太陽能發電預測綜述在煤礦，石油開采量日益見底和生態環境急速惡化的嚴峻形勢下 ，太陽能作為一種自然能源 ，以其儲量豐富且清潔無污染性顯示了其獨特的優勢 ，已被國際公認為未來最具競爭性的能源之一。從太陽能獲得電力，需通過太陽電池將光能轉化為電能。它同以往其他電源發電原理完全不同。要使太陽能發電真正達到實用水平，一是要提高太陽能光電變換效率并降低其成本，二是要實現太陽能發電同的電網聯網。1.太陽能發電的分類目前太陽能發電主要有以下兩種形式：1. 太陽能光發電太陽能光發電是指無需通過熱過程直接將光能轉變為電能的發電方式。 它包括光伏發電、光化學發電、光感應發電和光生物發電。 光伏發電是利用太陽能級半導體電子器件有效地吸收太陽光輻射能，并使之轉變成電能的直接發電方式，是當今太陽光發電的主流。在光化學發電中有電化學光伏電池、光電解電池和光催化電池，目前得到實際應用的是光伏電池。12. 太陽能熱發電通過水或其他工質和裝置將太陽輻射能轉換為電能的發電方式,稱為太陽能熱發電。先將太陽能轉化為熱能，再將熱能轉化成電能，它有兩種轉化方式：一種是將太陽熱能直接轉化成電能，如半導體或金屬材料的溫差發電，真空器件中的熱電子和熱電離子發電，堿金屬熱電轉換，以及磁流體發電等；另一種方式是將太陽熱能通過熱機（如汽輪機）帶動發電機發電，與常規熱力發電類似，只不過是其熱能不是來自燃料，而是來自太陽能。太陽能熱發電有多種類型，主要有以下五種：塔式系統、槽式系統、盤式系統、太陽池和太陽能塔熱氣流發電。 前三種是聚光型太陽能熱發電系統，后兩種是非聚光型。 一些發達國家將太陽能熱發電技術作為國家研發重點，制造了數十臺各種類型的太陽能熱發電示范電站，已達到并網發電的實際應用水平。22.太陽能光伏發電影響因素太陽能光伏發電成為目前太陽能利用的主要方式之一。光伏發電分為離網和并網兩種形式 ，隨著光伏并網技術的成熟與發展 ，并網光伏發電已成為主流趨勢。由于大規模集中并網光伏發電系統容量的急速增加 ，并網光伏發電系統輸出功率固有的間歇性和不可控等缺點對電網的沖擊成為制約并網光伏發電的重要元素。太陽能光伏發電系統發電量受當地太陽輻射量、溫度、太陽能電池板性能等方面因素的影響。（1）光照強度對光伏發電量的影響：光照強度是指在單位時間和單位面積內，在地球表面上接收到的垂直投射的太陽輻射能量。光伏發電系統產生電能所需的能量完全來自、于太陽的輻照，因此光照強度對光伏發電系統的發電量具有決定性的作用，二者之間呈正相關性，即光照強度越強，光伏發電量越多。 （2）季節類型對光伏發電量的影響：由于在不同的季節，太陽入射角的大小以及方向、日照時間的長短、光照強度的強弱存在明顯的差異，到達地表的太陽輻照度經過吸收、散射，輻射等各種減弱作用后也會不同，光伏發電系統的發電量的多少也在變化。這種差異性即為不同的季節類型對光伏發電量的影響。 （3）天氣類型對光伏發電量的影響：將天氣類型的時間范圍確定在 24 小時之內。由于晴天、陰云和雨天 3 種天氣類型在全年中出現的天數最多，因此最具有代表性。在晴天時，由于天空中遮擋太陽輻射物較少，輻照度的幾乎不會有衰減，光伏發電系統發電量較高；在陰天時，由于天空中云層的遮擋，會造成輻照度的衰減，加之其他衰減因素的共同作用，光伏發電量值大幅度減小；在雨天時，由于云層、濕度、風況以及其他衰減因素的共同作用，此時光伏發電量曲線無規律性，發電量值最低。 （4）溫度對光伏發電量的影響：光伏發電量的多少與溫度有很大的相關性。這種影響來自于以下兩個方面：環境溫度升高，光伏組件溫度隨之升高，開路電壓減小，在20到 100之間， 每升高 1， 電壓約減少 2mV； 與之相反，電流略有增加，約為 0.1mA。對于光伏發電量來說，溫度每升高 1，則其近似減少 0.35%。 （5）相對濕度對光伏發電量的影響：在季節類型、天氣類型相同，環境溫度與太陽能電池組件的溫度相近時，相對濕度增加，光伏發電系統發電量將會減少。其一，是因為相對濕度增加，大氣層將會增大對光照強度的削弱力度；其二，由于相對濕度會影響光伏組件的熱傳導效應，使其散熱能力降低。太陽能具有不穩定、間歇性和不可控性等特點，給微電網的并網運營帶來很多挑戰。光伏發電受自然環境、地理條件和設備性能的影響，光伏發電量存在著的很強的不確定性。因此光伏發電的有效預測可以為電力部門調度分配電量提供依據，同時也能促進光伏產業的大力發展。3.太陽能光伏發電預測原理當前 ，對太陽能光伏發電預測的研究主要集中在太陽能輻射強度的預測上。太陽輻射的逐日或逐時觀測數據構成了隨機性很強的時間序列 ，但太陽輻射序列的內部仍有某種確定性的規律 ，只有充分了解掌握太陽能光伏發電的特點、變化規律 ，才能建立符合實際情況的預測模型及方法。太陽輻射分為直接太陽輻射和散射太陽輻射。直接太陽輻射為太陽光通過大氣到達地面的輻射 ；散射太陽輻射為被大氣中的微塵、分子、水汽等吸收、反射和散射后 ， 到達地面的輻射。散射太陽輻射和直接太陽輻射之和稱為總輻射。太陽總輻射強度的影響因素包括 ：太陽高度角、 大氣質量、 大氣透明度、 海拔、緯度、坡度坡向、云層。太陽能光伏發電預測是根據太陽輻射原理 ，通過歷史氣象資料、光伏發電量資料、衛星云圖資料等 ，運用回歸模型、人工神經網絡、衛星遙感技術、數值模擬等方法獲得預測信息 ，包括太陽高度角、大氣質量、大氣透明度、海拔、緯度、坡度坡向、云層等要素 ，根據這些要素建立太陽輻射預報模型。4.太陽能光伏發電預測方法分類4.1 按預測時間尺度分類從時間尺度上可以分為中長期功率預測、 短期功率預測和超短期功率預測 3。中長期功率預測的時間尺度大， 一般為1周或1個月， 主要用于光伏電站的規劃設計和電網中長期調度等， 短期功率預測的時間尺度一般為 13 d， 超短期功率預測的時間尺度為 04 h， 短期和超短期功率預測對電網實時調度等具有重要的決定作用， 對系統運行安全性和穩定性具有直接影響。目前， 中長期功率預測一般采用統計方法利用歷史數據進行預測， 短期功率預測一般需根據數值天氣預報獲得未來 13 d 內氣象要素預報值， 然后根據歷史數據和氣象要素信息得到地面輻照強度的預測值， 進而獲得光伏電站輸出功率的預測值， 超短期功率預測的主要原則是根據地面拍攝的云圖或地球同步衛星拍攝的衛星云圖推測云層運動情況， 從而計算出未來幾 h內太陽輻照強度，再通過光伏發電功率模型得到光伏發電輸出功率的預測值。4.2 按預測空間尺度分類光伏發電功率預測方法按照空間尺度主要分為 4種， 分別是微尺度、 小尺度、 中尺度、 大尺度功率預測方法3。依次針對單個發電單元、 單個光伏電站、 由多個光伏電站組成的光伏電站集群和更大地理區域內的光伏發電站。空間尺度越小， 功率預測越難， 這是因為預測時無法采用平均值， 尺度越小對功率預測時的空間分辨率的要求越高。近年來， 小功率的分布式發電系統大量發展， 其發電功率波動性很大， 對電網系統的穩定性和安全性造成較大威脅， 這對光伏發電系統功率預測提出了更高要求。4.3 按預測方式分類從預測方式上可分為直接預測和間接預測兩類。前者直接對光伏電站的輸出功率進行預測； 后者又叫分步預測， 首先對太陽輻射強度進行預測， 然后根據光伏發電系統發電模型得到輸出功率。直接預測方式簡潔方便， 但直接預測模型需要從歷史發電數據直接預測未來的發電功率，預測的準確性一方面決定于預測算法， 另一方面決定于是否有大量準確的歷史數據。分步預測方式包括太陽輻照強度預測和光伏發電系統功率模型兩個過程， 在每個過程中可靈活選擇不同的方法， 某種程度上克服了直接預測方式的局限性。4.4 按預測方法分類從預測方法上來說， 光伏功率預測包含統計方法和物理方法。統計方法的原理是統計分析歷史數據， 從而發現其內在規律并最終用于發電功率預測， 可以直接預測輸出功率， 也可以預測太陽輻照強度； 物理方法是在已知太陽輻射強度預測值的情況下， 研究光能轉化的物理過程， 采用物理方程， 考慮溫度、 壽命等影響因素，由預測的太陽輻射強度得到光伏系統發電功率預測值。5. 預測方法國內外研究情況5.1 直接預測方法直接預測方法本質上都是統計方法， 由歷史數據預測未來數據。其原理是假定光伏發電系統不發生衰減， 那么發電歷史規律不會發生改變， 根據簡單天氣預報和歷史發電數據， 就可對未來的發電功率進行預測。5.1.1 線性預測方法1）時間序列法。時間序列預測法是應用較早的一種方法。它把負荷數據看作是一個周期性變化的時間序列。根據系統發電的歷史數據，建立數學模型來描述發電功率的統計規律性， 在此基礎上對光伏發電功率進行預報 4-5。2）時間趨勢外推法。時間趨勢外推法主要使用馬爾科夫鏈模型預測光伏發電量6-8。由于該方法受天氣影響很大， 目前較少使用。5.1.2 非線性預測方法1）人工神經網絡。人工神經網絡（ANN）算法在復雜非線性預測方面有著良好表現， 適用于光伏發電功率預測這樣的場合。將天氣、 季節等影響因素作為輸入， 用歷史數據對算法進行訓練， 最終可實現光伏發電功率的預測 9-11。2）支持向量機。支持向量機（SVM）是一種機器學習算法， 與傳統的神經網絡學習方法不同的是， 它實現了結構風險最小化（SRM）。在國外， 法國瑪格麗特太陽能協會使用支持向量機算法進行了光伏系統發電量預測研究。在國內， 栗然等12建立了基于支持向量機的光伏系統發電功率預測模型。3）其它非線性方法。常用的非線性方法還有模糊邏輯預測法13、 小波分析預測法14、 卡爾曼濾波預測法 15等。各種非線性方法是未來直接預測法發展的重點， 目前國內外的研究也多集中于此。5.1.3 組合預測方法組合預測法是指使用幾種方法分別預測后，再對多種結果進行分析處理。組合預測有兩類方法： 一種是指將幾種預測方法所得的結果進行比較， 最后選取誤差最小的模型進行預測， 該方法難點在于誤差計算方法； 另外一種是將幾種結果進行加權平均， 提高預測的準確性。該方法的難點在于如何計算各種預測方法的權重。5.2 分步預測法中的太陽輻照強度預測方法上節中的直接預測方法也可用于太陽輻照強度預測， 只是輸入數據中的歷史發電功率變為歷史太陽輻照強度， 其它類似， 不再贅述。而以下介紹的幾種方法可直接進行太陽輻照強度預報， 無需歷史數據。5.2.1 基于數值天氣預報的方法數值天氣預報根據流動力學和熱力學原理建立微分方程組， 確定大氣初始狀態后， 就可迭代計算出來某個時間大氣的狀態， 就是通常所說的溫度、 風、 降水、 太陽輻照度等。目前經常使用的全球數值天氣預報模型主要有美國的 GFS模型和歐盟的 ECMWF模型， 最長可進行 15 d 的預報， 其中 GFS 免費提供預報。全球數值天氣預報模型的空間分辨率和時間分辨率都比較低， 目前的模型其空間分辨率為 1650 km， 時間分辨率為36 h。全球數值天氣預報模型難以直接應用， 常常作為其它更小尺度預報的基礎。中尺度數值天氣預報模型僅僅覆蓋地球上的一小部分地區， 由各個國家或商業公司運行， 空間分辨率和時間分辨率要高得多， 空間分辨率在120 km， 時間分辨率為1 h。中尺度預報模型常用的是WRF模型。WRF模型是 20世紀 90年代由美國的科研機構為中心開發的一種統一的中尺度數值天氣預報模型，2000年開始免費對外發布， 已更新了數個版本，用戶可在此基礎上開發本地的數值天氣預報模型， 空間分辨率可達 1 km。目前數值天氣預報的缺點在于其空間和時間分辨率仍然不夠高。1 km的空間分辨率無法對具體的一塊云做出預測， 只能對某一片區域的整體平均天氣做出預測。1 h的時間分辨率也無法進行高時間分辨率的功率預測。因此， 基于數值天氣預報的方法目前主要應用于較大區域的光伏發電系統功率預測。另外， 數值天氣預報方法中的氣象和環境因素較為復雜， 精準度的提高一直是目前研究的重點和難點。5.2.2 基于云圖的方法云的大小、 形狀、 厚度、 致密度等因素都會直接影響到達地面的太陽輻照強度， 而云在時間上和空間上很容易發生變化。因此， 知道并預測云的變化是太陽輻照強度預測面臨的一項挑戰任務。通過衛星云圖和地面拍攝的云圖， 可以預測云的變化。其基本原理是由歷史的云圖數據預測未來云的變化。使用氣象衛星云圖進行光伏發電功率預測的方法，這些衛星實際上都是遙感衛星， 通過勘測地球大氣系統發射或反射的電磁輻射可獲得遙感圖像數據。但基于衛星云圖的方法空間分辨率仍然不夠高， 基于地面的云圖方法則彌補了這一缺陷。該方法利用地面的監測裝置抓拍云圖， 能夠捕捉云的突然變化。基于地面的云圖方法預測的時間范圍在025 min之間。5.3 分步預測法中的光伏發電系統功率模型建立方法光伏系統發電功率模型是實現發電功率準確預測的關鍵。目前， 國內外有關光伏發電功率模型的建模方法主要有物理模型方法和統計模型方法兩大類。5.3.1 物理模型方法物理模型方法的有效性取決于對研究對象內部構成及其所遵循規律的把握程度和模型參數的精度。1）效率模型。即直接通過太陽輻照強度和效率因子估算光伏發電系統輸出功率。該方法計算精度低， 只適用于光伏電站選址等對精度要求很低的場合。2） 電子元件模型 16-17。使用基于光伏半導體設備物理或發光二極管的物理原理來建立電子元件模型。由于模型考慮因素不夠全面， 基于該類模型的預測方法基本不再使用。3）物理模型。綜合考慮壽命、 溫度、 雨雪等的影響， 建立光伏發電的物理模型。結合天氣、太陽陣的構型布片方式等， 日本學者建立三維模型考慮了建筑物遮擋情況下對復雜光伏發電量預測方法 18。5.3.2 統計模型方法統計模型把光伏發電系統看作一個 “黑箱”，并不關注內部各模塊的特性或內部各因素影響分析， 而是基于實際運行數據對其功率特性進行擬合。常用的統計建模方法有神經網絡、 關聯數據等方法。5.4各類預測方法對比( 1) 在間接預測方法中， 光照幅度預測模型的預測精度是影響間接預測方法預測效果的決定性因素。發電功率預測模型中，經驗公式法因無需歷史發電功率數據而廣泛應用于新建成光伏電站，并且由簡單物理模型逐步發展為復雜物理模型。統計學習模型由于結合光照幅度與歷史發電功率等因素，預測效果一般優于其它預測方法，但建模條件較高;( 2) 直接預測方法的總體預測精度一般低于間接預測方法，對變化天氣狀況下的適應性與間接預測方法相比較低，但由于直接預測方法無需預測光照幅度，建模簡單、 預測成本較低， 因而也得到大量應用。根據光伏電站的實際情況將單一預測模型組合形成的混合模型具有更好的適應性、 容錯性和預測效果，成為直接預測方法中一個重要研究方向;( 3) 無論哪種預測方法， 氣象條件都是影響光伏發電短期預測效果的一個重要原因，劃分天氣類型、使用數值天氣預報都可降低其對預測精度的影響。然而，目前在多云、 陣雨等不穩定氣象條件下的預測效果仍然不理想。季節變化相對具有一定規律可尋，一般通過利用地外輻照度、 按季節建立子預測模型來補償季節更替對預測的影響，并取得了較好的效果。6太陽能發電預測軟件目前，市場上有許多用于光伏電站發電量計算的軟件，如RETScreen、PVsystem、PVSOL、Sunny Design、PVF-chart和Conergy等等，常用主要是PVsystem和RETScreen。6.1基本情況1、RETScreenRETScreen是一種標準整體可再生能源工程分析軟件，用以評估各種能效、可再生能源技術的能源生產量、節能效益、壽命周期成本、減排量和財務風險，也包括產品、成本和氣侯數據庫。該軟件由加拿大政府通過 CANMET加拿大自然資源能源多樣化研究所向全世界提供，免費使用。該軟件功能比較強大，可對風能、小水電、光伏、熱電聯產、生物質供熱、太陽能采暖供熱、地源熱泵等各類應用進行經濟性、溫室氣體、財務及風險分析，計算光伏發電系統發電量只是其功能之一。但該軟件不太適用于專業的光伏發電系統設計。軟件中的全球氣象數據庫來自美國航空航天局，其地面數據與中國的氣象站提供的地面數據有較大差別，在使用時應予注意。2、PVSystemPVSystem是光伏系統設計的專業軟件，可用于設計并網、離網、抽水系統和DC-網絡光伏系統，并包括了廣泛的氣象數據庫、光伏系統組件數據庫，以及一般的太陽能工具等。基于項目的不同進展階段，該軟件提供了初步設計、項目設計、詳細數據分析3種水平上的光伏系統研究。初步設計：在這種模式下，光伏發電系統的產出僅需輸入很少的系統特征參數而無須指定詳細的系統單元即可被非常迅速的用月值來評估，還可以得到一個粗略的系統費用評估。項目設計：用詳細的小時模擬數據來進行詳細的系統沒計。在“項目”對話框中，可以模擬不同的系統運行情況并比較它們。這個模塊在設計光伏陣列、選擇逆變器、蓄電池組或泵等方面能給設計人員提供很大的幫助。詳細數據分析：當一個光伏系統正在運行或被詳細監控時，這部分允許輸出詳細數據，并以表格或者圖形的形式顯示。此外，在“工具”中還包含了數據庫管理，如氣象數據庫、光伏組件數據庫以及一些用于處理太陽能資源的特定工具(從不同數據源中導入氣象數據、氣象數據或太陽相關幾何參數的表或圖形顯示、晴朗天空的輻射模型、光伏陣列在部分陰影或組件失諧條件下的性能等等，均可由用戶自行擴展。因此，該軟件既可以通過幾個系統特征參數對系統進行粗略的評估，也可以用詳細的數據對電站進行整體設計。同時，用戶可以對該軟件的數據庫可以修改和擴展。6.2計算結果對比為了驗證RETScreen和PVSystem兩個軟件本身算法之間的差異，選取北京、廣州、西寧、呼和浩特、武漢5個城市作為代表點，采用相同的太陽能資源數據進行計算時，對不同軟件輸出結果的分析1、最佳傾角和傾斜面輻射量計算1）用兩種軟件計算出的最佳傾角結果相差12，而用同一種軟件計算時，在最佳傾角附近3，傾斜面上的輻射量數值幾乎相同。2）計算出的最佳傾角輻射量的結果差異在0.22%0.67%之間。因此，當采用相同的太陽能資源數據進行計算，兩種軟件的計算結果幾乎相同。2、不同系統效率下的理論發電小時數計算為進一步進行對比，對利用兩種軟件進行不同系統效率下的發電小時數進行了對比分析。計算的前提條件為：光伏組件10年衰減10%、25年衰減20%，線性衰減。6.3結論作為兩種常用的發電量計算軟件，RETScreen和PVSystem的計算原理基本相同。當采用相同的的太陽能資源數據進行計算，兩種軟件的計算結果幾乎相同。由于RETScreen和PVSystem都有自帶的太陽能資源數據，兩者差異較大。因此，如果采用默認數據時，用兩個軟件計算的結果差異會比較大。設計人員在計算發電量時，可根據個人習慣和具體需求，采用RETScreen和PVSystem的任何一個都可以。1太陽能發電技術綜述.中國知網2008-02-15引用日期2016-11-172分布式光伏發電解決方案 AAB國際引用日期2013-08-223 王飛. 并網型光伏電站發電功率預測方法與系統D . 北京： 華北電力大學， 2013.4 Chowdhury B H， Rahman S. Forecasting Sub-hourly Solar Irradiance for Prediction of Photovoltaic OutputC /New Orleans，LA： IEEE Photovoltaic Specialists Conference， 1987： 171-176.5 中蘭華， 廖志民， 趙陽. 基于 ARMA模型的光伏電站出力預測 J . 電測與儀表， 2011， 48 （2）：31-35.6 Safie F M. Probabilistic Modeling of Solar Power SystemsC /Atlanta，GA：Reliability and Maintainability Symposium，1989： 425-430.7 Muselli M， Poggi P， Notton G， et al. First Order Markov ChainModel for Generating Synthetic“Ttypical Days” Series of Global Irradiation in Order to Design Photovoltaic Stand Alone SystemsJ . Energy Conversion and Management， 2001， 42（6）：675-687.8 丁明， 徐寧舟. 基于馬爾科夫鏈的光伏發電系統輸出功率短期預測方法 J . 電網技術， 2011， 35 （1）： 152-157.9 Hiyama T. Neural Network Based Estimation of MaximumPower Generation from PV Module Using Environmental InformationJ . IEEE Transactions on Energy Conversion，1997，12 （3）：241-247.10 Yona A， Senjyu T， Saber A Y， et al. Application of Neural Network to 24-hour-ahead Generating Power Forecasting for PVSystemC /IEEE Power and Energy Society General Meeting-conversion and Delivery of Electrical Energy in the 21stCentury， 2008， 1-6.11 Cao S H， Cao J C. Forecast of Solar Irradiance Using Recurrent Neural Networks Combined with Wavel