大型光伏电站发电功率预测及其作用和对电网的影响分析

2022-09-12

1 光伏发电系统原理

光伏发电原理主要是将太阳所照射的能量进行收集和存储, 并根据具体需求来将其转化为实际需要的电能。目前所使用的光伏元件其实也就是充分利用了光伏效应把太阳能有效转化成了人们所需要的电能, 基本的转化原理如下图所示。在具体的应用过程当中, 如果需要比较大功率的光伏发电系统, 可以将多个太阳能电池组装一起, 采用并联或者是串联的方式来组成一个光伏阵列。

太阳能电池是由无数个半导P-N结所组成的, 这种半导结具有很好的光伏效应, 其可以将本身所接收到的太阳能很好地转化成电能, 然后再利用电池供给给人们日常生活所使用。该种半导结中的P型半导体所含有的自由电子数量相对比较少, 但是却存在着大量的空穴。而N型半导体当中却含有大量的自由电子数量, 但是却存在较少的空穴正好与P型半导体相反。将这两种半导体进行有效的结合便形成了P-N结, 结成之后携带负电子的N区便会和携带大量正电空穴的P区进行不断地扩散, 与此同时便产生了大量电荷的流动, 也就会在P-N结的附近区域产生势垒电场和空间电荷区。势垒电场的形成会对阻止载流子的扩散造成一定的阻碍作用, 从而使得其向着反方向运动, 当达到一个相对平衡状态的时候, 整个系统便会达到一个稳定的状态。

当半导体受到太阳光照射的时候, 阳光便会激发部分电子产生流动现象, 从而产生一定的电子--空穴对, 在空间电荷区势垒电场的作用之下便会促使电子向着N区移动, 而空穴则被推到了P区。便造成了N区主要是写到负电子的电子, 而P去主要是携带正电子的空穴, P-N结两端所生成的电压便称作光伏效应, 将其接入到系统当中便可以产生一定的电流。

2 大型光伏电站发电功率预测研究

2.1 光伏发电功率预测方法

2.1.1 按时间尺度不同

按照时间尺度的不同可以分为短期功率预测、中长期功率预测以及超短期功率预测三种, 其中超短期功率预测的时间尺度通常情况下都在4小时以下, 当然可以根据具体的需求来进行一定的调整;短期功率预测时间尺度一般在6小时到1天, 而中长期功率预测时间尺度通常情况相爱在1个月到1年。通过数据取点采集便可以形成一定的曲线, 这样便可以更加方便对具体的运行状况进行更加准确的检查和预测, 如下图所示。

超短期光伏预测可以对功率的瞬间变化信息进行有效的预测, 短期预测可以对负荷跟踪实施预测、电网调度计划制定以及电力市场交易等各个领域, 而中长期光伏功率预测主要应用与新建光伏电站规划和光资源评估等各大领域。我国目前对于超短期功率预测主要是对一些云图进行一定的处理, 并结合天气预报相关数值或者是地面的观测站数据以及地面的辐照强度来对太阳能辐照强度和功率转换模型实施一定的光伏功率预测。而短期功率预测则是利用一些比较精细化的数值天气预报数据来对未来6小时到一天的气象状况进行相对比较准确的预报, 从而获取光伏电站输出功率的预测值。中长期光伏功率预测主要是对部分地区未来较长时间内的光伏功率进行一定的预测。

2.1.2 按照预测方式的不同

按预测方式来划分的话, 主要分为直接预测和间接预测两种。直接预测主要是利用光伏发电系统的一些历史数据和天气预报数据来对光伏发电的输出功率来进行一定的预测;而间接预测则是利用地表的辐射强度和光伏发电模型来对光伏发电的输出功率进行一定的计算和预测。

在具体的预测过程当中, 应该对具体环境的温度、湿度、光照强度、风速、大气压强、光伏阵列的安装角度、转换效率以及太阳的入射角度等一些随机因素进行充分的考虑。另外, 还应该光伏发电历史数据引起足够的重视, 只有将现有的先进技术和历史的经验总结进行充分的结合, 才能对光伏发电功率进行更加准确的预测。

2.1.3 按预测模型原理不同

按照预测模型原理可以分为统计方法和物理方法两种, 统计方法在运用的过程中, 并不考虑太阳辐照强度的影响, 主要是对光伏发电的相关历史数据进行有效的统计与分析, 并从中找出一定的规律, 从而建立起一定的映射关系以方便与对光伏发电功率的预测;而物理方法则和统计方法大不相同, 其主要是从天气预报当中获取太阳辐照强度、风速、气温以及温度等各个方面的数据, 并进一步充分结合光伏发电系统所在的地理位置, 采用一定的物理方程来对光伏发电的输出功率进行准确的计算。

两种方法各有利弊, 其中物理方法的优势主要是其不需要对光伏发电系统的一些历史数据进行分析就可以对其进行预测, 但是其也具有一定的缺陷, 便是这种方法需要非常详细的光伏发电站坐标、地形图、周边的物理信息以及光伏发电功率曲线等各项数据。而统计方法的优势是通常情况下都采用人工智能的方法来进行预测, 不需要获取详细的发电站布置资料, 但是缺点却是需要获得详细的光伏发电历史数据, 最少应该获取4个月以上的历史数据。

2.2 光伏发电功率预测常用统计方法

2.2.1 多元线性回归算法

这种算法需要大量的统计数据才能更好地找出数量之间的变化规律, 与此同时利用相应的多元线性回归方程来对光伏发电的输出功率来进行更加准确的预测。这种算法在具体的应用过程中只需要考虑温度和辐射量的影响, 而且温度模型也相对比较简单。由于这种模型在预测的时候没有不会对光伏组件的温度以及湿度进行考虑, 对一些随机影响因素也没有进行充分的考虑, 所以采用这种方法对光伏发电功率进行预测的时候, 结果很容易出现一定的误差, 但是其有着自身一定的优势, 那就是这种算法具有非常好的识别性和节省行能。

2.2.2 人工神经网络算法

这种算法主要是对脑的结构以及相应的功能进行有效的模仿, 所以具有非常好的自组织、自学习以及自适应能力。但是在应用这种算法的过程当中, 需要考虑的因素相对比较多, 可以输入和输出样本只需要一组样本, 所以在建模的时候程序就相对比较简单。

据相关的研究表明, 这种算法主要适用于那些随机非线性的问题, 采用这种算法对光伏发电系统的输出功率进行预测所产生的误差会相对比较小, 同时这种算法的网络模型可以随时对其样本数据进行更换, 也可以向其中注入一定的测试数据, 从而有效提高预测的准确度。但是也有着一定的缺陷, 就是容易受到一些局部问题的困扰, 而且泛化能力比较弱。

2.2.3 灰色理论算法

光伏发电系统属于一种非常典型的灰色系统, 即部分信息非常明确, 但是部分信息却未知。采用灰色理论算法对光伏发电系统的输出功率进行预测, 只需要考虑对输出功率相关数据的拟合, 从而有效降低在预测过程中所出现的误差。

将这三种预测方法进行综合的对比分析, 总的来说, 多元线性回归算法和灰色理论算法在预测的过程当中, 虽然方法相对比较简单, 但是预测的结果却误差相对比较大, 尤其是特别容易受到天气变化情况的影响, 甚至还会造成预测模型的失效。而神经网络模型在预测的时候, 虽然模型比较复杂, 但是预测结果却比较准确, 所以更加广泛地应用到光伏发电的预测工作当中。

3 光功率预测的作用及其对电网的影响

3.1 提高电网稳定性

随着电网的不断发展, 各种各样的光伏逆变器、新能源机组以及动态无功补偿装置相继接入到了电网当中, 这些设备都会给整个电网系统造成一定的影响, 光伏发电的调节性差且波动性比较大, 所以大大增加了电网运行过程的稳定性。这就需要对光伏发电进行有效的预测, 在具体预测的过程中, 预测数值越准确, 整个电网的输出功率也就更加稳定, 进而对整个电网所造成的不良影响也就越小。

3.2 增加光伏消纳能力, 利好新能源市场化交易

对光伏发电功率的准确预测有效提升了短期和中期发电的计划, 尤其是对于日发电的计划更是尤为重要。在消纳允许的情况下, 有效减少了光伏限电, 但是却大大提高了光伏消纳能力。而且也对新能源电量市场化交易的指导性实现了有效的提高, 进一步提升了投资光伏电站的回报率。

总而言之, 只有不断加强对光伏发电功率的研究与分析, 才能更加准确地预测出未来一段时间内光伏发电的数值, 对整个电网的运行和光伏发电的稳定运行具有非常重要的意义。

摘要：光伏发电在使用过程当中存在严重的不稳定性, 这便加大了传统发电以及运行计划的控制难度, 尤其是对于一些规模相对比较大的光伏发电站或者是一些光伏产业园区在某些发电功率占比比较大的情况下, 对于断面交换功率的控制难度就会更大, 同时光照的周期性变化和短期的波动也会出现一定的增加。除此之外, 光伏发电和普通的发电机组存在较大的区别, 其可以通过电力电子变流器进行并网处理, 而且也没有阻尼特性和转动惯量, 这便给电网的安全性和稳定性提出了更大的挑战。如果加强对光伏发电功率预测的分析与研究, 便可以更加准确地预知光伏系统在固定时间段内的发电功率, 进一步对电网的安全性、稳定性以及经济型进行更好地控制。

关键词：大型,光伏电站,发电功率,预测,电网影响