光伏發(fā)電量的預(yù)測(cè)綜述

張 玉，張振濤，莫 寒

ZHANG Yu, ZHANG Zhen-tao, MO Han

（桂林理工大學(xué) 廣西建筑新能源與節(jié)能重點(diǎn)實(shí)驗(yàn)室，桂林 541004）

0 引言

面對(duì)全球日益嚴(yán)重的能源危機(jī)，人類(lèi)加快了對(duì)新能源探索的腳步。太陽(yáng)能作為目前全球最大的可再生能源，具有極高的利用價(jià)值。發(fā)電量預(yù)測(cè)是太陽(yáng)能利用的一項(xiàng)非常重要的指標(biāo)，對(duì)大電網(wǎng)的分配調(diào)度會(huì)產(chǎn)生一定的影響。然而光伏陣列的輸出特性受到光照強(qiáng)度、溫度、濕度等其他外界因素的影響，具有不確定性[1,2]，這使得光伏發(fā)電量的預(yù)測(cè)變得更加困難。

圖1 光伏發(fā)電量受環(huán)境因素影響示意圖

對(duì)于一個(gè)光伏發(fā)電系統(tǒng)，其發(fā)電量的預(yù)測(cè)對(duì)于大電網(wǎng)調(diào)度十分重要，我們需要掌握的是該系統(tǒng)在某一時(shí)刻的實(shí)時(shí)發(fā)電功率，在不同情況下選擇合理的預(yù)測(cè)方法對(duì)發(fā)電量預(yù)測(cè)能起到事半功倍的效果。目前光伏發(fā)電量的預(yù)測(cè)方法有很多種，按照時(shí)間尺度可以分為超短期預(yù)測(cè)、短期預(yù)測(cè)和中長(zhǎng)期預(yù)測(cè)。按照研究過(guò)程可以分為直接預(yù)測(cè)和間接預(yù)測(cè)[3]。這些方法雖然可以將大多數(shù)的預(yù)測(cè)方法進(jìn)行歸類(lèi)，卻很難全面覆蓋，甚至有些預(yù)測(cè)方法的劃分界限十分模糊，不能系統(tǒng)的將光伏發(fā)電量預(yù)測(cè)的方法進(jìn)行歸類(lèi)。為此本文將光伏發(fā)電預(yù)測(cè)方法用數(shù)學(xué)統(tǒng)計(jì)預(yù)測(cè)法和人工智能預(yù)測(cè)進(jìn)行分類(lèi)，并在最后補(bǔ)充了一些其他的預(yù)測(cè)方法。實(shí)現(xiàn)了光伏發(fā)電量預(yù)測(cè)的完整化分類(lèi)。

1 數(shù)學(xué)統(tǒng)計(jì)預(yù)測(cè)法

1.1 灰色理論預(yù)測(cè)法

所謂灰色理論預(yù)測(cè)法就是指利用灰色系統(tǒng)實(shí)現(xiàn)的預(yù)測(cè)模型?；疑到y(tǒng)的概念是在1982年由鄧聚龍教授首次提突出，他所描述的是介于部分信息已知的白色系統(tǒng)和部分信息未知的黑箱系統(tǒng)之間的過(guò)度系統(tǒng)?；疑到y(tǒng)可以通過(guò)對(duì)原始數(shù)的分析整理找出它們之間存在的聯(lián)系從而預(yù)測(cè)數(shù)據(jù)的變化規(guī)律從而達(dá)到預(yù)測(cè)的效果。GM(1,1)模型是灰色系統(tǒng)中較為常用的動(dòng)態(tài)預(yù)測(cè)模型，該模型的構(gòu)成只有一個(gè)單一變量的一階微分方程，預(yù)測(cè)過(guò)程大致可以分為累加—擬合—累減三個(gè)步驟[4]。

文獻(xiàn)[5,6]分別采用GM(1,1)模型對(duì)光伏發(fā)電量進(jìn)行預(yù)測(cè)，單一的采用GM(1,1)模型對(duì)光伏的發(fā)電量雖然可以起到預(yù)測(cè)的效果，但其預(yù)測(cè)結(jié)果與實(shí)際結(jié)果存在一定的偏差，為了能夠得到較為準(zhǔn)確的預(yù)測(cè)結(jié)果，采用GM(1,1)殘差修正模型對(duì)原有的預(yù)測(cè)模型進(jìn)行修正。將一天中各個(gè)時(shí)間段的發(fā)電量構(gòu)成一個(gè)時(shí)間序列，以一天中光照強(qiáng)度最強(qiáng)發(fā)電量最大時(shí)為分界點(diǎn)，把一天中的預(yù)測(cè)分為兩個(gè)階段分別進(jìn)行預(yù)測(cè)。結(jié)果顯示，基于殘差修正的GM(1,1)模型效果更好，其預(yù)測(cè)結(jié)果更為接近實(shí)際值。

1.2 多元線性回歸預(yù)測(cè)法

在生活中一種現(xiàn)象的發(fā)生往往與多個(gè)因素存在相互關(guān)聯(lián)，此時(shí)就需要多個(gè)相關(guān)因素作為自變量解釋因變量的變化規(guī)律，這種模型就是多元線性回歸模型。在光伏發(fā)電量預(yù)測(cè)中，光伏系統(tǒng)的發(fā)電量受到輻射強(qiáng)度和溫度等因素的影響，因此可以以這些因素作為光伏發(fā)電系統(tǒng)的多元線性回歸模型的輸入。

文獻(xiàn)[7]將由18塊京瓷KC130GH-2P多晶硅太陽(yáng)能電池組件串聯(lián)的光伏陣列作為研究對(duì)象，對(duì)該系統(tǒng)的輻射強(qiáng)度、環(huán)境溫度、組件背板溫度、風(fēng)速、發(fā)電功率以及每小時(shí)發(fā)電量6個(gè)自變量建立多元線性回歸模型，并采用F檢測(cè)法對(duì)回歸方程顯著性檢測(cè)后說(shuō)明該模型有很好的擬合效果。將對(duì)預(yù)測(cè)結(jié)果在不同的天氣情況下進(jìn)行分類(lèi)，在晴天，多云，陰轉(zhuǎn)天三種情況下與將預(yù)測(cè)值與實(shí)際值比較后發(fā)現(xiàn)，在晴天的預(yù)測(cè)值較實(shí)際值偏高，陰轉(zhuǎn)云的情況下預(yù)測(cè)值較實(shí)際值偏低，多云天氣的預(yù)測(cè)值則有較好的預(yù)測(cè)效果。

1.3 時(shí)間序列預(yù)測(cè)法

時(shí)間序列預(yù)測(cè)法是一種以時(shí)間為序列，根據(jù)歷史數(shù)據(jù)揭示事物發(fā)展規(guī)律的數(shù)學(xué)統(tǒng)計(jì)方法。在光伏發(fā)電量預(yù)測(cè)技術(shù)中將光伏系統(tǒng)某一時(shí)段內(nèi)的發(fā)電量看作一個(gè)隨時(shí)間周期變化的隨機(jī)數(shù)列。通過(guò)曲線擬合和參數(shù)評(píng)估來(lái)建立預(yù)測(cè)系統(tǒng)的數(shù)學(xué)模型，自回歸—滑動(dòng)平均模型（ARMA）是時(shí)間序列預(yù)測(cè)法中較為常見(jiàn)的預(yù)測(cè)模型。文獻(xiàn)[8]中作者建立了ARMA模型在光照充分的晴天下對(duì)光伏系統(tǒng)的短期發(fā)電量進(jìn)行預(yù)測(cè)，結(jié)果表明，ARMA模型在晴天中有較高的預(yù)測(cè)精度。

數(shù)學(xué)統(tǒng)計(jì)預(yù)測(cè)法雖然在光伏發(fā)電量預(yù)測(cè)中可以實(shí)現(xiàn)預(yù)測(cè)的效果，其預(yù)測(cè)結(jié)果雖然和歷史數(shù)據(jù)存在著某種相互聯(lián)系，但這種聯(lián)系并不能起到?jīng)Q定性的作用。在短期預(yù)測(cè)中光伏發(fā)電量受環(huán)境因素影響時(shí)效性較強(qiáng)，這種特性導(dǎo)致此類(lèi)方法一旦受到環(huán)境因素變化較大情況時(shí)，預(yù)測(cè)結(jié)果變化緩慢，預(yù)測(cè)精度較低等情況。但這種方法易于實(shí)現(xiàn)，正是由于與歷史數(shù)據(jù)存在著相互聯(lián)系使得在中長(zhǎng)期發(fā)電量變化趨勢(shì)上有一定的可取性。

2 人工智能預(yù)測(cè)法

2.1 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法

BP神經(jīng)網(wǎng)絡(luò)是一種按照誤差逆向傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò)，是由大量的神經(jīng)元相互連接而成的非線性動(dòng)態(tài)系統(tǒng)，使用最速下降法通過(guò)反饋結(jié)果進(jìn)而不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閘值，使網(wǎng)絡(luò)的輸出達(dá)到最優(yōu)化。BP神經(jīng)網(wǎng)絡(luò)模型包括輸入層，隱含層和輸出層三個(gè)部分。目前，通過(guò)BP神經(jīng)網(wǎng)絡(luò)與其他算法相結(jié)合可延伸出多種預(yù)測(cè)方法，如基于牛頓法小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，基于遺傳算法神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，基于BP神經(jīng)網(wǎng)絡(luò)—馬爾科夫鏈預(yù)測(cè)模型，基于粒子群BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型等。

圖2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

2.1.1 基于牛頓法小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

文獻(xiàn)[9]描述了一種基于牛頓法小波神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電預(yù)測(cè)模型，在原有神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型中做了以下兩點(diǎn)改進(jìn)，其一在訓(xùn)練方法上選擇能夠較好地處理復(fù)雜問(wèn)題的擬牛頓算法；其二是在神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)上采用能夠較好處理小信號(hào)的小波神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)。通過(guò)仿真結(jié)果分析發(fā)現(xiàn)，該模型比普通的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型預(yù)測(cè)精度更高，尤其針對(duì)不同季節(jié)采用該模型有較好的預(yù)測(cè)效果。

2.1.2 基于遺傳算法神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

文獻(xiàn)[10]描述了一種改進(jìn)的神經(jīng)網(wǎng)絡(luò)算法，在神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上加入遺傳算法，建立GA-BP預(yù)測(cè)模型。首先對(duì)環(huán)境溫度、風(fēng)速、濕度、輻射強(qiáng)度等環(huán)境因素進(jìn)行主成分分析，剔除掉無(wú)用信息并篩選出主要成分作為GA-BP預(yù)測(cè)模型的輸入。設(shè)定初始種群數(shù)，經(jīng)過(guò)遺傳迭代，得到BP神經(jīng)網(wǎng)絡(luò)的最優(yōu)權(quán)值和閘值，經(jīng)過(guò)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練后得到最終預(yù)測(cè)結(jié)果。對(duì)預(yù)測(cè)結(jié)果分析后表明主成分分析的遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型比一般的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型在預(yù)測(cè)結(jié)果上更為準(zhǔn)確。

2.1.3 基于BP神經(jīng)網(wǎng)絡(luò)—馬爾科夫鏈預(yù)測(cè)模型

文獻(xiàn)[11]中提到一種基于BP神經(jīng)網(wǎng)絡(luò)—馬爾科夫鏈的光伏發(fā)電預(yù)測(cè)方法，將前一日的發(fā)電量及最高和最低溫度以及預(yù)測(cè)日當(dāng)天的最低和最高溫度作為模型的輸入，在經(jīng)過(guò)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)后根據(jù)預(yù)測(cè)的相對(duì)誤差采用馬爾科夫鏈模型進(jìn)行修正。避免了在建模的過(guò)程中忽略了實(shí)際的光照數(shù)據(jù)等。結(jié)果表明該模型具有較高的預(yù)測(cè)精度。

2.1.4 基于粒子群BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

文獻(xiàn)[12]中描述了一種基于粒子群的BP神經(jīng)網(wǎng)絡(luò)(PSO-BP)光伏發(fā)電預(yù)測(cè)模型，該模型將神經(jīng)網(wǎng)絡(luò)中需要調(diào)整的權(quán)值和閘值映射為PSO中的粒子，通過(guò)粒子間的競(jìng)爭(zhēng)與合作不斷優(yōu)化這些參數(shù)，使網(wǎng)絡(luò)的訓(xùn)練效率大大提高。通過(guò)與普通BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果相比較，基于PSO-BP神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電預(yù)測(cè)模型有更好的預(yù)測(cè)效果。

2.2 支持向量機(jī)預(yù)測(cè)法

支持向量機(jī)（SVM）是1995年由Corinna Cortes和Vapnik提出的，是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的模式識(shí)別方法，在解決一些復(fù)雜的非線性系統(tǒng)中具有極好的效果。其主要思想可以概括為將一個(gè)樣本空間映射到一個(gè)高維空間中，在原有樣本空間中線性不可分的問(wèn)題在高維空間中實(shí)現(xiàn)線性可分。

2.2.1 基于魯棒學(xué)習(xí)最小二乘支持向量機(jī)預(yù)測(cè)模型

文獻(xiàn)[13]中提到了一種改進(jìn)后的基于魯棒學(xué)習(xí)最小二乘支持向量機(jī)（RLS-SVM）的光伏預(yù)測(cè)模型。在傳統(tǒng)的LS-SVM基礎(chǔ)上采用魯棒學(xué)習(xí)提高系統(tǒng)的魯棒性，同時(shí)減少了系統(tǒng)的“過(guò)擬合”現(xiàn)象。該模型以歷史發(fā)電量，太陽(yáng)輻射強(qiáng)度和環(huán)境溫度作為輸入，以光伏發(fā)電功率為輸出，與LS-SVM模型及RBF神經(jīng)網(wǎng)絡(luò)做了仿真對(duì)比。研究結(jié)果表明，RLS-SVM光伏預(yù)測(cè)模型有更高的預(yù)測(cè)精度，能夠準(zhǔn)確的預(yù)測(cè)出光伏陣列額定輸出功率，有效地解決了光伏發(fā)電的隨機(jī)化問(wèn)題。

2.2.2 基于相似日和最小二乘支持向量機(jī)預(yù)測(cè)模型

文獻(xiàn)[14]提出了一種基于相似日和最小二乘支持向量機(jī)的光伏發(fā)電預(yù)測(cè)模型，該模型首先將天氣因素歸類(lèi)為晴天、陰天和雨天。將溫度和濕度作為兩個(gè)主要參考量，計(jì)算出預(yù)測(cè)當(dāng)日與歷史數(shù)據(jù)的相似度，根據(jù)相似度選擇相應(yīng)的相似日，由相似日的光伏發(fā)電量和預(yù)測(cè)日當(dāng)天的氣候特征來(lái)預(yù)測(cè)這一天的發(fā)電量。這種模型在一定程度上減小了天氣變化對(duì)預(yù)測(cè)值的影響，相比于SVM模型有更好的預(yù)測(cè)效果。

人工智能預(yù)測(cè)法有預(yù)測(cè)精度高、響應(yīng)速度快等優(yōu)點(diǎn)，BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)預(yù)測(cè)法是目前較為常用的人工智能預(yù)測(cè)法，許多其他的智能預(yù)測(cè)模型也都是基于這兩者加入其他算法進(jìn)行改進(jìn)。而這也使原本復(fù)雜的系統(tǒng)實(shí)現(xiàn)起來(lái)更為困難，尤其BP神經(jīng)網(wǎng)絡(luò)需要大量的原始數(shù)據(jù)進(jìn)行訓(xùn)練。而支持向量機(jī)面對(duì)大規(guī)模的訓(xùn)練樣本時(shí)更是難以實(shí)施。這些預(yù)測(cè)方法理論性較強(qiáng)，只能借助計(jì)算機(jī)實(shí)現(xiàn)仿真分析，很難與大型光伏發(fā)電站的實(shí)際情況相結(jié)合。

3 其他預(yù)測(cè)方法

在研究光伏陣列的數(shù)學(xué)模型中，我們不難發(fā)現(xiàn)影響光伏發(fā)電量的主要因素是溫度和輻射強(qiáng)度[1,3]。針對(duì)這一特性，人們提出另外一種間接預(yù)測(cè)光伏發(fā)電量的方法，即建立瞬時(shí)太陽(yáng)輻射模型，例如Hottel輻射預(yù)測(cè)模型或者Liu-Jordan輻射模型[15]等。這種預(yù)測(cè)方法以天文輻射作為輸入變量，以地表接收到的太陽(yáng)輻射為輸出建立數(shù)學(xué)模型來(lái)間接預(yù)測(cè)實(shí)時(shí)的光伏發(fā)電量。同樣利用此方法建立逐時(shí)太陽(yáng)能預(yù)測(cè)模型和日總太陽(yáng)能預(yù)測(cè)模型，可以實(shí)現(xiàn)以日為單位的光伏發(fā)電量。但這種方法實(shí)施起來(lái)十分困難，目前國(guó)內(nèi)外對(duì)這方面的研究尚處在起步階段。

從光伏電池板的電路特性出發(fā)可以直接采用日本工業(yè)標(biāo)準(zhǔn)（JIS）進(jìn)行光伏發(fā)電量的預(yù)測(cè)，這種方法較為簡(jiǎn)單，通過(guò)光伏陣列的I/V特性曲線由數(shù)學(xué)公式計(jì)算出其輸出功率。與之相似的三維模擬計(jì)算法則是尋找輸出的瞬時(shí)最大功率，計(jì)算出瞬間的發(fā)電量并將其累加起來(lái)進(jìn)而算出一天的發(fā)電量乃至一月的發(fā)電量。該方法充分考慮了影響光伏發(fā)電量的各個(gè)因素，包括太陽(yáng)高度角的選擇及配線方案等[16]。但這些方法僅在理論上存在可行性，實(shí)際實(shí)施起來(lái)具有一定的困難。

4 我國(guó)光伏發(fā)電量預(yù)測(cè)的發(fā)展現(xiàn)狀

目前我國(guó)正在走可持續(xù)發(fā)展的道路并且大力推進(jìn)“生態(tài)文明”建設(shè)，對(duì)能源的要求向著清潔環(huán)保的方向發(fā)展。在這樣的時(shí)代背景下我國(guó)的光伏發(fā)電產(chǎn)業(yè)得到了迅猛的發(fā)展。

根據(jù)德國(guó)商報(bào)報(bào)道，2014年最新全球十大光伏供應(yīng)商排名中中國(guó)企業(yè)就有四個(gè)之多，常州天合光能有限公司更是首次成為全球最大的光伏供應(yīng)商。其他三家分別為中國(guó)英利能源有限公司、無(wú)錫尚德太陽(yáng)能有限公司和晶科能源有限公司。在新增裝機(jī)容量方面，根據(jù)國(guó)家可再生能源中心統(tǒng)計(jì)數(shù)據(jù)顯示，由2008年以前的零增長(zhǎng)發(fā)展到2012年的新增裝機(jī)容量達(dá)328MW，僅次于德國(guó)和意大利，位列世界第三。這一趨還在以更快的速度增長(zhǎng)。到2020年前后累計(jì)裝機(jī)總量可達(dá)20000GW。國(guó)家電網(wǎng)公司《關(guān)于做好分布式光伏發(fā)電并網(wǎng)服務(wù)的工作的意見(jiàn)》中規(guī)定，自2012年11月1日起不超過(guò)6MW的光伏發(fā)電項(xiàng)目可以到當(dāng)?shù)氐碾娋W(wǎng)公司申請(qǐng)免費(fèi)并網(wǎng)運(yùn)行[1,3]。這一政策的頒布也促使了國(guó)內(nèi)的光伏產(chǎn)業(yè)的快速發(fā)展。

在光伏發(fā)電量預(yù)測(cè)方面，我國(guó)華北電力大學(xué)栗然等結(jié)合當(dāng)?shù)貧夂蛱卣髂M了30MW光伏電站發(fā)電量數(shù)據(jù)，利用支持向量機(jī)和回歸分析法做了發(fā)電量的預(yù)測(cè)。但該方法僅模擬光伏發(fā)電站的預(yù)測(cè)數(shù)據(jù)，沒(méi)有實(shí)驗(yàn)數(shù)據(jù)作為參考。華中科技大學(xué)在對(duì)18kW光伏發(fā)電站的研究中對(duì)每5分鐘系統(tǒng)的發(fā)電量進(jìn)行采集，陳昌松等結(jié)合這些數(shù)據(jù)和大量氣象數(shù)據(jù)建立了基于相似日的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。取得了很好的預(yù)測(cè)效果，但也同樣存在著一旦環(huán)境急劇變化預(yù)測(cè)失真等情況[17]。

而在德國(guó)光伏發(fā)電量的預(yù)測(cè)已不僅僅在理論預(yù)測(cè)階段，2009年就有6000MW光伏發(fā)電量在德國(guó)電網(wǎng)運(yùn)行，RWE運(yùn)輸風(fēng)暴公司（RWE TSO）與一些科研院在光伏發(fā)電量預(yù)測(cè)的準(zhǔn)確性上做了深入研究，他們不僅能夠準(zhǔn)確的對(duì)光伏的發(fā)電量進(jìn)行預(yù)測(cè)，更重要的是他們已經(jīng)在考慮系統(tǒng)的平衡性、網(wǎng)絡(luò)損耗、擁堵、儲(chǔ)能等問(wèn)題[18]。

總的來(lái)說(shuō)，雖然我國(guó)的光伏發(fā)電量在以迅猛的速度發(fā)展，但由于我國(guó)的光伏產(chǎn)業(yè)起步較晚，也存在著很多因素制約著其發(fā)展，使得我國(guó)的光伏產(chǎn)業(yè)與國(guó)外的發(fā)達(dá)國(guó)家存在著一定差距。

5 光伏發(fā)電量預(yù)測(cè)的發(fā)展方向

隨著光伏產(chǎn)業(yè)的大力發(fā)展，光伏發(fā)電量預(yù)測(cè)技術(shù)也日漸成熟。但是目前的研究方法過(guò)分依賴大量的原始數(shù)據(jù)及智能算法，而忽略了光伏陣列的電氣特性以及影響光伏陣列輸出功率的外在因素，因此，我們的預(yù)測(cè)工作仍有許多需要改進(jìn)的地方。

光伏產(chǎn)業(yè)的飛速發(fā)展必將帶來(lái)更多大規(guī)模的光伏發(fā)電站與大電網(wǎng)的并網(wǎng)，光伏并網(wǎng)后其輸出功率的工程模型如式(1)：

式(1)中P為光伏陣列的輸出功率，N為光伏組建個(gè)數(shù)，n1為光伏轉(zhuǎn)換效率，n2為最大功率點(diǎn)跟蹤工作效率，n3為逆變器效率，A為光伏組件的面積，a為光伏陣列傾角，Ra為光伏陣列所受福照度，s為溫度系數(shù)，Tc為光伏組件背板溫度[6]。由此可見(jiàn)不僅溫度和輻射強(qiáng)度對(duì)光伏發(fā)電量有影響，光伏陣列的安裝角度等同樣對(duì)光伏發(fā)電量存在一定的影響。由于目前光伏陣列的安裝角度較為固定，尤其大型光伏發(fā)電站一旦安裝很難更改。以往，光伏板的最佳安裝角度都是根據(jù)太陽(yáng)高度角來(lái)進(jìn)行設(shè)置，而我國(guó)地理環(huán)境復(fù)雜，一些地區(qū)具有獨(dú)特的氣候特征，僅僅通過(guò)太陽(yáng)高度角確定下來(lái)的安裝角度不一定是最優(yōu)的，因此，在安裝角度上，我們可以綜合考慮太陽(yáng)高度角以及當(dāng)?shù)靥赜械臍夂蛱卣?，確定當(dāng)?shù)氐淖罴寻惭b角度。

6 結(jié)束語(yǔ)

在對(duì)目前現(xiàn)有的大量有關(guān)光伏發(fā)電量預(yù)測(cè)的文獻(xiàn)調(diào)研后，本文系統(tǒng)的將光伏發(fā)電量預(yù)測(cè)的方法歸為數(shù)學(xué)統(tǒng)計(jì)預(yù)測(cè)法和人工智能預(yù)測(cè)法兩大類(lèi)。并相應(yīng)地補(bǔ)充了其他有關(guān)光伏發(fā)電量預(yù)測(cè)的方法，起到了查漏補(bǔ)缺的效果，同時(shí)分析了各自的優(yōu)缺點(diǎn)。數(shù)學(xué)統(tǒng)計(jì)法可以大致模擬出預(yù)測(cè)數(shù)據(jù)的變化趨勢(shì)，但其過(guò)分依賴歷史數(shù)據(jù)，存在預(yù)測(cè)結(jié)果滯后等特點(diǎn)。人工智能算法有很好的預(yù)測(cè)精度，也有很快的響應(yīng)速度，但其理論性較強(qiáng)，多數(shù)情況下在計(jì)算機(jī)上進(jìn)行建模與仿真，很難與大型光伏發(fā)電站的實(shí)際情況相結(jié)合。通過(guò)建立太陽(yáng)能輻射模型的間接預(yù)測(cè)以及單純的考慮光伏陣列的I/V特性預(yù)測(cè)同樣存在實(shí)現(xiàn)起來(lái)過(guò)于復(fù)雜和考慮過(guò)于片面的缺點(diǎn)。未來(lái)光伏發(fā)電量預(yù)測(cè)技術(shù)應(yīng)先在有的基礎(chǔ)上加以改進(jìn)完善，兼顧考慮環(huán)境因素、電氣特性以及最佳安裝角度等問(wèn)題，實(shí)現(xiàn)預(yù)測(cè)精度更高、響應(yīng)速度更快、考慮更為全面等特點(diǎn)。

[1]王磊.光伏發(fā)電系統(tǒng)輸出功率短期預(yù)測(cè)技術(shù)研究[D].合肥工業(yè)大學(xué),2012.

[2]Il-Song Kim,Myung-Bok Kim,Myung-Joong Youn.New Maximum Power Point Tracker Using Sliding-Mode Observer for Estimation of Solar Array Current in the Grid-ConnectedPhotovoltaic System[J].IEEE Transaction Industrial Electronice,2006,53(4):1027-1035.

[3]袁曉玲,施俊華,徐杰彥.計(jì)及天氣類(lèi)型指數(shù)的光伏發(fā)電短期出力預(yù)測(cè)[J].中國(guó)電機(jī)工程學(xué)報(bào),2013,34:57-64,12.

[4]姜強(qiáng)鑫.基于小波神經(jīng)網(wǎng)絡(luò)的分布式光伏發(fā)電出力預(yù)測(cè)[D].南昌大學(xué),2012.

[5]徐靜,陳正洪,唐俊,李芬.建筑光伏并網(wǎng)發(fā)電系統(tǒng)的發(fā)電量預(yù)測(cè)初探[J].電力系統(tǒng)保護(hù)與控制,2012,18:81-85.

[6]李光明,廖華,李景天,趙恒利,黃波,何京鴻.并網(wǎng)光伏發(fā)電系統(tǒng)發(fā)電量預(yù)測(cè)方法的探討[J].云南師范大學(xué)學(xué)報(bào)(自然科學(xué)版),2011,02:33-38,64.

[7]李光明,劉祖明,何京鴻,趙恒利,張樹(shù)明.基于多元線性回歸模型的并網(wǎng)光伏發(fā)電系統(tǒng)發(fā)電量預(yù)測(cè)研究[J].現(xiàn)代電力,2011,02:43-48.

[8]蘭華,廖志民,趙陽(yáng).基于ARMA模型的光伏電站出力預(yù)測(cè)[J].電測(cè)與儀表,2011,02:31-35.

[9]楊超穎,王金浩,王碩,徐永海,黃浩.基于擬牛頓法小波神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電系統(tǒng)短期功率預(yù)測(cè)模型[J].中國(guó)電力,2014,06:117-124.

[10]袁曉玲,施俊華,徐杰彥.基于BP神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電短期出力預(yù)測(cè)[J].可再生能源,2013,07:11-16.

[11]姜僑娜,陳中.BP-馬爾科夫組合預(yù)測(cè)方法在光伏發(fā)電量預(yù)測(cè)中的應(yīng)用[J].電力需求側(cè)管理,2011,06:21-24.

[12]張佳偉,張自嘉.基于PSO-BP神經(jīng)網(wǎng)絡(luò)的短期光伏系統(tǒng)發(fā)電預(yù)測(cè)[J].可再生能源,2012,08:28-32.

[13]李洪珠,賈威,聶苓,鄂小雪.基于魯棒LS-SVM在光伏發(fā)電預(yù)測(cè)中的應(yīng)用[J].計(jì)算機(jī)測(cè)量與控制,2013,05:1166-1167,1170.

[14]傅美平,馬紅偉,毛建容.基于相似日和最小二乘支持向量機(jī)的光伏發(fā)電短期預(yù)測(cè)[J].電力系統(tǒng)保護(hù)與控制,2012,16:65-69.

[15]Md Habibur Rahman,Susumu Yamashiro.Novel distributed power generating system of PV-ECASS using solar energy estimation[J].IEEE Transactions on Energy Conversion,2007,22(2):358-367.

[16]楊超,榑沼,弘貴.太陽(yáng)能光伏發(fā)電系統(tǒng)發(fā)電量的預(yù)測(cè)方法[J].智能建筑電氣技術(shù),2011,02:29-34.

[17]李芬,陳正洪,成馳,段善旭.太陽(yáng)能光伏發(fā)電量預(yù)報(bào)方法的發(fā)展[J].氣候變化研究進(jìn)展.2011,02:136-142

[18]Ernst B,Reyer,F,Vanzetta,J.Wind power and photovoltaic prediction tools for balancing and grid operation[J].2009 CIGRE/IEEE PES Joint Symposium.2009:1-9.