青岛地区四季天气对光伏发电量的影响.docx

1、青岛地区四季天气对光伏发电量的影响青岛地区四季天气对光伏发电量的影响于秩彬，王春芳，周钊正，赵永强【摘 要】摘要：基于青岛大学自建分布式光伏并网电站的实际运行情况，研究青岛地区四季天气对光伏发电量的影响。对电站发电量及环境因素等数据进行筛选和统计，分析造成不同季节发电量差异的原因。主要对光照强度、温度及相对湿度这3个因素对光伏电站发电功率的影响程度进行解耦分析，研究青岛沿海地区特有气象对光伏发电系统输出功率的影响。该研究可为青岛及气候相似地区的光伏产业发展提供数据参考。【期刊名称】广东电力【年(卷),期】2019(032)006【总页数】7【关键词】分布式光伏发电；光照强度；环境因素；年发电量

2、预测；气候相似地区修回日期:2019-04-03影响光伏发电系统发电功率的主要环境因素为光照强度，另外温度、相对湿度、风速、积灰程度、海拔高度及某些地区特殊的天气状况等1其他环境因素相互耦合，共同影响分布式光伏发电系统的工作效率。目前，国内外相关方面的研究主要集中在分析光照强度对发电功率的影响，通过天气条件与光照强度的关系说明各因素对光伏发电系统的影响，并没有详细阐述除光照外的环境因素对光伏发电系统的直接作用2-3。吕学梅等人4研究了日照时数和天气状况对日发电量的影响；闫全全等人5基于武汉光伏发电站的数据，研究了气温通过太阳总辐射对光伏发电量的影响；姚万祥等人6基于气象站分析了太阳辐射照度与太

3、阳光照强度的关系；大连理工大学7基于大连教学中心太阳能光伏项目，分析了积灰对光伏发电系统发电效率的影响；华北电力大学8分析了日食与沙尘暴等特殊气象对光伏发电系统出力的影响。中国南、北方及内陆、沿海地区气候存在差异，特别是青岛沿海地区地理位置和气候特点特殊，以上研究并不适用于青岛地区。本文研究分析了不同天气因素对青岛地区分布式光伏电站发电功率的影响，对电站发电量及环境因素等数据进行筛选统计，分析造成不同季节发电量差异的原因，对光照强度、温度、相对湿度3个因素对光伏电站发电功率的影响程度进行了详细的解耦分析。1 青岛大学分布式光伏电站青岛大学分布式光伏电站如图1所示。该电站建于2012年，主要是由

4、22块BCT260-24型多晶硅太阳能电池板和1台SG5KTL型逆变器组成，总安装容量约为3.5 kW，逆变器效率约为97%，此外还配备了实时监测系统与小型气象站，以便于展开科研工作。2 光伏电站各季节发电量统计本文采用的数据来自2014年10月至2016年10月对青岛大学光伏并网电站的观测数据记录。由于青岛地区每年气象规律相似，2015年数据与2016年数据接近，所以本文采用2015年所记录数据进行分析。按照35月为春季、68月为夏季、911月为秋季、12月至次年2月为冬季划分季节。记录时间为8:30、10:45、13:30、16:30，记录内容包括天气情况、光照强度、温度、相对湿度、风向和

5、风速、发电功率和总发电量等数据。本文提取每隔一天的采样数据，并排除个别错误数据，得到2015年四季发电量统计如图2所示。光伏电站2015年每个月的发电量统计见表1。由表1可得，2015年春季总发电量为1 743 kWh，夏季总发电量为1 523 kWh，秋季总发电量1 238 kWh，冬季总发电量888 kWh。春季发电量最大，夏季和秋季发电量次之，冬季发电量分布平均但发电量最低。夏季日照充裕，但是夏季阴雨天气频发以及青岛地区特有的夏秋季节海雾等原因使得光照强度分布发生变化。接下来通过分析光照强度变化及各个季节的环境因素变化对发电功率的影响，详细阐述造成春季发电量高以及不同季节发电量差异的主要

6、原因。3 光照强度季节性变化分析影响光伏发电量的直接因素为光照强度。取每日13：30的数据记录，筛选出242组数据，采用最小二乘法进行不同程度的拟合，作出光照强度与发电功率的关系曲线如图3所示。图3中散点经过最小二乘法进行3种不同程度的拟合，分别为3次拟合、9次拟合、15次拟合，误差平方和分别为15.571 8、9.557 0、9.269 8，拟合程度较好，拟合效果较为接近。通过图3可以看出，光照强度是发电功率最直接的影响因素。青岛日照时间以5月最多，10月次多；12月最少，2月次少。但日照百分率则10月最大，11月次大；7月最小，6、8月次小。而且青岛6、7月多海雾，常因海雾抬升形成低云，6

7、、7月的日照百分率因云雾增加而减少9。青岛四季光照强度统计如图4所示。整理图4得到表2的数据。由图4分布趋势和表2数据可以看出，春季光照平均值最大，夏季次之，秋季平均光照最低，冬季介于夏季与秋季之间，这与表1的发电量数据有差异。通过比较标准差，可以看出海雾对光照强度的影响较大，夏季和秋季是海雾频发季节，导致夏季平均光强低于春季，使夏季发电量略低于春季，而秋季发电量高于冬季，这是由于冬季太阳高度角小，日照时间变短造成总太阳辐射强度低。太阳赤纬角(1)式中N为日期序列号(从1月1日开始计)。将计算结果带入太阳高度角的计算公式，即sin =sin sin +cos cos cos .(2)式中：为光

8、伏系统安装地点的纬度，青岛地处北纬35353709，光伏电站位于36.07；为太阳时角，取每天正午数据，所以=0。由上述公式计算得到2015年每日正午太阳高度角变化范围见表3。由表3可以看出，夏季太阳高度角的幅值约为70.4，太阳高度角与辐射照度正相关，其关系曲线中间斜率大、两端斜率小6。冬季太阳高度角与春季和夏季存在明显的差距，辐射照度平均程度小于其他季节，造成冬季光伏发电系统的功率低。另外，光伏阵列倾斜面接受到的太阳辐射强度与天气状况、空气中的污染物、光伏阵列的积灰度有关10。青岛地区空气清洁且空气流动性较好，在光伏系统运行过程中，春、夏、秋三季光伏电池板表面积灰程度较弱，积灰对光伏电池发

9、电量的影响可以忽略不计；而冬季相对干燥，降水量偏小，光伏阵列的积灰度明显增高，若不及时清理，也会造成冬季发电量低。4 气象因素对光伏发电的影响4.1 气象因素相关性分析影响光伏电池板发电功率的气象因素主要包括相对湿度h、温度T、光照强度s，气象因素之间存在关联度，且对发电功率P的影响程度不同，将观测所得气象数据转化成量纲为1的数据，用MATLAB求取相关系数。取所有季节835组数据进行相关系数计算，结果见表4。由表4可以得到，光照强度对发电功率的正相关系数很大，为主导因素；光照与相对湿度负相关系数较大，而且相对湿度对发电功率同样为负相关，相对湿度对发电功率的限制作用比较明显；温度与发电功率呈现

10、较小的正相关系数，由于低温与低光照强度处于同一时间段，需要进一步分析不同的温度范围对发电功率的影响。由于温度和相对湿度对光伏发电系统存在直接影响11，取光照强度大于70 klx的数据以排除光照条件的影响，采用Bisquare方法拟合充足光照强度功率曲面如图5所示。由图5可以看出，在光照条件充足的情况下，温度和相对湿度对系统发电功率存在影响，环境温度高于25 、相对湿度高于70%时，发电功率明显降低。高温和高湿环境均不利于光伏系统，下面分别对这两种因素的影响程度进行分析。4.2 温度季节性变化分析青岛市地处北温带季风区域，属温带季风气候，四季分明，而且由于濒临黄海，具有海洋性气候特征。青岛市全年

11、8月最热，1月最冷12，四季气温变化趋势如图6所示。与内陆地区相比，青岛地区冬季低温天数较少，夏季整体温度低于内陆地区，具有季风气候四季分明的特点，夏季的温度明显高于春季和秋季，冬季温度在0 左右，但少有极端寒冷的天气，因此本文不涉及低温(低于-5 )对光伏系统的影响。为了排除不同季节光照强度不同造成的发电功率输出差异，取每日13：30的数据记录，筛选出40组光照强度大于70 klx的数据，采用最小二乘法进行不同程度的拟合，作出曲线如图7所示。图7中散点经过最小二乘法进行3种不同程度的拟合，分别为3次拟合、9次拟合、15次拟合，误差平方和分别为1.146 6、0.841 6、0.617 4，拟

12、合程度良好，拟合效果较为接近。可以看出：青岛地区冬季低温对光伏发电系统的影响不明显；温度升到20 以上，光伏发电系统的输出功率明显降低。青岛地区7、8月温度较高，8月平均温度达到25 以上，导致该时间段光伏发电系统虽然处于光照强度充足的条件下，发电功率却并不理想。4.3 相对湿度对光伏发电系统的影响青岛濒临黄海，空气湿度较高，从4月到7月，海雾天气频率逐渐上升，青岛海雾没有规律，全天任何时段都可以出现。海雾天气特点是空气湿度很大，相对湿度高于95%，而且由于海雾遮挡太阳光，影响了光伏电池板接受的太阳辐射9。相对湿度对光伏发电影响分为对光照强度的影响以及对系统工作的直接影响。青岛地区气候特殊，相

13、对湿度较大的天气一般是由于海雾出现而导致，此时环境特点为湿度大、光照强度明显不足。取每日13：30的数据记录，筛选出40组数据，采用最小二乘法进行不同程度的拟合，作出相对湿度对光照强度的影响曲线如图8所示。图8中散点经过最小二乘法进行3种不同程度的拟合，分别为3次拟合、9次拟合、15次拟合，误差平方和分别为2.682 1、2.356 7、1.983 0，拟合程度良好，拟合效果较为接近。通过图8可以看出，在相对湿度高于70%、光照强度降低、海雾浓度较高时，容易出现相对湿度高于90%，这时光伏发电系统由于光照强度过低，发电功率很小。取光照强度大于70 klx，分析相对湿度对发电功率的影响，作出曲面

14、图如图9所示。由图9可以看出，在相对湿度大于80%后，系统的发电功率远远小于干燥情况下的发电功率。实际情况中，相对湿度高于80%的天气一般为夏季海雾或阴雨天气，光照强度很低，系统主要受光照条件不足的限制，发电功率低。5 发电量的统计预测由于光伏发电系统的输出受到太阳辐射强度和天气因素的影响，其发电量的变化是一个非平稳的随机过程13-14，若不采取有效的处理方式降低光伏电站输出功率序列的非平稳性，将无法保证预测结果的精确性和算法的收敛性15。文献15-18均提出了对光伏电站适用性较强的预测方法，但是由于其方法的复杂性与变量的差异性，不适合广泛推广。文献19-22提出了对光伏系统短期发电量的预测方

15、法，但是对于气象变化频繁的青岛地区，长期预测的方法更加适合。本文基于上述数据的分析，采用了一种较为简单的方法来预测全年的发电量。上述数据均来自于同一套发电系统，数据本身包含了关于该发电系统以及该地区气象条件的信息，因此用历史发电量作为预测系统发电量的主要依据之一是可行的16。表5为2015年全年数据整理后的平均日发电量，并且按照季节划分为4个部分。利用查表法找到对应季节的平均日发电量，计算2016年发电量预测值E=Edd.(3)式中：Ed为查表所得平均日发电量，d为对应的天数。根据式(4)，计算出2016年发电量预测值约为实际发电量的95%，是比较准确的。6 结论本文主要从光照强度、温度及相对

16、湿度3个方面研究了青岛地区四季天气对光伏发电量的影响。青岛地区光照资源以春季最为充沛，光照强度差异是造成冬季发电量低的主要原因。由于青岛地区冬季极寒天气少，无极低温度出现，在运行维护中可以忽略不计冬季低温对光伏发电的影响。高温对光伏发电系统发电功率有明显的不利影响，在高于20 的环境下，光伏电池板温度高，发电功率低。湿度与光照强度呈现负相关，青岛地区海雾天气特点为相对湿度大、光照强度小，此类天气多发于夏季，限制了夏季与秋季初的光伏发电系统工作，而春季天气较为晴朗，降水与海雾出现频率较低，有利于光伏电池板的发电工作。本文给出了根据历史数据查表法预算年发电量的计算公式，该方法仅对青岛以及气候相似地

17、区适用。参考文献：1赵永强，王春芳，周钊正，等. 小型光伏电站成本回收问题的研究J.太阳能学报，2017，38(6)：1584-1591.ZHAO Yongqiang, WANG Chunfang, ZHOU Zhaozheng, et al. Cost recovery study of small-sized PV generate on plantJ. Acta Energiae Solaris Sinica, 2017，38(6)：1584-1591.2SINHA P, HAYES W, LITTMANN B, et al. Environmental variables affect

18、ing solar photovoltaic energy generation in MoroccoC/2014 International Renewable and Sustainable Energy Conference (IRSEC). Ouarzazate：IRSEC, 2014：230-234.3GUO B, JAVED W, FIGGIS B W，et al. Effect of dust and weather conditions on photovoltaic performanceC/First Workshop on Smart Grid and Renewable

19、 Energy (SGRE). Doha, Qatar：SGRE,2015:1-6.4吕学梅，孙宗义，王金东，等. 气象因素对光伏发电量的影响分析C/第31届中国气象学会年会. 北京：中国气象学会，2014.5闫全全，李芬，王丽娟，等. 不同季节光伏发电量与气象影响因子的诊断分析J. 上海电力学院报，2016,32(3)：261-266.YAN Quanquan, LI Fen, WANG Lijuan, et al. Diagnostic analysis of the impact of meteorological factors on photovoltaic power genera

20、tion in different seasonsJ. Journal of Shanghai University of Electric Power, 2016, 32(3)：261-266.6姚万祥，李峥嵘，李翠，等. 各种天气状况下太阳辐射照度与太阳光照度关系J. 同济大学学报(自然科学)，2013,41(5)：784-787.YAO Wanxiang, LI Zhengrong, LI Cui, et al. Relationship between solar radiance and solar illuminance under all sky typesJ. Journal

21、of Tongji University(Natural Science), 2013,41(5)：784-787.7孙欢伟，李佳艳. 积灰对光伏发电效率影响及改善D. 大连：大连理工大学，2015.8李西明，王海风. 异常天气对光伏并网系统出力的影响D. 保定：华北电力大学，2017.9江敦双，张苏平，陆惟松. 青岛海雾的气候特征和预测研究J. 海洋湖沼通报，2018(3)：7-12.JIANG Dunshuang, ZHANG Suping, LU Weisong. The climatic characteristics and forecast study of the sea fog

22、 in QingdaoJ. Transactions of Oceanology and Limnology，2018(3)：7-12.10徐华，盛立芳，柴艺淳. 青岛地面太阳总辐射变化特征及影响因子分析J. 中国海洋大学学报，2014,44(5)：25-31.XU Hua, SHENG Lifang, CHAI Yichun. Variation of surface total solar radiation and influencing factors in QingdaoJ. Periodical of Ocean University of China, 2014,44(5)：25

23、-31.11陈菊芳，沈辉，李军勇，等. 广州地区空气洁净度对光伏电站的影响J. 太阳能学报，2011,4(32)：481-485.CHEN Jufang, SHEN Hui, LI Junyong, et al. The effects of air cleanliness on the PV system in GuangzhouJ. Acta Energiae Solaris Sinica, 2011,4(32)：481-485.12王芳超，姜雯，崔日鲜. 青岛市太阳总辐射的变化特征分析J. 青岛农业大学学报(自然科学版)，2014，31(4)：266-271.WANG Fangchao,

24、 JIANG Wen, CUI Rixian. The analysis of characteristics of global solar radiation variation in QingdaoJ. Journal of Qingdao Agricultural University (Natural Science Edition)，2014，31(4)：266-271.13陈昌松, 段善旭, 殷进军. 基于神经网络的光伏阵列发电预测模型的设计J. 电工技术学报, 2009, 24(9)：153-158.CHEN Changsong, DUAN Shanxu, YIN Jinjun

25、. Design of photolatic array power forecasting model based on neutral networkJ. Transactions of Chinaelectrotechnical Society , 2009, 24(9)：153-158.14傅金洲, 孙鸣. 基于气候条件的光伏储能一体发电系统的能量管理策略J. 电力系统保护与控制,2018,46(24):142-149.FU Jinzhou, SUN Ming. Energy management strategy of photovoltaic energy storage inte

26、grated power generation system based on climatic conditionsJ. Power System Protection and Control,2018,46(24):142-149.15朱红路,李旭,姚建曦,等. 基于小波分析与神经网络的光伏电站功率预测方法J. 太阳能学报,2015,36(11):2725-2730.ZHU Honglu, LI Xu, YAO Jianxi, et al. A power forecasting method for photovoltaic power plant based on wavelet an

27、alysis and neural networkJ. Acta Energia Sinica,2015,36(11):2725-2730.16朱琳琳, 钟志峰, 严海, 等. 一种新的光伏发电预测模型设计J. 太阳能学报, 2016, 37(1):63-68.ZHU Linlin, ZHONG Zhifeng, YAN Hai, et al. A new design of photovoltaic power generation forecasting modelJ. Acta Energiae Solaris Sinica，2016, 37(1):63-68.17李伟, 王冰, 陈献慧

28、, 等. 基于气象因子权重相似日的短期光伏功率预测J. 广东电力, 2018(4)：59-64.LI Wei, WANG Bing, CHEN Xianhui, et al. Prediction on short-term photovoltaic power based on similar day with meteorological factor weightJ. Guangdong Electric Power, 2018(4)：59-64.18杨秋霞, 刘同心, 高辰, 等. 计及光伏电站功率越策的电力系统优化分析J. 电力系统保护与控制,2018,46(2):117-123.Y

29、ANG Qiuxia, LIU Tongxin, GAO Chen, et al. Optimization analysis of power system considering power forecast of photovoltaic power plantJ.Power System Protection and Control,2018,46(2):117-123.19LIU Y , LI Z , BAI K , et al. Short-term power-forecasting method of distributed PV power system for consid

30、eration of its effects on load forecastingJ. The Journal of Engineering, 2017, 2017(13):865-869.20GOLESTANEH F, PINSON P, GOOI H B. Very short-term nonparametric probabilistic forecasting of renewable energy generation-with application to solar energyJ. IEEE Transactions on Power Systems, 2016, 31(5

31、):3850-3863.21BRACALE A, CARPINELLI G, FALCO P D. A probabilistic competitive ensemble method for short-term photovoltaic power forecastingJ. IEEE Transactions on Sustainable Energy, 2017, 8(2):551-560.22SALEH M, MEEK L, MASOUM M A S, et al. Battery-less short-term smoothing of photovoltaic generation using sky cameraJ. IEEE Transactions on Industrial Informatics, 2018, 14(2):403-414.