分布式光伏电站功率预测与储能模组设计研究

崔 永

（中国水电建设集团十五工程局有限公司，陕西 西安 710086）

0 引言

预测光伏电站的功率可以更好地进行电力市场调度和制定发电计划，降低因天气等自然因素造成的电力波动和浪费，提高光伏电站的发电效率和经济效益。储能模组的有效应用有助于实现分布式光伏电站电能的储存，使光伏电站能够在低负荷期间进行电能储存，在高负荷期间释放储存的电能，从而优化能源消费结构，提高能源利用率，降低能源成本。该文研究了分布式光伏电站功率预测与储能模组，能够有效降低因能源波动，并减少供需不平衡造成的能源浪费。对广域气象资源数据进行网格化处理，采用反距离权重（IDW）插值法等构建光伏功率预测模型，根据预测误差值对储能系统充放电功率进行控制，并应用PID 控制算法实现了对基于分布式光伏电站功率预测的储能模组充放电功率进行控制。通过分析测试计算结果，证实了PID 控制算法能够用于分布式光伏电站功率预测储能模组，有助于对实际功率进行精细控制，实现对分布式光伏电站充放电功率的精确调节。

1 光伏功率预测模型

1.1 数据收集处理

由于分布式光伏电站装机容量相对较小，基本没有安装固定的能源资源监测装置，测试光伏功率期间，如果直接根据距离光伏电站最近的点数据对其进行光伏功率预估，可能存在精度不高的问题。基于上述因素的影响，该文对广域气象资源数据进行网格化处理，目的在于将分布不规则的气象数据转换为规则的网格数据，以方便对光伏电站进行地理插值计算。通过将广域气象资源数据根据经纬度坐标进行网格化处理，将数据离散化为一定大小的网格，每个网格对应一个经纬度范围。对每个光伏电站的经纬度位置利用网格化后的气象数据进行地理插值计算，获取该电站所在位置的气象数据，地理插值方法采用反距离权重（IDW）插值等方法[1]。

反距离权重（Inverse Distance Weighting，IDW）是一种经典的地理插值方法，它基于一种假设，即距离近的点之间存在较强的相似性。该方法假设待插值点与已知点之间的距离越近，则它们之间的差异性越小，权重越大。IDW 方法的计算公式如公式（1）所示。

式中：Z0为待插值点的值；Zi为已知点的值；wi为已知点与待插值点之间距离的倒数的权重值；n为已知点的个数[2]。

IDW 方法中的距离权重值计算方法如公式（2）所示。

式中：di为已知点与待插值点之间的距离；p为幂指数。

当p=1 时，权重值为距离的倒数，即线性插值；当p>1时，距离越小，权重值越大，插值结果受近处点的影响将更大，即逐渐趋于锐化；当p<1 时，距离越小，权重值越小，插值结果受远处点的影响将更大，即逐渐趋于平滑。

1.2 特征提取及模型预测

利用插值获取的气象数据可提取出光伏电站所需要的气象要素。通常预测分布式光伏电站功率的气象要素包括温度、辐射、风速和湿度等。采用LSTM 时间序列格式，可将气象数据按照时间顺序进行排序，并以时间为索引，将各气象要素列构成一个二维矩阵，便于模型对历史数据进行学习和预测。对基于统计特征的预测模型而言，可采用线性回归方式，将气象数据按照一定的时间间隔进行平均或聚合，计算出每个时间段内的统计特征值，以减少数据噪声，提高模型精度[3]。

线性回归的目标在于找到一组权重向量W和偏置项b，使预测值y_pred=XW+b与真实值y之间的误差最小，y_pred指预测的目标值向量，通过最小化损失函数进行实现，常用的损失函数为均方误差（MSE），如公式（3）所示。

式中：∑为对所有样本求和。

通过最小化损失函数可计算出权重向量W和偏置项b的值。最常用的方法为最小二乘法，即通过求解矩阵方程获得最优解，如公式（4）所示。

式中：XT为X的转置矩阵；（-l）为矩阵的逆；T 为乘方。

通过已经得到的权重向量W和偏置项b，可对新输入样本进行预测[4]。使用线性回归进行预测时，需要注意特征的选择和处理、模型的评估和调优，以确保预测结果的准确性和可靠性。

2 储能模组设计

2.1 能量管理

储能模组状态估计对电池单体SOC、SOH、温度、电压和电流等参数进行实时估计，以便于精确地掌握储能模组状态。状态估计的精度会直接影响储能模组的能量控制和故障诊断。储能模组能量控制通过储能模组的充放电策略控制、能量平衡控制等方式实现对储能模组能量的优化控制。能量控制技术对储能模组的运行效率、安全性和寿命等方面都有重要影响。储能模组故障诊断对储能模组的故障诊断和分析，及时发现和解决储能模组的故障问题，保障储能模组的运行安全。故障诊断技术对保障储能模组的安全运行和延长储能模组的寿命具有非常重要的作用。常用的故障诊断技术包括基于经验的故障诊断、基于模型的故障诊断以及基于数据挖掘的故障诊断等。

实现的途径主要有如下2 种：一是基于传统控制算法的实现途径，如PID 控制算法、模糊控制算法等；二是基于人工智能算法的实现途径，如神经网络控制算法、遗传控制算法等。基于传统控制算法的实现途径具有实现简单、易于掌握等优点，但对系统参数的精确度要求较高，难以满足高精度控制的需求；基于人工智能算法的实现途径具有高精度、适应性强等优点，但对算法的要求较高，需要大量的样本数据进行训练。

基于上述理论分析，结合分布式光伏电站建设的分散性、不均一性和离散化的特点，该文采用性价比较高的PID控制算法。

建立等效电路模型是储能系统能量管理的重要步骤之一，该文根据储能系统的特性和要求，选择经典R-C 电路模型。将储能模块看作一个电容器，容量为C，电压为Vc；将储能模块的内部电阻建模为一个电阻器，电阻为R；将输入电流建模为一个恒定的电流源Iin；将输出电流建模为一个与电容器电压成正比的电流源Iout=k·Vc（k为比例系数），可成功建立等效电路模型。该模型可对储能模块进行建模和仿真，进行不同充放电模式下的电压、电流和能量等参数计算分析[5]。

当输入电流Iin大于输出电流Iout时，电容器C 开始充电，电容器的电压Vc会随时间逐渐增加。此时，可以利用PID控制算法调整输入电流Iin，控制充电速率和充电时间，使电容器充电至指定的电压水平。当电容器电压达到设定值时，需要停止充电操作。当输出电流Iout大于输入电流Iin时，电容器C 开始放电，电容器的电压Vc会随时间逐渐降低。此时，可以利用控制算法来调整输出电流Iout，控制放电速率和放电时间，使电容器放电至指定的电压水平。当电容器电压降至设定值时，停止放电操作。在充电和放电过程中，需要实时监测输入电流和输出电流，并根据电容器电压和电阻值计算出电容器的能量，以保证储能模块的能量平衡，即输入能量等于输出能量。如果能量计算结果与实际输入、输出不平衡，则需要调整充放电控制算法，保证能量平衡。通过上述方法，可以实现经典R-C 电路模型的能量管理功能，控制储能模块的充放电过程，实现对能量的高效利用和储存。

2.2 控制充放电功率

储能装置的充放电功率控制是储能技术的核心之一，其关键技术和实现途径的不断完善和创新，将有助于提高储能系统的能量转换效率和使用寿命，进一步推动储能技术的发展和应用。在储能装置的充放电功率控制中，通过电池充电过程中的电流、电压、温度等参数监测技术对电池进行实时监测，可以保障充电过程中电池的安全性和稳定性，同时还可以提高充电效率并延长电池寿命。储能装置的充放电功率控制需要对储能系统进行优化管理，需要考虑储能系统的充电与放电策略，并通过优化充电和放电策略提高储能系统的充放电效率。同时还需要对储能系统进行安全管理，如过充、过放以及过温等情况的保护控制。

通过采用智能充电技术，可以实现对电池的高效充电控制和储能系统的智能管理。通过应用新型电池技术和充电技术，可以提高充电效率和储能系统的安全性能。通过运用人工智能等高新技术，可以对储能系统进行更精细的控制和管理。

储能模组的充放电功率控制可以通过PID 控制算法进一步实现。对被控制对象的测量数据进行比较，根据差值调整输出控制信号。PID 控制算法如公式（5）所示。

式中：u（t）为控制器的输出信号；e（t）为当前误差，即目标值与实际值之间的差距；Kp、Ki和Kd分别为比例系数、积分系数和微分系数；Kpe（t）为比例部分输出，用于对当前误差进行比例放大，使控制器对误差的反应更迅速；

通过比例、积分和微分3 个部分的组合，PID 控制器可以实现对储能模组充放电功率的精准控制，并在控制系统出现干扰或变化的情况下做出适应性响应，以确保系统的稳定性和可靠性。

3 集成测试

3.1 测试准备

分布式光伏电站功率预测与储能模组集成测试需要进行全面的硬件和软件准备，该文采用了华为Smart Logger 电力计量仪器、西克1041404 WTF12-3P2431 传感器等硬件设备，借助光伏发电功率预测模型及PID 控制算法等软件工具，运用线性回归功率预测算法对未来一段时间内的分布式光伏电站功率进行预测，并将预测结果与实际功率进行比较，计算预测误差。然后根据预测误差值调整储能系统的充放电功率控制，采用PID 控制算法对充放电功率进行控制。再对实际光伏电站功率、预测功率、控制器输出以及PID 参数等数据的变化趋势和相关性进行分析，获得分布式光伏电站功率预测与储能模组设计测试结果。

3.2 测试结果

3.2.1 光伏电站实际功率与预测功率误差分析

在光伏电站实际功率与预测功率的误差分析中，使用Python 中的scikit-learn 库进行线性回归模拟，对实际功率和预测功率之间的线性关系做进一步拟合。通过定义实际功率和预测功率的数组x和yfit（），将其转换为二维数组X和Y，然后创建一个LinearRegression 对象model。此时，使用fit（）方法对模型进行训练，使用predict（）方法计算预测值y_pred，并获取误差。误差值见表1。

表1 光伏电站实际功率与预测功率的误差分析值

表1 列出了光伏电站在不同时间下的实际功率、预测功率以及它们之间产生的误差。由表1 记录值可知，在多数情况下，分布式光伏电站预测功率与实际功率非常接近，误差小于0.5kW。

3.2.2 储能模组PID 控制器输出结果分析

设定PID 参数Kp=0.5、Ki=0.1、Kd=0.2，参考功率为10kW。根据PID 控制算法公式计算控制器输出功率、比例部分输出、积分部分输出和微分部分输出等误差。设定当前时间为t，当前功率为P，误差为e，则误差的计算如公式（6）所示。

式中：Pref为参考功率；t为时间；P（t）为当前功率。

设定时间t的取值为1~6，当前功率P（t）所得值见表2。

表2 当前控制器输出功率值

根据公式（5）可以计算出每个时间点的误差、比例部分输出、积分部分输出、微分部分输出和控制器输出，见表3。

表3 PID 控制器输出结果记录

分析表3 可知，目标功率Pref为10kW 时，实际功率P（t）在前3 个时刻均低于目标功率，后3 个时刻高于目标功率；误差e（t）随时间的推移发生波动，有正有负，但总体趋势是向目标功率靠近；比例部分输出Kpe（t）随误差的增大而增大，但未出现过冲的现象；积分部分输出随误差的积累而增大，但增长速度较慢；微分部分输出在波动较大情况下较为显著，对误差的变化速率有响应；控制器输出u（t）受比例、积分和微分部分输出的综合作用，逐步调整实际功率，最终趋向于目标功率。由此可得，PID控制器通过比例、积分和微分3 个部分的综合作用，可对基于分布式光伏电站功率预测与储能模组系统的实际功率进行精细控制，并将其维持在目标功率附近，能实现充放电功率的精确调节。

4 结语

该文对基于分布式光伏电站功率预测与储能模组进行了设计。对广域气象资源数据进行网格化处理，利用线性回归计算方式对地理差值气象数据进行模拟计算和分析，有效测算出光伏电站实际功率与预测功率的误差。并通过分析PID控制器输出功率得知预测误差在测试过程中虽呈现一定的波动性，但总体趋势为逐渐下降，能够满足分布式光伏电站功率预测储能需求，可以对分布式光伏电站的实际功率进行精细控制，实现了储能模组充放电功率的精确调节，有助于提高光伏发电系统的效率和经济效益，并推动可再生能源技术的可持续发展。