文献阅读光伏发电系统短期出力预测技术文献综述小论文版.docx

文献阅读光伏发电系统短期出力预测技术文献综述小论文版.docx

《文献阅读光伏发电系统短期出力预测技术文献综述小论文版.docx》由会员分享，可在线阅读，更多相关《文献阅读光伏发电系统短期出力预测技术文献综述小论文版.docx（6页珍藏版）》请在冰豆网上搜索。

科研方法及文献阅读黎敏2016120506189

硕士研究生课程报告

课程名称科研方法及文献阅读

专业电气工程

研究生姓名黎敏

学号2016120506189

任课教师姓名李振兴

入学年月2016年9月

2016年12月填写

光伏发电系统短期出力预测技术综述

姓名：

黎敏学号：

2016120506189

摘要：

随着大规模的光伏容量介入电网，光伏出力的随机性、波动性和间断性等特点对电网的安全、经济和优质运行带来了严峻挑战。

对光伏出力进行准确预测，有助于供电部门适时调整供电计划，统筹安排常规电源和光伏发电的协调配合，提高系统安全、稳定运行能力。

因此，探究光伏出力的影响因素与预测精度之间的关联性，建立适当的预测模型，并选择与待预测日相似度较高的样本进行训练，可提高光伏出力预测精度。

为此，本文主要做了以下工作：

分析了国内外光伏发电系统短期出力预测技术的研究现状；总结了文献中常见的两种研究方法，分析俩锅中放法的优缺点，着重的分析了统计法的各种模型的优缺点；总结出了光伏出力技术预测技术的研究方向。

关键词:

光伏发电；出力预测；人工智能；系统调度

5

0引言

随着经济的快速发展，能源需求量不断的增加，常规化石能源供应日趋紧缺，环境污染日益严重，人们越来越重视可再生的新型清洁能源。

目前众多的新能源开发中，太阳能作为一种取之不尽，用之不绝的清洁能源具有极大的开发价值，并网运行的光伏发电系统是未来发展的趋势[1]。

虽然光伏发电有着巨大的发展潜力以及应用前景，但其同时存在很多问题需要研究与解决。

光伏系统的出力受多种因素的影响，具有随机性和不确定性，当其接入电网时，会对电网的稳定性产生影响。

随着光伏发电的接入规模越来越大，接入电网的光伏系统对于电网的冲击越来越大。

如果不能对光伏系统的出力进行预测，就无法对光伏接入后对电网的影响进行定量评估，虽然学者们已对其输出功率的预测做了大量的研究工作[2-5]，但仍难以获得准确的预测结果，其出力的不确定性还将长期存在。

因此，需要研究光伏发电出力的预测方法，以利于协调调度，减少其对电力系统的影响，提高系统安全性和稳定性。

[6-8]

1光伏出力预测的国内外研究现状

1.1出力预测技术的定义及分类

光伏出力预测技术是指通过分析光伏系统出力与影响因素之间的关系，建立科学、合理的预测模型，并通过气象预报信息和预测模型准确地预测光伏系统未来的出力[9]。

光伏出力预测按时间尺度可以分为：

超短期预测、短期预测、中期预测和长期预测。

其中，超短期预测的时间范围为30分钟~6小时、短期预测的时间范围为1~2天、中期预测的时间范围为数周或以月为单位、长期预测的时间范围则以年为单位目前，国内外对光伏发电系统输出功率预测的研究主要集中于短期和超短期出力预测。

短期出力预测如文献[10-13]，提前1~2d获得气象预报信息，结合历史数据预测地面太阳辐射强度，然后由预测的太阳辐射强度值估算光伏出力。

光伏出力超短期预测如文献[14]，将一个地区的云层信息映射为不同的云层指数，根据气象卫星云图信息提前几小时获得该地区云层的变化情况，通过建立适当模型预测云层指数，然后建立云层指数和太阳辐射强度之间的对应关系模型，预测太阳辐射强度值，最后由预测出的太阳辐射强度估算光伏出力。

中期光伏出力预测以周或月为时间单位，主要用于微网的规划设计，根据预测结果，确定微网中新增光伏装机容量和其它发电设备之间的合理比例关系，使太阳能资源得到充分利用，实现微网的经济运行；还可以为研究微网与配网之间的动态相互作用提供基础，使微网对电网的不利影响达到最小。

长期光伏出力预测一般以年为时间单位，用于光伏电站项目可行性、项目立项等的研究。

通过统计分析历史20年或30年的太阳辐射数据，结合光伏出力模型，预测每年的出力数据。

1.2研究方法

国内外研究光伏出力随机性及预测光伏出力的方法主要分为物理方法和统计方法[15]。

1.2.1物理法

物理法是根据光伏发电系统的光电转换装置以及各控制元件的物理特性建立数学模型并对光伏出力进行预测。

物理法预测光伏出力主要有以下几个步骤：

（1）将光伏系统根据组成元件物理特性等效为相应的数学模型；

（2）采集气象预报数据作为模型输入量；

（3）利用数学模型对输入量进行计算得到输出的光伏出力预测结果；

（4）对输出的光伏出力预测结果进行整理统计（ModelOutputStatistics，MOS）。

物理法不需要历史数据就可以对光伏出力进行预测，这是物理法相对于统计法的一个优点。

但物理法建模也存在诸如建模复杂、涉及的环节过多、参数求解相对复杂等问题，并且在有些情况下无法用数学模型进行模拟，比如：

风沙灰尘遮挡、雨雪覆盖等原因造成的光伏电池转换效率改变，以及光伏系统元件老化等问题。

文献[16]通过光伏系统地理信息得到所在地区的气象数据以及光伏电池阵列的出力特性，然后根据出力特性对光伏系统的出力进行计算，建立了一种光伏并网仿真预测模型，对光伏系统长期的运行性能进行预测评估。

文献[17]分别利用物理法以及统计法建立预测模型，通过对两种模型预测效果的比较得出二者具有近似的预测精度，并得出气象预报信息是影响模型预测精度的重要因素。

文献[18]将神经网络模型与利用物理法建立的预测模型进行了比较，得出神经网络模型的预测精度高于物理法建立的模型。

1.2.2、统计法

统计预测方法是基于数学统计的理论，包括传统预测方法（时间序列法、回归分析法、灰色理论法等）和人工智能预测方法（人工神经网络（ArtificialNeuralNetwork，ANN）法、模糊控制方法、遗传算法（GeneticAlgotithm，GA）、支持向量机算法（SupportVectorMachines，SVM）等）。

统计预测方法对光伏电站历史数据进行统计分析，找出历史出力数据和历史气象信息之间的数学关系，直接建立模型对光伏发电系统输出功率进行预测，预测模型简单，对光伏面板倾角、内部电路连接、光电转换效率等详细参数没有要求，但是为了保证出力预测的精度需要一定量的光伏发电系统历史运行数据。

1．传统预测方法

1）时间序列法。

由于受太阳辐射强度、光伏阵列转换效率、温度及其它一些随机性因素的影响，光伏出力具有不确定性，时间序列法是把光伏出力数据看做随时间周期性变化的随机序列，因此光伏出力是一种随机变量。

时间序列法预测的优点是模型参数估计比较成熟，预测速度快、过程简单、外推性好；缺点是不能详细地考虑到各种因素对光伏出力的影响，自学习能力不强，当影响因素变化时难以得到较为准确的结果[19]。

2）回归分析法。

该方法需要大量的历史数据，才能找到各量之间的数学关系，建立可以分析的数学模型，对光伏出力进行预测。

回归分析法模型简单，具有较好的节省性、可识别性[20]，但由于天气变量与光伏出力之间不是简单的线性关系，回归分析法对这种非线性的动态关系无法处理，只是给出一个平均预测值，非线性回归算法也仅是通过代换转化为线性关系，运算复杂，因而不是理想的预测方法。

3）灰色理论法。

灰色理论由灰色系统分析、灰色模型、灰色预测、灰色控制和灰色优化技术等几个基本部分构成，是利用少量的数据做微分方程建立预测模型。

优点在于预测方法简单，所需光伏出力历史数据少，不考虑历史出力变化趋势和分布规律；缺点是仅适合具有指数增长趋势的光伏出力预测，对非指数增长的数据拟合灰度较大，且预测精度随着光伏出力数据离散程度的增大而增大[21]。

2．人工智能方法

1）人工神经网络法。

人工神经网络由大量神经元以某种拓扑结构大规模连接而成的非线性动态系统，旨在模仿人脑结构及其功能，ANN预测模型中最常用的是BP神经网络。

神经网络模型结构简单，有较强的鲁棒性和容错能力，可充分逼近任意复杂的非线性系统，通过较好的自组织、自学习和自适应能力，可解决非结构性、非精确性系统；缺点是训练过程慢，容易陷入局部极小，且确定神经网络结构、输入变量参数、隐含层数目大小等主要凭经验和试凑来确定[22-24]。

2）模糊控制方法。

模糊预测方法是基于模糊数学理论的一种新技术，模拟专家的推理、判断方式，不需建立精确的数学模型，具有较强的非线性映射能力，能以任意精度逼近已定义的非线性函数，适合解决不确定因素问题。

在光伏出力预测中存在着大量的不确定因素，难以进行精确的描述和表达，利用模糊预测方法可从光伏出力历史数据中提取他们的相似性。

随着深入研究和应用，模糊理论显露出一些缺点：

学习能力较弱，当映射区域划分不够详细时，映射输出结果比较粗糙[25-26]。

3）遗传算法。

遗传算法是基于自然选择和生物进化过程的计算模型，通过随机、迭代与进化搜索最优解，具有全局优化能力。

一般将遗传算法与神经网络结合，优化后者的初始权值、阀值，以克服ANN算法收敛性能低和易陷入局部极小的缺陷，从而提高预测精度[27]。

4）支持向量机算法。

支持向量机是由贝尔实验室的Vapnik等人于1995年提出的基于统计学习理论的一种新型通用学习算法，与基于经验风险最小化（EMR）原则的传统机器学习算法相比，它建立在结构风险最小化原则（SRM）和VC维理论基础之上，有更出色的学习和推广能力，能较快的收敛于全局最优解，在有限样本容量下的性能优越，泛化能力远好于ANN算法和模糊逻辑，已成为机器学习界的研究热点之一。

SVM拟合精度高、收敛时间短、可调参数少，能较好地解决小样本、非线性、高维数和局部极小等实际问题。

近年来在光伏出力预测领域中表现出越来越优越的性能，应用和发展前景良好，被认为是取代ANN方法的最佳选择[28-29]。

2光伏出力超短期预测存在的问题与发展方向

目前，国内外针对光伏出力预测方法的研究不断深入，且不断有新的预测系统投运。

然而，光伏出力预测依然存在许多问题。

首先表现在预测误差依然比较大，特别是在波动比较大的情况下，预测精度满足不了安全调度的要求。

其次，预测精度不够稳定，表现在各种统计算法在不同天气属性时具有不同的精度，同一种方法在不同的时刻预测精度不同，有时差别很大；即使对于同一光伏电站，采用相同的预测算法，预测途径不同也会使预测精度出现较大差异，因此组合多个算法模型，且将出力预测与微网系统调度与能量管理结合成为研究趋势之一。

再次，当前许多预测方法都是将每天温度和湿度的最高、最低、平均值和每个小时光伏出力采样值作为预测模型输入变量[30-32]，但全天的整体温度、湿度值不能反映出每个时段的光伏出力变化，且影响因素变量太少，因此这样建模方法将会给预测结果带来一定的误差，需要研究各种影响因素在每个时段的重要性特征。

最后，训练样本的选择也是影响预测效果的一大因素，选择相关性强的训练样本有利于提高预测精度。

因此，在进行光伏出力预测研究时，不能仅局限于预测算法的改进，光伏电站的数据特征是影响其输出功率预测精度的重要原因之一。

因此，可以通过光伏电站数据特征的提取与分析来选择合理有效的建模方法，选取高精度的训练样本，不断优化预测模型，提高预测精度。

可以预见，随着并网光伏系统的大规模应用，提高光伏系统处理预测的精度成为了提高系统经济稳定运行的关键之一。

3总结与展望

随着并网光伏系统的大规模应用，提高光伏系统处理预测的精度成为了提高系统经济稳定运行的关键之一，不仅可以对光伏接入后对电网的影响进行定量评估，还能优化混合发电系统中容量配比，降低弃光的比例，提高系统的经济运行（特别是对于远洋海岛的混合发电系统的优化调度）。

集合国家的海岛开发战略，特别是在远洋海岛孤网系统中，超短期的处理预测对于系统的经济调度与安全运行尤为重要。

但是当前的超短期功率预测的研究臣在以下的不足之处：

（1）、预测精度低