光伏发电功率预测方法研究综述
光伏发电出力预测技术研究综述
光伏发电出力预测技术研究综述济南睿能电力设计咨询有限公司，山东济南250000摘要：由于地球上人口数量的不断增加，人类对资源需求量随之上升，这给全球资源带来了极大压力，资源浪费现象的不断出现，导致自然灾害问题频发。
而为了能够有效的缓解这一问题，光伏发电技术被广泛应用，该技术的应用，在节省电能源方面有着积极意义。
关键词：光伏发电；出力预测；技术；研究一、光伏发电的内涵太阳能光伏发电，是指工作人员通过太阳能电池组件，在充分发挥半导体材料电子学特点的前提下，将太阳能转换为电能。
并网发电系统通过光伏数组接收到的太阳能，将其转换为高压直流电，再利用逆变器形成可供使用的正弦交流电。
电力企业运行中，为了充分发挥光伏发电系统的作用，国家电网系统也颁布了多项优惠政策，支持光伏发电项目的发展。
光伏发电在一定程度上可以节省蓄电池储能，在最大化功率运行时，太阳能发电效率也是最高的，同时其也有着很高的收益率，光伏系统布置分散，可以为用户提供较多的电能，有效缓解电网传输与分配间的压力。
二、光伏功率预测方法(一)自回归滑动平均(ARMA)模型。
光伏出力与气象变量的时间序列关系影响因素较多，且因子间关系复杂，因此属于非平稳时间序列。
而ARMA模型在处理非平稳时间序列的短期预测方面较有优势，适合于从指定的时间序列数据预测光伏发电。
ARMA中AR模型是系统对过去自身状态的记忆，为自回归过程；MA模型则是系统对过去时刻进入系统的噪声的记忆，为滑动平均过程。
ARMA利用历史数据来建模，经过模型识别、参数估计、模型检验来确定一个能描述所研究时间序列的数学模型，再由该模型推导出预测模型，一旦该模型确定，就可用该序列的过去值和现值来预测未来值。
其一个时间序列在某时刻的值可用p个历史观测值的线性组合加上一个白噪序列的q项滑动平均来表示。
(p，q)阶自回归滑动平均模型可表示为:式中，X(t)为时间序列t时刻的值；ai为自回归参数；βj为滑动平均参数；p为自回归阶数；q为滑动平均阶数；e(t)为时间序列t时刻的随机干扰量，构成一个白噪声序列。
光伏发电功率预测技术研究
光伏发电功率预测技术研究随着能源危机的日益加剧，各国政府逐渐意识到新能源在能源结构调整和环保方面的作用。
光伏发电作为新能源的代表之一，其优点是清洁、环保、可再生、分布式，成为了全球范围内各国政府在实现能源转型发展中的重要选择。
但是，光伏发电的不确定性也为电网安全稳定运行带来了挑战，因此精准的光伏发电功率预测技术变得尤为关键。
光伏发电系统通常采用组串式方案或者集中式方案，其发电功率与多种因素有关，如日照强度、温度、湿度、风速风向等环境因素，以及面板状况、阴影遮挡等系统部件因素。
如何准确地预测光伏发电功率，是发电系统运行及精准设计的重要问题。
1. 光伏发电功率预测方法光伏发电功率预测方法主要分为统计学方法、数学模型方法和基于机器学习的预测方法。
其中，数学模型和基于机器学习的预测方法在当前应用范围较广。
数学模型方法主要采用物理建模的方法，可以获得较高的预测准确率，但是也存在模型过于复杂、预测范围狭窄等问题。
最常用的数学模型方法是人工神经网络、支持向量机和遗传算法等。
基于机器学习的预测方法主要包括KNN、SVM、随机森林等算法，其预测准确度高，适用数据种类多样、样本数据量大的情形。
与数学模型相比，在模型构建的速度和效率上具有优势。
2. 光伏发电功率预测因素在光伏发电功率预测中，需要考虑的因素有很多。
除了上文提到的环境因素、面板状态等常规因素外，还有更具体的因素。
例如，光伏电池的类型、组串数、阴影与否、面板倾角、季节及日照时间等因素，以及监测数据采集频率、采样时间等因素。
这些因素的精准测量和监测是预测精确度的关键。
3. 光伏发电功率预测应用光伏发电功率预测技术应用广泛，其主要用途包括以下几个方面：（1）电网规划与策略：预测准确可靠的光伏发电功率可以为电网规划和运行提供重要支撑和决策参考。
（2）发电站规划与设计：预测结果可以提供光伏发电站规划和设计的依据，优化设计方案。
（3）发电站实时监测与运维管理：实时预测功率可以及时发现异常状态，对故障问题进行修复和管理。
光伏发电出力预测技术研究综述
光伏发电出力预测技术研究综述摘要：随着社会的发展，科技得到了飞速的进步，可是能源短缺是当前社会发展所面临的困境，在各种可再生能源中，太阳能是一种无污染并且资源充沛的能源之一，受到人们的广泛关注与利用。
因其自身独特的优点，在社会发展过程中被人们充分利用。
可是在使用的过程中，因为光伏发电的输出功率并不稳定，所以给用户造成了很大的困扰，相关工作者可以对光伏发电出力进行预设工作，正文主要介绍通常所使用的预测方式以及发展现状，对预测结果进行深入探究，希望对光伏发电今后的发展有所帮助。
关键词：光伏出力；预测技术；出力预测根据根据调查发现，太阳能已经能为各个国家能源升级以及转型的重要方向，并且已经规模化发展光伏发电工程，在此过程中取得了一定的成绩。
根据调查数据显示，截止至2020年底，全球光伏发电电机容量已经超过500GW，与前一年同期相比，增长75%，由此可以看出光伏发电具有良好的发展势头。
可是在发展光伏发电的过程中受到较多的干扰因素，给电网系统带来了不利影响。
为了有效解决这一问题，相关工作者提出并使用可光伏发电出力预测技术，以此来保障其作业成效。
1.光伏发电出力预测技术在以往对光伏发电出力作业进行预测工作时，存在一些问题，为了有效解决这些问题，相关作业人员在以往预测技术的基础之上提出了新型的概念，例如短期预测概念以及超短期预测概念，二者的具体使用状况如此下文：1.1超短期预测技术在进行光伏发电的过程中，有较多的干扰因素，此时电路会表现出较强的间接性问题，对电力系统的正常运行产生不利影响。
若想要有效解决此问题，相关工作者提出了一种新型的预测技术——超短期预测技术。
该技术主要以光伏发电系统为基础进行建模，之后对其影响因素进行预测，并以此构建出短期预测模型。
依据模型的算法以及变化规律，对点电网管理部门进行沟通，确保其发出功率能够达到预期的效果。
从实际作用成果来看，此种方式主要是利用某种特殊的算法对样本进行反复预测，之后根据预测量以及预测值条件之间的关系，根据特殊数列进行叠加，获得最终预测数值。
光伏发电短期预测研究进展综述
光伏发电短期猜测探究进展综述近年来，随着全球对可再生能源的日益重视，光伏发电作为其中的重要组成部分得到了广泛关注。
光伏发电利用太阳能的光辐射转化为电能，不仅无污染、可持续，而且具有分离性和广泛性优势。
然而，由于天气变化等自然因素的影响，光伏发电的输出功率存在较大波动，因此对光伏发电的短期猜测探究具有重要意义。
本文将对光伏发电短期猜测的探究进展进行综述，以期为相关领域的探究者提供参考。
近年来，光伏发电短期猜测的探究重点主要集中在两个方面，即天气因素模型和猜测算法优化。
在天气因素模型方面，科学家们通过分析太阳能资源数据，建立了一系列的天气因素模型。
常用的模型包括：反演模型、统计模型和物理模型。
反演模型通过观测数据反演得到太阳辐射状况，能够较准确地反映太阳辐射变化趋势。
统计模型则通过历史观测数据的统计分析，从而进行将来的猜测。
物理模型是利用物理学原理建立的模型，通过对大气、太阳辐射传输等过程的模拟，得到将来太阳能辐射状况的猜测结果。
这些天气因素模型可以提供准确的天气猜测数据，为光伏发电的短期猜测提供了基础。
在猜测算法优化方面，科学家们致力于寻找更加精准高效的猜测算法。
传统的猜测算法包括回归分析、支持向量机、人工神经网络等。
回归分析是一种基于历史数据的统计分析方法，通过拟合历史数据的曲线，来猜测将来的发电功率。
支持向量机则是一种通过训练样本点的分类来对未知数据进行分类的机器进修方法。
人工神经网络则是模拟人脑神经细胞互相毗连的计算模型，通过对数据的进修和训练，实现对未知数据进行猜测。
这些猜测算法在一定程度上可以提高光伏发电的短期猜测准确性。
除了传统的算法，近年来，一些新的猜测算法也开始应用于光伏发电的短期猜测中。
如基于深度进修的猜测算法，利用深度神经网络的特点，可以更好地开掘数据之间的关联性，从而提高猜测准确性。
此外，集成进修算法也被应用于光伏发电的猜测中，通过综合多个模型和算法的猜测结果，得到更加稳定和精确的猜测结果。
基于神经网络的光伏发电功率预测算法研究
基于神经网络的光伏发电功率预测算法研究一、课题背景及研究意义随着全球变暖和能源不断紧缺的问题日益突出，太阳能光伏发电作为清洁、可再生、无污染的能源，受到了越来越广泛的关注。
预测太阳能光伏发电的功率，是提高光伏发电系统效率和性能的重要手段。
而基于神经网络的光伏发电功率预测，可以提高预测的准确性，为光伏发电系统的运行、管理、调度和维护提供可靠的依据。
二、相关研究综述基于神经网络的光伏发电功率预测，是近年来研究的热点之一。
现有的研究成果主要有以下几个方面：1.基于BP神经网络的功率预测模型BP神经网络是一种常用的神经网络模型，被广泛应用于光伏发电功率预测领域。
通过将历史数据作为输入，将未来一段时间内的功率作为输出，训练BP神经网络模型，可以得到较为准确的功率预测结果。
2.基于RBF神经网络的功率预测模型RBF神经网络具有优秀的拟合能力和预测性能，在光伏发电功率预测中也得到了广泛的应用。
通过将历史数据作为输入，将未来一段时间内的功率作为输出，训练RBF神经网络模型，可以得到更为精确的功率预测结果。
3.基于深度学习的光伏发电功率预测模型近年来，深度学习技术的发展，为光伏发电功率预测带来了革命性的进展。
通过使用深度神经网络模型，如卷积神经网络、循环神经网络和深度置信网络等，可以提高光伏发电功率预测的准确度和鲁棒性。
三、研究方法本研究旨在建立一种基于神经网络的光伏发电功率预测模型，具体研究方法如下：1.数据采集通过搭建光伏发电系统，在不同天气条件下采集光伏电池的输出功率数据和气象数据，并建立数据集。
2.神经网络结构设计本研究采用基于BP神经网络的预测模型作为基础模型，进一步引入深度学习和改进算法，设计适合光伏发电功率预测的神经网络结构。
3.数据预处理对采集到的数据进行清洗、筛选和归一化处理，减少误差和噪声的影响，提高神经网络预测的准确性。
4.模型训练和测试将数据集拆分为训练集和测试集，使用训练集对神经网络模型进行训练，使用测试集对模型性能进行评估和验证。
光伏发电出力预测技术研究综述
光伏发电出力预测技术研究综述摘要：太阳能光伏发电对地表太阳辐射强度十分敏感，其出力具有较强的随机性，对电网的调频、调峰、备用等都具有较大影响。
随着光伏发电并网容量的不断增加，光伏发电的随机性给电力系统调度和运行带来的风险越发凸显。
对光伏发电功率进行更准确的预测能够为电网调度决策提供可靠的依据，对确保电网的安全稳定和系统的优化运行有重大意义。
我国在光伏发电出力预测领域已开展了大量研究，但是在预测技术方面仍稍滞后于欧美发达国家，处于探索阶段。
关键词：光伏发电；出力预测；技术一、光伏发电的内涵太阳能光伏发电，是指工作人员通过太阳能电池组件，在充分发挥半导体材料电子学特点的前提下，将太阳能转换为电能。
并网发电系统通过光伏数组接收到的太阳能，将其转换为高压直流电，再利用逆变器形成可供使用的正弦交流电。
电力企业运行中，为了充分发挥光伏发电系统的作用，国家电网系统也颁布了多项优惠政策，支持光伏发电项目的发展。
光伏发电在一定程度上可以节省蓄电池储能，在最大化功率运行时，太阳能发电效率也是最高的，同时其也有着很高的收益率，光伏系统布置分散，可以为用户提供较多的电能，有效缓解电网传输与分配间的压力。
二、光伏发电出力预测技术目前光伏系统的发展趋势是并网运行，由于运行的大规模的光伏并网电站很少，资料和数据有限．国内外的一些研究机构和组织对光伏出力预测有了一定的研究，天气和气候条件的实时数据集，日照强度和气候天气等数据可以通过传统方法和卫星遥感方法获得，传统获取数据的方法仅能提供当地的测量值，而通过卫星可以获得大面积地区的资料，方便进行预测。
光伏出力预测技术在国内外尚处探索和研究阶段。
1、基于物理法的预测技术。
物理方法就是找出输出量与输入量之间的关系建立物理方程，通过物理方程进行预测，光伏发电系统的输出功率具有不连续性和不确定性，影响其出力的因素有很多，其中主要为气象因素，太阳能光伏发电装置的实际输出随太阳辐射强度的变化而变化，而太阳辐射强度的变化却存在很大的随机性，而且与实时的大气状况、太阳辐射角、地表倾斜角、观测时间及日期、云层厚度及范围等因素具有密切相关性，利用历史数据建立光伏出力与这些影响因素之间的物理方程，再通过天气预报等手段预测天气情况带入建立好的物理方程中，可最终得到预测结果。
光伏发电系统功率预测方法综述
光伏发电系统功率猜测方法综述随着全球对可再生能源的需求不息增长，太阳能光伏发电系统的应用也日益普及。
然而，太阳能光伏发电的特殊性质，如日照条件、气候变化和系统本身特征的动态性，给功率猜测带来了挑战。
因此，开发准确可靠的光伏发电系统功率猜测方法势在必行，以提高光伏发电系统的效率和经济性。
现有的光伏发电系统功率猜测方法主要可以分为天文学模型、统计学模型和机器进修模型三大类。
天文学模型是最早被提出的方法之一，它基于太阳角度和日照时间等因素，通过计算太阳高度角、太阳方位角以及太阳辐射强度等参数来猜测光伏系统的发电功率。
这种方法具有较高的准确性和可行性，但受限于所需的天文学数据的可获得性，猜测范围较窄。
统计学模型是基于历史数据和阅历公式建立的猜测模型。
依据过去的天气数据和发电数据，通过统计方法来分析它们之间的干系，建立一个数学模型来猜测将来的发电功率。
这种方法适用于长期猜测，但对于动态的天气变化和新的环境条件缺乏灵活性。
机器进修模型是目前探究的热点，凭借其强大的进修能力和适应性，成为猜测光伏发电功率的主要方法之一。
常见的机器进修方法包括神经网络、支持向量机、决策树以及随机森林等。
机器进修模型通过输入大量的历史数据，自动进修其中的规律和模式，从而猜测将来的发电功率。
此外，机器进修模型还可以结合其他影响因素，如温度、湿度和风速等，建立更准确的猜测模型。
它具有良好的灵活性和鲁棒性，适用于各种光伏发电系统的功率猜测。
在实际应用中，由于每个光伏发电系统的特点和环境条件各不相同，最优的功率猜测方法也会有所不同。
因此，选择合适的猜测方法需要思量多个因素，如精度、计算复杂度、数据需求和适用范围等。
面对光伏发电系统功率猜测的挑战，将来的探究方向主要包括以下几个方面：1.改进天文学模型：进步更精确的天文学模型，以思量更多的影响因素，如地理位置、气候变化和大气污染等，提高猜测准确性。
2.优化统计学模型：结合机器进修技术，改进统计学模型的猜测能力，并思量更多的因素，如季节性变化和光伏组件老化等，提高猜测的稳定性和可靠性。
光伏发电出力预测技术研究综述
光伏发电出力预测技术研究综述摘要：随着国家的发展越来越好，太阳能开发利用已成为全球能源转型的重要领域，光伏发电全面进入规模化发展阶段，呈现出良好的发展前景。
关键词：光伏发电；出力预测技术引言光伏发电系统预测受气象、环境条件的影响，具有较大的波动性和随机性，给并网带来了诸多挑战。
解决这些问题的关键在于准确预测光伏发电系统在一定时间内的发电量。
概述和跟踪光伏发电的主要预测技术，并强调这些预测模型基于统计数据和人工智能。
最后，指出了各种预测技术的不足和改进方向，帮助相关领域的研究人员提出更好的发电预测模型。
1光伏发电的影响因素1.1太阳辐照强度辐照强度是指单位时间内，垂直投射在地球表面某一单位面积上的太阳辐射能量。
辐照强度时刻影响着光生伏打效应的输出效率，因为光伏电池材料的主要元素是硅，有了太阳辐射强度，电子和空穴会在硅材料中相应移动，这时，在硅材料电池内就可产生电场，由于电场的作用在外部存在负载接入时，进而产生电流，输出电功率。
1.2温度光伏电池板的表面温度是影响光伏电池板性能的首要因素，这个因素不容忽视。
光伏电池板的效率会随着温度的升高而降低，温度升高会使电池板内载流子的迁移率、扩散长度以及少数载流子的寿命变差。
光伏电池具有很好的吸热性，所以它们的温度会在运行期间显著上升，从而改变光伏发电系统的光电转换效率。
光伏面板的温度取决于光伏面板的吸收特性、封装结构与材料、散热性、光伏面板工作的地点、大气参数如辐照度水平、环境温度、风速和特定安装条件等。
1.3风速风速对光伏电池性能具有重要的影响，因为它影响光伏面板的温度和灰尘积累。
风可以加速光伏面板上方的气流流动，而流动的空气可以加快光伏面板的热传递，使面板的温度降低。
1.4天气类型当日的天气类型在气象预报中都会涵盖，如光照强度和温度等数据。
把当天的具体光照强度和温度变化限定在一定范围之内，不可能将时时刻刻的天气状态完全反映出来，所以对光伏电站的输出功率变化规律有所缺失。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第３２卷第５期 ２０１５年５月 机 电 工 程
Ｊｏｕｒｎａｌ ｏｆ Ｍｅｃｈａｎｉｃａｌ＆Ｅｌｅｃｔｒｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ Ｖｏ１．３２ Ｎｏ．５
Ｍａｙ ２０１５
ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００１—４５５１．２０１５．０５．０１５
光伏发电功率预测方法研究综述 钱 振 ，蔡世波 ，顾宇庆２，童建军 ，鲍官军 （１．浙江工业大学，特种装备制造与先进加工技术教育部／浙江省重点实验室，浙江杭州３ １００３２； ２．上海汽车集团股份有限公司技术中心，上海２０００４１）
摘要：针对太阳能光伏发电输出功率不稳定的问题，分析了国内外光伏发电功率预测方法的研究现状，总结并提出了今后研究的建 议方向，介绍了太阳辐射、晴空指数、日照时数、云、温度、风速和面板积尘等影响光伏发电的各种因素，着重综述了２００８年以来光 伏发电功率预测尤其是短期预测的研究概况，对光伏功率预测的时间尺度和精度这两个重要指标进行了讨论，分析了数据基础、影 响因素、精度指标、时间响应和评价标准等光伏发电预测中需要重点关注的技术难点。研究结果表明，近年来的研究工作主要集中 在短期预测，到目前为止对于各种预测方法尚没有被公认的评价标准，难以对各种预测算法进行评估比较。最后结合综述分析，提 出了今后光伏发电功率预测研究工作的建议方向。 关键词：功率预测；光伏系统；评价标准 中图分类号：ＴＭ６１５ 文献标志码：Ａ 文章编号：１００１—４５５１（２０１５）０５—０６５１—０９
Ｒｅｖｉｅｗ ｏｆ ＰＶ ｐｏｗｅｒ ｇｅｎｅｒａｔｉｏｎ ｐｒｅｄｉｃｔｉｏｎ ＱＩＡＮ Ｚｈｅｎ ，ＣＡＩ Ｓｈｉ—ｂｏ ，ＧＵ Ｙｕ—ｑｉｎｇ ，ＴＯＮＧ Ｊｉａｎ－ｊｕｎ ，ＢＡＯ Ｇｕａｎ－ｊｕｎ （１．Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ ｏｆ Ｅ＆Ｍ，Ｍｉｎｉｓｔｒｙ ｏｆ Ｅｄｕｃａｔｉｏｎ＆Ｚｈｅｊｉａｎｇ Ｐｒｏｖｉｎｃｅ，Ｚｈｅｊｉａｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ， Ｈａｎｇｚｈｏｕ ３ １００３２，Ｃｈｉｎａ；２．Ｔｅｃｈｎｏｌｏｇｙ Ｃｅｎｔｅｒ，ＳＡＩＣ Ｍｏｔｏｒ Ｃｏｒｐｏｒａｔｉｏｎ Ｌｉｍｉｔｅｄ，Ｓｈａｎｇｈａｉ，２０００４１）
Ａｂｓｔｒａｃｔ：Ａｉｍｉｎｇ ａｔ ｔｈｅ ｐｒｏｂｌｅｍｓ ｏｆ ｕｎｓｔａｂｌｅ ｓｏｌａｒ ＰＶ ｐｏｗｅｒ ｇｅｎｅｒａｔｉｏｎ，ｔｈｅ ｒｅｌａｔｅｄ ｐｒｅｄｉｃｔｉｏｎ ｒｅｓｅａｒｃｈｅｓ ｗｅｒｅ ａｎａｌｙｚｅｄ ａｎｄ ｔｈｅ ｓｕｇｇｅｓｔｉｏｎｓ ｏｆ ｒｅｓｅａｒｃｈｉｎｇ ａｓｐｅｃｔｓ ｉｎ ｔｈｅ ｆｕｔｕｒｅ ｗｅｒｅ ｐｒｏｐｏｓｅｄ．Ｔｈｅ ｆａｃｔｏｒｓ ｔｈａｔ ｉｎｆｌｕｅｎｃｉｎｇ ｔｈｅ ＰＶ ｐｏｗｅｒ ｇｅｎｅｒａｔｉｎｇ，ｓｕｃｈ ａｓ ｓｏｌａｒ ｒａｄｉａｔｉｏｎ，ｃｌｅａｒｎｅｓｓ ｉｎ－ ｄｅｘ，ｓｕｎｓｈｉｎｅ ｄｕｒａｔｉｏｎ，ｃｌｏｕｄ，ｔｅｍｐｅｒａｔｕｒｅ，ｗｉｎｄ ｓｐｅｅｄ ａｎｄ ｄｕｓｔ ａｃｃｕｍｕｌａｔｉｏｎ，ｗｅｒｅ ｉｎｔｒｏｄｕｃｅｄ．Ｒｅｃｅｎｔ ｐｒｏｇｒｅｓｓ ｏｆ ＰＶ ｐｏｗｅｒ ｐｒｅｄｉｃｔｉｏｎ ｆｒｏｍ ２００８，ｅｓｐｅｃｉａｌｌｙ ｓｈｏｒｔ－ｔｅｒｍ ｐｒｅｄｉｃｔｉｏｎ ｒｅｓｅａｒｃｈ，ｗａｓ ｅｍｐｈａｓｉｚｅｄ ａｎｄ ｏｖｅｒｖｉｅｗｅｄ．Ｔｈｅ ｔｗｏ ｉｍｐｏｒｔａｎｔ ｉｎｄｅｘ ｏｆ ＰＶ ｐｏｗｅｒ ｐｒｅｄｉｃｔｉｏｎ， Ｔｅｍｐｏｒａｌ ｓｃａｌｅ ａｎｄ ａｃｃｕｒａｃｙ ｗｅｒｅ ａｎａｌｙｚｅｄ．Ｔｈｅ ｔｅｃｈｎｉｃａｌ ｃｈａｌｌｅｎｇｅｓ ｔｈａｔ ｗｅｒｅ ｎｅｅｄｅｄ ｔｏ ｆｏｃｕｓ ｏｎ ｉｎ ｔｈｅ ＰＶ ｐｏｗｅｒ ｇｅｎｅｒａｔｉｏｎ ｐｒｅｄｉｃｔｉｏｎ， ｌｉｋｅ ｄａｔａ ｓｕｐｐｏｒｔ，ｆａｃｔｏｒｓ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ，ａｃｃｕｒａｃｙ ｍｅｔｒｉｃｓ，ｔｉｍｅ ｒｅｓｐｏｎｓｅ ａｎｄ ｅｖａｌｕａｔｉｏｎ ｓｔａｎｄａｒｄ，ｗｅｒｅ ｅｘｐｌｏｒｅｄ．Ｔｈｅ ｒｅｓｕｌｔｓ ｉｎｄｉｃａｔｅ ｔｈａｔ ｍｏｓｔ ｏｆ ｒｅｃｅｎｔ ｒｅｓｅａｒｃｈ ｗｏｒｋ ａｒｅ ｄｅｄｉｃａｔｅｄ ｔｏ ｓｈｏｒｔ－ｔｅｒｍ ｐｒｅｄｉｃｔｉｏｎ ａｎｄ ｔｈｅｒｅ ｉｓ ｎｏ ａｐｐｒｏｖｅｄ ｓｔａｎｄａｒｄ ｆｏｒ ａｌｌ ｋｉｎｄ ｏｆ ｐｒｅｄｉｃｔｉｏｎ ｍｅｔｈｏｄｏｌｏｇｉｅｓ ｔｉｌ１ ｎｏｗ，ｗｈｉｃｈ ｍａｋｅｓ ｉｔ ｉｍｐｏｓｓｉｂｌｅ ｔｏ ｅｖａｌｕａｔｅ ｔｈｅ ａｌｇｏｒｉｔｈｍｓ．Ｆｉｎａｌｌｙ，ｔｈｅ ｓｕｇｇｅｓｔｉｏｎｓ ｆｏｒ ＰＶ ｐｏｗｅｒ ｇｅｎｅｒａｔｉｏｎ ｐｒｅｄｉｃｔｉｏｎ ｒｅｓｅａｒｃｈ ｉｎ ｔｈｅ ｆｕ． ｔｕｒｅ ａｒｅ ｐｒｏｐｏｓｅｄ ｂｙ ｔｈｅ ｓｕｍｍａｒｙ ｏｆ ｔｈｅ ｒｅｖｉｅｗ ａｎａｌｙｓｉｓ． Ｋｅｙ ｗｏｒｄｓ：ｐｏｗｅｒ ｐｒｅｄｉｃｔｉｏｎ；ｓｏｌａｒ ＰＶ ｓｙｓｔｅｍ；ｅｖａｌｕａｔｉｏｎ ｓｔａｎｄａｒｄ
０ ７ １言 尝 随着世界经济的快速发展，越来越多的能源被消 司（ＢＰ）预测２０３０可再生能源占全球能源供应的比例 收稿日期：２０１４一ｌｌ一１９ 基金项目：国家高技术研究发展计划“８６３”计划资助项目（ＳＳ２０１３ＡＡ０５０４０５）；教育部博士点基金资助项目（２０１２３３１７１１０００４）；国际科技合作项 目（￥２０１３ＺＲ０６０９）；浙江省重点科技创新团队资助项目（２０１１ＲＳ００１１－１６）；特种装备制造与先进加工技术教育部／浙江省重点实验室（浙江工业大学） 开放基金资助项目（２０１１ＥＭ００１）． 作者简介：钱振（１９９０一），男，浙江瑞安人，主要从事机器人控制、光伏控制等方面的研究．Ｅ—ｍａｉｌ：ｚｈｅｎｑｉａｎ—ｚｊｕｔ＠１６３．ｃｏｍ． 通信联系人：鲍官军，男，博士，副教授，硕士生导师．Ｅ—ｍａｉｌ：ｇｊｂａｏ＠ｚｊｕｔ．ｅｄｕ．ｃｎ． ・６５２・ 机 电 工 程 第３２卷 将达到３０％。太阳能是最理想的可再生能源之一，在 太阳能应用中，光伏发电是最重要的形式之一。 光伏系统可以应用于单个建筑的独立系统、农村 的户用光伏系统、偏远地区的大规模光伏发电厂或与 其他能源相结合构成的微型智能电网。不管以哪一种 形式应用，它都存在发电功率预测的问题。特别是在 光伏发电厂和微网系统中，光伏发电输出的预测数据 不仅在管理、调度、操作、公共电网和微电网的控制中 发挥重要作用，也在系统的优化、能源有效利用、电网 的安全和稳定运行中起着至关重要的作用［ａ－３］。 本研究首先简要介绍光伏发电及其影响因素，着 重讨论分析近年来光伏发电功率预测的研究工作，并 针对光伏发电预测研究工作存在的问题深人讨论、提 出相关建议。
１ 光伏发电的影响因素 １．１太阳辐射 光伏系统产生电能的数量几乎是和照射到光伏面 板上的太阳辐射量成正比的。研究表明：太阳辐射量 （单位：ｋｗ／ｍ ）减少５０％，光伏面板的输出功率也会 降低５０％［４１。 地球表面的太阳辐射量对于太阳能系统领域的工 程应用和研究来说至关重要。一般来说，入射到光伏 面板的太阳辐射由３个部分组成，即直接辐射、散射辐 射和反射辐射。 １．２晴空指数 地球表面的太阳辐射和地外辐射的比率称为晴空 指数，晴空指数是一个随机参数，它是年、季节、气候条 件和地理位置的一个函数。从定义上，晴空指数也是 太阳辐射在地球表面的线性函数。所以晴空指数也是 太阳辐射的一个指示器。一些研究人员尝试不同的模 型来计算晴空指数以预测太阳辐射 Ｊ。在罗马尼亚 的布拉索夫市区，月平均晴空指数被用来预测每月的 太阳辐射ｌ６］。也有一些研究人员认为 ：晴空指数应 该与其他因素，如规范化Ｅｌ照时间一起作为太阳辐射 预测的输人数据。 １．３ 日照时数 日照时数是指太阳每天在垂直于其光线的平面上 的辐射强度超过或等于１２０ Ｗ／ｍ 的时间长度 Ｊ。在 一个具体的地理位置，可应用随机模型 ］、模糊逻 辑 ｍ 和神经模糊 ＂ 等方法计算光伏发电系统的Ｅｔ 照时数。 １．４ 云是影响光伏发电输出功率的主要因素之一。由 于遮挡作用，云会大幅度降低达到光伏面板的太阳辐 射量；并且，云的快速移动或变化会导致光伏输出功率 的大幅度波动。一片飘过的云团可以在几秒钟内使一 个点上的太阳辐射的变化超过６０％。 云对光伏系统的影响和太阳位置改变对光伏系统 的影响不同，太阳位置的改变对光伏系统输出的影响 具有统一性和相关性，但云的大小、形状、速度和方向 都在持续地变化，所以云具有高随机性和不确定性，从 而导致被其遮挡的光伏系统输出功率在不断地随机性 波动变化。 １．５温度 太阳能光伏电池的效率随着温度的升高而减少， 因为温度升高会使载流子的迁移率、扩散长度以及少 数载流子的寿命变差。硅光伏电池具有很好的吸热 性，所以它们的温度会在运行期间显著的上升，从而改 变了光伏发电系统的光电转换效率¨ 。光伏面板的 温度取决于光伏面板的吸收特性、封装结构与材料、散 热性、光伏面板工作的地点、大气参数如辐照度水平、 环境温度、风速和特定安装条件等。
１．６风速 风速对光伏电池性能具有重要的影响，因为它影 响光伏面板的温度和灰尘积累。风可以加速光伏面板 上方的气流流动，而流动的空气可以加快光伏面板的 热传递，使面板的温度降低。实验表明，面板的温度是 以风速约１．４５￣Ｃ／（ＩＩ１・ｓ ）的增加而降低的 。此 外，风也影响光伏电池上的灰尘覆盖层中沉积结构，从 而影响覆盖层的透射率 。 １．７灰尘 在户外环境中构建的光伏系统，光伏面板暴露在 空气中，天长日久自然会积累灰尘。几项研究表明，积 累的灰尘会降低太阳能光伏电池的性能。光伏面板暴 露在户外１Ｏ天后，它的透光率平均降低８％ｌ１８］，８个 月后光伏面板的性能大约降低３２％ｌ１ 。光伏面板上 的沙子堆积将造成光伏发电效率下降１７％ 。谷歌 大学的一个对比实验则表明：灰尘会导致光伏面板输 出的电流降低２％ ］。
２光伏功率预测的研究进展 ２．１研究现状 光伏发电预测方法主要分为两类：统计法和人工