一種基于能源云的高速公路沿線太陽能發電預測系統

山東鼎維數字技術有限公司 王吉武 王繼超 田燕來

山東師范大學附屬中學 許蘭博

一種基于能源云的高速公路沿線太陽能發電預測系統

山東鼎維數字技術有限公司 王吉武 王繼超 田燕來

山東師范大學附屬中學 許蘭博

DigitalWay Smart PowerNet高速公路智能分布式供能系統建立了能源云系統對高速公路沿線設備能耗進行分析和管控。為解決光伏發電的使用可靠性和減少對電網的沖擊，針對目前光伏發電預測中實用性較低、預測精度不高、氣象條件利用不充分和預測跟蹤性能較差等現象，設計出利用神經網絡建立氣象相似度——發電量相似度的過渡模型，用該模型預測可獲得預測日發電量的預測結果，最后用五狀態的馬爾科夫鏈修正預測結果。

能源云；光伏發電；馬爾科夫鏈；預測

1.概述

高速公路交通監控系統是高速公路交通機電系統的重要組成部分，其中主要功能是借助現代交通流規則、誘導與控制的相關理論，并利用計算機技術、閉路電視監視技術、信息多媒體技術等領域的最新科技發展成果，對高速公路的交通運營狀況、車輛行駛情況以及道路環境狀況進行全面觀測，對沿途車輛的行駛路線、行駛方式進行有效誘導與控制，并在高速公路沿線提供信息化服務。以上種種，對高速公路沿線的電力供應提出了新的要求。為了更好的提供電力供應，各地高速公路運營管理部門紛紛在道路沿線建設了光伏發電系統為沿線設備提供電力供應。為了降低運營成本提高電力使用效率，各運營單位紛紛建立了智能建筑能源管理監測平臺，采用通信技術采集等手段，對建筑能耗進行管理監測[1]。

山東鼎維公司的DigitalWay Smart PowerNet高速公路智能分布式供能系統是一項十分契合高速公路信息化應用的電力生產分配技術，它擁有獨立的光伏發電系統，能夠供應用戶在大電網出現故障時的孤島運行需求，也能在發電盈余時向大電網送電，減輕大電網供電壓力。由于光伏發電量隨季節和氣候的變化而變，因此準確對光伏發電系統的發電能力進行預測，對于降低系統造價和提高供電穩定性有重要意義。

2.技術路線

“智慧能源云”[2]平臺是利用云計算和物聯網技術，為建筑、工業、交通等各個領域的單棟建筑、建筑群落以及跨區域建筑群落(包括IDC機房)，提供城市區域和建筑群落的能源管控和優化整體解決方案。在大型機電能源管理方面，采用云技術[3]通過遠程干預算法和參數，可以實現對能源參數、能源運行狀態的管理和智能控制，從而實現智能和節能。云技術整合無線傳輸技術，通過無線傳輸技術系統結合云技術網絡平臺實現完美的非接觸式無縫隙對接，從而改變我們的生活，具有跨時代的意義。

影響光伏發電系統發電量主要受當地日射量、溫度、太陽能電池板性能以及陰影等多種因素的影響[4]：(1)日射量。日射強度與季節、時間、地理位置、大氣質量等因素影響。太陽能電池板受到的日射量越大，理論發電量就會越大。另外，太陽能電池板的安裝方位和傾斜角度以及電池板周圍的建筑物、樹木的陰影等都會對發電量產生影響。(2)不同類型的太陽能電池板發電效率不同。一般來說，單晶硅電池轉換效率高但是相應的建設成本也高；多晶硅電池轉換效率略低于單晶硅但是性價比更高一些。(3)太陽能電池板的表面反射率和溫度對發電量也有影響。表面反射率越高用于發電的能量就越少，表面溫度越高，光電轉換效率就越低。

綜合以上因素，不考慮氣象條件可以建立一個簡單的光伏發電模型：

標準太陽能電池板輸出功率Pas計算公式如下：Pas=Pms×n

其中，Pms表示相關技術資料記載的單位太陽能電池板在標準試驗環境下的輸出功率，n表示太陽能電池板的數量。

設太陽能基本設計系數為Kjb，則Kjb=日射量年變動修正系數×太陽能電池回路修正系數×時間變化修正系數×負載修正系數×逆變器轉換效率×……

設溫度修正系數為Kwd，折射率修正系數為Kzs，則綜合設計系數K為以上各個系數的乘積：K=Kjb×Kwd×Kzs

由此得，太陽能電池板實際輸出功率P為mP= Pas×K

目前，國外光伏發電量預報技術研究已有一定的發展，德國Oldenburg大學Lorenz等根據相關數據和校驗值，在2007年4月和7月，光伏發電量預報的相對均方根誤差分別達到了39%和22%。國內光伏發電量預報技術尚處于研發階段。對太陽能光伏發電量預報系統的評估(預報誤差的校驗)可分為對太陽輻射預報誤差的檢驗和直接對光伏發電系統發電量預報的誤差校驗，可以采用均方根誤差、平均絕對誤差、平均誤差、相對均方根誤差、相對平均絕對誤差和相對平均誤差等分析方法。

光伏發電系統具有較大的隨機性和間歇性，極易受環境和氣候變化的影響，會造成基于光電轉換效率模型和數理統計模型的預測方法出現較大的誤差。理論上，建立基于神經網絡和日射量的預測模型能獲得高精度預測結果，但目前無法或很難獲取預測日太陽輻照度，綜合考慮以上因素從充分利用氣象條件、定義氣象相似度與發電量相似度過渡函數和利用五狀態馬爾科夫鏈修正預測結果三個角度建立光伏發電預測模型。

假設理論太陽輻照度序列為E=[ e0，…，e8]，紫外線指數序列為U=[ u0，…，u8]，天氣類型序列為W=[ w0，…，w8 ]，氣溫序列為T=[t0，…，t8]。將前后兩天同一段的紫外線指數比值、天氣類型序列比值、理論太陽輻照度比值和氣溫比值作為自變量，將前后兩天的該時段的發電量比值作為因變量，建立氣象相似度與發電量相似度過渡函數。

馬爾科夫鏈能根據某參數當前的狀態和發展趨勢，預測該參數未來的狀態，而且未來的狀態只與當前的狀態有關。考慮到三狀態馬爾科夫鏈在狀態轉移過程中基本都會落在中間區域，修正精度不高，故本文使用五狀態馬爾科夫鏈。

3.結論

雖然太陽能發電的功率是不斷變化的，但是太陽輻射強度是太陽能發電功率的決定因素。太陽輻射強度是有規律可循的，因而太陽能發電功率也是有規律的。

太陽能發電功率是主要受太陽輻射強度影響的，而太陽輻射強度又是受天氣、時刻、季節、太陽高度角等多種因素影響的，因而太陽能發電功率是一個多維非線性動力系統，在各種因素相互協同，又相互影響的作用下，短期太陽能發電功率預測表現出極其復雜而難以精確預測的演化特征。傳統的線性統計模型，只是在簡單模型近似下用外在隨機因素來解釋模型偏差，作出的預測只能是在概率意義下的等可能預測，并且預測結果趨于平滑；

而馬爾科夫鏈能根據某參數當前的狀態和發展趨勢，預測該參數未來的狀態，可以建立一個很小或者幾乎沒有隨機誤差的非線性復雜模型，在預測時主要考慮模型本身對時間序列未來值的影響，能預測時間序列微小的起伏波動等一些精細結構。在解決公路沿線光伏發電系統對市電的需求方面，通過使用本算法可以做到光伏發電儲能子系統對公路沿線設備365日連續平穩供電，不受季節氣候影響。

不足之處：

由于本文使用環境的限制，所用到負荷數據最大不超過10KW，對于大型大功率的太陽能發電站的實用性還需作進一步的驗證和探討。

[1]周林.智能建筑能源管理監測平臺解決方案[J].科技視界,2016,14: 317-319.

[2]姜永東.“智慧能源云”——解碼城市能源綜合管控[J].智能建筑與城市信息,2013,02:30-33.

[3]李志剛.能源云管控平臺:助力建筑智慧節能[J].電器,2015,12:41.

[4]楊超，榑沼弘貴.太陽能光伏發電系統發電量的預測方法[J].智能建筑電氣技術, 2011, 05(2):29-34.