0, 此时应增大输出电压;在最大功率点右侧d P/d U<0, 此时应减小输出电压。由于不便求得d P/d U的值, 所以直接判断存在困难。因此, 电导增量法在实际应用时采用如下判据:

光伏系统工作在最大功率点情况时, 系统输出功率为:

将式 (2) 两边对光伏阵列输出电压U求导, 故:

当d P/d U=0时, 光伏阵列的输出功率值最大, 可以推导出系统处于最大功率点时具有式 (4) 所示的关系:

在实际应用中, 可以通过判断 (d I/d U+I/U) 的符号来判定光伏系统是否处于最大功率点。当其为零时, 表明此时系统处于最大功率点处;当符号为正时, 表明系统此时处于最大功率点的左侧;当符号为负时, 表明系统此时处于最大功率点的右侧, 具体算法流程图如图3所示。图中C为扰动步长的调整系数。

1.2.2 恒定电压法

当温度不发生剧变, 辐照强度大于某一定值时, 从光伏阵列输出曲线上看, 最大功率点处的电压基本位于某一竖直直线两侧, 此处电压值约为 (0.7~0.9) Uoc, 其中Uoc为光伏电池板开路电压。恒定电压法[3,4]就是把最大功率点处电压默认在开路电压70%~90%, 从而计算出功率。即光伏阵列的最大功率点电压Umpp与光伏阵列的开路电压Uoc之间存在近似的线性关系, 如式 (5) 所示。

其中, K的值取决于光伏阵列的特性, 一般K的取值大约在0.7~0.9。

恒定电压法作为一种开环的MPPT控制, 算法简单, 硬件实施方便, 工程应用广泛。目前主要使用在对精度要求不高, 气温变化不剧烈的场所。在实际应用中, 恒定电压法一般作为前期粗略寻找的手段, 以求最快速度到达最大功率点附近。再结合其他复杂算法进一步精确。

1.2.3 扰动观察法

扰动观察法 (Perturbation and Observation, P&O) 也称为爬山法 (HilllClimbing, HC) , 其工作原理与电导增量法思路相近, 即测量当前阵列输出功率, 然后在原输出电压基础上增加一个小电压分量扰动后, 其输出功率会发生改变, 测量变化后的功率, 与变化前的功率进行比较, 即可获知功率变化的方向。如果功率增大就继续按原方向扰动电压, 如果功率减小则改变原扰动方向。通过反复扰动和观测最终使系统输出功率趋于最大[5,6], 其流程如图4所示。

2 扰动观察法存在问题及研究现状

2.1 扰动观察法存在问题

扰动观察法虽然实施简单, 参数测量较少, 传感器的精度要求不是特别高。但是同样存在问题[7,8,9]。

(1) 在即将到达最大功率点时, 该算法会产生功率振荡。其原因在于, 在最大功率点附近时, 扰动步长极有可能大于实际所需增加电压值, 从而越过了最大功率点到达右侧, 系统检测到功率值减少, 判断出扰动方向相反, 减小扰动电压回到之前左边的工作点, 重复上述过程, 系统始终无法恰好到达最大功率点, 最终工作点总是在实际最大功率点附近振荡, 产生了能量的损耗。

(2) 采用固定的搜索步长时存在的矛盾。搜索步长过长使得最大功率点附近的振荡幅度较大, 降低了跟踪精度, 而步长过短又会影响算法的搜索速度。

(3) 在特定的情况下会出现搜索方向误判的情况。当日照强度变化比较大时, 易发生最大功率点误判。

2.2 现有改进方法

2.2.1 变步长的扰动观察法

针对上述问题 (1) 和问题 (2) , 现有改进方法主要通过变步长设计来进行改善, 例如, 根据运行点距离最大功率点的远近不同, 可以设计不同的搜索步长, 在此方面, 典型的方法之一是设置门槛电压。以最大功率点为中心设置一个常数区间, 在此区间内, 采用小步长追踪, 而在此区间外可进行大步长追踪[10];另一种典型变步长算法是以△U=r× (d P/d U) 的形式获得动态变步长的搜索算法, 其中r为步长调整系数, d P/d U在恒定温度和光照强度时能够反映运行点与最大功率点的远近, 当接近最大功率点时, d P/d U趋近于0变步长的设计既提高了搜索的效率, 又减少了最大功率点处功率振荡的幅度[11]。

2.2.2 搜索方向的改进设计

针对扰动观察法存在的问题 (3) , 一般通过搜索方向的调整来避免。现有改进方法中对于搜索方向的调整具有较大差异。文献[12]提出当外界因素变化较大时, 太阳能电池的输出功率P也跟着有较大变化;当外界因素变化很小时, 太阳能电池的输出功率P也跟着只有很小的变化。利用这一输出特性, 改进方法是:先测得太阳能电池阵列的输出功率P (i) , 确定一个功率值范围△Pm, 对其工作点进行扰动, 测得扰动后太阳能电池阵列的输出功率P (i+1) , 计算△P=P (i+1) -P (i) 数值大小, 当△P>0时, 若△P>+△Pm, 继续原来扰动方向, 增加步长;若△P<+△Pm, 继续原来扰动方向, 减小步长;当△P<0时, 若△P>-△Pm, 往相反方向扰动, 减小步长;若△P<-△Pm, 往相反方向扰动, 增加步长。文献[13]提出光伏电池产生的电流和光照强度有一定的线性关系, 光照强度增加时, 输出电流增大;光照强度减小时, 输出电流减小。所以可以认为当光照强度变化时, 光伏电池输出电流和电压呈正向关系, 即d I/d U>0, 反之则d I/d U<0。而当d U=0时, d I≠0, 说明光照强度发生了变化。因此, 当光照强度发生变化时, 以微小步长△Umin进行扰动。待环境条件稳定后, 再以正常步长扰动跟踪, 从而有效提高光伏电池的效率。

3 结论

在科技快速发展的今天, 能源问题是人类现今乃至今后都要面临的重大问题。所以新能源开发是一直是科学界关注的主题, 而太阳能作为新能源的一个代表性个体也成为了人们关注的对象。从前人的资料中可知, 光电转换率的较低现状一直阻碍着光电事业的发展, 而要改善这个问题就要对光伏发电最大功率点进行追踪。本文总结了光伏发电最大功率点追踪技术的研究背景, 传统MPPT算法的基本原理。此外, 针对扰动观察法存在的问题, 对前人的研究成果进行了归纳总结, 以期为同行提供参考。

参考文献

[1]陈玉鸣, 张寅孩.光伏并网发电系统最大功率点跟踪方法研究[D].浙江理工大学, 2013.

[2]梁慧慧, 王明渝.独立光伏发电系统最大功率点跟踪的研究[D].重庆大学, 2014.

[3]陈晓君, 南余荣.基于Boost电路的MPPT光伏发电系统研究[D].浙江工业大学, 2014.

[4]王厦楠, 周洁敏.独立光伏发电系统及其MPPT的研究[D].南京航天航空大学, 2008.

[5]葛志春, 施云波.基于改进扰动观察法和太阳跟踪技术的智能光伏系统设计[D].哈尔滨理工大学, 2014.