光伏发电短期预测（精选9篇）
光伏发电短期预测 第1篇
1太阳能光伏发电技术的原理及运行方式
对于太阳能光伏发电中太阳能是主要能源, 通过运用光伏电池将太阳能进行有效的吸收, 对于太阳能光伏发电系统主要就是通过简单的光伏特效应, 在接触到太阳光线的时候, 对于光伏电池也就会自动吸收光能, 也就是将光能转化为电子。在对电场的控制过程中, 空穴与光生电子发生隔离, 采用电荷累积到一定的程度后也就会聚集成光生电压, 这也就是所谓的光生伏特效应, 在对电场建设的时候通过电场接受负载后也就会导致汇聚成光生电压, 成功将太阳能转化为电能。同时对于太阳能光伏发电系统也就是将太阳能装换为电能的主要装置, 这也装置也被称为太阳能发电系统, 一般我们将地面太阳能转换为电能, 可以分为联网运行方式和离网运行方式两个方面。所谓的离网太阳能光伏发电系统也就是指在没有公共电网相接的光伏发电系统, 他是一种相对的光伏发电过程, 很多时候都是运用在农村和公共电网很难覆盖的偏远地区, 对于一些牧区及海岛照明也通常会选用这一独立的太阳能光伏发电系统。同时对于这种情况还有很多时候运用在一些特殊气象台的中转继电中心, 离网太阳能发电系统主要就是就是对特殊地区的用电提供方便。联网太阳能光伏发电系统也就是与公共电网相连接的光伏发电系统, 通过并网光伏发电的方式将太阳能装换为交流电, 它与电网电压同频同相, 在与电网相连的过程中实现电能的输送。太阳能光伏发电技术涉及到太阳能电池技术、光伏阵列最大功率跟踪技术、孤岛效应检测技术以及聚光光伏技术等。商业化发电阶段有着显著的规模化特征, 无论是联网运行还是离网运行都构成了电力工业的重要组成部分, 它们势必将成为太阳能光伏发电领域的核心技术格局。
2光伏发电系统输出功率预测设计
2.1光伏独立发电系统
对于相对独立的光伏发电系统广泛运用于偏远山区、无电区、海岛、通讯基站和路灯等运用场所。系统通常由太阳电池组件构成的光伏方阵、太阳能充放电控制器、蓄电池组、离网型逆变器、直流负载和沟通负载等构成。光伏方阵在有光照的情况下将太阳能转换为电能, 通过太阳能充放电控制器给负载供电, 一起给蓄电池组充电;在无光照时, 通过太阳能充放电控制器由蓄电池组给直流负载供电, 一起蓄电池还要直接给独立逆变器供电, 通过独立逆变器逆变成沟通电, 给沟通负载供电。
2.2光伏并网发电系统
光伏并网发电系统主要是由太阳能电池组和直/沟通逆变器构成。既可以将由太阳能所转换成的电能在逆变器效果下变为沟通负载供用户直接运用, 又可以将所发生的电传输到沟通电网上。光伏并网发电作为如今开展最敏捷的高技能太阳能光伏发电运用方法之一, 与独立的光伏发电系统比较, 光伏并网发电是太阳能发电往后的开展趋势。并网发电系统的优势主要有以下优势。并网方法灵敏, 分布式和集中型并网相结合, 既可就地耗费发电, 将剩下电力并入电网获得收益, 又可将所发电直接并入电网卖电获得收益。对光伏电池可以更快、更准确的进行追寻, 最大限度的将电能输入到电网, 来对功率损耗进行下降。中间环节的简化, 可以减少在蓄电池充放电中所损耗的电能, 对中间环节所形成的维护和运转本钱进行了下降, 一起也下降了收回废旧电池进程中所形成的环境污染疑问。
3光伏发电系统输出功率短期预测技术分析
对于光伏发电机在对电流输出的过程中, 对于输出的电流的总量和输出的效率都是通过阳光的强度和环境的温度以及电力负荷等多方面影响, 只有在一定条件的温度和光照强度才能实现电压的稳定性, 当光伏电池工作的时候在达到一定的特殊电压的时候, 可以对输出的功率进行短期预测, 在对输出功率达到最大值的时候, 这也就需要对输出功率进行预测, 有效的提高光伏发电系统的有效性。因此在对光伏发电的过程重要就是提高发电机的整体效率, 其中主要就是通过对光伏电池的工作点进行全时间段的调整, 保证光伏发电系统的工作状态, 满足生活的需要, 在这工作过程中是光伏发电的最大功率, 因此目前的光伏发电系统的成本较低, 在对发电系统的整体投资也就有效的节约了成本。光伏发电系统在进行工作的时候产生的电压主要就是由于光照强度和环境温度的变化不断的变化, 在对光伏发电功率短时间预测技术的运用中, 也就要做好整个过程的调试工作, 其中对于输出功率短期预测主要就是在对输出功率最大的时候在对光伏发电机的实际工作电压升高, 在对输出功率进行短期预测。当电功率最大的时候也就会降低光伏发电系统的总体电压, 从而实现逐渐靠紧的原理, 在对工作能够对其发电系统中寻找最优化的输出电功率的工作过程, 通过光伏发电系统矩阵检测最佳的电压组合, 以此得到最佳的排列功率输出从而和之前的功率进行比较, 这样反复进行比对, 知道找出该组的最大功率点。在找出最大功率点之后记录好周围和环境因素, 如气温、气压等同时做好相关记录, 做出该最大功率点对应的实际情况, 在日后进行光伏电池组装的过程中进行合理的利用, 在遇到情况和记录情况相似或相同时就直接采用记录的情况进行设置, 从而实现最大功率的输出, 提高光伏电池的输出效率, 降低光电生产的中体成本。
4结束语
在进行光伏发电系统安装过程中, 要严格施工标注, 规范施工, 同时要注意施工的安全性, 如此, 才能够让光伏发电这项新技术更好的服务于社会主义建设。
参考文献
[1]李木一.电池储能提高电网接纳光伏发电能力的建模仿真研究[D].中国电力科学研究院, 2014.
[2]陈海飞.高倍聚光光伏光热综合利用系统的理论和实验研究[D].中国科学技术大学, 2014.
[3]柴亚盼.光伏发电系统发电效率研究[D].北京交通大学, 2014.
光伏发电短期预测 第2篇
第一部分 蒙古光伏发电市场的投资环境研究
第一章 蒙古宏观经济发展相关指标预测
第一节 蒙古政局稳定性及治安环境点评
一、蒙古政局沿革及其未来的政局稳定性点评
二、蒙古政府效率点评
三、蒙古社会治安条件点评
四、蒙古对中国企业的整体态度点评
第二节 蒙古重点宏观经济指标研究
一、蒙古GDP历史指标及现状综述
二、蒙古经济结构历史指标及现状综述
三、蒙古人均GDP历史指标及现状综述
四、蒙古汇率波动历史指标及现状综述
第三节 蒙古基础设施建设配套的状况
一、蒙古公路建设状况及相关指标
二、蒙古铁路建设状况及相关指标
三、蒙古港口建设状况及相关指标
四、蒙古机场及航空建设状况及相关指标
五、蒙古水、电、油、气的配套建设状况及相关指标
六、蒙古通信与互联网建设的状况及相关指标
七、其他
第四节 影响蒙古经济发展的主要因素
第五节 2017-2020年蒙古宏观经济发展相关指标预测
一、2017-2020年蒙古GDP预测方案
二、2017-2020年蒙古经济结构展望
三、2017-2020年蒙古人均GDP展望
四、2017-2020年蒙古汇率波动态势展望
１
为您提供：行业/区域/采购/选址/出口/国别/跨国投资系列报告
中恒远策—海外版电子商务平台
五、2017-2020年蒙古基础设施建设态势展望
第二章 蒙古光伏发电市场相关法律法规研究
第一节 蒙古光伏发电国际贸易的相关法律法规
一、蒙古光伏发电的进出口贸易政策
二、蒙古光伏发电市场的关税水平点评
第二节 蒙古光伏发电税收的相关法律法规
一、蒙古财政税收政策的重点内容
二、蒙古与光伏发电市场相关的重点税种及税率汇总
第三节 蒙古光伏发电金融外汇监管的相关法律法规
一、蒙古金融政策的重点内容
二、蒙古外汇监管政策的重点内容
三、蒙古投资利润汇出的管道对比研究
第四节 蒙古光伏发电投资的相关法律法规
一、蒙古对外商直接投资的相关法律法规及重点内容
二、蒙古对外商获得土地的相关法律法规
三、蒙古对外商投资的鼓励或优惠政策的重点内容
第五节 蒙古光伏发电市场准入及认证的相关法律法规 第六节 其他
第三章 蒙古劳动力市场相关指标预测
第一节 蒙古劳动力市场相关历史指标
一、蒙古人口总量历史指标及现状综述
二、蒙古人口结构历史指标及现状综述
三、蒙古医疗卫生条件及疫情防控的相关内容
四、2017-2020年蒙古人口总量及结构的预测方案
第二节 蒙古的风俗禁忌与宗教信仰研究
一、蒙古的风俗禁忌
二、蒙古的宗教信仰
第三节 蒙古劳动力市场员工技能情况点评
２
为您提供：行业/区域/采购/选址/出口/国别/跨国投资系列报告
中恒远策—海外版电子商务平台
一、蒙古劳动力市场普遍的受教育程度研究
二、蒙古劳动力市场技工能力情况点评
第四节 蒙古劳动力市场工会力量强弱程度判断
一、蒙古工会的发展状况综述
二、蒙古工会组织的罢工状况研究
三、蒙古劳动力市场工会力量的强弱程度判断
第五节 蒙古劳动法相关重点内容点评
一、蒙古劳动法重点内容研究
二、蒙古劳动力市场员工招聘的相关法律法规
三、蒙古对员工最低工资水平的规定及具体内容
四、蒙古对外籍员工入境的签证时间及获得的难易度判断
五、蒙古对外籍员工数量比例等相关规定
第四章 蒙古光伏发电市场投资环境的优劣势点评
第一节 蒙古光伏发电市场的投资环境的优劣势点评
一、蒙古投资环境的优势点评
二、蒙古投资环境的劣势点评
第二节 蒙古光伏发电市场的投资环境的总评及启示
一、蒙古投资环境的总评
二、蒙古投资环境的对中国企业的启示
第二部分 蒙古光伏发电市场供需预测方案
第五章 蒙古光伏发电市场供需指标预测方案
第一节 蒙古光伏发电市场相关指标情况
一、蒙古电力供给指标
二、蒙古电力消费指标
三、蒙古电源结构相关指标
四、蒙古电力价格历史指标
五、蒙古光照资源区域分布特征
六、蒙古光伏发电发展状况综述
３
为您提供：行业/区域/采购/选址/出口/国别/跨国投资系列报告
中恒远策—海外版电子商务平台 第二节 影响蒙古光伏发电市场发展的主要因素 第三节 蒙古光伏发电市场供需预测的思路与方法 第四节 蒙古光伏发电市场态势展望与相关指标预测
一、2017-2020年蒙古电力发展规划
二、2017-2020年蒙古电力供需相关指标预测
三、2017-2020年蒙古电力供需平衡展望
四、2017-2020年蒙古电源结构变化态势展望
五、2017-2020年蒙古光伏发电市场发展态势展望
第六章 蒙古光伏发电重点关联行业发展态势展望
第一节 蒙古太阳能电池行业相关态势展望
一、蒙古太阳能电池行业发展相关指标
二、蒙古太阳能电池行业主要特征
三、2017-2020年蒙古太阳能电池行业发展态势展望
第二节 蒙古电力行业相关态势展望
一、蒙古电力行业发展相关指标
二、蒙古电力行业主要特征
三、2017-2020年蒙古电力行业发展态势展望
第三节 其他行业
第七章 蒙古光伏发电市场竞争格局展望
第一节 2017-2020年蒙古光伏发电市场周期展望
一、蒙古本土光伏发电市场的生命周期判断
二、蒙古光伏发电市场未来增长性判断
第二节 蒙古光伏发电市场竞争主体综述
一、蒙古本土光伏发电企业及其相关指标
二、中国在蒙古的光伏发电企业及其相关指标
三、其他国家在蒙古的光伏发电企业及其相关指标
第三节 蒙古光伏发电市场各类竞争主体的SWOT点评
一、蒙古本土光伏发电企业的SWOT点评
４
为您提供：行业/区域/采购/选址/出口/国别/跨国投资系列报告
中恒远策—海外版电子商务平台
二、中国在蒙古的光伏发电企业的SWOT点评
三、其他国家在蒙古的光伏发电企业的SWOT点评
第四节 影响蒙古光伏发电市场竞争格局变动的主要因素 第五节 2017-2020年蒙古光伏发电市场竞争格局展望
一、2017-2020年蒙古光伏发电市场竞争格局展望
二、2017-2020年中国企业在蒙古光伏发电市场的竞争力展望
第三部分 中国企业投资蒙古光伏发电市场的经营建议
第八章 蒙古光伏发电市场机会与风险展望
第一节 2017-2020年蒙古光伏发电市场机会展望
一、2017-2020年蒙古光伏发电市场需求增长的机会展望
二、2017-2020年蒙古重量级区域市场的机会展望
三、2017-2020年蒙古光伏发电市场辐射的机会展望
四、其他
第二节 2017-2020年蒙古光伏发电市场系统性风险展望
一、蒙古光伏发电市场波动的风险
二、蒙古光伏发电市场相关政策变动的风险
三、强势竞争对手带来的竞争风险
四、汇率波动风险
五、人民币升值的风险
六、关联行业不配套的风险
七、利润汇出等相关金融风险
八、劳动力成本提高的风险
九、其他
第三节 2017-2020年蒙古光伏发电市场非系统性风险展望
一、产品定位不当的风险
二、投资回收周期较长的风险
三、跨国人才储备不足及经营管理磨合的风险
四、与当地政府、劳工关系处理不当的风险
５
为您提供：行业/区域/采购/选址/出口/国别/跨国投资系列报告
中恒远策—海外版电子商务平台
五、当地化经营进展缓慢的风险
六、其他
第九章 蒙古光伏发电市场的经营与投资建议
第一节 2017-2020年是否适合开拓蒙古光伏发电市场的判断
一、从市场准入门槛的角度进行判断
二、从当地光伏发电市场需求的角度进行判断
三、从市场竞争程度的角度进行判断
四、从生产要素成本的角度进行判断
五、从市场进入时机的角度进行判断
六、从地理区位的角度进行判断
七、是否适合开拓蒙古光伏发电市场的结论
第二节 2017-2020年在蒙古光伏发电市场进行直接投资的建议
一、光伏发电选址的建议
二、投资方式选择的建议
三、光伏发电项目建设规模和建设节奏的建议
四、与蒙古地方政府公关争取优惠政策的建议
五、企业融资方式选择的建议
六、参与电站运营的建议
七、处理跨国人才储备及当地化经营的建议
八、正确处理当地劳资关系的建议
九、利润转移路径选择的建议
６
光伏发电短期预测 第3篇
在能源和环境的压力下,人们对于新的、清洁的、可再生的能源形式越来越重视。太阳能作为其中的一种重要的能源形式,受到了广泛的关注。光伏发电是利用太阳能的一种最重要也是最主要的形式,虽然具有环境友好与可持续的优点,也因为严重依赖于所处的自然环境致使产出具有随机性。因此,光伏发电产生的电能很不稳定,如果装机容量非常大,那么并网后会对电网产生较大的影响,对电网的安全运行、电力部门的调度分配存在潜在的威胁。为了消除它这方面的恶劣影响,对光伏发电系统功率预测的研究吸引了很多科研人员。按照预测时间的远近和间隔,可将功率预测分为长期、短期、超短期等几种[1,2],其中短期功率预测在可行性、发展成熟度和预测的作用等综合评估指标中尤为突出,因为长期功率预测主要是为电站投资作参考,而超短期功率预测的研究目前还具有很大的缺陷和不足。因此,本文主要是研究光伏发电的短期预测。
一般地,短期功率预测是指预测未来一天或几天内各时刻的光伏电站输出功率。目前主要有两种方式,一种是通过气象学中的光照强度和光伏电站数学模型[3]预报,另一种是通过数据挖掘仅仅基于历史数据和简单的气象预报[4,5,6,7,8]。前者需要气象学上的研究做支撑,在欧洲,这种方法很流行,因为那里有比较多的光照强度测量站,为光照预测提供了基础,但是光照强度的预报存在比较大的误差,有文献称误差高达百分之三十[9],所以很多研究是在如何对预报数据进行处理得到更精确预测这个方向上努力。后者的原理是要求给定地点的给定光伏电站,一年四季的光照强度大致情况不会改变,而电站中的器件的衰老程度也不是很剧烈,如果有给定电站的发电历史数据,那么历史数据中就隐藏着这些信息,依据历史数据进行建模,去繁就简之后的变量就是具体的某天的天气,那么就可以根据发电的历史数据和待预测日的简单天气预报,推断出待预测日的功率输出曲线[11,12,13]。这种方法在缺少光照强度预报的情况下可充分弥补预报信息的不足,在国内研究较多。当然这种方法的误差也非常大,尽管有很多研究都在尝试用各种各样的方法去改进[11,12,13],但收效甚微。因为给定的输入信息不是很完备,或者说是历史数据的纯度不足以直接当作模型的输入。本文将使用有效的神经网络模型作为预测模型的基础,从历史数据中提炼出对模型更友好的输入信息,最后经过评估验证这种思路的有效性。
1 预测模型的建立
为了建立光伏发电短期功率的预测模型,本文通过对一个时间段内的发电功率、发电站历史数据的研究和分析找出其中所暗含的规律。通过了解影响发电功率的因素,以及一些相似天气条件的发电功率情况,利用神经网络的方法建立短期功率变化的预测模型。
1.1 项目背景简介
本文中短期功率预测课题来源于小功率光伏发电试验系统这个实际项目,这个项目由某供电公司主持,在某两地分别搭建了容量为10KW的小功率光伏电站,电站主要由光伏发电核心组件和环境监测组件组成,前者中配有计量装置,会记录下光伏电站的实时运行情况,同时后者会记录下同时段的环境情况,监测系统会将所记录下的数据通过网络发送到服务器保存起来,表1所示为其中的一个片段。
1.2 数据记录与分析
本文中的研究对象是布置在九江湖口的一个光伏电站,其装机容量为10KW,按20分钟一次的频率记录温度、光照和电站的输出功率等数据,如果将这些20分钟一次的点连成每天的输出功率曲线,可看出形状是大致相同的,即中间高两边低大的钟形曲线,这是因为光伏电站的输出严重依赖于光照强度,中午的光照强度一般最强,电站的输出功率最大,而早上和下午的光照较弱,电站出力也相对较小,而夜间电站不往外输出电力。此外,环境温度也对光伏电站的输出功率有重要影响,致使夏季和冬季光伏电站的出力情况有较大的差异。
从理论上讲,光伏阵列的输出功率[13]
式中:ηpv为光伏阵列的光电转换效率,S为光伏阵列的受光面积,I为光照强度,t0为环境温度。针对一个固定电站进行短期功率预测的研究,可认为光电转换效率和光伏阵列受光面积是恒定的,影响光伏阵列输出功率的因素主要是光照强度和环境温度。
1.3 相似日的选取
在本文中确定预测模型的输入和输出,不同以往的文献中直接以前一日的发电数据序列作为输入,而是以待预测日之前一个月内,天气情况最相近的一天的发电数据序列作为输入。这样的好处是很明显的,因为天气情况最相近的两天的发电数据序列之间存在着更多的潜在的相似关系,以这种方式可以避免待预测日前后两天天气变化剧烈引发的大误差情况[11]。
为了叙述方便称待预测日为B,天气情况最相近的那一天为A。如果用原始数据作为模型的输入,那么输入将至少72×3个数据,其中有A日的温度和光照及出力数据,这会大大增加模型的复杂度,同时也会对模型的泛化能力有减弱,模型的训练速度减慢。所以需要对这些数据进行简化,简化的方式有多种,比如等间隔采样,或者是提取出特征数据,本文使用后者。因为对于前者,如果采样间隔太大,会使数据的本身特征会丧失太多,以致失真,而每天的气象数据是有大致规律存在的,所以可以用提取出的特征数据代替原始数据。这里使用的特征数据为:光照的最大值、最小值和温度的最大值、最小值归一化处理后的值,这四个值组成的向量称之为某一天的天气特征数据。由于夜里的光照数据和出力数据全部为0,所以没有什么意义,为了更进一步简化,上述的四个数据仅仅根据白天6时一18时这12个小时的数据提取出来。
由于从天气预报得来的预报数据是抽象的,为了根据B确定A,需要对天气预报做个映射,使抽象的阴晴多云等天气描述信息,转变为模型可用的数值信息,即光照的两个特征数据。这个转变过程是个重要的过程,当然不能凭空假设,最简单的方法是建表。根据历史数据,建立一个天气描述信息到可用特征数据的转换表,然后仅仅通过查表即可完成转换,然后计算出待预测日B与其之前30天的天气相似度,然后挑选出相似度最大的那一天为A。但这种方法有个很大的缺陷,就是仅仅从天气预报抽象的描述出发,而忽略了天气变化的连续性。另外,我们还可以充分利用待预测日B之前的若干天采集的实时数据。因为B之前的若干天和要确定的A之前的若干天之间同样有着相似的关系。用数学语言描述的话就是,待预测日B的天气特征数据为x0,B之前的30天的特征数据分别描述为:xi={xi1,xi2,xi3,xi4}
x=1,2,3…,30表示两个向量的范数也称为距离,那么A日与B日的相似度可定义为:
式中:k不可太大,即确定A时考虑A之前(包括A)k天与B之前(包括B)k天的相似情况。
1.4 数学模型的选取
相似日选取之后,就可以使用相似日的实际发电序列作为模型的输入计算结果,即相似日每小时的发电量共12个数据是模型的输入,但仅这些数据是不够的。因为使用相似日的实际发电序列预测发电量的原理是每天光照强度和温度分布是相似的,所以每天的实际发电序列的形状是相似的,都是钟形曲线。这是相似日和待预测日的共同点,而反映这两天区别的参数也应作为模型的输入,正是这些参数使各条钟形曲线表现不同,这些参数就是反映光伏电站环境的光照强度和环境温度参数。假设待预测日的天气特征数据为x0,与待预测日最相似的天气特征数据为xi,那么它们的差值也应当作预测模型的输入Δx=xi-x0。综上所述,预测模型的输入共有12+4=16个,而预测模型的输出为待预测日每小时的发电量共12个数据。
神经网络输入层节点对应于预测模型的输入变量,在本文中选取与预测日天气特征最类似的一个相似日与预测日天气特征数据的差值,和相似日12个小时的实际发电量共16个输入量,所以输入层节点个数为16。而由于RBF神经网络是单隐含层结构,其隐层节点个数是动态的,根据训练实际情况增减。输出层节点对应于预测模型的输出变量,即光伏电站预测日12个小时的发电序列,所以输出层节点个数为12。
2 预测模型的判断预估计
多进短期功率的神经网络模型建立以后,要利用样本数据对所建立的模型进行训练,使模型能够学习数据中的一些对应关系,这样模型才能准确的预测发电功率。然后,把预测模型产生的预测数据与实践的数值进行比较,验证模型的准确性。
2.1 实际运行数据
神经网络预测模型的结构确定后,需要使用样本数据对模型进行训练,使模型从中学习映射。在本文中,使用某10KW光伏电站的实际生产数据,将原始数据进行预处理后生成样本数据。
如前所述,训练模型的样本数据由相似日和预测日的天气特征数据的差值、相似日和预测日两天的历史发电数据构成。生成样本的过程为:根据整体的历史气象数据,确定当地的各气象数据范围,以此为基础,对原始气象数据进行归一化处理;针对每一天,根据第二节描述的方法选取相似日,构建样本的一个实例,即模型的输入输出对。
2.2 训练与预测过程
为了既能根据前一日数据预测未来一日的发电量,又能实时地根据当前气象数据走势对当前日后续时间的预测数据进行调整,在这里添加了一个调整的过程。具体描述为:在由上述的神经网络模型及16个输入变量预测出后一日的每小时发电量共12个输出变量后,再充分考虑最近一段时间(设为两个小时)的大气温度、光照强度、发电量等数据,对未来短时间内的预测数据进行微调。微调过程为:从数据库找寻与最近两小时大气温度、光照强度同时段最相似的那一天,设当前日最近两个小时的大气温度为:(X01X02…X0N),光照强度为:(Y01Y02…Y0N),历史数据中的某天同时段对应数据为:
记
则J即为与当日同时段历史最相似的那一天,以那一天后续时间的历史数据为依据对由神经网络计算出的预测值进行调整,简单的方式即为历史数据与预测数据取平均值作为最终的预测数据。
完整的预测过程描述为:
1)根据历史数据整理出足量的样本数据(相似日和预测日共两天的气温、光照强度、发电量作为一个样本),用这些样本数训练出神经网络模型,根据此模型得到预测值;
2)修正过程,找寻数据库中与最近两个小时温度光照同时段最相近的历史情况,并根据同时段历史最相似那天的历史数据对预测值进行调整,得到最终预测值。
2.3 预测结果和误差分析
预测模型的评估。对神经网络发电预测模型的评估有很多方法,但最常用的还是最小平方差MSE,回归系数R。
式中,N为数据总数,为预测值,为真实值,i为数据序号。
如图1所示,可以从模型的误差分布看出,预测模型的误差相对较小,模型具有一定的准确度。回归系数R衡量模型输出与期望输出之间的相关性,在[0,1]之间,越大说明相关性越大,意味着模型越准确,否则相关性越小模型的准确度越低。如图2所示,可以看出训练数据、验证数据和测试数据三组数据通过此模型得出的预测值与实际值的回归系数都在0.96以上,表明模型有一定的准确度。
通过误差和线性回归分析,可以看出神经网络预测模型准确度较高,对于光伏发电的短期功率预测效果较好。如图3所示,在相当长的时间内,预测功率和实际功率的变化曲线之间的重合度很高,误差很小,这就说明本文建立的神经网络预测模型有很好的预测效果。
3 总结
基于神经网络,建立了光伏电站的功率预测模型。以往的预测方法大多是在模型方法上进行改进,比如用神经网络或支持向量机等智能算法,虽然模型的训练学习速度有所提升,但预测的精度并没有多少提升。因此,本文重点放在对历史数据的处理上,通过对历史数据的分析确定出与待预测日天气情况最接近的那一天,并以那一天的发电序列数据和这两天的天气特征数据作为模型的输入。
(点画线表示实际功率输出曲线,实线表示预测功率输出曲线)
(Dotted line represents the actual power output curve,Solid line represents the prediction power output curve)
此外本文使用的神经网络类型为RBF神经网络,在训练速度和函数拟合能力等方面的性能均优于常用的BP神经网络,并用Matlab实现了这个预测模型,并分析评估了这个模型的性能,通过实际数据和模型数据的对比分析,验证了所提模型和算法的有效性。
摘要：随着光伏发电的装机容量的不断扩大,由于光伏发电的随机性,它的输出电能对于电力系统的影响越来越大。为了减轻它对于电力系统的影响,光伏发电短期功率预测变得相当重要。基于自行设计与开发的光伏电站的实际运行数据,本文对光伏发电系统的短期输出功率预测进行了探索研究。分析了天气类型、大气温度和太阳辐射强度等因素对预测结果的影响,分析了数据之间的相关性,基于现有预测模型成果,提出了一种改进预测方法,并通过评估分析了这种预测方法的效果和意义。
光伏发电短期预测 第4篇
第一部分 利比里亚光伏发电市场的投资环境研究
第一章 利比里亚宏观经济发展相关指标预测
第一节 利比里亚政局稳定性及治安环境点评
一、利比里亚政局沿革及其未来的政局稳定性点评
二、利比里亚政府效率点评
三、利比里亚社会治安条件点评
四、利比里亚对中国企业的整体态度点评
第二节 利比里亚重点宏观经济指标研究
一、利比里亚GDP历史指标及现状综述
二、利比里亚经济结构历史指标及现状综述
三、利比里亚人均GDP历史指标及现状综述
四、利比里亚汇率波动历史指标及现状综述
第三节 利比里亚基础设施建设配套的状况
一、利比里亚公路建设状况及相关指标
二、利比里亚铁路建设状况及相关指标
三、利比里亚港口建设状况及相关指标
四、利比里亚机场及航空建设状况及相关指标
五、利比里亚水、电、油、气的配套建设状况及相关指标
六、利比里亚通信与互联网建设的状况及相关指标
七、其他
第四节 影响利比里亚经济发展的主要因素
第五节 2017-2020年利比里亚宏观经济发展相关指标预测
一、2017-2020年利比里亚GDP预测方案
二、2017-2020年利比里亚经济结构展望
三、2017-2020年利比里亚人均GDP展望
四、2017-2020年利比里亚汇率波动态势展望
１
为您提供：行业/区域/采购/选址/出口/国别/跨国投资系列报告
中恒远策—海外版电子商务平台
五、2017-2020年利比里亚基础设施建设态势展望
第二章 利比里亚光伏发电市场相关法律法规研究
第一节 利比里亚光伏发电国际贸易的相关法律法规
一、利比里亚光伏发电的进出口贸易政策
二、利比里亚光伏发电市场的关税水平点评
第二节 利比里亚光伏发电税收的相关法律法规
一、利比里亚财政税收政策的重点内容
二、利比里亚与光伏发电市场相关的重点税种及税率汇总
第三节 利比里亚光伏发电金融外汇监管的相关法律法规
一、利比里亚金融政策的重点内容
二、利比里亚外汇监管政策的重点内容
三、利比里亚投资利润汇出的管道对比研究
第四节 利比里亚光伏发电投资的相关法律法规
一、利比里亚对外商直接投资的相关法律法规及重点内容
二、利比里亚对外商获得土地的相关法律法规
三、利比里亚对外商投资的鼓励或优惠政策的重点内容
第五节 利比里亚光伏发电市场准入及认证的相关法律法规 第六节 其他
第三章 利比里亚劳动力市场相关指标预测
第一节 利比里亚劳动力市场相关历史指标
一、利比里亚人口总量历史指标及现状综述
二、利比里亚人口结构历史指标及现状综述
三、利比里亚医疗卫生条件及疫情防控的相关内容
四、2017-2020年利比里亚人口总量及结构的预测方案
第二节 利比里亚的风俗禁忌与宗教信仰研究
一、利比里亚的风俗禁忌
二、利比里亚的宗教信仰
第三节 利比里亚劳动力市场员工技能情况点评
２
为您提供：行业/区域/采购/选址/出口/国别/跨国投资系列报告
中恒远策—海外版电子商务平台
一、利比里亚劳动力市场普遍的受教育程度研究
二、利比里亚劳动力市场技工能力情况点评
第四节 利比里亚劳动力市场工会力量强弱程度判断
一、利比里亚工会的发展状况综述
二、利比里亚工会组织的罢工状况研究
三、利比里亚劳动力市场工会力量的强弱程度判断
第五节 利比里亚劳动法相关重点内容点评
一、利比里亚劳动法重点内容研究
二、利比里亚劳动力市场员工招聘的相关法律法规
三、利比里亚对员工最低工资水平的规定及具体内容
四、利比里亚对外籍员工入境的签证时间及获得的难易度判断
五、利比里亚对外籍员工数量比例等相关规定
第四章 利比里亚光伏发电市场投资环境的优劣势点评
第一节 利比里亚光伏发电市场的投资环境的优劣势点评
一、利比里亚投资环境的优势点评
二、利比里亚投资环境的劣势点评
第二节 利比里亚光伏发电市场的投资环境的总评及启示
一、利比里亚投资环境的总评
二、利比里亚投资环境的对中国企业的启示
第二部分 利比里亚光伏发电市场供需预测方案
第五章 利比里亚光伏发电市场供需指标预测方案
第一节 利比里亚光伏发电市场相关指标情况
一、利比里亚电力供给指标
二、利比里亚电力消费指标
三、利比里亚电源结构相关指标
四、利比里亚电力价格历史指标
五、利比里亚光照资源区域分布特征
六、利比里亚光伏发电发展状况综述
３
为您提供：行业/区域/采购/选址/出口/国别/跨国投资系列报告
中恒远策—海外版电子商务平台 第二节 影响利比里亚光伏发电市场发展的主要因素 第三节 利比里亚光伏发电市场供需预测的思路与方法 第四节 利比里亚光伏发电市场态势展望与相关指标预测
一、2017-2020年利比里亚电力发展规划
二、2017-2020年利比里亚电力供需相关指标预测
三、2017-2020年利比里亚电力供需平衡展望
四、2017-2020年利比里亚电源结构变化态势展望
五、2017-2020年利比里亚光伏发电市场发展态势展望
第六章 利比里亚光伏发电重点关联行业发展态势展望
第一节 利比里亚太阳能电池行业相关态势展望
一、利比里亚太阳能电池行业发展相关指标
二、利比里亚太阳能电池行业主要特征
三、2017-2020年利比里亚太阳能电池行业发展态势展望
第二节 利比里亚电力行业相关态势展望
一、利比里亚电力行业发展相关指标
二、利比里亚电力行业主要特征
三、2017-2020年利比里亚电力行业发展态势展望
第三节 其他行业
第七章 利比里亚光伏发电市场竞争格局展望
第一节 2017-2020年利比里亚光伏发电市场周期展望
一、利比里亚本土光伏发电市场的生命周期判断
二、利比里亚光伏发电市场未来增长性判断
第二节 利比里亚光伏发电市场竞争主体综述
一、利比里亚本土光伏发电企业及其相关指标
二、中国在利比里亚的光伏发电企业及其相关指标
三、其他国家在利比里亚的光伏发电企业及其相关指标
第三节 利比里亚光伏发电市场各类竞争主体的SWOT点评
一、利比里亚本土光伏发电企业的SWOT点评
４
为您提供：行业/区域/采购/选址/出口/国别/跨国投资系列报告
中恒远策—海外版电子商务平台
二、中国在利比里亚的光伏发电企业的SWOT点评
三、其他国家在利比里亚的光伏发电企业的SWOT点评
第四节 影响利比里亚光伏发电市场竞争格局变动的主要因素 第五节 2017-2020年利比里亚光伏发电市场竞争格局展望
一、2017-2020年利比里亚光伏发电市场竞争格局展望
二、2017-2020年中国企业在利比里亚光伏发电市场的竞争力展望
第三部分 中国企业投资利比里亚光伏发电市场的经营建议
第八章 利比里亚光伏发电市场机会与风险展望
第一节 2017-2020年利比里亚光伏发电市场机会展望
一、2017-2020年利比里亚光伏发电市场需求增长的机会展望
二、2017-2020年利比里亚重量级区域市场的机会展望
三、2017-2020年利比里亚光伏发电市场辐射的机会展望
四、其他
第二节 2017-2020年利比里亚光伏发电市场系统性风险展望
一、利比里亚光伏发电市场波动的风险
二、利比里亚光伏发电市场相关政策变动的风险
三、强势竞争对手带来的竞争风险
四、汇率波动风险
五、人民币升值的风险
六、关联行业不配套的风险
七、利润汇出等相关金融风险
八、劳动力成本提高的风险
九、其他
第三节 2017-2020年利比里亚光伏发电市场非系统性风险展望
一、产品定位不当的风险
二、投资回收周期较长的风险
三、跨国人才储备不足及经营管理磨合的风险
四、与当地政府、劳工关系处理不当的风险
５
为您提供：行业/区域/采购/选址/出口/国别/跨国投资系列报告
中恒远策—海外版电子商务平台
五、当地化经营进展缓慢的风险
六、其他
第九章 利比里亚光伏发电市场的经营与投资建议
第一节 2017-2020年是否适合开拓利比里亚光伏发电市场的判断
一、从市场准入门槛的角度进行判断
二、从当地光伏发电市场需求的角度进行判断
三、从市场竞争程度的角度进行判断
四、从生产要素成本的角度进行判断
五、从市场进入时机的角度进行判断
六、从地理区位的角度进行判断
七、是否适合开拓利比里亚光伏发电市场的结论
第二节 2017-2020年在利比里亚光伏发电市场进行直接投资的建议
一、光伏发电选址的建议
二、投资方式选择的建议
三、光伏发电项目建设规模和建设节奏的建议
四、与利比里亚地方政府公关争取优惠政策的建议
五、企业融资方式选择的建议
六、参与电站运营的建议
七、处理跨国人才储备及当地化经营的建议
八、正确处理当地劳资关系的建议
九、利润转移路径选择的建议
６
光伏发电短期预测 第5篇
大规模光伏发电系统的应用,有助于缓解传统能源枯竭而引起的能源危机,但是其输出功率的波动特性会给电网造成较大的影响[1],因此,对光伏出力进行预测以便采取应对措施就变得极为重要。目前,针对光伏出力预测的方法大体上可以分为2种:直接预测和间接预测。直接预测是指通过对输出功率、天气等的历史数据进行统计分析,直接建立出力预测模型,不需要对气象、温度等外部环境进行预测[2,3,4,5,6,7,8]。而间接预测是指对天气情况或日照强度进行预测,建立天气变化与日照强度模型,通过这些参数与光伏发电量的关系,计算得出最后的预测值[9,10]。直接预测和间接预测都有一定的局限性,例如,直接预测在未考虑天气的情况下,对历史数据进行统计,建立预测模型,但是如果天气指数变化,则可能导致预测模型失效。间接预测方法只对外部环境进行预测,未考虑系统本身如安装角度、光伏阵列转换效率等因素对光伏出力的影响。
针对光伏阵列出力的特点,文献[5]采用改进GM(1,1)残差修正模型对光伏出力理论量和实际量进行预测,结果对符合太阳能辐射量峰值特点的预测日效果较好,反之可能会导致预测模型失效。文献[6]利用灰色理论和马尔可夫链建立了直接预测模型,并验证了预测模型的可行性,但精度有待提高。文献[7]提出了一种加入天气预报信息的神经网络发电预测模型的设计方案,采用光伏阵列的发电量序列、日类型指数和气温建立了神经网络直接发电预测模型。文献[8]介绍了一种演化神经网络(EPANN)算法,用来直接预测与电网并联的光伏发电系统交流输出功率,太阳辐射、风速、大气温度作为输入端,交流输出功率作为输出端。文献[9]采用前向反馈神经网络(FFNN)、径向基神经网络(RBFNN)和回归神经网络(RNN)3种神经网络算法对辐射强度进行预测。通过分析比对,选择了RNN对光伏系统进行出力间接预测,结果证实了神经网络预测方法的有效性。文献[10]采用多层感知器,利用24h的日平均辐射强度和温度对辐射强度进行预测。上述文献所涉及方法和模型都可以对光伏出力进行预测,但预测精度都有待提高。通常情况下,组合预测方法要比单独使用一种预测方法精度高,如文献[11]所介绍的风电场风速及风电机组功率预测方法就是基于相似性样本的多层前馈神经网络,并结合时间序列分析与灰色预测方法对风速进行预测,进而讨论风电机组功率预测。
本文拟建立一种基于灰色神经网络的组合模型对光伏短期出力进行预测。首先,通过统计与预测日相似天气环境下整点时刻的出力,建立各时刻出力的灰色模型。然后,利用输出结果与样本日的温度建立神经网络,并利用训练好的模型模拟预测日的输出。最后,利用实际光伏系统的数据进行方法验证。
1 影响光伏阵列短期出力的主要因素
太阳能具有能量密度低、稳定性差的弱点,并且受到地理分布、季节变化、昼夜交替等影响,使光伏发电系统的输出具有不连续性和不确定性。影响光伏阵列短期出力的因素通常可以归结为以下几类。
1.1 光照强度
地球接收到的太阳辐射并不是一个恒量,而是一个随时间变化的变量,用光伏阵列进行发电,其输出功率也随着太阳光的不同强度而改变。如图1所示,光伏阵列出力随着光照强度的波动而变化。
1.2 天气类型
受云量、风速、温度等因素的影响,不同的天气类型光伏阵列的输出也不一样。如图2所示,晴天和阴天时光伏阵列的出力明显不同。晴天时的发电功率要高于阴天时的发电功率。
1.3 光伏电池转换效率
光伏电池的效率也能影响光伏系统的出力。不考虑其他因素,电池效率越高,出力越多。太阳能电池的光电转换效率与电池的结构、结特性、材料性质、工作温度、放射性粒子辐射损伤和环境变化等有关。
1.4 大气温度
光伏阵列的输出不仅与光照强度、光伏电池的转换效率有关,而且还与大气温度有关,单位面积的光伏阵列输出功率可以表示为:
式中:η为光伏阵列转换效率;S为阵列面积;I为光照强度;t0为大气温度。
由式(1)可以看出,大气温度的变化会改变光伏阵列的输出性能。温度升高,功率会有所下降,所以在建立预测模型时,也应考虑大气温度的影响。
2 预测模型的选择
本文针对光伏阵列出力的特点,提出灰色模型和神经网络模型组合的方法进行预测。通过合理选取样本,尽量减小各种因素对预测模型的干扰。通过灰色模型预测出力的大致发展趋势,然后通过神经网络模型训练,减小由非线性因素带来的影响。
2.1 灰色模型GM(1,1)
1982年,中国学者邓聚龙教授创立了灰色系统理论,该理论以“部分信息已知,部分信息未知”的“小样本”“贫信息”不确定性系统为研究对象,通过对“部分”已知信息的生成、开发实现对现实世界的确切描述和认识[12]。而对于光伏发电量这个研究对象,它符合灰色系统理论研究对象的特点,所以建立灰色模型对光伏出力进行预测是可行的。根据光伏短期出力的特征,可以建立灰色模型GM(1,1),基本过程如下:(1)对样本建立1-AGO序列;(2)检验光滑性和准指数规律,判断是否满足建立条件;(3)建立GM(1,1)模型;(4)进行最小二乘参数估计,确定模型;(5)还原并求出预测值。
2.2 神经网络模型
灰色预测模型可在“贫信息”情况下对非线性、不确定性系统的数据序列进行预测,但其预测误差偏高,而人工神经网络由于具有强大的学习功能,可以逼近任意复杂的非线性函数,它不用事先假设数据间存在某种函数关系,信息利用率较高[13]。采用BP算法的多层感知器是至今为止应用最为广泛的神经网络。故在此利用所得的模拟值和实测值通过BP神经网络建立非线性映射关系。BP神经网络主要包括3层,分别为输入层、隐含层、输出层,各层的函数关系如文献[13]所述,这里不赘述。
本文所采用的变换函数均为单极性Sigmoid函数:
BP算法的基本过程是输入样本从输入层传入,经各隐含层逐层处理后,传向输出层。若输出层的实际输出与期望输出不符,则将输出误差通过隐含层向输入层逐层反传,并将误差分摊给各层的所有单元,从而获得各层单元的误差信号,此误差信号即作为修正各单元权值的依据。
对于输入量来说,其各数据的量纲并不完全相同,因此需要通过尺度变换使其值限制在[0,1]内。本文采用的尺度变换方法为归一化法:
式中:xi为输入或输出数据;xmin和xmax分别为数据变化范围的最小值和最大值。
3 预测模型的建立
对于光伏出力的预测,可以对光照强度建立灰色模型间接预测,也可以对光伏阵列出力建立灰色模型直接预测。采用间接方法所用数据较多,且涉及天气数值,建模比较复杂,所以本文对光伏阵列出力直接建立预测模型。利用灰色神经网络组合模型对光伏出力进行预测,要注意灰色和神经网络这2种模型的输入样本和结构选择。
3.1 灰色模型的建立
模型的建立大多需要大量历史数据,但灰色系统理论在建模过程中利用较少的数据就能得到一定精度内的模拟数据。采用灰色理论的思想对原始数据进行必要的处理,可以大大改善预测模型的精度。灰色模型的输入选用与预测日相同的同一系统在相似天气情况下每天同一时刻的测量值,因为选择与预测日日类型相似的数据,可以保持天气情况对出力影响的一致性。另外,对于短期内同一系统每天同一时刻的出力,其系统转换效率、太阳高度角、光照强度等影响因素都较为接近,所以可以尽量减弱输入的不确定性,增强数值的规律性。图3为某一光伏电站在4月12—17日期间晴天条件下某一相同时刻出力的测量值。从图中可以看出,每天同一时刻的出力值基本相似,但是数值稍有波动,若想找到一条简单的曲线来逼近它非常困难。如果将数据经过1-AGO累加变换,数值会呈现指数增长的规律,这时用指数函数进行拟合较容易,即利用灰色模型可以模拟出每天各小时光伏出力的大致曲线。光伏发电系统主要在07:00—18:00时段内输出电力。算例的输入为07:00—18:00时段内相同时刻的出力实测值。这里选用4月12—16日各整点时刻的实测值,共12组数据。经过检验,输入的样本符合建立灰色模型的条件,即满足光滑性和准指数规律。建立12个灰色模型,得到相应的拟合方程,通过计算可以算出预测日4月17日和样本各天各时刻的拟合值。
3.2 灰色神经网络模型的建立
虽然对于同一系统设备、同一时刻、同一种天气类型,光伏系统的出力值较为接近,但是天气变化、温度、设备的影响等因素都是非线性的,很难对这些影响进行精确掌握。因而,本文不考虑这些问题,仅考虑灰色模型模拟出来的拟合值与实测值之间的关系。因为灰色模型拟合出来的数据在一定精度内已经反映了当天的数值,模拟值与实测值之间本身就有很高的相关性,利用这些特点建立的神经网络模型会更加可靠,通过这个模型进行预测,精度也会有所提高。3.1节已经通过灰色模型模拟出光伏出力变化的大致曲线,此时,利用得到的拟合值与实测值建立训练样本,从而建立它们之间的非线性映射关系。继续3.1节的例子,则神经网络模型的样本输入为灰色模型拟合出来的4月12—16日每天12h整点时刻的拟合值。另外,为了加强确定性因素,加入当天气温最高值和最低值作为输入,而样本的期望值分别为每天12h的实测值。也就是说,此网络的输入层共14个输入,输出层共12个输出,其中隐含层通过经验测试选为28个,建立训练网络。然后把灰色模型得到的4月17日的预测值输入训练好的网络,得到4月17日的最终预测值。简言之,利用灰色神经网络建立的预测模型就是用预测出来的具有一定精度的值来进行预测。
4 算例分析
本文编程实现了光伏发电短期出力预测的灰色神经网络组合模型,并对预测结果进行了分析。
4.1 3种模型的输入、输出设置及预测结果
1)灰色模型。利用4月12—16日各天12h的出力值作为输入样本,建立灰色模型,拟合出力的大致变化曲线得到响应序列。通过响应序列对4月17日12h的整点出力值进行预测并得到各天各小时的拟合值。表1为各天07:00—18:00整点时刻实测值。
2)神经网络模型。利用4月12—15日各天12h整点时刻出力值和隔天最低、最高温度作为输入,相同天气类型的样本次日对应时刻的出力值作为输出,建立并训练网络。把4月16日12h的整点出力和4月17日的最高、最低温度输入训练好的网络中,得到最后预测结果。
3)组合模型。通过灰色模型得到响应序列算出4月12—16日12h整点时刻的出力值,并利用得到的整点时刻出力以及确定性因素温度值作为输入,而当天对应时刻的实测值作为输出,建立灰色神经网络并训练。把利用灰色模型得到的4月17日的预测值和最高、最低温度输入训练好的网络中,得到最终预测结果。
3种模型预测结果如表2所示。
kW
从表2可以看出,3种模型都可以对光伏出力进行预测,预测的结果大致能反映出力的变化曲线,但是个别小时偏差较大。相比于单纯用灰色模型和神经网络模型,组合模型在相对偏差较大的预测值上的预测误差有较大幅度的减少。
4.2 3种模型的评估结果
从表2可以看出,对于个别相对偏差较小的预测值,单独使用灰色模型或者神经网络模型,其预测结果可能稍好,但是整体模型的好坏还需更进一步的评价,因此本文需要通过均方根误差ERMSE对模型进行评估。
式中:为预测值;P(i)为实测值;i为预测序列。
通过对3种模型的均方根误差进行计算,可以得到组合模型的ERMSE为6.3,而神经网络和灰色模型的ERMSE分别为8.48和12.58。也就是说,组合模型比单独用灰色模型和神经网络模型的预测精度高。建立灰色模型进行预测,方法较为简单,但预测精度不高。采用神经网络方法进行预测,精度有所提高,但个别小时的预测精度并未有很大的改善。因此,选择组合模型进行光伏出力预测是可行、高效的。
5 结语
本文提出的灰色神经网络组合模型光伏出力预测方法采用与预测日相同天气类型、相同设备、相同时刻的出力值作为样本,尽可能保持了日照强度、天气类型、系统转换效率、安装角度等因素对出力影响的一致性。利用灰色模型对其出力进行大致趋势的预测,然后利用趋势预测值和确定性因素温度值与实测值建立神经网络模型,用相对确定的值来预测未知值。实际算例表明,利用灰色神经网络组合模型能有效预测未来一天12h整点时刻的光伏出力情况,其预测精度较高。预先确定光伏系统在未来短期内的出力情况,对于电力系统制定调度计划、减轻光伏出力不确定性对电网的影响具有重要意义。
光伏发电短期预测 第6篇
太阳能作为一种绿色环保的可再生能源,已经得到广泛地开发和应用。随着大规模光伏电站接入电网,光伏发电输出功率的随机性和波动性已经对电网的安全稳定和经济运行造成影响。因此,对光伏发电输出功率进行准确预测,可以为电力调度提供重要的决策支持,以统筹安排常规电源和光伏发电的协调配合,有效地降低电力系统运行成本,使得光伏资源得到充分的利用,从而获得更大的经济效益和社会效益[1,2,3,4]。但是,光伏发电系统的输出功率在很大程度上取决于光伏面板所能接收到的太阳辐射量,容易受到天气因素的影响,造成其输出功率不稳定且难以预测。地面辐照度作为光伏发电输出功率的主要影响因素之一,对光伏发电输出功率有直接影响,而云作为影响地面辐照量的主要气象要素, 其生消和移动的变化是地面辐照度不确定性变化的根本原因之一[1]。目前,光伏发电功率预测方法主要根据历史气象要素数据和光伏电站输出功率数据进行统计分析或神经网络方法进行预测,如基于人工神经网络的预测模型和基于支持向量机的预测模型[5,6]。但是,涉及气象云图数据对光伏发电功率进行预测的文献还不多,主要停留在探索和尝试阶段, 所以基于这些文献的方法进行光伏功率预测,在预测精度上还存在很大问题。国外有学者根据气象卫星云图预估云层移动情况进行太阳辐照度预测,所涉及的卫星云图的时间分辨率最小为30min,最小空间分辨率为2.5km2。尽管借助卫星云图揭示地区云覆盖特征时是一种很好的方法,但是其时空分辨率相对较低[7]。如果采用地基云图进行预测,如经常使用的TSI-880型全天空成像仪(TSI)的有效监测范围为5km,很难监测5km以外的云 团移动[8],所以其拍摄的空间范围有限,而在未来4h预测时间内,云团可能已经移动出了设备的监测范围, 造成光伏功率预测模型的失效,很难实现光伏超短期的未来4h有效预测。
为了提高光伏超短期的预测精度和预测时间长度,本文提出 了数值天 气预报 (weather research forecast,WRF)与地基云图相结合的光伏超短期预测模型。该预测模型首先利用晴空工况光伏超短期功率预报方法[9],对光伏电站未来4h功率进行预测,接着使用WRF的气象数据(包括云量数据、近地面直射和散射辐射数据、不同云量高度的风速和风向数据)对未来4h内,由于云遮挡造成的辐照度衰减进行预测数据校正,最后利用TSI小范围、高精度的优势,精确预测出临近时间内云团遮挡造成的辐射衰减,再基于辐射功率转换模型实现光伏功率超短期预测。
1 临近晴空工况预测
大气层外切平面的瞬时太阳辐射强度只与大气上界的太阳辐射强度和太阳辐射方向有关,可以通过天文学相关公式精确计算得到,若得到近地面瞬时太阳辐射强度与大气层外切平面的瞬时太阳辐射强度的关系式,就可以实时推算出近地面的太阳辐射强度。在同一光伏电站,同为晴空天气情况下,前几天的关系式必然与预测日的关系式高度相关[9]。 因此,使用文献[9]中提出的晴空工况光伏超短期功率预测方法,可以使用光伏电站的历史有功数据、历史辐射数据、历史组建温度等,统计分析并建立这一关系式,然后完成光电功率之间的转换。当辐照度和功率关系式确定后,只需要将对应的太阳辐射强度的值代入到光电功率转换关系式,再结合光伏组件逆变器实时工况就可以预测未来0~4h的光伏电站发电功率[9,10]。像所有其他半导体器件一样, 太阳能电池对温度非常敏感。经统计发现,在20~ 100 ℃范围内功率变化明显,温度每升高1 ℃,实际功率比理论发电功率减少0.35%;温度每降低1℃, 实际功率比理论发电功率增加0.35%。为了减少气候、气温对预测精度的影响,采用临近相似天气型 (距离预测日天气类型最近的一个相似天气类型,比如晴天、多云等)的历史功率和实测的辐射数据进行曲线相关性拟合,建立光电转换模型,以实现光电功率之间的转换。
近地面层的瞬时太阳辐射强度可通过已建设的自动气象监测站来实时获取,自动气象监测站按太阳能资源评估方法,地面气象观测规范等技术要求, 通过各种气象传感器,对光伏电站微区域环境下的总辐射、直射辐射、散射辐射、组件温度、环境温度、 风速风向等气象要素作实时数据采集,具体气象监测要素及技术指标如附录A表A1所示[9]。该预测方法在光伏电站无云量影响时,太阳辐照度的直接辐射接近光伏电站水平面辐照度的总辐射。设t时刻光伏电站水平面辐照度的总辐射为R(t),且满足
式中:a,b,c为二次曲 线关系式 的对应项 系数; F(·)为光伏电站预测发电功率函数。
以华东地区某测试光伏电站的某日功率历史数据和自动气象监测站同时间段的辐射历史数据为样本,统计辐射/功率关系式如图1所示。
当辐射/功率关系式确定后,将对应时刻的预测辐射值代到以上关系式,对未来0~4h的光伏电站发电功率做出预测。当天预测结束后,更新光伏电站的历史功率数据与光伏电站地面辐射监测数据 库,并重新统计辐射/功率关系式,为下一次功率预测做准备。该模型虽然可以实现对相似天气型光伏电站发电功率的预测,但却难以捕捉有云团将光伏电站遮挡时的功率突变式衰减。
2 模式云图数据准备
2.1 WRF模式简介
WRF模式具有先进的数值计算和资料同化技术,多重移动嵌套网格性能及完善的、适应不同地形和地貌特征的边界层物理过程参数化方案。WRF模式在全球中尺度WRF业务和其他领域具有良好的应用效果,近年来被越来越多地应用在风电场和光伏电站数值模拟理论与应用研究中,并逐渐成为为新能源功率预测提供WRF产品的重要中尺度数值模式之 一[10]。 本文的预 测模型中,主要使用WRF模式计算输出不同云层高度的云量、风速、风向,以及近地面辐照度等信息。
2.2 WRF云参数化方案
云的形成、发展和消亡是大气中特定物理过程的产物,反映了当时大气运动、大气稳定度和水汽状况,而大气中这种物理过程的进行又在一定程度上反映了大气状态的变化。文献[11]中采用WRF模式分别对相对湿度云量诊断方案、水物质法诊断方案、亮温法诊断方案进行比较,发现亮温法云量诊断方案可以真实地对云团进行诊断[11],其云量诊断云图(以下简称模式云图)见附录A图A1,其中蓝色区域为云量信息。
3 模式云图遮挡计算
3.1 模式云团提取
模式云图主要由云和地面构成,特征较为突出, 其灰度直方图呈现两个单峰,易于分割(见附录A图A2)。云图分割算法采用文献[12]中所提的经典分割算法[12],已知模式云图主要由蓝、白两色构成, 云图中的等高线在云团分割时所产生的干扰,可以通过图像去噪算法滤除,再利用最大类间方差自适应阈值分割算法对云团进行提取。使用WRF对云量诊断仿真时,可以对不同高度的云层进行云量诊断,仿真各云层的云图,且各层模式云图的图像特征相同,所以可以采用相同方法对云图进行分割,模式云图处理流程见附录A图A3。根据以上方法提取的云团图像见附录A图A4。
3.2 模式云团遮挡判定
云团移动产生的变化十分复杂,且没有规律可循,但相对较短时间内云团形变则比较缓慢,在此不妨假设云团在未来时刻的运动在图像上为平移。云团在未来时刻的运动是根据云团跟踪学习环节对云团移动速度和移动方向的预估结果,对未来时刻云团的位置做预测。
设WRF实现对N层云量的诊断,并预测出各云层的风速、风向等数据,其中模式云图的第j层云层距地面的WRF计算高度为Hj(j≤N)。地平坐标系如图2所示,太阳光线为OP,地平面法 线为QP,太阳高度角αs(OP与其投影线Pg的夹角)可以由纬度φ、时角ω、赤纬角δ 计算求得。
其中,纬度φ可根据电站基础信息获得,时角ω 的数值等于离正午时间乘以15°,赤纬角δ 则可根据Cooper方程近似计算[13],有
式中:n为一年中的日期序号。
进一步可得[13]:
设天空中云团Ii中的某个点在地面上的垂直投影坐标 为Ii′(xi′,yi′),在水平面 上的投影 为Ii″(xi″,yi″),云团投影计算见图3。
已知云团高度为Hj,高度角为αs,设垂直投影点距离水 平面上太 阳光线投 影点距离 为d,则d=Hjcotαs。设β为xi′与yi′的夹角,则斜率tanβ=yi′/xi′,计算可得水平面投影坐标为:
云量遮挡光伏电站过程相对复杂,需要综合考虑光伏电站和云团的面积大小,但细化到光伏电站中的光伏组件的遮挡的原理相同,本文选取相对小的电站建模,将大型光伏电站分割成多个相对小的电站做综合分析建模。对超短期未来4h的输出功率进行预测,只关注对应时刻点的遮挡状态,对该时刻功率衰减的影响。为方便研究,可设第j层某云团的水平面太阳投影遮挡光伏电站时,即为遮挡,反映到数学表示中为0和1两种状态。再利用各层风速计算未来云团的运动轨迹,如图4所示。
设光伏电站A的坐标为(xA,yA),第j层的第i个云团Ii的水平面 投影的质 心坐标为Ii″(xi″, yi″),对应的风速为vi,风向角为θ,ø是水平面投影质心和电站连线与x轴的夹角,其中
而vi′是云团Ii到电站A的速度分量,则有
则云团Ii的地面投影距离电站A的云图像素距离为Di,真实地理距离为Di′。根据模式云图和真实地理面积的换算关系,可计算出一个像素点所覆盖的真实地理面积为289.44 m2,可以推算出真实地理距离的边长倍增因子等于24.056,真实距离为:
在vi作用下,云团Ii地面投影从当前位置移动到电站A的时间Ti=Di′/vi′。 在某时刻 的N个云层中,只要有某个云团的投影对光伏电站产生遮挡,则都会对电站的辐射产生衰减。对于超短期0~4h预测时间 长度,按照相关 技术标准,每15min一个点,则需要在16个预测点处重新计算当时云团的覆盖状态的值,即可满足后续预测模型对数据的要求。假设在某个预测时间点,第j层云图中有云团Ii的地面投影像素对电站A形成覆盖, 即可判定该时刻第j层的Ii云团为遮 挡,表示为sj,sj∈(0,1),假设N个云层对电站A的最终遮挡状态为SN,其值为:
当SN=0时,则光伏电站没有被遮挡,或者SN越大说明光伏电站被遮挡的越严重。
3.3 模式云图辐射衰减
WRF可实现对地面直射、散射辐射进行预测, 可以根据SN确定是否采用直射或散射值对光伏电站超短期的功率预测,且SN值越大,说明云团越厚,对太阳所造成的衰减越大。设模式云图的遮挡辐照度衰减系数为ρ(0≤ρ≤1),ρ值是利用临近天气型且相同时刻有云状况下,WRF的散射辐射除以总辐射所得的一系列折损系数,并计算数学期望作为最终的折损系数。可设太阳辐照度的散射辐射为r(t),光伏电站输出功率为P(t),则有
式中:r(t)为WRF的计算输出数据。
4 地基云图临近校正
4.1 地基采集设备
TSI为全彩色数字成像仪,可自动进行全天空云量的持续性观测,时空分辨率较高,该仪器不仅可以监测云量的大小,还可以通过云的变化分析天气形势。本文所采用TSI型号为TSI-880(如附录A图A5所示),它通过上方的照相机垂直向下拍摄带有加热装置的半球镜面,得到当时天空的图像。所得图像是分辨率为352×288像素的24位RGB真彩色图像,以JPEG格式被自动存储到计算机上,用于图像处理与分析[8]。
4.2 局部法云团提取
当TSI处于雾、霾、沙尘天气时,空气中悬浮颗粒会对太阳光线产生影响,造成地基成像设备所采集的图片效果变差,此时地基云图的红蓝特征也会不太明显,这种情况给云图的云团提取带来了一定的难度。针对该问题,本文基于文献[14-15]的局部阈值插值的地基云自动检测方法的基础上进行方法改进,首先将云图进行锐化,以放大云团目标的特征,再运用局部阈值计算方法提取云团。具体步骤如下。
1)对云图进行锐化,突出图像中被模糊了的细节,锐化采用拉普拉斯算子的二阶微分图像进行增强。
2)计算云图 的最大灰 值Wmax和最小灰 度值Wmin,并用最大类间方差法算出全局阈值Wth。
3)对云图划分子区域,计算每个子区域的最大灰度值Lmax和最小灰度值Lmin,再使用最大类间方差法计算出云图子区域的局部区域阈值Lth,从而提取出每个子区域中的云团,进而提取整个地基云图的云团进行分析比较,可采用15×15的子区域划分法对云团进行提取(见附录A图A7)。
附录A图A7为采用云图局部阈值分割方法和云图全局阈值分割方法的地基云图的云团提取结 果,可以看出在该类问题的处理上,局部阈值法相对于全局阈值法,效果十分明显。
4.3 预测临近较对
在准确提取出 地基云图 中的云团 后,使用文献[8]中所提的基于地基云图的光伏功率超短期预测模型[8],该模型考虑了云团提取、运动跟踪、移动预测,太阳遮挡等问题,并提出了有效的光伏功率超短期预测模型,验证了地基云图在光伏辐射功率转换关系方面的问题。其模型原理为采用临近天气型的历史每天相同时刻有云状况下的辐照度除以晴空状况下的辐照度得出一系列折损系数,然后求取其数学期望作为最终的折损系数λ(0≤λ≤1),且阴天时,λ=0,晴空无云团遮挡时,λ=1。设地基云图云团遮挡状态为Sd,Sd∈(0,1),其中Sd=1时为遮挡。同样,为了减小气温、日照对辐射功率曲线的影响,采用过去临近晴天的数据进行滚动更新,从而实现临近校对功能。其运算模型为:
5 超短期预测模型
本文提出的功率预测模型主要步骤如下。
步骤1:ρ和λ 衰减系数计算。根据模式云图和地基云图关于基于过去的一段时间的数据,计算出两个衰减系数ρ和λ 的不同时间段的一系列衰减数值序列。
步骤2:利用临近晴空工况方法预测基准数据。 根据过去临近相似天气型的晴天数据,统计出无云遮挡的理想状态下所对应辐射功率曲线,并计算出从当前时刻起未来4h光伏超短期发电功率,当做光伏超短期发电功率预测的基础功率数据。
步骤3:小时内预测功率的临近校正。根据地基实测云图数据,判定未来1h以内是否有云遮挡电站。若遮挡,则利用地基辐射功率模型进行临近小时内的云遮挡光伏功率衰减校正。
步骤4:未来1h以后的临近3h校正。利用WRF预测1h以后且未来4h以内的云量数据,并判定对电站是否有遮挡,若有模式云团对电站造成遮挡,则利用模式云图辐射功率模型对遮挡状态Sm大于0时的光伏功率进行衰减校正。
预测算法流程见图5。
6 算例分析
6.1 算例介绍
为了验证基于WRF与地基云图的光伏超短期功率预报模型的可用性和普适性,算例分别选择华东地区某太阳能发电研发(实验)中心屋顶光伏电站 (简称1号电站)和西北地区某光伏产业基地2013年12月份并网发电的某光伏电站(简称2号电站) 为实验场地。两个光伏电站分别配有TSI-880型号TSI、辐射仪,而用于计算云量、风速、风向及地面辐照度的WRF业务系统 部署在华 东地区某 计算中心。本文实验数据包括两个实验光伏电站一整天的地基云图像、辐照度、输出功率和光伏逆变器工况数据,时间分辨率均为15min。为丰富预测模型的验证算例,实验分别选择1号电站2013年8月14日和2号电站2014年2月16日的数据进行验证。
6.2 算例验证
1号电站的临近天气型晴天辐射功率转换曲线为:
2号电站的临近天气型晴天辐射功率转换曲线为:
采用晴空工况光伏超短期功率预测方法,首先实时精确计算预测点大气层外切平面的瞬时太阳辐射强度,代入辐射关系式得到地面辐射强度预测值, 然后将辐射强度代入到辐射功率转换曲线,结果如图6所示。
由图6可以发现,仅使用临近晴空工况光伏超短期功率预测模型(简称方法1)计算0~4h的光伏功率超短期预测时,不能有效地捕捉有云覆盖电站时,由于辐照度衰减所导致的光伏电站功率变化。
仅采用基于地基云图进行光伏超短期功率预测模型(简称方法2)进行预测[8],结果如图7所示。 虽然该模型可以有效地预测出未来1h左右由于云团遮挡所导致的功率衰减,但是该预测结果的时间长度不能满足0~4h有效预测时间的要求,对后期的辐射衰减没有准确的预测。
采用基于WRF和地基云图相结合的光伏功率超短期预测模型(简称方法3),首先拟合出基于方法1的临近天气型晴天辐射功率转换曲线;然后,利用WRF精细化的预报出1号电站和2号电站的200~5 000m,共计16层高度的风速风向和近地面太阳直接 和散射辐 射,时间分辨 率为5 min。 将WRF预测数据代入P(t)关系式,将遮挡时的P(t) 值替换方法1中对应时间点的值。然后将方法2的计算结果替换临近1h内发生云团遮挡时的4个预报点的对应值。所计算出的预测结果如图8所示。
通过以上计算分析,可以发现方法2的预测有效时间长度短于方法3,体现在图7的12:00以后。 方法3的预测结果输出以后,算法结束,而方法2由于没有对后续时间进行有效预测,因而只是将方法1的结果直接代入使用,所以误差较大。
光伏误差计算方法主要评估指标有均方根误差 (RMSE)、平均绝对误差(MAE)、相关性系数,分别设为eRMSE,eMAE,er,则1号电站和2号电站的误差计算如表1和表2所示。
通过误差分 析,1号电站和2号电站采 用方法3,即WRF与地基云图相 结合的光 伏超短期 预测模型的优化效果有一定的提高,修正后1号电站的eRMSE为10.56%,eMAE为2.975 6 kW,er为0.955 2。而修正后的2号电站eRMSE为10.14%, eMAE为2.721 3 MW,er为0.963 4。
7 结语
基于数据统计的光伏超短期功率预测方法很难捕捉到云量对光伏电站功率的衰减影响,而仅仅依靠地基云图进行预测,其有效预测时间长度又不能满足4h的要求。本文提出的光伏超短期功率预测模型经过实例验证和分析,能够捕捉未来4h内由于云团造成的功率衰减的突变,提高4h时间长度的预测精度。该预测模型使用WRF对0~4h内的云量进行捕捉,并建立辐射功率衰减模型,再基于地基云图的辐射衰减模型进行临近校正,进一步提高了光伏功率预测的准确性和可靠性,为WRF模拟云量数据在光伏功率预测领域做了一次尝试。
本文所提预测模型主要基于晴空且可见度较好的条件,随着雾霾现象越来越严重,该模型基准数据如果使用相同雾霾条件下的数据进行临近曲线拟合,该预测模型则具有一定的适应性。但是雾霾产生因素很多,不是常态的气象因素,且雾霾对太阳光线会产生散射,导致地基云图降质,增加地基云状的识别难度,所以雾霾的产生会使该预测模型产生一定的误差,在以后的工作中还需要针对雾霾气象因素对光伏发电功率的影响进行深入研究。另外,本文采用WRF所预报的云量、风速去推算模拟云量的运动规律,因为是分析模拟云量数据,所以在云层高度划分、云团移动随机性方面,还需进一步细化和深入研究。在模式云图辐射衰减方面,本文只做了简单的晴空分类,在以后的研究中还需要对天气型进行更为精细地分类,以建立更高精度的辐射衰减模型,从而提高 光伏超短 期功率预 测模型的 预测精度。
附录见本 刊网络版 (http://www.aeps-info. com/aeps/ch/index.aspx)。
摘要：为减轻光伏电站被云团遮挡导致发电功率突然衰减所造成的影响,提高光伏超短期的预测精度和预测有效时间长度,文中提出数值天气预报与地基云图相结合的光伏超短期功率预测模型。该模型首先基于临近晴空工况光伏超短期功率预测方法实现未来4h预测,接着使用数值天气预报云量信息和地基云图等方法预测未来4h内云团遮挡电站导致的功率衰减,并进行临近校正,以提高光伏超短期功率预测的精度。研究结果表明,文中所述模型具有很好的可行性和实用性,为光伏电站0~4h超短期功率精确预测提供了一种方法。
光伏发电短期预测 第7篇
建筑集成光伏系统(Building Integrated Photovoltaic,BIPV)是城市大规模应用光伏发电的发展方向[1,2,3]。国外建筑光伏已发展较长时间,正在推进实施的有美国的百万太阳能屋顶计划、德国的十万太阳能屋顶计划以及日本的新阳光计划和先进光电PV计划。近几年建筑光伏在我国发展迅速,深圳市国际园林花卉博览园总装机容量为1 MW、上海世博会场馆总装机容量为4.6 MW,京沪高铁上海虹桥铁路客运站光伏发电项目总装机容量达到6.5 MW都已并网发电。光伏发电间歇性特点是制约建筑光伏并网发电系统发展的重要因素。国外有文献指出,光伏发电在电网容量中不宜超过10%~15%,否则电网会运行困难[4,5,6,7]。光伏发电量预测是光伏并网发电系统的关键技术,受到工程界和学术界高度关注[8,9,10,11,12]。世界能源组织预测2020年,世界光伏发电量占总发电量的1%,2040年上升到20%。我国《可再生能源长期规划》提出,2020年太阳能发电规划目标为2 GW。建筑光伏系统的规模化应用研究已提上日程,高密度、多接入点建筑光伏并网发电系统对光伏发电量的预测提出了新的要求和挑战。
1 建筑光伏并网发电系统
高密度、多接入点建筑光伏并网发电系统对光伏发电量的预测提出了新的要求。图1是某10 MW光伏并网电站电网规划图,占地面积为188 000 m2,光伏配置密度为53.2 W/m2。该建筑光伏系统接入电网共有38个接入点,其中:10 kV接入点2个,380V接入点36个;有两个容量为500 kW的功率可调节光伏电站和一个1 MWh储能站。为了降低建筑光伏阵列输出电能的随机性的影响,能量管理系统需要预测光伏发电单元的输出电能,然后依靠预测的输出电能和储能站剩余容量制定发电计划,实现光伏系统出力的最大化以及配网调度优化等需求[13,14,15,16]。
传统的电网发电计划,尤其是日发电计划,主要依赖于对负荷的准确预测[17]。英国的研究表明,负荷预测误差每增加1%,电网运行成本增加1770万元。光伏并网发电系统所发出的电能往往能就地平衡当地的某些负荷,由于光伏并网发电系统的发电量受气候影响显著,使得整个电网的负荷总量具有了更多的时变性和随机性,从而给电网的发电计划,尤其是日发电计划的合理制定,带来了较大的难度。当区域电网存在高密度、多接入点建筑光伏并网发电系统时,就需要研究基于整个区域电网的光伏发电并网系统的总发电量预测。
2 建筑光伏的发电量预测关键技术
2.1 原理预报法
并网的光伏发电系统包括光电转换和直流/交流逆变两个环节。太阳能光伏发电的基本物理原理是光生伏打效应。在光电转换这个环节,光伏阵列吸收太阳能转换为直流电的效率主要受到了太阳能辐射和板温的影响,同时老化、阵列组合、灰尘以及直流线路的损耗都是需要考虑的因素。光伏阵列的逐时直流发电量(k Wh)表达式为
式中:ηs为为太阳能电池厂商提供的标准测试条件的光电转换效率;α为温度系数(℃-1),与太阳能电池材料有关;Q为倾斜面逐小时太阳总辐射(MJ/m2);Tc为阵列板温(℃);S为光伏组件有效面积(m2);K1为光伏阵列由于老化、失配、尘埃遮挡、直流回路线路等原因的损失系数。
直流/交流逆变环节的转换效率主要由逆变器装置决定。并网逆变器的逐时交流发电量(k Wh)表达式如式(2)所示。
式中:η为并网逆变器转换效率;K2为交流回路线路损失系数。
综合考虑上述因素,建立光电转换模型以及相关的计算公式,输入太阳能辐射预报值进行光伏发电量的预测。
大规模建筑光伏的应用,需要进行一定区域的光伏发电并网系统的总发电量预测。而每一个光伏阵列的转换效率与其安装位置、角度以及使用时间有较大关系。按照光伏组件和建筑物结合方式的不同,建筑光伏系统主要有:屋顶集成光伏发电系统,光伏幕墙系统和光伏窗等,光伏组件安装形式和角度多样。区域电网中存在的高密度、多接入点建筑光伏并网发电系统,光伏阵列安装地理位置和使用时间差异很大,原理预报法的光电转换环节的建模将十分困难。
2.2 光伏发电量直接预测法
对于一个既定的光伏阵列,光伏阵列发电量时间序列具有高度的自相关性。光伏阵列的历史发电量数据中已经包含了光伏阵列的系统信息,这就解决了光伏阵列安装位置、角度和使用时间等随机因素对转换效率的影响。使用过去几年和现在的历史数据训练基于神经网络的光伏发电量预测模型,建立光伏发电量与太阳能辐射和板温的函数模型,就可能比原理预报法取得更好的效果。国内在光伏发电量预测方面刚刚起步,主要在预测模型的建模方面作了一些研究,采用了神经网络、马尔科夫链和最小二乘支持向量机等方法。并且目前的研究与气象要素的结合十分有限,考虑的气象要素仅局限于日天气类型和气温等。
为了降低建筑光伏阵列输出电能的随机性的影响,能量管理系统需要预测光伏发电单元的输出电能,然后依靠预测的输出电能和储能站剩余容量制定发电计划。这就需要在某一个局部地点对安装的建筑光伏阵列的发电量进行预测。这和目前研究较多的光伏发电站发电量预测比较相似。需要太阳能辐射数据仍局限较小的区域,地理位置跨度不大。
大规模的建筑光伏的应用将大大提高光伏发电的渗透率,对电网的运行调度的影响不可忽视。含光伏并网发电系统的配电网短期负荷预测通常是将光伏发电系统视为综合负荷的一部分。常规的电力系统负荷预测的关键问题也是根据预测对象的历史数据建立相应的数学模型,主要的预测方法有时间序列法为代表的传统方法和人工神经网络法为代表的人工智能方法两大类[18,19]。
区域的光伏发电量预测研究对提高含光伏并网发电系统的配电网短期负荷预测精度十分必要。区域的光伏发电量预测可以借鉴目前负荷预测的研究成果,目前国内开展的光伏发电站发电量预测主要也是沿用负荷预测的一些方法,如时间序列法、回归预测法、人工神经网络法和支持向量机方法等。区域的光伏发电量预测仍有自身的规律,有待研究的问题较多,例如:影响负荷预测的主要气象因素是温度和气候,而影响光伏发电量预测的主要气象因素是辐照度,气候和温度也有一定影响;负荷中气象敏感负荷只占一小部分,而光伏发电量主要受气象因素影响;高密度、多接入点建筑光伏并网发电系统地理分布与普通的负荷分布也存在较大差异。
2.3 数值模式的太阳能辐射预报
太阳能辐射穿过大气层到达地面,经过了云、气溶胶、水汽等对辐射的吸收、散射和反射等物理过程,需要通过地面气象观测、高空大气探测、卫星遥感、数值模拟的手段获取大气透明度、水汽含量、气溶胶、云量、云状、温度、湿度等气象要素信息,建立太阳能辐射预报模型。太阳能辐射预报方法主要有三类,传统的统计方法、卫星云图资料外推方法和数值模式的太阳能辐射预报方法。传统的统计方法一般是以时间序列为基础,仅适用于0~1 h的临近预报;由于天气系统和相关云系发展移动过程的非线性特性,卫星云图资料外推方法预报时效为0~5 h;数值模式的太阳能辐射预报时效可达数天。
国内外目前能进行太阳能辐射预报的数值模式为中尺度数值模式,比较成熟的有MM5和WRF等。MM5模式预报的误差较大,远不能满足要求。中尺度数值模式WRF能提供各种天气条件下的地表短波辐射预报,晴天的预报效果好一些,但误差仍比较大,需要对辐射预报的统计订正,才能用于光伏发电量预测[20,21]。辐射预报的统计订正就是采用相关分析和数值滤波等找出主要的相关因子,去除干扰因素,通过统计学方法提高预报精度。有研究表明辐射预报的统计订正可减少50%的相对误差,然而订正后的相对均方根误差仍有30%~40%。
目前国外数值模式的太阳能辐射预报,空间尺度目前多为单点,而区域预报相对少见,能实用的预报模式误差还比较大。而电力系统运行调度至少需要24小时的预测数据,大规模的建筑光伏的应用需要区域的太阳能辐射预报数据,电力系统负荷预测的考核指标一般在95%以上。因此目前太阳能辐射预报研究水平与含大规模光伏并网发电系统的电网调度运行要求还是存在距离。
2.4 建筑光伏的发电量预测系统初步设计
高密度、多接入点建筑光伏并网发电系统发展需求,需要探讨建立区域的光伏发电量预测系统,以满足电网运行调度需求。根据当前光伏发电量预测关键技术的发展,借鉴电力系统负荷预测的最新成果,构建区域的光伏发电量预测系统主要包括光伏发电量预测模型,数值模式的太阳能辐射预报以及其它气象因子预报,历史的气象因子观测数据和光伏发电量数据三方面。首先需要建立光伏发电量预测模型,通过历史数据训练光伏发电量预测模型,然后将太阳能辐射和其它相关气象因子的逐时数值预报值输入预测模型,即可以获得区域的光伏发电量预测结果。如图2所示。
建立光伏发电量预测模型将主要考虑神经网络法、支持向量机方法等人工智能方法。特别是支持向量机方法能较好解决小样本、非线性、高维数和局部极小点等实际问题,已成为短期负荷预测的热点。华北电力大学研究了最小二乘支持向量机在光伏功率预测中的应用,指出最小二乘支持向量机预测结果优于前馈神经网络法和线性回归算法。数值模式的太阳能辐射预报将基于中尺度数值模式WRF的逐时输出结果,引入模式输出统计(Model Output Statistics,MOS)预报方法,以提高太阳能辐射预报的准确率。鉴于数值模式的太阳能辐射预报,空间尺度目前多为单点,可以考虑在预测模型中输入多个点的太阳能的辐射预报结果,以更好反映区域内太阳能的整体辐射水平。历史数据主要来自气象观测数据和光伏发电量的计量数据,这就需要根据建筑光伏的地理分布合理设置气象观测站。
3 结论
光伏发电技术经济分析及发展预测 第8篇
一、光伏产业的优点
光伏产业是一项绿色又环保的能源, 因此被看作是一项战略性的朝阳性产业, 各国给予光伏发电的很高的重视程度, 并给予大力的扶持, 原因如下:
1.《京都议定书》给予各国以压力, 迫使各国政府落实积极开发各项清洁型能源, 包含太阳能在内, 这样有利于减少温室气体的排放。
2.中东是全球的石油主产区, 因此, 中东地区的政治趋势一直处于一种紧张的状态。为了保证稳定的能源供应, 各国政府不得不大力开发国内能源, 其中包含太阳能在内。
3.像石油、煤炭这些矿物能源在渐渐枯竭, 各国政府不得不积极开发包含太阳能在内的可再生能源, 这样才能使能源长期供应。
基于以上几个原因, 在上世纪末的最后十年, 全国光伏发电产业以每年百分之二十的速度高速增长。在新千年以后的三十年中, 全球光伏发电产业以每年百分之三十的速度高速增长。
光伏能源是可再生能源中一项独具潜力的能源, 它的重要性和战略性日益凸显, 世界各国积极出台相关政策和法律鼓励光伏产业。
自1999年来, 世界各国尤其是美、日、德这些西方发达国家逐步推出了大型国家光伏发展计划和太阳能屋顶计划, 这在一定程度上推动了世界光伏产业的发展, 世界光伏产业是比IT产业发展还快的产业。作为一项可再生清洁能源, 在21世纪前半期, 光伏发电将发展成最重要的基础能源。
二、光伏发电成本分析
(一) 光伏发电成本和影响因素
光伏发电的成本, 直接决定了其能否大规模的快速发展, 和其在能源供应中的地位。光伏发电的成本主要受两方面因素的影响:光伏发电总成本以及总发电量。光伏发电成本主要是受初始投资的影响, 诸如运行维护费、税收等因素则对系统的发电成本影响较小。
1. 初始投资。
光伏电站的初始投资主要包含光伏组件、电缆、配电设备、并网逆变器等成本, 在这其中, 光伏组件投资的成本就占初始投资的一半以上。
2. 发电量。
光伏发电系统的发电量受两个因素影响:太阳能资源、太阳发电的效率, 与此同时, 也受运行方式、线路耗损等因素的影响。因此, 在中国与建筑结合在一起的光伏发电系统大多安装在东部沿海地区。
3. 单位电量成本。 (也称度电成本)
(二) 多种类型的光伏发电系统度电的成本分析
中国光伏发电市场的起步并不早, 主要开展了投资补贴、特许权招标等项目, 一些技术的经济分析并不能恰当地反映出成本所在, 本文主要结合一些典型的运电站数据来分析。
1. 聚光光伏电站的单位投资成本是比晶硅光伏要高的, 聚光光伏电站度电成本比薄膜光伏电站要低, 但仍然比大规模地面晶硅光伏电站要高一些。
2. 薄膜光伏电站的单位成本比晶硅光伏电站的成本要低, 但它的效率也低, 而度电成本比晶硅光伏电站高。
(三) 光伏发电系统度电成本的变化趋势
光伏系统的成本包含太阳电池组件、功率控制、组阵系统平衡、间接费用这四个部分。在这其中, 组阵系统平衡涵盖了支撑组件的框架和支架、电线、基础土建和土地的使用费等。功率控制分为两个方面, 逆变器和电器控制系统。简介费用包含涵盖了工程建设的管理费、工程设计费、建设期中的利息、意外的费用、运费等等。
目前, 制约光伏发电规模化发展的一大因素就是成本过高。随着电池效率的提高、组件成本的下降以及寿命的延长, 光伏发电的成本和平价上网的水平相近, 因此, 光伏发电非常具有发电的竞争力。
一些国际机构对未来光伏发电的系统度电成本做出了预测:现如今, 中国并网光伏的发电单位的初始投资成本大约为15/W, 光伏发电装机的容量是3GW。按照中国发电产业现有的发展趋势来看, 在技术提升和装备国产化的大前提下, 每年的投资成本会有百分之十的下降。
按照《可再生能源“十二五”规划》的要求, 到2015年年底, 中国太阳能光伏发电的装机容量已经达到14GW。预计到2020年年底, 太阳能光伏发电的装机容量会达到40GW, 到2030年年底, 装机容量会达到200GW。根据测算结果来看, 2015年中国光伏发电的单位投资成本也大概是11元/W, 2020年将会下降至10元/W, 2030年会出现大幅下降, 降至4元/W。
太阳电池成本的下降, 不仅仅是依靠技术进步, 规模化的生产也在一定程度上降低了成本, 使得成本有二分之一到三分之一的下降幅度。而系统平衡需要的构建成本也有了明显的下降。目前微电网的发电技术仍处于深入研究的阶段, 虽然成本还是很高, 但伴随着技术的不断革新和进步, 成本也会逐步降低, 未来光伏发电技术的前景是巨大的。
2020年前, 全球光伏发电的市场还是主要集中于欧盟地区, 占到的比例约为百分之四十, 2010~2020年, 光伏发电在法国、德国、西班牙、意大利等国的地位逐步提升。2020年之后, 光伏发电的新兴市场主要是中国、美国、巴西等国, 光伏发电技术是重要的可再生能源发电技术。
三、光伏发电发展前景分析
1.多种光伏电池技术争相发展, 第一代晶硅电池具有高校、低廉、使用广泛的主要用途, 为市场主导。第二代薄膜电池成本低、耗能少, 发展前景良好。第三代新型太阳能电池效率高但价格昂贵, 目前仍处于探索阶段。
2.光伏微电网发电技术的发展方向是高成本和低稳定性
光伏微电网是用光伏发电当作最主要的电源, 它可以和其他的储能装置配合, 直接在用户负荷周围供电, 典型的微电网是可以脱离主网运行的, 也可接到主网上运行, 这样可以减少配电投资, 大大减少了太阳能间歇性对用户带来的影响, 这比较适合成本较高的边远山区和对供电有高可靠性的用户使用。
四、发展光伏产业的建议
综上所述, 发展我国的光伏产业已经变得刻不容缓了。我国光伏产业的健康稳步发展, 是与国家产业政策的宏观调控分不开的, 国家各项政策的颁布和落实, 将在很大程度上推动我国光伏产业的发展。
1.政府要做好带头作用, 设立光伏产业发展的专项经费, 更要在资金、电价、税收等方面制定相应的优惠政策, 大力扶持。
2.技术上既要自主研发, 又要学会技术引进, 也可以和国内研究共同公关, 建立健全一套创新的技术体系。
3.要以政府作为主导, 多元化投资, 建立一套完整的产业链, 多方参与、共担风险, 以更高的水平进行光伏技术师范建设项目。
4.努力培养国内的光伏市场, 制定一套具体的分摊上网电价的实施细则, 。
5.对光伏产业的发展做出合理的规划。对行业标准的制定要加速, 提升光伏产业在未来产业中的竞争力。
五、总结
总而言之, 太阳能光伏发电是绿色、环保的可再生能源, 光伏发电技术的发展前景非常可观, 在2030~2050年间, 光顾能源和常规能源在价格上会有真正的竞争力出现, 因此, 这必将成为我国多能互补能源中非常重要的组成部分。
我国的光伏产业需要在市场的规范、设备国产化、提高技术支持、产业链的发展等方面继续努力。只有这样, 中国的太阳能光伏产业才能跻身世界前列。
参考文献
[1]曹石亚, 李琼慧, 黄碧斌.光伏发电技术经济分析及发展预测[J].中国电力, 2012 (08) .
[2]冯百乐.光伏发电在建筑中应用的技术经济和选型分析[J].山西建筑, 2012 (20) .
[3]陈贶, 王亮, 王满仓.不同容量光伏发电单元的技术经济对比分析[J].有色冶金节能, 2014 (03) .
[4]刘江建筑.屋顶太阳能光伏发电项目的分析研究[J].能源与节能, 2014 (06) .
光伏发电短期预测 第9篇
为了实现光伏发电系统的发电功率预测, 就必须通过系统发电数据的采集、分析, 优选, 针对发电系统构建智能化模型, 利用智能算法进行计算, 从而最终实现光伏发电系统功率预测[1]。
基于MATLAB科学计算语言的智能算技术发展为光伏发电预测系统提供了有力的技术支持, 特别是BP神经网络技术的发展, 使数据采集、处理、训练、预测等环节的技术指标得到了很大的提高。 本设计就是BP神经网络算法模型下的光伏发电功率预测系统。
1预测模型算法
预测模型采用了目前较为成熟的BP神经网络算法, 按照误差逆传播算法训练, 构建多层前馈网络, 使得网络的误差平方和最小。 BP神经网络模型的拓扑结构由, 输入层、隐含层和输出层三部分构成, 如图1所示。
2预测模型功能分析
基于BP神经网络的光伏发电功率预测模型, 需要大量的输入输出数据才能做到最优, 因此, 此预测模型主要通过数据处理、模型构建、数据训练等主要环节完成预测模型的构建和完善, 从而最终实现光伏发电预测系统的整体功能。
3预测系统设计
光伏发电预测系统设计主要由数据预处理、构建模型、训练、结果分析四部分构成。
3.1数据预处理
数据预处理主要由光伏发电采集的不良数据的预处理和光伏发电采集发电数据的归一化处理两部分工作构成。
光伏发电结果的不良数据处理采用了小波分析法进行分析, 实际操作中采用了信号奇异点检测法, 使用该方法的目的主要是消除系统采集的不良数据, 从而对发电功率数据进行重构, 最终保证预测结果的真实可靠。
光伏发电的数据归一化处理主要是为了达到输入数据和输出数据的数量级一致的目的, 从而降低BP神经网络预测结果误差。
3.2构建模型
基于BP神经网络的算法模型主要需要首先确定输入输出层节点数和隐含层节点数量。
本光伏发电功率预测系统需要有8个输入量, 包括温度、日照辐射、风速、风向、交流电压、交流电流、蓄电池温度、直流输出电压等影响因子。因而输入节点数为8。
考虑到本系统输出的是某时间节点的日照功率, 因此输出层节点数为1。
3.3数据训练与结果分析
隐含层节点数将决定系统的学习能力和信息处理能力, 所以既要考虑算法的合理性还要考虑算法的运行速度。为了确定隐含层的最优节点数, 需要对不同隐含层模型进行仿真, 使用RMSE作为考核指标, 当RMSE最小时, 预测效果最好, 具体公式见公式 (1) 。
式中:M为总的数据量;Pif为预测值;Pia为实际值;i为预测时刻。
根据在MATLAB上的仿真, 结果显示, 隐含层为9时, 均方根误差最小, 系统预测结果最为准确, MATLAB仿真模型如图3所示。
4系统输出结果分析
本系统采用了北京电子科技职业学院实训楼顶的光伏发电系统发电数据, 采集时间从2014年6月开始, 10分钟一个周期, 共采集了122组数据, 随机选取62组作为训练数据, 余下的60组作为预测数据, 采用预测准确率Ak作为评价指标, 数值越大效果越好, 本系统数值达到了0.9795, Ak计算公式如公式 (1) 所示。
式中:M为总的数据量;Pfi为预测值;Pai为实际值;i为预测时刻。
5结束语
仿真结果表明, 现有系统通过引入当前光伏发电系统的影响因素作为输入因子, 把交流发电功率作为输出节点, 通过RMSE指标的引入, 达到了较好的预测精度, 预测效果稳定。
参考文献
[1]南书坡, 程聪.一种基于BP神经网络的离散化方法[J].电脑知识与技术, 2015 (9) .