《光伏发电预测(9页).doc》由会员分享,可在线阅读,更多相关《光伏发电预测(9页).doc(9页珍藏版)》请在得力文库 - 分享文档赚钱的网站上搜索。
1、-光伏发电预测-第 9 页太阳能发电预测综述在煤矿,石油开采量日益见底和生态环境急速恶化的严峻形势下 ,太阳能作为一种自然能源 ,以其储量丰富且清洁无污染性显示了其独特的优势 ,已被国际公认为未来最具竞争性的能源之一。从太阳能获得电力,需通过太阳电池将光能转化为电能。它同以往其他电源发电原理完全不同。要使太阳能发电真正达到实用水平,一是要提高太阳能光电变换效率并降低其成本,二是要实现太阳能发电同的电网联网。目前太阳能发电主要有以下两种形式:1. 太阳能光发电太阳能光发电是指无需通过热过程直接将光能转变为电能的发电方式。 它包括光伏发电、光化学发电、光感应发电和光生物发电。 光伏发电是利用太阳能
2、级半导体电子器件有效地吸收太阳光辐射能,并使之转变成电能的直接发电方式,是当今太阳光发电的主流。在光化学发电中有电化学光伏电池、光电解电池和光催化电池,目前得到实际应用的是光伏电池。12. 太阳能热发电通过水或其他工质和装置将太阳辐射能转换为电能的发电方式,称为太阳能热发电。先将太阳能转化为热能,再将热能转化成电能,它有两种转化方式:一种是将太阳热能直接转化成电能,如半导体或金属材料的温差发电,真空器件中的热电子和热电离子发电,碱金属热电转换,以及磁流体发电等;另一种方式是将太阳热能通过热机(如汽轮机)带动发电机发电,与常规热力发电类似,只不过是其热能不是来自燃料,而是来自太阳能。太阳能热发电
3、有多种类型,主要有以下五种:塔式系统、槽式系统、盘式系统、太阳池和太阳能塔热气流发电。 前三种是聚光型太阳能热发电系统,后两种是非聚光型。 一些发达国家将太阳能热发电技术作为国家研发重点,制造了数十台各种类型的太阳能热发电示范电站,已达到并网发电的实际应用水平。2影响因素太阳能光伏发电成为目前太阳能利用的主要方式之一。光伏发电分为离网和并网两种形式 ,随着光伏并网技术的成熟与发展 ,并网光伏发电已成为主流趋势。由于大规模集中并网光伏发电系统容量的急速增加 ,并网光伏发电系统输出功率固有的间歇性和不可控等缺点对电网的冲击成为制约并网光伏发电的重要元素。太阳能光伏发电系统发电量受当地太阳辐射量、温
4、度、太阳能电池板性能等方面因素的影响。(1)光照强度对光伏发电量的影响:光照强度是指在单位时间和单位面积内,在地球表面上接收到的垂直投射的太阳辐射能量。光伏发电系统产生电能所需的能量完全来自、于太阳的辐照,因此光照强度对光伏发电系统的发电量具有决定性的作用,二者之间呈正相关性,即光照强度越强,光伏发电量越多。 (2)季节类型对光伏发电量的影响:由于在不同的季节,太阳入射角的大小以及方向、日照时间的长短、光照强度的强弱存在明显的差异,到达地表的太阳辐照度经过吸收、散射,辐射等各种减弱作用后也会不同,光伏发电系统的发电量的多少也在变化。这种差异性即为不同的季节类型对光伏发电量的影响。 (3)天气类
5、型对光伏发电量的影响:将天气类型的时间范围确定在 24 小时之内。由于晴天、阴云和雨天 3 种天气类型在全年中出现的天数最多,因此最具有代表性。在晴天时,由于天空中遮挡太阳辐射物较少,辐照度的几乎不会有衰减,光伏发电系统发电量较高;在阴天时,由于天空中云层的遮挡,会造成辐照度的衰减,加之其他衰减因素的共同作用,光伏发电量值大幅度减小;在雨天时,由于云层、湿度、风况以及其他衰减因素的共同作用,此时光伏发电量曲线无规律性,发电量值最低。 (4)温度对光伏发电量的影响:光伏发电量的多少与温度有很大的相关性。这种影响来自于以下两个方面:环境温度升高,光伏组件温度随之升高,开路电压减小,在20到 100
6、之间, 每升高 1, 电压约减少 2mV; 与之相反,电流略有增加,约为 0.1mA。对于光伏发电量来说,温度每升高 1,则其近似减少 0.35%。 (5)相对湿度对光伏发电量的影响:在季节类型、天气类型相同,环境温度与太阳能电池组件的温度相近时,相对湿度增加,光伏发电系统发电量将会减少。其一,是因为相对湿度增加,大气层将会增大对光照强度的削弱力度;其二,由于相对湿度会影响光伏组件的热传导效应,使其散热能力降低。太阳能具有不稳定、间歇性和不可控性等特点,给微电网的并网运营带来很多挑战。光伏发电受自然环境、地理条件和设备性能的影响,光伏发电量存在着的很强的不确定性。因此光伏发电的有效预测可以为电
7、力部门调度分配电量提供依据,同时也能促进光伏产业的大力发展。3.太阳能光伏发电预测原理当前 ,对太阳能光伏发电预测的研究主要集中在太阳能辐射强度的预测上。太阳辐射的逐日或逐时观测数据构成了随机性很强的时间序列 ,但太阳辐射序列的内部仍有某种确定性的规律 ,只有充分了解掌握太阳能光伏发电的特点、变化规律 ,才能建立符合实际情况的预测模型及方法。太阳辐射分为直接太阳辐射和散射太阳辐射。直接太阳辐射为太阳光通过大气到达地面的辐射 ;散射太阳辐射为被大气中的微尘、分子、水汽等吸收、反射和散射后 , 到达地面的辐射。散射太阳辐射和直接太阳辐射之和称为总辐射。太阳总辐射强度的影响因素包括 :太阳高度角、
8、大气质量、 大气透明度、 海拔、纬度、坡度坡向、云层。太阳能光伏发电预测是根据太阳辐射原理 ,通过历史气象资料、光伏发电量资料、卫星云图资料等 ,运用回归模型、人工神经网络、卫星遥感技术、数值模拟等方法获得预测信息 ,包括太阳高度角、大气质量、大气透明度、海拔、纬度、坡度坡向、云层等要素 ,根据这些要素建立太阳辐射预报模型。4.1 按预测时间尺度分类从时间尺度上可以分为中长期功率预测、 短期功率预测和超短期功率预测 3。中长期功率预测的时间尺度大, 一般为1周或1个月, 主要用于光伏电站的规划设计和电网中长期调度等, 短期功率预测的时间尺度一般为 13 d, 超短期功率预测的时间尺度为 04
9、h, 短期和超短期功率预测对电网实时调度等具有重要的决定作用, 对系统运行安全性和稳定性具有直接影响。目前, 中长期功率预测一般采用统计方法利用历史数据进行预测, 短期功率预测一般需根据数值天气预报获得未来 13 d 内气象要素预报值, 然后根据历史数据和气象要素信息得到地面辐照强度的预测值, 进而获得光伏电站输出功率的预测值, 超短期功率预测的主要原则是根据地面拍摄的云图或地球同步卫星拍摄的卫星云图推测云层运动情况, 从而计算出未来几 h内太阳辐照强度,再通过光伏发电功率模型得到光伏发电输出功率的预测值。4.2 按预测空间尺度分类光伏发电功率预测方法按照空间尺度主要分为 4种, 分别是微尺度
10、、 小尺度、 中尺度、 大尺度功率预测方法3。依次针对单个发电单元、 单个光伏电站、 由多个光伏电站组成的光伏电站集群和更大地理区域内的光伏发电站。空间尺度越小, 功率预测越难, 这是因为预测时无法采用平均值, 尺度越小对功率预测时的空间分辨率的要求越高。近年来, 小功率的分布式发电系统大量发展, 其发电功率波动性很大, 对电网系统的稳定性和安全性造成较大威胁, 这对光伏发电系统功率预测提出了更高要求。4.3 按预测方式分类从预测方式上可分为直接预测和间接预测两类。前者直接对光伏电站的输出功率进行预测; 后者又叫分步预测, 首先对太阳辐射强度进行预测, 然后根据光伏发电系统发电模型得到输出功率
11、。直接预测方式简洁方便, 但直接预测模型需要从历史发电数据直接预测未来的发电功率,预测的准确性一方面决定于预测算法, 另一方面决定于是否有大量准确的历史数据。分步预测方式包括太阳辐照强度预测和光伏发电系统功率模型两个过程, 在每个过程中可灵活选择不同的方法, 某种程度上克服了直接预测方式的局限性。4.4 按预测方法分类从预测方法上来说, 光伏功率预测包含统计方法和物理方法。统计方法的原理是统计分析历史数据, 从而发现其内在规律并最终用于发电功率预测, 可以直接预测输出功率, 也可以预测太阳辐照强度; 物理方法是在已知太阳辐射强度预测值的情况下, 研究光能转化的物理过程, 采用物理方程, 考虑温
12、度、 寿命等影响因素,由预测的太阳辐射强度得到光伏系统发电功率预测值。5. 预测方法国内外研究情况5.1 直接预测方法直接预测方法本质上都是统计方法, 由历史数据预测未来数据。其原理是假定光伏发电系统不发生衰减, 那么发电历史规律不会发生改变, 根据简单天气预报和历史发电数据, 就可对未来的发电功率进行预测。5.1.1 线性预测方法1)时间序列法。时间序列预测法是应用较早的一种方法。它把负荷数据看作是一个周期性变化的时间序列。根据系统发电的历史数据,建立数学模型来描述发电功率的统计规律性, 在此基础上对光伏发电功率进行预报 4-5。2)时间趋势外推法。时间趋势外推法主要使用马尔科夫链模型预测光
13、伏发电量6-8。由于该方法受天气影响很大, 目前较少使用。5.1.2 非线性预测方法1)人工神经网络。人工神经网络(ANN)算法在复杂非线性预测方面有着良好表现, 适用于光伏发电功率预测这样的场合。将天气、 季节等影响因素作为输入, 用历史数据对算法进行训练, 最终可实现光伏发电功率的预测 9-11。2)支持向量机。支持向量机(SVM)是一种机器学习算法, 与传统的神经网络学习方法不同的是, 它实现了结构风险最小化(SRM)。在国外, 法国玛格丽特太阳能协会使用支持向量机算法进行了光伏系统发电量预测研究。在国内, 栗然等12建立了基于支持向量机的光伏系统发电功率预测模型。3)其它非线性方法。常
14、用的非线性方法还有模糊逻辑预测法13、 小波分析预测法14、 卡尔曼滤波预测法 15等。各种非线性方法是未来直接预测法发展的重点, 目前国内外的研究也多集中于此。5.1.3 组合预测方法组合预测法是指使用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, 最后选取误差最小的模型进行预测, 该方法难点在于误差计算方法; 另外一种是将几种结果进行加权平均, 提高预测的准确性。该方法的难点在于如何计算各种预测方法的权重。5.2 分步预测法中的太阳辐照强度预测方法上节中的直接预测方法也可用于太阳辐照强度预测, 只是输入数据中的历史发电功率变为
15、历史太阳辐照强度, 其它类似, 不再赘述。而以下介绍的几种方法可直接进行太阳辐照强度预报, 无需历史数据。5.2.1 基于数值天气预报的方法数值天气预报根据流动力学和热力学原理建立微分方程组, 确定大气初始状态后, 就可迭代计算出来某个时间大气的状态, 就是通常所说的温度、 风、 降水、 太阳辐照度等。目前经常使用的全球数值天气预报模型主要有美国的 GFS模型和欧盟的 ECMWF模型, 最长可进行 15 d 的预报, 其中 GFS 免费提供预报。全球数值天气预报模型的空间分辨率和时间分辨率都比较低, 目前的模型其空间分辨率为 1650 km, 时间分辨率为36 h。全球数值天气预报模型难以直接
16、应用, 常常作为其它更小尺度预报的基础。中尺度数值天气预报模型仅仅覆盖地球上的一小部分地区, 由各个国家或商业公司运行, 空间分辨率和时间分辨率要高得多, 空间分辨率在120 km, 时间分辨率为1 h。中尺度预报模型常用的是WRF模型。WRF模型是 20世纪 90年代由美国的科研机构为中心开发的一种统一的中尺度数值天气预报模型,2000年开始免费对外发布, 已更新了数个版本,用户可在此基础上开发本地的数值天气预报模型, 空间分辨率可达 1 km。目前数值天气预报的缺点在于其空间和时间分辨率仍然不够高。1 km的空间分辨率无法对具体的一块云做出预测, 只能对某一片区域的整体平均天气做出预测。1
17、 h的时间分辨率也无法进行高时间分辨率的功率预测。因此, 基于数值天气预报的方法目前主要应用于较大区域的光伏发电系统功率预测。另外, 数值天气预报方法中的气象和环境因素较为复杂, 精准度的提高一直是目前研究的重点和难点。5.2.2 基于云图的方法云的大小、 形状、 厚度、 致密度等因素都会直接影响到达地面的太阳辐照强度, 而云在时间上和空间上很容易发生变化。因此, 知道并预测云的变化是太阳辐照强度预测面临的一项挑战任务。通过卫星云图和地面拍摄的云图, 可以预测云的变化。其基本原理是由历史的云图数据预测未来云的变化。使用气象卫星云图进行光伏发电功率预测的方法,这些卫星实际上都是遥感卫星, 通过勘
18、测地球大气系统发射或反射的电磁辐射可获得遥感图像数据。但基于卫星云图的方法空间分辨率仍然不够高, 基于地面的云图方法则弥补了这一缺陷。该方法利用地面的监测装置抓拍云图, 能够捕捉云的突然变化。基于地面的云图方法预测的时间范围在025 min之间。5.3 分步预测法中的光伏发电系统功率模型建立方法光伏系统发电功率模型是实现发电功率准确预测的关键。目前, 国内外有关光伏发电功率模型的建模方法主要有物理模型方法和统计模型方法两大类。5.3.1 物理模型方法物理模型方法的有效性取决于对研究对象内部构成及其所遵循规律的把握程度和模型参数的精度。1)效率模型。即直接通过太阳辐照强度和效率因子估算光伏发电系
19、统输出功率。该方法计算精度低, 只适用于光伏电站选址等对精度要求很低的场合。2) 电子元件模型 16-17。使用基于光伏半导体设备物理或发光二极管的物理原理来建立电子元件模型。由于模型考虑因素不够全面, 基于该类模型的预测方法基本不再使用。3)物理模型。综合考虑寿命、 温度、 雨雪等的影响, 建立光伏发电的物理模型。结合天气、太阳阵的构型布片方式等, 日本学者建立三维模型考虑了建筑物遮挡情况下对复杂光伏发电量预测方法 18。5.3.2 统计模型方法统计模型把光伏发电系统看作一个 “黑箱”,并不关注内部各模块的特性或内部各因素影响分析, 而是基于实际运行数据对其功率特性进行拟合。常用的统计建模方
20、法有神经网络、 关联数据等方法。各类预测方法对比( 1) 在间接预测方法中, 光照幅度预测模型的预测精度是影响间接预测方法预测效果的决定性因素。发电功率预测模型中,经验公式法因无需历史发电功率数据而广泛应用于新建成光伏电站,并且由简单物理模型逐步发展为复杂物理模型。统计学习模型由于结合光照幅度与历史发电功率等因素,预测效果一般优于其它预测方法,但建模条件较高;( 2) 直接预测方法的总体预测精度一般低于间接预测方法,对变化天气状况下的适应性与间接预测方法相比较低,但由于直接预测方法无需预测光照幅度,建模简单、 预测成本较低, 因而也得到大量应用。根据光伏电站的实际情况将单一预测模型组合形成的混
21、合模型具有更好的适应性、 容错性和预测效果,成为直接预测方法中一个重要研究方向;( 3) 无论哪种预测方法, 气象条件都是影响光伏发电短期预测效果的一个重要原因,划分天气类型、使用数值天气预报都可降低其对预测精度的影响。然而,目前在多云、 阵雨等不稳定气象条件下的预测效果仍然不理想。季节变化相对具有一定规律可寻,一般通过利用地外辐照度、 按季节建立子预测模型来补偿季节更替对预测的影响,并取得了较好的效果。6太阳能发电预测软件目前,市场上有许多用于光伏电站发电量计算的软件,如RETScreen、PVsystem、PVSOL、Sunny Design、PVF-chart和Conergy等等,常用主
22、要是PVsystem和RETScreen。基本情况1、RETScreenRETScreen是一种标准整体可再生能源工程分析软件,用以评估各种能效、可再生能源技术的能源生产量、节能效益、寿命周期成本、减排量和财务风险,也包括产品、成本和气侯数据库。该软件由加拿大政府通过 CANMET加拿大自然资源能源多样化研究所向全世界提供,免费使用。该软件功能比较强大,可对风能、小水电、光伏、热电联产、生物质供热、太阳能采暖供热、地源热泵等各类应用进行经济性、温室气体、财务及风险分析,计算光伏发电系统发电量只是其功能之一。但该软件不太适用于专业的光伏发电系统设计。软件中的全球气象数据库来自美国航空航天局,其地
23、面数据与中国的气象站提供的地面数据有较大差别,在使用时应予注意。2、PVSystemPVSystem是光伏系统设计的专业软件,可用于设计并网、离网、抽水系统和DC-网络光伏系统,并包括了广泛的气象数据库、光伏系统组件数据库,以及一般的太阳能工具等。基于项目的不同进展阶段,该软件提供了初步设计、项目设计、详细数据分析3种水平上的光伏系统研究。初步设计:在这种模式下,光伏发电系统的产出仅需输入很少的系统特征参数而无须指定详细的系统单元即可被非常迅速的用月值来评估,还可以得到一个粗略的系统费用评估。项目设计:用详细的小时模拟数据来进行详细的系统没计。在“项目”对话框中,可以模拟不同的系统运行情况并比
24、较它们。这个模块在设计光伏阵列、选择逆变器、蓄电池组或泵等方面能给设计人员提供很大的帮助。详细数据分析:当一个光伏系统正在运行或被详细监控时,这部分允许输出详细数据,并以表格或者图形的形式显示。此外,在“工具”中还包含了数据库管理,如气象数据库、光伏组件数据库以及一些用于处理太阳能资源的特定工具(从不同数据源中导入气象数据、气象数据或太阳相关几何参数的表或图形显示、晴朗天空的辐射模型、光伏阵列在部分阴影或组件失谐条件下的性能等等,均可由用户自行扩展。因此,该软件既可以通过几个系统特征参数对系统进行粗略的评估,也可以用详细的数据对电站进行整体设计。同时,用户可以对该软件的数据库可以修改和扩展。计
25、算结果对比为了验证RETScreen和PVSystem两个软件本身算法之间的差异,选取北京、广州、西宁、呼和浩特、武汉5个城市作为代表点,采用相同的太阳能资源数据进行计算时,对不同软件输出结果的分析1、最佳倾角和倾斜面辐射量计算1)用两种软件计算出的最佳倾角结果相差12,而用同一种软件计算时,在最佳倾角附近3,倾斜面上的辐射量数值几乎相同。2)计算出的最佳倾角辐射量的结果差异在0.22%0.67%之间。因此,当采用相同的太阳能资源数据进行计算,两种软件的计算结果几乎相同。2、不同系统效率下的理论发电小时数计算为进一步进行对比,对利用两种软件进行不同系统效率下的发电小时数进行了对比分析。计算的前
26、提条件为:光伏组件10年衰减10%、25年衰减20%,线性衰减。结论作为两种常用的发电量计算软件,RETScreen和PVSystem的计算原理基本相同。当采用相同的的太阳能资源数据进行计算,两种软件的计算结果几乎相同。由于RETScreen和PVSystem都有自带的太阳能资源数据,两者差异较大。因此,如果采用默认数据时,用两个软件计算的结果差异会比较大。设计人员在计算发电量时,可根据个人习惯和具体需求,采用RETScreen和PVSystem的任何一个都可以。1太阳能发电技术综述.中国知网2008-02-15引用日期2016-11-172分布式光伏发电解决方案 AAB国际引用日期2013-
27、08-223 王飞. 并网型光伏电站发电功率预测方法与系统D . 北京: 华北电力大学, 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 中兰华, 廖志民, 赵阳. 基于 ARMA模型的光伏电站出力预测 J . 电测与仪表, 2011, 48 (2):31-35.6 Safi
28、e 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 Al
29、one SystemsJ . Energy Conversion and Management, 2001, 42(6):675-687.8 丁明, 徐宁舟. 基于马尔科夫链的光伏发电系统输出功率短期预测方法 J . 电网技术, 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,199
30、7,12 (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
31、 Solar Irradiance Using Recurrent Neural Networks Combined with Wavelet AnalysiJ .Applied Thermal Engineering, 2005, 25 (2/3):161-172.12 栗然, 李广敏. 基于支持向量机回归的光伏发电出力预测J . 中国电力, 2008, 41 (2): 74-78.13 Mellit A, Kalogirou S, Shaari S, et al. Methodology for Predicting Sequences of Mean Monthly Clearness
32、Index and Daily Solar Radiation Data in Remote Areas:Application for Sizing aStand-alone PV SystemJ . Renewable Energy,2008, 33(7):1570-1590.14 Mellit A, Benghanem M, Kalogirou S A. An Adaptive Wavelet-network Model for Forecasting Daily Total SoIar-radiationJ . Applied Energy, 2006, 83 (7): 705-722
33、.15 Chaabene M, Ammar M. Neuro-fuzzy Dynamic Model with Kalman Filter to Forecast Irradiance and Temperature for SolarEnergy SystemsJ . Renewable Energy, 2008, 33(7):1435-1443.16 Osterwald C R. Translation of Device Performance Measurements to Reference ConditionsJ . Solar Cells,1986,18(18):269-279.17 Green M A. Solar Cells: Operating Principles, Technology andSystem Application M . New Jersey: Prentice-Hall,1982.18 杨超, 榑沼弘贵. 太阳能光伏发电系统发电量的预测方法J . 智能建筑电气技术, 2011, 5 (2): 29-34.
限制150内