APP下载

分布式光伏功率预测技术及其展望

2023-11-25张书伟薛瑞鹏赵丽萍

今日自动化 2023年8期
关键词:历史数据电站分布式

张书伟,薛瑞鹏,张 琴,赵丽萍

(国网冀北电力有限公司张家口供电公司,河北张家口 075000)

1 概述

分布式光伏是指分布在建筑屋顶或周围的小型光伏发电系统,具有分散式、规模小、可组合等特点。近年来,随着能源转型和绿色发展的推进,分布式光伏在电力系统中的地位越来越重要。根据国家能源局的数据,2022年我国分布式光伏新增装机达到25.87 GW,同比增长236.7%,呈现快速增长态势。其中,户用光伏新增装机量达到25.25 GW,占分布式光伏新增装机的49.4%。此外,根据国际原子能机构(IEA)的预测,到2024年,分布式光伏将占据全球光伏市场总量近一半,其中工商业分布式将成为主要市场。目前,我国工商业光伏市场规模也已经超过200 GW,并且随着城市化的不断推进,这一数字极有可能在2040年达到300 GW。这意味着,工商业分布式光伏的发展将成为我国实现“双碳”目标不可或缺的环节。

分布式光伏的经济性也在不断提升,尤其是在分布式光储项目中。通过结合峰谷时段合理利用储能系统,可以有效减少实际用电费用,同时通过峰谷价差套利,在用电低谷时利用低电价充电,在用电高峰时放电供给工商业用户。据IEA 预测,未来5 a,新增分布式光伏装机量的75%将来自于工商业分布式光伏。图1是一种典型的光伏应用场景。

图1 典型的光伏应用场景

综上所述,分布式光伏已经成为我国及全球实现“双碳”目标的重要手段之一。未来,随着技术的进步和市场规模的扩大,分布式光伏将在能源转型和绿色发展中发挥更加重要的作用。文章旨在综述分布式光伏功率预测方法的研究现状和发展趋势,详细阐述各种预测方法的原理、方法及优缺点,并通过分析现有研究的不足和未来发展方向,为相关领域的研究提供参考和借鉴。

2 分布式光伏功率预测方法

2.1 物理模型预测

物理模型预测是根据太阳辐射、温度等物理因素建立的光伏功率预测模型。该方法基于光伏电池的物理原理,通过分析太阳辐射、温度等物理因素对光伏电池转换效率的影响,预测光伏电站的功率输出。

以下是一种物理模型公式,用于预测分布式光伏电站的输出功率:

式中,P为光伏电站的输出功率,W;S为太阳辐照度,W/m2;η为光伏电池的转换效率,%;A为光伏电池的面积,m2;cosθ为太阳光的入射角,无量纲。

该公式假设光伏电池的性能是线性的,即光伏电池的转换效率与太阳辐照度、环境温度、组件温度等因素成线性关系。实际上,光伏电池的性能是非线性的,因此在实际应用中,还需要根据具体的光伏电池型号和工作环境条件进行校正和优化。

物理模型预测的优点是能够较为准确地反映光伏电池的性能和输出功率,适用于不同类型的光伏电池和电站。然而,物理模型预测需要较为准确的天气和环境数据,且计算复杂度较高,实时性较差[1]。

2.2 统计模型预测

分布式光伏功率预测的统计模型公式是通过分析历史数据,建立光伏电站功率输出与气象因素之间的统计关系,从而预测未来光伏电站的功率输出。具体来说,统计模型公式需要利用历史数据,包括光伏电站的功率输出数据和相关的气象数据(如太阳辐照度、环境温度等),通过统计分析方法,建立光伏电站功率输出与气象因素之间的统计关系。然后,根据未来气象数据的预测值预测未来光伏电站的功率输出。

常见的统计模型包括线性回归模型、支持向量机模型、神经网络模型等。其中,线性回归模型是一种简单而常用的统计模型,通过拟合回归方程来预测光伏电站的功率输出。支持向量机模型和神经网络模型则更加复杂,但具有更高的预测精度和泛化能力[2]。

统计模型公式具有以下优点:①适用于大量数据。统计模型公式可以利用大量的历史数据和气象数据进行训练和预测,从而提高预测精度。②简单易用。统计模型公式较为简单,容易理解和使用。③可解释性。统计模型公式具有较好的可解释性,能够清楚地说明光伏电站功率输出与气象因素之间的统计关系。

然而,统计模型公式也存在以下缺点:①数据依赖。统计模型公式的预测精度取决于历史数据的质量和数量,如果历史数据不完整或不准确,会影响预测精度。②无法处理非线性关系。统计模型公式通常假设光伏电站功率输出与气象因素之间存在线性关系,但实际上二者之间可能存在非线性关系,这会导致预测误差较大。③无法处理多变量问题。统计模型公式通常只考虑单个气象因素对光伏电站功率输出的影响,无法处理多变量问题。

以下是一种统计模型公式,基于线性回归模型,用于预测分布式光伏电站的功率输出:

式中,P为光伏电站的输出功率,W;S为太阳辐照度,W/m2;a和b为回归系数,需要根据历史数据通过线性回归方法求解。

该公式假设光伏电站的输出功率与太阳辐照度之间存在线性关系。在实际应用中,还需要考虑环境温度、组件温度、气象因素等多个变量的影响,可以将其扩展为多元线性回归模型。同时,为了提高预测精度,还可以使用其他统计模型方法,如支持向量机模型、神经网络模型等。

综上所述,分布式光伏功率预测的统计模型公式是通过分析历史数据,建立光伏电站功率输出与气象因素之间的统计关系,从而预测未来光伏电站的功率输出。该方法适用于大量数据,简单易用,具有可解释性,但存在数据依赖、无法处理非线性关系及多变量问题等缺点[3]。

2.3 人工智能模型预测

分布式光伏功率预测的人工智能模型原理是通过学习历史数据和气象数据的内在规律,建立光伏电站功率输出与气象因素之间的映射关系,从而预测未来光伏电站的功率输出。具体来说,人工智能模型通过学习历史数据,包括光伏电站的功率输出数据和相关的气象数据,掌握其相互间的非线性关系。然后,根据未来气象数据的预测值,通过模型内部的非线性映射关系,预测未来光伏电站的功率输出。

常见的人工智能模型包括支持向量机(SVM)、神经网络(NN)、随机森林(RF)等。这些模型各有优缺点,可以根据具体问题选择合适的模型。

以下是基于神经网络模型的分布式光伏功率预测人工智能模型示例公式:

式中,P(t)为在时间t光伏电站的输出功率,W;S(t)为在时间t的太阳辐照度,W/m2;T(t)为在时间t的环境温度,℃;……为其他影响光伏电站功率输出的因素;W是神经网络的权重矩阵。

该公式使用神经网络模型来预测分布式光伏电站的功率输出。输入变量包括光伏发电系统各个时段的平均温度、平均光照等,输出变量为当日各时段的光伏发电量。神经网络模型通过学习历史数据中的特征与标签之间的非线性关系,来预测未来光伏电站的功率输出。

在实际应用中,可以采用果蝇优化算法等智能优化算法来优化神经网络的权重矩阵W,提高预测精度。果蝇优化算法是一种启发式优化算法,通过模拟果蝇搜索食物的过程来寻找最优解,具有快速、灵活、鲁棒性好的优点。

神经网络模型具有较好的非线性拟合性,能够处理复杂的非线性关系,学习规则简单。但同时,神经网络模型也存在部分问题,如过拟合、欠拟合等,需要进行模型优化和调整。此外,神经网络模型的解释性不如线性回归模型等传统统计模型,难以进行模型的可解释性和可信性评估。

人工智能模型具有以下优点:①处理复杂问题。人工智能模型能够处理复杂的非线性关系,能够更好地捕捉光伏电站功率输出与气象因素之间的内在规律。②高预测精度。通过大量的历史数据和气象数据的训练,人工智能模型能够达到较高的预测精度。③自适应能力强。人工智能模型能够根据新的历史数据不断进行学习和优化,提高预测精度和泛化能力。

然而,人工智能模型也存在以下缺点:①数据依赖。人工智能模型的预测精度很大程度上取决于历史数据的质量和数量,如果历史数据不完整或不准确,会影响预测精度。②计算资源需求大。人工智能模型通常需要大量的计算资源进行训练和预测,对于有限资源的场景可能不太适用。③解释性差。人工智能模型通常比较复杂,难以解释其内部的决策过程和映射关系,不如统计模型具有较好的可解释性。

综上所述,分布式光伏功率预测的人工智能模型通过学习历史数据和气象数据的内在规律,建立光伏电站功率输出与气象因素之间的映射关系,从而预测未来光伏电站的功率输出。该方法适用于处理复杂问题,具有较高的预测精度和自适应能力,但存在数据依赖、计算资源需求大及解释性差等缺点。

3 不同预测方法的优缺点及其适用场景

物理模型预测能够较为准确地反映光伏电池的性能和输出功率,但需要较为准确的天气和环境数据,且计算复杂度较高;统计模型预测能够较为准确地反映光伏电站的功率输出规律,但需要大量的历史数据和较好的数据质量;人工智能模型预测能够较为准确地预测光伏电站的功率输出,但对数据的依赖程度较高,且计算复杂度较高。

在实际应用中,应根据具体的需求和条件选择合适的预测方法。例如,对于需要较为准确的光伏功率预测,可以采用物理模型预测或人工智能模型预测;对于需要快速响应的光伏功率预测,可以采用统计模型预测或人工智能模型预测。

4 研究不足与未来发展方向

目前,分布式光伏功率预测方法的研究还存在不足之处,例如对气象因素和非线性关系的处理不够准确,预测的实时性有待提高等。未来,分布式光伏功率预测方法的研究将朝着更加准确、快速、智能的方向发展。具体来说,未来的研究将更加注重多源数据融合和多学科交叉的应用,例如引入大数据、云计算、物联网等技术,提高分布式光伏功率预测的准确性和实时性。同时,未来的研究还将更加注重光伏电池的非线性特性和多尺度动态行为的研究,以揭示光伏电池的复杂物理机制和动态演化规律。

5 结束语

文章综述了分布式光伏功率预测方法的研究现状和发展趋势,详细阐述了各种预测方法的原理、方法及优缺点,并通过分析现有研究的不足和未来发展方向,为相关领域的研究提供参考和借鉴。分布式光伏功率预测方法的研究具有重要的学术和应用价值,可以为电网的安全稳定运行提供有力支持。未来,分布式光伏功率预测方法的研究将更加注重多源数据融合和多学科交叉的应用,以实现更加准确、快速、智能的光伏功率预测。同时,未来的研究还将更加注重光伏电池的非线性特性和多尺度动态行为,以揭示光伏电池的复杂物理机制和动态演化规律。未来,在广大科研工作者的共同努力下,分布式光伏功率预测技术将日趋成熟。

猜你喜欢

历史数据电站分布式
三峡电站再创新高
基于设备PF性能曲线和设备历史数据实现CBM的一个应用模型探讨
基于故障历史数据和BP神经网络的接地选线方案研究
低影响开发(LID)在光伏电站中的应用
分布式光伏热钱汹涌
基于Hadoop技术实现银行历史数据线上化研究
分布式光伏:爆发还是徘徊
用好细节材料 提高课堂实效
基于DDS的分布式三维协同仿真研究
西门子 分布式I/O Simatic ET 200AL