摘要：现如今，我国的经济在迅猛发展，社会在不断进步，电力企业在我国发展十分迅速，为解决光伏发电系统发电功率在不同条件下误差较大问题，提出光伏发电系统发电功率预测新方法。通过分析光伏发电系统结构，研究光伏发电系统发电功率影响因素；以季节和天气类型作为历史样本选取样本源，针对气象部门提供的预测日分时气象数据在历史数据库中寻找相似数据点作为历史样本；依据历史样本构建离线参数寻优数据总集，使用核函数极限学习机算法构建发电系统发电功率预测模型，通过粒子群算法优化模型参数。实验结果表明：所提方法在不同条件下预测太阳能光伏发电系统发电功率的平均绝对百分比误差分别为1.47%和6.39%，光伏组件在综合异常条件下发电功率预测误差相对变化均低于1%，证明所提方法满足实际预测要求。
关键词：光伏；功率预测；粒子群算法；预测
引言
相比较于国外，我国的光伏产业启动较晚，远落后于国外发达国家。但近些年在功率预测技术方面，也有了一定的建树。风电及光伏发电的随机性给电力系统的危害性越来越大，从２０１２年起国内各省都将功率预测作为很重要的一部分。北京木联能软件股份优化公司总结多年经验，并与国内外最优的数值天气预报厂家合作，研发出了新能源电站功率预测系统Ｖ６．０，提高了运维效率。截止目前，木联能光伏智能化解决方案市场占有量在同行业中也处于领先地位；东润环能公司也针对功率预测进行技术研讨，并得到了一定的成就；将来，我国光伏产业将有广阔的发展空间，会在国际光伏领域中发挥越来越重要的作用。如今，功率预测的方法有很多，但没有一种方法能普遍适用，所以，探究新的功率预测方法对于光伏发电系统来说至关重要。
1光伏发电系统结构
直流子系统包括2级汇流过程：一级汇流指直流电缆将光伏电池产生的直流电传输至汇流箱中；二级汇流指固定数量的汇流箱并入直流配电柜。直流子系统将直流电传输至交流子系统内，经并网逆变器转变成低压交流电；交流电进入升压并网子系统内，经变压器升压后并入电网。
2光伏发电系统发电功率预测
2.1数据基础
传统的物理预测方法根据太阳能辐射模型、电站模型、光伏转换模型、电路模型和逆变器模型来预测输出功率。但受辐射的不确定性、云的变化、雨水和环境、电池温度等因素的影响，会导致短期预测不够准确。在这种情况下，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并补偿上述各种因素的影响。不过，这些方法需要充分的历史数据支持，以供给统计处理和人工神经网络的训练。通常，至少需要光伏系统输出功率一年的连续且完整的数据进行统计回归。神经网络相关的算法不仅需要光伏发电系统的输出功率的历史数据，而且与气象和数值天气预报的历史数据紧密相关。历史数据的缺少会使相关的统计数据和人工智能预测方法无效。同时，不完整的历史数据可能导致很大的预测误差。除了历史数据之外，数值天气预报，如云、风、温度、湿度和降雨等实时数据，也有助于预测的在线训练和调整内部参数以获得更高的预测精度。
2.2基于数值天气预报的方法
数值天气预报根据流动力学和热力学原理建立微分方程组，确定大气初始状态后，就可迭代计算出来某个时间大气的状态，就是通常所说的温度、风、降水、太阳辐照度等。目前经常使用的全球数值天气预报模型主要有美国的GFS模型和欧盟的ECMWF模型，最长可进行15d的预报，其中GFS免费提供预报。全球数值天气预报模型的空间分辨率和时间分辨率都比较低，目前的模型其空间分辨率为16~50km，时间分辨率为3~6h。全球数值天气预报模型难以直接应用，常常作为其它更小尺度预报的基础。中尺度数值天气预报模型仅仅覆盖地球上的一小部分地区，由各个国家或商业公司运行，空间分辨率和时间分辨率要高得多，空间分辨率在1~20km，时间分辨率为1h。
中尺度预报模型常用的是WRF模型。WRF模型是20世纪90年代由美国的科研机构为中心开发的一种统一的中尺度数值天气预报模型，2000年开始免费对外发布，已更新了数个版本，用户可在此基础上开发本地的数值天气预报模型，空间分辨率可达1km。将MM5中尺度模型和美国国家环境预报中心模型的辐照度预报与地面观测值进行了对比研究。提出了一种利用ECMWF提供的辐照度预报值进行单个和区域光伏电站发电功率预测的方法。目前数值天气预报的缺点在于其空间和时间分辨率仍然不够高。1km的空间分辨率无法对具体的一块云做出预测，只能对某一片区域的整体平均天气做出预测。1h的时间分辨率也无法进行高时间分辨率的功率预测。因此，基于数值天气预报的方法目前主要应用于较大区域的光伏发电系统功率预测。另外，数值天气预报方法中的气象和环境因素较为复杂，精准度的提高一直是目前研究的重点和难点。
2.3精度指标
尽管光伏电站已经在世界范围内得到推广应用，但是从文献分析可以看出:到目前为止还没有关于光伏发电功率预测的相关标准。作为最大的风电部署国，西班牙拥有严格的风电并网标准，其中包括48h时间尺度的风电场输出功率预测技术指标，即:平均误差为20%，最大误差为30%;24h时间尺度的风电场输出功率预测的平均误差为10%，最大误差为15%。但光伏发电系统还没有类似的具体标准和要求。其次，在各种文献中有太多的光伏功率预测的性能指标参数，如均方根误差、相对均方根误差、平均绝对误差百分比、平均绝对偏差、平均相对误差、平均偏差错误、均方误差、相对偏差、平均误差、平均绝对误差、平均相对误差、归一化误差、最大平均误差、平均相关系数，等等。这些预测精度指标使用不同的数学模型和判据，因而很难将它们进行统一比较分析，难以形成标准。
2.4评价标准
如果没有长时间的应用测试数据或在相同条件下对比实验、应用验证，仅仅通过算法、仿真结果或孤立的实验结果来评价光伏发电功率预测方法是不严谨的。虽然已有大量有关光伏发电功率预测的研究工作，但在这个领域至今没有统一的预测方法评价标准。随着光伏系统的大面积推广，光伏发电系统的部署、设计和应用需要光伏发电功率预测标准。此外，功率预测标准将为电网接纳光伏系统提供决策依据。光伏领域的工程师和研究人员也需要在报告和研究论文中用一个通用评估方法为读者提供全面、可信的数据和研究结论。
结语
本文对近10年来的光伏发电预测技术进行了总结，重点介绍了基于统计和人工智能技术的预测模型，并对这些预测模型的优缺点及其改进方向进行了说明。最后，对未来光伏发电预测提出建议:所有预测模型的预测精度都依赖于原始输入数据的准确性(如光伏发电预测需要准确的天气信息等)，我们可以部署远程天气传感器(如多普勒雷达、Lidars、风廓线等)实时采集天气信息。本文主要为了帮助该领域的新研究人员了解和跟踪光伏发电预测技术的最新研究进展，进而建立更准确的预测模型。
参考文献
[1]武永鑫，王虎，李世杰，等．灰尘沉积对光伏组件发电性能的影响[J]．分布式能源，2017，2(5)：55-59．
[2]石磊，侯学良．并网光伏电站发电效率快速估算实用模型[J]．电网与清洁能源，2018，34(2)：161-166．
[3]于秩彬，王春芳，周钊正，等．青岛地区四季天气对光伏发电量的影响[J]．广东电力，2019，32(6)：48-54．
[4]严华江，章坚民，胡瑛俊，等．考虑空间相关性的分布式光伏发电出力预测及误差评价指标研究[J]．浙江电力，2020，39(3)：54-60．
[5]史洁，刘晓飞．新能源功率预测算法优化研究[J]．发电技术，2019，40(1)：78-82．