风能及光伏发电功率短期预测方法研究

风能及光伏发电功率短期预测方法研究

刘必儒

英之茂科技有限公司，江苏 南京 210000

摘要：文章主要是分析了风力发电短期功率预测方法，在此基础上讲解了光伏发电短期功率预测方法，最后探讨了风光发电短期功率预测研究方向发展，望可以为有关人员提供到一定的参考和帮助。

关键字：风力；光伏发电；功率预测；预测方法；不确定性

前言

风力和太阳能发电过程中有着较强的波动性和间接性，其中的输出功率会随机的发生变化，这会影响到电力系统的安全稳定，为此进行风力以及光伏短期功率预测有着十分重要的现实意义。

1风力发电短期功率预测方法

1.1物理预测方法

物理预报的方法主要是充分利用到数字天气预报的数据对风速、风力等进行改进，然后计算出风电机组在实际地形和地形条件下的实际输出功率随风电源的供电曲线条件，NWP数据主要包括风力方向。风速度，温度，气压，以及其他物理信息，包括轮廓、粗糙度、障碍物、地形等，在附加轮毂高度时，在动力源中，应考虑风机本身的控制和传输。它可以满足通过数值预测来预测输入风速数据的准确性要求。粗糙度和地形的变化会影响数值预测的风速，降低预测精度，并考虑时变风速数据建立模型空间。空间接触表面的空间相关性具有高预测精度，但该方法复杂。

1.2统计预测方法

统计预测方法的优点是自适应，自动调整风电场的位置和系统误差自动调整。统计预测方法中主要是包括了随机方法、变体方法、卡尔曼滤波法、，时间序列方法以及灰度预测方法等。采用误差反向传播神经网络建立风场预报模型，利用卡尔曼滤波技术消除数值预报数据中的误差，即利用风速下的系统误差修正预报模型，提高预报精度改善了。不过，神经网络需要很长时间训练和调试用于建立风预报误差概率分布函数的模型、经验分布模型和非参数回归方法，进而得到风场预报值的概率区间获得。需要调整参数统计量来调整适当的窗口宽度来预测应用模型，这比神经网络模型更具实用性。

1.3学习预测方法

学习预测方法主要包括人工神经网络，支持向量机和相关矢量机。它是一个大规模的分布式处理系统，它模拟了人脑的信息处理机制，专注于复杂的非线性问题，包括BP神经网络，径向基函数神经网络等。BP神经网络是应用最为广泛的一种具有高度自学习性和鲁棒性的神经网络适应性。然而，特征输入的选择和样本空间的组成通常缺乏一致性。RBF神经网络具有良好的局部近似能力和快速学习速度。基于RBF神经网络的短期风电场预测模型是建议。该模型高于BP神经网络模型的预测准确性，并且没有局部最小问题，因此不需要预先预先确定隐藏层的数量，而不是在近似能力，分析能力中预先确定隐藏层的数量和学习速度。

1.4综合预测方法

综合预测方法充分结合了上述方法的优点，并对其进行了适当的集成，取得了较好的预测效果，如采用BP神经网络、RBF神经网络和SVM相结合的方法进行风电预测；采用SVM、神经网络和模糊逻辑相结合的方法进行风速预测；采用支持向量机、神经网络和模糊逻辑相结合的支持向量机对风电功率进行预测；采用物理方法和神经网络相结合的混合预测方法对风电短期输出功率进行预测风电场建设。采用遗传算法建立模糊风速模型和风力电力模型，综合使用各种各样预测方法。

2光伏发电的不同应用

2.1光伏发电的分类

欧洲等发达国家十分重视太阳能资源的利用。由于太阳辐射观测点多，设施齐全，历史观测数据量大，采用间接预测方法对光伏发电量进行预测，而我国光伏发电量的预测研究尚处于起步阶段。首先，建立太阳辐射模型。最后，获得了光伏发电系统的输出功率的预测值，并且建立了具有云预测信息的神经网络预测模型，引入了清晰的天空指数以获得光伏发电系统的输出功率。这种方法是基于一个比较完整的天气预报系统和比较复杂的太阳辐射模型，并且有不同的安装条件，转换效率等要素比较准确，模型比较复杂，历史气象资料和数据比较复杂数据，这就使得光伏发电系统的功率预测难以确定，不利于动态经济调度。一年分为夏季，春季，秋冬，光强度分为三类。光伏发电直接预测三次。天气类型是阳光明媚，多云和多雨，分类并不够全面，可以使用大量的神经网络预测模型来建立发电序列，日型参数，PV温度，等等。该模型精度高，能解决光伏发电的随机性问题，提高系统的稳定运行能力，并能直接预测光伏发电系统组合系统的稳定运行。

2.2不确定性理论处理方法

灰色理论是小样本数据、不确定性、已知信息和未知信息的理论之一，是研究的对象，而光伏发电是通过产生一些已知信息来准确描述和理解现实世界的信息。在符合灰色系统理论的特点，建立了光伏发电系统的灰度预测模型，该模型适用于特征图像、变指标曲线。虽然对光伏发电系统的日发电量进行了粗略的指标化，但预测模型受原始数据的影响，随机数据序列的拟合效果不理想，单独使用灰色预测模型可以达到理想的预测效果，预测精度也较低非常适合不确定性。对于针对光伏发电系统的输出功率，提出了一种将传统的直接预测和间接预测相结合的灰色神经网络光伏发电系统生成模型，并建立了光伏发电各阶段的灰色模型系统第二代人研究了灰色模型的输出值和温度值，以及神经网络的测量和预测模型，预测精度高。当光伏电池的地理位置、温度、天气和化学成分稳定时，光伏发电系统的输出功率与辐射量呈线性关系。该方法可以按照历史功率数据的模式直接预测光伏发电系统的应力状态，节省了反算的成本，具体的变流器模型建模和转换过程对光伏发电系统有更普遍的实用价值。

3研究方向展望

当前我国对风能和太阳能短期输出功率预测的研究已经有着一定的进展，但其中还是存在了一些不足：1.基础资料不完整，数值天气预报是风能和太阳能短期输出功率预测的基础输出。自大部分地区的数字天气预报模型并不完善，我们经常借用或修改直接应用其他领域已有的数字天气预报资料，其结果的准确性受到严重影响受影响。在另外，风电和太阳能发电系统的基础数据不完善，历史数据不完整，数据信息数据库尚未建立，这也对发展产生了不利影响；2.预测精度与区域大气湿度和太阳辐射强度密切相关。如何全面考虑各个方面的影响，降低预测误差将成为未来研究的重点和难度。人工智能算法具有大量和长期训练时间，这难以满足电力系统优化运行，实时经济调度和电厂布局的实际需求。

4光伏发电分析

大型光伏发电是通过光伏并网实现的，电力系统容量大，并网光伏发电的功率是间歇性的，可控性大，对电网的影响大，直接制约光伏发电的整体效果。在太阳能发电过程中，需要准确分析太阳辐射量、温度、湿度和太阳能电池板强度等因素的影响。其中太阳能强度的大小直接关系到整体发电水平，辐射强度越大，发电量越大，整体发电水平越高。

太阳能辐射受季节、地理位置、环境等因素的影响，具有高、低、不确定等特点。根据季节的变化，季节的变化，日期的变化，大气的云量、湿度、大气的透明度和浓度等都受到影响，对辐射强度有严重影响。

5、结束语

由上可知，大力发展可再生能源发电是建设资源节约型重要的一个举措，其在我国有着不错的发展前景。风光发电有着间接性、随机波动性，都会对电力系统的安全稳定造成影响。而准确的风光发电短期功率的预测能够有效提升到电气李彤的稳定性能，有效改善到电能的整体质量，对风光发电的发展提供到帮助。

参考文献

1. 邱明、鲁冠军、吴昊天、杨仲卿.基于数据清洗与组合学习的光伏发电功率预测方法研究[J].可再生能源,2020,v.38;No.268(12):25-31.

2. 张涵.基于空气质量下LSTM神经网络光伏发电功率预测研究[D].2020.

3. 李遥、李照荣、王小勇、闫晓敏、赵文婧.基于斜面辐射算法的短期光伏功率预测方法研究[J].干旱气象,2020,v.38(05):173-181.