光伏发电功率预测方法研究报告综述(成品)

第1篇一、实验目的1. 了解光功率预测的基本原理和方法。

2. 掌握光功率预测在光伏发电系统中的应用。

3. 通过实验，验证不同光功率预测方法的有效性。

二、实验原理光功率预测是指根据历史数据、气象数据等信息，预测光伏发电系统在未来的某个时间段内的发电功率。

光功率预测方法主要包括统计方法、物理方法和混合方法。

1. 统计方法：根据历史数据，建立历史输入数据与历史输出功率之间的映射关系，预测未来光功率。

2. 物理方法：根据太阳辐射强度、温度、湿度等气象数据，利用物理模型预测未来光功率。

3. 混合方法：结合统计方法和物理方法，提高光功率预测的准确性。

三、实验设备1. 光伏发电系统：包括光伏组件、逆变器、电池组等。

2. 数据采集系统：用于采集光伏发电系统运行数据，包括光照强度、发电功率等。

3. 气象数据接口：用于获取气象数据，包括太阳辐射强度、温度、湿度等。

4. 计算机及软件：用于数据处理、模型建立和预测结果分析。

四、实验步骤1. 数据采集：采集光伏发电系统一段时间内的光照强度、发电功率等数据，以及对应的气象数据。

2. 数据处理：对采集到的数据进行清洗、预处理，为后续建模提供数据基础。

3. 模型建立：a. 统计方法：根据历史数据，采用线性回归、神经网络等方法建立预测模型。

b. 物理方法：根据气象数据，利用物理模型（如辐射传输模型）预测太阳辐射强度，进而预测光功率。

c. 混合方法：结合统计方法和物理方法，采用数据驱动和物理驱动相结合的方式建立预测模型。

4. 模型验证：将预测模型应用于实际数据，验证模型的准确性和可靠性。

5. 结果分析：分析不同预测方法的效果，对比不同模型的预测精度。

五、实验结果与分析1. 统计方法：采用线性回归方法建立预测模型，预测精度为85%。

2. 物理方法：采用辐射传输模型预测太阳辐射强度，预测精度为90%。

3. 混合方法：结合统计方法和物理方法，预测精度为92%。

通过实验结果分析，混合方法在光功率预测中具有较高的准确性和可靠性。

光伏发电出力预测技术研究综述济南睿能电力设计咨询有限公司，山东济南250000摘要：由于地球上人口数量的不断增加，人类对资源需求量随之上升，这给全球资源带来了极大压力，资源浪费现象的不断出现，导致自然灾害问题频发。

而为了能够有效的缓解这一问题，光伏发电技术被广泛应用，该技术的应用，在节省电能源方面有着积极意义。

关键词：光伏发电；出力预测；技术；研究一、光伏发电的内涵太阳能光伏发电，是指工作人员通过太阳能电池组件，在充分发挥半导体材料电子学特点的前提下，将太阳能转换为电能。

并网发电系统通过光伏数组接收到的太阳能，将其转换为高压直流电，再利用逆变器形成可供使用的正弦交流电。

电力企业运行中，为了充分发挥光伏发电系统的作用，国家电网系统也颁布了多项优惠政策，支持光伏发电项目的发展。

光伏发电在一定程度上可以节省蓄电池储能，在最大化功率运行时，太阳能发电效率也是最高的，同时其也有着很高的收益率，光伏系统布置分散，可以为用户提供较多的电能，有效缓解电网传输与分配间的压力。

二、光伏功率预测方法(一)自回归滑动平均(ARMA)模型。

光伏出力与气象变量的时间序列关系影响因素较多，且因子间关系复杂，因此属于非平稳时间序列。

而ARMA模型在处理非平稳时间序列的短期预测方面较有优势，适合于从指定的时间序列数据预测光伏发电。

ARMA中AR模型是系统对过去自身状态的记忆，为自回归过程；MA模型则是系统对过去时刻进入系统的噪声的记忆，为滑动平均过程。

ARMA利用历史数据来建模，经过模型识别、参数估计、模型检验来确定一个能描述所研究时间序列的数学模型，再由该模型推导出预测模型，一旦该模型确定，就可用该序列的过去值和现值来预测未来值。

其一个时间序列在某时刻的值可用p个历史观测值的线性组合加上一个白噪序列的q项滑动平均来表示。

(p，q)阶自回归滑动平均模型可表示为:式中，X(t)为时间序列t时刻的值；ai为自回归参数；βj为滑动平均参数；p为自回归阶数；q为滑动平均阶数；e(t)为时间序列t时刻的随机干扰量，构成一个白噪声序列。

光伏发电功率预测技术研究随着能源危机的日益加剧，各国政府逐渐意识到新能源在能源结构调整和环保方面的作用。

光伏发电作为新能源的代表之一，其优点是清洁、环保、可再生、分布式，成为了全球范围内各国政府在实现能源转型发展中的重要选择。

但是，光伏发电的不确定性也为电网安全稳定运行带来了挑战，因此精准的光伏发电功率预测技术变得尤为关键。

光伏发电系统通常采用组串式方案或者集中式方案，其发电功率与多种因素有关，如日照强度、温度、湿度、风速风向等环境因素，以及面板状况、阴影遮挡等系统部件因素。

如何准确地预测光伏发电功率，是发电系统运行及精准设计的重要问题。

1. 光伏发电功率预测方法光伏发电功率预测方法主要分为统计学方法、数学模型方法和基于机器学习的预测方法。

其中，数学模型和基于机器学习的预测方法在当前应用范围较广。

数学模型方法主要采用物理建模的方法，可以获得较高的预测准确率，但是也存在模型过于复杂、预测范围狭窄等问题。

最常用的数学模型方法是人工神经网络、支持向量机和遗传算法等。

基于机器学习的预测方法主要包括KNN、SVM、随机森林等算法，其预测准确度高，适用数据种类多样、样本数据量大的情形。

与数学模型相比，在模型构建的速度和效率上具有优势。

2. 光伏发电功率预测因素在光伏发电功率预测中，需要考虑的因素有很多。

除了上文提到的环境因素、面板状态等常规因素外，还有更具体的因素。

例如，光伏电池的类型、组串数、阴影与否、面板倾角、季节及日照时间等因素，以及监测数据采集频率、采样时间等因素。

这些因素的精准测量和监测是预测精确度的关键。

3. 光伏发电功率预测应用光伏发电功率预测技术应用广泛，其主要用途包括以下几个方面：（1）电网规划与策略：预测准确可靠的光伏发电功率可以为电网规划和运行提供重要支撑和决策参考。

（2）发电站规划与设计：预测结果可以提供光伏发电站规划和设计的依据，优化设计方案。

（3）发电站实时监测与运维管理：实时预测功率可以及时发现异常状态，对故障问题进行修复和管理。

光伏发电出力预测技术研究综述摘要：随着社会的发展，科技得到了飞速的进步，可是能源短缺是当前社会发展所面临的困境，在各种可再生能源中，太阳能是一种无污染并且资源充沛的能源之一，受到人们的广泛关注与利用。

因其自身独特的优点，在社会发展过程中被人们充分利用。

可是在使用的过程中，因为光伏发电的输出功率并不稳定，所以给用户造成了很大的困扰，相关工作者可以对光伏发电出力进行预设工作，正文主要介绍通常所使用的预测方式以及发展现状，对预测结果进行深入探究，希望对光伏发电今后的发展有所帮助。

关键词：光伏出力；预测技术；出力预测根据根据调查发现，太阳能已经能为各个国家能源升级以及转型的重要方向，并且已经规模化发展光伏发电工程，在此过程中取得了一定的成绩。

根据调查数据显示，截止至2020年底，全球光伏发电电机容量已经超过500GW，与前一年同期相比，增长75%，由此可以看出光伏发电具有良好的发展势头。

可是在发展光伏发电的过程中受到较多的干扰因素，给电网系统带来了不利影响。

为了有效解决这一问题，相关工作者提出并使用可光伏发电出力预测技术，以此来保障其作业成效。

1.光伏发电出力预测技术在以往对光伏发电出力作业进行预测工作时，存在一些问题，为了有效解决这些问题，相关作业人员在以往预测技术的基础之上提出了新型的概念，例如短期预测概念以及超短期预测概念，二者的具体使用状况如此下文：1.1超短期预测技术在进行光伏发电的过程中，有较多的干扰因素，此时电路会表现出较强的间接性问题，对电力系统的正常运行产生不利影响。

若想要有效解决此问题，相关工作者提出了一种新型的预测技术——超短期预测技术。

该技术主要以光伏发电系统为基础进行建模，之后对其影响因素进行预测，并以此构建出短期预测模型。

依据模型的算法以及变化规律，对点电网管理部门进行沟通，确保其发出功率能够达到预期的效果。

从实际作用成果来看，此种方式主要是利用某种特殊的算法对样本进行反复预测，之后根据预测量以及预测值条件之间的关系，根据特殊数列进行叠加，获得最终预测数值。

基于神经网络的光伏发电功率预测算法研究一、课题背景及研究意义随着全球变暖和能源不断紧缺的问题日益突出，太阳能光伏发电作为清洁、可再生、无污染的能源，受到了越来越广泛的关注。

预测太阳能光伏发电的功率，是提高光伏发电系统效率和性能的重要手段。

而基于神经网络的光伏发电功率预测，可以提高预测的准确性，为光伏发电系统的运行、管理、调度和维护提供可靠的依据。

二、相关研究综述基于神经网络的光伏发电功率预测，是近年来研究的热点之一。

现有的研究成果主要有以下几个方面：1.基于BP神经网络的功率预测模型BP神经网络是一种常用的神经网络模型，被广泛应用于光伏发电功率预测领域。

通过将历史数据作为输入，将未来一段时间内的功率作为输出，训练BP神经网络模型，可以得到较为准确的功率预测结果。

2.基于RBF神经网络的功率预测模型RBF神经网络具有优秀的拟合能力和预测性能，在光伏发电功率预测中也得到了广泛的应用。

通过将历史数据作为输入，将未来一段时间内的功率作为输出，训练RBF神经网络模型，可以得到更为精确的功率预测结果。

3.基于深度学习的光伏发电功率预测模型近年来，深度学习技术的发展，为光伏发电功率预测带来了革命性的进展。

通过使用深度神经网络模型，如卷积神经网络、循环神经网络和深度置信网络等，可以提高光伏发电功率预测的准确度和鲁棒性。

三、研究方法本研究旨在建立一种基于神经网络的光伏发电功率预测模型，具体研究方法如下：1.数据采集通过搭建光伏发电系统，在不同天气条件下采集光伏电池的输出功率数据和气象数据，并建立数据集。

2.神经网络结构设计本研究采用基于BP神经网络的预测模型作为基础模型，进一步引入深度学习和改进算法，设计适合光伏发电功率预测的神经网络结构。

3.数据预处理对采集到的数据进行清洗、筛选和归一化处理，减少误差和噪声的影响，提高神经网络预测的准确性。

4.模型训练和测试将数据集拆分为训练集和测试集，使用训练集对神经网络模型进行训练，使用测试集对模型性能进行评估和验证。

光伏发电出力预测技术研究综述摘要：太阳能光伏发电对地表太阳辐射强度十分敏感，其出力具有较强的随机性，对电网的调频、调峰、备用等都具有较大影响。

随着光伏发电并网容量的不断增加，光伏发电的随机性给电力系统调度和运行带来的风险越发凸显。

对光伏发电功率进行更准确的预测能够为电网调度决策提供可靠的依据，对确保电网的安全稳定和系统的优化运行有重大意义。

我国在光伏发电出力预测领域已开展了大量研究，但是在预测技术方面仍稍滞后于欧美发达国家，处于探索阶段。

关键词：光伏发电；出力预测；技术一、光伏发电的内涵太阳能光伏发电，是指工作人员通过太阳能电池组件，在充分发挥半导体材料电子学特点的前提下，将太阳能转换为电能。

并网发电系统通过光伏数组接收到的太阳能，将其转换为高压直流电，再利用逆变器形成可供使用的正弦交流电。

电力企业运行中，为了充分发挥光伏发电系统的作用，国家电网系统也颁布了多项优惠政策，支持光伏发电项目的发展。

光伏发电在一定程度上可以节省蓄电池储能，在最大化功率运行时，太阳能发电效率也是最高的，同时其也有着很高的收益率，光伏系统布置分散，可以为用户提供较多的电能，有效缓解电网传输与分配间的压力。

二、光伏发电出力预测技术目前光伏系统的发展趋势是并网运行，由于运行的大规模的光伏并网电站很少，资料和数据有限．国内外的一些研究机构和组织对光伏出力预测有了一定的研究，天气和气候条件的实时数据集，日照强度和气候天气等数据可以通过传统方法和卫星遥感方法获得，传统获取数据的方法仅能提供当地的测量值，而通过卫星可以获得大面积地区的资料，方便进行预测。

光伏出力预测技术在国内外尚处探索和研究阶段。

1、基于物理法的预测技术。

物理方法就是找出输出量与输入量之间的关系建立物理方程，通过物理方程进行预测，光伏发电系统的输出功率具有不连续性和不确定性，影响其出力的因素有很多，其中主要为气象因素，太阳能光伏发电装置的实际输出随太阳辐射强度的变化而变化，而太阳辐射强度的变化却存在很大的随机性，而且与实时的大气状况、太阳辐射角、地表倾斜角、观测时间及日期、云层厚度及范围等因素具有密切相关性，利用历史数据建立光伏出力与这些影响因素之间的物理方程，再通过天气预报等手段预测天气情况带入建立好的物理方程中，可最终得到预测结果。

光伏发电系统功率预测方法研究综述摘要：目前，光伏发电功率预测可分为依据历史数据建立的物理统计模型和运用智能算法建立的学习模型。

物理统计模型较多采用依据天气预报数据计算预期功率输出，此外还有多尺度软测量、多时间尺度测量等。

而学习模型有利用遗传算法优化BP神经网络、Elman神经网络、长短时记忆神经网络、支持向量机（SVM）、最小二乘支持向量机等。

但是这些模型受到自身参数少、预测时间长等影响，直接导致预测误差增大。

本文主要分析光伏发电系统功率预测方法研究综述。

关键词：光伏发电；功率预测引言太阳能是一种清洁的可再生能源，光伏发电是太阳能利用的主要方式之一。

光伏发电能够减轻化石能源使用过程中产生的空气、水污染等环境问题。

自20世纪80年代起，光伏发电量占不同国家总发电量的比例持续提升，世界主要发达国家均研究光伏发电技术，以提升光伏发电能力。

光伏发电系统受太阳辐射强度与气象条件影响较大，导致系统发电功率存在较高随机性、波动性以及间歇性，这些均对电网稳定运行产生不利影响，因此预测光伏发电功率有重大意义。

1、光伏电站功率监测技术为了提高光伏电站的运行可靠性，减少光伏发电功率波动对电网带来的危害，目前主流的做法是采用由静止同步补偿器和储能系统构成的新型功率补偿器，即当光伏电站发电功率波动引起的电压跌落超过相应极限时，就及时采用该新型功率补偿器向电网提供无功功率。

另一种做法，则是借助短期功率预测算法，提前预判光伏电池板阵列的发电出力，再结合采用功率补偿装置，及时调整光伏电站的工作状态，以降低光伏电站功率波动对电网的危害性。

而以上预防和无功补偿措施的采取，都是基于功率监测结果开展的。

目前在光伏电站，有关功率监测方法和技术实现的研究，通常是与功率补偿策略、短期功率预测算法研究综合在一起进行的。

随着光伏发电项目的不断增多，部分地区在条件适宜的屋顶上也在积极推行小型光伏电站的建设。

如此，这部分屋顶拥有者既是电能的消费者，同时也成为电能的生产者。

光伏发电预测模型1.光伏发电预测模型输入变量的选择影响光伏发电系统输出功率的因素很多，气象因素有：太阳辐射强度、日照时间、环境温度、云量、风速、气压等；光伏组件本身因素有：太阳能电池板的面积、太阳能电池板的温度、逆变器转换效率、太阳能电池板安装角度等。

如果将每个影响因素都作为预测模型的输入，必将增加模型的复杂度，而且输入变量的增多也必将提高光伏发电系统历史数据收集工作的难度，所以准确地分析与输出功率关联性强的因素并将其作为输入量，直接关系着预测模型的可用性和准确性。

1.1光照强度对光伏系统发电功率的影响光伏系统输出功率的工程模型为()[]25T a -1AR N P c 321+=βηηη （1） 式中：N 为正常工作的光伏组件个数；1η为光伏组件在额定工作条件下的光电转换效率；2η为最大功率点的工作效率；3η为逆变器效率；A 为光伏组件的面积；β为阵列的倾角；βR 为光伏阵列斜面太阳总辐照度；a 为光伏组件的温度系数；c T 为光伏组件的板温。

考虑到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。

因此，单位面积的光伏电源输出功率为：()[]25t 005.0-1SI P c s +=η （2）式中：η 是光伏阵列的光电转换效率(%)；S 是光伏阵列的总面积(m2)； I 是光伏阵列接收到的太阳辐射强度(kW · m-2)； c T 是光伏组件的板温(°C)。

电气传动2016年第46卷第6期光伏发电系统功率预测方法综述李安寿1，2，陈琦3，王子才1，李铁才2（1.哈尔滨工业大学航天学院，黑龙江哈尔滨150001；2.深圳航天科技创新研究院电力电子与电力传动研究所，广东深圳518057；3.中国空间技术研究院，北京100094）摘要：提高功率预测水平是光伏发电系统并网的关键技术问题，对提高光伏发电开发利用、保证电网安全运行有重要意义。

对光伏发电系统的功率预测方法进行了分析与总结，根据光伏发电的应用及需求，归纳了各类光伏发电系统功率预测方法的优点及不足，希望对我国光伏发电预测方法的发展起到一定的促进和推动作用。

关键词：光伏发电；功率预测；预测方法；预测模型中图分类号：TM615文献标识码：AReview of Power Forecast Methods for Photovoltaic Generating SystemLI Anshou 1，2，CHEN Qi 3，WANG Zicai 1，LI Tiecai 2（1.School of Astronautics ，Harbin Institute of Technology ，Harbin 150001，Heilongjiang ，China ；2.Power Electronic and Power Transmission Research Institute ，Shenzhen Academy ofAerospace Technology ，Shenzhen 518057，Guangdong ，China ；3.China Academy of Space Technology ，Beijing 100094，China ）Abstract:Enhancing the power prediction accuracy is one of the key technique problems of grid -connectedphotovoltaic generating system ，which is not only crucial for the security of power grid ，but also for solar photovoltaic utilization.The present forecasting techniques for photovoltaic generating system were comprehensively discussed and analyzed.The advantages and deficiencies of present forecasting techniques were also summed up according to different kinds of demand and application.Hope that it can play a positive role in advancing and promoting thedevelopment of domestic forecasting techniques for photovoltaic generating system.Key words:photovoltaic generating ；power forecast ；forecast method ；forecast model基金项目：广东省自然科学基金（2014A030310461）；深圳市科技计划项目（JCYJ20150402151049782）作者简介：李安寿（1984-），男，博士后，Email ：*******************ELECTRIC DRIVE 2016Vol.46No.6近年来，由于人们对可再生能源的高度重视，光伏发电技术得到了快速的发展，但光伏发电也存在一定的问题。

光伏发电系统中的发电功率预测研究随着环保和可持续发展的重要性日益突出，光伏发电系统越来越受到人们的关注和追捧。

在光伏发电中，发电功率的预测是十分重要的一环，它直接关系到光伏发电的有效利用和经济效益。

因此，光伏发电系统中的发电功率预测研究逐渐成为一个热门的研究方向。

一、光伏发电系统发电功率预测的意义发电功率是评估光伏发电系统运行状况的重要指标。

然而由于天气的变化和光伏组件的老化等因素，每天的发电功率都不同，这给系统的监控和管理增加了很大的困难。

发电功率预测可以通过对历史数据的分析和模拟计算，对未来一段时间内的发电功率进行预测。

这对于光伏发电系统的优化、规划和管理都具有十分重要的意义。

首先，光伏发电系统需要对发电功率进行监控和管理，以确保其长期稳定运行。

发电功率预测提供了实时的发电数据，可以帮助系统管理者及时发现并处理运行异常情况。

其次，发电功率预测可以为光伏发电系统的规划和设计提供重要参考。

通过预测不同光伏组件的发电功率，可以对光伏发电系统进行模拟计算和优化设计，以期达到最大化利用中的经济效益。

最后，发电功率预测还可以为市场化运作提供参考。

利用准确的发电功率预测结果，可以实现光伏电价的实时调整，提高系统运行的经济效益。

二、光伏发电系统中的发电功率预测方法1. 统计方法统计方法是最为简单的发电功率预测方法，它基于历史发电功率数据进行预测。

例如，基于ARIMA（自回归综合移动平均）模型的预测方法，适用于具有周期性和趋势性的数据。

此外，还可以利用回归模型、神经网络模型等方法进行预测。

然而，统计方法的缺点也很明显，其预测精度受历史数据的影响较大，无法完全考虑多种因素的影响，因此预测结果较为局限。

2. 物理模型方法物理模型方法是基于光伏组件特性、环境因素和气象数据等多项影响因素，进行光伏发电功率预测的方法。

例如，通过模拟光伏组件受到的日照、温度、湿度等因素的影响，来进行发电功率的预测。

物理模型方法可以较为准确地考虑多种因素的影响，预测精度比统计方法高，但是模型的建立和参数的确定需要大量的实验和数据支持。

光伏系统的发电功率预测方法研究随着能源需求的增长和环境保护的意识不断提高，光伏系统作为一种可再生能源设施，受到了广泛关注和应用。

然而，光伏系统的发电功率波动性较大，且受天气等外界因素影响较大，因此如何准确预测光伏系统的发电功率成为了一个重要问题。

本文将探讨光伏系统的发电功率预测方法，并对其进行研究。

一、光伏系统的发电功率特点在研究光伏系统的发电功率预测方法之前，首先需要了解光伏系统的发电功率特点。

光伏系统的发电功率受到多种因素的影响，包括太阳辐射、温度、倾角等。

这些因素的变化导致了光伏系统发电功率的波动性较大。

同时，天气变化也会直接影响光伏系统的发电效果，如阴天、多云等天气条件下发电功率会呈现明显下降的趋势。

二、传统的发电功率预测方法目前，有多种发电功率预测方法被用于光伏系统。

传统的发电功率预测方法主要基于统计学模型或时间序列模型，如线性回归、支持向量机等。

这些方法根据历史数据进行统计分析，得到一个数学模型，通过对比历史数据和实时数据的差异，来预测未来的发电功率。

然而，传统方法存在一些问题。

首先，由于光伏系统的发电功率受到多种因素的影响，传统方法无法考虑到所有的因素，因此其预测精度有限。

其次，传统方法只能根据历史数据进行预测，对于特殊情况的预测能力较弱。

此外，传统方法对数据的要求较高，对于数据异常或缺失的情况处理能力不足。

三、基于机器学习的发电功率预测方法近年来，随着机器学习的发展，人工神经网络、支持向量机、深度学习等方法被应用于发电功率预测中，取得了较好的效果。

这些方法能够对大量数据进行处理和学习，能够更好地拟合光伏系统的发电功率特性。

人工神经网络是一种借鉴人脑神经元结构和功能，模拟人脑神经网络进行计算的方法。

通过构建并训练人工神经网络，可以实现对光伏系统发电功率的预测。

支持向量机是一种基于统计学习理论的机器学习方法，适用于非线性函数拟合和模式识别。

通过支持向量机对光伏系统历史数据进行学习，可以预测光伏系统未来的发电功率。

第8卷第21期 黑龙江科学 V2 82017 年 11 月 HEILONGJIANGSCIENCE November 2017

光伏发电功率预测方法综述曹煜祺\张立梅2(1.河北农业大学机电工程学院，河北保定071000% 2.河北农业大学信息科学与技术学院，河北保定071000)摘要：随着光伏大规模接入电网，其带来的时变性、波动性及随机性将对电网的安全稳定运行带来巨大的冲击。光伏功率预测技 术是提高光伏并网质量、优化电网调度、保证电网安全稳定运行的基础技术。文中首先对光伏输出的主要影响因素进行了阐述，随 后对数据的选择与处理进行了讨论，归纳了光伏功率预测方法，最后总结了预测结果的评价标准。关键词：光伏发电；功率预测；预测方法;评价标准中图分类号：TM615 文献标志码：A 文章编号：1674 -8646(2017)21 -0031 -03

A review of the photovoltaic power prediction metliods

CAO Yu-qi1，ZHANGLi-mei2(1. College of Mechanical and Electrical Engineering，Agricultural University of Hebei，Baoding 071000，China; 2. College of Information and Science and Technology，Agricultural University of Hebei，Baoding 071000，China)

Abstract ： Witli the growing scale of photovoltaic (PV) power generation system connected to the grid， its time

variability，volatility and randomness will bring huge impact to the grid. The technique of photovoltaic power predictionis the foundation of improving PV grid-connected quality， optimizing dispatch system and ensuring a running of the grid. This paper expounded the main affecting factors of the PVoutput and then discussed the methods ofdata selection，summarized the PVpower prediction methods. At the end of this paper，a conclusion of the evaluationcriteria is proposed.Key words ： PV power generation % Power prediction % Prediction met!iod; Evaluation criteria

第３２卷第５期　２０１５年５月　机　电　工　程　

Ｊｏｕｒｎａｌ　ｏｆ　Ｍｅｃｈａｎｉｃａｌ＆Ｅｌｅｃｔｒｉｃａｌ　Ｅｎｇｉｎｅｅｒｉｎｇ　Ｖｏ１．３２　Ｎｏ．５　

Ｍａｙ　２０１５　

ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００１—４５５１．２０１５．０５．０１５　

光伏发电功率预测方法研究综述　钱　振　，蔡世波　，顾宇庆２，童建军　，鲍官军　（１．浙江工业大学，特种装备制造与先进加工技术教育部／浙江省重点实验室，浙江杭州３　１００３２；　２．上海汽车集团股份有限公司技术中心，上海２０００４１）　

摘要：针对太阳能光伏发电输出功率不稳定的问题，分析了国内外光伏发电功率预测方法的研究现状，总结并提出了今后研究的建　议方向，介绍了太阳辐射、晴空指数、日照时数、云、温度、风速和面板积尘等影响光伏发电的各种因素，着重综述了２００８年以来光　伏发电功率预测尤其是短期预测的研究概况，对光伏功率预测的时间尺度和精度这两个重要指标进行了讨论，分析了数据基础、影　响因素、精度指标、时间响应和评价标准等光伏发电预测中需要重点关注的技术难点。研究结果表明，近年来的研究工作主要集中　在短期预测，到目前为止对于各种预测方法尚没有被公认的评价标准，难以对各种预测算法进行评估比较。最后结合综述分析，提　出了今后光伏发电功率预测研究工作的建议方向。　关键词：功率预测；光伏系统；评价标准　中图分类号：ＴＭ６１５　文献标志码：Ａ　文章编号：１００１—４５５１（２０１５）０５—０６５１—０９　

Ｒｅｖｉｅｗ　ｏｆ　ＰＶ　ｐｏｗｅｒ　ｇｅｎｅｒａｔｉｏｎ　ｐｒｅｄｉｃｔｉｏｎ　ＱＩＡＮ　Ｚｈｅｎ　，ＣＡＩ　Ｓｈｉ—ｂｏ　，ＧＵ　Ｙｕ—ｑｉｎｇ　，ＴＯＮＧ　Ｊｉａｎ－ｊｕｎ　，ＢＡＯ　Ｇｕａｎ－ｊｕｎ　（１．Ｋｅｙ　Ｌａｂｏｒａｔｏｒｙ　ｏｆ　Ｅ＆Ｍ，Ｍｉｎｉｓｔｒｙ　ｏｆ　Ｅｄｕｃａｔｉｏｎ＆Ｚｈｅｊｉａｎｇ　Ｐｒｏｖｉｎｃｅ，Ｚｈｅｊｉａｎｇ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｔｅｃｈｎｏｌｏｇｙ，　Ｈａｎｇｚｈｏｕ　３　１００３２，Ｃｈｉｎａ；２．Ｔｅｃｈｎｏｌｏｇｙ　Ｃｅｎｔｅｒ，ＳＡＩＣ　Ｍｏｔｏｒ　Ｃｏｒｐｏｒａｔｉｏｎ　Ｌｉｍｉｔｅｄ，Ｓｈａｎｇｈａｉ，２０００４１）　

光伏发电出力预测技术研究综述光伏发电是一种利用太阳能将光能转化为电能的技术，近年来逐渐成为可再生能源中的重要部分。

光伏发电具有环境友好、无噪音、可再生等特点，因此在能源发展和环境保护方面起着重要的作用。

然而，由于光照、天气等因素的变化，光伏发电的出力也会有所波动，这给电网调度和光伏发电厂的经济效益带来一定的挑战。

因此，准确预测光伏发电出力对于电网调度和光伏发电厂的运营管理至关重要。

光伏发电的出力预测主要可以分为两类方法：基于物理模型的方法和基于数据驱动的方法。

基于物理模型的方法是通过建立光伏发电系统的数学模型，考虑光照、温度、光伏板等因素对出力的影响，从而预测光伏发电的出力。

这种方法需要大量的物理参数和较复杂的计算过程，但由于基于物理的原理，预测结果相对较准确。

然而，由于光伏发电系统的复杂性和光照等因素的随机性，物理模型的建立和参数的确定常常存在一定的误差和不确定性。

基于数据驱动的方法是通过收集历史光伏发电数据和相应的气象数据，应用数据分析和机器学习方法，建立一个从输入（气候数据）到输出（光伏发电出力）的映射模型，从而预测光伏发电的出力。

这种方法不需要事先建立物理模型，只需要大量的历史数据，并通过算法寻找其中的模式和规律。

数据驱动的方法简单直接，适用于实际应用。

然而，由于光伏发电系统的复杂性和数据的非线性特性，数据驱动的方法需要充分考虑数据的质量和特征提取的方法，以提高预测的准确性。

当前，光伏发电出力预测技术面临的挑战有以下几点：首先，由于天气因素随机性和光伏发电系统的复杂性，准确捕捉光伏发电特性和建立有效的预测模型是非常关键的。

其次，数据的质量和特征对预测结果具有重要影响，因此需要对数据进行预处理和特征选择，提高预测的准确性和可解释性。

最后，光伏发电出力的预测与实时性也有一定关系，因此需要寻找一种快速和高效的预测方法，以满足电网调度和光伏发电厂的需要。

综上所述，光伏发电出力预测技术是实现光伏发电可靠和经济运营的重要手段。

光伏发电功率多时间尺度预测方法研究光伏发电功率多时间尺度预测方法研究引言：随着世界范围内对可再生能源需求的增加，光伏发电作为其中一种主流形式逐渐受到关注。

然而，由于天气条件的不确定性，光伏发电的功率具有较大的波动性，这对电网的稳定性和电力系统的运营产生了一定的影响。

因此，准确预测光伏发电功率对于电力系统的有效调度和运营具有重要意义。

一、功率预测的时间尺度及其重要性功率预测的时间尺度可以分为多个层次，包括短期、中期和长期。

短期功率预测主要用于日前和实时调度中，以满足电力系统对光伏发电的实时需求。

中期功率预测则用于一周到几个月的电力市场运营和发电计划制定，并为给电力购买、销售和交易提供依据。

长期功率预测则用于一年到数年的规划和投资决策中，以预测光伏发电在未来时间尺度内的整体发展趋势。

准确的光伏发电功率预测对于电力系统的可靠性和稳定性具有重要意义。

利用预测结果优化电力系统的运行策略，可避免因功率波动而引发的电压不稳定、电流过载和频率偏移等问题。

此外，功率预测还有助于合理分配电力资源，降低成本，并鼓励可再生能源的使用。

二、光伏发电功率预测方法1. 基于统计学方法的功率预测基于统计学方法的功率预测主要利用历史光伏发电功率数据进行建模和预测。

常用的统计学方法包括回归分析、时间序列分析和机器学习算法。

通过对历史数据的分析，这些方法可以发现光伏发电功率与天气因素（如太阳辐射、气温等）之间的关联性，并对未来的光伏发电功率进行预测。

2. 基于物理模型的功率预测基于物理模型的功率预测依据光伏发电系统的结构和特性，利用光伏发电基本方程（如照度和温度等因素）建立模型进行预测。

这种方法可以提供更精确的预测结果，但需要准确的参数和模型来描述光伏发电系统的运行状态。

3. 结合统计学方法和物理模型的功率预测为了准确预测光伏发电功率，许多研究将统计学方法和物理模型相结合。

这些方法通过引入天气预报数据和实时测量数据来提高预测的准确性。

光伏发电系统的功率预测与发电优化研究光伏发电是一种利用太阳光能直接转换为电能的清洁能源发电方式。

光伏发电系统在近年来得到了广泛的应用，但其功率的预测和发电的优化仍然是一个具有挑战的问题。

本文将从功率预测和发电优化两个方面，对光伏发电系统进行研究与分析。

一、光伏发电系统的功率预测光伏发电系统的功率预测是指通过对太阳辐射、天气条件等多个因素进行分析和建模，来预测光伏发电系统未来的功率输出。

准确的功率预测可以为系统运行和电网调度提供重要的参考依据。

1. 数据采集与处理在光伏发电系统的功率预测中，关键的一步是对数据的采集和处理。

常见的数据包括太阳辐射、温度、风速等气象数据，以及光伏组件的电压、电流等电气参数。

这些数据可以通过传感器进行实时采集，并进行预处理，包括数据清洗、异常值处理等。

2. 光伏功率预测模型基于数据采集与处理，可以利用统计学、机器学习等方法构建光伏功率预测模型。

常见的预测模型包括传统的回归模型、神经网络模型、支持向量机模型等。

这些模型可以利用历史数据进行训练，从而预测未来一段时间内的光伏功率输出。

同时，模型还可以考虑气象数据等其他因素，提高预测的准确性。

3. 模型评估与优化完成光伏功率预测模型的构建后，需要进行模型的评估和优化。

评估可以通过比较预测结果与实际观测值的差异来进行，常见的评价指标包括均方根误差（RMSE）、平均绝对百分比误差（MAPE）等。

优化则可以通过参数调整、模型更新等方法来改进预测模型，提高预测的准确性和稳定性。

二、光伏发电系统的发电优化除了功率预测，光伏发电系统的发电优化也是提高系统效率和经济性的关键。

通过合理的优化策略和运行控制，可以最大限度地提高光伏发电系统的发电效益。

1. 布局优化光伏组件的布局对系统的发电效率有着重要的影响。

通过合理的布局，可以降低组件间的阴影遮挡，提高光伏组件的发电效率。

布局优化包括组件排列方式、安装角度等因素的优化，可以利用数学模型和模拟软件进行优化计算和分析。

电力系统中的光伏发电功率预测研究第一章：绪论电力系统具有保障能源供应和推动经济国家发展的重要作用。

光伏发电作为一种新兴的分布式能源，已经成为了电力系统中重要的一部分。

然而，光伏发电的不稳定性和间歇性给电网的稳定运行带来了挑战。

预测光伏发电功率是电网调度的重要组成部分，能够提高电力系统的可靠性和经济性。

本文主要针对电力系统中光伏发电功率预测研究进行了综述和分析，提出了多种方法，并进行了比较和分析。

第二章：光伏发电原理与影响因素光伏发电是利用光电效应将太阳能转化为电能的过程。

光伏电池人工制造的半导体材料，根据材料的能带结构特性将光子能量转化为电子能量。

光伏电池的工作效率和光照的强度和角度、气候状况、太阳辐射强度等因素密切相关。

第三章：光伏发电功率预测方法3.1 基于统计学方法的光伏发电功率预测此方法从历史观测数据中学习并预测未来的光伏发电功率。

常用的统计学方法包括时间序列模型、多元线性回归模型等。

这种方法需要大量的历史数据，能够捕捉到季节性和周期性变化，但无法预测长期趋势和突发事件。

3.2 基于机器学习方法的光伏发电功率预测机器学习方法能够自动从数据中提取出有用的特征，通过算法不断优化预测模型。

常用的机器学习方法包括人工神经网络、支持向量机、随机森林等。

这种方法能够将历史数据和天气预报数据等多种因素同时考虑，能够在短时间内提高预测精度。

3.3 基于物理模型的光伏发电功率预测物理模型是通过建立电池、逆变器的详细模型来预测功率输出。

此方法需要大量的物理参数和算法模型，可预测长期趋势和功率输出的变化，但需要大量的人力、物力和成本。

第四章：光伏发电功率预测案例分析案例一：利用时间序列模型对新加坡某光伏电站功率进行预测此方法使用了3年的历史观测数据，使用时间序列模型预测未来一天、一周和一个月的光伏发电功率。

结果显示，该方法能够对未来一天的功率进行较好的预测，但预测长期趋势的准确性有限。

案例二：基于机器学习方法的光伏发电功率预测比较此方法使用了气象数据和历史光伏发电功率数据，将多个机器学习方法进行比较。

摘要:本文主要针对光伏发电出力预测技术的应用问题进行研究与分析。

重点结合光伏发电系统的发展现状以及预测技术发展情况,从短期预测与超短期预测等方面,对当前光伏发电出力预测技术内容进行研究与分析。

在此基础上,结合我国光伏产业发展趋势,对我国光伏发展以及出力预测技术研究方向加以总结与归纳,以供参考。

关键词:光伏发电;短期预测;超短期预测;根据当前发展情况来看,太阳能开发利用模式俨然成为全球能源升级与转型的重要趋势所在。

其中,光伏发电已经迈入规模化发展进程当中,在应用效果方面呈现出较好的发展趋势。

根据不完全的调查显示,截止到2017年底,全球范围内的光伏发电装机容量已经高达403.47GW,较去年同期相比,增长33.8%。

其中,我国光伏发电装机容量高达137.62GW,较去年同期相比,增长76.3%。

可以说,光伏发电模式势头良好。

然而,光伏发电出力过程容易受到多方面不确定因素的干扰,而表现出较强的间歇性特征,容易给电力系统运行过程造成阻碍影响。

为及时解决这一问题,研究人员提出光伏发电出力预测技术措施,以期可以确保光伏发电出力效果。

1光伏发电出力预测技术研究综述为及时规避传统光伏发电出力预测技术存在的不良问题,研究人员在原有技术基础上提出短期预测概念与超短期预测概念,具体应用情况如下:1.1光伏发电出力短期预测技术目前,人工神经网络在非结构性与非精确性规律方面,可以表现出较强的自适应功能,同时也可以表现出自主学习、优化计算等特性。

根据当前应用情况,人工神经网络可以用于自动控制、故障诊断以及光伏发电出力短期预测等方面,基本上可以为行业领域的动态发展提供保障。

其中,对于光伏发电出力短期预测技术而言,通过结合人工神经网络,通过利用历史数据资源构建符合光伏发电出力特点的模型机制。

其中,模型机制一般多具备双输出性特点,可以准确预测到光伏发电出力过程可能发生的问题[2]。

另一方面,按照事先假设方法,针对性地估算出光伏发电出力情况,并利用分布函数内容,实现逆运算过程。