高華興 李建軍 張 樂 楊宇昕 任永強

(1.塔里木大學現(xiàn)代農(nóng)業(yè)工程重點實驗室，新疆 阿拉爾 843300；2.塔里木大學機械電氣化工程學院，新疆 阿拉爾 843300)

1 光伏功率的影響因素

1.1 輻照強度

無論是利用半導體p-n結的光電效應太陽能電池，還是光電直接轉換的太陽能電池，都是需要光照輻射強度，前者依靠光照在p-n結上形成空穴-電子對，形成電場，產(chǎn)生電流；后者直接將光照打到光電二極管上，產(chǎn)生電勢差，形成電流。輻照強度對電流影響較大，輻照強度跟電流大小成正比，對電壓幾乎沒有影響，所以輻照強度跟光伏功率成正比[1]。

太陽輻照強度受很多因素的影響，比如天氣狀況，空氣質量，光伏設備上的灰塵，還有光伏電池板擺放的角度等因素。這些因素通過影響光照強度大小，進而影響光伏發(fā)電功率的大小，在預測光伏功率的時候要考慮到這些因素。光伏上輻照強度受光伏電池板擺放角度的影響，斜面輻照強度公式IA如式(1)所示。

Iθ=IDθ+Iσθ+IRA

(1)

IDθ是傾斜面上太陽直射輻照強度，Iσθ是斜面上太陽散射輻照強度，IRA是傾斜面上所獲得的地面反射輻照強度[2]。光伏電池板擺放的角度會影響輻照強度，進而影響發(fā)電功率。

1.2 溫度

太陽能電池目前主要是硅系太陽能電池，有單晶硅太陽能電池、多晶硅太陽能電池、非晶硅太陽能電池。溫度主要影響太陽能電池的電壓、電流、峰值功率等參數(shù)。光伏電池板的電壓隨溫度的升高而降低，電流是隨溫度升高而升高，太陽能的功率隨著溫度升高而降低。溫度對開路電壓的具體影響，在20～45℃時候，升高1℃單片光伏的電壓降2mV[3]；而對單片光伏電流的影響是每上升1℃電流增加0.03mA，計算可得，每升高1℃則功率減少0．35%。為使光伏發(fā)電效率得到提高，要是光伏溫度在20℃左右，保證光伏的高效運行[4]。

1.3 陰影

在大棚環(huán)境中，很有必要考慮陰影的影響，若光伏上有陰影則會引起光伏發(fā)電效率的大大降低。光伏電池板如果有一個電池單元被遮擋，發(fā)電效率只有之前的25%[5]，由于電池片之間都是串聯(lián)的，每路直流組件的若干組件也是串聯(lián)的，所以遮擋一塊組件，甚至遮擋一塊組件的其中一塊電池片，都會對整組組串的功率輸出造成很大的影響。在預測中要考慮可能產(chǎn)生的陰影，像電線桿、鳥糞、落葉都會造成光伏發(fā)電效率的降低[6]。

1.4 灰塵

光伏電池板的效率受到沉積在表面灰塵的影響，光伏電池板上的灰塵對輻照強度和溫度有直接影響，進而影響光伏發(fā)電效率，使電池的效率降低，并能使面板表面受到腐蝕，不同地區(qū)的灰塵影響不同。光伏電池板上的灰塵能擋住太陽輻射，降低太陽的透過率，造成面板接收到的太陽輻射減少，輸出功率也隨之減小，灰塵厚度越大效應就越明顯[7]?；覊m所吸收的輻射轉換成了熱能使光伏發(fā)電板升溫，灰塵中含有一些腐蝕性的物質，會影響到光伏發(fā)電效率。光伏發(fā)電的影響因素互相耦合，在預測過程中要考慮到耦合因素的影響。

2 光伏發(fā)電預測方法

2.1 直接預測法

直接預測法的建模相對間接預測法建模難度要大一些，在不同時間內和不同運行條件下，對應關系可能發(fā)生改變，這種改變可能使預測結果不準或者嚴重偏離正常值。光伏直接預測就是通過歷史的光照強度，天氣溫度來預測今后的光伏發(fā)電量，神經(jīng)網(wǎng)絡就是直接預測，通過對歷史天氣狀況的訓練來預測今后光伏發(fā)電量。

2.1.1 統(tǒng)計預測法

數(shù)據(jù)統(tǒng)計預測法首先要進行大量光伏發(fā)電歷史數(shù)據(jù)的統(tǒng)計，找出各時段光伏發(fā)電的規(guī)律，根據(jù)規(guī)律做出相應光伏發(fā)電預測，目前常見的數(shù)據(jù)統(tǒng)計預測模型有：灰色理論預測模型、多元線性回歸預測模型、時間序列預測模型等?；疑碚擃A測模型不需要完整的信息，具體的影響因素不需要明確，因素之間的互相的影響不需要明確，系統(tǒng)的作用原理不需要完全明白，灰色理論預測模型提供了一種不需要太多信息的預測方法。多元回歸預測模型，是把影響光伏發(fā)電量的多個因素及之間的相互作用同時考慮，來預測未來發(fā)電量，上文中第一章提到的所有影響因素都可以被多元回歸方程所用，作為回歸方程的輸入，短期預測效果較好。時間序列預測模型通過歷史數(shù)據(jù)對未來做出判斷的數(shù)學模型，在光伏發(fā)電預測中將一段時間的發(fā)電量作為一個隨機變量，最后通過數(shù)據(jù)處理擬合曲線，建立預測模型。

2.1.2 人工智能預測法

人工智能算法快速發(fā)展，在光伏發(fā)電預測中的應用成為主流，人工智能算法主要包括人工神經(jīng)網(wǎng)絡、深度信念神經(jīng)網(wǎng)絡、徑向基神經(jīng)網(wǎng)絡、生成對抗網(wǎng)絡、邏輯學習機、多分類決策森林等方法。人工智能預測方法，模仿神經(jīng)元的工作原理，將大量神經(jīng)元聯(lián)結進行運算，通過不斷地學習，訓練，找到無限逼近基于歷史數(shù)據(jù)的函數(shù)，在光伏發(fā)電領域中，使用神經(jīng)網(wǎng)絡可以得到很好的預測結果。人工神經(jīng)網(wǎng)絡有前饋神經(jīng)網(wǎng)絡和反饋神經(jīng)網(wǎng)絡，前饋神經(jīng)網(wǎng)絡是將數(shù)據(jù)一層一層傳遞，沒有反饋，反饋神經(jīng)網(wǎng)路與前饋神經(jīng)網(wǎng)絡最大的不同就是反饋神經(jīng)網(wǎng)絡各個神經(jīng)元之間互相聯(lián)系，都可以作為輸入輸出。

文獻介紹了一種基于大數(shù)據(jù)的預測方法，通過理清各種不同因素的重要程度，建立多層神經(jīng)網(wǎng)絡來預測未來光伏發(fā)電量。文獻介紹了支持向量機，是一種自學習的模型，原則是使結構風險最小化，具有很好的適應性。文獻介紹了光伏數(shù)據(jù)中有高頻和低頻信號，利用小波分解技術把高低頻信號分開計算，使預測值更精確。

2.2 間接預測法

間接預測方法相對于直接預測法，預測方法較為復雜，是指不需要大量的光伏歷史數(shù)據(jù)，根據(jù)天氣預報數(shù)據(jù)進行預測的方法，在預測精確度方面，間接預測要好于直接預測，并減少了大量光伏數(shù)據(jù)的統(tǒng)計。間接預測可以根據(jù)當?shù)貙崟r天氣預報信息，衛(wèi)星云圖、歷史數(shù)據(jù)進行預測下個時間段的光伏量，達到預測的目的。文獻介紹了基于數(shù)值天氣預報預測的方法，能有效地根據(jù)季節(jié)進行預測。文獻介紹了在數(shù)據(jù)不準確、不全面時，提出了將數(shù)據(jù)分為陰晴2類，然后找到相似的數(shù)據(jù)，進行分析預測。

2.3 組合預測法

組合預測法是把多種預測方法結合在一起，文獻介紹了基于自適應Kmeans和 LSTM的光伏預測，根據(jù)短期發(fā)電的特點，選取相適應的預測方法，然后再在LSTM上進行光伏發(fā)電預測，文獻介紹了基于特征挖掘的 indRNN的光伏預測，首先根據(jù)環(huán)境特征與光伏發(fā)電量的關系，找出相應的特征，再進行神經(jīng)網(wǎng)絡的預測。各種預測方法的組合，取長補短，預測精度大幅提升，但是計算的復雜度也將會提升。在這里規(guī)定超短期預測時長4h以內，短期預測時長在72h之內，中期時長為1月～1年。以上各種預測方法的總結如表1所示。

3 未來研究展望

隨著對環(huán)境的重視，將會加快尋找綠色能源的腳步，太陽能具有綠色、環(huán)保的特點，無疑將會受到越來越重視。在大棚中應用光伏，符合生態(tài)農(nóng)業(yè)觀念，是一種發(fā)展趨勢。光伏只能白天發(fā)電，如何使白天所產(chǎn)生的電能持續(xù)、高效地轉化為大棚用電，就要進行光伏的預測。在預測過程中，常常面臨預測難度與精度不能統(tǒng)一的矛盾，根據(jù)大棚的環(huán)境選擇出最優(yōu)的預測方法，就會是未來研究的重點。

表1 光伏發(fā)電預測方法分析

(1)近年來，大數(shù)據(jù)、人工智能、機器學習的蓬勃發(fā)展，光伏預測技術的預測精度一步步提高，但是預測過程中運算復雜度和運算量大幅提升。大棚環(huán)境中，未來隨著計算機運算速度的提升，大棚中運用人工智能預測的方法將會越來越普及。未來根據(jù)大棚實際情況建立不同復雜度預測模型將會是一個重要研究方向。

(2)組合式預測的優(yōu)越性逐漸凸顯，能進行靈活地組合，達到靈活預測的結果。組合式預測能根據(jù)光伏預測環(huán)境進行組合，在大棚環(huán)境中，將會根據(jù)不同地區(qū)的不同情況進行預測，組合預測在大棚環(huán)境中滿足了預測精度的需要，但也存在運算量的問題。未來預測模型的優(yōu)化和簡化將成為一個研究重點。

(3)超短期預測在大棚光伏預測中會普及，這是由大棚特點和大棚用電策略所決定的，如何減少儲蓄電池的充放電次數(shù)，在陰天霧霾天等光照不足的情況下，快速預測將會減少非必須用電，超短期預測將會使大棚用電快速反應，未來在大棚中超短期預測將會重點研究。