太阳能发电预测综述在煤矿，石油开采量日益见底和生态环境急速恶化的严峻形势下，太阳能作为一种自然能源，以其储量丰富且清洁无污染性显示了其独特的优势，已被国际公认为未来最具竞争性的能源之一。

从太阳能获得电力，需通过太阳电池将光能转化为电能。

它同以往其他电源发电原理完全不同。

要使太阳能发电真正达到实用水平，一是要提高太阳能光电变换效率并降低其成本，二是要实现太阳能发电同的电网联网。

1.太阳能发电的分类目前太阳能发电主要有以下两种形式：1.太阳能光发电太阳能光发电是指无需通过热过程直接将光能转变为电能的发电方式。

它包括光伏发电、光化学发电、光感应发电和光生物发电。

光伏发电是利用太阳能级半导体电子器件有效地吸收太阳光辐射能，并使之转变成电能的直接发电方式，是当今太阳光发电的主流。

在光化学发电中有电化学光伏电池、光电解电池和光催化电池，目前得到实际应用的是光伏电池。

[1]2.太阳能热发电通过水或其他工质和装置将太阳辐射能转换为电能的发电方式,称为太阳能热发电。

先将太阳能转化为热能，再将热能转化成电能，它有两种转化方式：一种是将太阳热能直接转化成电能，如半导体或金属材料的温差发电，真空器件中的热电子和热电离子发电，碱金属热电转换，以及磁流体发电等；另一种方式是将太阳热能通过热机（如汽轮机）带动发电机发电，与常规热力发电类似，只不过是其热能不是来自燃料，而是来自太阳能。

太阳能热发电有多种类型，主要有以下五种：塔式系统、槽式系统、盘式系统、太阳池和太阳能塔热气流发电。

前三种是聚光型太阳能热发电系统，后两种是非聚光型。

一些发达国家将太阳能热发电技术作为国家研发重点，制造了数十台各种类型的太阳能热发电示范电站，已达到并网发电的实际应用水平。

[2]2.太阳能光伏发电影响因素太阳能光伏发电成为目前太阳能利用的主要方式之一。

光伏发电分为离网和并网两种形式，随着光伏并网技术的成熟与发展，并网光伏发电已成为主流趋势。

由于大规模集中并网光伏发电系统容量的急速增加，并网光伏发电系统输出功率固有的间歇性和不可控等缺点对电网的冲击成为制约并网光伏发电的重要元素。

太阳能光伏发电系统发电量受当地太阳辐射量、温度、太阳能电池板性能等方面因素的影响。

（1）光照强度对光伏发电量的影响：光照强度是指在单位时间和单位面积内，在地球表面上接收到的垂直投射的太阳辐射能量。

光伏发电系统产生电能所需的能量完全来自、于太阳的辐照，因此光照强度对光伏发电系统的发电量具有决定性的作用，二者之间呈正相关性，即光照强度越强，光伏发电量越多。

（2）季节类型对光伏发电量的影响：由于在不同的季节，太阳入射角的大小以及方向、日照时间的长短、光照强度的强弱存在明显的差异，到达地表的太阳辐照度经过吸收、散射，辐射等各种减弱作用后也会不同，光伏发电系统的发电量的多少也在变化。

这种差异性即为不同的季节类型对光伏发电量的影响。

（3）天气类型对光伏发电量的影响：将天气类型的时间范围确定在24 小时之内。

由于晴天、阴云和雨天3 种天气类型在全年中出现的天数最多，因此最具有代表性。

在晴天时，由于天空中遮挡太阳辐射物较少，辐照度的几乎不会有衰减，光伏发电系统发电量较高；在阴天时，由于天空中云层的遮挡，会造成辐照度的衰减，加之其他衰减因素的共同作用，光伏发电量值大幅度减小；在雨天时，由于云层、湿度、风况以及其他衰减因素的共同作用，此时光伏发电量曲线无规律性，发电量值最低。

（4）温度对光伏发电量的影响：光伏发电量的多少与温度有很大的相关性。

这种影响来自于以下两个方面：环境温度升高，光伏组件温度随之升高，开路电压减小，在20℃到100℃之间，每升高1℃，电压约减少2mV；与之相反，电流略有增加，约为0.1mA。

对于光伏发电量来说，温度每升高1℃，则其近似减少0.35%。

（5）相对湿度对光伏发电量的影响：在季节类型、天气类型相同，环境温度与太阳能电池组件的温度相近时，相对湿度增加，光伏发电系统发电量将会减少。

其一，是因为相对湿度增加，大气层将会增大对光照强度的削弱力度；其二，由于相对湿度会影响光伏组件的热传导效应，使其散热能力降低。

太阳能具有不稳定、间歇性和不可控性等特点，给微电网的并网运营带来很多挑战。

光伏发电受自然环境、地理条件和设备性能的影响，光伏发电量存在着的很强的不确定性。

因此光伏发电的有效预测可以为电力部门调度分配电量提供依据，同时也能促进光伏产业的大力发展。

3.太阳能光伏发电预测原理当前，对太阳能光伏发电预测的研究主要集中在太阳能辐射强度的预测上。

太阳辐射的逐日或逐时观测数据构成了随机性很强的时间序列，但太阳辐射序列的内部仍有某种确定性的规律，只有充分了解掌握太阳能光伏发电的特点、变化规律，才能建立符合实际情况的预测模型及方法。

太阳辐射分为直接太阳辐射和散射太阳辐射。

直接太阳辐射为太阳光通过大气到达地面的辐射；散射太阳辐射为被大气中的微尘、分子、水汽等吸收、反射和散射后，到达地面的辐射。

散射太阳辐射和直接太阳辐射之和称为总辐射。

太阳总辐射强度的影响因素包括：太阳高度角、大气质量、大气透明度、海拔、纬度、坡度坡向、云层。

太阳能光伏发电预测是根据太阳辐射原理，通过历史气象资料、光伏发电量资料、卫星云图资料等，运用回归模型、人工神经网络、卫星遥感技术、数值模拟等方法获得预测信息，包括太阳高度角、大气质量、大气透明度、海拔、纬度、坡度坡向、云层等要素，根据这些要素建立太阳辐射预报模型。

4.太阳能光伏发电预测方法分类4.1 按预测时间尺度分类从时间尺度上可以分为中长期功率预测、短期功率预测和超短期功率预测［3］。

中长期功率预测的时间尺度大，一般为1周或1个月，主要用于光伏电站的规划设计和电网中长期调度等，短期功率预测的时间尺度一般为1~3 d，超短期功率预测的时间尺度为0~4 h，短期和超短期功率预测对电网实时调度等具有重要的决定作用，对系统运行安全性和稳定性具有直接影响。

目前，中长期功率预测一般采用统计方法利用历史数据进行预测，短期功率预测一般需根据数值天气预报获得未来1~3 d 内气象要素预报值，然后根据历史数据和气象要素信息得到地面辐照强度的预测值，进而获得光伏电站输出功率的预测值，超短期功率预测的主要原则是根据地面拍摄的云图或地球同步卫星拍摄的卫星云图推测云层运动情况，从而计算出未来几h内太阳辐照强度，再通过光伏发电功率模型得到光伏发电输出功率的预测值。

4.2 按预测空间尺度分类光伏发电功率预测方法按照空间尺度主要分为4种，分别是微尺度、小尺度、中尺度、大尺度功率预测方法［3］。

依次针对单个发电单元、单个光伏电站、由多个光伏电站组成的光伏电站集群和更大地理区域内的光伏发电站。

空间尺度越小，功率预测越难，这是因为预测时无法采用平均值，尺度越小对功率预测时的空间分辨率的要求越高。

近年来，小功率的分布式发电系统大量发展，其发电功率波动性很大，对电网系统的稳定性和安全性造成较大威胁，这对光伏发电系统功率预测提出了更高要求。

4.3 按预测方式分类从预测方式上可分为直接预测和间接预测两类。

前者直接对光伏电站的输出功率进行预测；后者又叫分步预测，首先对太阳辐射强度进行预测，然后根据光伏发电系统发电模型得到输出功率。

直接预测方式简洁方便，但直接预测模型需要从历史发电数据直接预测未来的发电功率，预测的准确性一方面决定于预测算法，另一方面决定于是否有大量准确的历史数据。

分步预测方式包括太阳辐照强度预测和光伏发电系统功率模型两个过程，在每个过程中可灵活选择不同的方法，某种程度上克服了直接预测方式的局限性。

4.4 按预测方法分类从预测方法上来说，光伏功率预测包含统计方法和物理方法。

统计方法的原理是统计分析历史数据，从而发现其内在规律并最终用于发电功率预测，可以直接预测输出功率，也可以预测太阳辐照强度；物理方法是在已知太阳辐射强度预测值的情况下，研究光能转化的物理过程，采用物理方程，考虑温度、寿命等影响因素，由预测的太阳辐射强度得到光伏系统发电功率预测值。

5. 预测方法国内外研究情况5.1 直接预测方法直接预测方法本质上都是统计方法，由历史数据预测未来数据。

其原理是假定光伏发电系统不发生衰减，那么发电历史规律不会发生改变，根据简单天气预报和历史发电数据，就可对未来的发电功率进行预测。

5.1.1 线性预测方法1）时间序列法。

时间序列预测法是应用较早的一种方法。

它把负荷数据看作是一个周期性变化的时间序列。

根据系统发电的历史数据，建立数学模型来描述发电功率的统计规律性，在此基础上对光伏发电功率进行预报［4-5］。

2）时间趋势外推法。

时间趋势外推法主要使用马尔科夫链模型预测光伏发电量［6-8］。

由于该方法受天气影响很大，目前较少使用。

5.1.2 非线性预测方法1）人工神经网络。

人工神经网络（ANN）算法在复杂非线性预测方面有着良好表现，适用于光伏发电功率预测这样的场合。

将天气、季节等影响因素作为输入，用历史数据对算法进行训练，最终可实现光伏发电功率的预测［9-11］。

2）支持向量机。

支持向量机（SVM）是一种机器学习算法，与传统的神经网络学习方法不同的是，它实现了结构风险最小化（SRM）。

在国外，法国玛格丽特太阳能协会使用支持向量机算法进行了光伏系统发电量预测研究。

在国内，栗然等［12］建立了基于支持向量机的光伏系统发电功率预测模型。

3）其它非线性方法。

常用的非线性方法还有模糊逻辑预测法［13］、小波分析预测法［14］、卡尔曼滤波预测法［15］等。

各种非线性方法是未来直接预测法发展的重点，目前国内外的研究也多集中于此。

5.1.3 组合预测方法组合预测法是指使用几种方法分别预测后，再对多种结果进行分析处理。

组合预测有两类方法：一种是指将几种预测方法所得的结果进行比较，最后选取误差最小的模型进行预测，该方法难点在于误差计算方法；另外一种是将几种结果进行加权平均，提高预测的准确性。

该方法的难点在于如何计算各种预测方法的权重。

5.2 分步预测法中的太阳辐照强度预测方法上节中的直接预测方法也可用于太阳辐照强度预测，只是输入数据中的历史发电功率变为历史太阳辐照强度，其它类似，不再赘述。

而以下介绍的几种方法可直接进行太阳辐照强度预报，无需历史数据。

5.2.1 基于数值天气预报的方法数值天气预报根据流动力学和热力学原理建立微分方程组，确定大气初始状态后，就可迭代计算出来某个时间大气的状态，就是通常所说的温度、风、降水、太阳辐照度等。

目前经常使用的全球数值天气预报模型主要有美国的GFS模型和欧盟的ECMWF模型，最长可进行15 d 的预报，其中GFS 免费提供预报。

全球数值天气预报模型的空间分辨率和时间分辨率都比较低，目前的模型其空间分辨率为16~50 km，时间分辨率为3~6 h。