2021年8期
科技创新与应用
Technology Innovation and Application
技术·应用
邹梦丽
（塔里木大学机械电气化工程学院，新疆阿拉尔843300）
引言
在清洁能源开发方面，光伏发电为重要技术，可以将太阳能转化为电能使用。但在将光伏发电系统产生的电量纳入电网时，将受到输出功率不稳因素的影响，因此还应加强光伏发电功率预测分析，为电网调度和自动发电控制功能实现提供支撑。
1光伏发电功率特性分析
在光伏发电过程中，需要结合系统发电特性对功率
进行预测。但实际光伏发电将受到气压、温度等各方面因素的影响，因此需要实现历史数据深入分析，对其中隐含的规律进行挖掘。通过建立功率预测模型，对一定时间内光伏发电功率进行科学预估，能够根据精准预测曲线做好光伏电站运行安排，避免大规模光伏电站并网给电网运行带来不良影响。实际在光伏发电输出功率分析上，可以按照式（1）计算：
P S =ηSI[1-0.005（t 0+25）]
（1）式中，η指的是太阳能电池转换效率，S 为光伏阵列
面积，I 为太阳辐射强度，t 0则为环境温度。
在光伏发电系统运行过程中，S 和η基本不变，但其他因素将随着气候、季节变化发生改变，导致发电输出功率不断波动。在光伏电站接入电网过程中，需要制定科学调度计划。为此，还要对光伏发电功率进行预测，通过负荷跟踪确定
1d 内光伏发电功率变化情况。在实际分析过程中，对6h
以内功率进行预测，需要利用卫星云图实现数据实时处
理。根据观测得到的地面数据、天气预报信息等进行综合预测，确定功率瞬变情况[1]。预测的时间分辨率最小将达到1min ，最大不超10min ，能够为电网状态实时分析提供依据，为电网自动发电控制实现提供支持。而对6h 以上功率变化进行预测，可以直接利用天气预报数据进行分析。在使分析的数据量得到减少的同时，对气象等数据无过高的时空分辨率要求。在实际分析过程中，需要保证预测结果达到较高精度，以便通过科学调度为电网安全运行提供保障。得到的结果也能为光伏发电中长期功率预测奠定扎实基础，使区域光资源得到科学利用。
2光伏发电功率预测技术2.1功率预测算法
对光伏发电的功率进行预测，如果采取传统统计方法完成气象预报、历史功率数据等数值统计分析，分析结果并不精确。根据气象和太阳辐射强度间的物理映射关
系进行预测，
需要频繁变换光电转换模型进行功率预测，难以满足现实操作要求。过去主要按照时间顺序完成样本数据排列，根据数据隐含线性规律实现功率预测。尽管模型简单，但在光伏电站日渐增多的背景下，参数确认日渐困难。为解决这些问题，机器学习和深度学习等不同算法得以被提出。本文采取灰预测，样本数据来源于某光伏电站发电系统，在获取2015-2017共3年历史数据的基础上，采用前2年数据进行模型训练，并利用2017年数据进行模型预测验证分析。
摘要：在光伏发电管理方面，需要通过运用功率预测技术提高电网消纳能力，使电能质量得到有效控制。基于此，文章在分析光伏发电功率特性的基础上，采用建灰预测模型，可以实现光伏发电功率的预测，因此能够为电网运行管理提供技术支撑。
关键词：光伏发电；功率预测；灰预测中图分类号:TM615
文献标志码:A
文章编号:2095-2945(2021)08-0158-03
Abstract :In the aspect of photovoltaic power generation management,it is necessary to improve the power grid absorption capacity by using power prediction technology,so that the power quality can be effectively controlled.Based on this,based on the analysis of the power characteristics of photovoltaic power generation,the grey prediction model is adopted,which can realize the prediction of photovoltaic power generation power,thus providing technical support for the operation and
management of power grid.
Keywords :photovoltaic power generation;power prediction;grey prediction
作者简介：邹梦丽（1988-），女，硕士，讲师，研究方向：
新能源。158--
2021年8期
科技创新与应用
Technology Innovation and Application
技术窑应用
2.2预测模型建构
针对预测类的问题，普遍采用灰预测模型进行预测。这个模型相较其他模型来说，基于一定范围的时间序列的数据变化。研究按时间累加后关于数列变量的波动，建立GM （1，1）模型。一般采用一阶线性微分方程的解来预测数据的结果。
GM 的微分方程：
dx (1)
dt
+ax (1)=u
x (1)为经过一次累加生成的数列；t 为时间；a 为发展
灰度u 为内生控制灰数
（1）建立一次累加生成数列，设原始数列为
按照以下的方式进行累加计算，重新生成数列；n 为样本空间
（2）利用最小二乘法求参数a ，u
参数辨识（3）求出GM （1.1）的模型
（4）对模型的精度的检验计算原始数列x (0)（i ）的均方差S 0
计算残差数列的均方差S 1姚宏
计算方差比c c=S 1
S 0
计算小误差概率
2.3样本数据分析
为验证模型预测效果，需要开展数据分析。样本全年总辐射量累计6008.35MJ/m 2，最佳倾角斜面上辐射年累计功率1623.34kWh/m 2，年最大日累计辐射量33.54MJ/m 2，年最小日累计辐射量1.81MJ/m 2。光伏系统额定功率为30MWp 。针对原始数据，按时间进行匹配分析后，将异常
数据剔除，然后进行数据预处理。
从图1中可以看出，由于2014年的数据与历年数据出现了较大差值，对预测结果造成严重影响，在2017年将达到4821.5186万千瓦时。远远超过了阿拉尔光伏电站的实际的发电量，脱离了实际的生产生活。因此本文将2014年的数据进行修正，从而达到在一般光照资源条件下的准确预测。
2.3模型的修正
为了对2014年的数据进行修正，通过提取2015年和2016年两年的相关数据，对每个月数据分析，剔除不良数据，筛选具有一般性质的数据，得出2015和2016年的平均年发电量。同理，计算2013年和2015年两年的相关数据，对每个月数据分析，剔除不良数据，筛选代表性数据，得出2013和2015年的平均年发电量；再将平均年发电量汇总分析，得出2014年的虚拟年发电量为3893.74万千瓦时，来替换3058.88万千瓦时。通过数据
分析得出的新结果进一步代入灰预测模型中，对2017年光伏电站一期项目的发电量实现预测。
2.4功率预测结果
本文通过样本数据选取2013年、2014年（修正后）、2015年、2016年的年发电量，预测2017年的发电量。阿拉尔光伏电站的数据分析可知多年平均发电量为4140.7
万千瓦时，根据灰预测模型可以得出预测值为：4191.2319万千瓦时。
3结束语
据2017年光伏电站一期项目的发电量数据显示，全年发电量为4219.21万千瓦时，预测值与实际生产生活的数值较为接近，属于可接受范围内，可以满足电网实时分析和调度要求。未来随着大数据、云计算等先进技术的融合运用，建构的模型可以得到进一步完善，达到更高的
(0)(0)(0)(0)(0)x {x (1),x (2),x (3),x (n)},i 1,2,n L L ，i
(1)
(0)m 1x (i)x (m),i 1,2,,n
L (1)(1)12(1)(1)12(1)(1)
12T
(0)(0)(0)n -x (1)x (2)1-x (2)x (3)1B -x (n 1)x (n)1y x (2),x (3),,x (n)
M K 1
T T n
a a B B B y u (1)
(0)
ai
u
u
a
a
0(1)
(0)(1)(1)x (i 1)(x (1)x 1x (1)x (i)x (i)x (i 1),i 2,3,n
K （）（
）(0)
n
(0)
i 1
2
(0)
n
2(0)
00i 1
1
x
x
(i)
n
S x (i)x S
0n -
(0)
i 1
1(i)n
（
）1S (0)
(0)
0P {(i)|0.6745S }
(0)
n
2
(0)
2
1i 1
S [x (i)]
159--
2021年8期
科技创新与应用
Technology Innovation and Application
技术·应用
预测数据 相对残差检验
方差比检验 小误差概率检验
4.8215
0.0359
0.4084
P =1
光伏发电功率预测精度，使技术得到推广应用。参考文献:
[1]刘文杰，陈耀，宋晓宁，等.基于时域卷积网络精细化光伏发电功率预测[J].供用电，2020，37（10）：76-82.
[2]姚宏民，杜欣慧，秦文萍.基于密度峰值聚类及GRNN 神经网络的光伏发电功率预测方法[J].太阳能学报，2020，41（09）：
184-190.
[3]安鹏跃，
孙堃.基于相似日和回声状态网络的光伏发电功率预测[J].智慧电力，2020，48（08）：38-43.图1灰预测2017年一期项目发电量图
表1灰预测表
预测数据 相对残差检验
方差比检验 小误差概率检验
4.1912
0.0043
0.1117
P =1
表2灰预测表
（处理后）障，与所设一致，选线成功。
表2信任值计算结果
4结束语
基于D-S 证据理论融合两种不同故障选线判据，在
一定程度上克服了单一判据的不足，大量的仿真实验结果表明融合选线方法可以提高选线准确性。参考文献:
[1]张志霞.小电流接地系统单相接地故障选线理论研究[M].沈
阳：辽宁科学技术出版社，2014援
[2]郭清滔，
吴田.小电流接地系统故障选线方法综述[J].电力系统保护与控制，2010，38（02）：146-152.
[3]徒有锋，何俊佳，周志成，等.基于零序功率及谐波相位综合法的小电流接地系统微机选线装置[J].高压电器，2006（03）：190-193.
[4]周志成.基于多源信息融合的模糊决策故障选线判据及装置研究[D].武汉：华中科技大学，2007.
[5]贾清泉，肖鹏，杨以涵，等.小电流接地电网单相接地故障的小波选线方法[J].继电器，2001（03）：
5-8.[6]郭静文.小电流接地系统单相接地故障选线方法研究[D].西
安：西安理工大学，2019.[7]申双葵.小电流接地系统单相接地故障选线的研究[D].成都：西南交通大学，2009.
[8]李卫国，许文文，王旭光.基于VMD 能量比重的有源配电网故障选线方法[J].东北电力大学学报，2019，39（05）：23-33.
暂态零序电流 VMD 能量比重
融合 路线L 1 0.0556 0.13125 0.01260 路线L 2 0.0389 0.12099 0.00801 路线L 3 0.1214 0.35600 0.07699 路线L 4 0.8841
0.39176
0.90240
(上接157页)
160--
发布评论