光伏发电功率预测方法研究综述

光伏发电功率预测方法研究综述

摘要：太阳能光伏发电作为一种重要的分布式电源正逐渐从独立系统向大规模并网方向

逐渐被人们所利用。发展光伏电站输出功率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。通过对光伏发电功率预测影响因素进行探讨, 分析了太阳辐照、温度、云量等各种气象因素对光伏电站输出功率的影响, 并分析比较数学统计方法和人工智能方法的优缺点。

关键词：光伏发电、隔离、功率预测、神经网络

1. 光伏能源特点及其应用前景

1.1. 开展光伏发电的能源预测的目的与意义

随着社会经济的快速发展，能源消耗剧增，化石能源日趋枯竭，加之与日俱增的化石燃料燃烧所造成的环境污染，给地球的生态平衡和人类的生活带来了严重的威胁，所以建设大型的光伏电站来满足人类对能源的需求是当前的发展趋势。太阳能作为一种新型的绿色可再生能源，与其他新能源相比是最理想的可再生能源。特别是近几十年来，随着科学技术的不断进步，太阳能及其相关产业成为世界发展最快的行业之一。因为它具有以下的特点：

（1）储量丰富。太阳能是取之不尽的可再生能源，可利用量巨大。太阳每秒钟辐射的能量大约是1.6×1023kW ，其中到达地球的能量高达8×1013 kW 相当于燃烧6×109吨标准煤。按此计算，一年内到达地球表面的太阳能总量折合成标准煤约1.892×106亿吨，是目前世界主要能源探明储量的一万倍。相对于常规能源的有限性，太阳能储量是无限的，取之不尽，用之不竭。这就决定了开发利用太阳能将是人类解决常规能源匮乏枯竭的最有效途径。

（2）清洁性和经济性。太阳能像风能、潮汐能等洁净能源一样，其开发利用几乎无任何物质的排放，既不会留下污染物，也不会向大气中排放废气，加之储量的无限性，是人类理想的替代能源。

（3）分布范围广泛。纬度的不同和气候条件的差异造成了太阳能辐射的不均匀，但相对于其他能源来说，太阳能对于绝大多数地区具有存在的普遍性，可就地取用。这就为常规能源缺乏的国家和地区解决能源问题提供了美好前景。

太阳能的开发利用主要有光热利用、光伏利用、光化学利用等三种形式。光热利用

是将太阳能转换为热能储存起来，其中太阳能热水器是光热利用最成功的领域。除此之外还有太阳房、太阳灶、太阳能温室、太阳能干燥系统、太阳能土壤消毒杀茵技术等。这些技术尤其在我国的北方和西部应用较广并且成效显著。以光伏电池技术为核心的光伏利用成为太阳能开发利用中最重要的应用领域，利用光伏发电，具有明显的优点：

（1）结构简单，体积小且轻。

（2）容易安装运输，建设周期短。

（3）维护简单，使用方便。

（4）清洁、安全、无噪声。

（5）可靠性高，寿命长，并且应用范围广。

但是由于光伏发电受太阳辐射强度电池组件温度天气云层和一些随机的因素的影响，系统运行过程是一个非平衡的随机过程，其发电量和输出电功率随机性强波动大不可控制，在天气突变时表现得尤为突出这种发电方式在接入电网后必会对电网的安全和管理带来一系列的问题。所以能较为准确的提前对光伏系统的出力做出预测变得尤为重要，同时也为电网的调度及安全运行提供了依据目前对太阳能发电具有随机性的预测技术研究并不多，如神经网络模型径向基函数模型多层感知模型等此外，光伏系统还是一个部分信息明确部分未知的典型灰色系统，基于灰色理论的预测模型，在电力规划及负荷预测方面有广泛的应用。

1.2 国内外光伏产业现状

太阳能光伏发电产业是20世纪80年代以来世界上增长最快的高新技术产业之一。目前国际上对太阳能资源已经十分重视。20世纪70年代以来，鉴于常规能源供给的有限性和环保压力，世界上许多国家掀起了开发利用太阳能和可再生能源的热潮。利用太阳能发电的光伏发电技术被用于许多需要电源的场合，上至航天器，下至儿童玩具，光伏电源无处不在。

世界光伏产业发展迅速，最近10年太阳电池组件生产的年平均增长率达到33％，最近5年的年平均增长率达到43％。从总体上来讲，中国的光伏发电产业，与国外发达国家相比还有很大差距，存在的主要问题是：

(1)生产规模小。

(2)技术水平较低。

(3)平衡设备薄弱落后。

(4)专用材料的国产化程度不高。

(5)成本价格高。

光伏发电具有波动性和间歇性，大规模光伏电站并网运行会影响电力系统的安全稳定经济运行。对光伏电站的输出功率进行预测有助于电网调度部门统筹安排常规电源和

光伏发电的协调配合，适时及时地调整调度计划, 合理安排电网运行方式，一方面有效地减轻光伏接入对电网的不利。影响电力系统运行的安全性和稳定性，另一方面降低电力系统的旋转备用容量和运行成本，以充分利用太阳能资源，获得更大的经济效益和社会效益。

1.3太阳能光伏发电前景

目前，国际上光伏发电已进入加速发展阶段，近两年太阳电池组件的年增长率高达30％左右。另外发达国家先后宣布的太阳能屋顶计划强有力地支持了光伏产业的发展，预计今后10年内太阳电池将以平均20％的年增长率增长。估计我国的光伏产业也将以此速度增长。单晶硅、多晶硅及非晶硅太阳电池将在今后20年内各占相当市场，光伏电池会扩大到一定的产量。多晶硅薄膜及染料光敏化电池目前预测其产量还为时过早。以现有的基础来看，单晶硅、多晶硅及非晶硅太阳电池仍是我国目前产业化发展的主要产品。

我国目前尚有约2000万户、6000～7000万的农村人口还没有用上电，很多的有电县、镇严重缺电，因此光伏市场的潜力是巨大的。我国光伏系统成本每年下降约3～5％。在未来几年，我国户用光伏系统的用量将大幅度增长，预计总量将达到20MW 。预计在5年内我国也将有几个10～30MW 年生产能力的太阳电池工厂建立或扩建而成，到2010年后将出现年产10MW 的生产线。通讯及工业的光伏系统将从目前的40～50％的市场份额到2010年下降到20～30％，户用及民用光伏系统将从目前的30％上升到40～50％。在未来几年，我国也将开始发展并网式屋顶光伏系统，但预计其系统功率将远不如发达国家，市场份额将不超过5％，但在2020年后并网系统将会得到防范发展

2. 影响太阳能光伏发电系统发电量的各种因素

太阳能光伏发电系统发电量受当地日射量，温度，太阳能电池板性能以及阴影等多种因素影响。

2.1 辐照强度

太阳能电池板接受到的日射量的大小直接影响发电量、日射量越大, 发电量越大。日射强度与季节时间、地理位置有直接的关系。夏季日射时间较长，发电量较大；冬季日射时间短，发电量低。一天中通常正午太阳高度较大，到达的日射量较大，发电量也会较大。纬度越低的地区，太阳入射角越大，日射强度越大，发电量也会越大。太阳能电池板方位角、倾斜角和设置场所的选取也是一个重要因素。一般情况下太阳能电池板朝向正南时发电量能达到最大，东南、西南朝向时发电量会降低大约10%，东、西朝向时发电量会降低大约20%[1][2]。

辐照强度指在单位时间内, 垂直投射在地球某一单位面积上的太阳辐射能量。从物理意义上来说, 太阳的辐照是导致光伏电池产生伏特效应的直接影响影响因素, 辐照强度的大小直接影响光伏电池出力的大小。倾斜角的选取和当地的纬度有关，在中国，综合地缘差异，最佳倾斜角一般在15°和45°之间。太阳能电池板的设置场所（如墙壁、屋顶等）不一样，所接受到的日射量也不一样，发电量也不一样。天气和周边环境的因素也不可忽略。阴雨天和雪天，日射量少，发电量会受到抑制。太阳能电池板周边建筑物、树木的阴影也会对发电量产生影响。阴影的面积、形状、浓度不同，影响程度也不同[3]。

图 1为某光伏电站实测辐照强度与光伏电站实际有功功率的散点图, 可见辐照强度与光伏电站的出力成正比关系。

图 2为在特定温度下, 不同辐照强度对应的光伏电池伏安特性曲线, 可以明显地看出随着辐照强度的增大, 光伏电池的开路电压、短路电流变大, 伏安特性曲线逐步向外侧偏移, 引起输出功率的增大。因此辐照强度是影响光伏电站输出功率的最主要因素。

太阳辐射到达地球大气外的辐射量用太阳常数GSC [5]，其定义是地球大气层位于日地平均距离处, 垂直于光线的单位面积上所接受到的太阳辐射量。而到达地面光伏电站上的太阳辐照强度主要受到云量和太阳位置的影响。

图1 辐照强度对光伏电站出力的影响

图2 光伏电池在不同光照下的伏安特性曲线(T=25)

( 1) 太阳入射角度

太阳相对地平面位置变化使得地面接收到的太阳能量时刻在变。由于地球的自转和公转，相对地平面来说，太阳的位置时刻在变化。在赤道坐标系中，太阳位置由时角和赤纬角 2个坐标决定。见图3

图3 赤道坐标系中太阳位置图

时角表征了地球自转对太阳角度的影响，以正午12 : 00为零，上午时角为负，下午时角正。赤纬角表征了地球公转对太阳角度的影响。1年中太阳直射点在南北回归线 正负23-45之间移动，太阳直射点的纬度，即太阳中心和地心的连线与赤道平面的夹角称为赤纬角。

太阳相对地平面位置的变化使得地面接收到的太阳能量时刻在变，对于倾斜表面，太

阳入射线和倾斜面法线之间的夹角定义为入射角，由于太阳位置的变化，太阳入射角的

大小也随太阳位置的变化而变化。

总之，太阳入射角由光伏电站所在位置，光伏电池的倾斜角，季节，时间这些因素所决定的。因此，考虑太阳入射角能够准确的表述这些因素对太阳辐照强度的影响。

(2) 云量

云量为表征天空遮蔽程度的气象因子, 这里用P 表示。P 值越大, 表示空气的透明度越低, 太阳辐射被削弱的越多。在晴朗无云的天气、云量很小，大气透明度高，到达地面的太阳辐射就多，光伏电站输出功率大；天空中云雾或者风沙、灰尘多时，云量大，大气透明度低，到达地面的太阳辐射就少，光伏电站输出功率小。对于水汽较少的干燥地区, 削弱太阳直接辐射的主要因子是悬浮在大气中的固体微粒；而对于湿润地区，直接辐射的削弱主要与大气中的水汽和气溶胶中的液态微粒有关[7]。

2.2 太阳能电池板类型

不同类型的太阳能电池板各有其特点，表面反射率不同，分光感度特性不同，转换效率也不一样，这对发电量的影响较为明显。一般来讲，单晶硅电池转换效率高，但成本高；而多晶硅电池转换效率虽略低于单晶硅电池，但性价比高，适合量产。[2]目前市场上太阳能电池板产品的转换效率在10%左右[8]

2.3太阳能电池板温度

太阳能电池板温度、大气温度等对太阳能电池的发电量也有影响。尽管不同的太阳能电池板的温度特性可能略有差异，但一般情况下，随着温度的上升，转换效率降低，输出功率下降[9]。

当温度变化时，光伏电池的输出功率将发生变化。对一般的晶体硅光伏电池来说，随着温度的升高，短路电流会略有上升，而开路电压要下降。见图4

图4 光伏电池在不同温度下的伏安特性曲线

总体而言，随着温度的升高，虽然工作电流有所增加，但工作电压却要下降，而且后者下降较多。因此总的输出功率要下降。在规定的试验条件下，温度每变化1度，光伏电池输出功率的变化值称为功率温度系数。

2.4配线方案

对同样面积的两块太阳能电池板，在其他外界条件恒定的情况下，即使是同样形状大小的阴影，不同的内部配线也会造成发电量上的差异。在配线设计时，综合考虑周边建筑物，树木的阴影因素，设计更加合理的配线方案能在一定程度上提高发电效率光伏电站输出功率的影响因素分析。

2.5 其他因素

此外, 风速、逆变器转换效率、太阳能电池板上的异物等都会对实际发电量造成影响。

3. 光伏发电功率的预测方法

负荷预测技术经过几十年的发展，随着数学统计理论和人工智能技术的相继引入，人们提出了各种各样的预测方法，现有的预测方法多达十几种，这些方法各有其优缺点，很难说有哪一种方法绝对优越。根据数学模型不同，负荷预测方法大致可以分为两类：数学统计方法和人工智能方法。下面对几种方法加以简要介绍并简单评价[10]。

（1）回归模型预测方法 回归预测是根据负荷过去的历史资料，建立可以进行数学分析的数学模型，对未来的负荷进行预测。主要分为线性回归和非线性回归，也分为一元回归和多元回归。其特点是将预测目标的因素作为自变量，将预测目标作为因变量。回归分析和非线性回归，或者也分为一元回归和多元回归。其特点在于将预测目标的因素作为自变量，将预测目标作为因变量。回归分析法中，自变量是随机变量，因变量是非随机变量，又给定的多组自变量和因变量资料，研究各种变量之间的相关关系。利用得到的经验回归方程式来表示变量之间的定量关系，预测系统将来的负荷值。

（2） 时间序列预测法 时间序列预测法是应用较早，最为广泛，发展成熟的一种方法。它把负荷数据看作是一个按季节、按周、按天以及按小时周期性变化的时间序列。根据负荷的历史资料，设法建立一个数学模型来描述电力负荷这个随机变量变化过程的统计规律性，在数学模型的基础上确立负荷预测的数学表达式，对未来的负荷进行预报。

（3） 灰色预测法 灰色系统理论的显著特点就是用少量的数据做微分方程建立起预测模型。灰色模型法在建模时不需要计算统计特征值。从理论上讲，可以使用任何非线性变化的负荷指标预测。将一定范围内变化的历史数据序列进行累加，使其变成具有指数增长规律的上升形状就对生成的数列建立成由n 个变量用一个微分方程建立灰色模型。

（4） 人工神经网络方法 运用神经网络技术进行电力负荷预测，是一种新的研究方法，由于它可以模仿人脑的智能化处理，对大量非结构、非精确性规律具有自适应功能，具有信息记忆、自主学习、知识推理和优化计算的特点，特别是其自学习和自适应功能较好的解决了天气和温度等因素与负荷的对应关系。所以，人工神经网络得到了许多中外学者的赞誉，预测的人工神经网络的最具潜力的应用领域之一。

现在研究最多的是应用误差反向传播算法，又称BP 算法进行短期符合预期，常用的是简单的三层ANN 模型，主要思路为将历史数据及对电力负荷影响最大的几种因素作为输入量人工神经网络，经过输入层、隐含层和输出层中各种神经元的作用最后生成输出量，再以误差为目标函数对网络权值进行不断地修正直至误差达到要求，经训练后的网络就可以进行预测工作，只要把待预测日的相应刺激输入神经网络就可以得到相关的输出，即预测结果。由于人工神经网络具有一定的联想和推理功能，所以对于训练过程中没有出现过的情况神经网络同样可以进行预测。神经网络可以处理那些难于用解析规则描述的过程或系统，可通过对样本数据的学习，自动实现对系统的描述：神经网络是并行结构，在处理实时性要求高的问题上显出极大的优越性；神经网络是非线性系统，人们已从理论上证明了多层感知器能够任意逼近给定函数、甚至逼近各阶导数的能力；神经网络具有很强的信息综合能力、很好的容错性，它能恰当地协调好相互矛盾的输入信息。

如今所做的大量研究工作。为了减少地理差异、季节变化、系统退化等影响，追求更高准确率，大量使用滚动预报方法，即利用前期（20-30天）因变量与自变量一个月序列资料，通过学习等方法，得到预报方程的系数，这个系数每天是变化的。包括：1）辐射的订正预报，需要前期20-30天的辐射观测资料序列；2）发电量的统计预报（线性回归法[12]、神经网络法），也需要前期20-30天的发电量资料进入系统，但小于10天则均无法进行预测。这在精度和准度上缺少一个时效性。

对原理法用到的辐射，在辐射订正无法完成时，直接用数值预报结果代替，误差将加大，尤其是南方地区，对北方地区影响不大；对动力统计法用到的电量资料，无法获取时，计算无法进行，这时可以考虑采取固定系数的方程代替，系统自动识别。所以要有多种替代方案，保证预报制作成功它具有太阳能利用率高，无需储能设备，发电能力强等优点。但也面临着诸如电能波动性大，利用时段短等问题。光伏发电功率预测是解决上述问题的有效手段，通过准确的光伏发电功率预测，能够有效减轻光伏发电功率波动对电网安全的影响 提高光电并网比例和利用效率[13]。

4. 总结：

光伏电站输出功率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，光伏发电已经具有相当规模的产业。光伏发电功率预测方式也以数学统计方法和人工智

能方法为主。在预测时应考虑各类气象因素、光伏电站的位置、光伏电池板的倾斜角、时间、季节对光伏电站输出功率的影响。太阳能光伏发电作为一种重要的分布式电源正逐渐从独立系统向大规模并网方向发展。从整体上对并网型光伏电站功率预测系统进行规划和设计的研究尚不多见，有待研究。

参考文献

[1]李军，许继生，王生渊等. 一种并网型光伏电站光功率及发电量预测的方法[J]. 青海电力，2010，29(2)：18-20.

[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，2009，24(9)：153-158.

[3] Pedrycz W., Gomide F.. An Introduction to Fuzzy Sets [M]. MA：MIT Press，1998.

[4]程序，周海，崔方，丁杰. 大容量并网型光伏电站功率预测预报系统设计[J]. 水电自

动化与大坝监测，2011，35(5)：1-4.

[5] QX/T 89-2008 太阳能资源评估方法[S]. 北京 气象出版社 2008．

[6] 卢静，翟海青，刘纯等．光伏发电功率预测统计方法研究[J]．华东电力 2010，

38(4)：563-567.

[7]李光明，廖华，李景天. 并网光伏发电系统发电量预测方法的探讨[J]. 云南师范大学学

报. 2011，33（06）：93-97.

[8] 粟然，李广敏. 基于支持向量机回归的光伏发电出力预测[J]. 中国电力，2008，41(2) ：74-78.

[9]GIRAUD F，SALAMEH Z M．Analysis of the Effects of a passing cloud on a Grid －

Interactive photovoltaic system with battery storage using neural networks［J ］． IEEE Transactions on Energy Conversion，1999， 14( 4) : 1572 － 1577．[10] YONA A, SENJ YU T ，FUNABASHI T. Application of recurrent neural network to short-term-ahead generating power forecasting for photovoltaic system [C]// Proceedings of the IEEE Power Engineering Society General Meeting June 24-28，2007，Tampa ，FL ，USA ：6p.

[11] 周开利，康耀红. 神经网络模型及其MATLAB 仿真程序设计[M].北京：清华大学

出版社，2004.

[12] CHAKRABORTY S ，WEISS M D ，SIMOES M G. Distributed intelligentenergy

management system for a single-phase high-frequency ACmicrogrid [J]. IEEE Transactions on Industrial Electronics，2007，54(1)：97-109.

[13] 飞思科技产品研发中心. 神经网络理论与MATLAB 实现[M]. 北京：电子工业出版

社，2003.