光伏发电系统功率预测方法的研究现状

文章编号：2095-6835（2023）19-0031-03
光伏发电系统功率预测方法的研究现状＊
夏权
（兰州资源环境职业技术大学，甘肃兰州730021）
摘要：随着煤炭、石油等化石燃料资源紧张及环境保护等理念的提出，很多国家越来越关注太阳能等可再生资源的开发和应用，中国也积极地开发利用太阳能进行发电，光伏发电系统正是利用太阳能电池将太阳能直接转换成电能的发电方式，并凭借安装简单、无污染、易维护等优势，受到了社会的广泛关注和应用。

但光伏发电系统很容易受到光照强度、天气类型、大气温度、湿度等外部环境的影响，造成发电输出功率出现不稳定性、间歇性等问题，给电网带来一定程度的影响，因此光伏发电系统功率预测成为目前电力部门和相关领域的主要研究方向。

对光伏发电系统、光伏发电预测的意义等进行了介绍，对光伏发电系统输出特性进行了分析，研究了光伏发电系统输出功率预测方法。

关键词：光伏发电系统；功率预测；预测方法；输出特性
中图分类号：TM615文献标志码：A DOI：10.15913/ki.kjycx.2023.19.010
光伏发电系统作为一种新型发电系统，利用太阳能电池将太阳能转化为电能，可以有效减少对能源的浪费，而且太阳能的可再生性、环保性等优势还可以有效缓解环境问题。

近年来，太阳能以无污染、环保性、可再生、安全可靠等优势成为世界的重点关注方向，也是目前很多国家的主要应用能源。

光伏发电系统也因安装维护便捷、低排放等优势受到广泛应用，是目前较有潜力的发电系统。

但光伏发电系统在转换电能的过程中，会受到很多外界因素的影响，具有一定的波动性、周期性，影响其正常运行，为了缓解这些外界因素的影响，建立光伏发电系统功率预测系统至关重要。

本文介绍了光伏发电系统、光伏发电预测的意义，分析了光伏发电系统的输出特性，研究分析光伏发电系统输出功率预测方法，阐述这些预测方法的特征，希望给相应的研究提供理论依据。

1光伏发电系统简介及光伏发电预测的意义1.1光伏发电系统简介
光伏发电系统是利用太阳能电池将太阳能直接转换成电能的一种发电系统，利用的是光生伏特效应，由太阳能电池、蓄电池、控制器、逆变器等主要部件组成，具有较高的可靠性、使用寿命长、不污染环境等优势，并且能够独立发电，能够并网运行，受到了各个企业的青睐，有着较为广阔的发展空间。

光伏发电系统分为独立太阳能光伏发电系统、并网太阳能光伏发电系统、分布式太阳能光伏发电系统这三大类型。

1.2光伏发电预测的意义
太阳能是目前世界公认的地球上最大的可用洁净能源，光伏发电系统作为利用太阳能的一种发电系统，可以安装在合适的陆地或者建筑物上，具有安装、维护方便的优势，而且太阳能对生态环境的污染较小，是目前发电领域的重要发电方式。

目前，光伏发电系统已成为可再生能源领域内发展速度最快的发电技术。

随着光伏发电系统的广泛应用和快速发展，并网太阳能光伏发电系统已逐渐成为欧洲各国家的主要电力供电系统，但光伏发电系统很容易受到太阳辐射的强度、环境等因素的影响，导致发电输出出现一定的波动或间歇，严重影响着光伏发电系统的应用效果，影响电网的稳定性，因此需要通过有效的光伏发电预测，改善其不利因素，促进电力系统稳定运行。

光伏发电预测可预测光伏发电系统功率的变化，使电力相关部门根据预测的变化调度系统，降低光伏发电系统的备用容量，降低一定的运行成本，降低光伏发电并网对系统的危害，提升光伏发电在发电系统中的比例；光伏发电系统所利用的太阳能很容易受阴雨天等环境的影响，通过光伏发电预测可以在阴雨天气进行系统的维修养护，提升光伏发电系统的容量系数、发电量等；因光伏发电系统的间歇性、波动性，会使它受到一定的经济惩罚，通过光伏发电预测可以有效提升其稳定性，有效提升光伏发电系统的市场竞争力。

综上所述，光伏发电预测具有重要的作用[1]。

——————————————————————————
＊［基金项目］2021年度甘肃省高等学校创新基金项目（编号：2021A-248）；2020年度干旱气象科学研究基金项目（编号：IAM202009）；2021年度甘肃省科技厅青年科技基金计划（编号：21JR7RA773）
2光伏发电系统输出特性
光伏发电系统包括独立光伏发电系统、并网光伏发电系统、分布式光伏发电系统这三大类型，并网光伏发电系统的主要组成部分包括光伏阵列、逆变器等，光伏阵列将太阳能直接转换成电能，再通过逆变器等部分转换成和电网频率一致的交流电源，完成并网发电。

太阳能电池作为光伏发电系统的重要组成部分，
一定数量的太阳能电池连接组成光伏阵列，在一般情况下，光伏电站获得输出功率的方式是将一定数量的光伏阵列进行串联、并联。

光伏电池的数学模型为I= I Ph
－I0exp（qU D/kt－1），其中I为太阳能电池端电流的数值；I Ph为光生电流的数值；I0为太阳能电池逆向饱和电流的数值；q为电子电荷量的数值；U D为光伏电池端电压的数值；k为玻尔兹曼常数，取值1.38×10-23J/K；t为太阳能电池的温度的数值。

综上所述，太阳能电池的输出是反映光照强度、温度的一种非线性函数，太阳能电池是一种非恒压恒流的直流电源。

25℃时不同光照强度的I-U、P-U特性曲线如图1所示。

光伏发电系统非常容易受到天气、环境等因素的影响，尤其是太阳光照的强度和温度等影响[2]。

图125℃时不同光照强度的I-U、P-U特性曲线
如图1所示，在同一温度（25℃）、不同的光照强度影响下，光伏电池的输出电压并没有发生明显的变化，但输出的电流和功率出现了较为明显的变化，变化的趋势大致相同，在光照强度增加的过程中，输出电流和输出功率也在不断增大。

每平方米光照强度为1000lx时不同温度的I-U、P-U特性曲线如图2所示。

图2每平方米光照强度为1000lx时不同温度的
I-U、P-U特性曲线
如图2所示，在同一光照强度（1000lx）、不同温度下，太阳能电池的电流和电压、功率都在随着温度的变化而变化，温度升高时，电流也随之升高，但电压和功率却随着温度的升高而下降。

综上所述，光照强度和温度是影响光伏发电系统输出功率的主要因素。

光伏发电系统在实际运行过程中，风向、风速、云层的变化移动等都有可能会对光照的强度和温度带来不同程度的影响，比如云层遮挡光伏阵列时，会降低太阳辐射对光伏板的照射，风向和风速会影响光伏阵列的散热情况，从而影响光伏板的温度，另外空气中湿气的变化也会影响太阳的辐射。

除了天气等外部环境因素的影响，光伏电池板内部的老化、灰尘等也会影响光伏发电系统的功率输出，因此需要通过数理统计法、智能学习校正、多尺度预测法等方式实现对光伏发电系统输出功率的高精度预测[3]。

3光伏发电系统输出功率预测方法
3.1直接预测法
3.1.1多元线性回归算法
多元线性回归是一种描述输入对输出影响的统计
1000lx
800lx
600lx
300lx
电压U/V
电压U/V 300lx
600lx
800lx
1000lx
60℃25℃
15℃5℃
5℃
25℃
15℃
50℃
U/V
U/V
模型，这种算法具有较高的可识别性、节省性，被广泛应用于时间序列统计分析的降尺度技术。

多元线性回归算法的一般形式为Y i=β0+β1X1i+β2X2i+…+βk X ki，其中k为解释变量数目，βk为回归系数，X ki为解释变量。

应用多元线性回归算法进行光伏发电系统输出功率的预测时，需要较大数量的历史数据，进行输出功率、外界影响因素等之间的变化规律的分析，建立其多元线性回归算法的方程式，考虑的因变量较少，只需要考虑光照的强度和温度即可，但对光伏发电系统输出功率的影响因素较多，因此应用多元线性回归算法对光伏发电系统输出规律的预测误差较大，无法保证预测的精度。

3.1.2马尔科夫链预测
马尔科夫链预测是在马尔科夫过程的理论基础上发展的，是为管理者提供的，用于分析系统的传输状态、未来发展趋势等的一种预测方法，利用初始状态的概率向量、状态概率转移矩阵对变量未来的状态等进行预测，有无记忆性或无后效性等特点。

利用马尔科夫链进行光伏发电系统输出功率的预测大多是在08：00—17：00，需要在相似的天气条件下进行不同日期相似输出功率的特征预测，这种预测方式适用于光伏发电系统短期输出功率的预测，但光伏发电系统输出的功率会随着日出日落而上升或下降，并不是每时每刻都有相同的变化趋势，而马尔科夫链预测忽视了这个过程，而且马尔科夫链预测是否准确与原始样本和的准确性和通用情况有着较大的联系，一旦预测时天气等出现较大变化，就很难保证预测的准确性[4]。

3.1.3BP神经网络算法
BP神经网络算法是目前较为成熟、应用较为广泛的预测方法，可以预测每小时光伏发电系统输出的功率，根据已知数据进行不断训练学习，找寻输出和输入关系的特点，可以逼近任意复杂的非线性函数。

特定光伏阵列的历史发电量在时间序列上有着较高的自相关性，采用BP神经网络算法可以分析出多变量非线性模型拟合的特点，可以有效利用光伏发电系统的历史数据。

BP神经网络算法是一种多层前向网络，进行单向传播，由输入层、隐含层、输出层组成，输入层分析的是对光伏发电系统输出功率影响较大的因素；隐含层利用试凑法，先计算出估计值再进行一定的修改；输出层预测光伏发电系统的输出功率。

BP神经网络算法的预测模型结构如图3所示。

3.1.4支持向量机
支持向量机是以结构风险最小化为原则的一种统计学习算法，对神经网络算法的局部较小、收敛速度
慢等缺陷有一定的完善，支持向量机将数据反映到高维特征的空间内，构造出最优超平面，再进行分类和回归计算，可以有效地将本身的非线性问题转换成高维空间的线性问题，可有效提升学习机的推广能力，广泛应用于解决小样本的高维数和非线性问题。

支持向量机分为输入层、输出层、核函数层，其中核函数层的选取会严重影响预测光伏发电系统输出功率的准确性[5]。

图3BP神经网络算法的预测模型结构图
3.1.5组合预测法
组合预测法是综合利用多种预测光伏发电系统输出功率方法的数据信息，对提升预测的准确性、精准度等具有重要的作用。

组合预测法包括定常权组合预测法、变权重组合预测法，以绝对误差为确定标准，确保组合预测法预测的结果比各个单独的预测方法预测的结果的准确性高，但目前采用变权重组合预测法的实践较少。

3.2间接预测法
间接预测法主要为光伏发电系统的各个过程建立模型，包括发电站的地理位置、光伏组件的输出功率曲线等信息技术参数，再分析未来的天气变化信息，预测光伏发电系统的输出功率。

采用统计分析法将一些历史数据进行分析统计，也可以从一定程度上提升预测的精准性。

对光伏发电系统影响较大的天气因素为太阳的辐照度，利用间接预测法预测太阳辐照度时大多采用持续预测、随机时间序列法、模糊逻辑法、卫星数据、天气预报等方式，但根据相关的调查分析发现，天气预报预测的太阳辐照度数据较为准确，预测效果较好。

3.3预测模型比较
光伏发电系统的构件、发电流程、转换效率等都较为复杂，采用独立核心器件建模是以选取的核心模块为主，简化处理了一些环节，建立的是元件组合模型，可以有效突出结构重点，满足工程应用的需求，对提升运算预测的速度也具有积极的作用。

光伏发电站
（下转第38页）
y i
预测日08：00—17：00
：x1－x9
相似日08：00—16：00
：
International wireless communications&mobile computing
conference（IWCMC），Tangier：IEEE，2019：763-768.
[4]黄伦，刘沛，谭涛.智能垃圾分拣系统的模拟与实现[J].机
电工程，2014，31（11）：1452-1456.
[5]SALIMI I，DEW ANTARAB S B，WIBOWO I K.Visual-based
trash detection and classification system for smart trash bin
robot[C]//2018International electronics wymposium on
knowledge creation and intelligent computing（IES-KCIC），Bali：IEEE，2018：378-383.
[6]WIDIASTIWI Y，SATRIA C A.The effectiveness of utilizing
IoT-based smart trash[C]//2020International conference on
informatics，multimedia，cyber and information system
（ICIMCIS），Jakarta：IEEE，2020：290-295.
[7]AZWAR A G，LALUMA R H，HALIM R P，et al.Smart trash
monitoring system design using nodeMCU-based
IoT[C]//2019IEEE13th international conference on
telecommunication systems，services，and applications
（TSSA），Bali：IEEE，2019：67-71.
[8]马浚刚，朱振兴，杨梦龙，等.STM32F103C8T6的语音识
别智能垃圾桶[J].电子世界，2021（14）：104-106. [9]魏子瑄，刘小刚，陈真贵，等.基于语音识别技术的智能
分类垃圾桶[J].单片机与嵌入式系统应用，2020，20（1）：79-82.
[10]CHENG Y H，RUAN H K，LIAW J J，et al.Smart home trash
can based on artificial intelligence technologies[C]//2020
International symposium on computer，consumer and control
（IS3C），Taichung City：IEEE，2020：53-56.
[11]WIDIASTIWI Y，SATRIA C A.The effectiveness of utilizing
IoT-based smart trash[C]//2020International conference on
informatics，multimedia，cyber and information system
（ICIMCIS），Jakarta：IEEE，2020：290-295.
[12]JIANG C，CHEN N.A framework design of smart trash cans
management system[C]//20196th International conference
on systems and informatics（ICSAI），Shanghai：IEEE，2019：973-977.
[13]康庄，杨杰，郭濠奇.基于机器视觉的垃圾自动分类系统
设计[J].浙江大学学报（工学版），2020，54（7）：1272-1280，1307.
[14]陈璨.基于OpenMV的螺旋埋弧焊钢管焊缝跟踪系统研究
[D].荆州：长江大学，2019.
[15]李遥，丁艺涛，潘登，等.基于机器视觉的银行ATM机风
险报警系统[J].科技视界，2019（19）：53-55.
[16]朱建明.输变电设备物联网关键技术研究[J].中国设备工
程，2020（5）：26-27.
————————
作者简介：施允洋（1988—），男，江苏宿迁人，硕士，实验师，研究方向为电子设计、新能源应用。

（编辑：张超）
————————————————————————————————————————————————（上接第33页）
的建设初期都会选择平整的场地，因此建模只需对光伏发电系统内部的结构、电池板的倾斜角度等常规部分进行考虑，但目前很多发电站建设在山区等地形复杂的地区，甚至还有多样的串联、并联发生，对建模的准确性带来了一定程度的影响，因此需要根据实际情况进行模型的修正。

4结束语
太阳能作为一种可再生资源，不仅帮助缓解了世界的能源危机，太阳能的环保性对改善生态环境也具有重要的作用。

通过调查分析大量国内外相关文献资料，阐述了光伏发电系统、光伏发电系统预测的意义等，分析了光伏发电系统的输出特性，提出光伏发电系统输出功率预测方法，其中直接预测方法包括多元线性回归算法、马尔科夫链预测、BP神经网络算法、支持向量机、组合预测法等，直接预测法和间接预测法都可帮助建立光伏发电站出力模型，提升预测的精度，提升光伏发电系统的稳定性、安全性等，提高发电质量。

参考文献：
[1]杨博.基于改进遗传算法的光伏发电系统功率预测及控制
技术分析[J].电脑编程技巧与维护，2021（9）：46-48. [2]吴硕.光伏发电系统功率预测方法研究综述[J].热能动力
工程，2021，36（8）：1-7.
[3]韩超杰.光伏发电系统功率预测方法的研究[D].郑州：华北
水利水电大学，2021.
[4]张博文.光伏发电系统功率预测及控制技术研究[D].重庆：
重庆理工大学，2020.
[5]陈高.光伏发电系统的功率预测与接入影响研究[D].昆明：
昆明理工大学，2017.
————————
作者简介：夏权（1983—），男，甘肃兰州人，硕士，高级工程师，研究方向为农业气象与生态、气候资源开发利用。

（编辑：严丽琴）。