晴天光伏发电功率的日内变化规律及预测方法研究

2020-04-28杨阳，练冲，马超

天津大学学报(自然科学与工程技术版) 2020年6期

杨阳，练冲，马超

杨阳，练冲，马超

(天津大学水利工程仿真与安全国家重点实验室，天津 300072)

针对晴天天气类型，研究了光伏发电功率的日内和年内尺度的变化规律，根据晴天出力变化速率曲线的特性，提出晴天光伏发电功率预测模型，在晴天光伏发电功率预测模型的基础上，根据光功率实时监测信息，加入分阶段实时修正系统，实现了日前预测与超短期预测相融合，提高了预测精度．黄河上游共和光伏电站实例应用结果表明：所提出的晴天光伏发电功率预测模型的总体平均预测误差在2%以下，用于光伏发电功率预测的其他方法如线性回归、神经网络、支持向量机等在相同条件下的预测误差区间为8%～20%，故所提出的方法预测精度有大幅度提高．该模型的输入值都是基于光伏电站自身的出力特性提取的，不需要辐射量、云层、气压、降水量等难以获取的信息，是一种简单并实用的创新预测方法．

光伏发电；出力变化规律；功率预测模型；实时修正

随着世界常规能源的消耗，为了缓解能源危机和降低环境污染，太阳能作为一种绿色环保的可再生能源，已经得到广泛的开发和应用．由于受自然气象条件的影响，光伏发电具有波动性和随机性．大规模光伏发电接入电网，给电力系统运行和调度带来较大影响，成为太阳能光伏利用的最大难题．因此，光伏发电功率的预测对推动太阳能的利用具有重要意义．

随着太阳能光伏发电量在各国电网总电量中所占比例的不断增加，各国学者大力研究并改进光功率预测技术和方法，以期提高光伏电站的并网电能质量．光伏发电功率预测方法的已有研究文献中，按照预测方法可分为时程统计预测方法、物理模型预测方法两大类．时程统计预测方法根据历史气象数据和光伏功率数据进行统计建模，找出历史数据蕴含的规律或者模式并进行预测，是国内外并网光伏电站业务运行采用最多的预测方法．单一的传统算法由于其自身的缺陷性导致预测精度低，文献[1-6]对单一的传统学习算法进行了改进，文献[7-12]将两种及以上学习算法相结合以克服单一算法的自身缺陷，对光伏发电系统预测模型进行优化．时程统计预测方法的总体平均预测误差在8.0%～20.0%之间．物理模型类预测方法充分考虑了降水、云等天气状况，文献[13-16]提出基于地基云图的光伏发电系统功率预测模型，文献[17-20]将卫星云图的数据作为输入，提出基于卫星云图的光伏发电系统功率预测模型．由于云团识别、云层高度获取难度大，目前，物理模型类预测方法尚未成熟，但为国内外大型并网光伏电站出力预测技术提供了新的发展方向．

综上所述，时程统计预测方法简单易行，但预测精度仍有待提高；物理模型预测方法因所需参数多且技术难度大尚未成熟．此外，环境因素对光伏发电功率的影响较大，且不同天气模式的环境因素对光伏发电功率的影响不同，目前尚鲜有学者提出一种可以适用于所有天气模式且在不同天气模式下均达到精度要求的光伏发电功率预测模型．本文针对上述研究现状，提出不同天气模式应采用不同的预测方法，并针对晴天天气模式，通过对晴天出力变化速率的分析提取出力变化特征点，提出基于日、年发电功率变化规律的晴天光伏发电功率预测模型，并在日前预测基础上通过分阶段实时修正实现对光伏发电功率的超短期预测，是一种将日前预测与超短期预测相融合的针对晴天天气模式的光伏电站发电功率预测模型．

1 研究对象及晴天光伏发电功率的年、日变化规律

1.1 研究对象

共和光伏实证基地位于青海省海南州共和县光伏发电园区内，是我国目前最大的户外实证基地．实证基地总装机容量为100MW，占地面积约为3.32km2，工程场址位于N36°07'46.85"～N36°08' 23.15"，E100°32'5.75"～E100°34'10"，平均海拔2900m，太阳能资源丰富，年均太阳辐射量可达6564.26MJ/m2．本文以共和实证基地中装机容量为1MW的固定式CC18子阵为研究对象，依据2017年原始出力数据(以5min为采集时间步长)对其晴天出力变化规律进行研究．

1.2 晴天光伏发电功率的年、日变化规律

1.2.1 晴天出力曲线

晴天天气模式的光伏电站出力曲线较平滑，由于研究区域为固定式光伏电站，出力曲线形状为比较规则的“馒头状”．典型晴天出力曲线如图1(a)所示．

青海属于高原大陆性气候，具有气温低、昼夜温差大、降雨少而集中、日照长、太阳辐射强等特点．冬季严寒而漫长，夏季凉爽而短促，年降雨量为250～550mm，主要集中于7—9月，各地区有较明显的季节差异．由于气候的季节差异，晴天模式下的光伏电站出力特征也有一定的差异．选择冬季代表月份1月、夏季代表月份7月，两个月的实测晴天出力过程曲线如图1(b)所示．

图1 晴天出力曲线

由图1(b)可知，1月、7月晴天出力过程均为规则的“馒头状”，但仍具有较明显的季节特性：

(1) 1月晴天较多，7月属于雨季，阴雨天较多，晴天较少；

(2) 7月晴天出力峰值低于1月，但7月日出时间较早，日落时间较晚，日照时长大于1月；

(3) 出力过程曲线与时间坐标轴所形成的图形面积为日发电量，7月出力曲线与横坐标所形成的图形面积明显大于1月，即7月晴天的日发电量大于 1月．

1月和7月晴天光伏平均出力峰值、平均日照时长、平均日发电量的数据对比如表1所示．

表1 1月和7月晴天光伏出力数据对比

Tab.1 Comparison of PV output data for January and July

1.2.2 出力变化速率

为了研究晴天光伏发电出力在日内的变化规律，计算各时刻的出力变化速率来反映出力在某时段变化的快慢程度，即

式中：y(t)为t时刻的出力值，kW；∆t为数据采集的时间间隔；k(t)为t时刻出力变化速率，kW/min．晴天出力变化速率曲线如图2所示．

晴天的出力变化速率上午恒为正值，下午恒为负值，代表晴天出力在上午呈递增趋势，下午呈递减趋势．晴天出力变化速率曲线较平滑，规律性较强，在出力时间范围内可分为3个区间，分别为段、段、段：段为出力变化速率值从零点上升至最大值，段为出力变化速率值从最大值下降至最小值，段为出力变化速率值从最小值回升至零点．

由图2(b)可知，1月、7月晴天出力变化速率也具有明显的季节特性：

(1) 1月晴天出力变化速率最大值、最小值的绝对值均大于7月的变化速率；

(2) 受日照时长的影响，1月晴天出力变化速率最大值出现的时刻晚于7月，变化速率最小值出现的时刻早于7月．

2 晴天光伏发电功率的预测及实时修正方法

2.1 出力变化特征点

如图2(a)所示，将晴天出力变化速率曲线中的5个节点作为出力变化特征点．特征点横坐标代表时间，纵坐标代表该时刻的出力变化速率，特征点坐标分别表示如下：

出力变化特征点、出力变化速率的季节特性分别如图3和图4所示．

由图3和图4可得特征点的年内变化规律如下：

(1) 特征点最早出现在06：00，最晚出现在08：30，夏季较早，冬季较晚，代表夏季的日出时间早于冬季；

(2) 特征点最早出现在08：30，最晚出现在09：40，夏季较早，冬季较晚，与日出时间的时间间隔夏季大于冬季；特征点的出力变化速率值5—9月较小，其他月份较大；

(3) 特征点在一年内变化较小，均出现在13：30左右；

(4) 特征点最早出现在17：00，最晚出现在18：20，冬季较早，夏季较晚，与日落时间的时间间隔夏季大于冬季，且与特征点的出力变化速率绝对值的年内变化趋势基本一致；

(5) 特征点最早出现在18：00，最晚出现在20：40，冬季较早，夏季较晚，代表夏季的日落时间晚于冬季．

图3 出力变化特征点的季节特性

图4 出力变化速率的季节特性

2.2 晴天光伏发电功率预测模型

根据出力变化特征点及出力变化速率的季节特性，可预测特征点坐标．由特征点、、、的坐标可得到出力变化速率预测曲线()为

出力变化速率曲线可由出力过程曲线求导而得，反之，通过对出力变化速率曲线求积分也可反推其出力过程曲线．因此，对出力变化速率预测曲线()求积分，可得光伏电站出力过程预测曲线()，从而实现了晴天天气模式下的光伏发电功率的日前预测．

2.3 实时修正方法

本文提出基于光功率监测信息的分阶段发电功率实时修正方法．该方法在日前预测的基础上，根据新增光功率实测信息对出力变化速率预测曲线进行修正，阶段性更新光伏发电功率预测曲线，实现基于日前预测的光伏发电功率的超短期预测．具体实现步骤如下.

步骤1监测光伏电站实际发电功率，判定其与初始预测值的差别和两者间的偏差趋势．当连续个点的发电功率实测值与初始预测值出现偏差且偏差呈递增趋势时，应对出现偏差点之后的出力变化速率初始预测曲线进行修正．偏差判定点数的选择应依据实际出力监测时间步长和期望修订时间精度决定，但至少不少于3个点．

步骤2 根据光功率实测值，计算出现偏差的个点的出力变化速率值，并作为个新增实测点对出力变化速率预测曲线进行分阶段实时修正．修正出力变化速率曲线的过程中，出力变化速率曲线应满足要求

根据特征点及新增实测点，对出力变化速率预测曲线分段拟合修正：

(1)段：将个新增实测点与特征点、对出力变化速率预测曲线段进行拟合修正；

(2)段：将个新增实测点与特征点、、对出力变化速率预测曲线段进行拟合修正；

(3)段：将个新增实测点与特征点、对出力变化速率预测曲线段进行拟合修正；

(4)段：将个新增实测与特征点、对出力变化速率预测曲线段进行拟合修正．

步骤3 以当前时刻的光伏发电功率实测值为基点，对修正后的出力变化速率预测曲线求积分，得到光伏发电功率修正预测曲线．

利用基于光功率监测信息的分阶段发电功率实时修正方法融合分阶段发电功率实时修正方法的晴天光伏发电功率预测模型及实时修正系统如图5 所示．

图5 晴天光伏发电功率预测模型及实时修正系统

3 实例应用和分析

3.1 模型验证

选取2018年1月、4月、7月、10月某晴天，分别代表冬季、春季、夏季、秋季，对青海省共和光伏实证基地CC18子阵光伏电站的发电功率进行预测，并用其实测数据对模型进行验证．

实际出力监测时间步长为5min，期望修订时间精度为15min，故取＝3．以1月某晴天为例，基于日前预测，根据新增光功率实测信息，段预测精度较高，不需修正．段内，在＝11：25时进行第1次修正：由3个新增实测点及特征点、、，拟合修正段出力变化速率预测曲线，得到出力变化速率修正预测值1(指对初始预测进行第1次修改所得值)，并对在[11：25，4]区间内出力变化速率修正预测值1求积分，得到光伏发电功率修正预测值1．段中，基于修正预测值1，在＝13：50时进行第2次修正：由3个新增实测点及特征点、，拟合修正段出力变化速率预测曲线，得到出力变化速率修正预测值2(指对初始预测进行第2次修改所得值)，并对在[13：50，4]区间内的出力变化速率修正预测值2求积分，得到光伏发电功率修正预测值2．段预测精度较高，不需要修正．1月某晴天出力变化速率及光伏发电功率实测值、初始预测曲线及修正预测曲线如图6所示．

图6 1月某晴天出力变化速率及光伏发电功率预测曲线

4月、7月、10月某晴天光伏发电功率实测值、初始预测曲线及修正预测曲线如图7所示．

3.2 预测结果分析与比较

1月、4月、7月、10月某晴天的日发电量实测值、日发电量初始预测值、初始预测误差、修正预测误差如表2所示．结果表明，日前预测的总体预测精度可达98.0%．在日前预测的基础上，加入实时修正系统后，预测精度进一步提高，总体预测精度可达99.5%．

目前已有的光伏功率预测文献根据不同天气类型对现有的其他预测模型进行精度验证[21-24]．用于光伏功率预测的其他方法如线性回归、神经网络、支持向量机等在晴天天气类型下的日发电量预测精度如表3所示．

用于光伏功率预测的其他方法如线性回归、神经网络、支持向量机等在晴天天气类型下的日发电量预测误差区间为8%～20%，本文所提出的方法在相同条件下的预测误差在2%以内，大幅度提高了预测精度．此外，该模型的所有输入值都是基于光伏电站自身的出力特性提取的，不需要输入辐射量、云层、气压、降水量等难以获取的信息．因此，该方法具有既简单、预测精度又高的优势，适用于晴天天气模式的光伏发电功率的日前预测及超短期预测．

图7 4月、7月、10月某晴天光伏发电功率预测曲线

表2 光伏发电功率预测结果分析

Tab.2 Analysis of photovoltaic power prediction results

表3 其他预测模型晴天日发电量预测精度

Tab.3 Forecastingaccuracies of other models on sunny days

4 结语

本文根据黄河上游共和光伏电站的历史出力数据，针对晴天天气类型，研究了光伏发电功率的日、年尺度的变化规律，提取出力变化特征点并作为模型输入，提出基于年日发电功率变化规律的晴天光伏发电功率预测模型．该模型采用5min的时间步长，加入实时监测系统及分阶段的实时修正系统，实现日前预测与超短期预测相融合的光伏发电功率预测．结果表明，日前预测的总体预测精度可达98.0%，加入实时修正系统后预测精度进一步提高，总体预测精度可达99.5%．

线性回归、神经网络、支持向量机等用于光伏功率预测的方法在相同条件下预测误差区间为8%～20%，所提模型的输入值都是基于光伏电站自身的出力特性提取，具有方法简单、预测精度高的优势．将日前预测与超短期预测相融合，实用性更强，可运用于各大小型光伏电站的晴天天气模式的日前预测及超短期预测，同时可以作为光伏电站其他天气类型的功率预测的基础，对于光伏产业而言，具有较高的参考价值．

本文是针对晴天天气类型提出的光伏发电功率的预测方法，下一步可在晴天模式的基础上，根据不同天气模式下光伏发电功率的不同特征，提出适用于不同天气类型的不同预测方法．

［1］丁明，徐宁舟. 基于马尔可夫链的光伏发电系统输出功率短期预测方法[J]. 电网技术，2011，35(1)：152-157.

Ding Ming，Xu Ningzhou. A method to forecast short-term output power of photovoltaic generation system based on Markov chain[J]. Power System Technology，2011，35(1)：152-157(in Chinese).

［2］张立影，孟令甲，王泽忠. 基于双层 BP 神经网络的光伏电站输出功率预测[J]. 电测与仪表，2015，52(11)：31-35.

Zhang Liying，Meng Lingjia，Wang Zezhong. Photovoltaic power station output power prediction based on the double BP neural network[J]. Electrical Measurement & Instrumentation，2015，52(11)：31-35(in Chinese).

［3］徐浩，潘玉春，翟剑华，等. 适用于光功率预测的神经网络研究[J]. 中国高新技术企业，2015，(26)：16-18.

Xu Hao，Pan Yuchun，Zhai Jianhua，et al. Research on neural network applicable to optical power forecasting[J]. China High-Tech Enterprises，2015(26)：16-18(in Chinese).

［4］陈晓娟，徐梦，赵亮，等. 基于改进 Elman 神经网络的光功率预测方法[J]. 光通信技术，2016，40(8)：12-14.

Chen Xiaojuan，Xu Meng，Zhao Liang，et al. Optical power prediction method based on improved Elman neural network[J]. Optical Communication Technology，2016，40(8)：12-14(in Chinese).

［5］周志兵. 基于改进分数阶卡尔曼滤波的光伏发电功率预测算法[J]. 电器与能效管理技术，2017，4(9)：41-45.

Zhou Zhibing. Prediction algorithm of photovoltaic power based on modified fractional Kalman filter[J]. Electrical & Energy Management Technology，2017，4(9)：41-45(in Chinese).

［6］丁明，王磊，毕锐. 基于改进 BP 神经网络的光伏发电系统输出功率短期预测模型[J]. 电力系统保护与控制，2012，40(11)：93-99.

Ding Ming，Wang Lei，Bi Rui. A short-term prediction model to forecast output power of photovoltaic system based on improved BP neural network[J]. Power System Protection and Control，2012，40(11)：93-99(in Chinese).

［7］阳霜，罗滇生，何洪英，等. 基于 EMD-LSSVM 的光伏发电系统功率预测方法研究[J]. 太阳能学报，2016，37(6)：1387-1395.

Yang Shuang，Luo Diansheng，He Hongying，et al. Output power forecast of PV power system based on EMD-LSSVM model[J]. Acta Energiae Solaris Sinica，2016，37(6)：1387-1395(in Chinese).

［8］ Mandal P，Senjyu T，Uezato K，et al. Forecasting several-hours-ahead electricity demand using neural network[C]// IEEE International Conference on Electric Utility Deregulation. Hong Kong，China，2004：515-521.

［9］朱红路，李旭，姚建曦，等. 基于小波分析与神经网络的光伏电站功率预测方法[J]. 太阳能学报，2015，36(11)：2725-2730.

Zhu Honglu，Li Xu，Yao Jianxi，et al. The power prediction method for photovoltaic power station based on wavelet analysis and neural networks[J]. Acta Energiae Solaris Sinica，2015，36(11)：2725-2730(in Chinese).

［10］王林. 基于ARIMA-SVM组合模型的光功率趋势预测新方法[J]. 电力信息与通信技术，2015，13(12)：94-99.

Wang Lin. A new method of optical power trend forecasting using ARIMA-SVM combination model[J]. Electric Power Information and Communication Technology，2015，13(12)：94-99(in Chinese).

［11］郑凌蔚，刘士荣，毛军科，等. 一种综合ANFIS和PCA的光伏发电功率预测新方法[J]. 太阳能学报，2012，33(6)：993-1001.

Zheng Lingwei，Liu Shirong，Mao Junke，et al. A new PV generation power forecasting method integrating ANFIS and PCA[J]. Acta Energiae Solaris Sinica，2012，33(6)：993-1001(in Chinese).

［12］王飞，米增强，杨奇逊，等. 基于神经网络与关联数据的光伏电站发电功率预测方法[J]. 太阳能学报，2012，33(7)：1171-1177.

Wang Fei，Mi Zengqiang，Yang Qixun，et al. Power forecasting approach of PV plant based on ANN and relevant data[J]. Acta Energiae Solaris Sinica，2012，33(7)：1171-1177(in Chinese).

［13］朱想，周海，朱婷婷. 光伏系统中地基云图的预处理[J]. 电力系统自动化，2018，42(6)：140-145.

Zhu Xiang，Zhou Hai，Zhu Tingting. Pre-processing of ground-based cloud images in photovoltaic system[J]. Automation of Electric Power Systems，2018，42(6)：140-145(in Chinese).

［14］陈志宝，丁杰，周海，等. 地基云图结合径向基函数人工神经网络的光伏功率超短期预测模型[J]. 中国电机工程学报，2015，35(3)：561-567.

Chen Zhibao，Ding Jie，Zhou Hai，et al. A model of very short-term photovoltaic power forecasting based on ground-based cloud images and RBF neural network[J]. Proceedings of the CSEE，2015，35(3)：561-567(in Chinese).

［15］ Calbó J，Sabburg J. Feature extraction from whole-sky ground-based images for cloud-type recognition[J]. Journal of Atmospheric and Oceanic Technology，2008，25(1)：3-14.

［16］ Cheng H Y，Yu C C. Block-based cloud classification with statistical features and distribution of local texture features[J]. Atmospheric Measurement Techniques，2015，8(3)：1173-1182.

［17］ Lorenz E，Hurka J，Heinemann D，et al. Irradiance forecasting for the power prediction of grid-connected photovoltaic systems[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2009，2(1)：2-10.

［18］ Marquez R，Coimbra C F M. Forecasting of global and direct solar irradiance using stochastic learning methods，ground experiments and the NWS database[J]. Solar Energy，2011，85(5)：746-756.

［19］ Perez R，Kivalov S，Schlemmer J，et al. Validation of short and medium term operational solar radiation forecasts in the US[J]. Solar Energy，2010，84(12)：2161-2172.

［20］刘科峰，张韧，孙照渤. 基于交叉相关法的卫星云图中云团移动的短时预测[J]. 中国图象图形学报，2006，11(4)：586-591.

Liu Kefeng，Zhang Ren，Sun Zhaobo. A cloud movement short-time forecast based on cross-correlation[J]. Journal of Image and Graphics，2006，11(4)：586-591(in Chinese).

［21］李光明，刘祖明，何京鸿，等. 基于多元线性回归模型的并网光伏发电系统发电量预测研究[J]. 现代电力，2011，28(2)：43-48.

Li Guangming，Liu Zuming，He Jinghong，et al. Study on the generator forecasting of grid-connected PV power system based on multivariate linear regression model[J]. Modern Electric Power，2011，28(2)：43-48(in Chinese).

［22］成珂，郭黎明，王亚昆. 聚类分析在光伏发电量预测中的应用研究[J]. 可再生能源，2017，35(5)：696-701.

Cheng Ke，Guo Liming，Wang Yakun. Application of cluster analysis in forecasting photovoltaic power generation[J]. Renewable Energy Resources，2017，35(5)：696-701(in Chinese).

［23］张玉，万成伟. 基于模糊神经网络的光伏发电量短期预测[J]. 设计电子工程，2017，25(2)：150-153.

Zhang Yu，Wan Chengwei. Photovoltaic power short-term prediction based on fuzzy neural network[J]. Electronic Design Engineering，2017，25(2)：150-153(in Chinese).

［24］廖卫强，张认成，俞万能，等. 基于相似样本及PCA的光伏输出功率预测[J]. 太阳能学报，2016，37(9)：2377-2385.

Liao Weiqiang，Zhang Rencheng，Yu Wanneng，et al. Prediction of output power of photovoltaic based on similar samples and principal component analysis[J]. Acta Energiae Solaris Sinica，2016，37(9)：2377-2385(in Chinese).

Daily Variation Laws and Prediction Methods in Photovoltaic Power Generation on Sunny Days

Yang Yang，Lian Chong，Ma Chao

(State Key Laboratory of Hydraulic Engineering Simulation and Safety，Tianjin University，Tianjin 300072，China)