摘要：随着光伏发电技术的不断发展，在电力需求中所占比例也越来越大，致使光伏发电对电网的影响越来越明显。光伏发电本身所特有的间歇性和不确定性，增加了电网计划和调度的难度。为了解决其发电量不稳定的问题，必须加大系统的旋转备用容量。旋转备用容量的增加间接地增加了光伏发电的运营整体成本，所以有必要对其输出功率进行预测。
关键词：光伏电站；功率预测；影响因素；准确率
一、光伏发电影响因素分析
气候是某一地区在长时间尺度内的综合性气象情况,它与气流、纬度、海拔、地形等有关。气候因素是光伏电站建址的决定因素之一,也是影响光伏发电输出功率的重要因素。
气象是短时间尺度内的大气物理现象,包括日照、蒸发量、风速的日变化趋势、温度、气压和云量等。气象因素可采用卫星测量、数值天气预报、地面遥感测量、地面天空成像仪(地基云图)等方式获得。不同方式提供的气象数据时空分辨率和精度不同,地基云图可以提供时空分辨率较高的云层预报,但时空尺度却较小。数值天气预报方式提供的气象数据时空分辨率较低,但可以有较大的时空尺度。
地理因素,指光伏电站的地理位置与地域环境,选择一年四季光照辐射条件好、日照时间长的地理位置,建立光伏电站可以获得优质的光资源,地理因素对光伏发电输出功率的影响相对稳定。
电站设计因素,指电站设计时的电池板布局、电池板清洁等影响因素,包括光伏电池板的倾斜角、放置方向、阵列间距、自清洁能力、容量大小与设备选型等。
电气效率,指实现光电能量转换过程中所用到的各部件工作效率,包括光伏组件、逆变器、变压器、汇流箱与电缆等的效率。光伏组件实现光能到电能的转换,逆变器与变压器实现直流电能到交流电能的变换,汇流箱与电缆实现电能传输。在能量转换与传输过程中存在各种损耗,损耗将影响整个光伏发电系统的输出功率。
二、影响光伏功率预测准确率的因素
（一）气象环境影响因素
覆盖灰尘的光伏板将降低光伏板吸收太阳辐射的比例，最终降低光伏板的输出功率。与辐射、云层、温度、风速等因素不同，粉尘对光伏发电输出的影响是一个长期稳定的过程，因为粉尘的沉积、积累和自然清除是一个连续稳定的过程。粉尘对光伏板性能的影响是缓慢的、渐进的，不能在超短期或短期预测中反映出来，而是可以根据其冲击特性进行补偿。
风速和云量对光伏发电系统的功率输出也有很大的影响，但由于风速和云量的性质变化很大、很快，使得光伏发电量在几分钟甚至几秒钟内就出现了陡坡，这超过了大多数人工智能方法处理大量数据的响应时间。然而，在短期或中期的小时、天或周的预测中，这种急剧变化可以视为异常而忽略不计。然而，在超短期预报中，影响预报精度的最重要因素是云。云很小，甚至是惰性的，所以它们是不可预测的，会改变形状、大小、速度和方向。云的变化会立即改变光伏板接收到的太阳辐射量，并迅速引起光伏系统输出功率的变化。一些研究人员利用天空成像仪和太阳跟踪相机对影响光伏发电输出功率的云层变化进行检测和跟踪，但算法的时间分辨率达不到预期的精度。
（二）数据影响因素
基于统计和人工智能技术的输出功率预测方法可以综合考虑和补偿上述因素的影响。然而，这些方法需要足够的历史数据支持来提供统计处理和人工神经网络训练。一般来说，统计回归需要至少一年连续完整的光伏系统输出功率数据。神经网络算法不仅需要光伏系统输出功率的历史数据，而且与气象历史数据和数值天气预报密切相关。历史数据的缺乏会使相关的统计数据和人工智能预测方法失效。同时，不完整的历史数据可能导致较大的预测误差。
除历史数据外，数值天气预报，如云、风、温度、湿度和降雨等实时数据，也有助于在线训练和调整内部参数以获得更高的预测精度。
三、光伏功率预测准确率的提升方法
（一）光伏数据预处理
（1）坏数据剔除
一般情况下，根据物理规律或数据采集质量控制要求排除不良数据。但是，由于光伏数据分散性大，不良数据的定义是一个难点，定义不准确会导致判断失误。
（2）缺失数据处理
当数据要求连续或样本较小时，剔除缺失数据段对预测精度有很大影响，因此有必要对缺失数据进行重构。
插值是最简单的数据重建方法之一，如利用插值来提高数值预报数据的时空分辨率。然而，由于光伏数据的波动性和随机性，插值法可能无法恢复数据序列。利用已知数据建立特征空间，利用支持向量机分类模型恢复历史缺失数据。
辐照度和气象因子具有很强的空间连续性和相似性，基于空间相关性的数据恢复技术应运而生。利用空间相关理论，利用目标光伏电站周围光伏电站的数据，采用主成分分析法，重建目标光伏电站的辐照度或功率损失数据。该方法不仅可以恢复数据序列，而且可以用于光伏发电功率预测。
（二）数据样本分类筛选和输入数据选择
（1）样本分类筛选
将光伏数据按不同的天气类型划分。划分依据通常是季节与天气类型，也可用辐照度和云量作为指标，将光伏样本划分为如晴天、阴天、雨天等。此类划分指标选取简单、实现方便，但划分结果粗糙，不能给出精确的物理、数学解释。选择特征指标构造特征空间，并通过K-means聚类、自组织神经网络（SOM），以及SVM和CART等方法实现样本的分类/聚类。选择区分度显著的特征指标和有效的分类/聚类方法是这类研究的重点。特征指标的获取方式有：(1)直接从NWP中获取，如温度、云量等；(2)提取直接可得参数序列的某个统计指标作为特征指标，如晴空指数、辐照度三阶导数最大值、辐照度方差、辐照度与理论值偏差值等；(3)变换直接可得参数，形成特征指标，如采用主成分分析法将现有的相互相关的参数转换成互不相关的主成分。
（2）输入数据选择
输入数据的选择是在目标预测的条件下，通过物理分析和数学方法选择主导因素。在不同的预报时空尺度和天气模式下，影响地面辐照度和光伏发电量的主要因素不同，直接辐照度、总辐照度和散射辐照度的主要影响因素也不同。例如，在长期预报时间尺度上，气象因子的重要性小于短期预报尺度；影响地面直接辐照度的最显著因素是云量和空气；影响地面总辐照度的最明显因素是降水量和太阳天顶角。随着气象研究的发展和测量技术的进步，出现了一些与地表辐照度和光伏发电有关的新参数，如液体水深、空气质量系数、气溶胶光学厚度等。输入数据选择方法包括多元线性回归、主成分分析、相关系数计算、灵敏度分析、伽玛检验（GT）和遗传算法（GA）。
（三）建立评价标准
（1）电站信息：经纬度、海拔高度、气候类型等。（2）电力系统信息及模型：光伏板、逆变器、存储系统、传感器等历史数据，包括数据源、数据类型、数据采样间隔、数据精度、数据完整性和合理性。误差指标，包括几种常用的误差计算方法，如：均方根误差、平均绝对误差百分比、平均相对误差、最大平均误差和相关系数。时间尺度和时间分辨率：预测时间尺度可以是小时、天、周或月，时间分辨率可以是秒、分钟或小时。算法复杂度是预测方法中使用的计算方法和计算资源的成本。预测方法的时间复杂度、时间成本。经济性、预测方法及其实施的经济分析。
四、结论
光伏功率预测是提高光伏电站控制、调度性能及保障其接入电网安全稳定运行的基础，尽管近年国内外学者对光伏功率预测技术展开了大量的研究工作，但仍有些研究工作值得深入：光伏功率预测方法的研究主要集中在超短期和短期预测上，数据处理和样本筛选是提高预测精度的有效方法，因此需加强数据质量监控，并对数据进行预处理，根据数据相关性的强弱实现精细化数据分类；依据不同光伏功率预测方法的特性，加深对组合式预测方法的研究与应用，并对组合智能算法的预测速度和精度进行优化提升；深入分析光资源和光伏发电特性，并结合目标光伏电站的实际数据、环境情况，建立精确的预测算法。
参考文献：
[1]舒印彪，张智刚，郭剑波，等．新能源消纳关键因素分析及解决措施研究[J]．中国电机工程学报，2017,37(1):1-8.
[2]王洪坤，葛磊蛟，李宏伟，等．分布式光伏发电的特性分析与预测方法综述[J]．电力建设，2017,38(7):1-9.