計及霧霾影響的光伏功率預測方法

褚華宇，高志強，盛四清

（1.華北電力大學，河北 保定 071003；2.國網河北省電力公司電力科學研究院，石家莊 050021）

近年來，全國多次出現長時間、大范圍霧霾天氣，秋冬季節尤為嚴重。如何在現階段環境水平下更加安全有效的利用清潔能源發電、減少火力發電對環境的威脅成為現今的重要任務之一。而光伏功率發電技術因其清潔無污染、可再生的優點，得到了人們越來越多的關注。對于光伏功率發電技術而言，保證光伏功率的穩定性是十分重要的功率并網指標。精確的光伏功率預測技術有利于光伏發電調度的優化、電網運行成本的降低、系統旋轉備用容量的降低、電網安全水平的提高［1］，同時可以為電網提供調度依據，提前針對光伏功率的變化波動做出應對措施，從而提高對光伏發電系統的控制水平，保證光伏發電的穩定性和安全性，為清潔能源的進一步應用提供基礎。

以下針對頻繁出現的霧霾天氣的影響，同時考慮天氣狀況、風速、相對濕度、溫度、光照強度以及光伏組件的清潔度等多種因素，提出一種比較實用、精確的光伏功率預測方法，并將光伏功率預測結果與實際光伏功率輸出進行比較分析，驗證該方法的可行性和實用性。

1 光伏電池的原理

光伏電池是太陽能光伏發電技術的核心元件，通過半導體的光生伏打效應原理將太陽輻射能轉化為電能。光伏電池的原理示意見圖1。

圖1 光伏電池原理圖

根據光伏電池原理圖可以得到標準試驗條件，即溫度為25℃，光照強度為1 000W／m2下的光伏組件輸出電流方程［2－7］：

式中：q為電子電荷，C；A為P－N 結理想因子；K為波爾茲曼常數，K＝1.38×10－23，J／K；T為絕對溫度，K；I0為P－N結的反向飽和電流，A；Iph為光生電流，A；S為光照強度，W／m2；Isc為 標準測試條件下光伏電池的短路電流，A；Kt為短路電流溫度系數，A／K。

2 光伏功率的影響因素

2.1 直接影響因素

根據光伏電池的發電原理，由公式（1）－（3）所示關系可知，光照強度和溫度對光伏發電功率有很大的影響，是光伏功率的直接影響因素。光照強度越強，則越有利于光伏功率的輸出。文獻［8－9］指出，電池組件的光電轉換效率隨溫度的增加而下降，運行時電池溫度高于標準測試條件溫度，輸出功率將會減少。但是，以上公式是在標準試驗條件下推導得到的，當實際環境與標準實驗條件不一致時，該公式的誤差會很大。此外，公式中的光照強度為實際輻射到半導體元件上的光照強度，即實際光照強度，而實際輻射到光伏電池上的光照強度難以直接測量和預測，只能根據氣象預報給出的理論光照強度，結合后文所述環境因素的綜合影響進行預測，因此利用公式（1）－（3）不能準確預測光伏發電功率。

2.2 間接影響因素

2.2.1 霧霾

自2013年以來，霧霾天氣大范圍頻繁出現，據中國氣象局統計，2013年全國平均霧霾天數達29.9天，2013年1－2月，石家莊市出現霧霾天氣49天。對依賴太陽輻射能發電的光伏發電技術而言，霧霾的影響不容忽視，因此，光伏功率預測技術也不能忽視霧霾這一重要影響因素。霧霾天氣對光伏功率的影響是間接的，其直接影響的是光照強度的大小，進而間接影響光伏發電功率的大小。在霧霾天氣狀況下，空氣中PM2.5濃度增大，加之空氣中水汽含量增加，使太陽輻射難以透過，極大地削弱和阻擋了光伏電池對太陽輻射能的吸收。另一方面，霧霾天氣狀況下，空氣污染嚴重，使光伏電池組件表面灰塵、污垢覆蓋加劇，使得光伏電池可利用太陽輻射能進一步減少。

石家莊市2013年12月22－28日氣象統計數據見表1，如圖該市22－24日為霧霾天氣，26－28日為晴天；圖2為對應的該市實際光伏發電功率曲線圖。由圖2可知，霧霾天氣與非霧霾天氣下，光伏發電功率的輸出值相差很大，從而說明，霧霾對光伏發電功率的影響不能忽視，因此霧霾在光伏功率預測中也是需要考慮的因素。

表1 石家莊市2013年12月22－28日氣象統計表

圖2 光伏發電功率曲線圖

2.2.2 光伏組件清潔度

由于光伏組件暴露在外部環境下，加之在環境污染、PM2.5濃度超標的情況下，使光伏電池組件表面容易被灰塵和污垢覆蓋，這些覆蓋物會阻礙光伏電池對其表面接收的光照強度的有效利用，進而降低光伏功率的輸出，不能最大限度利用太陽能。圖3為現場實際拍攝的光伏組件清潔時與灰塵覆蓋時的清潔度對比圖。文獻［10］指出，灰塵等覆蓋物使光伏電站的效率降低到原值的75%～98%，文獻［11］指出，八達嶺太陽能熱發電示范電站的試驗驗證，太陽能反射玻璃鏡每隔2～3天清潔系數就會下降0.01。

圖3 光伏組件清潔度對比圖

2.2.3 相對濕度

大氣中相對濕度一旦增大，空氣中的水汽對太陽輻射的削弱將增加，是光伏功率輸出減小，因而相對濕度增加不利于光伏功率的輸出［12］。

2.2.4 風速

風速對光伏組件的功率輸出的影響，主要體現在對霧霾天氣的消散、光伏組件的清潔度和云量的影響上。風速增大有利于云量的消散及電池組件接收到的輻射能的增加，同時對霧霾等污染狀況的消散十分有利，既有利于太陽輻射能投射到光伏電池表面，又減少了電池組件的灰塵沉積及污垢遮擋作用，從而使太陽能電池組件接收到更多的太陽輻射能，提高光伏輸出功率。

2.2.5 天氣狀況

云量是表征天空遮蔽程度的氣象因子，根據氣象常識，天氣狀況“晴”、“少云”、“多云”、“陰”的確定是根據天空中云量的多少和遮擋作用的大小來確定的。不同的天氣狀況，云的遮擋作用不同，太陽輻射到地面的能量不同，因而天氣狀況的不同會使光伏輸出功率不同，云量的增加或減少會相應地引起地面太陽輻射的減少或增加，進而使光伏功率呈現減少或增多的變化。

3 人工智能神經網絡預測方法

根據以上對光伏功率影響因素的分析，可以看出影響光伏功率的因素較多而且關系復雜，是一個多影響因素的復雜非線性問題，難以直接建立精確數學模型進行描述。通過建立BP 神經網絡模型，計及霧霾、光伏電池組件清潔度、相對濕度、風速、天氣狀況、理論光照強度、溫度對光伏功率的影響，預測光伏組件的輸出功率。

在訓練神經網絡模型前，首先對歷史數據進行預處理，即將明顯錯誤的數據進行剔除或修正，將缺少的數據進行補充或修正。預處理結束后，采用公式（4）對數據進行歸一化處理，歸一化處理后的數據則可以作為訓練集數據使用。

式中：X為歸一化處理后的數據；x為歸一化處理前的數據；xmin為變量的最小值；xmax為變量的最大值。

神經網絡的訓練集選取被預測日前至少一個月每天的霧霾指數、光伏電池組件清潔度、相對濕度、風速、天氣狀況、理論光照強度、溫度的統計信息作為訓練集輸入數據，以對應的每天光伏功率輸出實際統計數據作為神經網絡訓練集的輸出數據。根據經驗，采用公式（5）確定隱層節點數，經驗公式如下［15］：

式中：m為隱層節點數；n為 輸入層節點數；l為輸出節點數。

選用Trainlm 訓練方法，開始訓練神經網絡模型，訓練結束后，獲得BP神經網絡模型，將被預測日的霧霾指數、光伏電池組件清潔度、相對濕度、風速、天氣狀況、理論光照強度、溫度數據作為模型的輸入數據，運行該BP神經網絡模型，獲得被預測日的光伏功率預測值。光伏功率預測流程如圖4所示。

4 算例分析

圖4 光伏功率預測流程

根據上述方法，取石家莊某光伏電站2013年12月1日至2014年1月21日共51天的歷史實測數據，包括霧霾指數（以空氣質量指數AQI表征）、天氣狀況、風速、相對濕度、溫度、光照強度、光伏電池組件清潔度數據作為訓練模型的輸入；相應的取該51天的實際光伏功率輸出作為訓練模型的輸出。

該預測模型設計的BP 神經網絡采用3 層結構，輸入量為77個，輸出量為108個，根據上述經驗公式（5）及實際預測結果的比較，確定隱層節點數為92個。經過訓練獲得BP神經網絡模型。為了預測2014年1月22日的光伏功率，需要將1月22日的環境影響因素數據讀入上述神經網絡模型，輸入數據如表2所示，該表中所列數據為當日8時至18時光伏功率影響因素的變化值，將這些影響因素數據輸入已經訓練完成的神經網絡模型，即可得到光伏功率的預測結果。

表2 神經網絡模型輸入數據表

光伏功率預測結果如圖5所示，直線表示的曲線為光伏功率的實際功率，預測曲線1（點劃線）表示的是不考慮霧霾的情況下神經網絡模型的功率預測結果，預測曲線2（星形線）表示的是計及霧霾因素的影響時，神經網絡模型的預測結果。根據預測結果可知，預測曲線2更加接近實際光伏功率曲線，尤其是在峰值附近，計及霧霾因素的光伏功率預測方法更加精確，優勢更加明顯。根據預測結果，利用公式（6）對光伏功率的預測誤差進行計算。

式中：p2為計及霧霾影響的光伏功率預測值；p0為光伏功率實際功率值。

根據計算結果發現預測誤差基本保持在15%以內，只有個別點誤差超過20%，比不考慮霧霾的情況下光伏功率預測結果更準確。

圖5 光伏功率預測曲線與實際功率曲線對比圖

5 結論

光伏發電技術具有結構簡單，易于安裝運輸，建設周期短，維護簡單，清潔、安全、無噪聲，可靠性高，應用范圍廣等優點，是理想的可再生能源。但是，由于光伏發電功率隨著環境因素的變化會產生隨機的波動，這種發電方式在接入電網后會對電網的安全和管理帶來一系列的問題，所以能夠較為準確的提前對光伏發電系統的出力做出預測變得尤為重要。計及霧霾影響的光伏功率預測方法考慮了現階段環境因素中不容忽視的霧霾因素對光伏功率的影響，使光伏功率預測技術考慮的影響因子更加全面、更加貼近實際情況，有利于更加精確地光伏功率預測技術的實現。精確的光伏功率預測技術不僅可以為電網的調度及安全運行提供了依據，同時也將為新能源技術、分布式電源技術、微電網技術的發展與應用推廣奠定基礎，進一步深入研究光伏功率的特點，借鑒應用不同的功率預測技術，相信可以實現更加精確的光伏功率預測，為可再生能源及清潔能源發電技術的應用做出貢獻。

［1］李春來，朱慧敏，景滿德，等.并網型光伏電站功率預測方法探討［J］.電工和技術，2010，12：27－28.

［2］林梅軍.計及光伏預測的配電網潮流計算［D］.山東：山東大學，2012.

［3］鄭 意，趙志剛，茍向峰.基于simulink的太陽能光伏電池的建模及輸出特性仿真研究［J］.蘭州交通大學學報，2013，32（1）：97－100.

［4］趙亞妮，王 翔.基于simulink的光伏電池組件建模及仿真研究［J］.電腦知識與技術，2013，9（13）：3202－3205.

［5］吳茜瓊，常曉穎.基于Matlab／Simulink的太陽能電池特性分析［J］.華北水利水電學院學報，2010，31（5）：90－92.

［6］李 琪，楊衛波，孔玲玲.太陽能光伏電池輸出特性的理論分析［J］.揚州大學學報（自然科學版），2013，16（1）：42－45.

［7］范發靖，袁曉玲.基于Matlab的光伏電池建模方法的比較［J］.機械制造與自動化，2012（2）：157－163.

［8］王建軍.太陽能光伏發電應用中的溫度影響［J］.青海師范大學學報（自然科學版），2005（1）：28－30.

［9］楊靜濤，賈暉杰，呂國東.并網光伏電站發電量影響因素分析［J］.太陽能，2013（17）：40－42.

［10］史君海，孫麗兵，張麗瑩.提高并網光伏發電效率分析與建議［J］.電力與能源，2013，34（4）：402－404.

［11］黃 湘，葛文剛，禹 超.太陽能光伏電站涉及影響因素分析［J］.華電技術，2013，35（2）：79－82.

［12］劉玉蘭，孫銀川，桑建人，等.影響太陽能光伏發電功率的環境氣象因子診斷分析［J］.水電能源科學，2011，29（12）：200－202.