光伏发电出力预测技术研究综述

光伏发电出力预测技术研究综述

张硕

（ 371425199405082070）

济南睿能电力设计咨询有限公司，山东 济南 250000

摘要：由于地球上人口数量的不断增加，人类对资源需求量随之上升，这给全球资源带来了极大压力，资源浪费现象的不断出现，导致自然灾害问题频发。而为了能够有效的缓解这一问题，光伏发电技术被广泛应用，该技术的应用，在节省电能源方面有着积极意义。

关键词：光伏发电；出力预测；技术；研究

一、光伏发电的内涵

太阳能光伏发电，是指工作人员通过太阳能电池组件，在充分发挥半导体材料电子学特点的前提下，将太阳能转换为电能。并网发电系统通过光伏数组接收到的太阳能，将其转换为高压直流电，再利用逆变器形成可供使用的正弦交流电。电力企业运行中，为了充分发挥光伏发电系统的作用，国家电网系统也颁布了多项优惠政策，支持光伏发电项目的发展。光伏发电在一定程度上可以节省蓄电池储能，在最大化功率运行时，太阳能发电效率也是最高的，同时其也有着很高的收益率，光伏系统布置分散，可以为用户提供较多的电能，有效缓解电网传输与分配间的压力。

二、光伏功率预测方法

(一)自回归滑动平均(ARMA)模型。光伏出力与气象变量的时间序列关系影响因素较多，且因子间关系复杂，因此属于非平稳时间序列。而ARMA模型在处理非平稳时间序列的短期预测方面较有优势，适合于从指定的时间序列数据预测光伏发电。ARMA中AR模型是系统对过去自身状态的记忆，为自回归过程；MA模型则是系统对过去时刻进入系统的噪声的记忆，为滑动平均过程。ARMA利用历史数据来建模，经过模型识别、参数估计、模型检验来确定一个能描述所研究时间序列的数学模型，再由该模型推导出预测模型，一旦该模型确定，就可用该序列的过去值和现值来预测未来值。其一个时间序列在某时刻的值可用p个历史观测值的线性组合加上一个白噪序列的q项滑动平均来表示。(p，q)阶自回归滑动平均模型可表示为:

式中，X(t)为时间序列t时刻的值；ai为自回归参数；βj为滑动平均参数；p为自回归阶数；q为滑动平均阶数；e(t)为时间序列t时刻的随机干扰量，构成一个白噪声序列。

(二)指数平滑(ETS)算法。指数平滑算法实际是在全期平均法及移动平均法基础上发展起来的一种时间序列分析预测法，兼容了全期平均和移动平均的所长，通过计算ETS值，配合特定的时间序列预测模型对现象的发展趋势进行预测。为保障预测值能迅速反映观察对象实际的变化，指数平滑算法对不同时间的观察数据赋予的权数不等，近期数据具有更大的权值，而过去的数据随着时间的推移，逐渐减小其影响，权数逐渐收敛为零。ETS算法的数学方程为:

式中，α为平滑系数，取值范围为(0，1)，如果数据波动较大就取大些，以增加近期数据对预测结果的影响，如果数据波动平稳就取小些；Yt为第t期的实际值；Ŷt为第t期的预测值；α(Yt－Ŷ)为预测误差的调整。在实际的光伏功率预测应用中，预测模型应结合光伏出力的变化规律做出定性断且计算预测误差，并要考虑到预测灵敏度和预测精度。

(三)人工神经网络(ANN)算法。人工神经网络由于其独特的模型结构和固有的非线性模拟能力，以及高度的自适应和容错特性等突出特征，被广泛应用于光伏发电的研究。主要组成部分有输入层、隐含层、输出层及神经元(节点)，输入层负责接收不同的输入信息并分发到隐含层，输出层负责接收分析结果并提供输出。输入层与输出层间包含着一层或多层神经元，这些神经元统称为隐单元，各神经元间用带可变权重的有向弧连接，网络通过对已知信息的反复学习训练，通过逐步调整改变神经元连接权重的方法，达到处理信息、模拟输入输出间关系的目的。

(四)支持向量机(SVM)算法。支持向量机是一种基于结构风险最小化原则的有监督机器学习方法，可以线性不可分的低维空间分析数据，通过引入非线性内积核函数，映射到一个线性可分的高维特征空间内进行分类和回归分析。光伏功率的预测是一个典型的时间序列分析问题，而SVM算法在时间序列回归中的应用称为支持向量回归(SVR)，因此SVR可用于光伏功率预测。由于影响光伏发电量的因素都是非线性的，因此SVR算法通过非线性映射将输入时间序列数据样本映射到高维特征空间，然后在该空间中执行线性回归，如图4所示。给定一组训练样本｛(x1，Y1)，(x2，Y2)…(x1，Y1)｝，x1为输入量(气象数据变量)，Y1为相应的输出量(PV功率输出量)，x1∈RN，Y1∈ R1。

式中，C、ε为给定参数；Yi为第i个周期的实际值； fi 为第i个周期的预测值。

SVR的性能高度依赖于所选择的核函数及参数，核函数可有多种选择，常用的有线性核函数、多项式核函数及径向核函数等。通过对训练样本的对数似然函数的极大化，获得协方差函数的最优超参数，进一步可确定预测函数的均值和方差，求得输出功率的预测函数，实现光伏系统发电量的预测。该方法避免创建复杂的预测模型，降低了预测的难度，有助于电网电量的调度。

(五)组合法。针对气象、地理等因素对光伏电池板接收到的辐照度及光伏出力的线性和非线性影响，可将线性预测算法和非线性预测算法相结合，利用空间发电数据，使用思维进化算法(MEC)优化神经网络(BP)，使用粒子群算法(PSO)优化支持向量回归(SVR)，基于单隐含层前馈神经网络(S1FN)的极限学习机(E1M)三种预算法对某时间段分别进行单一和组合预测，通过对比分析预测结果的权值及精度，组合算法在灵活度、适应度及准确率上均得到保证。

三、结语

光伏功率预测是提高光伏电站控制调度性能，保证光伏电站安全稳定运行的基础。尽管近年来国内外学者对光伏功率预测技术进行了大量的研究，但仍有一些研究工作值得深入:光伏功率预测方法的研究主要集中在超短期和短期预测方面。数据处理和样本选择是提高预测精度的有效方法。因此，需要加强数据质量监测，对数据进行预处理。根据数据相关性的强弱对数据进行更精细的分类；针对不同光伏发电预测方法的特点，深化组合预测方法的研究和应用，优化组合智能算法的预测速度和精度。分析光资源和光伏发电的特点，结合目标光伏电站的实际数据和环境条件，建立准确的预测算法。

参考文献：

[1]王春雷.光伏出力短期预测技术研究[D].南昌大学，2015.

[2]贾科,宣振文,林瑶琦,等.基于Adaboost算法的并网光伏发电系统的孤岛检测法[J].电工技术学报,2018,33(5):1106-1113.

[3]熊威明,朱桂萍,张达,等.可再生能源经济决策支持工具IRPP的构建及分析案例[J].可再生能源,2013,31(4):65-70.