摘 要:提高短期光伏發(fā)電預(yù)測水平是太陽能光伏發(fā)電站并入現(xiàn)有電網(wǎng)系統(tǒng)和太陽能光伏開發(fā)利用的關(guān)鍵問 題,對(duì)提高太陽能光伏發(fā)電開發(fā)利用、保證并網(wǎng)安全也具有重要意義。本文對(duì)國內(nèi)外短期太陽能光伏發(fā)電預(yù)測方法進(jìn)行了分類歸納總結(jié),對(duì)各類方法的發(fā)展趨勢、優(yōu)缺點(diǎn)等進(jìn)行了分析。結(jié)果表明,統(tǒng)計(jì)智能類預(yù)測方法是國內(nèi)外小型光伏電站短期光伏發(fā)電量預(yù)測技術(shù)發(fā)展的重點(diǎn),總體平均預(yù)測誤差在3.0%~11.0%之間。簡單物理模型類預(yù)測方法是目前國內(nèi)外大中型并網(wǎng)光伏電站業(yè)務(wù)運(yùn)行采用最多的短期光伏發(fā)電量預(yù)測方法,總體平均預(yù)測誤差在5.0%~20.0%之間。復(fù)雜物理模型類預(yù)測方法是未來大型光伏電站短期發(fā)電量預(yù)測技術(shù)研究和發(fā)展應(yīng)用的主要方向。文章結(jié)論對(duì)我國短期太陽能光伏發(fā)電預(yù)測技術(shù)的發(fā)展具有促進(jìn)作用。
關(guān)鍵詞:太陽能光伏發(fā)電;短期功率預(yù)測;直接預(yù)測法;間接預(yù)測法;預(yù)測模型
1引言
太陽能已被公認(rèn)為是未來最具競爭力能源之一,具有取之不盡、用之不竭、綠色環(huán)保等特點(diǎn)[1]。目前世界主要國家(如美國、德國、日本等國)均十分重視通過發(fā)展光伏發(fā)電產(chǎn)業(yè)進(jìn)行太陽能資源的開發(fā)利用工作。到2011年底,全球光伏發(fā)電裝機(jī)容量高達(dá)69GW[2]。據(jù)國際能源署(IEA)預(yù)測,到2050年太陽能光伏發(fā)電將占全球發(fā)電量的20%~25%,成為人類的基礎(chǔ)能源之一[3]。作為國家新能源優(yōu)先發(fā)展方向之一,目前我國光伏發(fā)電裝機(jī)容量已接近3GW,預(yù)計(jì)到2015年將達(dá)到20GW,2020年達(dá)到 47GW[4,5] 。
中緯度地區(qū)光伏發(fā)電輸出受太陽輻射周期變 化、氣溫、降水、云量、濕度等氣象要素隨機(jī)性變化的影響,具有明顯的日、季節(jié)變化、以及不連續(xù)性和不確定性。美國學(xué)者Edward[6]研究表明,光伏發(fā)電量在電力系統(tǒng)中比例的增加會(huì)加大電網(wǎng)調(diào)度的難度,當(dāng)其比例超過15%時(shí),可能會(huì)引起電網(wǎng)系統(tǒng)的癱瘓。因此控制、調(diào)節(jié)光伏發(fā)電站發(fā)電量與來自水電廠、火電廠等其他發(fā)電量在電網(wǎng)中的平衡,就成了光伏發(fā)電并入現(xiàn)有電網(wǎng)的主要問題。由于對(duì)火電站發(fā)電量進(jìn)行小幅度調(diào)節(jié)經(jīng)濟(jì)代價(jià)高昂且無可操作性,所以能否提供準(zhǔn)確的短期太陽能光伏發(fā)電預(yù)測就成了光伏發(fā)電站并入現(xiàn)有電網(wǎng)系統(tǒng)的關(guān)鍵所在[7]?!秶抑虚L期科技發(fā)展規(guī)劃綱要(2006-2020年)》中重點(diǎn)領(lǐng)域(能源)以及基礎(chǔ)研究方面也均涉及到了太陽能光伏發(fā)電高效開發(fā)利用技術(shù)、并網(wǎng)安全穩(wěn)定和經(jīng)濟(jì)運(yùn)行三大問題[8]。
從20世紀(jì)80年代開始,隨著太陽能光伏發(fā)電量在各國電網(wǎng)總電量中所占比例的不斷增加,世界主要發(fā)達(dá)國家如美國、日本、德國、法國等均大力研究并改進(jìn)短期太陽能光伏發(fā)電預(yù)測方法,以期提高光伏電站的并網(wǎng)發(fā)電能力。我國太陽能光伏發(fā)電預(yù)測技術(shù)研究起步較晚,相關(guān)研究目前處于初期發(fā)展階段[9~11]。隨著國家“十二五”規(guī)劃中新能源戰(zhàn)略的實(shí)施,國內(nèi)對(duì)太陽能光伏發(fā)電預(yù)測技術(shù)的需求將迅速增加。本文將主要通過對(duì)國內(nèi)外短期太陽能光伏發(fā)電預(yù)測技術(shù)研究發(fā)展?fàn)顩r進(jìn)行分類總結(jié)、歸納和展望,期望為我國短期太陽能光伏發(fā)電預(yù)測技術(shù)的發(fā)展提供重要依據(jù)。
2短期太陽能光伏發(fā)電預(yù)測原理
目前所有短期太陽能光伏發(fā)電預(yù)測方法都是基于相同的思路:即首先利用數(shù)學(xué)和物理學(xué)理論及相關(guān)數(shù)據(jù)建立預(yù)測公式或模型,再通過預(yù)測公式或模型對(duì)光伏電站發(fā)電量進(jìn)行預(yù)測(圖1)。根據(jù)所采用的數(shù)學(xué)物理理論及其預(yù)測輸出量,光伏發(fā)電預(yù)測方法可分為兩大類:①直接預(yù)測光電系統(tǒng)輸出功率的直接預(yù)測法(統(tǒng)計(jì)法);②首先對(duì)太陽輻射進(jìn)行預(yù)測,然后根據(jù)光電轉(zhuǎn)換效率得到光電輸出功率的間接預(yù)測法(物理法)。
2.1直接預(yù)測法
直接預(yù)測法(統(tǒng)計(jì)法)主要是依據(jù)數(shù)學(xué)統(tǒng)計(jì)預(yù)測理論及方法,包括概率、時(shí)間序列、人工智能等方法。優(yōu)點(diǎn)是程序簡明,對(duì)光伏電站位置及電力轉(zhuǎn)換參數(shù)沒有要求;缺點(diǎn)是為了保證預(yù)報(bào)結(jié)果的精確度,需要大量的光伏電站歷史運(yùn)行數(shù)據(jù)。依據(jù)預(yù)測所采用的具體統(tǒng)計(jì)方法,該類方法又可細(xì)分為時(shí)間序列法、時(shí)間趨勢外推法、點(diǎn)預(yù)測法、概率預(yù)測法和智能預(yù)測法等5類。
2.2間接預(yù)測法
間接預(yù)測法(物理法)主要是以光伏發(fā)電系統(tǒng)物理發(fā)電原理為基礎(chǔ),優(yōu)點(diǎn)是不需要?dú)v史運(yùn)行數(shù)據(jù),光伏電站建成之后就可以直接進(jìn)行預(yù)測;缺點(diǎn)是需要光伏電站詳細(xì)地形圖、發(fā)電站坐標(biāo)、光伏電站功率曲線及其他相關(guān)光電轉(zhuǎn)換參數(shù)等數(shù)據(jù)。依據(jù)建?;A(chǔ)及其復(fù)雜程度,該類方法又可細(xì)分為電子元件模型法,簡單物理模型法和復(fù)雜物理模型法等3類。
3國內(nèi)外短期光伏發(fā)電預(yù)測研究進(jìn)展
從20世紀(jì)80年代開始,由于世界能源消耗加速,德國、西班牙、美國和日本等國率先進(jìn)入了太陽能光伏發(fā)電領(lǐng)域。為了保障本國電網(wǎng)運(yùn)行的穩(wěn)定性、可靠性,他們均開展了太陽能光伏發(fā)電量預(yù)測理論和應(yīng)用技術(shù)研究,并取得了較為豐碩的研究成果。我國雖然早在20世紀(jì)90年代就開始發(fā)展光伏發(fā)電硬件制造產(chǎn)業(yè),但直到21世紀(jì)初才進(jìn)入光伏發(fā) 電量預(yù)測技術(shù)研究領(lǐng)域[12,13] 。在下面章節(jié),本文將 從發(fā)展?fàn)顩r、特點(diǎn)及預(yù)測效果等方面對(duì)國內(nèi)外各類光伏發(fā)電預(yù)測方法進(jìn)行深入分析、歸納、總結(jié)。
3.1統(tǒng)計(jì)法
3.1.1時(shí)間序列法
在光伏電站光伏發(fā)電量預(yù)測技 術(shù)研究早期,國內(nèi)外學(xué)者均先以時(shí)間序列類預(yù)測方法作為主要研究對(duì)象。在國外,20世紀(jì)80年代-90年代,西班牙馬拉加大學(xué)的Sidrach-de-Cardona[14]最先開展了將多元線性回歸模型用于獨(dú)立光伏系統(tǒng)發(fā)電量預(yù)測的研究工作;日本NTTFacilities公司采用Kudo建立的多元回歸預(yù)報(bào)方程[15],開展了愛知縣世博園區(qū)330kW光伏系統(tǒng)未來一天逐時(shí)發(fā)電量預(yù)測工作。美國學(xué)者Chowdhury[16]最早開展了利用自回歸滑動(dòng)模型(ARMA)和差分自回歸移動(dòng)平均模型(ARIMA)對(duì)光伏系統(tǒng)發(fā)電量進(jìn)行預(yù)測的研究。內(nèi)華達(dá)大學(xué)的Hassanzadeh[17]使用改進(jìn)的ARMA模型對(duì)NV能源公司總部屋頂75kW獨(dú)立光伏系統(tǒng)晴天逐小時(shí)發(fā)電量的預(yù)測結(jié)果誤差在23.0%~43.0%之間;Reikard等[18]則采用改進(jìn)的ARIMA模型對(duì)位于亞利桑那州的太陽輻射研究實(shí)驗(yàn)室的小型光伏系統(tǒng)開展了預(yù)測試驗(yàn)。在國內(nèi),云南師范大學(xué)的李光明[19]開展了基于多元線性回歸模型光伏系統(tǒng)發(fā)電量預(yù)測理論研究;東北電力大學(xué)的蘭華等[20]利用ARMA模型對(duì)吉林地區(qū)的并網(wǎng)光伏發(fā)電站的晴天出力進(jìn)行了試驗(yàn)預(yù)測。
時(shí)間序列法是早期光伏電站發(fā)電量預(yù)測技術(shù)發(fā)展研究的重點(diǎn),模型預(yù)測誤差一般在9.0%~45.0%之間(表1)。由于在理論及試驗(yàn)階段預(yù)測能力較差,目前各國基本不再支持此類預(yù)測技術(shù)的發(fā)展。
光伏發(fā)電量預(yù)測研究。20世紀(jì)90年代,美國NASA的Safie[21]最先探索了將馬爾科夫鏈模型用于光伏系統(tǒng)發(fā)電量預(yù)測的可能性;法國人Muselli等[22]對(duì)不同天氣下意大利維尼奧拉的小型獨(dú)立光伏系統(tǒng)預(yù)測結(jié)果的研究表明,馬爾科夫鏈模型的預(yù)測能力受天氣條件影響極大。近年國內(nèi)學(xué)者在該方面也開展了研究,合肥工業(yè)大學(xué)的丁明等[23]采用馬爾科夫模型對(duì)晴天教育部光伏系統(tǒng)工程研究中心屋頂光伏系統(tǒng)發(fā)電量開展了預(yù)測,結(jié)果顯示誤差在9.0%~56.0%之間;隨后北京城市建筑大學(xué)Li等[24]提出了基于灰色-馬爾科夫鏈的綜合預(yù)測模型,并將其用于該校試驗(yàn)用5.6kW并網(wǎng)光伏電站的發(fā)電量預(yù)測[25]。
時(shí)間趨勢外推法是光伏發(fā)電量預(yù)測早期發(fā)展階段研究的有益探索。由于預(yù)測準(zhǔn)確度隨天氣狀況起伏極大(表1),國內(nèi)外主要光伏發(fā)電量預(yù)測技術(shù)研究機(jī)構(gòu)已不再開展此類方法研究。
3.1.3點(diǎn)預(yù)測法
國內(nèi)外短期太陽能光伏發(fā)電預(yù)測 中常用的點(diǎn)預(yù)測類方法主要包括隨機(jī)森林法、SVM支持向量機(jī)法、廣義可加模型法和貝葉斯法。在國外,法國瑪格麗特太陽能協(xié)會(huì)最早開展了將SVM、廣義可加模型用于該協(xié)會(huì)安裝在維勒班的12.84kW獨(dú)立光伏系統(tǒng)發(fā)電量預(yù)測的試驗(yàn)[26],并對(duì)預(yù)測結(jié)果進(jìn)行了評(píng)估。意大利那不勒斯Parthenope大學(xué)的Bracale等[27]提出了基于貝葉斯統(tǒng)計(jì)理論的光伏發(fā)電量預(yù)測方法。在國內(nèi),華北電力大學(xué)的栗然等[28]最先利用氣象資料和NASA提供的保定地區(qū)太陽輻射數(shù)據(jù),建立了支持向量機(jī)(SVM)回歸光伏系統(tǒng)出力預(yù)測模型;隨后該校的朱永強(qiáng)等[29]進(jìn)一步采用試驗(yàn)用120W光伏陣列發(fā)電量、地表太陽輻射量、氣溫等觀測數(shù)據(jù)對(duì)該預(yù)測模型進(jìn)行了改進(jìn)。
點(diǎn)預(yù)測類方法雖然模型差異較大,但預(yù)測能力比較接近,誤差一般在8.0%~13.0%之間(表1)。國內(nèi)外學(xué)者曾采用該類方法開展光伏系統(tǒng)短期發(fā)電量試驗(yàn)預(yù)測。
3.1.4概率預(yù)測法
最近10年,隨著新型統(tǒng)計(jì)預(yù)測 理論的發(fā)展[30,31] ,學(xué)者們開始將分位數(shù)回歸森林和 支持向量機(jī)分位數(shù)回歸(QSVM)應(yīng)用于光伏電站發(fā)電量預(yù)測研究領(lǐng)域[26]。法國、澳大利亞等國家在該領(lǐng)域開展研究較多,國內(nèi)目前還未開展將此類方法應(yīng)用于光伏發(fā)電量預(yù)測的研究工作。由于發(fā)展時(shí)間較短,概率預(yù)測類方法目前還處于理論及初步試驗(yàn)研究階段。
3.1.5智能預(yù)測法
20世紀(jì)90年代開始,日本學(xué)者 Hiyama[32]和Yona[33]最先開展了利用輻射、溫度、風(fēng) 速、日照強(qiáng)度、濕度等作為主要輸入要素,采用前向反饋神經(jīng)網(wǎng)絡(luò)算法(FFNN)對(duì)光伏陣列發(fā)電量進(jìn)行預(yù)測的研究;東京農(nóng)業(yè)技術(shù)大學(xué)進(jìn)一步開展了將遞歸神經(jīng)網(wǎng)絡(luò)(RNN)、多層感知器神經(jīng)網(wǎng)絡(luò)(MLPNN)模型、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBFNN)模型用于該校20kW光伏系統(tǒng)日常發(fā)電量的試驗(yàn)工作[34]。近幾年來,美國學(xué)者Charkraborty[35]提出了基于模糊 ARTMAP神經(jīng)網(wǎng)絡(luò)的光伏系統(tǒng)發(fā)電量預(yù)測方法;意大利的里雅斯特市政府開始采用Mellit等[36,37]
提出的自適應(yīng)小波網(wǎng)絡(luò)方法對(duì)該市一座20kW并網(wǎng)光伏電站逐小時(shí)光伏發(fā)電量進(jìn)行預(yù)測;西班牙Joen大學(xué)也采用MLPNN方法對(duì)安裝在校園內(nèi)的200kW分布式并網(wǎng)光伏電站逐小時(shí)發(fā)電量進(jìn)行預(yù)測,結(jié)果顯示 預(yù)測誤差一般穩(wěn)定在3.9%~6.6%之間[38,39] 。
在國內(nèi),上海東華大學(xué)[40,41] 最先將神經(jīng)網(wǎng)絡(luò)算 法用于光伏系統(tǒng)發(fā)電量預(yù)測研究領(lǐng)域;華中科技大學(xué)開展了采用RBFNN方法預(yù)測本校18kW光伏系統(tǒng)逐小時(shí)發(fā)電量的技術(shù)試驗(yàn)[42];并在試驗(yàn)基礎(chǔ)上建立了基于數(shù)值天氣預(yù)測數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)光伏發(fā)電量預(yù)測模型[43]。上海崇明前衛(wèi)村1.08MW光伏電站則采用中國電力科學(xué)研究院設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)預(yù)測模型對(duì)電站逐小時(shí)發(fā)電量進(jìn)行預(yù)測[44],近兩年湖北省氣象局[45,46]等單位對(duì)該類方法也開展了深入研究。
各種統(tǒng)計(jì)智能預(yù)測方法是目前統(tǒng)計(jì)類光伏發(fā)電量預(yù)測技術(shù)發(fā)展的重點(diǎn),預(yù)測誤差一般在3.0%~11.0%之間(表1),是近幾年國外中小型并網(wǎng)光伏發(fā)電站采用的主要預(yù)測方法之一。
3.2物理法
3.2.1電子元件模型法
在光伏發(fā)電預(yù)測技術(shù)研究 早期階段,國外還發(fā)展了一類基于光伏電池原理的預(yù)測技術(shù)——電子元件模擬法。20世紀(jì)80年代,美國學(xué)者最先提出了基于光伏半導(dǎo)體設(shè)備物理原理,以溫度、全輻射、輻射分布為輸入量的Osterwald預(yù)測模型[51];諾貝爾獎(jiǎng)獲得者Green[52]基于發(fā)光二極管的物理原理則提出了二極管模型(DiodeModel)預(yù)測法;隨后西班牙學(xué)者基于光伏元件設(shè)計(jì)原理,進(jìn)一步提出了Araujo-Green[53]預(yù)測方法。由于未考慮其他要素,電子元件模型預(yù)測類方法目前已基本被淘汰。
3.2.2簡單物理模型法
20世紀(jì)90年代初期,隨著 光伏發(fā)電產(chǎn)業(yè)在歐洲的迅猛發(fā)展,物理類預(yù)測方法研究進(jìn)入簡單物理模型預(yù)測階段。德國Oldenburg大學(xué)的Hammer等[54]最先構(gòu)建了利用衛(wèi)星資料、氣象觀測資料和電力參數(shù)進(jìn)行預(yù)測的簡單物理模型;日本學(xué)者也提出了利用太陽輻射強(qiáng)度預(yù)測光伏陣列輸出電能的物理預(yù)測模型[55];近年來,德國慕尼黑貿(mào)易展覽中心1MW并網(wǎng)光伏電站開始采用Mayer等[56]提出的基于觀測和衛(wèi)星遙感反演輻射資料的簡單物理預(yù)測模型對(duì)逐小時(shí)光伏發(fā)電量開展預(yù)測。丹麥日德蘭半島容量共計(jì)2769kW的21個(gè)中小型光伏電站則采用基于HIRLAM中尺度天氣模式預(yù)測數(shù)據(jù),結(jié)合本國學(xué)者提出的簡單物理預(yù)測模型[57]對(duì)電站每天逐小時(shí)光伏發(fā)電量進(jìn)行預(yù)測。德國還在歐洲中尺度天氣預(yù)報(bào)中心(ECMWF)天氣模式預(yù)報(bào)數(shù)據(jù)的基礎(chǔ)上,結(jié)合改進(jìn)的簡單光伏發(fā)電量物理預(yù)測模型[58],研發(fā)了一套名為“saferSun”的光伏電站發(fā)電量預(yù)測監(jiān)控系統(tǒng)對(duì)全國3500個(gè)中小型光伏電站發(fā)電量進(jìn)行預(yù)測監(jiān)控。在國內(nèi),湖北省氣象局的陳正洪等[59-61]近兩年開展并研制出了基于WRF中尺度天氣模式和簡單物理光伏預(yù)測模型的“太陽能光伏發(fā)電預(yù)報(bào)系統(tǒng)(1.0版)”,2011年以來該系統(tǒng)已被用于武漢日新科技股份有限公司1.2MW獨(dú)立光伏電站、內(nèi)蒙古鄂爾多斯伊泰集團(tuán)鄂爾多斯205kW太陽能聚光光伏電站、華電國際寧夏陸家東10MW大型并網(wǎng)光伏電站逐小時(shí)光伏發(fā)電量預(yù)測。
簡單物理模型類方法在各類天氣條件下的平 均預(yù)測誤差一般在5.0%~20.0%之間(表2),是國內(nèi)外中小型并網(wǎng)光伏發(fā)電站發(fā)電量預(yù)測所應(yīng)用的主要方法。
3.2.3復(fù)雜物理模型法
近年來,隨著并網(wǎng)風(fēng)力、光 伏發(fā)電站給電網(wǎng)運(yùn)行安全帶來的潛在風(fēng)險(xiǎn)增大,電網(wǎng)運(yùn)行部門和企業(yè)對(duì)并網(wǎng)光伏電站短期發(fā)電量預(yù)測準(zhǔn)確度提出了更高的要求。為適應(yīng)電網(wǎng)運(yùn)行部門要求,德國Oldenburg大學(xué)Lorenz等[62]率先提出根據(jù)歐洲中尺度天氣預(yù)報(bào)中心(ECMWF)預(yù)報(bào)數(shù)據(jù),結(jié)合光伏電站觀測資料的復(fù)雜物理模型預(yù)測法;并利用德國輸電系統(tǒng)運(yùn)營商“50Hertz”下屬3300個(gè)總裝機(jī)容量0.5GW和“transpower”下屬181000個(gè)總裝機(jī)容量2.4GW并網(wǎng)光伏電站進(jìn)行了試驗(yàn)測試,結(jié)果顯示預(yù)測誤差小于5.0%[63];在此基礎(chǔ)上,德國學(xué)者在模型中進(jìn)一步引入了積雪參數(shù),并利用德國輸電系統(tǒng)運(yùn)營商“50Hertz”下屬的77個(gè)光伏電站對(duì)該復(fù)雜物理預(yù)測模型進(jìn)行了評(píng)估[64],結(jié)果雨雪等天氣狀況下的預(yù)測準(zhǔn)確度明顯提高。日本學(xué)者在考慮了陰影、太陽能電池的各項(xiàng)參數(shù)、氣象狀況的前提下,提出了基于三維模擬的具有較高預(yù)測準(zhǔn)確度的復(fù)雜光伏發(fā)電量預(yù)測模型[65]。國內(nèi)目前尚未在該方面開展相關(guān)研究。
(Résumé: l'amélioration du niveau de prévision de la production d'énergie photovolta?que à court terme est le problème clé de l'intégration de la centrale photovolta?que solaire dans le système de réseau électrique existant et du développement
et de l'utilisation de l'énergie photovolta?que solaire, qui est également important pour améliorer le développement et l'utilisation de l'énergie photovolta?que solaire et assurer la sécurité de la connexion au réseau. Dans cet article, les méthodes
de prévision de la production d'énergie solaire photovolta?que à court terme au pays et à l'étranger sont classées, résumées et analysées. Les résultats montrent que la méthode de prévision de l'intelligence statistique est au Centre du développement
de la technologie de prévision de la production d'énergie photovolta?que à court terme dans les petites centrales photovolta?ques au pays et à l'étranger. L'erreur moyenne globale de prévision est de 3,0% ~ 11,0%. La méthode de prévision du Modèle physique
simple est la méthode de prévision de la production d'énergie photovolta?que à court terme la plus utilisée dans les grandes et moyennes centrales photovolta?ques raccordées au réseau au pays et à l'étranger. L'erreur moyenne globale de prévision est
de 5,0% ~ 20,0%. Les modèles physiques complexes sont la principale orientation de la recherche et de l'application futures de la technologie de prévision de la production d'électricité à court terme pour les grandes centrales photovolta?ques. La conclusion
de l'article est utile pour le développement de la technologie de prévision de la production d'énergie solaire photovolta?que à court terme en Chine.
Mots clés: production d'énergie photovolta?que solaire; Prévisions de puissance à court terme; Méthode de prévision directe; Méthode de prévision indirecte; Modèle de prévision
1 Introduction
L’énergie solaire a été reconnue comme l’une des sources d’énergie les plus compétitives à l’avenir, avec des caractéristiques inépuisables, inépuisables et vertes [1]. à l'heure actuelle, les principaux pays du monde (tels que les états - Unis,
l'Allemagne, le Japon, etc.) attachent une grande importance au développement et à l'utilisation des ressources solaires par le développement de l'industrie de l'énergie photovolta?que. à la fin de 2011, la capacité installée mondiale de production d’énergie
photovolta?que atteignait 69 GW [2]. Selon les prévisions de l’agence internationale de l’énergie (AIE), l’énergie solaire photovolta?que représentera 20 à 25% de la production mondiale d’électricité d’ici 2050 et deviendra l’une des sources d’énergie
de base de l’humanité [3]. En tant que l’une des priorités nationales en matière de développement de nouvelles sources d’énergie, la capacité installée de production d’énergie photovolta?que en Chine est proche de 3gw, qui devrait atteindre 20gw d’ici
2015 et 47gw d’ici 2020 [4,5].
La production d'énergie photovolta?que aux latitudes moyennes est influencée par la variation aléatoire des facteurs météorologiques, tels que la variation périodique du rayonnement solaire, la température de l'air, les précipitations, la couverture
nuageuse et l'humidité. L’érudit Américain Edward [6] a montré que l’augmentation de la proportion de la production d’énergie photovolta?que dans le système d’alimentation peut rendre la répartition du réseau plus difficile, lorsque la proportion dépasse
15%, elle peut causer la paralysie du système d’alimentation. Par conséquent, le contr?le et l'ajustement de l'équilibre entre la production d'énergie de la centrale photovolta?que et d'autres sources d'énergie, telles que les centrales hydroélectriques
et les centrales thermiques, sont devenus le principal problème de l'intégration de la production d'énergie photovolta?que dans le réseau électrique existant. En raison du co?t économique élevé et de l’indisponibilité de la régulation à petite échelle
de la production d’énergie des centrales thermiques, il est essentiel que les centrales photovolta?ques puissent fournir une prévision précise de la production d’énergie solaire photovolta?que à court terme [7]. Les domaines clés (énergie) et la recherche
fondamentale dans le cadre du plan national de développement scientifique et technologique à moyen et à long terme (2006 - 2020) portent également sur trois questions: le développement et l’utilisation efficaces de la technologie de production d’énergie
solaire photovolta?que, la sécurité et la stabilité de la connexion au réseau et le fonctionnement économique [8].
Depuis les années 80 du XXe siècle, avec l'augmentation de la production d'énergie solaire photovolta?que dans la proportion de l'énergie totale du réseau électrique de tous les pays, les principaux pays développés du monde, tels que les états
- Unis, le Japon, l'Allemagne, la France, etc., ont étudié et amélioré la méthode de prévision de la production d'énergie solaire photovolta?que à court terme afin d'améliorer la capacité de production d'énergie photovolta?que connectée au réseau. La
recherche sur la technologie de prévision de la production d'énergie solaire photovolta?que en Chine a commencé tardivement et la recherche connexe en est au stade initial de développement [9 ~ 11]. Avec la mise en ?uvre de la nouvelle stratégie énergétique
dans le 12e plan quinquennal, la demande intérieure de technologies de prévision de l'énergie solaire photovolta?que augmentera rapidement. Dans cet article, nous résumons, résumons et prévoyons l'état de la recherche et du développement sur la technologie
de prévision de la production d'énergie solaire photovolta?que à court terme au pays et à l'étranger, et nous nous attendons à fournir une base importante pour le développement de la technologie de prévision de la production d'énergie solaire photovolta?que
à court terme en Chine.
2 principe de prévision de la production d'énergie solaire photovolta?que à court terme
à l'heure actuelle, toutes les méthodes de prévision de la production d'énergie solaire photovolta?que à court terme reposent sur la même idée: d'abord, des formules ou des modèles de prévision sont établis à l'aide de théories mathématiques et
physiques et de données connexes, puis la production d'énergie photovolta?que est prévue à l'aide de formules ou de modèles de prévision (Figure 1). Selon la théorie mathématique et physique adoptée et la sortie prévue, les méthodes de prévision de la
production d'énergie photovolta?que peuvent être divisées en deux catégories: ① méthode de prévision directe (méthode statistique) pour la prévision directe de la puissance de sortie du système photovolta?que; Le rayonnement solaire est d'abord prévu,
puis la méthode de prévision indirecte (méthode physique) de la puissance de sortie photoélectrique est obtenue en fonction de l'efficacité de conversion photoélectrique.
2.1 méthode de prévision directe
La méthode de prévision directe (méthode statistique) est principalement basée sur la théorie et la méthode de prévision statistique mathématique, y compris la probabilité, les séries chronologiques, l'intelligence artificielle et d'autres méthodes.
L'avantage est que le programme est concis et qu'il n'y a pas d'exigences relatives à la position de la centrale photovolta?que et aux paramètres de conversion de l'énergie; L'inconvénient est qu'une grande quantité de données historiques d'exploitation
de la centrale photovolta?que est nécessaire pour assurer l'exactitude des prévisions. Selon les méthodes statistiques spécifiques utilisées pour la prévision, ces méthodes peuvent être subdivisées en cinq catégories: la méthode des séries chronologiques,
l'extrapolation des tendances temporelles, la méthode de prévision ponctuelle, la méthode de prévision probabiliste et la méthode de prévision intelligente.
2.2 Méthode de prévision indirecte
La méthode de prévision indirecte (méthode physique) est principalement basée sur le principe de la production d'énergie physique du système de production d'énergie photovolta?que. L'avantage est qu'aucune donnée d'exploitation historique n'est
nécessaire et que la prévision peut être effectuée directement après la construction de la centrale photovolta?que. L'inconvénient est que des données telles que la carte topographique détaillée de la centrale photovolta?que, les coordonnées de la centrale,
la courbe de puissance de la centrale photovolta?que et d'autres paramètres de conversion photovolta?que pertinents sont nécessaires. Selon la base et la complexité de la modélisation, ces méthodes peuvent être divisées en trois types: la méthode du modèle
électronique, la méthode du Modèle physique simple et la méthode du Modèle physique complexe.
Progrès de la recherche sur la prévision de la production d'énergie photovolta?que à court terme au pays et à l'étranger
Depuis les années 80, en raison de l'accélération de la consommation mondiale d'énergie, l'Allemagne, l'Espagne, les états - Unis et le Japon ont été les premiers à entrer dans le domaine de l'énergie solaire photovolta?que. Afin d'assurer la stabilité
et la fiabilité du fonctionnement du réseau électrique national, ils ont effectué des recherches sur la théorie de la prévision de la production d'énergie solaire photovolta?que et la technologie d'application, et ont obtenu des résultats de recherche
relativement fructueux. Bien que la Chine ait commencé à développer l'industrie de la fabrication de matériel de production d'énergie photovolta?que dans les années 1990, elle n'est entrée dans le domaine de la technologie de prévision de la production
d'énergie photovolta?que qu'au début du XXIe siècle [12,13]. Dans les chapitres suivants, cet article analysera, résumera et résumera en profondeur les méthodes de prévision de la production d'énergie photovolta?que au pays et à l'étranger à partir de
l'état de développement, des caractéristiques et des effets de prévision.
3.1 méthode statistique
3.1.1 méthode des séries chronologiques
Au début de la recherche sur la technologie de prévision de la production d'énergie photovolta?que dans les centrales photovolta?ques, les chercheurs au pays et à l'étranger ont d'abord utilisé la méthode de prévision des séries chronologiques
comme principal objet de recherche. à l’étranger, sidrach de Cardona [14] de l’université de Malaga en Espagne a d’abord effectué des recherches sur l’application d’un modèle de régression linéaire multiple à la prévision de la production d’électricité
d’un système photovolta?que indépendant dans les années 1980 et 1990. Nttfacilites Company of Japan a utilisé l’équation de régression multiple [15] établie par Kudo pour prédire la production d’électricité horaire du système photovolta?que de 330 kW
dans le Parc Expo du Comté d’aichi au cours de la prochaine journée. Le chercheur Américain Chowdhury [16] a d'abord effectué des recherches sur la prévision de la production d'énergie photovolta?que à l'aide du modèle de glissement autoregressif (arma)
et du modèle de moyenne mobile Autoregressive différentielle (Arima). Hassanzadeh [17] de l’université du Nevada a utilisé un modèle arma amélioré pour prédire la production d’électricité horaire par temps ensoleillé d’un système photovolta?que autonome
de 75 kW sur le toit du siège social de nv Energy, avec une erreur de 23,0% ~ 43,0%; Reikard et al. [18] ont effectué des essais prédictifs sur de petits systèmes photovolta?ques dans un laboratoire de recherche sur le rayonnement solaire en Arizona à
l'aide d'un modèle Arima amélioré. En Chine, Li Guangming [19] de l’université normale du Yunnan a effectué des recherches théoriques sur la prévision de la production d’énergie photovolta?que à l’aide d’un modèle de régression linéaire multiple. Lanhua
et al. [20] de l'Université d'énergie du Nord - est de la Chine ont utilisé le modèle arma pour prédire la sortie de la centrale photovolta?que raccordée au réseau dans la région de Jilin par temps ensoleillé.
La méthode des séries chronologiques est au Centre du développement de la technologie de prévision de la production d'électricité dans les premières centrales photovolta?ques. L'erreur de prévision du modèle est généralement de 9,0% ~ 45,0% (tableau
1). En raison de la faible capacité de prévision au stade de la théorie et de l'essai, les pays n'appuient plus le développement de ces techniques de prévision.
Recherche sur la prévision de la production d'énergie photovolta?que. Dans les années 1990, safie [21] de la NASA a d’abord exploré la possibilité d’utiliser le modèle de cha?ne de Markov pour prédire la production d’électricité dans les systèmes
photovolta?ques. L'étude des résultats de la prédiction d'un petit système photovolta?que indépendant à viniola, en Italie, dans différentes conditions météorologiques par les fran?ais muselli et al. [22] montre que la capacité de prédiction du modèle
de cha?ne de Markov est grandement affectée par les conditions météorologiques. Au cours des dernières années, des chercheurs nationaux ont également effectué des recherches dans ce domaine. Ding Ming et al. [23] de l’université de technologie Hefei ont
utilisé le modèle Markov pour prédire la production d’électricité du système photovolta?que sur le toit du Centre de recherche sur l’ingénierie des systèmes photovolta?ques du Ministère de l’éducation par beau temps. Les résultats montrent que l’erreur
est de 9,0% ~ 56,0%; Par la suite, Li et al. [24] de l’université d’architecture urbaine de Beijing ont proposé un modèle de prévision complet basé sur la cha?ne de Markov grise et l’ont utilisé pour prédire la production d’électricité d’une centrale
photovolta?que raccordée au réseau de 5,6kw pour l’essai de l’université [25].
L'extrapolation des tendances temporelles est une exploration utile de la prévision de la production d'énergie photovolta?que au stade initial du développement. étant donné que l'exactitude des prévisions varie considérablement en fonction des
conditions météorologiques (tableau 1), les principaux instituts nationaux et internationaux de recherche sur la technologie de prévision de la production d'énergie photovolta?que n'ont pas effectué de telles recherches méthodologiques.
3.1.3 méthode de prévision ponctuelle
Les méthodes de prévision ponctuelle couramment utilisées dans la prévision de la production d'énergie solaire photovolta?que à court terme au pays et à l'étranger comprennent principalement la méthode de la forêt stochastique, la méthode de la
machine vectorielle de soutien SVM, la méthode du modèle additif généralisé et la méthode bayésienne. à l’étranger, la société fran?aise Marguerite Solar Energy a réalisé pour la première fois des essais utilisant SVM, Generalized Additive model, pour
la prévision de la production d’électricité d’un système photovolta?que autonome de 12,84 kW installé par la société à Villepin [26], et a évalué les résultats de la prévision. Bracale et al. [27] de l’université parthenope de Naples, en Italie, ont proposé
une méthode de prévision de la production d’énergie photovolta?que basée sur la théorie statistique bayésienne. En Chine, Li Ran et al. [28] de l’université d’électricité de Chine du Nord ont d’abord utilisé les données météorologiques et les données
sur le rayonnement solaire de la région de Baoding fournies par la NASA pour établir un modèle de prévision de la production du système photovolta?que de régression SVM. Par la suite, Zhu Yongqiang et al. [29] ont amélioré le modèle de prévision à l'aide
de données d'observation telles que la production d'électricité, le rayonnement solaire de surface et la température de l'air à l'aide d'un réseau photovolta?que expérimental de 120 W.
Bien qu'il existe de grandes différences entre les modèles, la capacité de prévision des méthodes de prévision ponctuelle est relativement similaire, l'erreur se situe généralement entre 8,0% et 13,0% (tableau 1). Des chercheurs au pays et à l'étranger
ont utilisé cette méthode pour prévoir la production d'électricité à court terme du système photovolta?que.
3.1.4 méthode de prévision des probabilités
Au cours des dix dernières années, avec le développement d’une nouvelle théorie de prévision statistique [30,31], les chercheurs ont commencé à appliquer la régression quantile de la forêt et la régression quantile de la machine vectorielle de
soutien (qsvm) à la prévision de la production d’électricité dans les centrales photovolta?ques [26]. La France, l'Australie et d'autres pays ont fait beaucoup de recherches dans ce domaine, mais il n'y a pas eu de recherche sur l'application de cette
méthode à la prévision de la production d'énergie photovolta?que en Chine. En raison de la courte période de développement, les méthodes de prévision probabiliste en sont encore au stade de la recherche théorique et expérimentale préliminaire.
3.1.5 méthode de prévision intelligente
Depuis les années 1990, les chercheurs japonais Hiyama [32] et Yona [33] ont d'abord effectué des recherches sur la prévision de la production d'énergie des réseaux photovolta?ques à l'aide de l'algorithme du réseau neuronal de rétroaction vers
l'avant (ffnn) en utilisant le rayonnement, la température, la vitesse du vent, L'intensité du soleil et l'humidité comme principaux facteurs d'entrée. L’université de technologie agricole de Tokyo a en outre effectué des essais sur l’utilisation du réseau
neuronal récurrent (rnn), du modèle de réseau neuronal perceptron multicouche (mlpnn) et du modèle de réseau neuronal à fonction de base radiale (RBFNN) pour la production quotidienne d’énergie du système photovolta?que de 20 kW [34]. Au cours des dernières
années, charkraborty [35] a proposé une méthode de prévision de la production d'énergie photovolta?que basée sur un réseau neuronal artmap flou. L'administration municipale italienne de Trieste a commencé à utiliser la méthode du réseau d'ondes adaptatives
proposée par Mellit et al. [36, 37] pour prédire la production d'énergie photovolta?que par heure d'une centrale photovolta?que raccordée au réseau de 20 kW dans la ville. L'Université de joen en Espagne a également utilisé la méthode mlpnn pour prédire
la production horaire d'électricité d'une centrale photovolta?que distribuée de 200 kW installée sur le campus. Les résultats montrent que l'erreur de prévision est généralement stable entre 3,9% et 6,6% [38,39].
En Chine, l'Université Donghua de Shanghai [40,41] a d'abord appliqué l'algorithme du réseau neuronal à la prévision de la production d'énergie photovolta?que. L’université des sciences et de la technologie de Huazhong a effectué des essais techniques
pour prédire la production horaire d’électricité du système photovolta?que de 18 kW de l’université en utilisant la méthode RBFNN [42]. Sur la base d’expériences, un modèle de prévision de la production d’énergie photovolta?que basé sur des données de
prévision météorologique numérique a été établi [43]. La centrale photovolta?que de Shanghai Chongming Qianwei village de 1,08 MW a utilisé le modèle de prévision du réseau neuronal con?u par l’institut chinois de recherche sur les sciences de l’énergie
pour prévoir la production d’électricité heure par heure [44]. Au cours des deux dernières années, le Bureau météorologique de la province de Hubei [45, 46] et d’autres unités ont également effectué des recherches approfondies sur ces méthodes.
Diverses méthodes statistiques de prévision intelligente sont au Centre du développement de la technologie statistique de prévision de la production d'énergie photovolta?que. L'erreur de prévision est généralement de 3,0% ~ 11,0% (tableau 1). C'est
l'une des principales méthodes de prévision utilisées par les petites et moyennes centrales photovolta?ques connectées au réseau au cours des dernières années.
3.2 méthode physique
3.2.1 méthode du modèle de composant électronique
Au début de la recherche sur la technologie de prévision de la production d'énergie photovolta?que, une sorte de technologie de prévision basée sur le principe des cellules photovolta?ques, la méthode de simulation des composants électroniques,
a été développée à l'étranger. Dans les années 1980, les chercheurs américains ont d'abord proposé un modèle de prévision osterwald basé sur le principe physique des dispositifs photovolta?ques à semi - conducteurs, avec la température, le rayonnement
total et la distribution du rayonnement comme entrées [51]. Le lauréat du prix Nobel Green [52] a proposé une méthode de prédiction du modèle Diode basée sur le principe physique de la diode électroluminescente. Par la suite, des chercheurs espagnols
ont proposé une méthode de prédiction Araujo Green [53] basée sur le principe de conception des cellules photovolta?ques. étant donné que d'autres facteurs ne sont pas pris en compte, les méthodes de prévision des modèles de composants électroniques ont
été largement éliminées.
3.2.2 méthode du Modèle physique simple
Au début des années 90, avec le développement rapide de l'industrie de l'énergie photovolta?que en Europe, la recherche sur les méthodes de prévision physique est entrée dans la phase de prévision du Modèle physique simple. Hammer et al. [54] de
l’université d’oldenburg, en Allemagne, ont d’abord construit un modèle physique simple pour la prévision à l’aide de données satellitaires, d’observations météorologiques et de paramètres électriques. Des chercheurs japonais ont également proposé un
modèle de prévision physique de l’énergie de sortie des réseaux photovolta?ques utilisant l’intensité du rayonnement solaire [55]; Au cours des dernières années, la centrale photovolta?que raccordée au réseau de 1 MW du Centre d’exposition commerciale
de Munich, en Allemagne, a commencé à utiliser le modèle de prévision physique simple basé sur l’observation et l’inversion des données de rayonnement par télédétection par satellite proposé par Mayer et al. [56] pour prédire la production d’électricité
par heure. 21 petites et moyennes centrales photovolta?ques d'une capacité totale de 2 769 kW dans la péninsule du Jutland au Danemark ont utilisé les données de prévision du modèle météorologique à méséchelle hirlam et le modèle de prévision physique
simple [57] proposé par des chercheurs nationaux pour prévoir la production d'énergie photovolta?que par heure. L'Allemagne combine également l'amélioration de la production photovolta?que simple avec les données de prévision du modèle météorologique
du Centre européen de prévisions météorologiques à méséchelle (cemwf).
)