国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

光伏發(fā)電功率預(yù)測(cè)方法綜述

2017-12-14 08:39曹煜祺張立梅
黑龍江科學(xué) 2017年21期
關(guān)鍵詞:河北農(nóng)業(yè)大學(xué)發(fā)電電網(wǎng)

曹煜祺,張立梅

(1.河北農(nóng)業(yè)大學(xué)機(jī)電工程學(xué)院,河北 保定 071000; 2.河北農(nóng)業(yè)大學(xué)信息科學(xué)與技術(shù)學(xué)院,河北 保定 071000)

光伏發(fā)電功率預(yù)測(cè)方法綜述

曹煜祺1,張立梅2

(1.河北農(nóng)業(yè)大學(xué)機(jī)電工程學(xué)院,河北 保定 071000; 2.河北農(nóng)業(yè)大學(xué)信息科學(xué)與技術(shù)學(xué)院,河北 保定 071000)

隨著光伏大規(guī)模接入電網(wǎng),其帶來(lái)的時(shí)變性、波動(dòng)性及隨機(jī)性將對(duì)電網(wǎng)的安全穩(wěn)定運(yùn)行帶來(lái)巨大的沖擊。光伏功率預(yù)測(cè)技術(shù)是提高光伏并網(wǎng)質(zhì)量、優(yōu)化電網(wǎng)調(diào)度、保證電網(wǎng)安全穩(wěn)定運(yùn)行的基礎(chǔ)技術(shù)。文中首先對(duì)光伏輸出的主要影響因素進(jìn)行了闡述,隨后對(duì)數(shù)據(jù)的選擇與處理進(jìn)行了討論,歸納了光伏功率預(yù)測(cè)方法,最后總結(jié)了預(yù)測(cè)結(jié)果的評(píng)價(jià)標(biāo)準(zhǔn)。

光伏發(fā)電;功率預(yù)測(cè);預(yù)測(cè)方法;評(píng)價(jià)標(biāo)準(zhǔn)

目前,人類正遭遇著世界范圍內(nèi)的能源危機(jī),全球不可再生能源存儲(chǔ)量不容樂(lè)觀。據(jù)英國(guó)bp石油公司統(tǒng)計(jì)分析,照2016年水平,全球煤炭?jī)?chǔ)量將能滿足人類153年的生產(chǎn),石油為50.6年,而天然氣約為52.5年[1]。面對(duì)如此嚴(yán)峻的形勢(shì),可再生能源越發(fā)地受到了國(guó)內(nèi)外的關(guān)注。而太陽(yáng)能,作為一種典型的可再生能源,由于其具有充分的清潔性與安全性也成為了人們關(guān)注和研究的熱點(diǎn)。自2002年,光伏發(fā)電已經(jīng)成為了發(fā)展最快的能源技術(shù),每年以48%的增幅滿足人們的能源需求[2]。近年來(lái),我國(guó)光伏產(chǎn)業(yè)發(fā)展迅速,至2016年年底,我國(guó)全年新裝機(jī)容量達(dá)到了34.54 GW,新增和累計(jì)裝機(jī)容量均為全球第一[3]。

由于光伏輸出表現(xiàn)出的時(shí)變性、波動(dòng)性和隨機(jī)性的特點(diǎn),當(dāng)大規(guī)模光伏發(fā)電系統(tǒng)并入電網(wǎng)時(shí),其將對(duì)電網(wǎng)的穩(wěn)定安全運(yùn)行帶來(lái)巨大的沖擊,大大增加了電網(wǎng)調(diào)度的難度[4]。因此,光伏發(fā)電功率的準(zhǔn)確預(yù)測(cè)對(duì)于保證電網(wǎng)的安全調(diào)度具有重要意義。本文首先介紹光伏功率輸出的影響因素,隨后介紹輸入數(shù)據(jù)的選擇與預(yù)處理,著重論述功率預(yù)測(cè)方法,最后總結(jié)光伏功率預(yù)測(cè)評(píng)價(jià)標(biāo)準(zhǔn)。

1 光伏功率輸出的主要影響因素

太陽(yáng)能電池板由于依靠太陽(yáng)能運(yùn)行,其工作狀態(tài)也受多重因素影響。如:光伏系統(tǒng)所處的經(jīng)緯度、場(chǎng)地地形條件等地理因素,季節(jié)、天氣狀況等環(huán)境因素,系統(tǒng)中光電轉(zhuǎn)換裝置的精度效率以及光伏陣列電池板的清潔運(yùn)營(yíng)維護(hù),等等[5]。

1.1 太陽(yáng)輻照強(qiáng)度

太陽(yáng)輻射強(qiáng)度大小受地形、經(jīng)緯度、天氣狀況等因素影響,直接影響著光伏功率輸出,相關(guān)關(guān)系見(jiàn)式(1):

P=rNSη

(1)

式中:N表示光伏陣列的數(shù)目;S表示單位光伏陣列的面積;r為光伏陣列上接受的太陽(yáng)輻照度;η為光電轉(zhuǎn)換效率[6]。

1.2 電池模塊的溫度

電池模塊只能將約小于20%的太陽(yáng)能轉(zhuǎn)化成電能。因此當(dāng)環(huán)境溫度過(guò)高、太陽(yáng)輻射過(guò)強(qiáng)時(shí)會(huì)造成電池的過(guò)熱。電池模塊溫度高于25℃時(shí)將會(huì)影響電池工作效率。由于光電轉(zhuǎn)換效率的下降,功率將以0.35%/℃的幅度下降[7]。

1.3 云層

大氣中的云層能夠?qū)μ?yáng)輻照度產(chǎn)生直接影響,其對(duì)太陽(yáng)短波輻射的直接反射會(huì)導(dǎo)致太陽(yáng)輻射的下降[8]。當(dāng)云層快速運(yùn)動(dòng)時(shí),短短幾秒就可以對(duì)一個(gè)點(diǎn)上的太陽(yáng)輻射造成超過(guò)60%的變化[9]。

1.4 大氣濕度

濕度過(guò)高即意味著大氣中的水汽過(guò)多,對(duì)太陽(yáng)輻射的削弱作用也更加明顯。光伏輸出與大氣濕度呈顯著負(fù)相關(guān)關(guān)系。

1.5 陣列的清潔維護(hù)

光伏陣列電池板上的積灰、積雪、污濁物等長(zhǎng)期堆積會(huì)影響光伏發(fā)電量。長(zhǎng)期運(yùn)行會(huì)造成局部發(fā)熱,出現(xiàn)熱斑效應(yīng)[10]。

2 模型輸入數(shù)據(jù)的選擇

影響光伏輸出的因素眾多且相互作用的機(jī)理十分復(fù)雜。然而,在構(gòu)建模型進(jìn)行功率預(yù)測(cè)時(shí)要考慮模型的復(fù)雜度,有必要篩選出對(duì)輸出影響較大的幾組輸入數(shù)據(jù),對(duì)模型進(jìn)行精簡(jiǎn)。

2.1 數(shù)據(jù)的預(yù)處理

首先要對(duì)殘缺數(shù)據(jù)、極端數(shù)據(jù)、錯(cuò)誤數(shù)據(jù)進(jìn)行剔除,然后按3∶1的比例將原始數(shù)據(jù)拆分成訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)。另外,由于原始數(shù)據(jù)數(shù)量級(jí)的差異及單位的不同,須對(duì)數(shù)據(jù)進(jìn)行歸一化處理。

2.2 影響因素的選擇

通過(guò)對(duì)眾多因素的重要性進(jìn)行分析,確定作為輸入的影響因素?cái)?shù)據(jù)。運(yùn)用線性回歸、支持向量機(jī)法等方法,通過(guò)最小化預(yù)測(cè)值與實(shí)際值的均方根誤差來(lái)進(jìn)行重要性分析。對(duì)于誤差的確定可以運(yùn)用k重交叉驗(yàn)證機(jī)制,將樣本數(shù)據(jù)隨意的、等大小的分成k組,取出(k-1)組作為訓(xùn)練組,剩余1組作為驗(yàn)證,得出誤差。重復(fù)進(jìn)行k次,使得每一組均進(jìn)行過(guò)驗(yàn)證。

2.3 參數(shù)的具體選擇

當(dāng)選定了一種影響因素作為輸入數(shù)據(jù),這也是一個(gè)龐大的數(shù)據(jù)庫(kù),需要對(duì)其中的數(shù)據(jù)進(jìn)行選擇。以溫度為例,原始?xì)庀髷?shù)據(jù)中包括一天中的最高溫度、最低溫度以及平均溫度,這三種溫度分別作為輸入數(shù)據(jù)時(shí),功率實(shí)際值與預(yù)測(cè)值的均方根誤差是不同的,體現(xiàn)了不同輸入選擇對(duì)模型預(yù)測(cè)精度的影響??衫蒙窠?jīng)網(wǎng)絡(luò)法、支持向量機(jī)法、k鄰近算法、多重線性回歸算法等方法進(jìn)行具體輸入?yún)?shù)的選擇。

3 光伏發(fā)電功率預(yù)測(cè)方法分類

光伏發(fā)電功率預(yù)測(cè)方法有許多,也有許多不同的分類方式,具體分類如圖1所示。

3.1 按照時(shí)間尺度分類

根據(jù)提前預(yù)測(cè)時(shí)間長(zhǎng)短,分為:中長(zhǎng)期預(yù)測(cè)、短期預(yù)測(cè)和超短期預(yù)測(cè)。中長(zhǎng)期預(yù)測(cè)一般預(yù)測(cè)期間為幾個(gè)月~1年,主要作用為電網(wǎng)的規(guī)劃及安全運(yùn)行。短期預(yù)測(cè)一般為1 d~2 d,超短期預(yù)測(cè)一般為0.5 h~6 h。短期預(yù)測(cè)對(duì)電網(wǎng)的安全穩(wěn)定運(yùn)行起著至關(guān)重要的作用。

3.2 按照對(duì)歷史數(shù)據(jù)的需求分類

將預(yù)測(cè)方法按對(duì)于歷史數(shù)據(jù)的需求量劃分,可分為:物理模型法、統(tǒng)計(jì)方法和學(xué)習(xí)法[11-12]。

3.2.1 物理模型法

通過(guò)光伏發(fā)電系統(tǒng)的地形位置信息建立太陽(yáng)位置模型,與天氣預(yù)報(bào)數(shù)據(jù)結(jié)合得到太陽(yáng)輻照度數(shù)據(jù),再通過(guò)構(gòu)建光伏電池及逆變器模型來(lái)預(yù)測(cè)光伏輸出功率。物理模型法不需要電站歷史運(yùn)營(yíng)數(shù)據(jù),直接投產(chǎn)就可預(yù)測(cè)[13]。

3.2.2 統(tǒng)計(jì)方法

運(yùn)用統(tǒng)計(jì)方法,通過(guò)分析獲得預(yù)測(cè)模型,輸入變量與被預(yù)測(cè)值之間的關(guān)系。利用光伏發(fā)電的歷史數(shù)據(jù)與相關(guān)因素?cái)?shù)據(jù)進(jìn)行統(tǒng)計(jì)分析[14-15]。常用的統(tǒng)計(jì)預(yù)測(cè)方法有季節(jié)性分析、自回歸移動(dòng)平均算法(ARMA)、自回歸積分移動(dòng)平均算法(ARIMA)、多次回歸分析、指數(shù)平滑算法等[16]。

3.2.3 學(xué)習(xí)機(jī)方法

學(xué)習(xí)機(jī)方法主要包括:模糊推理系統(tǒng)、遺傳算法、人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)(SVM),等等。

支持向量機(jī)法是一種基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則的新型機(jī)器學(xué)習(xí)方法。支持向量機(jī)法最初由Vapnik等人提出,研究分類問(wèn)題,后拓展至回歸問(wèn)題領(lǐng)域的研究(SVR),可很好的研究光伏發(fā)電功率問(wèn)題[17-18]。

圖1 光伏預(yù)測(cè)方法分類Fig.1 Classification of PV prediction methods

人工神經(jīng)網(wǎng)絡(luò)(ANN)是光伏功率預(yù)測(cè)的有力工具,具有大規(guī)模數(shù)據(jù)處理、自適應(yīng)學(xué)習(xí)、容錯(cuò)性強(qiáng)等特點(diǎn)。網(wǎng)絡(luò)主要包括三層:輸入層、隱含層與輸出層,各層之間通過(guò)權(quán)重連接。將輻照度等相關(guān)因素作為輸入,以光伏發(fā)電系統(tǒng)歷史發(fā)電量作為輸出數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。訓(xùn)練好的網(wǎng)絡(luò)可以進(jìn)行光伏功率預(yù)測(cè)。

4 評(píng)估指標(biāo)

光伏發(fā)電模型預(yù)測(cè)結(jié)果與實(shí)際值不可避免的存在著一定誤差,誤差不斷減小是研究的追求所在,對(duì)誤差的科學(xué)評(píng)估也顯得尤為重要。誤差的評(píng)估主要采用以下3種方法:

(2)

(3)

(4)

其中:N為樣本數(shù)量;Pmj為目標(biāo)值;Pcj為預(yù)測(cè)值。

5 結(jié)語(yǔ)

光伏發(fā)電對(duì)于能源的可持續(xù)利用具有重要意義,然而由于太陽(yáng)輻照度、氣象因子等不確定性因素造成系統(tǒng)本身具有時(shí)變性、波動(dòng)性及隨機(jī)性等特點(diǎn),當(dāng)光伏發(fā)電系統(tǒng)大規(guī)模接入電網(wǎng)時(shí),這種不確定性因素會(huì)對(duì)電網(wǎng)帶來(lái)巨大的沖擊。因此,光伏發(fā)電功率的準(zhǔn)確預(yù)測(cè)對(duì)于電網(wǎng)的安全穩(wěn)定運(yùn)行具有重要意義。

[1] BOB D.BP statistical review of world energy [EB/OL].http://www.bp.com/en/global/corporate/about-bp/energy-economics/statistical-review of-world-energy.html.

[2] De Giorgi M G,Congedo P M,Malvoni M. Photovoltaic power forecasting using statistical methods: impact of weather data[J]. Iet Science Measurement amp; Technology,2014,8(03):90-97.

[3] 陳東坡. 2016-2017年中國(guó)光伏回顧與展望[J].電子產(chǎn)品世界,2017,(04):9-11.

[4] Chine W,Mellit A,Pavan A M,et al. Fault detection method for grid-connected photovoltaic plants[J]. Renewable Energy,2014,66(03):99-110.

[5] 張雪莉,劉其輝,馬會(huì)萌,等. 光伏電站輸出功率影響因素分析[J].電網(wǎng)與清潔能源, 2012,28(05):75-81.

[6] Yona A,Senjyu T,F(xiàn)unabashi T. Application of Recurrent Neural Network to Short-Term-Ahead Generating Power Forecasting for Photovoltaic System[C]//Power Engineering Society General Meeting. IEEE,2007:1-6.

[7] Meral M E, Din?er F. A review of the factors affecting operation and efficiency of photovoltaic based electricity generation systems[J]. Renewable amp; Sustainable Energy Reviews,2011,15(05):2176-2184.

[8] 汪凱,葉紅,陳峰,等.中國(guó)東南部太陽(yáng)輻射變化特征、影響因素及其對(duì)區(qū)域氣候的影響[J]. 生態(tài)環(huán)境學(xué)報(bào),2010,19(05):1119-1124.

[9] 錢振,蔡世波,顧宇慶,等.光伏發(fā)電功率預(yù)測(cè)方法研究綜述[J].機(jī)電工程,2015, 32(05):651-659.

[10] 范迪飛,董兵海,王世敏,等.太陽(yáng)能電池板表面自清潔技術(shù)的研究進(jìn)展[J].材料導(dǎo)報(bào),2015,29(19):111-115.

[11] 李春來(lái),朱慧敏,景滿德,等.并網(wǎng)型光伏電站功率預(yù)測(cè)方法探討[J].電工技術(shù),2010,(12):27-28.

[12] Yadav H K,Pal Y,Tripathi M M. Photovoltaic power forecasting methods in smart power grid[C]// India Conference. IEEE,2016.

[13] 盧靜,翟海青,劉純,等.光伏發(fā)電功率預(yù)測(cè)統(tǒng)計(jì)方法研究[J].華東電力,2010,38(04):563-567.

[14] De Giorgi M G,Congedo P M,Malvoni M. Photovoltaic power forecasting using statistical methods: impact of weather data[J]. Iet Science Measurement amp; Technology,2014,8(03):90-97.

[15] Kardakos E G,Alexiadis M C,Vagropoulos S I,et al. Application of time series and artificial neural network models in short-term forecasting of PV power generation[C]// Power Engineering Conference. IEEE,2014:1-6.

[16] Das U K,Tey K S,Idris M Y I,et al. Forecasting of Photovoltaic Power Generation and Model Optimization[J]. Renewable amp; Sustainable Energy Reviews,2017,(09):96-97.

[17] Vapnik V N. An overview of statistical learning theory[J]. IEEE Transactions on Neural Networks,1999,10(05):988.

[18] Hu J,Gao P,Yao Y,et al. Traffic flow forecasting with particle swarm optimization and support vector regression[C]// International Conference on Intelligent Transportation Systems. IEEE,2014:2267-2268.

Areviewofthephotovoltaicpowerpredictionmethods

CAO Yu-qi1, ZHANG Li-mei2

(1.College of Mechanical and Electrical Engineering, Agricultural University of Hebei, Baoding 071000, China; 2.College of Information and Science and Technology, Agricultural University of Hebei, Baoding 071000, China)

With the growing scale of photovoltaic (PV) power generation system connected to the grid, its time variability, volatility and randomness will bring huge impact to the grid. The technique of photovoltaic power prediction is the foundation of improving PV grid-connected quality, optimizing dispatch system and ensuring a safe and stable running of the grid. This paper expounded the main affecting factors of the PV output and then discussed the methods of data selection, summarized the PV power prediction methods. At the end of this paper, a conclusion of the evaluation criteria is proposed.

PV power generation; Power prediction; Prediction method; Evaluation criteria

TM615

A

1674-8646(2017)21-0031-03

2017-09-22

曹煜祺(1997-),女,河北農(nóng)業(yè)大學(xué)機(jī)電工程學(xué)院本科在讀學(xué)生。

猜你喜歡
河北農(nóng)業(yè)大學(xué)發(fā)電電網(wǎng)
河北農(nóng)業(yè)大學(xué)120周年校慶公告
“發(fā)電”
《河北農(nóng)業(yè)大學(xué)(社會(huì)科學(xué)版)》2021年喜報(bào)
穿越電網(wǎng)
檸檬亦能發(fā)電?
河北農(nóng)業(yè)大學(xué)優(yōu)秀教師
——張 燾
《河北農(nóng)業(yè)大學(xué)學(xué)報(bào)》征稿簡(jiǎn)則
搖晃發(fā)電小圓球
摩擦發(fā)電
電網(wǎng)建設(shè)工程通用造價(jià)管理模式探討