光伏发电功率预测与模型分析.pdf
《光伏发电功率预测与模型分析.pdf》由会员分享,可在线阅读,更多相关《光伏发电功率预测与模型分析.pdf(27页珍藏版)》请在淘文阁 - 分享文档赚钱的网站上搜索。
1、-光伏发电功率预测与模型分析 摘要 近年来,随着对可再生能源需求的日益提高,太阳能光伏发电技术得到了迅速的发展,大规模光伏发电系统的应用也日益广泛起来,但也随之出现了很多问题。由于太阳辐射量与季度、阴晴及昼夜等气象条件密切相关,从而造成了光伏发电系统输出功率的随机性和间歇性的固有缺点,而且考虑到储能技术上的不成熟等因素,当大量的光伏发电系统接入电网时,势必会对电力系统的安全稳定运行和电能质量等带来严峻挑战,从而限制光伏发电产业的发展,所以对光伏发电系统输出功率进行预测对于电力系统运行而言具有非常重要的意义。本文通过对影响光伏发电功率因素进行分析对目前现有的光伏发电功率预测方法进行分类,并根据统
2、计方法和物理方法为依据,对太阳辐照量预测进行预测和直接对光伏发电系统的输出功率预测两种方法进行阐述和细化对比。再根据各自所使用的数学模型不同将预测方法分为时间序列法、神经网络法、支持向量机方法、回归分析方法和智能预测方法6。最后对不同分类的预测方法及相应的数学模型进行分析阐述和对比,说明其适用范围及精确度,并对其可行性进行分析,提出在功率预测中需要解决的问题。关键词:光伏系统;功率预测;数学模型;方法 Abstrackt-In recent years,with the demand for renewable energy increasing,solar photovoltaic tech
3、nology has been rapid development of large-scale photovoltaic power generation system applications are increasingly widespread up,but also will be a lot of problems.Since the amount of solar radiation quarter,Teenage and other weather conditions closely related to circadian,resulting in a power outp
4、ut of photovoltaic power generation system and intermittent randomness inherent shortcomings,and taking into account factors such as energy storage technology immaturity,when a large number PV system connected to the grid,it must have a safe and stable operation of power systems and power quality po
5、se serious challenges,thus limiting the development of photovoltaic power generation industry,so the output power of the photovoltaic power generation system to predict in terms of the power system operation has a very important significance.Based on the impact of photovoltaic power factor analysis
6、on currently available PV power prediction method for classification,and physical methods based on statistical methods and is based on the amount of solar radiation forecasts and projections directly to the output power of photovoltaic systems forecast describes two methods and refined contrast.And
7、then according to their mathematical models used to forecast method is divided into different time series,neural networks,support vector machine,regression analysis and intelligent prediction method.Finally,the prediction of different classification methods and the corresponding mathematical model t
8、o analyze and compare elaborated,indicating its scope and accuracy,and its feasibility analysis,forecasting in power need to be resolved.Keywords:PV systerm;Power Prediction;Mathematical model;Method 1 前言 -1.1 光伏产业国内外发展现状 太阳能作为一种新型可再生能源,与传统能源相比具有可再生,无污染,来源广泛等优点是替代化石能源的主要选择。太阳能光伏发电产业是20 世纪 80 年代以后世界上
9、增长最快的高新技术产业之一。1839年,法国的科学家Becqurel 就发现,光照能够使半导体材料不同部位之间产生电位差,这种现象被称为“光伏效应”。每秒到达地面的太阳光能量高达80 万千瓦,假设把到达地球表面0.1%的太阳能转为电能,转化率5%,每年的发电量就能达到5.61012千瓦时,相当于世界能耗量的 40 倍。正是由于这些优势,太阳能电池不断发展,种类日益增多、应用范围逐步增大、市场规模也不断地扩大作为太阳能的重要应用,光伏发电技术已经成为各国争相发展的新能源技术之一。2011 年,美国提出“太阳能先导计划”意在降低太阳能光伏发电的成本,使其 2015 年达到商业化竞争的水平;日本也提
10、出了在 2020 年达到 28GW 的光伏发电总量;欧洲光伏协会提出了“setfor2020”规划,规划在 2020 年让光伏发电做到商业化竞争,可见,在发展低碳经济的大背景下,各国政府对光伏发电的认可度逐渐提高。中国也不甘落后,据业内估计,2011 年我国新增光伏装机量有达到 2.5GW,同比增长 400%。十二五相关规划也将 2015年的光伏装机目标从 10GW 上调到 15GW,2020 年将达到 50GW。随着光伏技术的不断发展,光伏发电的成本也随之不断下降,再加上各国对光伏产业的支持力度,我们有理由相信大规模利用光伏发电为人类提供服务的前景将更加广阔。光伏系统发电的竞争力正在不断提高
11、,已经成为了最受重视的新能源发电技术。太阳能光伏发电系统工作原理是当有太阳光的时候,太阳能电池将光能转换为电能输出,多组太阳能组件构成的方阵输出电流并通过接线箱进行汇总,然后输入能源分配系统。输入电能一方面通过充放电单元给蓄电池组进行充电,另一方面通过逆变系统在能源分配单元的控制作用下给负载供电,平衡分配通过太阳能转化的电能与电网电能,做到优先充分利用太阳能电力,同时能源分配单元保证当太阳能不足时,及时切换至由电网供电。目前,光伏发电产品主要用于三大方面:一是提供电源,主要为广大无电地区居民生活生产提供电力,还包括一些移动电源和备用电源;二是太阳能日用电子产品,如各类太阳能充电器,太阳能路灯等
12、;三是并网发电,这在发达国家己经大面积推广实行,如德国“10 万屋顶计划”和美国“百万个太阳能屋顶计划。我国并网发电刚起步,2008 年北京/绿色奥运部分用电就由太阳能发电和风力发电提供,还有 2011 年甘肃最大光伏发电项目敦煌太阳能综合利用示范项目暨 100 兆瓦光伏并网发电项目在敦煌建成投产,2011 年世界最大的屋顶电站项目兴业太阳能 20 兆瓦屋顶电站项目实现投产。-1.2 课题研究背景 光伏发电功率预测预测是能量管理中急需解决的问题。光伏发电与风力发电一样,均属于波动性和间歇性电源,同时,各用户或小区使用的光伏电池种类及其安装位置随机性也大,光伏发电系统受光照强度和环境温度等气候因
13、素的影响,输出功率的变化具有不确定性,输出功率的扰动将有可能影响电网的稳定,因此,需要加强光伏发电功率预测的研究,预先获得光伏发电系统的日发电量曲线,从而协调电力系统制定发电计划,减少光伏发电的随机化问题对电力系统的影响。使用蓄电池来稳定光伏发电功率输出是一种可行的方法,但需要追加成本,而且废旧蓄电池还会导致环境污染。因此,需要对光伏系统的发电功率进行准确预测,以便了解大规模的太阳能光伏并网系统的发电运行特性以及与电网调度、电力负荷等的配合问题,这样有助于整个电力系统的规划和运行,从而减少光伏发电随机性对电力系统的影响,提高系统的安全稳定性。因此对光伏系统进行功率预测是很有必要的。1.3 课题
14、研究意义 目前随着大规模的光伏发电系统应用日益广泛,也出现了越来越多的问题。由于太阳辐射量同季度、昼夜及阴晴等气象条件有关,造成光伏发电系统输出功率间歇性和随机性的固有缺点,而且目前存在储能技术不成熟等因素,当大量的光伏发电系统接入电网时,势必会对电力系统的安全稳定运行和电能质量等带来严峻挑战,从而限制光伏发电的发展速度和规模,所以对光伏发电系统输出功率进行预测对于电力系统运行具有非常重要的意义。1.4 国内外对预测方法研究的发展现状 目前,国外以欧洲、日本等国家的光伏发电系统输出功率预测技术研究已有一定的研究进展,如丹麦、西班牙、意大利、日本等国已开展和研发利用气象预报信息对光伏电站输出功率
15、进行预测的研究和应用。丹麦 ENFOR 公司开发的SOLARFOR 系统是较具代表性的光伏发电输出功率预测系统,其将输出功率历史数据、短期的数值天气预报信息、地理信息、日期等要素进行结合,利用自适应的统计模型对光伏发电系统的短期(048h)输出功率进行预测。意大利 Jijel大学 Adel Mellit 等对的里雅斯特地区(意大利)的 20KW 并网光伏电站所在地气象数据和系统功率数据进行采集和分析,利用两种人工神经网络模型(太阳辐照量和气温作为网络输入)对系统输出功率进行预测,平均偏差仅为 3.1%和5.4%16。西班牙 Joen 大学 Almonacid 等采用神经网络方法,以实时测量的光
16、伏阵列温度、太阳总辐照量为输入值,对应条件下实测电流-电压曲线为目标函数,-利用反向传播算法 L-M 优化方法,训练多层传感器(MLP)模型,求解出逼近实际工况的电流-电压曲线,建立了光伏发电量与太阳总辐照量、光伏电池板温度之间的函数关系,对 Joen 大学 19.08 kW 的光伏电站输出功率进行预测,经校验,2003 年发电量预报值与实测数据的历史相关系数高达 0.99817。印度 Sudipta Chakraborty 等人采用每小时的测量信息(太阳辐照量、温度、压力、湿度、日照时间等)作为输入,利用模糊自适应谐振网络预测每小时的日类型信息,然后由日类型信息计算光伏阵列的输出功率,取得较
17、好的预测效果。德国 Oldenburg 大学 Lorenz 等人根据欧洲中尺度天气预报中心(ECMWF)提供的未来 3 天太阳总辐照预报数据,结合德国境内 11 个光伏电站观测资料来预报光伏发电量,在 2007 年 4 月和 7 月,光伏发电量预报的相对均方根误差分别为39%和 22%18。日本 Ryukyus 大学 Atsushi Yona 等人将前 18 小时温度、气压、相对湿度、风速等作为神经网络输入,分别利用前馈神经网络、径向基神经和递归神经网络对太阳辐照量进行预测,进而得出光伏发电系统输出功率,取得较好的预测效果,也具有较好的代表性19。日本 NTT Facilities 公司 Ku
18、do 等人根据历史气象资料和日本爱知县世博园区 330 kW 光伏系统发电量数据,进行多元回归分析,建立预报方程,预测未来一天 05:0019:00 的逐时发电量,并利用“预报实测临近订正”的方案,降低了天气预报误差对于输出功率预测准确性的影响。经校验,2005 年 3 月 25 日至 9 月 26 日,日均发电量预报误差为 25.6%,时均预报误差为 30.53%20。目前国内对光伏发电系统输出功率预测技术尚处于理论性研发阶段。湖北省气象局牵头的“太阳能光伏预报系统研究”项目,根据光伏电站未来3 天逐时辐照量和输出功率,并采用了两种发电量预报方法,一是基于大气辐照传输、光电转换、直流/交流变
19、换(DC/AC)和交流并网等系列物理原理的原理预报法,二是基于数值天气预报(NWP)模式产品、光伏电站发电量数据结合的动力统计法。两种方法结合进行预测,目前该项目也处于研发实施阶段21。华中科技大学陈昌松等人结合这些光伏阵列历史输出功率数据和同期气象数据(日最高气温、日天气类型)分析,利用 BP 神经网络、径向基神经网络方法等,对复杂的气象数据进行模糊识别,将天气情况按照天气类型晴天/云天/雨天划分,建立了基于逐日天气预报信息的光伏发电阵列输出功率预测模型。该方法对晴天类型发电量预测误差较好(7.15%-13.62%),但对一天内天气类型剧烈变化的情况时则无法满足逐时预报的要求22。合肥工业大
20、学丁明等提出基于马尔可夫链的直接预测光伏电站出力的方法。该方法对教育部光伏系统工程研究中心的并网光伏发电系统历史功率数据建立多个状态转移矩阵来直接预测光伏电站出力,避免了对光伏系统逆变模型的具体建模及光照数据的采集和转换过程。取得较好的预测结果(晴天时:-80.76%9.92%),但在不同的日类型下该方法可行性还有待验-证23东北电力大学兰华等利用自回归滑动平均模型(ARMA)对东北某光伏电站的输出功率进行预测研究,具有一定的代表性和可行性,但在没有考虑气象因素的复杂多变性,模型的预测实用性也有待检验。华北电力大学栗然等人建立光伏组件数学模型,根据保定地区气象资料,利用光伏发电系统仿真建模软件
21、 Homer模拟仿真了 30MW 光伏电站输出功率数据,利用支持向量机回归分析方法,进行输出功率预测。但该方法无实际光伏电站的实况发电量资料,缺乏实验验证,对实际光伏电站输出功率预报的指导意义也有限。经过长期的学习和研究,目前国内外已经提出很多用于光伏系统发电功率预测的算法常用的光伏发电功率预测的方法分两种:第一种是不预测周围的环境因素而直接进行预测,例如 ANN 模型、马尔可夫链模型、灰度模型和统计模型等;另一种是通过相关因素的情况,间接的预测输出功率,相关因素包括福照强度、温度、风速等。灰度预测模型适用于信息不完整、不确定的情况,其优点是可以用较少的数据对未知系统作出判断。使用灰度模型可以
22、简化光伏发电功率预测过程,但预测精度不高12,所以一般不采用。1.5 预测方法概述 光伏功率预测从预测方法上可以分为统计方法和物理方法两类。统计方法对历史数据进行统计分析,找出其内在规律并用于预测;物理方法则将气象预测数据作为输入值,采用物理方程进行预测。而从时间尺度上可以把光伏发电功率预测分为超短期功率预测和短期功率预测。光伏发电系统输出功率预测方法根据预测的物理量可以分为两类:第一类为对太阳辐照量的预测,然后根据预测的太阳辐照量估算光伏发电系统的功率输出;第二类为直接对光伏发电系统的输出功率进行预测。而根据所运用的数学模型不同可分为时间序列预测法、自回归滑动平均模型法、神经网络法和智能方法
23、等。时间序列法:时间序列模型是最经典、最系统、最被广泛采用的一类预测法 7 8。随机时间序列方法只需单一时间序列即可预测,实现比较简单。回归分析方法:回归预测技术是通过回归分析,寻找预测对象与影响因素之间的相关关系,建立回归模型进行预测;根据给定的预测对象和影响因素数据,研究预测对象和影响因素之间的关系,形成回归方程;根据回归方程,给定各自变量数值,即可求出因变量值即预测对象预测值。人工神经网络方法:运用神经网络技术进行电力负荷预测,是一种新的研究方法,由于它可以模仿人脑的智能化处理,对大量非结构、非精确性规律具有自适应功能,具有信息记忆、自主学习、知识推理和优化计算的特点,特别是其自学习和自
24、适应功能较好的解决了天气和温度等因素与负荷的对应关系。所以,-人工神经网络得到了许多中外学者的赞誉,预测的人工神经网络的最具潜力的应用领域之一。支持向量机方法:支持向量机(Support Vector Machines,SVM)是由贝尔实验室的 Vapnik 等提出的一种机器学习算法,它与传统的神经网络学习方法不同实现了结构风险最小化原理(SRM),它同时最小化经验风险与 VC 维的界,这就取得了较小的实际风险即对未来样本有较好的泛化性能。小波分析方法:小波分析在时域和频域都有良好的局部化性质,能够比较容易地捕捉和分析微弱信号,聚焦到信号的任意细节部分。小波分析可以用于数据的分析、处理、存储和
25、传递13-15。组合预测方法:是对多种预测方法得到的预测结果,选取适当的权重进行加权平均的一种预测方法。组合预测法与前面介绍的各种方法结合进行预测的方式不同,它是几种方法分别预测后,再对多种结果进行分析处理。组合预测14有两类方法:一种是指将几种预测方法所得的结果进行比较,选取误差最小的模型进行预测;另外一种是将几种结果按一定的权重进行加权平均,该方法建立在最大信息利用的基础上,优化组合了多种模型所包含的信息。其主要目的在于消除单一预测方法可能存在的较大偏差,提高预测的准确性。2 光伏发电系统特性概述 2.1 光伏系统组成 (1)光伏电池:光伏电池是光电转换的最小基本单元,尺寸一般为 4 平方
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 发电 功率 预测 模型 分析
限制150内