光伏發(fā)電系統(tǒng)功率預(yù)測方法綜述

李安壽，陳琦，王子才，李鐵才

（1.哈爾濱工業(yè)大學(xué)航天學(xué)院，黑龍江 哈爾濱 150001；

2.深圳航天科技創(chuàng)新研究院電力電子與電力傳動研究所，廣東深圳 518057；3.中國空間技術(shù)研究院，北京 100094）

光伏發(fā)電系統(tǒng)功率預(yù)測方法綜述

李安壽1，2，陳琦3，王子才1，李鐵才2

（1.哈爾濱工業(yè)大學(xué)航天學(xué)院，黑龍江 哈爾濱 150001；

2.深圳航天科技創(chuàng)新研究院電力電子與電力傳動研究所，廣東深圳 518057；3.中國空間技術(shù)研究院，北京 100094）

提高功率預(yù)測水平是光伏發(fā)電系統(tǒng)并網(wǎng)的關(guān)鍵技術(shù)問題，對提高光伏發(fā)電開發(fā)利用、保證電網(wǎng)安全運(yùn)行有重要意義。對光伏發(fā)電系統(tǒng)的功率預(yù)測方法進(jìn)行了分析與總結(jié)，根據(jù)光伏發(fā)電的應(yīng)用及需求，歸納了各類光伏發(fā)電系統(tǒng)功率預(yù)測方法的優(yōu)點(diǎn)及不足，希望對我國光伏發(fā)電預(yù)測方法的發(fā)展起到一定的促進(jìn)和推動作用。

光伏發(fā)電；功率預(yù)測；預(yù)測方法；預(yù)測模型

近年來，由于人們對可再生能源的高度重視，光伏發(fā)電技術(shù)得到了快速的發(fā)展，但光伏發(fā)電也存在一定的問題。由于太陽輻射受季節(jié)、天氣等氣象因素影響，光伏發(fā)電量具有明顯的隨機(jī)性和波動性。大量光伏發(fā)電系統(tǒng)接入電網(wǎng)后，會對電網(wǎng)的穩(wěn)定安全運(yùn)行帶來嚴(yán)峻挑戰(zhàn)，當(dāng)光伏發(fā)電占比超過15%時，可能造成電網(wǎng)癱瘓［1］。對傳統(tǒng)的火電、水電進(jìn)行調(diào)節(jié)代價又非常大，因此對現(xiàn)有的光伏發(fā)電系統(tǒng)進(jìn)行功率預(yù)測特別是超短期功率預(yù)測對電網(wǎng)系統(tǒng)具有重要的意義［2］。

1　預(yù)測方法分類

1.1按預(yù)測時間尺度分類

從時間尺度上可以分為中長期功率預(yù)測、短期功率預(yù)測和超短期功率預(yù)測［3］。中長期功率預(yù)測的時間尺度大，一般為1周或1個月，主要用于光伏電站的規(guī)劃設(shè)計和電網(wǎng)中長期調(diào)度等，短期功率預(yù)測的時間尺度一般為1～3 d，超短期功率預(yù)測的時間尺度為0～4 h，短期和超短期功率預(yù)測對電網(wǎng)實(shí)時調(diào)度等具有重要的決定作用，對系統(tǒng)運(yùn)行安全性和穩(wěn)定性具有直接影響。

目前，中長期功率預(yù)測一般采用統(tǒng)計方法利用歷史數(shù)據(jù)進(jìn)行預(yù)測，短期功率預(yù)測一般需根據(jù)數(shù)值天氣預(yù)報獲得未來1～3 d內(nèi)氣象要素預(yù)報值，然后根據(jù)歷史數(shù)據(jù)和氣象要素信息得到地面輻照強(qiáng)度的預(yù)測值，進(jìn)而獲得光伏電站輸出功率的預(yù)測值，超短期功率預(yù)測的主要原則是根據(jù)地面拍攝的云圖或地球同步衛(wèi)星拍攝的衛(wèi)星云圖推測云層運(yùn)動情況，從而計算出未來幾h內(nèi)太陽輻照強(qiáng)度，再通過光伏發(fā)電功率模型得到光伏發(fā)電輸出功率的預(yù)測值。

1.2按預(yù)測空間尺度分類

光伏發(fā)電功率預(yù)測方法按照空間尺度主要分為4種，分別是微尺度、小尺度、中尺度、大尺度功率預(yù)測方法［3］。依次針對單個發(fā)電單元、單個光伏電站、由多個光伏電站組成的光伏電站集群和更大地理區(qū)域內(nèi)的光伏發(fā)電站。空間尺度越小，功率預(yù)測越難，這是因?yàn)轭A(yù)測時無法采用平均值，尺度越小對功率預(yù)測時的空間分辨率的要求越高。

近年來，小功率的分布式發(fā)電系統(tǒng)大量發(fā)展，其發(fā)電功率波動性很大，對電網(wǎng)系統(tǒng)的穩(wěn)定性和安全性造成較大威脅，這對光伏發(fā)電系統(tǒng)功率預(yù)測提出了更高要求。

1.3按預(yù)測方式分類

從預(yù)測方式上可分為直接預(yù)測和間接預(yù)測兩類。前者直接對光伏電站的輸出功率進(jìn)行預(yù)測；后者又叫分步預(yù)測，首先對太陽輻射強(qiáng)度進(jìn)行預(yù)測，然后根據(jù)光伏發(fā)電系統(tǒng)發(fā)電模型得到輸出功率。

直接預(yù)測方式簡潔方便，但直接預(yù)測模型需要從歷史發(fā)電數(shù)據(jù)直接預(yù)測未來的發(fā)電功率，預(yù)測的準(zhǔn)確性一方面決定于預(yù)測算法，另一方面決定于是否有大量準(zhǔn)確的歷史數(shù)據(jù)。分步預(yù)測方式包括太陽輻照強(qiáng)度預(yù)測和光伏發(fā)電系統(tǒng)功率模型兩個過程，在每個過程中可靈活選擇不同的方法，某種程度上克服了直接預(yù)測方式的局限性。

1.4按預(yù)測方法分類

從預(yù)測方法上來說，光伏功率預(yù)測包含統(tǒng)計方法和物理方法。統(tǒng)計方法的原理是統(tǒng)計分析歷史數(shù)據(jù)，從而發(fā)現(xiàn)其內(nèi)在規(guī)律并最終用于發(fā)電功率預(yù)測，可以直接預(yù)測輸出功率，也可以預(yù)測太陽輻照強(qiáng)度；物理方法是在已知太陽輻射強(qiáng)度預(yù)測值的情況下，研究光能轉(zhuǎn)化的物理過程，采用物理方程，考慮溫度、壽命等影響因素，由預(yù)測的太陽輻射強(qiáng)度得到光伏系統(tǒng)發(fā)電功率預(yù)測值。

2　預(yù)測方法國內(nèi)外研究情況

2.1直接預(yù)測方法

直接預(yù)測方法本質(zhì)上都是統(tǒng)計方法，由歷史數(shù)據(jù)預(yù)測未來數(shù)據(jù)。其原理是假定光伏發(fā)電系統(tǒng)不發(fā)生衰減，那么發(fā)電歷史規(guī)律不會發(fā)生改變，根據(jù)簡單天氣預(yù)報和歷史發(fā)電數(shù)據(jù)，就可對未來的發(fā)電功率進(jìn)行預(yù)測。

2.1.1線性預(yù)測方法

1）時間序列法。時間序列預(yù)測法是應(yīng)用較早的一種方法。它把負(fù)荷數(shù)據(jù)看作是一個周期性變化的時間序列。根據(jù)系統(tǒng)發(fā)電的歷史數(shù)據(jù)，建立數(shù)學(xué)模型來描述發(fā)電功率的統(tǒng)計規(guī)律性，在此基礎(chǔ)上對光伏發(fā)電功率進(jìn)行預(yù)報［4-5］。

2）時間趨勢外推法。時間趨勢外推法主要使用馬爾科夫鏈模型預(yù)測光伏發(fā)電量［6-8］。由于該方法受天氣影響很大，目前較少使用。

2.1.2非線性預(yù)測方法

1）人工神經(jīng)網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)（ANN）算法在復(fù)雜非線性預(yù)測方面有著良好表現(xiàn)，適用于光伏發(fā)電功率預(yù)測這樣的場合。將天氣、季節(jié)等影響因素作為輸入，用歷史數(shù)據(jù)對算法進(jìn)行訓(xùn)練，最終可實(shí)現(xiàn)光伏發(fā)電功率的預(yù)測［9-11］。

2）支持向量機(jī)。支持向量機(jī)（SVM）是一種機(jī)器學(xué)習(xí)算法，與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法不同的是，它實(shí)現(xiàn)了結(jié)構(gòu)風(fēng)險最小化（SRM）。在國外，法國瑪格麗特太陽能協(xié)會使用支持向量機(jī)算法進(jìn)行了光伏系統(tǒng)發(fā)電量預(yù)測研究。在國內(nèi)，栗然等［12］建立了基于支持向量機(jī)的光伏系統(tǒng)發(fā)電功率預(yù)測模型。

3）其它非線性方法。常用的非線性方法還有模糊邏輯預(yù)測法［13］、小波分析預(yù)測法［14］、卡爾曼濾波預(yù)測法［15］等。

各種非線性方法是未來直接預(yù)測法發(fā)展的重點(diǎn)，目前國內(nèi)外的研究也多集中于此。

2.1.3組合預(yù)測方法

組合預(yù)測法是指使用幾種方法分別預(yù)測后，再對多種結(jié)果進(jìn)行分析處理。組合預(yù)測有兩類方法：一種是指將幾種預(yù)測方法所得的結(jié)果進(jìn)行比較，最后選取誤差最小的模型進(jìn)行預(yù)測，該方法難點(diǎn)在于誤差計算方法；另外一種是將幾種結(jié)果進(jìn)行加權(quán)平均，提高預(yù)測的準(zhǔn)確性。該方法的難點(diǎn)在于如何計算各種預(yù)測方法的權(quán)重。

2.2分步預(yù)測法中的太陽輻照強(qiáng)度預(yù)測方法

上節(jié)中的直接預(yù)測方法也可用于太陽輻照強(qiáng)度預(yù)測，只是輸入數(shù)據(jù)中的歷史發(fā)電功率變?yōu)闅v史太陽輻照強(qiáng)度，其它類似，不再贅述。而以下介紹的幾種方法可直接進(jìn)行太陽輻照強(qiáng)度預(yù)報，無需歷史數(shù)據(jù)。

2.2.1基于數(shù)值天氣預(yù)報的方法

數(shù)值天氣預(yù)報根據(jù)流動力學(xué)和熱力學(xué)原理建立微分方程組，確定大氣初始狀態(tài)后，就可迭代計算出來某個時間大氣的狀態(tài)，就是通常所說的溫度、風(fēng)、降水、太陽輻照度等。

目前經(jīng)常使用的全球數(shù)值天氣預(yù)報模型主要有美國的GFS模型和歐盟的ECMWF模型，最長可進(jìn)行15 d的預(yù)報，其中GFS免費(fèi)提供預(yù)報。全球數(shù)值天氣預(yù)報模型的空間分辨率和時間分辨率都比較低，目前的模型其空間分辨率為16～50 km，時間分辨率為3～6 h。

全球數(shù)值天氣預(yù)報模型難以直接應(yīng)用，常常作為其它更小尺度預(yù)報的基礎(chǔ)。中尺度數(shù)值天氣預(yù)報模型僅僅覆蓋地球上的一小部分地區(qū)，由各個國家或商業(yè)公司運(yùn)行，空間分辨率和時間分辨率要高得多，空間分辨率在1～20 km，時間分辨率為1 h。

中尺度預(yù)報模型常用的是WRF模型。WRF模型是20世紀(jì)90年代由美國的科研機(jī)構(gòu)為中心開發(fā)的一種統(tǒng)一的中尺度數(shù)值天氣預(yù)報模型，2000年開始免費(fèi)對外發(fā)布，已更新了數(shù)個版本，用戶可在此基礎(chǔ)上開發(fā)本地的數(shù)值天氣預(yù)報模型，空間分辨率可達(dá)1 km。文獻(xiàn)［16］將MM5中尺度模型和美國國家環(huán)境預(yù)報中心模型的輻照度預(yù)報與地面觀測值進(jìn)行了對比研究。文獻(xiàn)［17］提出了一種利用ECMWF提供的輻照度預(yù)報值進(jìn)行單個和區(qū)域光伏電站發(fā)電功率預(yù)測的方法。

目前數(shù)值天氣預(yù)報的缺點(diǎn)在于其空間和時間分辨率仍然不夠高。1 km的空間分辨率無法對具體的一塊云做出預(yù)測，只能對某一片區(qū)域的整體平均天氣做出預(yù)測。1 h的時間分辨率也無法進(jìn)行高時間分辨率的功率預(yù)測。因此，基于數(shù)值天氣預(yù)報的方法目前主要應(yīng)用于較大區(qū)域的光伏發(fā)電系統(tǒng)功率預(yù)測。另外，數(shù)值天氣預(yù)報方法中的氣象和環(huán)境因素較為復(fù)雜，精準(zhǔn)度的提高一直是目前研究的重點(diǎn)和難點(diǎn)。

2.2.2基于云圖的方法

云的大小、形狀、厚度、致密度等因素都會直接影響到達(dá)地面的太陽輻照強(qiáng)度，而云在時間上和空間上很容易發(fā)生變化。因此，知道并預(yù)測云的變化是太陽輻照強(qiáng)度預(yù)測面臨的一項(xiàng)挑戰(zhàn)任務(wù)。

通過衛(wèi)星云圖和地面拍攝的云圖，可以預(yù)測云的變化。其基本原理是由歷史的云圖數(shù)據(jù)預(yù)測未來云的變化。

文獻(xiàn)［18］研究了使用氣象衛(wèi)星云圖進(jìn)行光伏發(fā)電功率預(yù)測的方法。作者調(diào)查比較了多種使用氣象衛(wèi)星數(shù)據(jù)提取云特征并預(yù)測太陽輻照強(qiáng)度的方法。文獻(xiàn)［19］也研究了通過靜地運(yùn)行環(huán)境衛(wèi)星云圖預(yù)測太陽輻照強(qiáng)度預(yù)測的方法。這些衛(wèi)星實(shí)際上都是遙感衛(wèi)星，通過勘測地球大氣系統(tǒng)發(fā)射或反射的電磁輻射可獲得遙感圖像數(shù)據(jù)。

但基于衛(wèi)星云圖的方法空間分辨率仍然不夠高，基于地面的云圖方法則彌補(bǔ)了這一缺陷。該方法利用地面的監(jiān)測裝置抓拍云圖，能夠捕捉云的突然變化?；诘孛娴脑茍D方法預(yù)測的時間范圍在0～25 min之間。

2.3分步預(yù)測法中的光伏發(fā)電系統(tǒng)功率模型建立方法

光伏系統(tǒng)發(fā)電功率模型是實(shí)現(xiàn)發(fā)電功率準(zhǔn)確預(yù)測的關(guān)鍵。目前，國內(nèi)外有關(guān)光伏發(fā)電功率模型的建模方法主要有物理模型方法和統(tǒng)計模型方法兩大類。

2.3.1物理模型方法

物理模型方法的有效性取決于對研究對象內(nèi)部構(gòu)成及其所遵循規(guī)律的把握程度和模型參數(shù)的精度。

1）效率模型。即直接通過太陽輻照強(qiáng)度和效率因子估算光伏發(fā)電系統(tǒng)輸出功率。該方法計算精度低，只適用于光伏電站選址等對精度要求很低的場合。

2）電子元件模型［20-21］。使用基于光伏半導(dǎo)體設(shè)備物理或發(fā)光二極管的物理原理來建立電子元件模型。由于模型考慮因素不夠全面，基于該類模型的預(yù)測方法基本不再使用。

3）物理模型。綜合考慮壽命、溫度、雨雪等的影響，建立光伏發(fā)電的物理模型。結(jié)合天氣、太陽陣的構(gòu)型布片方式等，日本學(xué)者建立三維模型考慮了建筑物遮擋情況下對復(fù)雜光伏發(fā)電量預(yù)測方法［22］。

2.3.2統(tǒng)計模型方法

統(tǒng)計模型把光伏發(fā)電系統(tǒng)看作一個“黑箱”，并不關(guān)注內(nèi)部各模塊的特性或內(nèi)部各因素影響分析，而是基于實(shí)際運(yùn)行數(shù)據(jù)對其功率特性進(jìn)行擬合。常用的統(tǒng)計建模方法有神經(jīng)網(wǎng)絡(luò)、關(guān)聯(lián)數(shù)據(jù)等方法。文獻(xiàn)［23］利用回歸神經(jīng)網(wǎng)絡(luò)建立了光伏系統(tǒng)的發(fā)電功率特性模型。

3　結(jié)論

本文在大量調(diào)研國內(nèi)外光伏發(fā)電預(yù)測方法研究文獻(xiàn)的基礎(chǔ)上，對各類方法進(jìn)行了詳細(xì)分類歸納總結(jié)和比較，給出了各種方法的優(yōu)缺點(diǎn)和應(yīng)用場合。如何在已有研究成果基礎(chǔ)上找出影響光伏發(fā)電量的關(guān)鍵因素，綜合利用數(shù)值天氣預(yù)報、衛(wèi)星云圖、地面觀測站數(shù)據(jù)提高氣象要素預(yù)報的準(zhǔn)確率，并由此建立合適的光伏發(fā)電預(yù)測方法已成為太陽能光伏發(fā)電量預(yù)報系統(tǒng)研究亟待解決的問題。

［1］ Edward S C.可持續(xù)能源的前景［M］.北京：清華大學(xué)出版社，2002.

［2］Bacher P.Short-term Solar Power Forecasting［D］.Copenha?gen，Denmark：Technical University of Denmark，2008.

［3］ 王飛.并網(wǎng)型光伏電站發(fā)電功率預(yù)測方法與系統(tǒng)［D］.北京：華北電力大學(xué)，2013.

［4］ Chowdhury B H，Rahman S.Forecasting Sub-hourly Solar Irra?diance for Prediction of Photovoltaic Outpu［tC］//New Orleans，LA：IEEEPhotovoltaicSpecialistsConference，1987：171-176.

［5］ 中蘭華，廖志民，趙陽.基于ARMA模型的光伏電站出力預(yù)測［J］.電測與儀表，2011，48（2）：31-35.

［6］ Safie F M.Probabilistic Modeling of Solar Power Systems［C］// Atlanta，GA：Reliability and Maintainability Symposium，1989：425-430.

［7］ Muselli M，Poggi P，Notton G，et al.First Order Markov Chain Model for Generating Synthetic“Ttypical Days”Series of Glob?al Irradiation in Order to Design Photovoltaic Stand Alone Sys?tems［J］.Energy Conversion and Management，2001，42（6）：675-687.

［8］ 丁明，徐寧舟.基于馬爾科夫鏈的光伏發(fā)電系統(tǒng)輸出功率短期預(yù)測方法［J］.電網(wǎng)技術(shù)，2011，35（1）：152-157.

［9］Hiyama T.Neural Network Based Estimation of Maximum Power Generation from PV Module Using Environmental In?formation［J］.IEEE Transactions on Energy Conversion， 1997，12（3）：241-247.

［10］Yona A，Senjyu T，Saber A Y，et al.Application of Neural Net?work to 24-hour-ahead Generating Power Forecasting for PV System［C］//IEEE Power and Energy Society General Meet?ing-conversion and Delivery of Electrical Energy in the 21st Century，2008，1-6.

［11］Cao S H，Cao J C.Forecast of Solar Irradiance Using Recur?rent Neural Networks Combined with Wavelet Analysis［J］. Applied Thermal Engineering，2005，25（2/3）：161-172.

［12］栗然，李廣敏.基于支持向量機(jī)回歸的光伏發(fā)電出力預(yù)測［J］.中國電力，2008，41（2）：74-78.

［13］Mellit A，Kalogirou S，Shaari S，et al.Methodology for Predict?ing Sequences of Mean Monthly Clearness Index and Daily So?lar Radiation Data in Remote Areas：Application for Sizing a Stand-alone PV System［J］.Renewable Energy，2008，33（7）：1570-1590.

［14］Mellit A，Benghanem M，Kalogirou S A.An Adaptive Wave?let-network Model for Forecasting Daily Total SoIar-radiation ［J］.Applied Energy，2006，83（7）：705-722.

［15］Chaabene M，Ammar M.Neuro-fuzzy Dynamic Model with Kal?man Filter to Forecast Irradiance and Temperature for Solar Energy Systems［J］.Renewable Energy，2008，33（7）：1435-1443.

［16］Zamora R，Dutton E，Trainer M，et al.The Accuracy of Solar Irradiance Calculations Used in Mesoscale Numerical Weath?er Prediction［J］.Monthly Weather Review，2005，133（4）：783-792.

［17］Lorenz E，Hurka J，Heinemann D，et al.Irradiance Forecast?ing for the Power Prediction of Grid-connected Photovoltaic Systems［J］.IEEE Journal of Selected Topics in Applied Earth Observation and Remote Sensing，2009，2（1）：2-10.

［18］Elke L，Johannes H，Detlev H，et al.Irradiance Forecasting for the Power Prediction of Grid-connected Photovoltaic Systems ［J］.IEEE Journal of Selected Topics in Applied Earth Obser?vations and Remote Sensing，2009，2（1）：2-10.

［19］Richard P，Sergey K，James S，et al.Validation of Short and Medium Term Operational Solar Radiation Forecasts in the US ［J］.Solar Energy，2010，84（12）：2161-2172.

［20］Osterwald C R.Translation of Device Performance Measure?ments to Reference Conditions［J］.Solar Cells，1986，18 （18）：269-279.

［21］Green M A.Solar Cells：Operating Principles，Technology and System Application［M］.New Jersey：Prentice-Hall，1982.

［22］楊超，榑沼弘貴.太陽能光伏發(fā)電系統(tǒng)發(fā)電量的預(yù)測方法［J］.智能建筑電氣技術(shù)，2011，5（2）：29-34.

［23］Riley D，Venayagamoorthy G.Characterization and Modeling of a Grid-connected Photovoltaic System Using a Recurrent Neural Network［C］//Proc of the 2011 International Joint Con?ference on Neural Networks，San Jose，California，USA，2011：1761-1766.

Review of Power Forecast Methods for Photovoltaic Generating System

LI Anshou1，2，CHEN Qi3，WANG Zicai1，LI Tiecai2
（1.School of Astronautics，Harbin Institute of Technology，Harbin 150001，Heilongjiang，China；
2.Power Electronic and Power Transmission Research Institute，Shenzhen Academy of Aerospace Technology，Shenzhen 518057，Guangdong，China；
3.China Academy of Space Technology，Beijing 100094，China）

Enhancing the power prediction accuracy is one of the key technique problems of grid-connected photovoltaic generating system，which is not only crucial for the security of power grid，but also for solar photovoltaic utilization.The present forecasting techniques for photovoltaic generating system were comprehensively discussed and analyzed.The advantages and deficiencies of present forecasting techniques were also summed up according to different kinds of demand and application.Hope that it can play a positive role in advancing and promoting the development of domestic forecasting techniques for photovoltaic generating system.

photovoltaic generating；power forecast；forecast method；forecast model

TM615

A

2015-09-10

修改稿日期：2016-01-15

廣東省自然科學(xué)基金（2014A030310461）；深圳市科技計劃項(xiàng)目（JCYJ20150402151049782）

李安壽（1984-），男，博士后，Email：anshouli@aliyun.com