计及天气类型指数的光伏发电短期出力预测

陶晓峰

摘 要：随着光伏发电系统在电力系统中的广泛应用，光伏出力的有效应用可以充分预测并且缓解电源对电力系统造成的影响。在这个过程中，需要分析外界因素，比如天气类型，对光伏发电出力的影响，最终得出相关模型，采取有效的防治措施，以达到保证电力系统稳定运行的目的。简要阐述了光伏电池模型及其输出特性，研究了光伏预测的影响因素，并深入分析了预测模型的内容，以期为日后的相关工作提供参考。

关键词：天气类型指数；光伏发电；短期出力影响；预测模型

中图分类号：TM615 文献标识码：A DOI：10.15913/j.cnki.kjycx.2017.07.037

1 光伏电池模型及其输出特性

光伏电池主要是以半导体PN结来接收太阳能所产生的光电效应，它可以直接将光能转换为电能，其中主要应用到的是能量转换器。光伏电池的输出特点与光照、温度等因素有很大的关系。在保持温度不变的情况下，光伏电池的最大输出功率可以随着光照强度的增大而不断增大。在光照强度不变的情况下，如果温度不断升高，光伏电池最大输出功率的变化幅度则相对比较小。

2 光伏预测的影响因素

2.1 天气类型的划分

在全国各地，天气状况对光伏出力有相当大的影响，产生的因素也比较多。虽然划分气象类型的方法多种多样，但我国对气象划分有统一的定义和标准，共划分了33种气象类型，包括晴天、多云、阵雨和大雨4种特点鲜明的典型代表类型。在不同的季节，不同的天气類型在出力类型方面也会呈现不同的表现方式。

2.2 气象因素对光伏预测的影响

气象因素与光照强度、气温、云量和风速等因素是不同的，为了更加准确地分析其对光伏出力的影响，需要分析每个因素与光伏出力之间的相关性，并且对求数值进行排序。

3 预测模型

3.1 预测模型的建立流程

在建立模型的过程中，要先处理收集好的光伏电站的历史数据和气象数据，利用处理好的数据对BP神经网络进行科学的训练，之后根据训练好的神经网络模型预测光伏电站的短期出力。

3.2 预测模型的设计

在设计预测模型的过程中，需要应用到人工神经网络，也可以将其称为预测太阳辐射强度和光伏发电系统输出功率的有效科学方式。BP神经网络已经成为目前应用最广泛的人工神经网络模型之一，它是单向传播的、多层前向的网络，在非线性映射和自适应方面具有相当稳定的基础。

本文选用3层神经网络作为主要研究对象，输入层的节点数量和预测模型的输入变量是一致的，本文输入节点数量为15个。在充分考虑了当地光伏电站的地理位置后，晚上7：00到次日凌晨5：00的发电功率为0，所以，需要选择其他时间测量，选择预测日期的前一天和预测日期当天的天气类型指数作为预测模型进行输入。

隐含层为一层，其中，单元数目的选择对结果的影响是比较大的。从隐含层单元数据中获取到的信息与输入输出单元的数量有直接关系——如果输入输出单元的数量太少，从网络中所获取到的信息则比较少；如果输入输出单元的数量太多，就会出现错误，有误差。因此本文选取的隐含测节点数量为13个。

3.3 训练样本的选取和数据处理

在训练样本时，要训练、观察、记录每天每个时间节点的发电功率和天气类型指数。样本中的数据在不同的时间量上有不同的单位，数量级也相差很大。因此，由神经元激活函数的特点可知，神经元的输出一般会限制在一定范围内，在大部分人工神经网络的应用中，会利用非线性的激活函数操作。本文将神经元的输出限定在（0，1）或者（-1，1）之间，训练原始数据后达到神经元饱和的状态。所以，在训练网络之前需要进行相关处理，最大限度地减小不同因素引发的预测误差。

本文输出的数据主要是预测前一天每一个时间段的发电功率、天气类型指数和当天的天气类型指数，输出数据则为预测当天每一个时间段的发电功率。

3.4 BP神经网络的训练和预测

利用BP神经网络的训练方式进行训练时，主要采用的是误差反向传播学习的算法设置训练样本和训练次数。在对权值进行初始化之后，就可以设置当前为迭代次数，按照顺序输入样本，计算出每一层的输出和反传误差值。

3.5 预测结果以及分析

根据文中所述内容预测某城市的情况。图1是天气类型为晴天的预测结果曲线，从中可以看出，预测到的数值与实际值的曲线是非常相似的。

另外，还需要预测雨天的相关情况。其中，某个时间段预测结果的误差是比较大的，出现这种情况的原因有2点：①雨天对样本的训练比较少；②在雨天，受外界因素的影响，会改变外界的天气环境，从而导致预测结果发生变化。

4 结束语

综上所述，本文简要分析了环境因素对光伏发电输出功率的影响，并建立了计及天气类型指数的光伏发电短期出力的预测模型。在实际应用实验过程中，需要根据不同的天气类型合理分析光伏电站的发电功率，利用欧式距离科学地划分和归类当地的天气类型，根据每天天气类型的平均发电功率建立预测模型，以保证其准确性，从而形成比较强的预测能力。

参考文献

[1]杨太明，孙喜波，刘布春，等.安徽省水稻高温热害保险天气指数模型设计[J].中国农业气象，2015，36（2）：220-226.

[2]袁晓玲，施俊华，徐杰彦，等.基于BP神经网络的光伏发电短期出力预测[J].可再生能源，2013，31（7）：11-16.

〔编辑：白洁〕