太阳能光伏发电预测方法分析

　　太阳能变化趋势主要受到当地地理条件和气象条件的影响。地理条件的影响有明显规律，可以根据当地经纬度计算出全年太阳的运行轨迹，并结合光伏电池阵列自身的参数计算出太阳能变化的一个总体变化趋势。但该趋势并不能反映出几小时内，甚至不能反映出几天内的太阳能变化的大致情况。

　　气象条件对于太阳辐射的影响是最直接的。要实现几小时内的太阳能趋势预报，就必须找到根据气象条件推算出太阳能趋势的计算方法。近年来，随着太阳能产业的飞速发展，对太阳能光伏发电预测要求的不断增加，发达国家对太阳能光伏发电预测的研究较早、发展较快。目前，我国对太阳能光伏发电预测技术的研究还处于起步阶段，需进一步深入研究与实验。

　　太阳能辐射的预测方法主要有三大类：

　　第一类：基于历史气象数据和光伏发电量数据的研究，采用统计学方法进行分析建模；

　　第二类：基于卫星云图资料数据和地面监测资料数据，通过卫星、雷达图象处理，计算出实时太阳能辐射的预报方法；

　　第三类：基于数值天气预报的预测方法。

　　1.第一类预测方法

　　第一类预测方法，其模型的建立不考虑太阳辐射变化的物理过程，通过对历史观测数据资料进行分析和处理，以历史发电量预报未来发电量。一般采用回归模型预测、神经网络等数学方法，建立光伏发电系统与气象要素相关性的统计模型，进行发电量预测。该方法模型构造及运算方法较为简单，但只适应于发电量变化不大的平稳时间序列，对于发电量变化较大的时间序列，误差较大。

　　1.1 回归模型预测

　　回归模型预测根据历史资料，，找出天气变化与太阳辐射的关系及其变化规律，建立可以进行数学分析的数学模型，对未来的太阳辐射进行预测。该方法其特点是将预测目标的因素作为变量，将预测目标作为常量。利用给定的多组变量和常量资料，研究各种变量之间的关系。利用得到的回归方程式来表示变量与常量之间的相对关系，从而达到预测太阳辐射的目的。在大量的实验与实践中得出，变量误差较大，尤为正午时误差明显。

　　回归模型预测对于非线时间序列的太阳辐射数据预测结果并不理想。人工神经网络方法较回归模型预测误差较小。

　　1.2 人工神经网络

　　人工神经网络方法采用神经网络技术，建立发电量与太阳总辐射、板温的函数模型，历史数据结合效果较好。目前研究最多的是应用误差反向传播算法（BP算法）进行短期预期。该算法的主要思路为将历史数据和影响太阳辐射最大的几类因素作为输入量输入人工神经网络，经过输入层、隐含层和输出层中各种数据运算从而生成输出量；再以设定误差为目标函数对人工神经网络权值进行反复修正与完善，直至达到设定误差值。

　　在传统统计无法满足要求时，可利用人工神经网络进行预测方法，但该方法同样基于历史气象数据进行预测，发电量预报严重依赖于太阳总辐射预报准确：未能找出影响光伏发电量的关键逐时气象要素，对突发及随机的天气变化预测较难控制。

2.第二类预测方法

　　第二类预测方法主要利用卫星遥感技术完成太阳辐射的预测。卫星遥感是指以人造卫星为传感器平台的观测活动，是通过勘测地球大气系统发射或反射的电磁辐射而实现的。它包括对地观测以及面向太空环境的观测活动，其中对地观测是目前卫星遥感的主要内容高空间分辨率图像数据和地理信息系统紧密结合，为太阳辐射预测提供了可高依据。

　　1960年，第一颗泰罗斯卫星将第一幅可见光云图传送至地球，使人们看到了用卫星遥感的巨大潜力。从此，以气象卫星技术的逐步完善为开始，又逐渐出现了遥感地球大气、地球表面陆地、海洋特征以及监测地球环境的各种卫星。

　　美国的卫星遥感技术一直处于世界领先地位，代表了卫星遥感技术的发展水平。欧洲、加拿大、日本等国都在大力发展研究遥感技术。我国的第一颗地球同步气象卫星“风云2号”，于1997年6月10升空，标志着我国卫星遥感技术迈上了新的台阶。

　　经过大量的研究与实践表明，卫星遥感技术获取的小时地面辐射数据与地面观测的辐射数据偏差较大，最大误差可达到均方根误差20%-25%。因此如何更好的较小误差，准确的统计、预测将成为遥感技术的发展方向。

　　3.第三类预测方法

　　第三类预测方法主要利用数值模拟方法进行预测，即用数学物理模式对大气状况进行分析，用高速计算机求解进行预报的方法。该方法根据描述大气运动规律的流动力学和热力学原理建立方程组，确定某个时刻大气的初始状态后，就可通过数学方法求解，计算出来某个时间大气的状态，就是通常所说的天气形势及有关的气象要素如温度、风、降水、辐照度等。数值模拟预测方法预测的时间较长，目前，可预测40h甚至更长的数据。

　　数值模拟方法中的气象和环境因素最为复杂，难以精确确定，所以预报的误差不仅存在，对于短时又特别复杂的变化，准确度更是大大降低。因此精准度的提高一直是目前研究的重点和难点。