曹煜祺，张立梅

(1.河北农业大学机电工程学院，河北 保定 071000； 2.河北农业大学信息科学与技术学院，河北 保定 071000)

光伏发电功率预测方法综述

曹煜祺1，张立梅2

(1.河北农业大学机电工程学院，河北 保定 071000； 2.河北农业大学信息科学与技术学院，河北 保定 071000)

随着光伏大规模接入电网，其带来的时变性、波动性及随机性将对电网的安全稳定运行带来巨大的冲击。光伏功率预测技术是提高光伏并网质量、优化电网调度、保证电网安全稳定运行的基础技术。文中首先对光伏输出的主要影响因素进行了阐述，随后对数据的选择与处理进行了讨论，归纳了光伏功率预测方法，最后总结了预测结果的评价标准。

光伏发电；功率预测；预测方法；评价标准

目前，人类正遭遇着世界范围内的能源危机，全球不可再生能源存储量不容乐观。据英国bp石油公司统计分析，照2016年水平，全球煤炭储量将能满足人类153年的生产，石油为50.6年，而天然气约为52.5年[1]。面对如此严峻的形势，可再生能源越发地受到了国内外的关注。而太阳能，作为一种典型的可再生能源，由于其具有充分的清洁性与安全性也成为了人们关注和研究的热点。自2002年，光伏发电已经成为了发展最快的能源技术，每年以48%的增幅满足人们的能源需求[2]。近年来，我国光伏产业发展迅速，至2016年年底，我国全年新装机容量达到了34.54 GW，新增和累计装机容量均为全球第一[3]。

由于光伏输出表现出的时变性、波动性和随机性的特点，当大规模光伏发电系统并入电网时，其将对电网的稳定安全运行带来巨大的冲击，大大增加了电网调度的难度[4]。因此，光伏发电功率的准确预测对于保证电网的安全调度具有重要意义。本文首先介绍光伏功率输出的影响因素，随后介绍输入数据的选择与预处理，着重论述功率预测方法，最后总结光伏功率预测评价标准。

1 光伏功率输出的主要影响因素

太阳能电池板由于依靠太阳能运行，其工作状态也受多重因素影响。如：光伏系统所处的经纬度、场地地形条件等地理因素，季节、天气状况等环境因素，系统中光电转换装置的精度效率以及光伏阵列电池板的清洁运营维护，等等[5]。

1.1 太阳辐照强度

太阳辐射强度大小受地形、经纬度、天气状况等因素影响，直接影响着光伏功率输出，相关关系见式(1)：

P=rNSη

(1)

式中：N表示光伏阵列的数目；S表示单位光伏阵列的面积；r为光伏阵列上接受的太阳辐照度；η为光电转换效率[6]。

1.2 电池模块的温度

电池模块只能将约小于20%的太阳能转化成电能。因此当环境温度过高、太阳辐射过强时会造成电池的过热。电池模块温度高于25℃时将会影响电池工作效率。由于光电转换效率的下降，功率将以0.35%/℃的幅度下降[7]。

1.3 云层

大气中的云层能够对太阳辐照度产生直接影响，其对太阳短波辐射的直接反射会导致太阳辐射的下降[8]。当云层快速运动时，短短几秒就可以对一个点上的太阳辐射造成超过60%的变化[9]。

1.4 大气湿度

湿度过高即意味着大气中的水汽过多，对太阳辐射的削弱作用也更加明显。光伏输出与大气湿度呈显著负相关关系。

1.5 阵列的清洁维护

光伏阵列电池板上的积灰、积雪、污浊物等长期堆积会影响光伏发电量。长期运行会造成局部发热，出现热斑效应[10]。

2 模型输入数据的选择

影响光伏输出的因素众多且相互作用的机理十分复杂。然而，在构建模型进行功率预测时要考虑模型的复杂度，有必要筛选出对输出影响较大的几组输入数据，对模型进行精简。

2.1 数据的预处理

首先要对残缺数据、极端数据、错误数据进行剔除，然后按3∶1的比例将原始数据拆分成训练数据和测试数据。另外，由于原始数据数量级的差异及单位的不同，须对数据进行归一化处理。

2.2 影响因素的选择

通过对众多因素的重要性进行分析，确定作为输入的影响因素数据。运用线性回归、支持向量机法等方法，通过最小化预测值与实际值的均方根误差来进行重要性分析。对于误差的确定可以运用k重交叉验证机制，将样本数据随意的、等大小的分成k组，取出(k-1)组作为训练组，剩余1组作为验证，得出误差。重复进行k次，使得每一组均进行过验证。

2.3 参数的具体选择

当选定了一种影响因素作为输入数据，这也是一个庞大的数据库，需要对其中的数据进行选择。以温度为例，原始气象数据中包括一天中的最高温度、最低温度以及平均温度，这三种温度分别作为输入数据时，功率实际值与预测值的均方根误差是不同的，体现了不同输入选择对模型预测精度的影响。可利用神经网络法、支持向量机法、k邻近算法、多重线性回归算法等方法进行具体输入参数的选择。

3 光伏发电功率预测方法分类

光伏发电功率预测方法有许多，也有许多不同的分类方式，具体分类如图1所示。

3.1 按照时间尺度分类

根据提前预测时间长短，分为：中长期预测、短期预测和超短期预测。中长期预测一般预测期间为几个月～1年，主要作用为电网的规划及安全运行。短期预测一般为1 d～2 d，超短期预测一般为0.5 h～6 h。短期预测对电网的安全稳定运行起着至关重要的作用。

3.2 按照对历史数据的需求分类

将预测方法按对于历史数据的需求量划分，可分为:物理模型法、统计方法和学习法[11-12]。

3.2.1 物理模型法

通过光伏发电系统的地形位置信息建立太阳位置模型，与天气预报数据结合得到太阳辐照度数据，再通过构建光伏电池及逆变器模型来预测光伏输出功率。物理模型法不需要电站历史运营数据，直接投产就可预测[13]。

3.2.2 统计方法

运用统计方法，通过分析获得预测模型，输入变量与被预测值之间的关系。利用光伏发电的历史数据与相关因素数据进行统计分析[14-15]。常用的统计预测方法有季节性分析、自回归移动平均算法(ARMA)、自回归积分移动平均算法(ARIMA)、多次回归分析、指数平滑算法等[16]。

3.2.3 学习机方法

学习机方法主要包括：模糊推理系统、遗传算法、人工神经网络和支持向量机(SVM)，等等。

支持向量机法是一种基于结构风险最小化原则的新型机器学习方法。支持向量机法最初由Vapnik等人提出，研究分类问题，后拓展至回归问题领域的研究(SVR)，可很好的研究光伏发电功率问题[17-18]。

图1 光伏预测方法分类Fig.1 Classification of PV prediction methods

人工神经网络(ANN)是光伏功率预测的有力工具，具有大规模数据处理、自适应学习、容错性强等特点。网络主要包括三层：输入层、隐含层与输出层，各层之间通过权重连接。将辐照度等相关因素作为输入，以光伏发电系统历史发电量作为输出数据对神经网络进行训练。训练好的网络可以进行光伏功率预测。

4 评估指标

光伏发电模型预测结果与实际值不可避免的存在着一定误差，误差不断减小是研究的追求所在，对误差的科学评估也显得尤为重要。误差的评估主要采用以下3种方法：

(2)

(3)

(4)

其中：N为样本数量；Pmj为目标值；Pcj为预测值。

5 结语

光伏发电对于能源的可持续利用具有重要意义，然而由于太阳辐照度、气象因子等不确定性因素造成系统本身具有时变性、波动性及随机性等特点，当光伏发电系统大规模接入电网时，这种不确定性因素会对电网带来巨大的冲击。因此，光伏发电功率的准确预测对于电网的安全稳定运行具有重要意义。

[1] BOB D.BP statistical review of world energy [EB/OL].http://www.bp.com/en/global/corporate/about-bp/energy-economics/statistical-review of-world-energy.html.

[2] De Giorgi M G，Congedo P M，Malvoni M. Photovoltaic power forecasting using statistical methods: impact of weather data[J]. Iet Science Measurement amp; Technology，2014，8(03):90-97.

[3] 陈东坡. 2016-2017年中国光伏回顾与展望[J].电子产品世界，2017，(04):9-11.

[4] Chine W，Mellit A，Pavan A M，et al. Fault detection method for grid-connected photovoltaic plants[J]. Renewable Energy，2014，66(03):99-110.

[5] 张雪莉，刘其辉，马会萌，等. 光伏电站输出功率影响因素分析[J].电网与清洁能源， 2012，28(05):75-81.

[6] Yona A，Senjyu T，Funabashi T. Application of Recurrent Neural Network to Short-Term-Ahead Generating Power Forecasting for Photovoltaic System[C]//Power Engineering Society General Meeting. IEEE，2007:1-6.

[7] Meral M E， Din?er F. A review of the factors affecting operation and efficiency of photovoltaic based electricity generation systems[J]. Renewable amp; Sustainable Energy Reviews，2011，15(05):2176-2184.

[8] 汪凯，叶红，陈峰，等.中国东南部太阳辐射变化特征、影响因素及其对区域气候的影响[J]. 生态环境学报，2010，19(05):1119-1124.

[9] 钱振，蔡世波，顾宇庆，等.光伏发电功率预测方法研究综述[J].机电工程，2015， 32(05):651-659.

[10] 范迪飞，董兵海，王世敏，等.太阳能电池板表面自清洁技术的研究进展[J].材料导报，2015，29(19):111-115.

[11] 李春来，朱慧敏，景满德，等.并网型光伏电站功率预测方法探讨[J].电工技术，2010，(12):27-28.

[12] Yadav H K，Pal Y，Tripathi M M. Photovoltaic power forecasting methods in smart power grid[C]// India Conference. IEEE，2016.

[13] 卢静，翟海青，刘纯，等.光伏发电功率预测统计方法研究[J].华东电力，2010，38(04):563-567.

[14] De Giorgi M G，Congedo P M，Malvoni M. Photovoltaic power forecasting using statistical methods: impact of weather data[J]. Iet Science Measurement amp; Technology，2014，8(03):90-97.

[15] Kardakos E G，Alexiadis M C，Vagropoulos S I，et al. Application of time series and artificial neural network models in short-term forecasting of PV power generation[C]// Power Engineering Conference. IEEE，2014:1-6.

[16] Das U K，Tey K S，Idris M Y I，et al. Forecasting of Photovoltaic Power Generation and Model Optimization[J]. Renewable amp; Sustainable Energy Reviews，2017,(09):96-97.

[17] Vapnik V N. An overview of statistical learning theory[J]. IEEE Transactions on Neural Networks，1999，10(05):988.

[18] Hu J，Gao P，Yao Y，et al. Traffic flow forecasting with particle swarm optimization and support vector regression[C]// International Conference on Intelligent Transportation Systems. IEEE，2014:2267-2268.

Areviewofthephotovoltaicpowerpredictionmethods

CAO Yu-qi1, ZHANG Li-mei2

(1.College of Mechanical and Electrical Engineering, Agricultural University of Hebei, Baoding 071000, China; 2.College of Information and Science and Technology, Agricultural University of Hebei, Baoding 071000, China)

With the growing scale of photovoltaic (PV) power generation system connected to the grid, its time variability, volatility and randomness will bring huge impact to the grid. The technique of photovoltaic power prediction is the foundation of improving PV grid-connected quality, optimizing dispatch system and ensuring a safe and stable running of the grid. This paper expounded the main affecting factors of the PV output and then discussed the methods of data selection, summarized the PV power prediction methods. At the end of this paper, a conclusion of the evaluation criteria is proposed.

PV power generation; Power prediction; Prediction method; Evaluation criteria

TM615

A

1674-8646(2017)21-0031-03

2017-09-22

曹煜祺(1997-)，女，河北农业大学机电工程学院本科在读学生。