光伏发电功率预测与模型分析
摘要
近年来，随着对可再生能源需求的日益提高，太阳能光伏发电技术得到了迅速的发展，大规模光伏发电系统的应用也日益广泛起来，但也随之出现了很多问题。由于太阳辐射量与季度、阴晴及昼夜等气象条件密切相关，从而造成了光伏发电系统输出功率的随机性和间歇性的固有缺点，而且考虑到储能技术上的不成熟等因素，当大量的光伏发电系统接入电网时，势必会对电力系统的安全稳定运行和电能质量等带来严峻挑战，从而限制光伏发电产业的发展，所以对光伏发电系统输出功率进行预测对于电力系统运行而言具有非常重要的意义。
本文通过对影响光伏发电功率因素进行分析对目前现有的光伏发电功率预测方法进行分类，并根据统计方法和物理方法为依据，对太阳辐照量预测进行预测和直接对光伏发电系统的输出功率预测两种方法进行阐述和细化对比。再根据各自所使用的数学模型不同将预测方法分为时间序列法、神经网络法、支持向量机方法、回归分析方法和智能预测方法[6]。最后对不同分类的预测方法及相应的数学模型进行分析阐述和对比，说明其适用范围及精确度，并对其可行性进行分析，提出在功率预测中需要解决的问题。
关键词：光伏系统；功率预测；数学模型；方法
Abstrackt
\
In recent years, with the demand for renewable energy increasing, solar photovoltaic technology has been rapid development of large-scale photovoltaic power generation system applications are increasingly widespread up, but also will be a lot of problems. Since the amount of solar radiation quarter, Teenage and other weather conditions closely related to circadian, resulting in a power output of photovoltaic power generation system and intermittent randomness inherent shortcomings, and taking into account factors such as energy storage technology immaturity, when a large number PV system connected to the grid ,it must have a safe and stable operation of power systems and power quality pose serious challenges, thus limiting the development of photovoltaic power generation industry, so the output power of the photovoltaic power generation system to predict in terms of the power system operation has a very important significance.
Based on the impact of photovoltaic power factor analysis on currently available PV power prediction method for classification, and physical methods based on statistical methods and is based on the amount of solar radiation forecasts and projections directly to the output power of photovoltaic systems forecast describes two methods and refined contrast. And then according to their mathematical models used to forecast method is divided into different time series, neural networks, support vector machine, regression analysis and intelligent prediction method. Finally, the prediction of different classification methods and the corresponding mathematical model to analyze and compare elaborated, indicating its scope and accuracy, and its feasibility analysis, forecasting in power need to be resolved.
Keywords: PV systerm;Power Prediction;Mathematical model;Method
1前言
1.1光伏产业国内外发展现状
太阳能作为一种新型可再生能源,与传统能源相比具有可再生,无污染,来源广泛等优点是替代化石能源的主要选择。太阳能光伏发电产业是20世纪80年代以后世界上增长最快的高新技术产业之一。1839年,法国的科学家Becqurel就发现,光照能够使半导体材料不同部位之间产生电位差,这种现象被称为“光伏效应”。每秒到达地面的太阳光能量高达80万千瓦,假设把到达地球表面0.1%的太阳能转为电能,转化率5%,每年的发电量就能达到5.6 1012千瓦时,相当于世界能耗量的40倍。正是由于这些优势,太阳能电池不断发展,种类日益增多、应用范围逐步增大、市场规模也不断地扩大作为太阳能的重要应用,光伏发电技术已经成为各国争相发展的新能源技术之一。2011年,美国提出“太阳能先导计划”意在降低太阳能光伏发电的成本,使其2015年达到商业化竞争的水平;日本也提出了在2020年达到28GW的光伏发电总量;欧洲光伏协会提出了“setfor2020”规划，规划在2020年让光伏发电做到商业化竞争，可见,在发展低碳经济的大背景下,各国政府对光伏发电的认可度逐渐提高。中国也不甘落后，据业内估计,2011年我国新增光伏装机量有达到2.5GW,同比增长400%。十二五相关规划也将2015年的光伏装机目标从10GW上调到15GW，2020年将达到50GW。随着光伏技术的不断发展,光伏发电的成本也随之不断下降,再加上各国对光伏产业的支持力度,我们有理由相信大规模利用光伏发电为人类提供服务的前景将更加广阔。光伏系统发电的竞争力正在不断提高,已经成为了最受重视的新能源发电技术。
太阳能光伏发电系统工作原理是当有太阳光的时候,太阳能电池将光能转换为电能输出,多组太阳能组件构成的方阵输出电流并通过接线箱进行汇总,然后输入能源分配系统。输入电能一方面通过充放电单元给蓄电池组进行充电,另一方面通过逆变系统在能源分配单元的控制作用下给负载供电，平衡分配通过太阳能转化的电能与电网电能,做到优先充分利用太阳能电力,同时能源分配单元保证当太阳能不足时,及时切换至由电网供电。
目前,光伏发电产品主要用于三大方面:一是提供电源,主要为广大无电地区居民生活生产提供电力,还包括一些移动电源和备用电源;二是太阳能日用电子产品,如各类太阳能充电器,太阳能路灯等;三是并网发电,这在发达国家己经大面积推广实行,如德国“10万屋顶计划”和美国“百万个太阳能屋顶计划"。我国并网发电刚起步,2008年北京/绿色奥运部分用电就由太阳能发电和风力发电提供,还有2011年甘肃最大光伏发电项目——敦煌太阳能综合利用示范项目暨100兆瓦光伏并网发电项目在敦煌建成投产,2011年世界最大的屋顶电站项目——兴业太阳能20兆瓦屋顶电站项目实现投产。
1.2 课题研究背景
光伏发电功率预测预测是能量管理中急需解决的问题。光伏发电与风力发电一样,均属于波动性和间歇性电源,同时,各用户或小区使用的光伏电池种类及其安装位置随机性也大，光伏发电系统受光照强度和环境温度等气候因素的影响,输出功率的变化具有不确定性,输出功率的扰动将有可能影响电网的稳定,因此,需要加强光伏发电功率预测的研究,预先获得光伏发电系统的日发电量曲线,从而协调电力系统制定发电计划,减少光伏发电的随机化问题对电力系统的影响。使用蓄电池来稳定光伏发电功率输出是一种可行的方法,但需要追加成本,而且废旧蓄电池还会导致环境污染。因此,需要对光伏系统的发电功率进行准确预测,以便了解大规模的太阳能光伏并网系统的发电运行特性以及与电网调度、电力负荷等的配合问题,这样有助于整个电力系统的规划和运行,从而减少光伏发电随机性对电力系统的影响,提高系统的安全稳定性。因此对光伏系统进行功率预测是很有必要的。
1.3课题研究意义
目前随着大规模的光伏发电系统应用日益广泛，也出现了越来越多的问题。由于太阳辐射量同季度、昼夜及阴晴等气象条件有关，造成光伏发电系统输出功率间歇性和随机性的固有缺点，而且目前存在储能技术不成熟等因素，当大量的光伏发电系统接入电网时，势必会对电力系统的安全稳定运行和电能质量等带来严峻挑战，从而限制光伏发电的发展速度和规模，所以对光伏发电系统输出功率进行预测对于电力系统运行具有非常重要的意义。
1.4 国内外对预测方法研究的发展现状
目前，国外以欧洲、日本等国家的光伏发电系统输出功率预测技术研究已有一定的研究进展，如丹麦、西班牙、意大利、日本等国已开展和研发利用气象预报信息对光伏电站输出功率进行预测的研究和应用。丹麦ENFOR公司开发的SOLARFOR系统是较具代表性的光伏发电输出功率预测系统，其将输出功率历史数据、短期的数值天气预报信息、地理信息、日期等要素进行结合，利用自适应的统计模型对光伏发电系统的短期（0~48h）输出功率进行预测。意大利Jijel 大学Adel Mellit等对的里雅斯特地区（意大利）的20KW并网光伏电站所在地气象数据和系统功率数据进行采集和分析，利用两种人工神经网络模型（太阳辐照量和气温作为网络输入）对系统输出功率进行预测，平均偏差仅为 3.1%和5.4%[16]。西班牙Joen大学Almonacid等采用神经网络方法，以实时测量的光伏阵列温度、太阳总辐照量为输入值，对应条件下实测电流-电压曲线为目标函数，
利用反向传播算法L-M优化方法，训练多层传感器（MLP)模型，求解出逼近实际工况的电流-电压曲线，建立了光伏发电量与太阳总辐照量、光伏电池板温度之间的函数关系，对Joen大学19.08 kW的光伏电站输出功率进行预测，经校验，2003年发电量预报值与实测数据的历史相关系数高达0.998[17]。印度Sudipta Chakraborty等人采用每小时的测量信息（太阳辐照量、温度、压力、湿度、日照时间等）作为输入，利用模糊自适应谐振网络预测每小时的日类型信息，然后由日类型信息计算光伏阵列的输出功率，取得较好的预测效果。德国Oldenburg 大学Lorenz 等人根据欧洲中尺度天气预报中心（ECMWF）提供的未来3天太阳总辐照预报数据，结合德国境内11个光伏电站观测资料来预报光伏发电量，在2007年4月和7月，光伏发电量预报的相对均方根误差分别为39%和22%[18]。日本Ryukyus大学Atsushi Yona等人将前18小时温度、气压、相对湿度、风速等作为神经网络输入，分别利用前馈神经网络、径向基神经和递归神经网络对太阳辐照量进行预测，进而得出光伏发电系统输出功率，取得较好的预测效果，也具有较好的代表性[19]。日本NTT Facilities公司Kudo等人根据历史气象资料和日本爱知县世博园区330 kW光伏系统发电量数据，进行多元回归分析，建立预报方程，预测未来一天05:00—19:00的逐时发电量，并利用“预报＋实测＋临近订正”的方案，降低了天气预报误差对于输出功率预测准确性的影响。经校验，2005 年3月25日至9月26日，日均发电量预报误差为25.6%，时均预报误差为30.53%[20]。目前国内对光伏发电系统输出功率预测技术尚处于理论性研发阶段。湖北省气象局牵头的“太阳能光伏预报系统研究”项目，根据光伏电站未来3天逐时辐照量和输出功率，并采用了两种发电量预报方法，一是基于大气辐照传输、光电转换、直流/交流变换(DC/AC)和交流并网等系列物理原理的原理预报法，二是基于数值天气预报（NWP）模式产品、光伏电站发电量数据结合的动力统计法。两种方法结合进行预测，目前该项目也处于研发实施阶段[21]。华中科技大学陈昌松等人结合这些光伏阵列历史输出功率数据和同期气象数据（日最高气温、日天气类型）分析，利用BP神经网络、径向基神经网络方法等，对复杂的气象数据进行模糊识别，将天气情况按照天气类型晴天/云天/ 雨天划分，建立了基于逐日天气预报信息的光伏发电阵列输出功率预测模型。该方法对晴天类型发电量预测误差较好（7.15%-13.62%），但对一天内天气类型剧烈变化的情况时则无法满足逐时预报的要求[22]。合肥工业大学丁明等提出基于马尔可夫链的直接预测光伏电站出力的方法。该方法对教育部光伏系统工程研究中心的并网光伏发电系统历史功率数据建立多个状态转移矩阵来直接预测光伏电站出力，避免了对光伏系统逆变模型的具体建模及光照数据的采集和转换过程。取得较好的预测结果（晴天时：-80.76%~9.92%），但在不同的日类型下该方法可行性还有待验
证[23]东北电力大学兰华等利用自回归滑动平均模型（ARMA）对东北某光伏电站的输出功率进行预测研究，具有一定的代表性和可行性，但在没有考虑气象因素的复杂多变性，模型的预测实用性也有待检验。华北电力大学栗然等人建立光伏组件数学模型，根据保定地区气象资料，利用光伏发电系统仿真建模软件Homer 模拟仿真了30MW光伏电站输出功率数据，利用支持向量机回归分析方法，进行输出功率预测。但该方法无实际光伏电站的实况发电量资料，缺乏实验验证，对实际光伏电站输出功率预报的指导意义也有限。
经过长期的学习和研究,目前国内外已经提出很多用于光伏系统发电功率预测的算法常用的光伏发电功率预测的方法分两种:第一种是不预测周围的环境因素而直接进行预测,例如ANN模型、马尔可夫链模型、灰度模型和统计模型等;另一种是通过相关因素的情况,间接的预测输出功率,相关因素包括福照强度、温度、风速等。灰度预测模型适用于信息不完整、不确定的情况,其优点是可以用较少的数据对未知系统作出判断。使用灰度模型可以简化光伏发电功率预测过程,但预测精度不高[12]，所以一般不采用。
1.5预测方法概述
光伏功率预测从预测方法上可以分为统计方法和物理方法两类。统计方法对历史数据进行统计分析，找出其内在规律并用于预测；物理方法则将气象预测数据作为输入值，采用物理方程进行预测。而从时间尺度上可以把光伏发电功率预测分为超短期功率预测和短期功率预测。光伏发电系统输出功率预测方法根据预测的物理量可以分为两类：第一类为对太阳辐照量的预测，然后根据预测的太阳辐照量估算光伏发电系统的功率输出；第二类为直接对光伏发电系统的输出功率进行预测。而根据所运用的数学模型不同可分为时间序列预测法、自回归滑动平均模型法、神经网络法和智能方法等。
时间序列法：时间序列模型是最经典、最系统、最被广泛采用的一类预测法[ 7 ?8]。随机时间序列方法只需单一时间序列即可预测，实现比较简单。
回归分析方法：回归预测技术是通过回归分析，寻找预测对象与影响因素之间的相关关系，建立回归模型进行预测；根据给定的预测对象和影响因素数据，研究预测对象和影响因素之间的关系，形成回归方程；根据回归方程，给定各自变量数值，即可求出因变量值即预测对象预测值。
人工神经网络方法：运用神经网络技术进行电力负荷预测，是一种新的研究方法，由于它可以模仿人脑的智能化处理，对大量非结构、非精确性规律具有自适应功能，具有信息记忆、自主学习、知识推理和优化计算的特点，特别是其自学习和自适应功能较好的解决了天气和温度等因素与负荷的对应关系。所以，
人工神经网络得到了许多中外学者的赞誉，预测的人工神经网络的最具潜力的应用领域之一。
支持向量机方法：支持向量机(Support Vector Machines, SVM)是由贝尔实验室的Vapnik 等提出的一种机器学习算法，它与传统的神经网络学习方法不同实现了结构风险最小化原理(SRM)，它同时最小化经验风险与VC 维的界，这就取得了较小的实际风险即对未来样本有较好的泛化性能。
小波分析方法：小波分析在时域和频域都有良好的局部化性质，能够比较容易地捕捉和分析微弱信号，聚焦到信号的任意细节部分。小波分析可以用于数据的分析、处理、存储和传递[13-15]。
组合预测方法：是对多种预测方法得到的预测结果，选取适当的权重进行加权平均的一种预测方法。组合预测法与前面介绍的各种方法结合进行预测的方式不同，它是几种方法分别预测后，再对多种结果进行分析处理。组合预测[14]有两类方法：一种是指将几种预测方法所得的结果进行比较，选取误差最小的模型进行预测；另外一种是将几种结果按一定的权重进行加权平均，该方法建立在最大信息利用的基础上，优化组合了多种模型所包含的信息。其主要目的在于消除单一预测方法可能存在的较大偏差，提高预测的准确性。
2光伏发电系统特性概述
2.1 光伏系统组成
（1）光伏电池：光伏电池是光电转换的最小基本单元，尺寸一般为 4平方厘米到100平方厘米不等。单体光伏电池的工作电压约为 0.5V，工作电流约为20到25mA/c㎡，由于单体光伏电池容量有限，一般不能单独使用。将光伏电池独立的光伏发电系统由光伏电池阵列、控制器、蓄电池组、直流/交流逆变器等部分组成，其系统组成如图 2.2 所示[26-28]。
单体进行串并联封装后，就成为光伏电池组件，其功一般为几瓦至几十瓦，是可以单独电源使用的最小单元。光伏电池组件再经过串并联组合安装在支架上，就构成了光伏方阵，可以满足负载所要求的输出功率。
（2）控制器：控制器是能自动防止蓄电池组过充电和过放电并具有简单测量功能的电子设备。由于蓄电池组被过充电或过放电后将严重影响其性能和寿命，充放电控制器在独立光伏发电系统中一般是必不可少的。
（3）逆变器：逆变器是将直流电变换成交流电的电子设备。由于光伏电池和蓄电池发出的是直流电，当负载是交流负载时，逆变器是不可缺少的。逆变器按运行方式，可分为独立运行逆变器和并网逆变器。独立运行逆变器用于独立运行的光伏电池发电系统，为独立负载供电。
（4）蓄电池组件：蓄电池组件作用是储存光伏电池方阵受光照时所发出的电能并可随时向负载供电。目前我国与光伏电池发电系统配套使用的蓄电池主要是铅酸蓄电池和镉镍蓄电池。
2.2光伏电池的特性
在无光的环境下,光伏电池的输出伏安特性与二极管相似。根据光伏电池的输出特性和内部结构,光伏电池单元可以等效为如图2-2所示的电路。等效电路由一个二极管、一个电流源、一个阻抗较高的电阻sh
R和一个阻抗较低的电阻s R 相串联组成。图中,ph I为电池产生的电流,d I为经过二极管的电流,I为电池的输出电流。在电路模型中,电流源产生的屯流ph I与入射到电池上的光强强度成正比关系,受温度的影响比较少;串联电阻s R是为了使模型更加准确的表征从电池最大功率点到开路电压这个范围内的伏安特性,并联电阻sh
R为了使模型更加准确的表征从电池的最大功率点到零工作电压这个范围内的伏安特性。
由单体光伏电池等效电路可得出: I ph -I d = I sh，其中I ph是光伏电池的光电流,I d是通过二极管的电流,U是通过并联电阻的电流,I是光伏电池的输出电流。
2.3 影响光伏系统输出功率的因素
由于受很多气象因素影响,太阳能发电系统的输出功率是不稳定和难以控制的。影响太阳能光伏系统功率输出的因素很多,关系很复杂,有些文献甚至列举了修正系数来使模型更好的反映这些因素。实际上现场条件和运行情况变化无常,既无法事先确定各因素大小,也完全没有必要作如此细致的区分。因此,本文只考虑如下几个主要因素:太阳福照强度、组件温度和太阳能光伏电池的转换效率。
1.太阳福照强度
发电功率随着太阳辐照强度的波动而变化,太阳福射强度是影响输出功率的主要因素。当太阳电池的面积确定时,其输出电流与太阳福照强度成正比,因此,当太阳福照强度增加时,光伏系统输出功率也会随之增加。而太阳福照强度是由许多不确定因素决定,如季节和地理位置等。此外,天气情况、太阳照射角度、观测円期、时间和云量都会对太阳福照度造成很大影响。由于受太阳辐射度的影响,光伏输出功率有很强的周期性,包括日周期和年周期。光伏发电系统通常在上午8:00和下午5:00之间产生输出,因此在并网时会对电网产生周期性的不稳定影响。因为太阳福照强度具有随机性,使得确定光伏系统各方阵面上各个时段太阳福照量的确切值变得相当困难,只能参考气象台的历史资料记录,但是通常气象台站提供的是水平面上的太阳福照量,若要使用其进行预测,需要转换为倾斜方阵面上的福照量。太阳福照强度可定义为照射到单位时间单位面积上的太阳光能量(单位:w/㎡)。太阳福射经过大气,其中部分到达地面,称为直接太阳福射;另一部分被大气分子及大气中的水汽、尘埃等反射、散射和吸收。被散射的太阳光包括返回宇宙空间的部分和到达地面的部分,到达地面的部分太阳光称为散射太阳福射。直接太阳福射和散射太阳福射之和称为总福射,为太阳能光伏发电系统所利用。影响太阳总辐射强度的因素可归纳总结如下：
(1)太阳光入射角h:入射角越大太阳总福射越大；(2)大气透明度P；大气透明度低会减少到达地面的太阳福射；(3)大气质量m,m越大,到达地面的太阳总辐射越少。此外,海拔、炜度、云量和坡度坡向等也有直接或间接的影啊；(4)炜度:讳度越尚,太阳光入射角越小,故总福射越低;(5)海拔越高,地面接受的太阳直接福射越强;(6)坡度坡向:南北回归线以南以北地区,明显表现出南坡向阳、北坡背阴,并且冬季比夏季更加显著；(7)云量:一般情况下,云层越厚,云量越大,太阳直接福射越弱,散射福射量增加。
（2）光伏电池的温度观察公式,可以发现温度对太阳能电池的转换效率也有一定的影响,与转换效率成反比。高温会降低光伏电池的转换效率。温度升高1摄氏度晶体娃电池的输出电压就会大约降低0.5%,所以尽量保证安电池板在安装以后上下面的空气流通以达到尽可能低的温度。太阳能电池内部的温度一般会高
于环境温度,实际运行中的太阳能电池的温度由多个参数决定,包括太阳福照强度、地面福射量、环境温度、风向、风速、浮尘等,很难准确计算得出。为了简化预测过程,也可以假设电池内部的温度与外部环境温度相等。
2.4 光伏电池组件的出力模型
太阳能电池是太阳能光伏发电系统中最基本的元件,主要分为多晶娃、非晶硅、薄膜电池和单品娃等。目前,单晶电池及多晶电池的用量是最大的,而非晶电池主要用于部分较小系统,如计算器辅助电源等。国产晶体娃电池效率在10%-13%左右,国外同类产品效率约12%-14%。设P时刻的温度是Tp,那么光伏电池的转换效率可以用公式表示: η=η0[1-r(Tp-Tr)]。其中,r表示参考温度(298K) , η0表示在参考温度下光伏电池的转换效率;r表示光伏电池的温度系数,值通常取0.005。光伏系统输出功率和太阳福照度成正比,而每块电池组件的输出通常是由功率计量,因此t时刻的功率输出可进一步表示为:P =I*A*η，其中:A表示光伏电池的面积,单位为平方米；η表示光伏电池转换效率;I表示光伏板斜面上受到的太阳辖照强度,单位为千瓦每平方米。如果t时刻有n块光伏板工作,总功率输出则为nP。
3功率预测基本方法及特点
3.1 基于支持向量机回归的预测方法
3.1.1 支持向量机方法及其特点
支持向量机是最先进的机器学习理论之一在各领域得到广泛应用。支持向量机将数据点由输入空间映射到更揚分类的特征空间,并且使分隔超平面之间的距离最远,而每个类别中各点的距离最近。映射由核函数隐式的决定,核函数用来计算特征空间内数据点之间的内积。正是由于使用了“核技术”,SVM避免了维数灾难,即特征空间的维度不影响SVM训练和测试的计算复杂度。然而,考虑到核函数是输入空间中的二维函数,训练和测试的计算复杂度依赖于输入空间的维度。支持向量机是一个统计学和计算机科学中的概念,为一些能够进行分析数据和模式识别的监督式学习方法而提出,用于进行分类和回归分析。
支持向量机在高维或无限维的空间构造一个或一组超平面,这些超平面可以用来进行分类、回归或其他工作。直观地讲,一个好的划分是通过使超平面与各分类最近的训练数据点之间距离最大来实现的,因此,通常距离越远,分类器产生的误差就越小。然而,初始问题可能是一个有限的多维空间,在这个空间内,通常集合不是线性可分的。因此,提出了将初始有限多维空间映射到更高维空间的方
法,假设在这个空间里划分变得更容易。为了保持计算负荷的合理性,需要设计合适的映射方法,以此来保证从变量的角度看,能够容易的计算出原空间中点的内积,通过选择合适的核函数K(x,y)的方式可以解决这个问题[28]。高维空间中的超平面定义为一组点的集合,这些点的内积向量在这个空间内是恒定的。定义超平面的向量可以选择数据库中特征向量参数的线性组合。使用这样的一个超平原特征空间中映射到超平面上的点X 被定义为如下式:
(),tan i
i a k Xj X cons t =∑
注意:如果y 离X 越远,K(x,y)随之变小,则每个元素确定了测试点x 与对应的数据基点Xj 的接近程度。这样,上面的核函数的总和可以用来确定每个测试点与源于同一个或者另一个待分类集合的数据点的相对接近程度。
支持向量机的推广性能(估计精度)决定于变换参数和核函数参数的设置。事实上,支持向量机模型的复杂性(包括推广性)依赖于三个参数的共同作用,这增加了选择最佳参数的复杂性。选择特定的核函数类型和核函数参数通常要基于应用领域的知识,并且要反映训练数据输入值的分布情况。
支持向量机可以用于避免在高维特征空间使用线性函数的困难,而且最优化问题可以转换为对偶的凸二次规划问题,这也是支持向量机算法的一个优点。支持向量机（SVM ）有如下几个特点：
1. SVM 用内急核函数代替高维空间的非线性映射；非线性映射是SVM 方法的理
论基础,SVM 利用内积核函数代替向高维空间的非线性映射；
2. 对特征空间划分的最优超平面是SVM 的目标,最大化分类边际的思想是SVM
方法的核心；
3. 支持向量是SVM 的训练结果,在SVM 分类决策中起决定作用的是支持向量；
4. SVM 是一种有坚实理论基础的新颖的小样本学习方法。
5. 它基本上不涉及概率测度及大数定律等,因此不同于现有的统计方法。
7. 从本质上看,它避开了从归纳到演绎的传统过程,实现了高效的从训练样本
到预报样本的“转导推理”, 大大简化了通常的分类和回归等问题；
6. SVM 的最终决策函数只由少数的支持向量所确定,计算的复杂性取决于支持
向量的数目, 而不是样本空间的维数,这在某种意义上避免了“维数灾难”；
7. 少数支持向量决定了最终结果,这不但可以帮助我们抓住关键样本、“剔除”
大量冗余样本, 而且注定了该方法不但算法简单,而且具有较好的“鲁棒”性。
与此同时这种方法也存在有两个不足：
1.SVM 算法对大规模训练样本难以实施由于SVM 是借助二次规划来求解支持向
量，而求解二次规划将涉及m阶矩阵的计算（m为样本的个数），当m数目很大时该矩阵的存储和计算将耗费大量的机器内存和运算时间。针对以上问题的主要改进有有J.Platt的SMO算法、T.Joachims的SVM、C.J.C.Burges等的PCGC、张学工的CSVM以及O.L.Mangasarian等的SOR算法
2.用SVM解决多分类问题存在困难经典的支持向量机算法只给出了二类分类的算法，而在数据挖掘的实际应用中，一般要解决多类的分类问题。可以通过多个二类支持向量机的组合来解决。主要有一对多组合模式、一对一组合模式和SVM决策树；再就是通过构造多个分类器的组合来解决。主要原理是克服SVM 固有的缺点，结合其他算法的优势，解决多类问题的分类精度。如：与粗集理论结合，形成一种优势互补的多类问题的组合分类器。
3.1.2 支持向量机回归算法及特点
支持向量机不但可以应用于分类问题,还可以解决回归问题。VladimirVapnik, Harris Drucker, Chris Burges, Linda Kaufman 和Alex Smolal996 年提出了用于回归分析的SVM,叫做支持向量回归[29](support vector regression,SVR),由上面描述的支持向量分类演变而来。因为到分隔边缘距离很远的训练样本点不会对用来建立模型的成本函数造成影响,所以支持向量分类模型仅依赖于训练数据集的一个子集类似地,由于成本函数忽略了任何预测模型附近的训练数据(使用阈值),支持向量回归模型也仅仅依赖训练数据集的一个子集。支持向量分类和回归问题中一个重要的观点:使用训练点的较小子集来解决问题可产生极大的计算量优势。使用显示密集损失函数,保证了全局最小值的存在,同时也确保了可靠的泛化边界的最优化。
支持向量机的推广性能(估计精度)决定于变换参数(c,ε)和核函数参数的设置。事实上,支持向量机模型的复杂性(包括推广性)依赖于三个参数的共同作用,这增加了选择最佳参数的复杂性。选择特定的核函数类型和核函数参数通常要基于应用领域的知识,并且要反映训练数据输入值(X)的分布情况。参数C决定模型复杂度和最优化方程能够容忍误差大于ε的程度之间的平衡。例如:如果C 无穷大,那么目标变为仅仅将经验风险最小化,不考虑优化方程中模型复杂度的部分。参数ε控制延迟区域的宽度,用于适应训练数据。f的值能够影响用来构造回归函数的支持向量的个数。ε值越大,选择的支持向量越少。另一方面,f值越大,得到的估计结果越平滑。因此,C和ε的取值在不同的方面影响着模型的复杂度。支持向量机可以用于避免在高维特征空间使用线性函数的困难,而且最优化问题可以转换为对偶的凸二次规划问题,这也是支持向量机算法的一个优点。在回归问题中损失函数用于惩罚超过P阈值的错误。这种惩罚函数通常可以推导出
太阳能发电预测综述 在煤矿，石油开采量日益见底和生态环境急速恶化的严峻形势下，太阳能作为一种自然能源，以其储量丰富且清洁无污染性显示了其独特的优势，已被国际公认为未来最具竞争性的能源之一。 从太阳能获得电力，需通过太阳电池将光能转化为电能。它同以往其他电源发电原理完全不同。要使太阳能发电真正达到实用水平，一是要提高太阳能光电变换效率并降低其成本，二是要实现太阳能发电同的电网联网。 1.太阳能发电的分类 目前太阳能发电主要有以下两种形式： 1.太阳能光发电 太阳能光发电是指无需通过热过程直接将光能转变为电能的发电方式。它包括光 伏发电、光化学发电、光感应发电和光生物发电。光伏发电是利用太阳能级半导 体电子器件有效地吸收太阳光辐射能，并使之转变成电能的直接发电方式，是当今 太阳光发电的主流。在光化学发电中有电化学光伏电池、光电解电池和光催化电池，目前得到实际应用的是光伏电池。[1] 2.太阳能热发电 通过水或其他工质和装置将太阳辐射能转换为电能的发电方式,称为太阳能热发电。 先将太阳能转化为热能，再将热能转化成电能，它有两种转化方式：一种是将太阳 热能直接转化成电能，如半导体或金属材料的温差发电，真空器件中的热电子和热 电离子发电，碱金属热电转换，以及磁流体发电等；另一种方式是将太阳热能通过
热机（如汽轮机）带动发电机发电，与常规热力发电类似，只不过是其热能不是来 自燃料，而是来自太阳能。太阳能热发电有多种类型，主要有以下五种：塔式系统、 槽式系统、盘式系统、太阳池和太阳能塔热气流发电。前三种是聚光型太阳能热 发电系统，后两种是非聚光型。一些发达国家将太阳能热发电技术作为国家研发 重点，制造了数十台各种类型的太阳能热发电示范电站，已达到并网发电的实际应 用水平。[2] 2.太阳能光伏发电影响因素 太阳能光伏发电成为目前太阳能利用的主要方式之一。光伏发电分为离网和并网两种形式，随着光伏并网技术的成熟与发展，并网光伏发电已成为主流趋势。由于大规模集中并网光伏发电系统容量的急速增加，并网光伏发电系统输出功率固有的间歇性和不可控等缺点对电网的冲击成为制约并网光伏发电的重要元素。太阳能光伏发电系统发电量受当地太阳辐射量、温度、太阳能电池板性能等方面因素的影响。 （1）光照强度对光伏发电量的影响：光照强度是指在单位时间和单位面积内，在地球表面上接收到的垂直投射的太阳辐射能量。光伏发电系统产生电能所需的能量完全来自、于太阳的辐照，因此光照强度对光伏发电系统的发电量具有决定性的作用，二者之间呈正相关性，即光照强度越强，光伏发电量越多。 （2）季节类型对光伏发电量的影响：由于在不同的季节，太阳入射角的大小以及方向、日照时间的长短、光照强度的强弱存在明显的差异，到达地表的太阳辐照度经过吸收、散射，辐射等各种减弱作用后也会不同，光伏发电系统的发电量的多少也在变化。这种差异性即为不同的季节类型对光伏发电量的影响。 （3）天气类型对光伏发电量的影响：将天气类型的时间范围确定在24 小时之内。由于晴
计及光伏周期性的并网光伏电站功率超短期预测研究 由于传统化石能源的日益短缺以及大量使用化石能源对环境造成的破坏,国内外都在大力开发对清洁能源的利用,其中光伏发电的占比越来越大。大量光伏发电产生电能并入电网,对电网稳定性的冲击是巨大的,因此光伏功率预测成为重要的研究课题。 本文在光伏功率波动的研究基础之上,对光伏功率本身具有的周期特性进行了分析验证,实现了光伏异常数据的有效识别以及缺失数据的有效补齐,构建了光伏功率超短期预测模型,最后提出了光伏功率预测的质量评估方法。通过对光伏功率序列进行频谱分析,验证了光伏功率的周期特性。 利用傅里级数实现了光伏功率序列的分解与重构,将光伏功率分解为周期分量、高频剩余分量以及低频剩余分量。对各个分量进行了分析,作为后续研究的基础。 由于人为或通信故障等因素使得光伏数据在采集的过程中存在一定比例的异常数据,这会影响光伏功率的相关研究。本文对光伏功率影响因素进行了充分分析,发现光伏入射角度对辐照度-功率散点的分布有显著影响。 对不同光照特性的功率数据进行分类,利用Copula函数求解特定辐照度下光伏功率的条件概率分布,结合异常数据判别准则,在一定置信度下对光伏功率数据进行了有效识别。针对实测光伏数据中包含一定比例缺失数据的问题,本文将传统云模型的正态随机熵改为基于Copula理论的随机熵,构建了更加符合光伏功率数据特性的改进云模型。 参照光伏功率缺失片段的长短以及波动性大小建立条件插值补齐模型,实现了光伏功率缺失数据的有效补齐。将光伏功率分解为周期分量以及剩余分量,周
期分量具有严格的规律性,因此只需对剩余分量进行超短期预测。 通过皮尔逊相关系数法分析了光伏功率剩余分量与各影响因素之间的耦合关系。将天气分为三种广义天气类型,在不同天气类型下,利用局部敏感哈希算法实现了多维数据之间的临近检索。 通过检索值与周期分量结合,得到光伏功率超短期预测结果。通过算例分析验证了本文方法的有效性与实用性。 最后,分析预测误差与光伏功率规律性之间关系,验证了预测误差具有非零下限。结合超短期预测模式,对建模误差进行分析,得出预测误差标准差随预测步长增加的变化特性。 定义不同的光伏功率不可预测分量,求解建模误差标准差,确定光伏功率建模误差标准差的最小值,结果表明不同地区不同时段光伏功率的规律性不同。
光伏功率预测技术 发表时间：2019-01-15T11:06:24.547Z 来源：《信息技术时代》2018年4期作者：郝亚洲 [导读] 目前，人们逐渐意识到传统能源的储量和污染问题，在这种趋势下环保节能的光伏发电技术得到重视与发展。光伏发电技术中最重要的便是光伏功率预测技术 （陕西中地能源开发建设有限公司，陕西省咸阳市 712000） 摘要：目前，人们逐渐意识到传统能源的储量和污染问题，在这种趋势下环保节能的光伏发电技术得到重视与发展。光伏发电技术中最重要的便是光伏功率预测技术，光伏功率预测对光伏发电控制、性能提高、保障光伏电站平稳运行等方面都起着重要作用。本文主要介绍了光伏功率预测技术的基本原理和关键问题，通过研究分析光伏电站数据对提高光伏预测技术的几点重要问题进行分析。 关键词：光伏功率；预测技术；关键问题 前言： 光伏发电这一新兴可再生能源，成为各国新能源发展主要研究对象，光伏发电规模不断扩大。光伏发电规模的扩大也带来了很多的问题，由于光伏发电只能在白天进行，并且受到天气环境变化的影响具有极大的不确定性，这都会对大规模开展光伏发电产生极大的影响。因此光伏效率预测，能够精确预测光伏发电功率、提高发电性能的技术对大规模扩大光伏发电具有重要意义。 一、光伏功率预测技术研究现状 由于石油、煤炭等传统能源储量不断减少、污染程度高等问题，使得光伏发电近年来得到广泛关注，光伏发电中光伏功率预测技术的研发成为各国从事光伏发电科研人员的首要工作。近年来使用光伏发电较早的国家光伏发电预测技术较为成熟，例如日本、丹麦、意大利、西班牙等国家运用数值天气预报信息（NWP）进行光伏功率预测取得突破性的进展。国内光伏发电的研发虽起步相对较晚，但近年来在科研人员的钻研和学习下，我国光伏发电功率预测技术突飞猛进，不断缩小与国际先进水平的差距。 二、光伏功率预测技术方法分类 （1）根据预测过程分类 根据预测过程不同可分为直接预测法和间接预测法。直接预测法是采集历史光伏功率数据分析后做出预测，数据包括气象数据、辐射数据和其他数据，直接预测法的难度相对较大。间接预测法则是先对光伏接收板或者地面太阳辐射程度，再对光伏功率进行预测，这也导致间接预测法相对较复杂。 （2）根据预测时间分类 根据预测时间不同，光伏效率预测方法可以分为超短期功率预测、短期功率预测和中长期功率预测。超短期光伏功率预测时间小于四小时，主要将统计与物理相混合，根据地球同步卫星拍摄实时传输来的卫星云图来推测云层运动情况并以此推断出辐射强度对光伏功率进行预测。超短期预测可以提供瞬间功率变化信息。常用的超短期预测方法大致可分为线性预测法与非线性预测法和综合预测法。1、线性预测法：线性预算法是将采集到的天气数据与光伏电站的历史发电数据结合以预测出光伏发电功率。目前大多采用外源自回归滑动平均（ARMAX）、自回归滑动（ARMA）、自回归积分滑动平均（ARIMA）三种方法[1]。2、非线性预测法:光伏发电功率受自然天气因素影响较强，采用非线性预测算法可以提高预测精准度。非线性预测法建造外部影响因素与光伏光伏功率的非线性预测模型进行光伏功率预测。目前大多采用的算法有卡尔曼滤波算法、神经网络算法、马尔科夫链算法、支持向量机（SVM）算法。3、综合预测法是将非线性预测法与线性预测法相结合产生的预测方法，综合预测法预测精准度有所提高，但其复杂程度也要高于线性预测法和非线性预测法。 短期光伏功率预测时间小于四十八小时，以数值天气预报信息（NWP）数据为主导，创造历史光伏效率映射关系对光伏效率进行预测。短期预测主要运用于发电计划制定、跟踪电力负荷等方面；中长期光伏效率预测时间大于一周，可用于光力发电资源评估，对新电站选址也起着重要指导作用[2]。 （3）根据预测区域分类 根据预测区域的大小可以分为单场光伏功率预测和区域光伏功率预测。单场光伏功率预测是对单一的一个光伏电站的功率进行预测，单场预测多数运用在运行优化以及运行控制上。区域光伏功率预测则是对整个区域内的多个光伏电站综合起来进行预测，区域预测可以看出区域内的光伏发电电力值、对电力部门的电力调度和光伏电站与电网的对接起着重要作用。在光伏功率预测的精准度上区域光伏预测要远远高于单场光伏功率预测。 三、影响光伏发电效率的因素 1.太阳辐射强弱程度 光伏发电中最重要的便是光照强度也就是太阳辐射强度，从早到晚辐射强度有所不同这就导致光伏电厂每阶段发电量的变化。影响太阳辐射强度大致包括六个方面的因素：1.地理纬度，纬度越低的地区阳光入射角就越大，辐射强度越大。2.云层厚度，云层越厚光照就越难透过辐射强度越小。3.大气透明度，大气透明度越低辐射强度越小。4.海拔高低，海拔高的地区其辐射强度越大。5.坡向与坡度：坡向坡度不同太阳辐射强度不同。6.光线倾斜角，光线倾斜角越大，辐射强度就越大。 2.光伏电池板 光伏电池板是整个光伏电站最重要的发电部件，光伏电站要进行合理的电池板布局，让其最大程度地接受光照，这样电站发电效率才能达到最理想效果。 3.季节变化 季节不同光照强度也有所不同，光伏电站的发电量也会随着季节的变化而变化。相比冬季来说，夏季的光照强度要高于冬季光照强度，因此正常情况下夏季电站发电量要高于冬季电站发电量。 四、光伏功率预测精准度提高方法 光伏功率预测的关键问题便是提高预测的精准度，光伏数据是光伏功率预测的基础，因此光伏数据的处理成为研究的主要突破口。光
光伏理论发电功率及受阻电量计算方法（试行） 第一章总则 第一条为规光伏理论发电功率及受阻电量等指标的统计分析，依据《光伏发电站太阳能资源实时监测技术要求》（GB/T 30153-2013）、《光伏发电功率预测气象要素监测技术规》（Q/GDW 1996-2013）的有关要求，制定本方法。 第二条本方法所称的光伏电站，是指按照公共电站要求已签订《并网调度协议》、集中并入电网的光伏发电站，不包括分布式光伏发电系统。 第三条本方法适用于国家电网公司各级电力调度机构和调管围并网光伏电站开展理论发电功率及受阻电量统计计算工作。 第二章术语和定义 第四条光伏电站发电功率指标包括理论发电功率和可用发电功率。 光伏电站理论发电功率指在某时刻光资源情况下站所有逆变器及相关设备均正常运行时可发出的功率，其积分电量为某时段的光伏电站理论发电量。 光伏电站可用发电功率指扣除站设备故障、缺陷或检修等原因引起受阻后可发出的功率，其积分电量为某时段的光伏电站可用发电量。
第五条光伏电站受阻电力分为站受阻电力和站外受阻电力两部分。 站受阻电力指光伏电站理论发电功率与可用发电功率之差，其积分电量为站受阻电量。 站外受阻电力指光伏电站可用发电功率与实发功率之差，其积分电量为站外受阻电量。 第六条全网理论发电功率指所有光伏电站理论发电功率之和；全网可用发电功率指考虑断面约束的光伏电站可用发电功率之和；可参与市场交易的光伏富余电力指全网可用发电功率与实发功率之差。 第七条全受阻电力指所有光伏电站站受阻电力之和；全网断面受阻电力为因通道稳定极限、电网设备检修、电网故障等情况导致的光伏受阻；全网调峰受阻电力指全网可用发电功率与实发功率之差。 第三章数据准备 第八条计算理论发电功率和受阻电力需准备的实时数据包括光伏电站实际发电功率、逆变器运行数据和状态信息、气象监测数据、开机容量；非实时数据包括光伏电站基本参数(格式见附表)、样板逆变器型号及其数量、全站逆变器型号及其数量等。 第九条所有光伏电站应配备气象监测设备，并向调度机
1总体要求 (2) 2系统功能要求 (3) 2.1技术规范 (3) 2.1功能要求 (4) 3系统功能技术要求 (4) 3.1数据功能技术要求 (4) 3.1.1数据采集功能 (4) 3.1.2 数据统计功能 (4) 3.1.3 数据分析、处理功能 (4) 3.2功率预测功能 (5) 3.2.1 预测的时间 (5) 3.2.2 系统启动 (5) 3.2.3 其它 (5) 3.3 界面要求 (5) 3.3.1展示界面 (5) 3.3.2操作界面 (6) 3.3.3统计查询界面 (6) 3.3.4其他要求 (6) 3.4实时气象数据采集系统 (6) 3.4.1系统功能 (6) 3.4.2采集器单元 (6) 3.4.3测量设备 (7) 1
3.4.4供电系统 (7) 3.4.5通讯系统 (8) 3.4.6数据采集和处理 (8) 4进度要求 (8) 5报价要求 (8) 6预期目标 (8) 7系统技术参数 (9) 7.1短期功率预测功能 (9) 7.2超短期功率预测功能 (9) 7.3人机界面功能 (9) 7.4信息上报功能 (9) 8通信要求 (10) 9质保和售后服务 (10) 9.1质保期 (10) 9.2售后服务 (10) 10交货日期 (11) 1总体要求 投标人应具备招标公告所要求的资质，具体资质要求详见招标文件的商务部分。 本规范书对光伏发电功率预测系统应用功能、管理、文档资料以及验收等方面提出了技术要求。本技术规范应用范围是光伏电站的光伏发电功率预测系统。 1
本招标文件提出的是最低限度的技术要求，并未对一切技术细节做出规定，也未充分引述有关标准和规范的条文，投标人应提供符合本技术规范引用标准的最新版本标准和本招标文件技术要求的全新产品，如果所引用的标准之间不一致或本招标文件所使用的标准如与投标人所执行的标准不一致时，按要求较高的标准执行 如果投标人没有以书面形式对本招标文件技术规范的条文提出差异，则意味着投标人提供的设备完全符合本招标文件的要求。如有与本招标文件要求不一致的地方，必须逐项在“技术差异表”中列出。 投标方应熟悉网/省公司光伏发电功率预测系统的技术规范要求，并长期从事光伏发电功率预测相关方向的研究。提供的光伏发电功率预测系统在同类型企业运行1年以上业绩清单。投标人在同类型的系统工程上至少已有2年以上的从业经验，使用的产品应具有自主知识产权且有不少于5个合同业绩和1套的成功运行业绩，且经实践证明是成熟可靠的产品，经过电力行业相关部门的验收，并有验收证明，具有软件产品自主知识产权者优先。 投标方应具备自动环境监测站安装、改造及数据实时采集传输的资质和经验，以及超短期光伏发电功率预测系统运行业绩，可根据需要提供自动环境监测站改造及预测系统建设的一揽子解决方案。 光伏发电功率预测系统是预测光伏电站未来发电能力的重要手段，是推动光伏行业持续健康发展的必要条件之一。根据网/省光伏发电功率预测系统主站及直调光伏电站功率预测子站，结合我公司所属光伏电站现状，根据网/省公司的要求，光伏电站需要上报自动环境监测站实时采集的数据、光伏发电功率预测结果等内容。为此，光伏电站需要建设如下内容：（1）自动环境监测站的建设。 （2）光伏发电功率预测系统的建设：包括中心站的硬件、平台软件、短期光伏发电功率预测软件、超短期光伏发电功率预测软件等。 1
光伏发电功率预测与模型分析 摘要 近年来，随着对可再生能源需求的日益提高，太阳能光伏发电技术得到了迅速的发展，大规模光伏发电系统的应用也日益广泛起来，但也随之出现了很多问题。由于太阳辐射量与季度、阴晴及昼夜等气象条件密切相关，从而造成了光伏发电系统输出功率的随机性和间歇性的固有缺点，而且考虑到储能技术上的不成熟等因素，当大量的光伏发电系统接入电网时，势必会对电力系统的安全稳定运行和电能质量等带来严峻挑战，从而限制光伏发电产业的发展，所以对光伏发电系统输出功率进行预测对于电力系统运行而言具有非常重要的意义。 本文通过对影响光伏发电功率因素进行分析对目前现有的光伏发电功率预测方法进行分类，并根据统计方法和物理方法为依据，对太阳辐照量预测进行预测和直接对光伏发电系统的输出功率预测两种方法进行阐述和细化对比。再根据各自所使用的数学模型不同将预测方法分为时间序列法、神经网络法、支持向量机方法、回归分析方法和智能预测方法[6]。最后对不同分类的预测方法及相应的数学模型进行分析阐述和对比，说明其适用范围及精确度，并对其可行性进行分析，提出在功率预测中需要解决的问题。 关键词：光伏系统；功率预测；数学模型；方法 Abstrackt
\ In recent years, with the demand for renewable energy increasing, solar photovoltaic technology has been rapid development of large-scale photovoltaic power generation system applications are increasingly widespread up, but also will be a lot of problems. Since the amount of solar radiation quarter, Teenage and other weather conditions closely related to circadian, resulting in a power output of photovoltaic power generation system and intermittent randomness inherent shortcomings, and taking into account factors such as energy storage technology immaturity, when a large number PV system connected to the grid ,it must have a safe and stable operation of power systems and power quality pose serious challenges, thus limiting the development of photovoltaic power generation industry, so the output power of the photovoltaic power generation system to predict in terms of the power system operation has a very important significance. Based on the impact of photovoltaic power factor analysis on currently available PV power prediction method for classification, and physical methods based on statistical methods and is based on the amount of solar radiation forecasts and projections directly to the output power of photovoltaic systems forecast describes two methods and refined contrast. And then according to their mathematical models used to forecast method is divided into different time series, neural networks, support vector machine, regression analysis and intelligent prediction method. Finally, the prediction of different classification methods and the corresponding mathematical model to analyze and compare elaborated, indicating its scope and accuracy, and its feasibility analysis, forecasting in power need to be resolved. Keywords: PV systerm;Power Prediction;Mathematical model;Method 1前言
光伏理论发电功率及受阻电量计算方法 第一章总则 第一条为进一步完善电网实时平衡能力监视功能，规范日内市场环境下光伏理论发电功率及受阻电量等指标的统计分析，依据《光伏发电站太阳能资源实时监测技术要求》（GB/T 30153-2013）、《光伏发电功率预测气象要素监测技术规范》（Q/GDW 1996-2013）的有关要求，制定本方法。 第二条本方法所称的光伏电站，是指按照公共电站要求已签订《并网调度协议》、集中并入电网的光伏发电站，不包括分布式光伏发电系统。 第三条本方法适用于国家电网公司各级电力调度机构和调管范围内并网光伏电站开展理论发电功率及受阻电量统计计算工作。 第二章术语和定义 第四条光伏电站发电功率指标包括理论发电功率和可用发电功率。光伏电站理论发电功率指在当前光资源情况下站内所有逆变器均可正常运行时能够发出的功率，其积分电量为光伏电站理论发电量；光伏电站可用发电功率指考虑站内设备故障、缺陷或检修等原因引起受阻后能够发出的功率，其积分电量为光伏电站可用发电量。 第五条光伏电站受阻电力分为站内受阻电力和站外受
阻电力两部分：站内受阻电力指光伏电站理论发电功率与可用发电功率之差，其积分电量为站内受阻电量；站外受阻电力指光伏电站可用发电功率与实发功率之差，其积分电量为站外受阻电量。 第六条全网理论发电功率指所有光伏电站理论发电功率之和；全网可用发电功率指考虑断面约束的光伏电站可用发电功率之和；可参与市场交易的光伏富余电力指全网可用发电功率与实发功率之差。 第七条全网站内受阻电力指所有光伏电站站内受阻电力之和；全网断面受阻电力为因通道稳定极限、电网设备检修、电网故障等情况导致的光伏受阻；全网调峰受阻电力指全网可用发电功率与实发功率之差。 第三章数据准备 第八条计算理论发电功率和受阻电力需准备的实时数据包括光伏电站实际发电功率、逆变器运行数据和状态信息、气象监测数据、开机容量；非实时数据包括光伏电站基本参数 (格式见附表)、样板逆变器型号及其数量、全站逆变器型号及其数量等。 第九条所有光伏电站应配备气象监测设备，并向调度机构实时上报气象测量数据，气象数据满足以下条件：（一）气象监测设备测量要素
光伏发电功率预测方法研究综述 姓名王森专业班级电气0802 摘要：太阳能光伏发电作为一种重要的分布式电源正逐渐从独立系统向大规模并网方向逐渐被人们所利用。发展光伏电站输出功率预测对于保持电力系统的功率平 衡和经济运行有着重要的意义。通过对光伏发电功率预测影响因素进行探讨,分 析了太阳辐照、温度、云量等各种气象因素对光伏电站输出功率的影响,并分析 比较数学统计方法和人工智能方法的优缺点。 关键词：光伏发电、隔离、功率预测、神经网络 1.光伏能源特点及其应用前景 1.1.开展光伏发电的能源预测的目的与意义 随着社会经济的快速发展，能源消耗剧增，化石能源日趋枯竭，加之与日俱增的化石燃料燃烧所造成的环境污染，给地球的生态平衡和人类的生活带来了严重的威胁，所以建设大型的光伏电站来满足人类对能源的需求是当前的发展趋势。太阳能作为一种新型的绿色可再生能源，与其他新能源相比是最理想的可再生能源。特别是近几十年来，随着科学技术的不断进步，太阳能及其相关产业成为世界发展最快的行业之一。因为它具有以下的特点： <1）储量丰富。太阳能是取之不尽的可再生能源，可利用量巨大。太阳每秒钟辐射的能量大约是1.6×1023kW，其中到达地球的能量高达8×1013kW相当于燃烧6×109吨标准煤。按此计算，一年内到达地球表面的太阳能总量折合成标准煤约1.892×106亿吨，是目前世界主要能源探明储量的一万倍。相对于常规能源的有限性，太阳能储量是无限的，取之不尽，用之不竭。这就决定了开发利用太阳能将是人类解决常规能源匮乏枯竭的最有效途径。 <2）清洁性和经济性。太阳能像风能、潮汐能等洁净能源一样，其开发利用几乎无任何物质的排放，既不会留下污染物，也不会向大气中排放废气，加之储量的无限性，是人类理想的替代能源。 <3）分布范围广泛。纬度的不同和气候条件的差异造成了太阳能辐射的不均匀，但相对于其他能源来说，太阳能对于绝大多数地区具有存在的普遍性，可就地取用。这就为常规能源缺乏的国家和地区解决能源问题提供了美好前景。 太阳能的开发利用主要有光热利用、光伏利用、光化学利用等三种形式。光热利
光伏功率预测系统（SPSF-3000） “光伏功率预测系统（SPSF-3000）”是国能日新独立开发的国内第一款光伏并网电站负荷预测系统。系统具备高精度数值天气预报功能、光伏信号数值净化、高性能时空模式分类器、网络化实时通信、通用电力信息数据接口、神经网络模型等高科技模块；可以准确预报太阳能并网电站未来168小时负荷——时间曲线。系统平均预测精度超过85%，完全可以达到电网对太阳能并网电站电力负荷输出的调度要求。 1、总体设计 本系统包括硬件终端设施与国能日新自主研发的光伏功率预测软件系统。通过采集数值气象预报数据、实时气象站数据、实时输出功率数据、逆变机组状态等数据，完成对光伏电站的短期功率预测、超短期功率预测工作，并按电网要求上传到调度侧功率预测系统。 根据光伏电站以及并网电网公司具体要求，光伏功率预测系统部署在安全II区，部署如下： 气象服务器通过接收高精度数值气象预报进行存储、分析、计算，通过反向隔离器传送至安全II区功率预测服务器，功率预测服务器通过接收光伏电站逆变器监控系统和气象站数据，进行核心处理计算。待计算的功率预测结果通过电站调度数据专用网传至电网侧调度中心，同时通过PC工作站方便的查看系统的运行状态及界面展示。 2、系统功能
光伏功率预测系统采用B/S模式，用户登录系统不需要安装其它软件，在系统所在网段任何一台电脑的浏览器上输入功率预测系统的链接，便可以进入系统的登陆界面。所有操作必须在用户成功登陆并授权的情况下进行。系统功能如下： 1）实时监控：预测信息、实时信息、气象信息、状态监控； 2）曲线展示：功率及气象的历史曲线展示、预测曲线展示； 3）上报管理：功率上报管理、气象上报管理； 4）发电计划：发电计划管理（日前、实时）； 5）统计分析：完整性、频率分布、功率误差、辐照度误差、事件、电量； 6）数据报表：功率预测、实际发电、发电申报、辐照度统计（日、月）； 7）系统设置：开机容量、限电、故障、检修设置； 8）用户管理：浏览员、操作员、管理员； 9）系统诊断:实时对系统的运行状况进行分析统计。
光伏发电功率预测方法研究综述 摘要：太阳能光伏发电作为一种重要的分布式电源正逐渐从独立系统向大规模并网方向逐渐被人们所利用。发展光伏电站输出功率预测对于保持电力系统的功率平衡和经济运行有着重要的意义。通过对光伏发电功率预测影响因素进行探讨,分析了太阳辐照、温度、云量等各种气象因素对光伏电站输出功率的影响,并分析比较数学统计方法和人工智能方法的优缺点。 关键词：光伏发电、隔离、功率预测、神经网络 1.光伏能源特点及其应用前景 1.1.开展光伏发电的能源预测的目的与意义 随着社会经济的快速发展，能源消耗剧增，化石能源日趋枯竭，加之与日俱增的化石燃料燃烧所造成的环境污染，给地球的生态平衡和人类的生活带来了严重的威胁，所以建设大型的光伏电站来满足人类对能源的需求是当前的发展趋势。太阳能作为一种新型的绿色可再生能源，与其他新能源相比是最理想的可再生能源。特别是近几十年来，随着科学技术的不断进步，太阳能及其相关产业成为世界发展最快的行业之一。因为它具有以下的特点： （1）储量丰富。太阳能是取之不尽的可再生能源，可利用量巨大。太阳每秒钟辐射的能量大约是1.6×1023kW，其中到达地球的能量高达8×1013kW相当于燃烧6×109吨标准煤。按此计算，一年内到达地球表面的太阳能总量折合成标准煤约1.892×106亿吨，是目前世界主要能源探明储量的一万倍。相对于常规能源的有限性，太阳能储量是无限的，取之不尽，用之不竭。这就决定了开发利用太阳能将是人类解决常规能源匮乏枯竭的最有效途径。 （2）清洁性和经济性。太阳能像风能、潮汐能等洁净能源一样，其开发利用几乎无任何物质的排放，既不会留下污染物，也不会向大气中排放废气，加之储量的无限性，是人类理想的替代能源。 （3）分布范围广泛。纬度的不同和气候条件的差异造成了太阳能辐射的不均匀，但相对于其他能源来说，太阳能对于绝大多数地区具有存在的普遍性，可就地取用。这就为常规能源缺乏的国家和地区解决能源问题提供了美好前景。 太阳能的开发利用主要有光热利用、光伏利用、光化学利用等三种形式。光热利用
光伏功率预测系统 技术体系 北京东润环能科技股份有限公司 2015.06.01
1 光电功率预测技术概述 1.1 光伏功率预测原理及作用 光伏发电是利用半导体界面的光生伏特效应而将光能直接转变为电能的一种技术。如果光线照射在太阳能电池上并被电板光伏吸收，具有足够能量的光子能够在P型硅和N型硅中将电子从共价键中激发，以致产生电子－空穴对。界面层附近的电子和空穴在复合之前，将通过空间电荷的电场作用被相互分离。电子向带正电的N区和空穴向带负电的P区运动。通过界面层的电荷分离，将在P区和N区之间产生一个向外的可测试的电压。通过光照在界面层产生的电子－空穴对越多，电流越大。界面层吸收的光能越多，界面层即电池面积越大，在太阳能电池中形成的电流也越大。对于光伏电板来说，单位面积的光伏阵列输出功率为： 式中，η是转换效率；S是阵列面积；I是太阳辐照强度；t0 是大气温度。 对于既定的光伏发电系统来说，几乎所有的光伏并网逆变器都以相对稳定的功率转换效率运行在最大功率点跟踪（Maximum Power Point Tracking, MPPT）模式，其输出功率数据具有高度的自相关性，输出功率数据中已包含光伏阵列的系统信息。虽然功率转换效率、光电转换效率会随着时间变化，但是在系统的使用周期内其变化量是非常小的，以至于在短期预测中可以认为是常数。所以预测模型的输入变量中可不用考虑逆变器的功率转换效率、光伏阵列的光电转换效率、光伏阵列的总面积等隐含在历史输出功率数据中的因素，但是太阳辐
射强度、环境温度等气象因素对光伏功率预测的精度有决定性作用。 由于光伏发电受辐照度、温度等天气变化、日夜交替和季节推移等不确定因素影响，有显著的随机性、波动性和间歇性。因此，大规模光伏发电系统并网运行会影响电力系统的安全、稳定、经济运行。准确的光伏功率预测有利于电力系统调度部门适时调整调度计划，从而有效地减轻光伏发电系统接入对电网的稳定安全运行造成的巨大冲击。同时帮助光伏电站减少由于限电和电量考核带来的经济损失，提高光伏电站运行管理效率。 1.2 数值天气预报技术 日前中心已为全国600多个新能源场站提供了水平分辨率在5km×5km(部分地区3km×3km)，垂直分层为31层的数值天气预报。中心采用包括WRF、MM5在内的多种预报模式，对于不同地形、地貌，不同气候特点的区域，在不同季节采用不同的预报模式，并利用同化技术，对常规资料和非常规资料进行同化应用，以此提高数值天气预报的预测精度。利用WT等工具将WRF输出结果进行进一步降尺度处理，获得空间精度极高的风场数据。 东润自主天气预报系统由初始场输入→物理过程参数化→动力降尺度→生成预报→预报结果验证并建立评估和订正系统→产品业务化等6个部分组成。 ? 最适合全球预报场和预报时次； ?参数化方案中的近地面过程方案和陆面方案对大风的预报影响最大，在全球模式预报场(GFS) 参数选择 参数化方案选取WRF天气预报生产 观测资料验证预报 结果 建立评估和订正系统 资料同化 产品业务化 WT继续降尺度提取风速 初始场物理过程参数化动力降尺度生成预报场 订正和同化系统
计及光伏电站功率预测的电力系统优化分析 发表时间：2019-03-19T10:59:08.050Z 来源：《电力设备》2018年第28期作者：梁斌 [导读] 摘要：为了满足国家的发展，各领域的效益提高，电力企业不断地改革和进步，引用科学技术利用太阳能资源为国家发展做贡献。 (国网山西省电力公司太原供电公司山西太原 030012) 摘要：为了满足国家的发展，各领域的效益提高，电力企业不断地改革和进步，引用科学技术利用太阳能资源为国家发展做贡献。太阳能发电具有绿色、环保以及无污染等优点，越来越多的国家开始实施太阳能发展战略。随着光伏发电技术日趋成熟，光伏系统世界总装机容量在逐年上升。光伏电站接入电力系统，必然会改变系统机组出力状况，进而影响系统的发电成本。准确预测光伏电站输出功率对电力系统的规划设计、开停机计划安排、电力系统安全运行以及提高经济效益等都具有重要意义。 关键词：计及光伏电站功率预测；电力系统；优化分析 引言 光伏发电具有随机性和不确定性，太阳辐照度和温度会影响光伏出力。基于光伏系统历史记录资料，采用改进BP神经网络算法对光伏电站进行间接短期功率预测。该改进算法通过不断调整学习率来调整网络收敛速度，避免陷入局部最小;综合考虑电力系统的经济性与环保性，建立了以系统综合发电成本最小和污染物排放费用最低的综合单目标优化模型;并采用改进BCC优化算法对包含光伏电站的10机电力系统进行优化。算例分析结果表明，改进BP神经网络算法能准确预测太阳辐照度，且改进BCC算法能有效解决优化问题，该优化模型的合理性与有效性也得到验证。 1功率预测系统的定义、作用 1.1功率预测系统的定义 功率预测系统是根据气象条件、统计规律等技术和手段，提前对一定运行时间内电站发电有功功率进行分析预报，向电网调度机构上报预测结果，提高电站与电力系统协调运行的能力。预测系统功能包括短期功率预测、超短期功率预测、自动环境监测站实时监测、相关的报表数据统计与分析。并网光伏电站的功率预测系统简称光功率预测系统。光功率预测系统是光伏发电智能一体化解决方案的配套产品，为光伏电站提供功率预测和数据上报业务，系统可自动采集光伏电站实时运行数据、自动气象站监测数据和数值天气预报数据、自动进行光伏电站未来15分钟-4小时超短期功率预测及未来72小时短期功率预测，并自动上报预测结果。短期功率预测结果以次日96点功率曲线形式每日上报（按照调度要求），超短期功率预测每15分钟上报1次。光伏电站发电时段（不含出力受控时段）的短期预测月平均绝对误差应小于20%，月合格率应大于80%；超短期预测月平均绝对误差应小于15%，月合格率应大于90%。 1.2光功率预测的作用 （1）提高电网稳定性、增加电网消纳光伏发电能力。光伏发电具有间歇性、随机性和波动性，由此给电网的安全运行带来了一系列问题，电网调度部门传统的做法只能采取拉闸限电这样的无奈之举。随着光伏发电站在电网发电结构比重的增加，光功率预测系统变得尤为重要，光功率预测越准，并网光伏电站给电网的安全运行带来的影响就越小，就能够有效的帮助电网调度部门做好各类电站的调度计划。（2）帮助光伏电站减少由于限电带来的经济损失，提高光伏电站运营管理效率。光伏功率预测越准，电网就会减少光伏限电，由此大大提高了电网消纳阳光的能力，进而减少了由于限电给光伏业主带来的经济损失，增加了光伏电站投资回报率。光伏功率预测可以帮助光伏电站生产计划人员合理安排光伏电站的运行方式，例如在无光照期进行太阳能设备的检修和维护，减少弃光，提高光伏电站的经济效益。（3）减少电力系统的旋转备用和运行成本。光功率预测系统可有效降低光伏电站接入对电网的不利影响，提高电网运行的安全性和稳定性，减少电力系统的运行成本，充分利用太阳能资源，获得更大的经济效益和社会效益。 2光伏电站功率预测设计要求 光伏电站功率预测系统根据其在电力生产调度中的作用，需要部署在光伏电站二次系统(控制系统)的安全Ⅱ区，以备与其他监控和电力调度系统通信，同时应遵守国家电力监管委员会颁布的《电力二次系统安全防护规定》，这一规定要求光伏功率预测系统安全防护工作要坚持安全分区、网络专用、横向隔离、纵向认证的原则，以保障电力监控系统和电力调度数据网络的安全。光伏电站功率预测系统的设计需要满足以下技术指标：1）每天在规定的时间(通常为调度部门制定次日发电计划的时间)之前，对从次日00:15起未来3d的光伏电站输出功率进行预测，其时间分辨率为15min，用于制定发电计划和安排发电机组检修；2）每15min预报未来4h内光伏电站输出功率，时间分辨率为15min，并为自动发电控制(automaticgenerationcontrol，AGC)实时调度提供依据；3）对光伏电站功率、气象资源分布情况及预测误差进行统计分析，并以图形报表的形式予以展示；4）与其他监控系统有良好的接口，以接入包括功率、工况在内的光伏电站运行数据以及环境监测站气象数据，此外还具备通过安全Ⅱ区网络，将预测结果数据和环境监测站气象数据上传至直属调度部门。 3光伏电站功率预测系统结构设计 3.1预测数据库。 预测数据库是一种历史数据和实时数据并存的数据库，是整个光伏功率预测系统的数据核心，各个功能模块都需要通过该数据库进行数据的互操作。因此，该数据库的设计不仅可以存储管理很长时间的历史数据，而且能够满足系统对数据实时性和可靠性的要求，此外又要具有良好的开放性和很好的安全性。系统数据库中存储的数据内容主要包括数值天气预报数据、环境监测站实测气象数据、光伏电站运行数据、时段整编数据、功率预测数据和系统基础数据。 3.2数值天气预报处理模块。 该模块分为下载和解析两个子模块，下载子模块由于需要与Internet外网通信，通常被部署在安全Ⅳ区的下载服务器上，负责定时自动下载气象部门或其他商业机构发布的数值天气预报数据，再经反向物理隔离设备，将数据反传至预测系统以保证其安全性。而部署在安全Ⅱ区的解析子模块，通过筛选、格式化等流程将数值天气预报数据解析存放到预测系统数据库中。该处理模块支持人工补录和多数据源下载功能，能够适应不同光伏电站的通信和组网特性。 3.3实时数据采集模块。 实时数据采集模块分为气象数据采集和实测功率采集两个子模块。气象数据采集负责从光伏电站自动气象站收集与预测相关的气象数据(如风速、风向、温度、湿度、气压、辐射等)，并对数据做初步筛选处理，此后将其存入预测数据库；该程序可以对各种来源、不同类型
光伏电站发电功率预测系统PSPF V1.2 PSPF V1.2由保定澳斯达电力信息技术有限公司与华北电力大学电力系统自动化研究所合作研发，历经千锤百炼并不断完善，该系统的开发成功适应了市场迫切需求，能够为光伏电站及其接入电网的运行管理提供重要技术支撑，具有很好的市场推广价值和前景。 一. 核心价值 光伏发电是受太阳辐照度、环境温度、风速等多元气象因素影响的电源，其出力具有明显的波动性和间歇性。随着越来越多的光伏发电并网运行，尤其是我国特有的大规模光伏发电集中接入的开发模式，将给电力系统的功率平衡、安全稳定与经济运行带来巨大挑战。准确的光伏发电功率预测是提高电网接纳波动性间歇式电源能力的有效方法之一，其核心价值体现在： 1.满足电网调度需求。发电功率的波动性和间歇性是电网无法接纳大规模光伏发电的主要原因。根据《光伏发电功率预测系统功能规范》、《光伏发电站功率预测技术要求》等标准要求,光伏发电功率预测系统可向电网调度机构提供光伏电站准确的超短期和短期发电功率预测曲线，不仅能够为电网的发电计划制定、调峰调频、潮流优化和安全控制等调度决策行为提供可靠依据，而且可为风、光、水、储的多能互补协调控制提供技术支撑，使电网最大限度地利用光伏发电资源。在不久的将来，电网公司会优先购买预测准确的光伏电站电量并给予奖励，而限制预测不准的光伏电站电量并给予处罚。 2.提高光伏电站发电效率。建立光伏电站端发电功率预测系统对于光伏电站合理安排发电设备检修计划具有重要价值。据德国、西班牙等欧洲光伏发电发达国家的经验，若结合光伏发电功率预测合理安排设备的维护与检修，将显著提高光伏电站发电设备的利用效率，可显著提高光伏发电的经济效益、大大缩短投资回收周期。此外，光伏电站发电功率预测将有助于发电公司在电力市场环境下制定正确的电能交易计划，提高光伏发电企业的经济效益和市场竞争力。 二. 系统功能 ★短期功率预测：可接收来自气象部门的专业数值天气预报，实现对本光伏电站至少未来三天的发电功率预测（该时间长短由来自气象部门的专业气象预报时间决定），预测功率曲线时间分辨率为15min。 ★超短期功率预测：采用智能预测方法，可提供本光伏电站未来0h-4h的超短期发电功率
光功率预测系统运行规程 1.范围 本标准规定了光功率预测系统的运行方式、操作、维护、事故处理原则 2.规范性引用文件 下列文件对于本文件的应用是必不可少的。凡是注日期的引用文件，仅所注日期的版本适用于本文件。凡是不注日期的引用文件，其最新版本（包括所有的修改单） GB19964光伏发电站接入电力系统技术规定 GB50797光伏发电站设计规范 GB/T50866光伏发电站接入电力系统设计规范 地方调度规程 光伏发电站功率预测技术要求 光伏发电站光伏功率预测软件数据接入报告 光伏发电站光功率预测软件实施方案 3.运行规定 3.1运行规定 3.1光功率预测系统的投退，需经调度同意，现场进行操作。 3.2光功率预测系统的投退要严格按照调度要求进行，不得擅自进行投退。 3.3光功率预测系统的检修，应根据相关检修规定的要求按时向调度提出检修申请，调度批准后方可进行。
3.4现场进行光功率预测系统工作时，应按规定做好安全措施，确保系统正常运行。 4.巡回检查 4.1装置电源指示灯均亮 4.2光功率预测服务器运行正常，没有异常信号。 4.3显示屏传输信息应正确，无其他异常信息 4.4网络安全隔离装置运行指示灯，无其他异常。 4.5以太网交换机运行指示灯正常，无其他异常信息 4.6装置出线异常情况，应逐步检查，排除异常情况，若无法排出，应及时向调度及主管领导汇报，并联系予以处理 5.常见故障处理 5.1.数据库连接不上 5.1.1现象 数据库连接不上 5.1.2处理 5.1.2.1查看数据库服务是否启动，若没有启动，则启动数据库服务5.1.2.2查看系统配置文件中，数据库库相关配置是否正确，若配置和系统所连数据库不符，则会发生数据库连接不上的问题 5.2短期预测数据不显示 5.2.1现象