光伏发电系统功率预测方法研究综述 .pdf

光伏发电系统功率预测方法研究综述

摘要：目前，光伏发电功率预测可分为依据历史数据建立的物理统计模型和

运用智能算法建立的学习模型。物理统计模型较多采用依据天气预报数据计算预

期功率输出，此外还有多尺度软测量、多时间尺度测量等。而学习模型有利用遗

传算法优化BP神经网络、Elman神经网络、长短时记忆神经网络、支持向量机

（SVM）、最小二乘支持向量机等。但是这些模型受到自身参数少、预测时间长

等影响，直接导致预测误差增大。本文主要分析光伏发电系统功率预测方法研究

综述。

关键词：光伏发电；功率预测

引言

太阳能是一种清洁的可再生能源，光伏发电是太阳能利用的主要方式之一。

光伏发电能够减轻化石能源使用过程中产生的空气、水污染等环境问题。自20

世纪80年代起，光伏发电量占不同国家总发电量的比例持续提升，世界主要发

达国家均研究光伏发电技术，以提升光伏发电能力。光伏发电系统受太阳辐射强

度与气象条件影响较大，导致系统发电功率存在较高随机性、波动性以及间歇性，

这些均对电网稳定运行产生不利影响，因此预测光伏发电功率有重大意义。

1、光伏电站功率监测技术

为了提高光伏电站的运行可靠性，减少光伏发电功率波动对电网带来的危害，

目前主流的做法是采用由静止同步补偿器和储能系统构成的新型功率补偿器，即

当光伏电站发电功率波动引起的电压跌落超过相应极限时，就及时采用该新型功

率补偿器向电网提供无功功率。另一种做法，则是借助短期功率预测算法，提前

预判光伏电池板阵列的发电出力，再结合采用功率补偿装置，及时调整光伏电站

的工作状态，以降低光伏电站功率波动对电网的危害性。而以上预防和无功补偿

措施的采取，都是基于功率监测结果开展的。目前在光伏电站，有关功率监测方

法和技术实现的研究，通常是与功率补偿策略、短期功率预测算法研究综合在一

起进行的。随着光伏发电项目的不断增多，部分地区在条件适宜的屋顶上也在积

极推行小型光伏电站的建设。如此，这部分屋顶拥有者既是电能的消费者，同时

也成为电能的生产者。为了解决双向电能量计量不准、用户负载特性多变等问题，

一种具有无功四象限测量功能的电能表设计制造方案。采用该技术方案，可让电

能表实现双向电能计量状态切换，能保证功率监测的准确性和可靠性。一种计及

站内电压分布情况的无功电压控制策略，通过实时调节逆变器无功输出，实现了

站内电压的均匀分布。大型光伏电站中装设的静止无功补偿器(SVG)数量众多且

较为分散，致使光伏电站中自动电压控制系统(AVC)的调节速度较慢，不能应对

光伏电站内某节点可能出现的电压剧烈变化。一种分时快速控制方法以及等裕度

无功分配策略，并基于GOOSE通信实现了快速无功控制设计，可将控制延时减小

到50ms以下。当电网出现较大无功功率缺额时，仅调整无功出力还不能使电网

电压保持稳定。一种基于有功自适应调整的无功电压控制策略，可使得无功容量

不能满足要求时，会相应削减光伏发电的部分有功输出。经PSCAD/EMTDC平台仿

真验证表明，该策略可较有效地解决光伏电站运行中无功容量不足的问题。

2、光伏电站环境监测技术

2.1多元线性回归算法

多元线性回归算法是分析一个因变量与多个自变量间定量关系的一种统计分

析方法。这种算法的优点是具有较好的可识别性和节省性。应用多元线性回归算

法预测光伏电站功率输出时,需要用大量的历史数据分析出输出功率与多个影响

因素之间存在的数量上的规律,并建立多元线性回归方程,这种方法考虑到的因变

量较少,基本上只考虑光照强度和温度。但实际上光伏系统的功率输出还有很多

其他影响因素,因而该方法预测出的输出功率序列往往误差较大,难以满足实际运

行的精度要求。

2.2马尔科夫链预测

马尔科夫链预测方法是根据某些变量的现在状态及其变化趋势,预测其在未

来某一特定时期内可能出现的状态,用初始状态概率向量和状态概率转移矩阵来

推测某一变量未来某一时期所处状态的一种方法。其理论基础是马尔科夫过程,

它描述的是一个随机时间序列的动态变化过程,适合描述随机波动性较大问题。

马尔科夫链预测光伏输出功率利用了光伏发电系统功率输出通常发生在

08:00~17:0O,并且在天气条件相似的情况下会存在不回日期输出功率序列相似的

特性进行预测。基于马尔科夫链的预测模型,并应用模型对光伏系统输出功率进

行预测,实验验证了该方法应用于光伏系统短期功率预测的有效性。但是在实际

建模过程中,马尔科夫链预测通常忽略了光伏系统的功率输出是一个伴随日出日

落的上升、保持和下降的过程,