光伏发电超短时功率预测——以武威地区为例

陆兴旺，颜鲁薪，王登杰

（武威职业学院，甘肃 武威 733000）

1 发展趋势

近年来，光伏发电技术非常成熟，在我国具有广阔的应用前景。甘肃武威地区光照强，阳光充足，持续时间较长，为光伏发电产业的发展提供了有利条件。光伏发电功率的高效稳定输出很大程度上受到温度、湿度、压强、风级、直射、散射、总辐射以及地温等影响，因此需要对这些因素采样大量数据，分析变化规律，通过反向传播（Back Propagation，BP）神经网络数学建模测算数据的发展趋势，评测光伏发电功率的变化情况，将测算数据与实际比较，为后续电量稳定输出提供理论依据，提高光伏发电功率的预估计能力。

目前，依据数学建模预测光伏发电功率已经是主流趋势，比较流行的数学建模包括BP神经网络等。在BP神经网络预测中，主要预测温度、湿度、压强、风级、直射、散射、总辐射以及地温等因素的大量数据，由此分析参数的变化规律，预估未来数据变化趋势，再采用逆向误差法和多梯度测算，最后求解误差达到一个较为均衡且容易捕捉测算的数据。同时继续反复将温度、湿度、压强、风级、直射、散射、总辐射以及地温等多个因素数据考虑到输入中，输入层输入采样的信息数据，结合各种概率论算法得到相关联的数据，找到这些新数据的关系，再与输入数据逆向求误差，进一步逼近真实数据。

在数据误差分析中，通过BP神经网络相关计算和数据分析，反复测算数据，最终达到所期望的范围或者误差落入该范围与置信区间吻合，则功率预测基本完成。

为了得到温度、湿度、压强、风级、直射、散射、总辐射以及地温准确的变化规律，以2020年7月为例，集中采样影响光伏发电因素的大量数据，重点分析其变化趋势、特点和变化规律。

2 数据参数分析

2.1 温度和湿度数据分析

2020年7月份，武威地区雨水偏少，光照充足，光伏发电功率较大，发电效率较高，温度变化示意如图1所示。从图1中可以看出，7月份最低温度为20 ℃，最高为35 ℃，上下相差15 ℃，变化幅度较大。31个采样点中接近30 ℃的有10个，30 ℃以下有12个，剩余9个为30 ℃以上。光热能量比较集中，温度对光伏发电的功率预测影响较大，需要加装太阳能防护板和定期维护设备。

图1 温度变化示意

2020年7月1日—7月31日的湿度变化示意如图2所示。其中，湿度最高为70%，说明有雨水出现，雨水量较大，此时温度下降明显，最低为14%，并且有多个采样点在14%附近。从图中可以看出，整个7月份雨水较少，有利于光伏发电功率的预测。

图2 湿度变化示意

2.2 压强、风级分析

图3中显示的是大气压强在2020年7月份的走势图，预测为852～862 Pa，与实际压强相比，二者之间的误差较小，属于正常范围，是保证光伏发电功率正常输出的重要因素。

图3 大气压强的走势

图4为风级变化示意，通过数据分析，风级有起伏变化，且变化明显。可以看出，5～7级风力较多，10级和0级风速情况较少，基本符合武威地区7月份的风力情况。为了保证光伏平稳发电，需要加装固风、防沙的设备，减少对光伏发电产生的不利影响。

图4 风速变化示意

2.3 直射、散射、总辐射数据分析

2020年，7月18日的光照强度最集中、热度最高、光伏发电功率最大，其数据分析最具代表性，对光伏发电功率的分析具有重要的意义。

阳光直射示意如图5所示，可以很明显看到6:40—20:05一直有阳光辐射，整体呈现正态分布，其中12:30—14:15最为集中，辐射强度最高。在这个时间段，正是阳光最为强烈、温度最高的时刻，基本符合实际要求；同时此时光伏发电功率最大，设备也最易出现故障。因此需要充分考虑电网的承受能力和各个设备电路的稳定工作和运行状态，为光伏发电量的最大输出提供理论基础。

图5 阳光直射示意

图6为总辐射与直射、散射总和的对比。通过数据分析，总辐射与直射、散射的整体变化趋势近似，也符合辐射实测数据的结果，整体呈现正态分布。总辐射包含其他辐射、直射、散射，从图中可以看出对光伏发电功率影响最大的就是直射和散射。06:00—20:25，总辐射存在，此时光照一直存在，同时明显看出直射和散射也集中在这个范围。

图6 总辐射与直射、散射总和的对比

2.4 地温温度数据分析

随着光照强度上升，地温也在逐渐上升，以2020年7月28日为例，将地温变化情况实时分段，具体如表1所示。从表1可以看出，温度从07:55开始上升，在10:00时达到30 ℃以上，然后持续上升，在12:00后，出现了小高峰，也就是13:30，在13:35略有下降，但仍保持高温。在14:10达到第二个高峰，持续在45～46 ℃，之后温度略有下降，随着时间推移，下降幅度并不大，温度仍持续在至少31～35 ℃以上。期间地温会有微小变化，会受到外围因素的影响，如风力变大，直到在17:05又会出现一定的上升过程，此时也正是夕阳照射最为强烈的时候，温度上升到38.5 ℃，最后到18:00开始下降，此时已到傍晚，辐射下降，温度已经开始持续走低。20:25左右，天黑光线渐渐消失，这是地温下降明显的时候，此时温度下降到25 ℃左右，00:00时的温度下降到18 ℃左右。参照夏季实际情况，此数据正确，反映地温的实际情况。光伏发电的功率也是根据这一变换情况而发生变化，夜间的光伏板处于储能模式。

表1 地温变化趋势

通过以上数据分析，光照强度、直射、散射等这些因素对光伏发电功率影响较大，需要慎重测算设备的长期承受能力。因此，在实际应用中一定要严格按照技术参数控制容量，可以考虑加固设备与定期维护等措施稳定功率输出。

温度、湿度、压强、风级、直射、散射、总辐射以及地温等参数通过图表方式展示，一方面客观反映一天或者一个月的实际情况，得出分析结论，有助于BP神经网络数学建模，模拟未来光伏发电的变化规律；另一方面也必须反映实际变化规律，剔除不符合变化规律和实际情况的数据。继续通过BP神经网络对地表温度的反复逆向测算，将预测数据与实测数据控制在误差较小的范围内。

3 结 论

从多个角度和方面分析共性问题，找出主要问题，着力解决，重点突破。通过反复进行BP数学建模数据推算和优化BP神经网络算法等方法，融合更多因素，最终实现行之有效的预测的方式、方法。

在实际测算中，光伏发电考虑的因素较多，以上仅仅是举例说明温度、湿度、压强、风级、直射、散射、总辐射以及地温等因素。实际中还存在其他因素，包括人员对设备的操作、维护以及更换等，采样的数据必须足够准确，可靠且有规律。有了大量数据支撑，通过BP实现数学建模，反复测算，才能更好地提高和稳定光伏发电的功率，从而达到提升光伏发电功率的目的。