光伏發電功率預測方法研究

侯濤

(青海省化工設計研究院有限公司, 西寧 810000)

0 緒論

相比較于國外，我國的光伏產業啟動較晚，遠落后于國外發達國家。但近些年在功率預測技術方面，也有了一定的建樹。風電及光伏發電的隨機性給電力系統的危害性越來越大，從2012年起國內各省都將功率預測作為很重要的一部分。北京木聯能軟件股份優化公司總結多年經驗，并與國內外最優的數值天氣預報廠家合作，研發出了新能源電站功率預測系統V6.0，提高了運維效率。截止目前，木聯能光伏智能化解決方案市場占有量在同行業中也處于領先地位；東潤環能公司也針對功率預測進行技術研討，并得到了一定的成就；將來，我國光伏產業將有廣闊的發展空間，會在國際光伏領域中發揮越來越重要的作用[1]。如今，功率預測的方法有很多，但沒有一種方法能普遍適用，所以，探究新的功率預測方法對于光伏發電系統來說至關重要。

1 研究內容

光伏發電系統會受到太陽光照、環境溫度、天氣類型等氣象因素的影響，輸出功率具有很大的不確定性。光伏發電輸出功率的波動會加大發電和運行規劃的控制難度，會影響電網的安全穩定運行[2]。如果能夠加強對光伏發電系統功率預測的分析，就能夠更加準確地預測出光伏系統在某個時間段內的功率，進一步提高對電網安全性、穩定性及經濟性的控制。文章針對這一問題，對出力預測進行研究，尋求能夠準確預測光伏發電系統輸出功率的方法[3]。

本文以南昌紅谷灘光伏電站為研究對象并結合當地的天氣預報，建立BP神經網絡的預測模型對出力值進行預測。本文主要的工作內容：根據光伏出力不穩定的特點及影響光伏出力的因素，建立系統的輸出功率預測模型，并用MATLAB軟件來編寫預測程序。分析影響光伏發電系統輸出功率的影響因素，選取相似度較高的因素作為預測模型的輸入。隨機選擇任意晴天作為預測日對其作預測出力值，并對預測值和實際值進行誤差對照分析，驗證所建立模型的可用性。

2 相似日選擇

首先分析影響太陽能光伏發電系統輸出功率的最主要的氣象因素，以南昌紅谷灘光伏電站為實例，使用該電站的歷史氣象數據來研究大氣溫度、天氣類型以及季節類型對光伏發電系統輸出功率的影響,如圖1所示。

由圖1可知天氣類型不同時，光伏發電系統的輸出功率值也不同。在相同的時間點，晴天天氣下，光伏發電系統的輸出功率值最大。而在陰雨天氣下，光伏發電系統的輸出功率值較小。不同的天氣類型，晴天下的光伏出力值波動最大，陰雨天氣下的光伏出力值波動較晴天小。如圖2所示。

陰天時，光伏發電系統輸出功率值為0，大雨、中雨及小雨天氣類型下，光伏發電系統輸出功率值比陰天時的大。陣雨及多云天氣下，光伏發電系統輸出功率值有所上升，出力波動也比陰雨天時大，但比晴天的小。所以，太陽輻射強度對晴天時的輸出功率影響很大，而對陰雨天氣下的輸出功率影響不大，影響陰雨天氣下輸出功率大小的因素可能為風速、大氣壓、光伏組件的溫度等。

圖1 不同天氣類型下輸出功率對比圖

圖2 不同季節輸出功率對比圖

天氣類型都為晴天時，四個季節的出力值曲線變化趨勢相似，基本上都呈現上升-最值-下降的趨勢。但由于不同的季節，日出日落的時間、太陽的高度角、光照強度等因素的差別，所以，輸出的功率值不同。總體來說，由于春秋兩季氣候相近，所以，春秋季光伏出力值大致相近。

本文提出了一種利用相似日選擇算法[5]和BP網絡相結合的預測方式。即所選取的相似日、預測日及訓練樣本具有相同的季節、相同的天氣類型、且溫度相近。這樣能在很大程度上提高預測精度，本文預測誤差擬控制在10%左右，若在10%左右，則認為該預測模型具有一定的現實意義，可用到實際預測中。

4 算例分析

以南昌紅谷灘光伏電站實際出力值以及相關氣象數據為例子進行預測仿真。選擇該電站2017年4月1日至2017年12月31日的出力值及氣象信息作為樣本數據，最后，隨機選取任意晴天作為預測日進行驗證。把預測日的氣象信息作為輸入變量輸入訓練好的神經網絡，則輸出的就是預測日的預測值，再與該日的實際功率值對比，得出誤差。實際應用中，可以提前通過天氣預報得知預測日的最高氣溫與最低氣溫，把數據導入訓練好的模型中，就能得出預測日的功率值。

選取了2017年6月19日的氣象信息作為輸入變量來預測輸出的功率值，6月19日正好為一個晴天。程序所訓練的最佳次數為9 550次,最小誤差為10e-3,如圖3所示。

圖3 20170619BP神經網絡模型實際值與預測值對比圖

圖3中的數據采用的是2017年6月19日的氣象數據。圖3是BP神經網絡模型實際值與預測值的對比圖。誤差百分比如圖4所示。

圖4 20170619神經網絡模型預測值誤差百分比

考慮到實際情況的隨機性和波動性，神經網絡模型參數無法精準預測,如表1所示。

表1 不同時刻誤差百分表

如圖3和4可知：除16:00之后外，其余時間段預測值誤差約在6%左右。可以證明本文所提出的預測模型可以較準確的預測出光伏發電系統預測日的輸出功率值，具有一定的實用性。

5 總結

本文在預測模型中融入了相似日選擇算法。也就是說，從歷史氣象數據中選出和預測日天氣及季節類型相同，氣溫相近的日子作為訓練樣本進而來預測預測日的輸出功率

值[6]，使用相似的日期的數據對于太陽能光伏發電體系來說能夠大大提高其輸出功率的預測精度。本文以天氣類型、季節、大氣溫度為模型輸入量輸入，以BP神經網絡來建立光伏電站的輸出功率的預測模型，使其預測達到一定的精度，預測誤差均在10%左右，具備實際的實用價值。

本文只根據天氣數據來選取相似日。在無法準確判斷天氣時，若是超短期負荷預測，因其氣象變化緩慢，當以負荷及負荷增量并設置其權重來選取相似日，此時相似日的選取能考慮到各種相關因素，包括天氣因素。但必須保證歷史數據范圍不應太大。若方法是中長期預測，則可選擇其他預測方法，如組合預測法。

根據差異評價函數值的原則選擇一批比較相似的負荷日：首先將影響因素向量的各分量數值化，然后建立評價函數。評價函數中包含已知日的影響因子，預測日的影響因素向量，設定的偏離值，要根據不同地區的實際情況決定。所有滿足該評價函數的歷史數據都可放進訓練樣本。