分布式光伏功率預(yù)測技術(shù)及其展望

張書偉，薛瑞鵬，張 琴，趙麗萍

（國網(wǎng)冀北電力有限公司張家口供電公司，河北張家口 075000）

1 概述

分布式光伏是指分布在建筑屋頂或周圍的小型光伏發(fā)電系統(tǒng)，具有分散式、規(guī)模小、可組合等特點。近年來，隨著能源轉(zhuǎn)型和綠色發(fā)展的推進(jìn)，分布式光伏在電力系統(tǒng)中的地位越來越重要。根據(jù)國家能源局的數(shù)據(jù)，2022年我國分布式光伏新增裝機達(dá)到25.87 GW，同比增長236.7%，呈現(xiàn)快速增長態(tài)勢。其中，戶用光伏新增裝機量達(dá)到25.25 GW，占分布式光伏新增裝機的49.4%。此外，根據(jù)國際原子能機構(gòu)（IEA）的預(yù)測，到2024年，分布式光伏將占據(jù)全球光伏市場總量近一半，其中工商業(yè)分布式將成為主要市場。目前，我國工商業(yè)光伏市場規(guī)模也已經(jīng)超過200 GW，并且隨著城市化的不斷推進(jìn)，這一數(shù)字極有可能在2040年達(dá)到300 GW。這意味著，工商業(yè)分布式光伏的發(fā)展將成為我國實現(xiàn)“雙碳”目標(biāo)不可或缺的環(huán)節(jié)。

分布式光伏的經(jīng)濟性也在不斷提升，尤其是在分布式光儲項目中。通過結(jié)合峰谷時段合理利用儲能系統(tǒng)，可以有效減少實際用電費用，同時通過峰谷價差套利，在用電低谷時利用低電價充電，在用電高峰時放電供給工商業(yè)用戶。據(jù)IEA 預(yù)測，未來5 a，新增分布式光伏裝機量的75%將來自于工商業(yè)分布式光伏。圖1是一種典型的光伏應(yīng)用場景。

圖1 典型的光伏應(yīng)用場景

綜上所述，分布式光伏已經(jīng)成為我國及全球?qū)崿F(xiàn)“雙碳”目標(biāo)的重要手段之一。未來，隨著技術(shù)的進(jìn)步和市場規(guī)模的擴大，分布式光伏將在能源轉(zhuǎn)型和綠色發(fā)展中發(fā)揮更加重要的作用。文章旨在綜述分布式光伏功率預(yù)測方法的研究現(xiàn)狀和發(fā)展趨勢，詳細(xì)闡述各種預(yù)測方法的原理、方法及優(yōu)缺點，并通過分析現(xiàn)有研究的不足和未來發(fā)展方向，為相關(guān)領(lǐng)域的研究提供參考和借鑒。

2 分布式光伏功率預(yù)測方法

2.1 物理模型預(yù)測

物理模型預(yù)測是根據(jù)太陽輻射、溫度等物理因素建立的光伏功率預(yù)測模型。該方法基于光伏電池的物理原理，通過分析太陽輻射、溫度等物理因素對光伏電池轉(zhuǎn)換效率的影響，預(yù)測光伏電站的功率輸出。

以下是一種物理模型公式，用于預(yù)測分布式光伏電站的輸出功率：

式中，P為光伏電站的輸出功率，W；S為太陽輻照度，W/m2；η為光伏電池的轉(zhuǎn)換效率，%；A為光伏電池的面積，m2；cosθ為太陽光的入射角，無量綱。

該公式假設(shè)光伏電池的性能是線性的，即光伏電池的轉(zhuǎn)換效率與太陽輻照度、環(huán)境溫度、組件溫度等因素成線性關(guān)系。實際上，光伏電池的性能是非線性的，因此在實際應(yīng)用中，還需要根據(jù)具體的光伏電池型號和工作環(huán)境條件進(jìn)行校正和優(yōu)化。

物理模型預(yù)測的優(yōu)點是能夠較為準(zhǔn)確地反映光伏電池的性能和輸出功率，適用于不同類型的光伏電池和電站。然而，物理模型預(yù)測需要較為準(zhǔn)確的天氣和環(huán)境數(shù)據(jù)，且計算復(fù)雜度較高，實時性較差[1]。

2.2 統(tǒng)計模型預(yù)測

分布式光伏功率預(yù)測的統(tǒng)計模型公式是通過分析歷史數(shù)據(jù)，建立光伏電站功率輸出與氣象因素之間的統(tǒng)計關(guān)系，從而預(yù)測未來光伏電站的功率輸出。具體來說，統(tǒng)計模型公式需要利用歷史數(shù)據(jù)，包括光伏電站的功率輸出數(shù)據(jù)和相關(guān)的氣象數(shù)據(jù)（如太陽輻照度、環(huán)境溫度等），通過統(tǒng)計分析方法，建立光伏電站功率輸出與氣象因素之間的統(tǒng)計關(guān)系。然后，根據(jù)未來氣象數(shù)據(jù)的預(yù)測值預(yù)測未來光伏電站的功率輸出。

常見的統(tǒng)計模型包括線性回歸模型、支持向量機模型、神經(jīng)網(wǎng)絡(luò)模型等。其中，線性回歸模型是一種簡單而常用的統(tǒng)計模型，通過擬合回歸方程來預(yù)測光伏電站的功率輸出。支持向量機模型和神經(jīng)網(wǎng)絡(luò)模型則更加復(fù)雜，但具有更高的預(yù)測精度和泛化能力[2]。

統(tǒng)計模型公式具有以下優(yōu)點：①適用于大量數(shù)據(jù)。統(tǒng)計模型公式可以利用大量的歷史數(shù)據(jù)和氣象數(shù)據(jù)進(jìn)行訓(xùn)練和預(yù)測，從而提高預(yù)測精度。②簡單易用。統(tǒng)計模型公式較為簡單，容易理解和使用。③可解釋性。統(tǒng)計模型公式具有較好的可解釋性，能夠清楚地說明光伏電站功率輸出與氣象因素之間的統(tǒng)計關(guān)系。

然而，統(tǒng)計模型公式也存在以下缺點：①數(shù)據(jù)依賴。統(tǒng)計模型公式的預(yù)測精度取決于歷史數(shù)據(jù)的質(zhì)量和數(shù)量，如果歷史數(shù)據(jù)不完整或不準(zhǔn)確，會影響預(yù)測精度。②無法處理非線性關(guān)系。統(tǒng)計模型公式通常假設(shè)光伏電站功率輸出與氣象因素之間存在線性關(guān)系，但實際上二者之間可能存在非線性關(guān)系，這會導(dǎo)致預(yù)測誤差較大。③無法處理多變量問題。統(tǒng)計模型公式通常只考慮單個氣象因素對光伏電站功率輸出的影響，無法處理多變量問題。

以下是一種統(tǒng)計模型公式，基于線性回歸模型，用于預(yù)測分布式光伏電站的功率輸出：

式中，P為光伏電站的輸出功率，W；S為太陽輻照度，W/m2；a和b為回歸系數(shù)，需要根據(jù)歷史數(shù)據(jù)通過線性回歸方法求解。

該公式假設(shè)光伏電站的輸出功率與太陽輻照度之間存在線性關(guān)系。在實際應(yīng)用中，還需要考慮環(huán)境溫度、組件溫度、氣象因素等多個變量的影響，可以將其擴展為多元線性回歸模型。同時，為了提高預(yù)測精度，還可以使用其他統(tǒng)計模型方法，如支持向量機模型、神經(jīng)網(wǎng)絡(luò)模型等。

綜上所述，分布式光伏功率預(yù)測的統(tǒng)計模型公式是通過分析歷史數(shù)據(jù)，建立光伏電站功率輸出與氣象因素之間的統(tǒng)計關(guān)系，從而預(yù)測未來光伏電站的功率輸出。該方法適用于大量數(shù)據(jù)，簡單易用，具有可解釋性，但存在數(shù)據(jù)依賴、無法處理非線性關(guān)系及多變量問題等缺點[3]。

2.3 人工智能模型預(yù)測

分布式光伏功率預(yù)測的人工智能模型原理是通過學(xué)習(xí)歷史數(shù)據(jù)和氣象數(shù)據(jù)的內(nèi)在規(guī)律，建立光伏電站功率輸出與氣象因素之間的映射關(guān)系，從而預(yù)測未來光伏電站的功率輸出。具體來說，人工智能模型通過學(xué)習(xí)歷史數(shù)據(jù)，包括光伏電站的功率輸出數(shù)據(jù)和相關(guān)的氣象數(shù)據(jù)，掌握其相互間的非線性關(guān)系。然后，根據(jù)未來氣象數(shù)據(jù)的預(yù)測值，通過模型內(nèi)部的非線性映射關(guān)系，預(yù)測未來光伏電站的功率輸出。

常見的人工智能模型包括支持向量機（SVM）、神經(jīng)網(wǎng)絡(luò)（NN）、隨機森林（RF）等。這些模型各有優(yōu)缺點，可以根據(jù)具體問題選擇合適的模型。

以下是基于神經(jīng)網(wǎng)絡(luò)模型的分布式光伏功率預(yù)測人工智能模型示例公式：

式中，P（t）為在時間t光伏電站的輸出功率，W；S（t）為在時間t的太陽輻照度，W/m2；T（t）為在時間t的環(huán)境溫度，℃；……為其他影響光伏電站功率輸出的因素；W是神經(jīng)網(wǎng)絡(luò)的權(quán)重矩陣。

該公式使用神經(jīng)網(wǎng)絡(luò)模型來預(yù)測分布式光伏電站的功率輸出。輸入變量包括光伏發(fā)電系統(tǒng)各個時段的平均溫度、平均光照等，輸出變量為當(dāng)日各時段的光伏發(fā)電量。神經(jīng)網(wǎng)絡(luò)模型通過學(xué)習(xí)歷史數(shù)據(jù)中的特征與標(biāo)簽之間的非線性關(guān)系，來預(yù)測未來光伏電站的功率輸出。

在實際應(yīng)用中，可以采用果蠅優(yōu)化算法等智能優(yōu)化算法來優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)重矩陣W，提高預(yù)測精度。果蠅優(yōu)化算法是一種啟發(fā)式優(yōu)化算法，通過模擬果蠅搜索食物的過程來尋找最優(yōu)解，具有快速、靈活、魯棒性好的優(yōu)點。

神經(jīng)網(wǎng)絡(luò)模型具有較好的非線性擬合性，能夠處理復(fù)雜的非線性關(guān)系，學(xué)習(xí)規(guī)則簡單。但同時，神經(jīng)網(wǎng)絡(luò)模型也存在部分問題，如過擬合、欠擬合等，需要進(jìn)行模型優(yōu)化和調(diào)整。此外，神經(jīng)網(wǎng)絡(luò)模型的解釋性不如線性回歸模型等傳統(tǒng)統(tǒng)計模型，難以進(jìn)行模型的可解釋性和可信性評估。

人工智能模型具有以下優(yōu)點：①處理復(fù)雜問題。人工智能模型能夠處理復(fù)雜的非線性關(guān)系，能夠更好地捕捉光伏電站功率輸出與氣象因素之間的內(nèi)在規(guī)律。②高預(yù)測精度。通過大量的歷史數(shù)據(jù)和氣象數(shù)據(jù)的訓(xùn)練，人工智能模型能夠達(dá)到較高的預(yù)測精度。③自適應(yīng)能力強。人工智能模型能夠根據(jù)新的歷史數(shù)據(jù)不斷進(jìn)行學(xué)習(xí)和優(yōu)化，提高預(yù)測精度和泛化能力。

然而，人工智能模型也存在以下缺點：①數(shù)據(jù)依賴。人工智能模型的預(yù)測精度很大程度上取決于歷史數(shù)據(jù)的質(zhì)量和數(shù)量，如果歷史數(shù)據(jù)不完整或不準(zhǔn)確，會影響預(yù)測精度。②計算資源需求大。人工智能模型通常需要大量的計算資源進(jìn)行訓(xùn)練和預(yù)測，對于有限資源的場景可能不太適用。③解釋性差。人工智能模型通常比較復(fù)雜，難以解釋其內(nèi)部的決策過程和映射關(guān)系，不如統(tǒng)計模型具有較好的可解釋性。

綜上所述，分布式光伏功率預(yù)測的人工智能模型通過學(xué)習(xí)歷史數(shù)據(jù)和氣象數(shù)據(jù)的內(nèi)在規(guī)律，建立光伏電站功率輸出與氣象因素之間的映射關(guān)系，從而預(yù)測未來光伏電站的功率輸出。該方法適用于處理復(fù)雜問題，具有較高的預(yù)測精度和自適應(yīng)能力，但存在數(shù)據(jù)依賴、計算資源需求大及解釋性差等缺點。

3 不同預(yù)測方法的優(yōu)缺點及其適用場景

物理模型預(yù)測能夠較為準(zhǔn)確地反映光伏電池的性能和輸出功率，但需要較為準(zhǔn)確的天氣和環(huán)境數(shù)據(jù)，且計算復(fù)雜度較高；統(tǒng)計模型預(yù)測能夠較為準(zhǔn)確地反映光伏電站的功率輸出規(guī)律，但需要大量的歷史數(shù)據(jù)和較好的數(shù)據(jù)質(zhì)量；人工智能模型預(yù)測能夠較為準(zhǔn)確地預(yù)測光伏電站的功率輸出，但對數(shù)據(jù)的依賴程度較高，且計算復(fù)雜度較高。

在實際應(yīng)用中，應(yīng)根據(jù)具體的需求和條件選擇合適的預(yù)測方法。例如，對于需要較為準(zhǔn)確的光伏功率預(yù)測，可以采用物理模型預(yù)測或人工智能模型預(yù)測；對于需要快速響應(yīng)的光伏功率預(yù)測，可以采用統(tǒng)計模型預(yù)測或人工智能模型預(yù)測。

4 研究不足與未來發(fā)展方向

目前，分布式光伏功率預(yù)測方法的研究還存在不足之處，例如對氣象因素和非線性關(guān)系的處理不夠準(zhǔn)確，預(yù)測的實時性有待提高等。未來，分布式光伏功率預(yù)測方法的研究將朝著更加準(zhǔn)確、快速、智能的方向發(fā)展。具體來說，未來的研究將更加注重多源數(shù)據(jù)融合和多學(xué)科交叉的應(yīng)用，例如引入大數(shù)據(jù)、云計算、物聯(lián)網(wǎng)等技術(shù)，提高分布式光伏功率預(yù)測的準(zhǔn)確性和實時性。同時，未來的研究還將更加注重光伏電池的非線性特性和多尺度動態(tài)行為的研究，以揭示光伏電池的復(fù)雜物理機制和動態(tài)演化規(guī)律。

5 結(jié)束語

文章綜述了分布式光伏功率預(yù)測方法的研究現(xiàn)狀和發(fā)展趨勢，詳細(xì)闡述了各種預(yù)測方法的原理、方法及優(yōu)缺點，并通過分析現(xiàn)有研究的不足和未來發(fā)展方向，為相關(guān)領(lǐng)域的研究提供參考和借鑒。分布式光伏功率預(yù)測方法的研究具有重要的學(xué)術(shù)和應(yīng)用價值，可以為電網(wǎng)的安全穩(wěn)定運行提供有力支持。未來，分布式光伏功率預(yù)測方法的研究將更加注重多源數(shù)據(jù)融合和多學(xué)科交叉的應(yīng)用，以實現(xiàn)更加準(zhǔn)確、快速、智能的光伏功率預(yù)測。同時，未來的研究還將更加注重光伏電池的非線性特性和多尺度動態(tài)行為，以揭示光伏電池的復(fù)雜物理機制和動態(tài)演化規(guī)律。未來，在廣大科研工作者的共同努力下，分布式光伏功率預(yù)測技術(shù)將日趨成熟。