农业大棚光伏发电预测的研究

高华兴 李建军 张 乐 杨宇昕 任永强

(1.塔里木大学现代农业工程重点实验室，新疆 阿拉尔 843300；2.塔里木大学机械电气化工程学院，新疆 阿拉尔 843300)

1 光伏功率的影响因素

1.1 辐照强度

无论是利用半导体p-n结的光电效应太阳能电池，还是光电直接转换的太阳能电池，都是需要光照辐射强度，前者依靠光照在p-n结上形成空穴-电子对，形成电场，产生电流；后者直接将光照打到光电二极管上，产生电势差，形成电流。辐照强度对电流影响较大，辐照强度跟电流大小成正比，对电压几乎没有影响，所以辐照强度跟光伏功率成正比[1]。

太阳辐照强度受很多因素的影响，比如天气状况，空气质量，光伏设备上的灰尘，还有光伏电池板摆放的角度等因素。这些因素通过影响光照强度大小，进而影响光伏发电功率的大小，在预测光伏功率的时候要考虑到这些因素。光伏上辐照强度受光伏电池板摆放角度的影响，斜面辐照强度公式IA如式(1)所示。

Iθ=IDθ+Iσθ+IRA

(1)

IDθ是倾斜面上太阳直射辐照强度，Iσθ是斜面上太阳散射辐照强度，IRA是倾斜面上所获得的地面反射辐照强度[2]。光伏电池板摆放的角度会影响辐照强度，进而影响发电功率。

1.2 温度

太阳能电池目前主要是硅系太阳能电池，有单晶硅太阳能电池、多晶硅太阳能电池、非晶硅太阳能电池。温度主要影响太阳能电池的电压、电流、峰值功率等参数。光伏电池板的电压随温度的升高而降低，电流是随温度升高而升高，太阳能的功率随着温度升高而降低。温度对开路电压的具体影响，在20～45℃时候，升高1℃单片光伏的电压降2mV[3]；而对单片光伏电流的影响是每上升1℃电流增加0.03mA，计算可得，每升高1℃则功率减少0．35%。为使光伏发电效率得到提高，要是光伏温度在20℃左右，保证光伏的高效运行[4]。

1.3 阴影

在大棚环境中，很有必要考虑阴影的影响，若光伏上有阴影则会引起光伏发电效率的大大降低。光伏电池板如果有一个电池单元被遮挡，发电效率只有之前的25%[5]，由于电池片之间都是串联的，每路直流组件的若干组件也是串联的，所以遮挡一块组件，甚至遮挡一块组件的其中一块电池片，都会对整组组串的功率输出造成很大的影响。在预测中要考虑可能产生的阴影，像电线杆、鸟粪、落叶都会造成光伏发电效率的降低[6]。

1.4 灰尘

光伏电池板的效率受到沉积在表面灰尘的影响，光伏电池板上的灰尘对辐照强度和温度有直接影响，进而影响光伏发电效率，使电池的效率降低，并能使面板表面受到腐蚀，不同地区的灰尘影响不同。光伏电池板上的灰尘能挡住太阳辐射，降低太阳的透过率，造成面板接收到的太阳辐射减少，输出功率也随之减小，灰尘厚度越大效应就越明显[7]。灰尘所吸收的辐射转换成了热能使光伏发电板升温，灰尘中含有一些腐蚀性的物质，会影响到光伏发电效率。光伏发电的影响因素互相耦合，在预测过程中要考虑到耦合因素的影响。

2 光伏发电预测方法

2.1 直接预测法

直接预测法的建模相对间接预测法建模难度要大一些，在不同时间内和不同运行条件下，对应关系可能发生改变，这种改变可能使预测结果不准或者严重偏离正常值。光伏直接预测就是通过历史的光照强度，天气温度来预测今后的光伏发电量，神经网络就是直接预测，通过对历史天气状况的训练来预测今后光伏发电量。

2.1.1 统计预测法

数据统计预测法首先要进行大量光伏发电历史数据的统计，找出各时段光伏发电的规律，根据规律做出相应光伏发电预测，目前常见的数据统计预测模型有：灰色理论预测模型、多元线性回归预测模型、时间序列预测模型等。灰色理论预测模型不需要完整的信息，具体的影响因素不需要明确，因素之间的互相的影响不需要明确，系统的作用原理不需要完全明白，灰色理论预测模型提供了一种不需要太多信息的预测方法。多元回归预测模型，是把影响光伏发电量的多个因素及之间的相互作用同时考虑，来预测未来发电量，上文中第一章提到的所有影响因素都可以被多元回归方程所用，作为回归方程的输入，短期预测效果较好。时间序列预测模型通过历史数据对未来做出判断的数学模型，在光伏发电预测中将一段时间的发电量作为一个随机变量，最后通过数据处理拟合曲线，建立预测模型。

2.1.2 人工智能预测法

人工智能算法快速发展，在光伏发电预测中的应用成为主流，人工智能算法主要包括人工神经网络、深度信念神经网络、径向基神经网络、生成对抗网络、逻辑学习机、多分类决策森林等方法。人工智能预测方法，模仿神经元的工作原理，将大量神经元联结进行运算，通过不断地学习，训练，找到无限逼近基于历史数据的函数，在光伏发电领域中，使用神经网络可以得到很好的预测结果。人工神经网络有前馈神经网络和反馈神经网络，前馈神经网络是将数据一层一层传递，没有反馈，反馈神经网路与前馈神经网络最大的不同就是反馈神经网络各个神经元之间互相联系，都可以作为输入输出。

文献介绍了一种基于大数据的预测方法，通过理清各种不同因素的重要程度，建立多层神经网络来预测未来光伏发电量。文献介绍了支持向量机，是一种自学习的模型，原则是使结构风险最小化，具有很好的适应性。文献介绍了光伏数据中有高频和低频信号，利用小波分解技术把高低频信号分开计算，使预测值更精确。

2.2 间接预测法

间接预测方法相对于直接预测法，预测方法较为复杂，是指不需要大量的光伏历史数据，根据天气预报数据进行预测的方法，在预测精确度方面，间接预测要好于直接预测，并减少了大量光伏数据的统计。间接预测可以根据当地实时天气预报信息，卫星云图、历史数据进行预测下个时间段的光伏量，达到预测的目的。文献介绍了基于数值天气预报预测的方法，能有效地根据季节进行预测。文献介绍了在数据不准确、不全面时，提出了将数据分为阴晴2类，然后找到相似的数据，进行分析预测。

2.3 组合预测法

组合预测法是把多种预测方法结合在一起，文献介绍了基于自适应Kmeans和 LSTM的光伏预测，根据短期发电的特点，选取相适应的预测方法，然后再在LSTM上进行光伏发电预测，文献介绍了基于特征挖掘的 indRNN的光伏预测，首先根据环境特征与光伏发电量的关系，找出相应的特征，再进行神经网络的预测。各种预测方法的组合，取长补短，预测精度大幅提升，但是计算的复杂度也将会提升。在这里规定超短期预测时长4h以内，短期预测时长在72h之内，中期时长为1月～1年。以上各种预测方法的总结如表1所示。

3 未来研究展望

随着对环境的重视，将会加快寻找绿色能源的脚步，太阳能具有绿色、环保的特点，无疑将会受到越来越重视。在大棚中应用光伏，符合生态农业观念，是一种发展趋势。光伏只能白天发电，如何使白天所产生的电能持续、高效地转化为大棚用电，就要进行光伏的预测。在预测过程中，常常面临预测难度与精度不能统一的矛盾，根据大棚的环境选择出最优的预测方法，就会是未来研究的重点。

表1 光伏发电预测方法分析

(1)近年来，大数据、人工智能、机器学习的蓬勃发展，光伏预测技术的预测精度一步步提高，但是预测过程中运算复杂度和运算量大幅提升。大棚环境中，未来随着计算机运算速度的提升，大棚中运用人工智能预测的方法将会越来越普及。未来根据大棚实际情况建立不同复杂度预测模型将会是一个重要研究方向。

(2)组合式预测的优越性逐渐凸显，能进行灵活地组合，达到灵活预测的结果。组合式预测能根据光伏预测环境进行组合，在大棚环境中，将会根据不同地区的不同情况进行预测，组合预测在大棚环境中满足了预测精度的需要，但也存在运算量的问题。未来预测模型的优化和简化将成为一个研究重点。

(3)超短期预测在大棚光伏预测中会普及，这是由大棚特点和大棚用电策略所决定的，如何减少储蓄电池的充放电次数，在阴天雾霾天等光照不足的情况下，快速预测将会减少非必须用电，超短期预测将会使大棚用电快速反应，未来在大棚中超短期预测将会重点研究。