淺談光伏發電預測方法

章小慶

摘要：伴隨光伏（PV）電站設備容量的快速擴大，大范圍光伏發電網取得了普遍使用，但是，光伏發電網的輸出功率存在不確定性，因此光伏發電預計對于電力局的科學規劃與調度具有顯著作用。本文介紹了近幾年光伏發電預計辦法，首先介紹了光伏發電預計辦法的工作原理，然后分析了光伏傳輸功率的作用，最后闡述了光伏發電預計的統計法和物理法。

關鍵詞：光伏發電;傳輸功率;預計方法;統計法;物理法

伴隨全球氣候改變、能源耗損、化石燃料供給的不確定性要素與生態污染等情況的產生，綠色能源獲得了人們的認可，光伏能是最原始的能源，特別是受到人類的喜歡。研究顯示，在不同國家，資源效率與節約的意義、人口增加與化石能源儲量的快速枯竭，使得項目、水文、天氣、經濟與工業方面的研究者追求開發與使用光伏能等干凈能源。使用清潔能源發電并邁向電力市場屬于大勢所趨，但是有些清潔能源也有一些問題，其中，PV發電系統的輸出是無法調節的，由于這取決于氣候的改變，不能預測與控制。

一、光伏發電預計辦法的工作原理

當前，PV發電預測辦法均是基于一樣的方法：先依據數學與物理學知識和相關信息創建預測公式與模型，然后基于預測公式和模型預測PV電站發電量（如圖1所示）。根據所采用的數學物理知識以及預計輸出量，PV發電預測辦法能分成兩種：

（1）直接預計光電網輸出功率的統計法（直接預測法）。

（2）先預計太陽輻射，然后按照光電轉變效率獲得光電傳輸功率的物理法（間接預測法）。

? ? ? ?統計法是按照數學統計預測知識和方法，包含概率、時間序列、AI等辦法。優點在于程序簡明，對PV電站部位和電力轉變參數無要求;缺點在于為了確保預報結果的準確性，需要許多PV電站原始運行信息。根據預測所采取的具體統計辦法，這類方法又能分成時間序列法、時間方向外推法、點預計法、概率預計法以及智能預計法等五種。物理法重點以PV發電網物理發電原理為前提，優點在于無需原始運行信息，PV電站建完以后就能夠直接預計;缺點在于要求光伏電站清楚地形圖、發電站地標、PV電站功率曲線與各項光電轉變參數等信息。

二、光伏傳輸功率分析方法

（一）光伏傳輸功率預測的類型

PV發電存在隨機性與不確定性，由此給PV出力預計帶來了大量精準性方面的問題，在PV出力預測方面根據預測時間的不同，能分成長久預計、中期預計、短期預計、超短期預計。按照其預計模型的創建能分成直接預測與間接預測兩個模塊，又由于PV出力受到氣候環境、輻照度、溫濕度以及地理條件的影響，每個辦法的精準性均不一樣，因此選擇時需因地適宜。

當前，國內外通過長時間的探究，已對PV發電功率的預測展開了多種辦法與算法的探究。一種是統計法，另一種是物理法。

（二）統計法

直接根據光伏傳輸功率的原始數據，無需預計周邊環境的參數。通過創建多種模型，如ANNs、馬爾可夫鏈模型、時間序列分析系統以及灰色模型等。

（1）時間序列分析系統。時間序列分析系統在1968年由美國專家George Box與英國統計學者Gwilym Jenkins提出，隨后為了把這種預測方法稱作Box-Jenkins。其是將研究的時間序列視為一個隨機環節然后按照現有時間序列創建一個模型，基于現有時間序列在原來和現在的觀察值，計算時間序列今后的預測值。基于此又產生了：AR、MA、ARMA以及ARIMA集中模型。

（2）馬爾科夫系統。馬爾科夫法是將時間分析序列視為一個隨機環節，經過預計不同事物的原始概率與狀態移動概率來預計今后狀態，進而預計今后狀態。

本文基于HMC的PV發電功率概率布局函數預測辦法，把環境溫度與太陽輻照度，視為光伏網不同運轉條件的關鍵特點進行劃分。使用依靠HMC模型參量定義的值，對光伏傳輸功率提前15分鐘展開預測，依靠實際信息展開的數值測試顯示，在不同天氣環境下，預測結論滿足光伏發電的準確概率布局。

（三）物理法

物理法依靠輸出功率和輻照度、風速以及氣溫等各項因素間的關聯，預測有關因素的參數，獲得輸出功率。

本文采取最小二乘法創建了前一天與前一天的外界輻照度和表層輻照度的聯系。計算環節相較于其它較為單調，但地面氣候類型的改變對預測精度影響很大。選擇RNNs展開預測，其精度伴隨操作時間的延長而下降。

三、結論及討論

上文對PV的輸出功率預計歸類成：直接預測與間接預測，這兩種方法均有一定的優越性。

（1）直接預計。要有PV輸出功率的初始值，無需預測周邊環境的值，該種預測辦法容錯率很高，但對所創建的模型要求較低。盡管以初始信息為基于展開預測，但其預計結論比較落后。

（2）間接預測。其針對初始信息的依賴很低，但對創模要求很高，要求對本地的地理環境信息較為了解和對輻射度的干擾。一般在預測過程均將影響其傳輸功率的氣候因素與輻照度視為變量開始創模，其預測精確性也非常好。

四、展望

今后光伏傳出預計辦法展望：在創模時能夠多引進大量影響因子，不得僅局限在一般的影響因子，其應當因地制宜;統計法盡管有大量的初始信息作為基礎，但在預測的基礎上不能把兩種方法展開組合預測，如此會大幅度提高預測精度;在早晨開始過程與晚上的時候，因為輻照度的變化很大，所獲得的預測辦法預測結論通常隨機性也會變大，要求后續學者持續完善，希望通過上文的具體探究，能夠為我國光伏發電行業的持續穩定發展奠定堅實的基礎。

參考文獻：

[1]孫祥晟，陳芳芳，賈鑒，陳浩，胡康飛.基于經驗模態分解的神經網絡光伏發電預測方法研究[J].電氣技術，2019，20（08）：54-58.

[2]劉玉林，齊靜靜，李家寧.基于改進神經網絡的一種新型光伏發電MPPT預測方法[J].電子測試，2019（04）：49-50+20.

[3]潘明明，孫曉輝，于建成.基于改進Kalman濾波塊狀態估計方法的分布式光伏發電預測[J].供用電，2019，36（02）：56-60.