光伏发电出力的条件预测误差概率分布估计方法

周长群

摘要：随着全球工业化进程的持续推进，全球能源产业发展战略规划也发生了翻天覆地的变化，继风力发电后，光伏发电技术因其清洁无污染、安装便利、维护成本低和使用效率高等优势近年来获得了快速的发展，光伏装机容量和装机比例呈爆发式状态增长。与此同时，光伏输出功率具有明显的随机性和不确定性，当其大规模接入电网后其波动特性表现的更为突出，给电网带来巨大冲击的同时降低了电网运行的可靠性，增添了电网调度运行管理的成本与难度。因此，对光伏发电系统功率进行合理预测对提高光伏电站利用率和电网安全稳定运行水平具有重要的现实意义。文章对光伏发电出力的条件预测误差概率分布估计方法进行了研究分析，以供参考。

关键词：光伏发电技术；功率预测；神经网络；利用率

1前言

在全球化工业进程中，能利用的化石资源不断减少，现有的资源已越来越难满足人类活动的需求，能源常常处于供不应求的状态。在这种社会环境下，科学家开始寻求可持续发展的新能源来取代传统一次能源占据市场的主导地位，以缓解能源危机，维持供求关系的平衡。新能源尤其是太阳能的发展前景十分广阔，当前主要被利用的可再生能源有太阳能、水能、风能、地热能等，这些能源大都可通过太阳能转化而来。

2光伏发电系统基本原理与组成

2.1光伏电池基本原理

太阳能电池板根据其电子的布局位置可以分为P结、N结和PN结三个部分，未受外界太阳辐射情况下，电池板内部各模块正负电子对分布均匀，对外不表现出能量形式。当外界太阳辐射至太阳能电子板上时，入射光子能量加速了电池板内部各正负电子对的移动，表现在大量负离子往N结位置移动，大量正离子往P结移动，从而在太阳能电池板内部形成正负电压差，这也就是太阳能电池板的“光电效应”现象。通常来说，单一太阳能电池板的能量输出有限，一般是大量的光伏电池板通过串联升压、并联升流的形式来形成不同电压和不同电流的光伏电站建设，也就是根据光伏电站规模和容量要求配置相应太阳能电池板的串并联总数。

2.2光伏发电系统组成

光伏发电系统的构成主要分为太阳能电池组件、逆变器、蓄电池、负载和其对应的控制设备组成，光伏发电系统的各个组成模块的定义和主要性能分析情况如下：（1）太阳能电池组件。太阳能电池组件是光伏发电系统中核心的能量转换设备，该部分模块主要实现光能与电能之间的能量转换。目前市场上常用的太阳能能电池设备主要是由单晶硅、多晶硅以其互相组合的复合性光伏材料组成，与单晶硅相比，多晶硅虽然在光电效率方面有所劣势，但其开发利用成本低，且全球资源储备充分，在现有光伏发电市场上占据主导地位。（2）逆变器。逆变器的主要功能就是将太阳能电池组件输出的直流电转换成交流电，它本质上就是一种电压变换装置，主要由逆变电桥、PWM波发生器、控制器和对应的滤波设备组成。在实际工程应用上为减少能量传输过程中的要求，逆变器的转换效率不允许低于90%。（3）蓄电池。蓄电池的主要功能是实现化学能与电能之间的互相转换，从而提高光伏有功输出的平稳性，确保光伏功率输出满足并网要求。与单向能量流动方式不一样，蓄电池具有双向流动的功能，具备充电和放电两种工作模式。工程上蓄电池的常用类型有铅酸蓄电池、磷酸铁锂电池和超级电容等类型。（4）负载。负载在光伏发电系统中主要包括：光伏发电控制系统的能量供应、产用电、直供负荷和入网电量。其负荷划分类型依据划分原则不同可以分为直流负载和交流负载，或者分为容性负载和感性负载。（5）控制设备。控制设备的主要功能是实现光伏电站实时运行信息和外部环境信息的采集和监测，通过控制措施的不断实时调整保证整个光伏发电系统工作在最大功率输出区间，其主要包括CPU处理器和AD转换器两部分。

3光伏功率预测方法分析

3.1单一功率预测方法

3.1.1灰色理论功率预测方法

灰色理论功率预测方法主要适应场合为原始提供资料和信息数据不完整的系统来进行功率预测，考虑到光伏功率预测过程中大量外部环境影响因素信息难以采集，这种方法具有很好的适应性能。

3.1.2多元线性回归功率预测方法

回归预测方法根据未知变量的个数可以分为一元回归和多元回归预测方法，同时根据未知变量与预测量的映射关系又可以将回归预测方法分为线性和非线性预测方法。对于多远线性回归功率预测方法，一般是通过对历史统计数据中未知变量的个数来确定具体采用几元回归模型，在确定模型元数的基础上利用多元回归预测方程进行参数变量求解，主要通过对大量历史数据进行曲线拟合和参数辨识来确定多元回归系数，从而具体化多元回归预测方程，最后实现功率预测的目的。

3.1.3支持向量机功率预测方法

支持向量机适用于处理小样本问题、非线性高维数据识别，它在分类、回归预测过程中具有广泛应用。支持向量机功率预测工作开展主要依靠统计学理论和结构风险最小化原理来开展的，主要是对样本信息的学习精度和学习能力进行综合考虑评价，寻找二者对应的最优解，从而获得较高的预测精度。

3.1.4神经网络功率预测方法

神经网络功率预测方法是当前风电和光伏功率预测最常采用的预测方法之一，它主要是通过模仿生物神经网络对外部物体所进行的互相作用，其中神经元是整个神经网络的最小单元，也是整个神经网络的核心处理单元[55-56]。在神经网络系统中，每个神经元通过突触与邻近神经元相互连接，当它“动作”时，则会与邻近的神经元传递“神经信号”，进而改变邻近神经元中的电位，如果神经元电位超过了规定的“允许值”时，则该神经元也兴奋起来，从而达到对生物行为动作的指导作用。若干个神经元组合一起就形成了神经网络，具有处理数据信号的能力。

3.2组合功率预测方法

在光伏功率的预测过程中，采用组合功率预测方法能有效克服单一预测方法的不足，取长补短，充分利用各单一预测方法的优点，对光伏预测的结果更加精确合理。围绕组合功率预测方法的开展其核心技术就是有效确定所采用预测方法的各个权重比值，合理的权重赋予能有效发挥各类单一功率预测方法的优势性能。从权重系数赋值的角度来看，组合功率预测方法可以分为非最优组合预测方法和加权最优组合预测方法两大类型。

3.2.1非最优组合预测方法

非最优组合预测方法本质上就是未充分考虑各类预测方法对预测结果权重的分析，仅从统计学上最常用的算术平均法和预测误差平方和倒数法等便捷的数学方法来确定各类预测方法的权重比值，并通过加权平均后所形成的一种新型组合预测方法。该类预测方法在组合权重的确定过程中仅仅粗略的考虑各类预测方法对预测结果的大致排名，根据排名高低来依次确定对应的权重系数。

3.2.2最优组合预测方法

最优组合预测方法在权重系数的确定过程中综合考虑各类单一预测方法的预测误差水平，通常采用相关性指标、关联性指标和可行性指标对预测模型进行合理修正，也有采用智能优化算法综合考虑各类因素影响，不断修正优化后以确定出最优的组合权重系数，进而形成一种最优的组合功率预测方法。

4结束语

光伏功率影响因素随着当前日益恶化的环境影响，空气固体颗粒、废弃物和雾霾等不同类型的天气因素对光伏功率的影响问题也比较突出，在后续的研究过程中可以尝试加入此类光伏功率影响因素对预测结果的影响。

参考文献：

[1]欧阳昌裕.我国新能源发电发展研究报告[N].中国电力报，2012-03-13（002）.

[2]王雨，苏适，严玉廷.基于Kalman滤波和BP神经网络的光伏超短期功率预测模型[J].电气技术，2014，15（1）：42-46.

[3]王思睿，薛云灿，李彬，等.基于BP神经网络的光伏发电预测模型设计[J].微处理机，2016，37（2）：82-85.

[4]陆源，张兆云.光伏发电系统仿真研究[J].电气技术，2013，14（8）：1-6，15.