王洪坤，葛磊蛟，李宏偉，遲福建

(1.天津大學(xué)電氣自動(dòng)化與信息工程學(xué)院， 天津市 300072； 2. 石河子大學(xué)機(jī)械電氣工程學(xué)院，新疆維吾爾自治區(qū)， 石河子市 832003； 3.國(guó)網(wǎng)天津市電力公司，天津市 300055)

分布式光伏發(fā)電的特性分析與預(yù)測(cè)方法綜述

王洪坤1，2，葛磊蛟1，李宏偉2，遲福建3

(1.天津大學(xué)電氣自動(dòng)化與信息工程學(xué)院， 天津市 300072； 2. 石河子大學(xué)機(jī)械電氣工程學(xué)院，新疆維吾爾自治區(qū)， 石河子市 832003； 3.國(guó)網(wǎng)天津市電力公司，天津市 300055)

近年來(lái)光伏產(chǎn)業(yè)的迅猛發(fā)展，分布式光伏大規(guī)模推廣應(yīng)用已成為一種趨勢(shì)。間歇性強(qiáng)的分布式光伏大量接入配電網(wǎng)，給配電網(wǎng)帶來(lái)了電能質(zhì)量、諧波等諸多問(wèn)題，影響了電網(wǎng)的安全穩(wěn)定運(yùn)行，分布式光伏發(fā)電特性分析與出力預(yù)測(cè)是有效解決以上問(wèn)題的重要基礎(chǔ)。首先探討國(guó)內(nèi)外分布式光伏的發(fā)展現(xiàn)狀；其次，對(duì)分布式光伏出力特性、預(yù)測(cè)方法、預(yù)測(cè)軟件的最新國(guó)內(nèi)外研究進(jìn)行評(píng)述；最后，探討未來(lái)研究的重點(diǎn)內(nèi)容，以期為我國(guó)分布式光伏的推廣應(yīng)用提供建議。

分布式光伏；概率分布；出力特性；預(yù)測(cè)方法

0 引 言

發(fā)展綠色新能源是解決能源危機(jī)和環(huán)境保護(hù)問(wèn)題的有效途徑和必然趨勢(shì)[1]。太陽(yáng)能發(fā)電具有無(wú)污染、儲(chǔ)量大、強(qiáng)度高、分布廣等優(yōu)勢(shì)，已成為當(dāng)前新能源發(fā)電領(lǐng)域的一個(gè)熱點(diǎn)，且呈現(xiàn)“規(guī)?；?、分散化、就地消納”的趨勢(shì)。但大規(guī)模分布式光伏多點(diǎn)、無(wú)序接入配電網(wǎng)，使配電網(wǎng)面臨電能質(zhì)量、諧波、經(jīng)濟(jì)運(yùn)行等系列問(wèn)題。文獻(xiàn)[2]闡述了光伏發(fā)電系統(tǒng)并網(wǎng)對(duì)電網(wǎng)的電能質(zhì)量、孤島控制、可靠性、調(diào)度以及保護(hù)等問(wèn)題的影響。文獻(xiàn)[3]研究了光伏發(fā)電多點(diǎn)接入對(duì)配電網(wǎng)電能質(zhì)量、出力預(yù)測(cè)等方面的影響。

為有效解決分布式光伏接入對(duì)配電網(wǎng)的影響，科學(xué)地進(jìn)行分布式光伏特性分析和出力預(yù)測(cè)，實(shí)現(xiàn)分布式光伏的可靠、高效和經(jīng)濟(jì)并網(wǎng)運(yùn)行，國(guó)內(nèi)外學(xué)者進(jìn)行了相關(guān)研究，取得了一些研究成果。文獻(xiàn)[4]研究了云朵的移動(dòng)和光伏陣列的不同配置對(duì)光伏出力功率的影響。文獻(xiàn)[5]提出了3種光伏陣列組合降低太陽(yáng)光的陰影對(duì)光伏出力的影響。文獻(xiàn)[6]以歷史實(shí)測(cè)出力數(shù)據(jù)為基礎(chǔ)，歸納了光伏的隨機(jī)性、波動(dòng)性、概率屬性、時(shí)序相關(guān)性、風(fēng)光同時(shí)率及互補(bǔ)特性。文獻(xiàn)[7]提出了一種光伏出力隨機(jī)性分量的提取方法，準(zhǔn)確描述了光伏出力波動(dòng)的連續(xù)性。文獻(xiàn)[8]提出了一種綜合光伏出力概率分布估計(jì)方法，通過(guò)K-means 算法進(jìn)行聚類(lèi)，然后用神經(jīng)網(wǎng)分位數(shù)回歸和核密度估計(jì)，其可靠性和銳度都有較大的提高。文獻(xiàn)[9]提出了適用小樣本的雙層神經(jīng)網(wǎng)絡(luò)單步光伏預(yù)測(cè)方法，能夠在訓(xùn)練樣本的條件下，保證預(yù)測(cè)的準(zhǔn)確性。文獻(xiàn)[10]分析了確定性和隨機(jī)性光伏預(yù)測(cè)模型在日前預(yù)測(cè)的準(zhǔn)確性，并考慮了天氣晴朗因素的影響。文獻(xiàn)[11]提出了一種結(jié)合靜態(tài)和動(dòng)態(tài)在線修正日前光伏陣列發(fā)電預(yù)測(cè)方法,該方法能夠有效降低預(yù)測(cè)誤差。

以上的研究成果，為分布式光伏特性分析和出力預(yù)測(cè)的深入研究，提供了較好的借鑒。為此，本文從國(guó)內(nèi)外分布式光伏的發(fā)展現(xiàn)狀出發(fā)，分別對(duì)分布式光伏出力特性、預(yù)測(cè)方法、特性分析及預(yù)測(cè)軟件的最新國(guó)內(nèi)外進(jìn)展進(jìn)行了評(píng)述，并討論了未來(lái)研究的重點(diǎn)內(nèi)容，以期為分布式光伏的發(fā)展建言獻(xiàn)策。

1 國(guó)內(nèi)外分布式光伏發(fā)電的發(fā)展現(xiàn)狀

近年來(lái)國(guó)內(nèi)外分布式光伏發(fā)電發(fā)展迅猛，它具有分布廣、投資小、見(jiàn)效快等特點(diǎn)，對(duì)世界能源的可持續(xù)發(fā)展起到了積極作用，也得到了世界各國(guó)政府的積極推廣。

1.1 國(guó)內(nèi)外分布式光伏發(fā)電裝機(jī)現(xiàn)狀及前景

近年來(lái)隨著世界各國(guó)能源政策的大力支持，僅2015年全球太陽(yáng)能發(fā)電投資達(dá)到1 610億美元，位居可再生能源投資榜首，與2014年相比增長(zhǎng)12%，且2004—2015年的12年間年平均增幅達(dá)27%。截至2015年年底，全球光伏發(fā)電總裝機(jī)容量達(dá)到了2.27億kW，其中光伏發(fā)電裝機(jī)容量為2.22億kW，光熱發(fā)電裝機(jī)容量為465萬(wàn)kW。

當(dāng)前世界范圍內(nèi)中國(guó)、德國(guó)等4個(gè)光伏發(fā)電裝機(jī)容量較大國(guó)家的分布式光伏和集中式并網(wǎng)光伏的占比情況如圖1所示。其中，我國(guó)是光伏發(fā)電規(guī)模增速最快的國(guó)家，截止到2015年年底中國(guó)太陽(yáng)能發(fā)電裝機(jī)容量為4 318萬(wàn)kW，位居第1位，集中式光伏電站累積裝機(jī)容量3 712萬(wàn)kW，占裝機(jī)容量的86%，分布式光伏發(fā)電累計(jì)并網(wǎng)容量606萬(wàn)kW，占光伏裝機(jī)容量的14%；德國(guó)裝機(jī)容量約為3 964萬(wàn)kW，暫列第2，集中式光伏電站累積裝機(jī)容量832萬(wàn)kW，占裝機(jī)容量的21%，分布式光伏發(fā)電累計(jì)并網(wǎng)容量3 132萬(wàn)kW，占光伏裝機(jī)容量的79%；美國(guó)居全球第3位，約為2 732萬(wàn)kW，集中式光伏電站累計(jì)裝機(jī)容量 1 202萬(wàn)kW，占裝機(jī)容量的44%，分布式光伏發(fā)電累計(jì)并網(wǎng)容量1 530萬(wàn)kW，占光伏裝機(jī)容量的56%；日本居全球第4位，約為1 238萬(wàn)kW，集中式光伏電站累計(jì)裝機(jī)容量247萬(wàn)kW，占裝機(jī)容量的20%，分布式光伏發(fā)電累計(jì)并網(wǎng)容量991萬(wàn)kW，占光伏裝機(jī)容量的80%。

圖1 2015年分布式光伏與并網(wǎng)光伏占比Fig.1 Proportion of distributed PV to connect-grid PV

據(jù)國(guó)際能源署預(yù)測(cè)，2020年全球太陽(yáng)能發(fā)電裝機(jī)將達(dá)到5億kW以上，其中分布式光伏2億kW以上；到2030年，全球光伏累計(jì)裝機(jī)容量將達(dá)到10億kW；2040年光伏裝機(jī)總?cè)萘空急饶茉垂?yīng)將從2013年的2%增加到10%；2050年光伏發(fā)電總?cè)萘空急饶茉垂?yīng)將達(dá)到25%，由此不難發(fā)現(xiàn)太陽(yáng)能發(fā)電將成為未來(lái)能源結(jié)構(gòu)中重要的組成部分。

1.2 國(guó)內(nèi)外光伏發(fā)電應(yīng)用現(xiàn)狀

光伏發(fā)電系統(tǒng)根據(jù)應(yīng)用場(chǎng)所和規(guī)模的不同，一般分為集中式和分布式共兩種類(lèi)型。其中，集中式光伏發(fā)電是指裝機(jī)容量達(dá)到10 MW以上的大容量并網(wǎng)光伏；分布式光伏發(fā)電一般是指裝機(jī)容量為MW及以下級(jí)的并網(wǎng)光伏。當(dāng)前歐美日等國(guó)家以分布式發(fā)電系統(tǒng)為主，而我國(guó)以集中式發(fā)電系統(tǒng)為主。

歐洲、日本和北美等國(guó)家由于光伏政策相對(duì)寬松，電網(wǎng)的接入方式比較靈活，用戶經(jīng)濟(jì)條件相對(duì)較好，從20世紀(jì)80年代就開(kāi)始發(fā)展分布式光伏發(fā)電，尤其是德國(guó)、日本和美國(guó)。其中，德國(guó)受限于聯(lián)合國(guó)所提出的工業(yè)碳排放指標(biāo)，政府在2006年就通過(guò)“10萬(wàn)屋頂發(fā)電計(jì)劃”的推廣方案，至2016年全國(guó)太陽(yáng)能發(fā)電占總發(fā)電能源的5%，且80%以上為分布式光伏發(fā)電，效果非常顯著。美國(guó)和日本在2010年前后也相繼推出了“百萬(wàn)屋頂光伏計(jì)劃”和“陽(yáng)光計(jì)劃”，大大促進(jìn)了分布式光伏的發(fā)展，使小型的分布式光伏進(jìn)入了千家萬(wàn)戶，深刻影響用戶的用能方式。

我國(guó)在2009年啟動(dòng)了“金太陽(yáng)”工程也取得了較好的成果，使我國(guó)的光伏發(fā)電產(chǎn)業(yè)得到了快速發(fā)展，逐漸成為光伏發(fā)電世界裝機(jī)容量最大的國(guó)家。目前全面推進(jìn)分布式光伏的發(fā)展，開(kāi)展了多種形式的分布式光伏的開(kāi)發(fā)和應(yīng)用。2015年江蘇銀行首先推出了“光伏貸”業(yè)務(wù)，且全國(guó)多家銀行緊追其后，已經(jīng)超過(guò)40多家銀行推出了“光伏貸”業(yè)務(wù)，解決了分布式光伏發(fā)展中遇到的資金難的問(wèn)題。同時(shí)，我國(guó)國(guó)務(wù)院、能源局和扶貧辦等國(guó)家部委積極加大力度推動(dòng)“光伏+”綜合利用工程，屋頂光伏、葡萄光伏、漁業(yè)光伏、林業(yè)光伏等多種形式的光伏應(yīng)用模式相繼被推廣，創(chuàng)新了分布式光伏的利用模式，使2016年我國(guó)分布式光伏新增裝機(jī)容量達(dá)到424萬(wàn)kW，與2015年相比，新增裝機(jī)容量增長(zhǎng)200%，分布式光伏總裝機(jī)容量達(dá)到了1 032萬(wàn)kW，位居世界第1，發(fā)展呈現(xiàn)跨越式的上升趨勢(shì)。

分布式光伏的迅猛發(fā)展，間歇性強(qiáng)的光伏大量無(wú)序接入配電網(wǎng)，給配電網(wǎng)帶來(lái)了電能質(zhì)量、諧波等諸多問(wèn)題，影響了電網(wǎng)的安全穩(wěn)定運(yùn)行，分布式光伏發(fā)電特性分析與出力預(yù)測(cè)是有效解決以上問(wèn)題的重要基礎(chǔ)，值得深入探討。

2 分布式光伏出力特性分析

分布式光伏的出力特性具有典型的概率分布特點(diǎn)，也是光伏電站優(yōu)化規(guī)劃設(shè)計(jì)、出力預(yù)測(cè)和優(yōu)化調(diào)度管理的重要基礎(chǔ)數(shù)據(jù)，而分布式光伏出力的間歇性、隨機(jī)性強(qiáng)，不僅受到光照、季節(jié)等氣候環(huán)境條件和地理、時(shí)間等客觀運(yùn)行條件影響，也會(huì)受限于彼此相連的臨近光伏和電力負(fù)荷制約，對(duì)其進(jìn)行準(zhǔn)確地建模和特性分析是一個(gè)多耦合、多影響因素的數(shù)學(xué)難題。

2.1 光伏出力隨機(jī)分布特性

光伏出力具有隨機(jī)性和間歇性的特點(diǎn)，為有效減少其波動(dòng)性對(duì)配電網(wǎng)運(yùn)行穩(wěn)定性的影響，國(guó)內(nèi)外學(xué)者對(duì)其特性進(jìn)行了研究。文獻(xiàn)[12]和文獻(xiàn)[13]分析了不同季節(jié)幾種典型日的光伏出力概率分布特性，圖2所示為一個(gè)裝機(jī)容量為500 kW分布式光伏在典型的晴天、雨天、多云和雨轉(zhuǎn)陰等4種不同天氣條件下，除去了夜間光伏無(wú)出力時(shí)間段的日光伏出力曲線。

圖2 4種不同天氣典型日光伏出力Fig.2 Typical PV output in four kinds of weather

光伏出力特性除了受光照等環(huán)境因素影響外，還和地理位置、時(shí)間段等因素相關(guān)，當(dāng)前對(duì)光伏出力特性的研究主要有直接法和間接法2種。其中，直接法是利用大量出力功率序列的歷史數(shù)據(jù)，采用數(shù)學(xué)擬合回歸等技術(shù)手段直接進(jìn)行分析，它的特點(diǎn)是影響因素小、累積誤差小而數(shù)據(jù)分析復(fù)雜。間接法是從光伏發(fā)電的原理出發(fā)，利用光照、氣象等原始輸入數(shù)據(jù)對(duì)光伏出力進(jìn)行建模，間接得到光伏出力特性，但在建模過(guò)程中由于忽略了光照分布、光伏板安裝間距等一些擾動(dòng)因素，雖然特性分析所需的分析輸入數(shù)據(jù)少而簡(jiǎn)單，但存在一定的誤差。

2.2 光伏出力典型隨機(jī)概率分布

近年來(lái)，國(guó)內(nèi)外學(xué)者對(duì)基于參數(shù)分布的太陽(yáng)能光伏出力概率模型進(jìn)行了廣泛的研究。文獻(xiàn)[14-18]分析了分布式光伏出力概率分布模型。研究表明，光伏出力符合Weibull、Extreme Value(I型)、Normal及Beta幾種分布。光照強(qiáng)度是描述光伏出力的主要參數(shù)，標(biāo)準(zhǔn)化光照強(qiáng)度Ht如式(1)所示：

(1)

式中：It為實(shí)際光照強(qiáng)度；Imax為最大光照強(qiáng)度。普遍認(rèn)為Beta分布比較符合標(biāo)準(zhǔn)化光照強(qiáng)度一般分布規(guī)律。其概率密度函數(shù)如式(2)所示：

(2)

式中α，β為Beta分布的2個(gè)參數(shù)。

標(biāo)準(zhǔn)化光照強(qiáng)度的累積分布函數(shù)如式(3)所示：

(3)

針對(duì)某一地區(qū)的歷史數(shù)據(jù)，參數(shù)概率分布模型能夠很好地表征該地區(qū)光伏概率出力分布特性，但是分布參數(shù)需要根據(jù)經(jīng)驗(yàn)進(jìn)行假設(shè)確定，這一假設(shè)均按照主觀的因素完成而缺乏充分的理論依據(jù)，且不同地區(qū)適合的參數(shù)模型不一致，不具備普遍適用性。于是，國(guó)內(nèi)外的學(xué)者們又提出了其他新型的光伏出力概率分布。

2.3 光伏出力隨機(jī)概率的新型分布

2.3.1 非參數(shù)核密度概率分布

非參數(shù)核密度概率模型是以光伏樣本為依據(jù)，研究光伏的分布概率特征，不需要事先對(duì)分布參數(shù)進(jìn)行假設(shè)的一種模型，且廣泛應(yīng)用于新能源分布系統(tǒng)的負(fù)荷、風(fēng)力發(fā)電及可靠性等多方面[19-20]。文獻(xiàn)[21]提出了基于最優(yōu)帶寬改進(jìn)方法，建立了光伏電源非參數(shù)核密度估計(jì)概率模型,并驗(yàn)證了模型的正確性。文獻(xiàn)[22]通過(guò)非參數(shù)核密度方法建立了4種不同天氣類(lèi)型的光伏出力隨機(jī)模型。

若假設(shè)x1,x2,…,xn為光伏出力的數(shù)據(jù)樣本，光伏出力的概率密度函數(shù)為f(x)，則非參數(shù)核密度光伏概率f(x)的理論可估計(jì)如式(4)所示：

(4)

將某一地區(qū)某一典型日的光伏出力樣本數(shù)據(jù)直方圖分別用正態(tài)分布、貝塔分布和核密度估計(jì)進(jìn)行概率密度擬合，如圖3所示。從圖3中我們可以看出，每一種分布都能較好地描述光伏分布的隨機(jī)性變化趨勢(shì)，其中核密度估計(jì)要優(yōu)于正態(tài)分布和貝塔分布，然而3種分布擬合的準(zhǔn)確性與實(shí)際頻率直方圖相比，均有一些差距。

圖3 光伏出力3種不同概率分布擬合Fig.3 PV power in three different probability distribution fitting

為了更加精確地進(jìn)行光伏出力描述，在參數(shù)分布的參數(shù)估計(jì)方法和核密度估計(jì)的核函數(shù)選擇方面，有待進(jìn)一步探索。

2.3.2 相關(guān)性概率分布

光伏出力隨機(jī)性受到光照強(qiáng)度等基本發(fā)電原理因素的影響。同時(shí)，當(dāng)中低壓配電網(wǎng)的光伏電源滲透率很高時(shí)，相鄰地區(qū)的多個(gè)光伏電源的外部氣象條件幾乎相同，而大規(guī)模連片分布式光伏接入配電網(wǎng)，本地區(qū)的多個(gè)分布光伏電源之間，以及與負(fù)荷之間都存在一定的相關(guān)性，使光伏出力同時(shí)增益或同時(shí)減弱，加劇了光伏出力的隨機(jī)波動(dòng)性。

相關(guān)性對(duì)配電網(wǎng)的影響隨著大規(guī)模光伏的接入已經(jīng)引起了學(xué)者的關(guān)注，文獻(xiàn)[23]研究了考慮光伏出力與負(fù)荷的相關(guān)性，以及相關(guān)性對(duì)光伏發(fā)電系統(tǒng)可靠性的影響。文獻(xiàn)[24]將相關(guān)性理論應(yīng)用于分布式電源選址定容規(guī)劃，并得到了良好的應(yīng)用效果。隨著分布式光伏并網(wǎng)規(guī)模的不斷增大，光伏出力的相關(guān)性對(duì)電網(wǎng)的運(yùn)行影響越來(lái)越顯著[25-26]，需要考慮的影響因素也越來(lái)越多。

近年來(lái)一些學(xué)者利用多變量隨機(jī)分布Copula函數(shù)方法構(gòu)建規(guī)模化分布式光伏和風(fēng)機(jī)的出力相關(guān)性模型[27]，基于多隨機(jī)變量的實(shí)際概率統(tǒng)計(jì)對(duì)分布式光伏特性進(jìn)行分析，達(dá)到了較好的普適性和精確性，同時(shí)也驗(yàn)證了光伏出力數(shù)據(jù)統(tǒng)計(jì)分析方法和概率分布模型的準(zhǔn)確性，決定了大規(guī)模分布式光伏相關(guān)性概率模型的準(zhǔn)確程度。

2.3.3 持續(xù)時(shí)間概率分布

上述的光伏出力概率分布均是光伏出力大小的一維分布，能夠較好地描述了光伏在一個(gè)時(shí)間點(diǎn)上出力大小，然而光伏出力具有典型的時(shí)間波動(dòng)性和間歇性[28-29]，其輸出功率的精確分析需構(gòu)建反映持續(xù)時(shí)間的光伏出力分布模型，即持續(xù)時(shí)間概率分布，它將光伏出力的范圍根據(jù)研究或者應(yīng)用場(chǎng)景的實(shí)際需求平均分成多個(gè)時(shí)段區(qū)間，從而分別統(tǒng)計(jì)分析每一個(gè)區(qū)間光伏出力持續(xù)輸出的概率。文獻(xiàn)[30]提出了光伏發(fā)電功率持續(xù)時(shí)間分布的概念，文獻(xiàn)[31]構(gòu)建了一種基于改進(jìn)的馬爾可夫鏈的光伏出力時(shí)間序列模型，能夠很好地體現(xiàn)光伏的日特性、天氣特性與波動(dòng)性。

光伏出力的持續(xù)時(shí)間概率分布從另外一個(gè)維度較好地描述了光伏出力特性。研究表明，光伏出力的持續(xù)時(shí)間概率分布呈現(xiàn)雙峰的特征，通過(guò)持續(xù)時(shí)間分布特性能夠直接獲得在一定功率區(qū)間的時(shí)間長(zhǎng)度，從而可為配電網(wǎng)接納大規(guī)模光伏提供抑制光伏波動(dòng)范圍控制周期的定量分析手段，實(shí)現(xiàn)大規(guī)模分布式光伏并網(wǎng)的廣域控制。

3 分布式光伏出力預(yù)測(cè)方法

準(zhǔn)確的光伏出力預(yù)測(cè)是實(shí)現(xiàn)分布式光伏發(fā)電就地消納和提升配電網(wǎng)接納光伏能力的關(guān)鍵，也能夠?yàn)楣夥娫吹膬?yōu)化規(guī)劃設(shè)計(jì)、配電網(wǎng)的優(yōu)化調(diào)度和管理提供支持。然而，光伏出力受氣候環(huán)境、安裝條件等多種不確定性因素的影響，而且大規(guī)模分布式光伏由于多點(diǎn)無(wú)序接入配電網(wǎng)而形成一個(gè)有機(jī)整體，其出力彼此之間也相互耦合影響，給光伏出力的準(zhǔn)確預(yù)測(cè)帶來(lái)難度，目前光伏預(yù)測(cè)的方法一般分為直接預(yù)測(cè)和間接預(yù)測(cè)兩大類(lèi)。

3.1 直接預(yù)測(cè)方法

光伏出力直接預(yù)測(cè)法，就其本質(zhì)上而言，均是數(shù)據(jù)統(tǒng)計(jì)的預(yù)測(cè)方法，它是根據(jù)歷史數(shù)據(jù)的規(guī)律預(yù)測(cè)未來(lái)不同天氣狀況下的光伏出力情況的一種方法，其預(yù)測(cè)精度一般都能滿足要求。

3.1.1 數(shù)據(jù)統(tǒng)計(jì)預(yù)測(cè)方法

數(shù)據(jù)統(tǒng)計(jì)預(yù)測(cè)方法也稱(chēng)之為直接預(yù)測(cè)法，一般步驟是首先獲取光伏出力的歷史數(shù)據(jù)，并從中發(fā)現(xiàn)一定的規(guī)律；然后確定光伏出力預(yù)測(cè)的理論；最后建立光伏出力預(yù)測(cè)數(shù)學(xué)模型：主要包括灰色理論預(yù)測(cè)法[32]、多元線性回歸預(yù)測(cè)法[33]、時(shí)間序列預(yù)測(cè)法[34]等。文獻(xiàn)[35]建立了灰色動(dòng)態(tài)GM(1,1)模型，利用5年的月歷史原始數(shù)據(jù)，進(jìn)行了光伏發(fā)電預(yù)測(cè)。文獻(xiàn)[36]建立了光伏發(fā)電以輻射量和組件溫度為變量的多元線性回歸預(yù)測(cè)模型，并通過(guò)晴天、多云和陰轉(zhuǎn)多云3種天氣進(jìn)行驗(yàn)證，得到了很好的預(yù)測(cè)結(jié)果。文獻(xiàn)[37]提出一種基于自適應(yīng)模糊時(shí)間序列法的并網(wǎng)光伏發(fā)電短期功率預(yù)測(cè)模型。以上3種主要的光伏出力直接預(yù)測(cè)方法各有其特點(diǎn)，如表1所示。

表1 光伏出力直接預(yù)測(cè)方法及特點(diǎn)
Table 1 Characteristics of direct prediction methods of PV output

3.1.2 人工智能預(yù)測(cè)方法

光伏出力數(shù)據(jù)統(tǒng)計(jì)的預(yù)測(cè)方法需要大量已知當(dāng)?shù)氐臍v史觀測(cè)數(shù)據(jù)，但是太陽(yáng)輻射數(shù)據(jù)涉及范圍廣而較難準(zhǔn)確獲取，造成準(zhǔn)確的光伏出力預(yù)測(cè)有難度。隨著人工智能算法的不斷發(fā)展，人工智能預(yù)測(cè)方法近年來(lái)在光伏出力預(yù)測(cè)中應(yīng)用廣泛，主要包括人工神經(jīng)網(wǎng)絡(luò)、模糊神經(jīng)網(wǎng)絡(luò)、徑向神經(jīng)網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)、多層感知器神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)預(yù)測(cè)、自適應(yīng)小波分解預(yù)測(cè)等方法，其特點(diǎn)如表2所示。

人工智能預(yù)測(cè)方法，本質(zhì)上也是一種直接預(yù)測(cè)的方法，其計(jì)算復(fù)雜度相對(duì)較高，但是預(yù)測(cè)精度要高于數(shù)據(jù)統(tǒng)計(jì)預(yù)測(cè)方法[38]。文獻(xiàn)[39]提出了一種適用于小樣本的雙層神經(jīng)網(wǎng)絡(luò)單步光伏預(yù)測(cè)方法，該方法能夠在少樣本的的情況下保證預(yù)測(cè)的準(zhǔn)確性。文獻(xiàn)[40]根據(jù)氣象數(shù)據(jù)與光伏出力弱相關(guān)性，提出了一種短期光伏出力的預(yù)測(cè)方法。文獻(xiàn)[41]提出了一種基于灰色神經(jīng)網(wǎng)絡(luò)組合模型的光伏出力預(yù)測(cè)方法。

針對(duì)大規(guī)模的分布式光伏出力的隨機(jī)性和相關(guān)性，為了提高預(yù)測(cè)的準(zhǔn)確性，部分學(xué)者將多種人工智能結(jié)合在一起，構(gòu)成了復(fù)合人工智能預(yù)測(cè)方法。文獻(xiàn)[42]將優(yōu)化BP神經(jīng)網(wǎng)絡(luò)、優(yōu)化向量機(jī)及極限學(xué)習(xí)機(jī)進(jìn)行光伏出力組合預(yù)測(cè)。文獻(xiàn)[43]構(gòu)建了一個(gè)新的光伏預(yù)測(cè)模型，將概率神經(jīng)網(wǎng)絡(luò)、主成分分析(principal components analysis, PCA)、分散搜索(scatter search, SS)和支持向量回歸(support vector regression, SVR)組合成快速收斂的光伏預(yù)測(cè)算法。這樣的處理，一定程度上解決了光伏預(yù)測(cè)的精度，但是也增加了模型的復(fù)雜性和求解難度，從而使如何進(jìn)行模型的簡(jiǎn)化與求解成為未來(lái)需要深入研究的問(wèn)題。

表2 光伏出力人工智能預(yù)測(cè)方法特點(diǎn)
Table 2 Characteristics of artificial intelligence prediction method of PV output

3.2 間接預(yù)測(cè)方法

間接預(yù)測(cè)方法是指不需要任何光伏的歷史數(shù)據(jù)，直接根據(jù)天氣預(yù)報(bào)數(shù)據(jù)進(jìn)行預(yù)測(cè)的方法，其主要的優(yōu)點(diǎn)是減少了大量的歷史數(shù)據(jù)統(tǒng)計(jì)。其中，數(shù)值天氣預(yù)報(bào)(numerical weather prediction，簡(jiǎn)稱(chēng)NWP)和基地云圖是當(dāng)前光伏出力間接預(yù)測(cè)的一種主要方法[44-45]，它運(yùn)用大型計(jì)算機(jī)良好的數(shù)值計(jì)算能力，設(shè)定天氣的初值和邊界條件，運(yùn)算天氣演變過(guò)程的流體力學(xué)和熱力學(xué)的方程組，根據(jù)求解結(jié)果預(yù)測(cè)未來(lái)一定時(shí)段的大氣運(yùn)動(dòng)狀態(tài)和天氣現(xiàn)象，從而實(shí)現(xiàn)了網(wǎng)格化的、逐時(shí)刻的上百種天氣要素預(yù)報(bào)，為光伏出力預(yù)測(cè)提供精準(zhǔn)的原始輸入數(shù)據(jù)。

文獻(xiàn)[46]將數(shù)值天氣預(yù)報(bào)和地基云圖相結(jié)合，建立了能夠?qū)崿F(xiàn)未來(lái)4 h光伏出力預(yù)測(cè)模型，具有很好的預(yù)測(cè)結(jié)果。文獻(xiàn)[47]利用高密度數(shù)值天氣預(yù)報(bào)信息，實(shí)現(xiàn)了分布式光伏短期和超短期的高精度功率預(yù)測(cè)。這些預(yù)測(cè)方法的實(shí)施過(guò)程，由于其預(yù)測(cè)的精度取決于計(jì)算機(jī)的處理能力，如何提高其預(yù)測(cè)精度是未來(lái)一段時(shí)間研究的重點(diǎn)和難點(diǎn)。

4 光伏發(fā)電特性分析和預(yù)測(cè)軟件

光伏發(fā)電特性分析和出力預(yù)測(cè)是光伏電站規(guī)劃、工程設(shè)計(jì)、調(diào)度運(yùn)行優(yōu)化等的重要基礎(chǔ)，被廣泛而經(jīng)常性地使用。目前，國(guó)內(nèi)外主要的光伏電站特性分析和預(yù)測(cè)的軟件有：加拿大的RETScreen[48]、瑞士的PVsystem[49]、德國(guó)的PVSOL和PVDesigner、我國(guó)的虛擬電站等，其中，比較常用的主要是RETScreen、PVsystem和虛擬電站，下面進(jìn)行詳細(xì)介紹。

4.1 RETScreen軟件

RETScreen 是加拿大政府免費(fèi)提供的一款基于Excel的清潔能源項(xiàng)目管理決策分析軟件工具。該軟件功能可以用于評(píng)估各種能效、可再生能源技術(shù)的能源生產(chǎn)量、節(jié)能效益、壽命周期成本、減排量和財(cái)務(wù)風(fēng)險(xiǎn)，也包括產(chǎn)品、成本和氣侯數(shù)據(jù)庫(kù)。光伏發(fā)電預(yù)測(cè)是其主要功能之一，由于軟件所用到氣象、輻照數(shù)據(jù)均來(lái)自美國(guó)航天局(NASA)數(shù)據(jù)庫(kù)，數(shù)據(jù)精度比較好，能夠預(yù)測(cè)世界范圍內(nèi)任何地方的光伏發(fā)電量。

4.2 PVSystem軟件

瑞士的PVSystem是目前一款常用的光伏系統(tǒng)設(shè)計(jì)輔助軟件，用于指導(dǎo)光伏系統(tǒng)設(shè)計(jì)及對(duì)光伏系統(tǒng)進(jìn)行發(fā)電量模擬計(jì)算。其功能比較強(qiáng)大，可用于設(shè)計(jì)并網(wǎng)、離網(wǎng)、抽水系統(tǒng)和DC-網(wǎng)絡(luò)光伏系統(tǒng)，并包括了廣泛的氣象數(shù)據(jù)庫(kù)、光伏系統(tǒng)組件數(shù)據(jù)庫(kù)，以及一般的太陽(yáng)能工具等。同時(shí)，該軟件的數(shù)據(jù)庫(kù)允許用戶自定義添加Meteonorm數(shù)據(jù)庫(kù)。

4.3 虛擬電站

鑒于PVSystem軟件需要自建模進(jìn)行光伏發(fā)電預(yù)測(cè)，對(duì)于一般工程技術(shù)人員難度較大，不利于開(kāi)發(fā)與利用的操作困難，我國(guó)新奧集團(tuán)開(kāi)發(fā)了PVtrade光伏虛擬電站軟件，該軟件能夠?qū)崿F(xiàn)光伏電站的在線應(yīng)用，能夠進(jìn)行光伏發(fā)電的智能預(yù)測(cè)和專(zhuān)業(yè)預(yù)測(cè)，同時(shí)滿足專(zhuān)業(yè)技術(shù)人員和項(xiàng)目開(kāi)發(fā)人員的開(kāi)發(fā)需求。虛擬電站基于Meteonorm數(shù)據(jù)庫(kù)，通過(guò)選擇面積、地區(qū)等參數(shù)，能夠準(zhǔn)確輸出設(shè)備清單、光伏發(fā)電量預(yù)測(cè)、投資收益率等項(xiàng)目關(guān)鍵決策參數(shù)，其結(jié)果與PVsystem一樣專(zhuān)業(yè)精準(zhǔn)。

3種主要的光伏預(yù)測(cè)軟件對(duì)比情況，如表3所示。

表3 光伏出力預(yù)測(cè)軟件對(duì)比分析
Table 3 Comparison of PV output prediction software

除了以上3種光伏發(fā)電特性分析及預(yù)測(cè)軟件外，德國(guó)西門(mén)子公司開(kāi)發(fā)的PVDesigner，由于開(kāi)發(fā)使用時(shí)間較長(zhǎng)，距今已有30多年，其模型和數(shù)據(jù)庫(kù)已較難適合現(xiàn)在的光伏預(yù)測(cè)計(jì)算要求而逐漸被放棄使用。德國(guó)的PVSOL，雖然在預(yù)算過(guò)程中考慮了太陽(yáng)陰影對(duì)光伏預(yù)測(cè)的影響，但是其操作應(yīng)用比較復(fù)雜，一般的工程技術(shù)人員難以掌握，也較少被應(yīng)用。

5 未來(lái)研究工作的展望

隨著能源革命戰(zhàn)略的推進(jìn)，新能源和可再生能源的發(fā)展和應(yīng)用已成為世界各國(guó)的共識(shí)。分布式光伏的大規(guī)模推廣應(yīng)用是大勢(shì)所趨，也是新能源廣泛利用的重要抓手，更是未來(lái)有源配電網(wǎng)的電能質(zhì)量、諧波等問(wèn)題的主要來(lái)源[50]。因此，準(zhǔn)確的光伏特性分析和出力預(yù)測(cè)是解決配電網(wǎng)接納大規(guī)模分布式光伏的關(guān)鍵[51]，盡管近年來(lái)國(guó)內(nèi)外學(xué)者們?cè)诜植际焦夥陌l(fā)展和研究中展開(kāi)了大量的工作，但仍有一些研究工作值得深入。

(1)考慮配電網(wǎng)的接納能力，結(jié)合光伏電源與主動(dòng)配電網(wǎng)的協(xié)調(diào)控制，開(kāi)展大規(guī)模分布式光伏的動(dòng)態(tài)大范圍長(zhǎng)時(shí)間特性分析研究。

(2)系統(tǒng)研究光伏出力的特性，探索不同時(shí)間段的光伏出力概率特性，構(gòu)建準(zhǔn)確的光伏出力概率模型，為大規(guī)模光伏接入配電網(wǎng)的分層分區(qū)穩(wěn)定控制提供保障。

(3)深入開(kāi)展組合式光伏出力的預(yù)測(cè)方法的研究與應(yīng)用，構(gòu)建準(zhǔn)確的光伏出力預(yù)測(cè)模型，并對(duì)組合模型智能算法的速度、精度進(jìn)行提升。

(4)開(kāi)發(fā)適用于多應(yīng)用場(chǎng)景的光伏發(fā)電特性分析和預(yù)測(cè)軟件，RETScreen、PVSystem及虛擬電站所依據(jù)的都是NASA和Meteonorm數(shù)據(jù)庫(kù)，與實(shí)際的光伏安裝現(xiàn)場(chǎng)數(shù)據(jù)會(huì)有一定的誤差，需要開(kāi)發(fā)適合我國(guó)的氣象、輻照數(shù)據(jù)的數(shù)據(jù)庫(kù)，提高分布式光伏預(yù)測(cè)的準(zhǔn)確性。

致 謝

本文獲得國(guó)網(wǎng)天津市電力公司科技項(xiàng)目“面向城市能源互聯(lián)網(wǎng)的源-網(wǎng)-荷協(xié)調(diào)規(guī)劃設(shè)計(jì)關(guān)鍵技術(shù)”的資助，在此表示衷心的感謝。

[1]ALQUTHAMI T, RAVINDRA H, FARNQUE M, et a1．Study of photovoltaic integration impact on system stability using custom model of PV arrays integrated with PSS//E[C]//2010 North American Power Symposium. Arlington： IEEE， 2010：1-8．

[2]陳煒，艾欣，吳濤，等. 光伏并網(wǎng)發(fā)電系統(tǒng)對(duì)電網(wǎng)的影響研究綜述[J]. 電力自動(dòng)化設(shè)備，2013，33(2)：26-32. CHEN Wei, AI Xin, WU Tao, et al. Influence of grid-connected photovoltaic system on power network[J]. Electric Power Automation Equipment, 2013，33(2)：26-32.

[3]崔紅芬， 汪春，葉季蕾，等. 多接入點(diǎn)分布式光伏發(fā)電系統(tǒng)與配電網(wǎng)交互影響研究[J]. 電力系統(tǒng)保護(hù)與控制，2015,43(10)：91-97. CUI Hongfen, WANG Chun, YE Jilei, et al. Research of interaction of distributed PV system with multiple access points and distribution network[J]. Power System Protection and Control, 2015,43(10)：91-97.

[4]KARI L, SEPPO V. Output power variation of different PV array configurations during irradiance transitions caused by moving clouds[J]. Applied Energy, 2017(190): 902-910.

[5]BELHAOUAS N, CHEIKH M S A, AGATHOKLIS P, et al. PV array power output maximization under partial shading using new shifted PV array arrangements[J]. Applied Energy, 2017(187):326-337.

[6]侯婷婷, 周小兵, 張維,等. 湖北省典型地區(qū)風(fēng)電和光伏電站出力特性分析[J]. 湖北電力, 2016, 40(1):24-30. HOU Tingting, ZHOU Xiaobing, ZHANG Wei, et al. Analysis on characteristics of wind power and photovoltaic power in the type area of Hubei Province[J].Hubei Electric Power, 2016, 40(1):24-30.

[7]趙亮, 黎嘉明, 艾小猛,等. 光伏出力隨機(jī)性分量的提取和統(tǒng)計(jì)特性分析[J]. 電力系統(tǒng)自動(dòng)化, 2017,41(1):48-56. ZHAO Liang, LI Jiaming, AI Xiaomeng, et al. Analysis on random component extrction and statistical characteristics of photoltaic power[J]. Automation of Electric Power Systems, 2017,41(1):48-56.

[8]程澤，劉沖，劉力，等. 基于相似時(shí)刻的光伏出力概率分布估計(jì)方法[J].電網(wǎng)技術(shù)，2017，41(2)：448-455. CHENG Ze, LIU Chong, LIU Li， et al. A method of probabilistic distribution estimation of PV generation based on similar time of day[J]. Power System Technology, 2017，41(2)：448-455.

[9]周穩(wěn), 畢大強(qiáng), 戴瑜興,等. 新能源發(fā)電低電壓穿越的VSG實(shí)驗(yàn)平臺(tái)研制[J].電力自動(dòng)化設(shè)備,2017,37(1):107-111. ZHOU Wen，BI Daqiang，DAI Yuxing, et al. Design of VSG testbed for LVRT of renewable energy[J]. Electric Power Automation Equipment, 2017,37(1):107-111.

[10]MARCO P, FRANCESCO B, MATTEO D F, et al. Deterministic and stochastic approaches for day-ahead solar power forecasting [J]. Journal of Solar Energy Engineering, 2017(139): 1-12.

[11]MARKO G, TOMISLAV P, MARIO V. A one-day-ahead PV array power production prediction with combined static and dynamic online correction[J]. Solar Energy, 2017(142): 49-60.

[12]寧玉寶，鄭建勇，夏儷萌，等. 光伏電站綜合出力特性研究與分析[J]. 太陽(yáng)能學(xué)報(bào)， 2015，36(5)：1197-1205. NING Yubao, ZHENG Jianyong, XIA Limeng, et al. Research and analysis on comprehensive output characteristics of PV power stations[J]. Acta Energiae Solaris Sinica, 2015,36(5):1197-1205.

[13]孫充勃, 呂振宇, 宋毅,等. 基于混合儲(chǔ)能互補(bǔ)的自適應(yīng)光伏功率平抑策略[J]. 電力建設(shè), 2016, 37(8):108-114. SUN Chongbo, LYU Zhenyu, SONG Yi, et al. Adaptive PV power smoothing strategy based on hybrid energy storage complementary[J]. Electric Power Construction, 2016, 37(8):108-114.

[14]金黎明, 周寧, 馮麗,等. 光伏發(fā)電系統(tǒng)的時(shí)序概率模型研究[J]. 電力建設(shè), 2016, 37(7):27-32. JIN Liming, ZHOU Ning, FENG Li, et al. Chronological probability model of PV generation system[J]. Electric Power Construction, 2016, 37(7):27-32.

[15]張曦, 康重慶, 張寧,等. 太陽(yáng)能光伏發(fā)電的中長(zhǎng)期隨機(jī)特性分析[J]. 電力系統(tǒng)自動(dòng)化, 2014, 38(6):6-13. ZHANG Xi, KANG Chongqing, ZHANG Ning, et al. Analysis of mid/long term random characteristics of PV power genration[J]. Automation of Electric Power Systems, 2014, 38(6):6-13.

[16]KARIM S A A, SINGH B S M, RAZALI R, et al. Data compression technique for modeling of global solar radiation[C]// IEEE International Conference on Control System, Computing and Engineering. IEEE, 2011:348-352.

[17]GRAHAM V A, KGT H. A method to generate synthetic hourly solar radiation globally[J]. Solar Energy, 1990, 44(6):333-341.[18]吳振威, 蔣小平, 馬會(huì)萌,等. 多時(shí)間尺度的光伏出力波動(dòng)特性研究[J]. 現(xiàn)代電力, 2014, 31(1):58-61. WU Zhenwei, JIANG Xiaoping, MA Huimeng, et al. Study on fluctuations characteristics of PV power output in different time scales[J]. Modern Electric Power, 2014, 31(1):58-61.

[19]姜曉亮, 李巍, 呂項(xiàng)羽,等. 基于非參數(shù)核密度估計(jì)法的光儲(chǔ)系統(tǒng)容量?jī)?yōu)化配置[J]. 高電壓技術(shù), 2015, 41(7):2225-2230. JIANG Xiaoliang, LI Wei, LYU Xiangyu, et al. Optimization configuration of PV-storage system capacity based on non-parametric Kernel density estimation[J]. High Voltage Engineering, 2015, 41(7):2225-2230.

[20]方斯頓, 程浩忠, 徐國(guó)棟,等. 基于非參數(shù)核密度估計(jì)的擴(kuò)展準(zhǔn)蒙特卡洛隨機(jī)潮流方法[J]. 電力系統(tǒng)自動(dòng)化, 2015(7):21-27. FANG Sidun, CHENG Haozhong, XU Guodong, et al. An extended quasi Monte Carlo probabilistic load flow method based on non-parametric Kernel density estimation[J]. Automation of Electric Power Systems, 2015(7):21-27.

[21]顏偉，任洲洋，趙霞，等. 光伏電源輸出功率的非參數(shù)核密度估計(jì)模型[J]. 電力系統(tǒng)自動(dòng)化，2013，37(10)：35-40. YAN Wei, REN Zhouyang, ZHAO Xia, et al. Probabilistic PV power modeling based on nonparametric Kernel density estimation[J]. Automation of Electric Power Systems, 2013，37(10)：35-40.

[22]吳振威, 蔣小平, 馬會(huì)萌,等. 基于非參數(shù)核密度估計(jì)法的光伏出力隨機(jī)分布模型[J]. 中國(guó)電力, 2013, 46(9):126-130. WU Zhenwei, JIANG Xiaoping, MA Huimeng, et al. Random distribution model of PV output based on non-parametric Kernel density estimation method[J]. Electric Power, 2013, 46(9):126-130.

[23]王敏，茅鑫同，王鶴梅，等. 基于Copula理論考慮光伏出力與負(fù)荷相關(guān)性的含光伏電站發(fā)電系統(tǒng)可靠性分析[J]. 科學(xué)技術(shù)與工程，2016，16(4)：54-59. WANG Min, MAO Xintong, WANG Hemei, et al. Reliability analysis of generation systems with PV stations considering correlations based on Copula theory[J]. Science Technology and Engineering, 2016，16(4)：54-59.

[24]張沈習(xí)，李珂，程浩忠，等. 考慮相關(guān)性的間歇性分布式電源選址定容規(guī)劃[J]. 電力系統(tǒng)自動(dòng)化，2015,39(8):53-58. ZHANG Shenxi, LI Ke, CHENG Haozhong, et al. Optimal siting and sizing of intermittent distributed generator considering correlations[J]. Automation of Electric Power Systems, 2015,39(8):53-58.

[25]陳璨, 吳文傳, 張伯明,等. 考慮光伏出力相關(guān)性的配電網(wǎng)概率潮流[J]. 電力系統(tǒng)自動(dòng)化, 2015, 39(9):41-47. CHEN Can, WU Wenchuan, ZHANG Boming, et, al. Probabilistic load flow of distribution network considering correlated photovoltaic power output[J]. Automation of Electric Power Systems, 2015, 39(9):41-47.

[26]FAN M, VITTAL V, HEYDT G T, et al. Probabilistic power flow studies for transmission systems with PV generation using cumulants[J]. IEEE Transactions on Power Systems, 2012, 27(4):2251-2261.

[27]黎靜華, 文勁宇, 程時(shí)杰,等. 考慮多風(fēng)電場(chǎng)出力Copula相關(guān)關(guān)系的場(chǎng)景生成方法[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2013, 33(16):30-36. LI Jinghua, WEN Jinyu, CHENG Shijie, et al. A scene generation method considering Copula correlation relationship of multi-wind farms power[J]. Proceedings of the CSEE, 2013, 33(16):30-36.

[28]KL?CKL B, PAPAEFTHYMIOU G. Multivariate time series models for studies on stochastic generators in power systems[J]. Electric Power Systems Research, 2010, 80(3):265-276.

[29]PAOLI C, VOYANT C, MUSELLI M, et al. Multi-horizon solar radiation forecasting for Mediterranean locations using time series models[C]// Solar World Congress, Ises. 2013:44-52.

[30]黎嘉明, 艾小猛, 文勁宇,等. 光伏發(fā)電功率持續(xù)時(shí)間特性的概率分布定量分析[J]. 電力系統(tǒng)自動(dòng)化, 2017, 41(6):30-36. LI Jiaming, AI Xiaomeng,WEN Jinyu, et al. Quantitative analysis of probaility distribution for duration time characteristic of PV power[J]. Automation of Electric Power Systems, 2017, 41(6):30-36.

[31]丁明, 鮑玉瑩, 畢銳. 應(yīng)用改進(jìn)馬爾科夫鏈的光伏出力時(shí)間序列模擬[J]. 電網(wǎng)技術(shù), 2016, 40(2):459-464. DING Ming, BAO Yuying, BI Rui. Simulation of PV output time series used improved Markov chain[J]. Power System Technology, 2016, 40(2):459-464.

[32]王新普, 周想凌, 邢杰,等. 一種基于改進(jìn)灰色BP神經(jīng)網(wǎng)絡(luò)組合的光伏出力預(yù)測(cè)方法[J]. 電力系統(tǒng)保護(hù)與控制, 2016, 44(18):81-87. WANG Xinpu, ZHOU Xiangling, XING Jie, et al. A prediction method of PV output power based on the combination of improved grey back propagation neural network[J].Power System Protection and Control, 2016, 44(18):81-87.

[33]CLACK C T M, ALEXANDER A, MACDONALD A E. Modeling solar irradiance and solar PV power output to create a resource assessment using linear multiple multivariate regression[C]// American Meteorological Society Meeting. 2015.

[34]黃磊, 舒杰, 姜桂秀,等. 基于多維時(shí)間序列局部支持向量回歸的微網(wǎng)光伏發(fā)電預(yù)測(cè)[J]. 電力系統(tǒng)自動(dòng)化, 2014, 38(5):19-24. HUANG Lei, SHU Jie, JIANG Guixiu, et al. PV generation forecast based on time-series and local support vector regression in microgrids[J]. Automation of Electric Power Systems, 2014, 38(5):19-24.

[35]侯偉, 肖健, 牛利勇,等. 基于灰色理論的光伏發(fā)電系統(tǒng)出力預(yù)測(cè)方法[J]. 電氣技術(shù), 2016(4):53-58. HOU Wei, XIAO Jian, NIU Liyong. Analysis of power generation capacity of PV power generation system in electric vehicle charging station[J]. Electrical Engineering, 2016(4):53-58.

[36]李光明, 劉祖明, 何京鴻,等. 基于多元線性回歸模型的并網(wǎng)光伏發(fā)電系統(tǒng)發(fā)電量預(yù)測(cè)研究[J]. 現(xiàn)代電力, 2011, 28(2):43-48. LI Guangming, LIU Zuming, HE Jinghong, et al. Study on the generator forecasting of grid-connected PV power system based on multivariate linear regression model[J]. Modern Electric Power, 2011, 28(2):43-48.

[37]楊志超, 朱峰, 張成龍,等. 基于自適應(yīng)模糊時(shí)間序列法的光伏發(fā)電短期功率預(yù)測(cè)[J]. 南京工程學(xué)院學(xué)報(bào)(自然科學(xué)版), 2014, 12(1):6-13. YANG Zhichao, ZHU Feng, ZHANG Chenglong, et al. PV power generation short-term power forecasting based on adaptive fuzzy time sequence method[J]. Journal of Nanjing Institute of Technology(Natural Science Edition), 2014, 12(1):6-13.

[38]MALVONI M, GIORGI M G D, CONGEDO P M. Data on support vector machines (SVM) model to forecast PV power[J]. Data in Brief, 2016(9):13-16.

[39]張程熠, 唐雅潔, 李永杰,等. 適用于小樣本的神經(jīng)網(wǎng)絡(luò)光伏預(yù)測(cè)方法[J]. 電力自動(dòng)化設(shè)備, 2017, 37(1):101-106. ZHANG Chengyi, TANG Yajie, LI Yongjie, et al. PV power forecast based on neural network with a small number of samples[J]. Electric Power Automation Equipment, 2017, 37(1):101-106.

[40]杜翠，徐曉波，劉宗歧，等. 氣象數(shù)據(jù)弱相關(guān)的光伏出力短期預(yù)測(cè)[J]. 現(xiàn)代電力，2015，32(6)：1-6. DU Cui, XU Xiaobo, LIU Zongqi, et al. Short-term PV output forecasting with weakly related meteorological data[J]. Modern Electric Power, 2015，32(6)：1-6.

[41]王守相，張娜. 基于灰色神經(jīng)網(wǎng)絡(luò)組合模型的光伏短期出力預(yù)測(cè)[J]. 電力系統(tǒng)自動(dòng)化，2012，36(19)：37-41. WANG Shouxiang, ZHANG Na. Short-term output power forecast of PV based on a grey and neural network hybrid model[J]. Automation of Electric Power Systems, 2012，36(19)：37-41.

[42]單英浩, 付青, 耿炫,等. 基于改進(jìn)BP-SVM-ELM與粒子化SOM-LSF的微電網(wǎng)光伏發(fā)電組合預(yù)測(cè)方法[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2016, 36(12):3334-3342. SHAN Yinghao, FU Qing, GENG Xuan, et al. Combined forecasting of PV power generation in microgrid based on the improved BP-SVM-ELM and SOM-LSF With particlization[J]. Proceedings of the CSEE，2016, 36(12):3334-3342.

[43]王昕，黃柯，柯益慧，等. 基于PNN/PCA/SS-SVR的光伏發(fā)電功率短期預(yù)測(cè)方法[J]. 電力系統(tǒng)自動(dòng)化，2016，40(17)：156-162. WANG Xin, HUANG Ke, ZHENG Yihui, et al. Short-term forecasting method of PV output power based on PNN/PCA/SS-SVR[J]. Automation of Electric Power Systems，2016，40(17)：156-162.

[44]陳志寶, 李秋水, 程序,等. 基于地基云圖的光伏功率超短期預(yù)測(cè)模型[J]. 電力系統(tǒng)自動(dòng)化, 2013, 37(19):20-25. CHEN Zhibao, LI Qiushui, CHENG Xu. A very short-term prediction model for PV power based on ground-based cloud images[J]. Automation of Electric Power Systems, 2013, 37(19):20-25.

[45]朱想, 周海, 丁宇宇,等. 一種基于云量模擬的光伏超短期發(fā)電功率的預(yù)測(cè)方法： CN103971169A[P]. 2014.

[46]朱想, 居蓉蓉, 程序,等. 組合數(shù)值天氣預(yù)報(bào)與地基云圖的光伏超短期功率預(yù)測(cè)模型[J]. 電力系統(tǒng)自動(dòng)化, 2015,39(6):4-10. ZHU Xiang, JU Rongrong, CHENG Xu, et al. Controller architecture design for MMC-HVDC physical simulation system[J]. Automation of Electric Power Systems, 2015,39(6):4-10.

[47]甘德樹(shù), 周云蔚, 賈鵬程,等. 基于高密度數(shù)值天氣預(yù)報(bào)的分布式光伏功率預(yù)測(cè)主站研究應(yīng)用[J]. 電氣制造, 2015(2):30-34.

[48]熊威明, 朱桂萍, 張達(dá),等. 可再生能源經(jīng)濟(jì)決策支持工具IRPP的構(gòu)建及分析案例[J]. 可再生能源, 2013, 31(4):65-70. XIONG Weiming， ZHU Guiping， ZHANG Da, et al.Economic decision support tool of renewable energy for wind and PV power projects: IRPP model and its application[J]. Renewable Energy Resources, 2013, 31(4):65-70.

[49]胡海峰, 倫淑嫻. 基于Leaky-ESN的光伏發(fā)電輸出功率預(yù)測(cè)[J]. 電子設(shè)計(jì)工程, 2016, 24(17):15-17. HU Haifeng, LUN Shuxian. The Output power foresting based on Leaky-ESN[J]. Electronic Design Engineering, 2016, 24(17):15-17.

[50]李國(guó)棟, 李洪安, 葛磊蛟,等. 主動(dòng)配電網(wǎng)的諧波源定位方法及諧波責(zé)任劃分[J]. 電力系統(tǒng)及其自動(dòng)化學(xué)報(bào), 2016, 28(11):95-99. LI Guodong，LI Hong’an，GE Leijiao, et al. Harmonic source location method and division of harmonic responsibility in active distribution network [J]. Proceedings of the CSU-EPSA, 2016, 28(11):95-99.

[51]錢(qián)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(5):651-659. QIAN Zhen，CAI Shibo，GU Yuqing. Review of PV power generation prediction[J]. Journal of Mechanical & Electrical Engineering, 2015, 32(5):651-659.

(編輯 劉文瑩)

A Review on Characteristic Analysis and Prediction Method of Distributed PV

WANG Hongkun1,2, GE Leijiao1, LI Hongwei2, CHI Fujian3

(1. School of Electrical and Information Engineering, Tianjin University, Tianjin 300072, China; 2. Mechanical and Electrical Institute, Shihezi University, Shihezi 832003, Xinjiang Uygur Autonomous Region， China; 3. State Grid Tianjin Electrical Power Company, Tianjin 300055, China)

With the rapid development of photovoltaic (PV) industry in recent years, the application of the large-scale distributed PV has become a trend. A large number of distributed PV with strong intermittent access to the distribution network causes many problems to the distribution network, such as power quality, harmonic and so on, which affects the safe and stable operation of power grid. In order to solve those problems effectively, it is necessary to analyze the characteristics of distributed PV and predict the output of distribution PV power generation. Firstly, this paper analyzes the current situation of the development of distributed PV in China and abroad. Secondly, this paper discusses the latest progress in China and abroad on the output characteristics, prediction technology and prediction software of the distributed PV power generation. Finally, this paper discusses the key contents of the future research of the distributed PV, in order to provide the suggestions for the popularization and application of large-scale distributed PV in China.

distributed photovoltaic; probability distribution; output characteristic; prediction method

廣東綠色能源技術(shù)重點(diǎn)實(shí)驗(yàn)室(2008A060301002)

TM 712

A

1000-7229(2017)07-0001-09

10.3969/j.issn.1000-7229.2017.07.001

2017-03-02

王洪坤(1975)，男，博士研究生，講師，主要研究方向?yàn)橹悄芘潆娋W(wǎng)系統(tǒng)；

葛磊蛟(1984)，男，博士，講師，本文通信作者,主要研究方向智能配用電、云計(jì)算和大數(shù)據(jù)；

李宏偉(1970)，男，碩士，實(shí)驗(yàn)師，主要研究方向?yàn)殡姽る娮有录夹g(shù);.

遲福建(1978)，男，碩士，高級(jí)工程師，主要研究方向?yàn)殡娏ο到y(tǒng)規(guī)劃與運(yùn)行。