数值模式在太阳能出力分析中的应用研究

孙川永，彭友兵，高媛媛，于广亮，姜宁，魏磊

（1.西北电网有限公司，西安 710048；2.西安交通大学人居环境与建筑工程学院环境科学与技术系，西安 710049）

数值模式在太阳能出力分析中的应用研究

孙川永1，彭友兵2，高媛媛1，于广亮1，姜宁1，魏磊1

（1.西北电网有限公司，西安 710048；2.西安交通大学人居环境与建筑工程学院环境科学与技术系，西安 710049）

Project Supported by the Development and Utilization of Solar Energy in Northwest of Northwest China Grid Company Limited.

西北地区属全国太阳能资源丰富地区，除陕西中南部以外，其他地区年日照时数均在2500h以上，年辐射总量均超过5000M J/m2。“十二五”期间，西北太阳能光伏发电装机容量将有较大规模提升，根据规划，2015年前，青海将建成400万k W光伏电站，甘肃河西将建126万k W光伏电站，陕西将建50万k W光伏电站、宁夏将建成60万k W光伏电站。

光伏发电功率主要受光伏电池当时所接收太阳辐射强度的影响，而太阳辐射主要受下垫面地形、当时正午太阳高度角以及当时的气象因素所决定，由于地球自转及气象条件的影响，光伏发电功率会呈现出间歇式、随机波动的特点。图1、图2分别为敦煌地区某光伏电站在不同天气状况下的典型出力示意图，从图中可以看出，晴朗天气情况下，光伏电站出力曲线随着太阳高度角的变化呈现出类似于正弦半波的规则变化，中午13：00左右出力最大。当光伏电站所在地区处于阴雨、沙尘暴、雾霾等天气系统控制下，光伏电池所接受的太阳辐射就会随当时云层厚度、大气透明的影响而呈现出不规则的波动变化，进而导致光伏电站出力的不规则波动。

图1 光伏电站晴天日出力示意图Fig.1 Output diagram of the photovoltaic power station on sunny days

图2 光伏电站阴天日出力示意图Fig.2 Output diagram of the photovoltaic power station on cloudy days

随着光伏装机容量的增加，光伏发电的波动性会对系统的电压控制、调度计划、发电计划造成一系列的影响，因此有必要在综合考虑当地下垫面地形、气象条件等因素分析光伏电站的出力特性，为将来光伏电站大规模并网提供光伏电站出力计算方法与计算数据。相关研究也对此作出了较为详细的分析[1-2]。

1 数据和方法

本文采用美国国家大气研究中心的天气预报模式 Weather Researchand Forecasting Model(WRF，version 3.1.1），模拟光伏电站所在区域太阳辐射强度，再利用统计方法结合实际光伏电站出力，建立光伏电站出力与所计算的太阳辐射强度的转化关系，给出光伏电站出力模拟结果。WR F模式为完全可压非静力模式，采用区域嵌套方案，来实现所选择区域的高分辨率模拟，模拟采用三重嵌套方案，水平格距分别为36km，12km，4km，最内层格点数为 55×55。

采用美国的NCEP再分析资料作为模式的初始场和侧边界条件，本文所用光伏电站出力数据来自宁发电银川试验光伏电站接入宁夏长太线的2009年光伏电站出力数据，该光伏电站6月份装机为250kV，9月份装机为330kV。

2 光伏发电功率计算模型

2.1 神经元网络

人工神经网络（Artificial Network,ANN）是在现代神经生物学研究成果的基础上发展起来的一种模拟人脑信息处理机制的网络系统。由于其具有自学习、自组织的非线性映射能力，适合于一些信息复杂、知识背景不清楚和推理规则不明确问题的建模。自20世纪80年代中期以来，开始被应用于如数值预报产品释用、天气预报、预报质量保证等各个方面,同时在气候模式、短期气候预测、中短期天气预报、强对流天气和卫星资料处理等许多领域,也得到了广泛的应用[3-7]。

B P算法是目前应用最广泛的神经网络方法之一，其各种变化形式占了实际应用的80%～90%，很多研究者[8-12]对B P网络进行了深入研究，从不同的角度对B P网络进行了改进并取得了显著效果。

B P网络除输入输出节点外，还有一层或多层隐含节点，同层节点中没有任何连接。输入信号从输入层节点依次传过各隐含节点，然后传到输出层节点，每层节点的输出只影响下一层节点的输出。B P网络整体算法成熟，其信息处理能力来自于对简单非线性函数的多次复合。B P神经网络一般结构如图3所示。

图3 BP神经网络结构示意图Fig.3 The construction of neural network

其中，x为训练样本，y赞k（t）为网络的实际输出，yk（t）为网络的期望输出，wij为输入层节点i到隐含层节点j的权值，vjk为隐含层节点j到输出层节点k的权值，θj为隐含层节点j处的阈值，γt为输出节点t处的阈值，f（x）为激活函数。要实现全局误差函数E在曲面上按梯度下降，采用梯度规则，求E对输出层和隐含层的连接权和阈值的负梯度

B P算法的数学模型是求解如下函数的最优解问题按梯度下降原则，确定网络的引节点数和学习速率，对于隐含层的层数，许多学者做了理论的研究。根据L i p p m a n n[13]的研究可知，三层网络可以逼近任意一个连续的函数。后来R o b e r t H e c h t N i e l s e n[14]研究进一步指出：只有一个隐层的神经网络，只要节点足够多，就可以以任意精度逼近一个非线性的函数。因此，在该方法中隐层的数目设定为一层。又根据经验，隐节点数一般选在输入节点数的1～2倍之间时，能达到较好的效果。因此，在一个隐层、隐节点数为输入节点数的1～2倍之间这2个前提条件下进行计算。

在本研究中,B P网络采用三层网络，隐层的数目设定为一层。采用双曲型函数作为其激发函数，描述为：

2.2 光伏出力模型建模

利用2008年9月—2009年5月份的长太线出力资料与WR F模拟的太阳辐射强度数据通过神经网络方法对1:00—24:00各个时刻分别进行建模，逐小时进行模拟。预报因子为模式模拟地面所接受太阳辐射强度。

3 光伏电站出力模拟结果

图4与图5分别为2009年长太线6月与9月月平均光伏电站出力实测值与模拟值的对比图，由图可知，采用上述方法可以较好地反映光伏电站出力变化。

图4 2009年长太线6月月平均光伏电站出力对比图Fig.4 Comparison diagram of the average power output of the photovoltaic stations connected to the Chang-Tai transmission line in June 2009

图5 2009年长太线9月月平均光伏电站出力对比图Fig.5 Comparison diagram of the average power output of the photovoltaic stations connected to the Chang-Tai transmission line in September 2009

图6月与图7分别为2009年6月与9月长太线出力分布概率实际值与模拟值对比图，横坐标为最大出力比例，将光伏电站出力按从0至装机规模按比例分为10个等级，出力占光伏电站的装机比例分别为 10%、20%、30%、40%、50%、60%、70%、80%、90%、100%。纵坐标为出力概率，分别为6月与9月光伏电站出力各等级下发生的概率。对6月份与9月份出力分布概率进行对比，可以发现采用本文所述方法进行光伏电站出力模拟可以较好的模拟出光伏电站各出力分布状态。

图6 2009年6月长太线出力分布概率实际值与模拟值对比图Fig.6 Comparison diagram between the actual value and simulated value of distribution probability of the photovoltaic stations connected to the Chang-Tai transmission line in June 2009

图7 2009年9月长太线出力分布概率实际值与模拟值对比图Fig.7 Comparison diagram between the actual value and simulated value of distribution probability of the photovoltaic stations connected to the Chang-Tai transmission line in June 2009

4 结论

利用数值模式与统计预报相结合的方式进行了光伏电站24小时出力模拟实验。通过接入长太线光伏电站2009年6、9月份的实验结果得知：采用本文所述方法可以较好地模拟出光伏电站的平均出力与概率分布形式，利用此方法对光伏出力特性进行计算有一定的指导意义。

[1]兰华，廖志民，赵阳.基于ARMA模型的光伏电站出力预测[J].电测与仪表，2011（2）：36-40.

LAN Hua，LIAO Zhi-min，ZHAO Yang.ARMA model of the solar power station based on output prediction[J].Electrical Measurement&Instrumentation，2011（2）：36-40（in Chinese）.

[2]栗然，李广敏.基于支持向量机回归的光伏发电出力预测[J].中国电力，2008（2）：79-83.

LI Ran，LI Guang-min.Photovoltaic power generation outputforecastingbasedonsupportvectormachineregression technique[J].Electric Power，2008（2）：79-83（in Chinese）.

[3]HALL T，BROOKSH E，DOSWELLC A.Precipitation forecasting using a neuralnetwork[J].Weatherand Forecasting，1999，14:338-345.

[4]JIN L，JU W M，MIAO Q L.Study on Ann-based multistep prediction model of short-term climatic variation[J].Advances in Atmospheric Sciences，2000，17:157-164.

[5]MARZBAN C，WITT A.A bayesian neural network for severe-hail size prediction[J].Weather and Forecasting，2001，16:600-610.

[6]刘德，李晶，刘永华，等.BP神经网络在长期天气过程预报中的应用实验[J].气象科技，2006，34（3）：250-253.

LIUDe，LIJing，LIUYong-hua，etal.Applicationexperiment ofBP neuralnetworkmodelin long-term weather forecasts[J].Me-Teorologic-Al Science And Technology，2006，34（3）：250-253（in Chinese）.

[7]施丹平.人工神经网络方法在降水量级中期预报中的应用[J].气象，2001，27（6）:40-42.

SHI Dan-ping.An application of artificial neural network（ANN）to rainfall mid-range forecasting[J].Meteorological Monthly，2001，27（6）:40-42（in Chinese）.

[8]朱武亭，刘以建.BP网络应用中的问题及其解决[J].上海海事大学学报，2005，26（2）：68-70.

ZHU Wu-ting，LIU Yi-jian.Problems and solutions of BP neural network.Journal of Shanghai Maritime University，2005，26（2）：68-70（in Chinese）.

[9]曹均阔，舒远仲，叶水生.一种结构自组织的改进BP网络[J].计算机工程，2005，31（17）：165-167.

CAO Jun-kuo，SHU Yuan-zhong，YE Shui-sheng.A new structure adaptive improved neural network[J].Computer Engineering，2005，31（17）：165-167（in Chinese）.

[10]王正武，张瑞平，刘松.BP网络的一种改进学习方法[J].数学理论与应用，2005，25（1）：31-34.

WANG Zheng-wu，ZHANG Rui-ping，LIU Song.One improved BP neural network learning algorithm[J].Mathematical Theory and Application，2005，25（1）：31-34（in Chinese）.

[11]李宏刚，吕辉，李刚.一种BP神经网络的改进方法及其应用[J].中国工程科学，2005，7（5）:63-65.

[12]雷景生，康耀红.一种改进的BP算法[J].海南大学学报自然科学，2003，21（4）:326-329.

LEI Jing-sheng，KANG Yao-hong.An improved BP algorithm and its application[J].Natural Science Journal of Hainan University，2003，21（4）:326-329（in Chinese）.

[13]LIPPMANN R P.An introduction to computing with neural nets[J].IEEE ASSP Magazine，1987（4）:4-22.

[14]HECHT NIELSEN R.Theory of the backpropagation neural network[C].Internationaljointconference on neural networks，1989:593-605.

彭友兵（1981—），通讯作者，女，博士，主要从事气候资源评估、污染模拟、气候模拟。

Application of Numerical Model In Solar Energy

SUN Chuan-yong1，PENG You-bing2，GAO Yuan-yuan1，YU Guang-liang1，Jiang Ning1，WEI Lei1
（1.Northwest China Grid Company Limited，Xi’an 710048，Shaanxi，China；2.Department of Human Settlement and Civil Engineering，Xi’an Jiaotong University，Xi’an 710049，Shaanxi，China）

The NOAA Weather Research and Forecasting Model weather forecast model（WRF）is used together with the statistical correction method to make a simulation experiment for analyzing the output characteristics of the photovoltaic power stations connected to the Chang-Tai transmission in Ningxia.Compared with the actual average output,it is found that the simulation of the monthly 24-hour average output of the photovoltaic power stations is of higher accuracy.

photovoltaic power station；output characteristics；grid-connected；solar energy

利用NOAA天气预报模式Weather Research and Forecasting Model（WRF）结合统计订正方法，对接入宁夏长太线的光伏电站进行了出力特性分析模拟实验，与实际平均出力对比发现，月平均24h光伏电站出力模拟精度较高。

光伏电站；出力特性；并网；太阳能

西北电网有限公司管理项目西北太阳能发电开发与利用研究。

2012-05-31。

孙川永（1980—），男，博士，工程师，主要从事新能源资源评估与预测及新能源并网工作；

1674-3814（2012）08-0073-04

TM 615

A

（编辑 徐花荣）