光伏发电系统预测研究进展

上海电器设备检测所 ■ 汪登 孙耀杰

0 引言

太阳能作为一种取之不尽、用之不竭的清洁环保能源得到前所未有的发展，其中，光伏发电具有资源丰富、无污染、分布广泛、容易获取等优势，是当前可再生能源发电领域的一个热点。但即使在分布式光伏发电规模化发展的今天，仍存在着电能规划、能量管理、经济条件等方面的问题。由于太阳能是间歇式能源，光伏功率与四季、昼夜及阴晴等气象环境条件有关，导致光伏发电具有很大的随机性和波动性。若能准确并及时地预测光伏发电系统，将有助于对分布式光伏发电系统产生的电能进行合理调度。国内外学者对光伏发电系统预测做了大量研究：Kyairul等[1]使用高质量地面测量数据预测光伏输出功率； Liu等[2]参考气溶胶指数数据改进了光伏电力预测模型；李鹏梅等[3]通过将天气分类，选取相似日，再结合改进后的BP神经网络，建立了一种新的预测模型；史佳琪等[4]根据光伏发电系统的机理特征，分析深度学习算法处理光伏预测问题的可行性，提出了基于深度学习算法的光伏功率预测模型。本文就光伏系统外部环境预测、系统内部性能预测及光伏发电系统在国内外的研究进展和研究趋势进行综述。

1 光伏系统外部环境预测

1.1 辐射预测

各种太阳能应用和环境影响分析都需要对太阳辐照度进行准确预测，准确的太阳辐照度预测可推测出光伏系统的发电量，并为发电厂的运营规划提供参考。Cao 等[5]结合神经网络的突出动态特性与小波神经网络在映射非线性函数中的增强能力，建立了对角反复小波神经网络，以进行精细预测小时和日常的全球太阳辐射。Burianek 等[6]提出了基于极限学习机的太阳辐照度预报模型，数据集为历史辐照度数据，通过计算其相对于真实的太阳辐照度的相互信息来确认天气条件的选择，最后通过监督学习算法根据历史数据重建理想的不受影响的辐照度。Mellit等[7]提出了一种使用人工神经网络进行太阳辐照度预报的实用方法，将多层感知器MLP模型用于平均每日太阳辐照度和空气温度的当前值，来预测近24 h的太阳辐照度。成驰等[8]设计的太阳辐射预测模型结合了历史逐时辐射数据和气象要素数据，并在训练和预测时加入了温度日较差和天气类型预报参数，预测模型在天气类型稳定的情况下具有较高的精度，但在天气类型剧烈变化的情况下预测精度较差。

1.2 环境温度预测

环境温度是光伏预测过程中的重要影响因素之一。

张成等[9]利用RBF(径向基函数)神经网络建立了临近空间温度场预测模型，首先采用遗传算法寻优RBF神经网络的隐层节点中心值，并采用带遗忘因子的RLS算法来训练RBF网络，最后通过RBF神经网络预测临近空间的大气气温。冉茂宇等[10]提出用反应系数法计算空间界面的吸热系数，利用室外气候参数实现界面温度的预测，这种用表面温差方法建立的户外空间界面温度的预测模型，为分析边界面材料和颜色及建筑物布局对界面温度的影响提供了方便。王玮等[11]将RBF神经网络应用于一维气温序列的预测中，并为神经网络中的时间向量建立了时间序列预测模型，仿真结果表明，采用RBF神经网络进行气温预测可达到比较高的精度。薛宇峰等[12]使用卡尔曼滤波对样本数据进行去噪处理并筛选，得到人工神经网络的输入值，选择经滤波处理的当前温度序列为期望输出，建立了短期气候预测模型，结果表明，该模型对当地的平均气温的预测准确率在平均绝对误差小于1.5 ℃的条件下高达91.7%。

1.3 云预测

结合云的相关物理表征与预测的太阳能输出的空间分布，可预测电厂的功率输出。Lipperheide等[13]提出了一种基于云速度的嵌入式预测方法，使用云运动矢量的测量来平均整个工厂的功率输出的当前分布。对于太阳能微电网，以及通常具有高太阳能渗透率的区域，该方法可以促进符合斜坡限制或负载跟随需求管理。赵书强等[14]在对天空中云量进行了模糊划分的基础上，使用马尔科夫状态转移矩阵模拟天气云量状况，建立了光伏发电超短期功率预测的物理模型，考虑到光伏发电中云量的不确定性，将单点预测扩充为多点预测，该方法能较好的预测出拐点值。陈志宝等[15]提供了一种面向光伏功率预测的云簇运动估计方法，这种方法跟踪和研究了时间序列图像中的每个簇，以确定未来云集群的移动速度和方向，从而估算未来的云簇运动，并且可在0～4 h的超短时间内为光伏电站提供用于分级功率预测的重要数据源。胥芳等[16]以天空中的云簇为研究对象，以质量中心、位置、形状和光学厚度为特征，进行预测和灰度分割，并通过算法表示云团特征实现了未来2年云簇的预测，同时该特征模型可为分布式光伏系统的超短期功率预测模型提供参数支持。

2 光伏系统性能预测

2.1 组件温度预测

Sun 等[17]提出了一种基于反向传播(BP)神经网络的PV模块的短期逐步温度预测模型，该模型基于BP神经网络逐步建模方法，在每种天气类型下建立模块温度与逐步预测的影响因素之间的映射模型。İlhan Ceylan等[18]根据环境空气温度和太阳辐射预测光伏组件的温度，结合人工神经网络，将受控光伏组件的空气温度和测量的太阳辐射作为ANN的输入变量，将测量的模块背面温度用作ANN中的输出变量，并使用了十字交叉验证的方法来解决拟合问题。Xu 等[19]为解决模块温度与环境温度完全不同导致的基于环境温度模拟的偏差问题，提出并验证了基于高斯过程光伏组件温度预测方法，分析了光伏组件温度与环境温度之间的关系及输出功率，为给出了基于高斯过程的光伏组件温度的重构模型。Xu等[20]指出，应在光伏组件仿真模型中区分环境温度和组件的实际工作温度，通过分析输出功率与光伏组件温度和环境温度的关系，提出用BP神经网络方法来预测光伏组件温度的方法，该方法是预测光伏阵列中组件温度较为有效的一种。

2.2 功率预测

Bacher 等[21]通过晴空模型获得太阳能的统计标准化，使用自适应线性时间序列模型计算，实现了在线短期太阳能发电预测。结果表明，对于前2 h内的短期和较长时间范围的预测，最重要的输入是太阳观测值与天气预报数值。与自回归模型相比，具有外因输入的自回归模型的均方根误差降低35%。丁明等[22]提出了基于灰色系统校正的小波神经网络预测模型，以小波神经网络进行逐时预测，使用灰色系统模型对结果进行修正。用该模型分析合肥市某光伏电站的数据发现，总体上标准误差由原来的68.6%下降到21.8%，平均绝对误差由原来的66.28%下降到51.21%。Shi等[23]提出了基于天气分类和支持向量机预测光伏系统功率输出的算法，将历史模型数据样本分为4组，分别为：晴天、雾天、下雨天、阴天，然后创建包含训练数据和测试数据的数据样本，再建立向量机模型对应4种天气条件，最后得出光伏电站1天的光伏功率输出预测模型。Zhang 等[24]提出利用PLSR(偏最小二乘回归)预测光伏电站输出功率，基于PLSR考虑了MapReduce的并行优势，侧重于并发事件的独立性，可以满足电力大数据属性维度的覆盖要求，对其属性进行约简，有利于电力调度部门做出合理的调度安排，以减少光伏发电波动带来的不利影响。

2.3 发电量预测

光伏发电系统对电力供应的贡献不断增加，有效利用具有波动性的太阳能发电将可使电力生产从预测的信息中获益，这种预测信息对于电网和太阳能交易的管理是非常必要的。

Elke等[25]提出了一种区域光伏发电量可提前3天预测的预测方法，特定地点的小时预测采用低分辨率ECWMF预测，全局水平辐照度的预测必须将倾斜辐照度模型转换为模块平面，最后通过将PV模拟模型应用于预测的辐照度来获得功率输出预测。海涛等[26]提出一种基于太阳辐照度和大气温度等因素结合RBF神经网络的预测方法，以串口服务器为数据采集网关，以面向对象的方法描述设备，以多线程的方式处理数据，以模块化的思想布局，采用自定义数据队列，以嵌入的RBF神经网络模型预测发电量。董雷等[27]提出一种条件概率预测方法，并建立了用于预测光伏发电的DBN模型。通过比较当前时刻各影响因素水平，对未来短期光伏发电量的概率分布进行预测。概率预测方法给出了短期内光伏发电量的数值范围及其概率，获取到比较全面的预测信息。Li 等[28]将光伏电站与电网连接，提出了基于双人工神经网络的光伏电力预测模型，第一组人工神经网络用来预测各种情况下的时间序列，第二组人工神经网络用于预测光伏电站所处的环境条件(风速、风向、温度、湿度、大气压力)的功率值。

3 研究展望

本文通过调研国内外光伏发电预测的研究文献，对光伏发电系统预测进行了分类和总结。光伏功率预测研究现集中在超短期和短期预测上，预测过程中，晴空指数、地面测量数据、云层数据、风速、温度、灰尘等因素都会对结果产生影响，提高预测精度是当前研究热点；光伏发电量预测研究则多借助神经网络且受许多外界因素影响；光伏出力预测主要与发电稳定性有关。依据文献资料可以看出，从光伏发电预测系统的整体角度进行设计和规划的案例并不多，还需要深入研究。