论文部分内容阅读
【摘要】在我国快速发展过程中，经济在快速发展，社会在不断进步，預测分布式光伏发电系统发电量时，因无法准确建立光伏组件的温度与太阳光辐照强度之间量化关系，导致预测结果偏差高。提出了不同太阳辐射强度下分布式光伏发电系统发电量预测方法，该方法利用实测获取的不同阳光辐射强度和组件温度下光伏发电输出功率，构建以光辐射强度和温度为变量的发电输出功率模型，以此来预测发电量。仿真数据表明，晴天和雨天时，分布式光伏发电系统发电量预测结果与发电量实测值误差很小。
【关键词】光伏发电系统;发电量;预测;温度;光伏组件
太阳能具有取之不尽、用之不竭、分布广泛和安全清洁的优势。各个国家都很重视发展太阳能，特别是发展光伏产业。到2018年底，全球光伏发电装机容量达到480.36GW，中国达到176.1GW，占全球总容量的36%。但是，光伏发电却具有显著的间歇性和随机性，其大规模接入电网将导致电网出现一定的波动，对电力系统产生影响。所以，对光伏发电的发电量进行预测以及提高预测的准确性成为保证电网稳定性的关键。光伏发电预测方法众多，按照预测的时间可以分为超短期预测、短期预测、中期预测和长期预测。本文根据光伏发电预测的研究原理将其分为直接预测法和间接预测法。直接预测法中，根据模型的不同，将其分为数学统计预测法、人工智能预测法及混合模型。本文对混合模型进行归纳，分为基于确定神经网络初始权值的混合模型、基于光伏数据预处理的混合模型以及其他混合模型3种，并总结间接预测法，介绍新型预测模型。
1、大规模光伏发电并网对电力系统频率的影响
光伏发电输出功率随机波动的固有属性，使其很大程度上会在光伏发电并网后对电力系统频率产生影响。若光伏发电并网规模较小、光伏发电输出功率波动较小，电力系统依靠自身裕度，可以动态调整，从而达到平衡;而随着光伏发电并网规模的增大，光伏发电输出功率比重的上升，电力系统自身不足以吸收这些波动，其有功平衡遭到挑战，从而威胁到其频率的稳定。
2、分布式光伏发电系统发电量预测方法
2.1神经网络预测法
神经网络（ANN）是一种功能强大、应用广泛的机器学习算法。目前在光伏发电量预测领域研究比较多的大概有10多种。本文根据网络结构的不同将其分为前馈神经网络、反馈神经网络以及深度学习神经网络。（1）前馈神经网络的数据只从输入层经过隐含层流向输出层，各层之间没有反馈。应用于光伏发电量预测的主要有BP神经网络、径向基函数神经网络（RBF）和极限学习机（ELM）。BP神经网络是神经网络领域应用最多的一种模型。BP神经网络主要包括输入层、隐含层和输出层。首先，输入光伏历史数据进行训练，训练完成后输入测试值，即可预测光伏发电量。基于BP神经网络模型对光伏系统的输出功率进行预测，结果表明预测日的误差为6%～7%。设计了基于BP神经网络的光伏发电量预测模型，将光伏电池温度加入到输入变量中。结果表明加入电池温度输入变量的误差为4.2962%，未加入的为6.3556%。径向基函数神经网络（RBF）是一种结构简单、收敛速度快、能够逼近任意非线性函数的网络。径向基函数神经网络可分为正则化网络和广义网络，广义网络在工程中广泛应用。（2）反馈神经网络的输出除了与当前输入及网络权值有关，还与网络之前的输入有关。典型的反馈神经网络有Hopfield网络和Elman网络，在发电量预测领域研究较多。Elman网络与BP网络相比，在结构上多了一个连接层，同时多了一个延迟单元，可以记忆过去状态，使网络具有动态记忆功能。其中，第k个样本的输出y（k）、隐含层输出x（k）和反馈输入xc（k）可分别表示为：y（k）=g（ω3x（k）），x（k）=f（ω1xc（k）+ω2u（k-1）），xc（k）=x（k-1），式中：ω1、ω2、ω3—连接层和隐含层，输入层和隐含层，隐含层和输出层的权值。（3）深度学习神经网络深度学习神经网络（DNN）近些年被广泛应用于光伏发电量的预测。深度学习神经网络主要分为4种：卷积神经网络（CNN）、深度信任网络（DBN）、堆栈自编码网络（SDAE）和长短期记忆网络（LSTM）。在光伏发电量预测领域应用比较多的是CNN和LSTM。由卷积层、池化层以及激活层组成。卷积层提取输入数据的特征，池化层则是压缩数据以及参数的量，而激活层则是将卷积层输出结果做非线性映射。
2.2综合AGC调频研究
光伏电站现有的AGC系统能够按照调度指令调节有功功率，但调节时间为分钟级，不满足一次调频响应时间的要求。为此，在考虑节约升级改造成本的前提下，基于现有的AGC固有设备和网络通信架构，研究了一种改进算法，提升了功率分配的精度及光伏电站执行响应的速度。在AGC基础上通过光伏下垂控制特性，实现了光伏电站参与一次调频，提出了调频和AGC配合策略，并对光伏发电有功功率分配策略进行了改进，提升了光伏电站调频的响应速度和贡献能力。提出了自适应电网侧AGC两种控制模式的光伏发电参与电力系统调频的控制策略，并通过仿真验证了该控制策略的经济适用价值极高。
2.3降低光伏组件最佳安装倾角的实验
实验计算以1MW光伏阵列的占地面积、组件最佳安装倾角为32°作为基准。实验中组件的安装倾角范围为10°～32°，以1°为间隔，依次减小组件的安装倾角进行测试，当前、后排组件的阴影遮挡时间一致时，前排固定支架组件前沿到相邻后排固定支架组件前沿的距离（下文简称“前到前间距”）也相应减小，此时1MW光伏阵列的占地面积也会不同。当保持总占地面积不变时，降低组件的最佳安装倾角，虽然组件倾斜面接收的年太阳辐射量逐渐减少，但同样占地面积下实际可布置的光伏组件容量增大了，即光伏阵列的直流装机容量增加了，增加比例为1%～50%，光伏发电系统的首年发电量提高了约10%～40%。由于年可利用小时数可以比发电量更直观、更清晰地反映光伏发电系统的发电量情况，所以一般采用年可利用小时数来描述光伏发电系统的年发电水平;而在经济测算时，则以逐年发电量来计算项目投资收益和内部收益率等动态经济指标。需要注意的是，组件安装倾角降低的程度需要根据项目的装机容量要求和发电量增加量进行技术经济性比对后确定;还需要综合考虑项目所在地的灰尘污染情况，以及光伏发电系统中光伏组件的清扫频率等因素。
结语：
光伏发电系统发电量预测对光伏发电系统设计并网运行控制具有重要作用，构建光伏组件温度和阳光辐射强度的回归模型，准确预测发电量，有实际应用意义。本文提出了不同太阳辐射强度下分布式光伏发电系统发电量预测方法，该方法具有较高的预测精度。
参考文献：
[1]张一飞.光伏发电并网对接入电网稳定性影响的研究[D].天津：天津大学，2018.
[2]王诚良，朱凌志，党东升，等.云团移动对光伏电站出力特性及系统调频的影响[J].可再生能源，2017，35（11）：1626-1631.
[3]葛星.规模化光伏并网特性及其送出系统稳定性分析[D].北京：华北电力大学，2018.
[4]王士元，郑超，刘涛，等.计及LVRT的光伏高渗透电网动态频率特性及优化措施[J].电网技术，2020（6）：2151-2159.
[5]张剑云，李明节.新能源高渗透的电力系统频率特性分析[J].中国电机工程学报，2020（11）：3498-3507.
【关键词】光伏发电系统;发电量;预测;温度;光伏组件
太阳能具有取之不尽、用之不竭、分布广泛和安全清洁的优势。各个国家都很重视发展太阳能，特别是发展光伏产业。到2018年底，全球光伏发电装机容量达到480.36GW，中国达到176.1GW，占全球总容量的36%。但是，光伏发电却具有显著的间歇性和随机性，其大规模接入电网将导致电网出现一定的波动，对电力系统产生影响。所以，对光伏发电的发电量进行预测以及提高预测的准确性成为保证电网稳定性的关键。光伏发电预测方法众多，按照预测的时间可以分为超短期预测、短期预测、中期预测和长期预测。本文根据光伏发电预测的研究原理将其分为直接预测法和间接预测法。直接预测法中，根据模型的不同，将其分为数学统计预测法、人工智能预测法及混合模型。本文对混合模型进行归纳，分为基于确定神经网络初始权值的混合模型、基于光伏数据预处理的混合模型以及其他混合模型3种，并总结间接预测法，介绍新型预测模型。
1、大规模光伏发电并网对电力系统频率的影响
光伏发电输出功率随机波动的固有属性，使其很大程度上会在光伏发电并网后对电力系统频率产生影响。若光伏发电并网规模较小、光伏发电输出功率波动较小，电力系统依靠自身裕度，可以动态调整，从而达到平衡;而随着光伏发电并网规模的增大，光伏发电输出功率比重的上升，电力系统自身不足以吸收这些波动，其有功平衡遭到挑战，从而威胁到其频率的稳定。
2、分布式光伏发电系统发电量预测方法
2.1神经网络预测法
神经网络（ANN）是一种功能强大、应用广泛的机器学习算法。目前在光伏发电量预测领域研究比较多的大概有10多种。本文根据网络结构的不同将其分为前馈神经网络、反馈神经网络以及深度学习神经网络。（1）前馈神经网络的数据只从输入层经过隐含层流向输出层，各层之间没有反馈。应用于光伏发电量预测的主要有BP神经网络、径向基函数神经网络（RBF）和极限学习机（ELM）。BP神经网络是神经网络领域应用最多的一种模型。BP神经网络主要包括输入层、隐含层和输出层。首先，输入光伏历史数据进行训练，训练完成后输入测试值，即可预测光伏发电量。基于BP神经网络模型对光伏系统的输出功率进行预测，结果表明预测日的误差为6%～7%。设计了基于BP神经网络的光伏发电量预测模型，将光伏电池温度加入到输入变量中。结果表明加入电池温度输入变量的误差为4.2962%，未加入的为6.3556%。径向基函数神经网络（RBF）是一种结构简单、收敛速度快、能够逼近任意非线性函数的网络。径向基函数神经网络可分为正则化网络和广义网络，广义网络在工程中广泛应用。（2）反馈神经网络的输出除了与当前输入及网络权值有关，还与网络之前的输入有关。典型的反馈神经网络有Hopfield网络和Elman网络，在发电量预测领域研究较多。Elman网络与BP网络相比，在结构上多了一个连接层，同时多了一个延迟单元，可以记忆过去状态，使网络具有动态记忆功能。其中，第k个样本的输出y（k）、隐含层输出x（k）和反馈输入xc（k）可分别表示为：y（k）=g（ω3x（k）），x（k）=f（ω1xc（k）+ω2u（k-1）），xc（k）=x（k-1），式中：ω1、ω2、ω3—连接层和隐含层，输入层和隐含层，隐含层和输出层的权值。（3）深度学习神经网络深度学习神经网络（DNN）近些年被广泛应用于光伏发电量的预测。深度学习神经网络主要分为4种：卷积神经网络（CNN）、深度信任网络（DBN）、堆栈自编码网络（SDAE）和长短期记忆网络（LSTM）。在光伏发电量预测领域应用比较多的是CNN和LSTM。由卷积层、池化层以及激活层组成。卷积层提取输入数据的特征，池化层则是压缩数据以及参数的量，而激活层则是将卷积层输出结果做非线性映射。
2.2综合AGC调频研究
光伏电站现有的AGC系统能够按照调度指令调节有功功率，但调节时间为分钟级，不满足一次调频响应时间的要求。为此，在考虑节约升级改造成本的前提下，基于现有的AGC固有设备和网络通信架构，研究了一种改进算法，提升了功率分配的精度及光伏电站执行响应的速度。在AGC基础上通过光伏下垂控制特性，实现了光伏电站参与一次调频，提出了调频和AGC配合策略，并对光伏发电有功功率分配策略进行了改进，提升了光伏电站调频的响应速度和贡献能力。提出了自适应电网侧AGC两种控制模式的光伏发电参与电力系统调频的控制策略，并通过仿真验证了该控制策略的经济适用价值极高。
2.3降低光伏组件最佳安装倾角的实验
实验计算以1MW光伏阵列的占地面积、组件最佳安装倾角为32°作为基准。实验中组件的安装倾角范围为10°～32°，以1°为间隔，依次减小组件的安装倾角进行测试，当前、后排组件的阴影遮挡时间一致时，前排固定支架组件前沿到相邻后排固定支架组件前沿的距离（下文简称“前到前间距”）也相应减小，此时1MW光伏阵列的占地面积也会不同。当保持总占地面积不变时，降低组件的最佳安装倾角，虽然组件倾斜面接收的年太阳辐射量逐渐减少，但同样占地面积下实际可布置的光伏组件容量增大了，即光伏阵列的直流装机容量增加了，增加比例为1%～50%，光伏发电系统的首年发电量提高了约10%～40%。由于年可利用小时数可以比发电量更直观、更清晰地反映光伏发电系统的发电量情况，所以一般采用年可利用小时数来描述光伏发电系统的年发电水平;而在经济测算时，则以逐年发电量来计算项目投资收益和内部收益率等动态经济指标。需要注意的是，组件安装倾角降低的程度需要根据项目的装机容量要求和发电量增加量进行技术经济性比对后确定;还需要综合考虑项目所在地的灰尘污染情况，以及光伏发电系统中光伏组件的清扫频率等因素。
结语：
光伏发电系统发电量预测对光伏发电系统设计并网运行控制具有重要作用，构建光伏组件温度和阳光辐射强度的回归模型，准确预测发电量，有实际应用意义。本文提出了不同太阳辐射强度下分布式光伏发电系统发电量预测方法，该方法具有较高的预测精度。
参考文献：
[1]张一飞.光伏发电并网对接入电网稳定性影响的研究[D].天津：天津大学，2018.
[2]王诚良，朱凌志，党东升，等.云团移动对光伏电站出力特性及系统调频的影响[J].可再生能源，2017，35（11）：1626-1631.
[3]葛星.规模化光伏并网特性及其送出系统稳定性分析[D].北京：华北电力大学，2018.
[4]王士元，郑超，刘涛，等.计及LVRT的光伏高渗透电网动态频率特性及优化措施[J].电网技术，2020（6）：2151-2159.
[5]张剑云，李明节.新能源高渗透的电力系统频率特性分析[J].中国电机工程学报，2020（11）：3498-3507.