张节潭，李春来，杨立滨，郭树锋，尹 旭

ZHANG Jie-tan1,2 , LI Chun-lai1,2, YANG Li-bin1,2, GUO Shu-feng1,2, YIN Xu3

（1.国网青海省电力公司经济技术研究院，西宁 810000；2.国网青海省电力公司清洁能源发展研究院，西宁 810000；3.深圳合纵能源技术有限公司，深圳 511458）

0 引言

太阳能是一种清洁性能源，安全性和经济性随着太能存储数量的增加，其优势不断凸显出来，成为最理想永不枯竭替代性能源[1]。大规模光伏不断接入电网，自动化太阳能光伏发电输出功率的随机性对电网稳定运行造成一定影响，因此，对对光伏发电输出功率资源评估组合进行计算，能够为电力调度提供参考依据。然而，自动化太阳能光伏发电系统输出功率大小主要取决于太阳能面板所能接收到的全部辐射能量，该能量大小易受到外界因素影响，导致光伏发电输出功率极其不稳定，计算结果精准度受到严重影响[2]。根据历史气象要素数据对自动化太阳能光伏功率资源进行评估，以往大都采用人工神经网络评估和基于支持向量机评估方法，但是有关气象数据对太阳能光伏发电功率进行分析的资料相对较少，还停留在探索阶段，因此只是利用这些资料进行分析，在计算结果精准度上还存在很大缺陷。

鉴于以往自动化太阳能光伏功率资源评估方法在资源定量评估方面的缺陷，结合天气预报数值以及仿真数据，提出了一种数值天气预报的自动化太阳能光伏功率资源评估组合算法[3]。利用精准天气预报数据，精准评估出不同天气下辐射衰减，进而保证光伏功率资源评估结果的精准度。

1 光伏功率衰减分析

针对光伏功率衰减情况，需从晴空和云团遮挡情况下进行分析。

1.1 晴空光伏功率衰减分析

大气层外切平面的太阳辐射强度与太阳辐射方向有关，如果接近地面瞬时太阳辐射强度与大气层外切平面瞬时太阳辐射强度，那么就可实时推算出太阳辐射强度[4]。在晴空天气情况下，自动化太阳能光伏功率资源与评估时间的关系式高度相关，因此，使用光伏电站历史数据，统计分析光电功率之间的转换。确定辐射照度和功率之间关系后，需将对应的太阳辐射强度值带入功率转换公式之中，再结合光伏组件收获的实时工况数据评估晴空下的自动化太阳能光伏功率资源[5]。

随着自动化太阳能光辐射的逐渐增强，光伏功率也随之增加。当天预测结束后，及时更新数据库信息，为下一次自动化太阳能光伏功率资源评估做好准备。

1.2 云团遮挡光伏功率衰减分析

云团移动变化较为复杂，在短时间内云团变化十分缓慢，因此，可假设云团在未来时刻处于平移状态。以云团量为基础，预测云层风速和风向，以此获取电站基础信息，并计算水平面投影坐标。结合自动化太阳能光伏电站和云团面积大小，选取相对小电站建模，以此进行综合分析。为了方便计算，某云团水平面太阳摄影遮挡光伏电站时，容易受到遮挡，此时需利用不同层次风速计算未来云团的运行轨迹[6]。通过设立云团遮挡辐照度衰减系数，能够利用相同时刻有云情况下散射辐射的一系列折损系数，计算数学期望最终折损系数，由此输出数值天气预报的自动化太阳能光伏功率资源评估结果[7]。

2 基于数值天气预报资源评估组合算法研究

利用数值天气预报预测方法，通过晴空工况光伏功率输出和云团遮挡下光伏功率输出数值，对自动化太阳能光伏功率资源进行计算，以此完成资源评估组合算法研究[8]。

2.1 评估原理

自动化太阳能光伏功率资源评估部分所应用的数据主要来自数值天气预报数据，所提方法采用的是光伏功率衰减数值与实测气象数据相结合的方式，充分考虑数值天气预报物理定量分析方式，将区域性实际测量的信息融入数值天气预报数据输出结果之中，通过有效手段获取修订模型，由此得到精确自动化太阳能光伏功率资源定量仿真数据[9]。

将实际测量的气象数据与数值天气预报仿真两者的优势相互结合，进行可信度预测，以此对自动化太阳能光伏功率资源进行定量计算。通过引入奇异值能够观测实际地面光伏辐射场与数值天气预报输出的辐射模拟场耦合关系。奇异值分解公式如式(1)所示。

式(1)中：Z中存在一个C列正交矩阵；λ是n阶对角矩阵。λ表达式如式(2)所示。

将实际地面光伏辐射场与数值天气预报输出的辐射模拟场分为左场和右场，由于两个场空间具有一定灵活性特征，因此，地理区域和空间格点数是一致的。通过矩阵能够分析出两个场之间的耦合线性关系，为此两个场中所涉及的样本需一一对应，保证观测序号一致，固定两个场之间的时差，能够避免所有样本出现观测序号不一致的现象。正常情况下，模拟场中所包含的格点数量要大于研究区域内所有站点数量，由此可知，结合实测数据的数值天气预报评估方法，能够实现对自动化太阳能光伏功率资源评估[10]。

2.2 评估组合算法的实现

将数值天气预报与实际测量的数据相结合，引入奇异值进行实际观测辐射值与数值天气预报输出值的融合。由于自动化太阳能光伏辐射在大气中逐渐衰减，因此，需计算两场时间同步场景下的协交叉方差矩阵：

应用正交线性变换方式，保证两场变化后能够找到两个正交线性变换矩阵M，N，由此求取两场之间协方差：

Q陈教授，我家宝宝今年3岁，只喜欢古诗古文，对绝大部分绘本、动画片不感兴趣，平时想通过绘本教他常规习惯他都不听，所以也不会和小朋友一起玩，只在旁边看着笑，不参与，参与了就说古诗，不会说句子或用词组表达。现在上幼儿园了，明显与班上孩子差距大，我该怎么引导孩子呢？

依据上述公式，结合线性代数理论，唯一求解满足上述公式的两个正交线性变换矩阵M，N。通过该矩阵能够获取两场耦合特征，采用协方差贡献率进行评估。当贡献率排序已经确定的情况下，采用若干个模态表示两场之间的关系，如果选用的模态数量接近设定的阈值，那么模拟场与原场一致，此时两场的特征近似，具有展开收敛速度快、信息浓缩和主要特征剥离的优势。结合经验正交分解方法，将两个场的耦合关系通过一组空间模态和两个场的时间系数进行线性组合，如果当前若干模态累计的协方差贡献率能够达到标定的指标时，则能够表示出与原场相似的特征，通过上述内容能够确定唯一的正交线性变换矩阵。利用协方差贡献可分析出两列时间系数能够满足线性关系，实现对数值天气预报模拟场的订正，由此能够获取自动化太阳能光伏功率资源评估结果。

3 实验分析

以贵州气象局获取的数据为主，验证数值天气预报的自动化太阳能光伏功率资源评估组合算法可用性。该地区平均日照数为1220h，年均太阳总辐射量为3100～4500MJ/m2，全省年均总辐射为3515MJ。

3.1 数据准备

根据图1可知：西部太阳光资源最高，年平均太阳辐射大于4320MJ/m2；中南部最低，年平均太阳辐射小于3600MJ/m2；其他地区年平均太阳辐射在3600～4320MJ/m2范围内，适合发展光伏项目，以此作为项目研发基地。

图1 贵州省太阳能资源分布

由于项目建设未设立有光照的监测数据，为了精准评估出项目所在处的太阳能资源，需利用该项目附近的参照数据进行验证分析，方便确定参照站气象参数。

3.2 参设设置

参照站及评估区域地理位置参数如表1所示。

表1 参照站及评估区域地理位置参数

3.3 实验结果与分析

以水城和威宁两站为观测点，分析其总辐射与功率之间关系，如图2所示。

图2 辐射/功率关系曲线

a）水城：随着总辐射强度增加，水城的功率逐渐增大，拟合曲线呈正比例形式，而实测值在该曲线附近波动。当总辐射为10MJ/m2时，拟合曲线下的功率为15MW，而实测值在15MW功率上下波动；当总辐射在20MJ/m2～30MJ/m2时，实测值在4MW～48MW功率范围内波动。

b）威宁：威宁的功率随着总辐射强度增加逐渐增大，拟合曲线呈正比例形式，而实测值在该曲线附近波动。当总辐射在20MJ/m2～30MJ/m2时，实测值在18MW～45MW功率范围内波动；当总辐射在30MJ/m2～40MJ/m2时，实测值在32MW～48MW功率范围内波动。

依据上述数据，将数值天气预报评估组合算法与传统算法的评估精准度进行对比分析，结果如表2所示。

表2 两种算法评估精准度对比分析

由表2可知：随着总辐射的不断增加，数值天气预报评估组合算法比传统算法评估精准度要高，在总辐射为10、20、30、40、50MJ/m2下，所提算法比传统算法评估精准度依次高30%、34%、36%、39%、42%。

综上所述：数值天气预报评估组合算法评估精准度较高，具有可用性。

4 结语

采用传统自动化太阳能光伏功率资源评估方法很难捕捉到不同天气下光伏功率衰减数据，基于此，提出了数值天气预报的自动化太阳能光伏功率资源评估组合算法。经过实验验证分析结果可知，所提方法能够捕捉到不同天气下光伏功率衰减数据，参照数值天气预报情况，进一步提高评估组合算法的精准度，为模拟不同云量数据在光伏功率预测奠定基础。

由于实验条件有限，所得到的实验结果大都依靠的是理论数据，结果并不严谨。因此，在今后研究进程中，研究所提方法实用性，从不同天气角度出发，充分了解不同天气给太阳能光伏功率输出所带来的影响，以此为基础，提高研究结果可靠性。