解析光伏发电功率预测技术
蒋斌
湖北能源集团新能源发展有限公司 湖北 武汉 430000
摘要：文章主要是分析了光伏发电功率特性，在此基础上讲解了功率预测在光伏发电中的实际应用情况，望可以为有关人员提供到一定的参考和帮助。
关键字：光伏发电；功率预测技术；应用
1、前言
当前人们对可再生能源的重视，在一定程度上推动了光伏发电技术的发展，但光伏发电容易受到太阳辐射、天气等因素的影响，有着随机性和波动性的特征。一方面大量的光伏发电系统在接入到电网当中会因负荷变化影响到电网的安全稳定，另一方面,可靠的功率预测技术能助力电站的精细化管理、有利于生产运行分析,因此对光伏发电系统展开分析有着十分重要的意义。
2、光伏发电功率特性分析
在光伏发电过程中，电能必须与系统的发电特性相结合，但实际的光伏发电会受到各种因素的影响，如天气、温度等因素，所以，要做到对历史数据的深入分析，挖掘潜规则，通过建立功率预测模型及时发现，科学预测一定时期内的光伏发电量，可以在准确计算的基础上，按照预测曲线，对光伏电站的运行情况，避免光伏电站大规模负荷变化对电网运行产生不利影响。光伏发电系统在运行过程中，功率和平衡基本不变，但其他因素会因当前气候和季节的变化而变化，导致功率的不断波动输出.因此在接入电网系统的过程中，有必要对当地电网负荷情况进行充分的可研调查。因此，需要结合当地历史气象信息合理预测光伏电站发电效率、最大负荷、发电量，实际分析需要过载跟踪，确定一天内光伏发电量的变化，预测6小时内用电量，利用卫星云图实现实时数据采集。电力暂态可以按照地面观测数据和天气预报信息来确定，预测的最小时间分辨率为1分钟，最大时间分辨率小于10分钟。预测的并网数据可以为电网的实时分析提供依据。对于6小时内的电力变化预报，可以直接利用气象预报数据进行分析，减少分析数据量，使气象数据的时空分辨率不太高。在实际的分析过程中，提出的要求是：通过科学调度，保证预测结果的准确性，为电网的安全运行提供保障，长期预测光伏发电，为区域光资源的科学开发打下坚实的基础。
3、光伏发电功率预测技术
3.1、功率预测算法
对于光伏发电的功率预测，如果采用传统的统计方法对天气预报和历史数据进行数值统计分析，分析结果是不准确的。按照天气和太阳辐射强度之间的物理映射关系，有必要对光电转换模型进行转换来预测电能，这很难满足实际运行的需要要求。过去，它主要是基于时间的，虽然模型简单，但越来越多的光伏发电厂的参数确定越来越困难。为解决这些问题，人们提出了不同的算法，如机器学习算法和深度学习算法学习。本文采用灰色预测法，从光伏电站发电系统抽样数据，基于2018-2020年3年的历史数据，对前2年的模型进行训练，并利用2020年的数据进行预测验证分析。
3.2、预测模型建构
针对预测中存在的问题，对灰色预测模型进行了预测，并与其它模型进行了比较。按照时间序列在一定范围内的数据变化，研究了时间积累后多个变量的波动，建立了GM模型。一般用一阶线性微分方程的结果来预测数据的结果。
3.3、样本数据分析
为可以验证预测效果，需要数据分析。样品的总年度辐射为6008.35MJ/m2。最佳辐射度为1623.34kWh/m2，最大年辐射为33.54MJ/m2，最小年度累积辐射为1.81MJ/m2，光伏系统为30MWp。在匹配和分析原始数据后，删除异常数据，并执行数据预处理。由于2016年数据与前几年的数据之间的巨大差异，预测结果受到严重影响，。远远超过ALAR光伏发电站的实际发电，远离实际生产和寿命，所以本文将修改2016年的数据，以实现一般光源条件下的准确预测。为可以修改2016年的数据，我们提取了2017年和2018年的相关数据，分析了月度数据，消除了不良数据，筛选了有用的数据，包括一般数据，并获得2018年的平均年度发电。同样，计算2017年和2018年的相关数据，对月度数据进行分析，剔除不良数据，筛选代表性数据，得到2017年和2018年的年平均发电量，然后对年平均发电量进行汇总分析第1代2016年全年发电量389.374万千瓦时，替代为305.8万千瓦时,千瓦时数据分析得到的新结果是对灰色预测模型的进一步改进，对2020年一期工程的进一步改进。本文基于2016年、2017年（修正）、2018年和2019年的样本数据，预测了2020年的电力需求第二代。按照对岩子河光伏电站的数据分析，年平均发电量为4140.7万千瓦时。按照灰色预测模型预测值为4191.23万千瓦时。
4、在光伏发电中的应用
从预测的角度来看，光伏发电功率预测大致可以分为物理方法、统计方法和学习方法方法物理方法是以NWP数据作为输入，将光伏发电组件（包括电池板、逆变器等）输入，建立光伏发电量及相应的数值预报数据的数学模型，并进一步预测光伏发电量，预测的准确率与物理方法略有不同，但这种方法的优点是不需要大量的历史数据，适合新建发电站。统计方法是光伏电力预测方法。它可以定期识别其历史数据，消除不良条件数据点，建立历史数据和输出功率之间的映射关系，并进一步预测光伏发电的力量。
功率建模的基础仅适用于一年以上的光伏电站，不适用于新的光伏电站。主要学习方法是使用人工智能建立输入输出映射关系，主要是非线性映射模型。从预测时间的角度来看，光伏电力预测可以分为超短期功率预测，短期功率预测和中等长期功率预测。超短期预测主要采用统计和物理杂化方法。主要原理是推断基于地球静止卫星发射的卫星云图像的云层的运动，并预测地面辐射强度功率转换效率模型，功率预测，通常用于光伏发电控制，电能质量评价，光伏电站模块设计和开发等。短期预测主要基于数值预测数据。通过建立历史输入数据与历史输出数据之间的映射关系，可以对光伏电站的输出功率进行预测。它一般用于电力系统平衡和经济调度。先进发电、电力市场交易、暂态稳定评估等主要用于系统维护安排和预测方法，光伏发电预测可分为间接预测和直接预测。间接预测是指对太阳辐射量进行预测，然后按照预测的太阳辐射量对光伏发电量进行换算。直接预测是指对8:00-5:00的输出功率曲线进行功率预测，从数学模型的角度来看，光伏功率预测可分为时间序列预测法、自切换平均模型法、神经网络法、支持向量机法、小波分析法、灰色预测法等，最小多平面研究，结合各种有利的预测方法，使预测精度更高。
光伏发电功率组合预测方法一般分为两类：第一类是比较几种光伏发电功率预测方法。经过比较分析，采用误差小、操作简单的方法进行电力预测；第二类是按照几种预测方法的比例进行预测，然后进行平均，既充分利用了预测信息，同时也克服了所有预测模型的缺点，消除了电力预测的缺点，传统模型的首次模拟考试误差大大提高了光伏发电量预测的准确性。
5、结束语
由上可知，当前我国的光伏功率预测方式有多重类型，使得预测技术已经逐步走向成熟的阶段。但由于我国的光伏电站情况较为复杂，为此可以将光伏并网系统与新型光伏功率预测组件系统作为其中的参考，然后开展光伏电站功率预测的指标，在一定程度上提升到光伏发电的效率，为电网合理调度提供到一定的参考。
参考文献：
【1】胡雪凯, 时珉, 胡文平,等. 光伏电站功率预测影响因素分析及准确率提升方法研究[J]. 河北电力技术, 2020, 039(002):1-6,14.
【2】吴攀. 光伏发电系统发电功率预测[J]. 发电技术, 2020, v.41;No.193(03):25-30.
【3】张博文. 光伏发电系统功率预测及控制技术研究[D]. 重庆理工大学, 2020.
【4】岳东, 朱晓飞, 窦春霞. 一种短期光伏发电功率预测的方法:, CN111369045A[P]. 2020.