基于氣象數(shù)據(jù)外推法和顯著性分析的光伏自適應功率預測模型

摘 要：分布式光伏電站裝機容量較小，一般不進行實時功率統(tǒng)計，難以直接建立功率預測模型。針對分布式光伏電站間光伏組件安裝型號和安裝方式多樣性的問題，基于氣象數(shù)據(jù)外推法和顯著性分析提出一種自適應功率預測模型。首先，利用顯著性分析篩選光伏組件標稱參數(shù)和氣象數(shù)據(jù)外推法特征參數(shù)之間的相關性，確定與特征參數(shù)顯著相關的標稱參數(shù)集合；然后，建立最小二乘支持向量機模型，擬合標稱參數(shù)集合和特征參數(shù)之間的自適應函數(shù)關系；最后，建立自適應功率預測模型，基于光伏組件安裝方式將環(huán)境溫度和輻照度轉(zhuǎn)換為板面溫度和輻照度，基于自適應函數(shù)選擇適合當前光伏組件型號的特征參數(shù)，根據(jù)氣象數(shù)據(jù)外推法得到預測功率。利用光伏電站實際數(shù)據(jù)進行驗證，結(jié)果顯示，自適應功率預測模型能夠為不同型號的光伏組件選擇合適的特征參數(shù)，通用性更強，相比于目前流行的簡化功率預測模型，多云天氣下的預測精度提升約2.34%。

關鍵詞：光伏發(fā)電；功率預測；外推法；顯著性分析；自適應函數(shù)

中圖分類號：TM615 " " " " 文獻標志碼：A

0 引 言

太陽能作為一種易于獲得的可再生清潔能源，具有巨大的資源潛力，是當下發(fā)展最迅猛，各國扶持力度最大的能源形式［1-2］。截至2022年，全球光伏裝機容量共計1073.1 GW，新增裝機容量230 GW，同比增長35.3%。據(jù)英國石油公司《2022年世界能源統(tǒng)計回顧》顯示，從2017年開始，每年新增光伏裝機容量近100 GW，光伏發(fā)電正逐漸成為電力供應的重要方式。

光伏發(fā)電的功率存在顯著的波動和難以確定的特點，一旦大規(guī)模接入電網(wǎng)，將給電力系統(tǒng)的安全穩(wěn)定運行帶來巨大挑戰(zhàn)。為此，建立高準確度的光伏功率超短期預測系統(tǒng)，并根據(jù)預測結(jié)果科學制定調(diào)度計劃、預留足夠的消納空間，是提升光伏發(fā)電消納能力、確保電力系統(tǒng)安全運行的重要舉措。隨著光伏發(fā)電技術和功率預測技術的不斷發(fā)展，許多專家學者將研究重點轉(zhuǎn)向太陽輻照度預測，通過提高太陽輻照度的預測精度進一步提高光伏發(fā)電的預測精度［3-4］。分布式光伏電站由于裝機容量較小，一般不進行實時功率統(tǒng)計，難以直接建立功率預測模型。因此，首先建立太陽輻照度預測模型，再在預測太陽輻照度的基礎上進行功率預測是分布式光伏功率預測必要的環(huán)節(jié)。

基于太陽輻照度的功率預測模型可分為統(tǒng)計模型和物理模型兩大類。統(tǒng)計模型是指采用神經(jīng)網(wǎng)絡等人工智能算法直接擬合太陽輻照度和光伏功率之間的非線性函數(shù)關系；物理模型是通過剖析光伏發(fā)電系統(tǒng)內(nèi)部各物理模塊，基于太陽電池的伏安特性曲線來建立預測模型。文獻［5-6］使用回歸神經(jīng)網(wǎng)絡建立太陽輻照度和光伏功率之間的預測模型，雖然取得不錯的精度，但預測效果并不穩(wěn)定，偶爾會出現(xiàn)偏差較大的預測點。物理模型基于光伏發(fā)電原理建立，對發(fā)電功率的追蹤效果較穩(wěn)定，因而被廣泛應用。太陽電池工程用數(shù)學模型提出光伏組件實際運行時的電壓和電流，可由參考狀態(tài)下光伏組件的電壓和電流修正得到，其中修正系數(shù)（也稱補償系數(shù)）經(jīng)實驗數(shù)據(jù)擬合得到［7-9］。文獻［10-11］采用國家標準GB 50797—2012《光伏發(fā)電站設計規(guī)范》中的修正系數(shù)法對光伏電站的理論發(fā)電量進行了預測，修正系數(shù)法是通過對比光伏組件實際接收輻照度與標況輻照度（1000 W/m2）的比值修正裝機容量，同時依據(jù)經(jīng)驗參數(shù)選取合適的綜合效率系數(shù)，對光伏電站的理論發(fā)電量進行預測，該模型參數(shù)簡單易求，是目前國內(nèi)采用范圍最廣的光伏理論出力預測模型之一。文獻［12-13］在使用修正系數(shù)法預測理論發(fā)電量時，除考慮實際輻照度和標況輻照度的比值外，還進一步考慮了由于輻照度和光伏組件溫度變化帶來的轉(zhuǎn)換效率的變化，從而進一步提升了功率預測精度。氣象數(shù)據(jù)外推法同時考慮了實際輻照度和實際溫度相對于標況輻照度和標況溫度（25 ℃）的變化，采用多個補償系數(shù)對光伏組件實際運行電壓、電流都進行修正，是當下一種較為完善的功率預測模型［14］。

以上這些方法雖具有較高的預測精度，但模型一旦訓練完成，只能適用于當前目標光伏電站，一旦電力系統(tǒng)屬性發(fā)生改變，甚至還需重新擬合。尤其分布式光伏電站裝機容量小，相鄰電站的實際裝機模式和光伏組件型號都存在差異，應用此類模型存在工作量巨大的困難。為進一步提升效率和模型的通用性，簡化功率預測模型應運而生，該模型僅采用一個補償系數(shù)考慮實際發(fā)電量與實際輻照度和裝機容量之間的效率，通過大量的實際運行數(shù)據(jù)對該轉(zhuǎn)換效率進行擬合。簡化功率預測模型在缺失實驗數(shù)據(jù)的情況下可采用固定損失，即系統(tǒng)效率85%、逆變器效率95%、并網(wǎng)效率98%［15-16］。簡化功率預測模型參數(shù)簡單、通用性強，但無法具體量化多種因素對光伏組件運行的不同影響，因此損失了一部分精度。文獻［17］在簡化功率預測模型的基礎上，進一步考慮了溫度變化對發(fā)電功率的影響。文獻［18］在簡化功率預測模型的基礎上，具體分析了不同光伏組件材料和轉(zhuǎn)換效率的關系，進一步提出了優(yōu)化模型。

針對分布式光伏電站間光伏組件安裝型號和安裝方式多樣性的問題，本文在現(xiàn)有功率預測模型的基礎上，對氣象數(shù)據(jù)外推法中需要擬合的特征參數(shù)進行研究，通過分析光伏組件自身特性和功率預測模型特征參數(shù)之間的函數(shù)關系，在保證功率預測精度的基礎上，提出通用性更高的自適應功率預測模型，以滿足分布式光伏電站功率預測系統(tǒng)在線建模需求。首先，對氣象數(shù)據(jù)外推法中的特征參數(shù)進行研究，通過實驗確定典型型號光伏組件的特征參數(shù)；然后，對光伏組件的標稱參數(shù)和氣象數(shù)據(jù)外推法特征參數(shù)進行顯著性分析，選擇對特征參數(shù)有顯著影響的光伏組件標稱參數(shù)組成自變量集合；隨后，建立最小二乘支持向量機模型，確定自變量集合和特征參數(shù)之間的自適應函數(shù)關系，從而得到自適應功率預測模型；最后，將該模型應用到吉林省實際運行的分布式光伏場站中，驗證該模型的有效性。

1 氣象數(shù)據(jù)外推法

氣象數(shù)據(jù)外推法是一種基于綜合考慮環(huán)境條件、光伏電站位置、不同光伏組件特性和安裝方式等因素的方法，用于建立光伏發(fā)電單元的光電轉(zhuǎn)換模型［14］，具體計算步驟如下：

1）首先根據(jù)氣象監(jiān)測設備的實測水平輻照度和環(huán)境溫度，將水平輻照度轉(zhuǎn)換為光伏組件斜面的有效輻照度，將環(huán)境溫度轉(zhuǎn)換為光伏組件的有效溫度。

根據(jù)太陽光的入射角度，光伏陣列的架設方式可劃分為固定式和跟蹤式兩種模式。顧名思義，固定式就是將光伏組件以一個固定的傾角進行安裝，不可移動。跟蹤式是通過安裝在可旋轉(zhuǎn)支架上的光伏組件，實現(xiàn)追蹤太陽高度角或方位角的功能。這樣一來，光伏組件能夠在太陽輻射時刻始終處于最佳角度，以獲得更高的太陽輻射吸收效率。

以固定式安裝的光伏組件接收到的板面輻照度為：

[G'=G·sin（α+β）·cosθ] （1）

式中：[G']——板面接收輻照度，W/m2；[G]——太陽直接輻射，W/m2；[α]——太陽高度角，（ °）；[β]——光伏組件安裝傾角，（ °）；[θ]——太陽天頂角，（ °）。

跟蹤式分為單軸跟蹤和雙軸跟蹤，單軸跟蹤又分為跟蹤太陽高度角和跟蹤太陽天頂角。在考慮跟蹤式能完全跟蹤時，單軸跟蹤太陽高度角的板面接收輻照度的大小如式（2）所示，單軸跟蹤太陽天頂角的板面接收輻照度的大小如式（3）所示，雙軸跟蹤的板面接收輻照度的大小等同于實際直接輻射。

[G'=G·cosθ] （2）

[G'=G·sin（α+β）] （3）

光伏組件的板面溫度由環(huán)境溫度和光伏組件的受熱特性確定：

[T'=T+KG'] （4）

式中：[T']——板面溫度，℃；[T]——環(huán)境溫度，℃；[K]——溫度修正系數(shù)，根據(jù)光伏組件在標況下的板面溫度計算所得。

2）根據(jù)光伏組件標準工況（輻照度為1000 W/m2，溫度為25 ℃）下的設備參數(shù)，計算當前氣象條件下光伏組件輸出的直流功率。

[Pm=UmIm] （5）

[Im=IrGsGr（1+aΔT）] （6）

[Um=Urln（e+bΔG）（1-cΔT）] （7）

式中：[Pm]——最大理論出力功率，W；[Um]——最佳工作電壓，V；[Im]——最佳工作電流，A；[Ir]——標準工況下的最佳輸出電流，A；[Gs]——實際板面輻照度，W/m2；[Gr]——標準板面輻照度，取值為1000 W/m2；[a、b、c]——補償系數(shù)，即需要根據(jù)實驗數(shù)據(jù)擬合得到的特征參數(shù)；[ΔT]——板面實際溫度與標準溫度之差，℃；[Ur]——標準工況下的最佳輸出電壓，V；[ΔG]——實際輻照度與標準輻照度之差，W/m2。

[a]由標況輻照度（1000 W/m2）下不同溫度的最佳工作電流擬合得到：

[a=Ir-ImIrΔT] （8）

[b]由標況溫度（25 ℃）下不同輻照度的最佳工作電壓擬合得到：

[b=eUmUr-eΔG] （9）

[c]由標況輻照度（1000 W/m2）下不同溫度的最佳工作電壓擬合得到：

[c=Ur-UmUrΔT] （10）

3）綜合考慮光伏組件的有效數(shù)量、光伏組件的老化、光伏組件的失配損失、光伏組件表面的塵埃遮擋、光伏組件至并網(wǎng)點的線路傳輸及電站用電損失、逆變器效率等因素，得到光伏電站并網(wǎng)點的交流功率。

[Pth=N·Pm·K1·K2·K3·K4·η] （11）

式中：[N]——并網(wǎng)運行的光伏組件的數(shù)量；[K1]——光伏組件老化損失系數(shù)；[K2]——光伏組件失配損失系數(shù)；[K3]——塵埃遮擋損失系數(shù)；[K4]——線路傳輸及電站用電損失系數(shù)；[η]——并網(wǎng)逆變器效率。一般情況下，綜合效率可取為95%。

氣象數(shù)據(jù)外推法進行功率預測時，對于不同型號的光伏組件需重新擬合特征參數(shù)[a、b、c]以保證預測精度，因此通用性較差。分布式光伏電站裝機容量小，電站間光伏組件安裝型號及安裝方式差異較大，若使用氣象數(shù)據(jù)外推法進行功率預測，特征參數(shù)擬合工作量較大，預測成本較高。

2 顯著性分析

顯著性檢驗是回歸分析中用于判斷自變量集合[xi（i=1，2，…，m）]中每個自變量對因變量[y]的影響是否顯著的一種方式［19］，本文通過顯著性分析光伏組件標稱參數(shù)和氣象數(shù)據(jù)外推法特征參數(shù)之間的相關關系，從而確定最優(yōu)的自變量集合。

一般回歸分析的模型為：

[y=β0+β1x1+…+βmxm+ζζ～N（0，σ2）] （12）

式中：[β0， β1，…， βm]——回歸系數(shù)。

因變量[y]與自變量[x1，x2，…， xm]之間是否存在如模型（12）所示的線性關系是需要檢驗的。顯然，如果所有的[β]都很小，則說明因變量[y]和自變量[x]之間的函數(shù)關系并不明顯。

對于[n]個獨立觀測數(shù)據(jù)[（yi，xi1，…，xim），i=1，…，n，ngt;m]，采用最小二乘法估計求解參數(shù)[β0， β1，…， βm]的值，即選擇估計值[βm=βm]時殘差平方和[Q]最小，此時y的估計值為：

[y=β0+β0x1+…+βmxm] （13）

[Q=i=1nζ2=i=1n（yi-β0-β1xi1-…-βmxim）2] （14）

[β]服從正態(tài)分布：

[β～N（β，σ2（XTX）-1）] （15）

式中：[X]——自變量[x]構成的矩陣。

對于殘差平方和[Q]，其期望[E（Q）]滿足：

[E（Q）=（n-m-1）σ2] （16）

[Qσ2～χ2（n-m-1）] （17）

若定義總平方和為[S=i=1n（yi-y）2]，對[S]進行分解：

[S=Q+U] （18）

[U=i=1n（yi-y）2] （19）

式中：[Q]——由式（14）定義的殘差平方和，反映隨機誤差對[y]的影響；[U]——回歸平方和，反映自變量對[y]的影響；[y]——基于[β]得到的擬合值。

假設[H0：βj=0（j=1，…，m）]，當該假設成立時，分解式（18）定義的Q、U有：

[F=U/mQ/（n-m-1）～F（m，n-m-1）] （20）

若[Flt;Fα（m，n-m-1）]，則接受[H0]；否則，拒絕[H0]。

接受[H0]說明因變量[y]與自變量[x1，x2，…，xm]之間的線性關系不明顯，但可能存在非線性關系，如平方關系。

因此定義用于衡量因變量[y]與自變量[x1，x2，…，xm]相關程度的指標，如用回歸平方和在總平方和中的比值定義復判定系數(shù)，如式（21）所示。

[R2=URSST] （21）

[R=R2]稱為復相關系數(shù)，[R]越大，表示[y]與[x1，x2，…，xm]的相關關系越密切，通常[R]大于0.8才認為相關關系成立。

3 最小二乘支持向量機模型

最小二乘支持向量機（least squares support vector machine，LS-SVM）是支持向量機（support vector machine，SVM）的一種擴展。最小二乘支持向量機在非線性函數(shù)擬合及數(shù)據(jù)處理方面具有顯著優(yōu)勢。首先，LS-SVM能夠?qū)⒃继卣饔成涞礁呔S空間，因此面對復雜的非線性問題具有高效的擬合能力，且LS-SVM避免了復雜的二次規(guī)劃問題，能更快速找到全局最優(yōu)解。其次，LS-SVM在有限的樣本數(shù)量下也能保持高精度的預測和泛化能力，且能在存在噪聲或異常值的情況下保持穩(wěn)定的預測性能。

支持向量機采用非線性映射將自變量映射到一個高維特征空間，建立自變量與因變量的回歸模型為：

[y=f（x）=ωTx+d] （22）

式中：[ω]——特征空間中的權向量；d——偏置量。

然后定義一個損失函數(shù)：

[Lf（xi）-yi=0，f（xi）-yilt;εf（xi）-yi-ε，" 其他] （23）

式中：[ε]——不敏感函數(shù)。

根據(jù)結(jié)構風險最小化原則，得到線性回歸的凸二次規(guī)劃問題。

[min12ω2+Ci=1Nl（f（xi）+yi）s.t. -ε≤yi-f（xi）≤ε， i=1，…，N] （24）

式中：[C]——懲罰因子。

求解該問題時引入拉格朗日函數(shù)，可得： [L（ω，b，ξi，ξ*i）=12ω2+Ci=1N（ξi+ξ*i）-i=1Nαi（ε+ξi-yi+ωxi+b）- i=1Nα*i（ε+ξ*i-yi+ωxi-b）-i=1N（ηiξi+η*iξ*i）] （25）

式中：[ξi]、[ξ*i]——引入的松弛變量；[αi]、[α*i]、[ηi]、[η*i]——拉格朗日乘子。

根據(jù)KKT（Ksrush-Kuhn-Tucker）條件求解公式可得回歸擬合函數(shù)[f（x）=i=1N（-αi-αi*）K（x，xi）+b]，[K（x，xi）]為核函數(shù)。

SVM求解需借助二次規(guī)劃，當樣本數(shù)據(jù)過大時必將增加規(guī)劃問題的復雜程度，耗費大量的計算機內(nèi)存和時間。LS-SVM最大的改變就是引入誤差平方項，不僅極大簡化了運算過程，對異常數(shù)據(jù)擁有更好的包容性，并進一步提升了運算精度。LS-SVM簡化運算后即變?yōu)樽钚《饲蠼獾男问?，LS-SVM的目標函數(shù)為：

[minJ（ω，e）=12ω2+r2i=1Ne2is.t. yi=ωT?（xi）+b+ei，" i=1，2，…，N] （26）

式中：[r]——懲罰因子；[e2]——誤差平方和。

引入拉格朗日函數(shù)求解得：

[L（ω，b，e，a）=J（ω，e）-i=1mαiω?（xi）+b+ei-yi] （27）

最后根據(jù)KKT條件求解得回歸擬合函數(shù)為：

[f（x）=i=1mαiK（x，xi）+b] （28）

4 自適應功率預測模型

自適應功率預測模型基于氣象數(shù)據(jù)外推法建立，通過尋找光伏組件標稱參數(shù)和氣象數(shù)據(jù)外推法特征參數(shù)之間的自適應函數(shù)關系，進一步構建自適應功率預測模型。自適應功率預測模型的流程如圖1所示。

首先根據(jù)光伏組件在不同條件下的工作狀態(tài)，求得其氣象數(shù)據(jù)外推法特征參數(shù)；然后對光伏組件標稱參數(shù)和氣象數(shù)據(jù)外推法特征參數(shù)進行顯著性分析，確定最優(yōu)的標稱參數(shù)自變量集合；之后建立最小二乘支持向量機模型，擬合標稱參數(shù)自變量集合和特征參數(shù)之間的自適應函數(shù)關系；最后將自適應函數(shù)關系式代入氣象數(shù)據(jù)外推法，完成自適應功率預測模型的建立，并對功率進行預測。

5 應用研究

本文實驗分為兩個步驟進行：1）自適應功率預測模型的訓練；2）基于輻照度的功率預測。為保證自適應功率預測模型的通用性，本文使用品牌A和B共11個型號的光伏組件進行訓練，輸入選擇光伏組件的標稱參數(shù)及其非線性升維組合，共9個特征，輸出為在實驗條件下計算得到的光伏組件特征參數(shù)，共3個。該11個型號光伏組件標稱參數(shù)及其氣象數(shù)據(jù)外推法特征參數(shù)如表1所示，其中短路電流和開路電壓主要受光伏組件材料影響，是反映光伏組件轉(zhuǎn)換效率的重要參數(shù)。

在基于輻照度進行功率預測時，輸入特征為輻照度（實際輻照度或預測輻照度）、光伏組件標稱參數(shù)（峰值功率、開路電壓、短路電流）、安裝參數(shù)（安裝傾角、安裝數(shù)量、安裝方式），共7維，其中光伏組件的安裝參數(shù)用于確定板面能夠接收的輻照度大小。本文選用2022年12月吉林省兩個光伏電站的實際運行數(shù)據(jù)進行驗證，每個光伏電站安裝的光伏組件型號和方式是統(tǒng)一的，且都不在訓練選用的光伏組件之列。另外，使用預測輻照度進行功率預測時需先訓練太陽輻照度預測模型。本文選用的太陽輻照度預測模型來自之前的研究成果［20］，訓練數(shù)據(jù)集為2020和2021兩年的光伏電站實際運行數(shù)據(jù)，輸入特征使用晴空輻照度、數(shù)值天氣預報（numerical weather prediction，NWP）特征（溫度、濕度、降水量、短波輻射、熱感通量）和衛(wèi)星云圖紋理特征（像素均值、熵、相關性、對比度），共10維，時間尺度為4 h，時間分辨率為15 min。

結(jié)果采用歸一化均方根誤差（normalized root mean square error，NRMSE）和歸一化平均絕對誤差（normalized mean absolute error， NMAE）進行評判。

[eNRMSE=i=1n（Yi-Yi）2n×100%] （29）

[eNMAE=i=1nYi-Yin×100%] （30）

式中：[n]——樣本點的數(shù)量；[Yi]——實際值；[Yi]——預測值。這里[Yi]和[Yi]都是除以實際功率的最大值后歸一化的值。

5.1 顯著性分析結(jié)果

從氣象數(shù)據(jù)外推法模型求取特征參數(shù)的過程中可看出特征參數(shù)與電壓電流并非呈線性關系。結(jié)合求取特征參數(shù)的公式，對標稱參數(shù)進行非線性處理，組成新的自變量集合[{Voc， Isc， Pm， V2oc， I2sc， P2m， ln（Voc）， ln（Isc）， ln（Pm）}]。然后將該集合與特征參數(shù)[a、b、c]進行顯著性分析，得其復相關系數(shù)分別為0.98、0.97、0.94，說明該自變量集合與[a、b、c]相關關系成立，該自變量集合與[a、b、c]的殘差分布如圖2所示，可看出殘差的置信區(qū)間均包含零點，且不存在異常值。

5.2 特征參數(shù)擬合結(jié)果

在5.1節(jié)顯著性分析的基礎上，得到光伏組件標稱參數(shù)自變量集合[{Voc， Isc， Pm， V2oc， I2sc， P2m， ln（Voc）， ln（Isc）， ln（Pm）}]和氣象數(shù)據(jù)外推法特征參數(shù)（[a、b、c]）具有顯著相關性。之后建立LS-SVM模型，對標稱參數(shù)自變量集合[{Voc， Isc， Pm， V2oc， I2sc， P2m， ln（Voc）， ln（Isc）， ln（Pm）}]和特征參數(shù)（[a、b、c]）進行擬合，求其特征參數(shù)自適應函數(shù)關系式，即：

[a=La（Voc，Isc，Pm，V2oc，I2sc，P2m，ln（Voc），ln（Isc），ln（Pm））] （31）

[b=Lb（Voc，Isc，Pm，V2oc，I2sc，P2m，ln（Voc），ln（Isc），ln（Pm））] （32）

[c=Lc（Voc，Isc，Pm，V2oc，I2sc，P2m，ln（Voc），ln（Isc），ln（Pm））] （33）

式中：[L（·）]——LS-SVM擬合函數(shù)。

采用表1中的數(shù)據(jù)運用LS-SVM模型進行擬合，擬合結(jié)果如圖3所示（按參數(shù)升序進行排列），可看出基于LS-SVM的擬合曲線和實際曲線具有良好的對應關系，進一步論證了顯著性分析篩選的標稱參數(shù)自變量集合和特征參數(shù)之間具有良好的相關性，且LS-SVM模型在函數(shù)擬合方面也具有較好的性能。

5.3 功率預測結(jié)果

上文僅對比了訓練樣本的函數(shù)擬合效果，為進一步驗證自適應功率預測模型的通用性，本節(jié)以訓練樣本之外的吉林省兩個分布式光伏電站S1和S2的實際運行數(shù)據(jù)對本文所提自適應功率預測模型進行驗證，并與目前領域內(nèi)常使用的另一種通用模型即簡化功率預測模型進行對比。

簡化功率預測模型為：

[P=ηSI[1-0.005（t+25）]] （34）

式中：[P]——理論發(fā)電量，W；[η]——轉(zhuǎn)換效率；[S]——光伏系統(tǒng)有效面積，m2；[I]——輻射量，W/m2；[t]——環(huán)境溫度，℃。

根據(jù)上文對氣象數(shù)據(jù)外推法的介紹，氣象數(shù)據(jù)外推法中的變量包括太陽輻照度、環(huán)境溫度、溫度修正系數(shù)、特征參數(shù)[a、b、c]，因此可將氣象數(shù)據(jù)外推法公式簡化為：

[P=0.95N·f（a，b，c，G，T，K）] （35）

式中：0.95——綜合損失；[N]——太陽電池數(shù)量；[f（·）]——氣象數(shù)據(jù)外推法計算方法。

將式（31）～式（33）代入式（35），通過光伏組件標稱的開路電壓、短路電流、峰值功率為不同型號的光伏組件自適應的選擇特征參數(shù)[a、b、c]，進一步簡化模型步驟，得到自適應功率預測模型為：

[P=0.95N·f（La，Lb，Lc，G，T，K）] （36）

為排除太陽輻照度預測精度對功率預測結(jié)果造成干擾，首先使用實際輻照度輸入自適應功率預測模型進行驗證，將S1和S2電站的實際輻照度和實際溫度代入式（34）和式（36），結(jié)果如表2和圖4所示。

從圖4可看出，兩種功率預測模型計算得到的功率趨勢大致相同，而自適應功率預測模型的結(jié)果更接近實際值。由于簡化功率預測模型采用相同的功率損失，所以該預測模型對不同型號光伏組件的適用性不同，而自適應功率預測模型可根據(jù)光伏組件的型號自適應的調(diào)節(jié)特征參數(shù)，從而能更好適應不同的光伏組件。

下面利用預測的輻照度來預測光伏功率，首先使用文獻［20］中的太陽輻照度預測模型對S1電站的太陽輻照度進行預測，然后將S1電站的預測輻照度分別代入簡化功率預測模型和自適應功率預測模型進行功率預測，結(jié)果如圖5和表3所示。

通過對比晴天和陰天天氣下的預測效果，發(fā)現(xiàn)無論在何種天氣下，自適應功率預測模型的預測效果都具有更明顯優(yōu)勢。自適應功率預測模型在晴天天氣下的均方根誤差為2.90%，多云天氣下的均方根誤差為5.87%。與簡化功率預測模型相比，自適應功率預測模型在正午時預測效果更好，尤其是晴天天氣下，自適應功率預測模型的預測功率與實際功率曲線明顯更接近。再一次說明了自適應功率預測模型能夠通過自適應的選擇特征參數(shù)，匹配不同光伏組件的不同特點。

6 結(jié) 論

針對基于輻照度的光伏功率預測環(huán)節(jié)，本文提出一種自適應功率預測模型。自適應功率預測模型通過顯著性分析光伏組件標稱參數(shù)和氣象數(shù)據(jù)外推法特征參數(shù)之間的相關性，利用支持向量機模型為不同型號的光伏組件選取合適的特征參數(shù)。通過實例驗證，得出以下主要結(jié)論：

1）顯著性分析發(fā)現(xiàn)光伏組件標稱參數(shù)的組合與氣象數(shù)據(jù)外推法特征參數(shù)之間具有相關性。

2）LS-SVM模型可很好地擬合上述相關性，為不同光伏組件自適應選取合適的特征參數(shù)。

3）與目前常用的簡化功率預測模型相比，自適應功率預測模型通用性和適用性更強，預測精度更高。

4）該自適應功率預測模型不僅適用于已有光伏電站根據(jù)預測輻照度進行功率預測，也適用于光伏電站的選址中根據(jù)實際輻照度進行功率計算。

［參考文獻］

［1］ 賴昌偉， 黎靜華， 陳博， 等. 光伏發(fā)電出力預測技術研究綜述［J］. 電工技術學報， 2019， 34（6）： 1201-1217.

LAI C W， LI J H， CHEN B， et al. Review of photovoltaic power output prediction technology［J］. Transactions of China Electrotechnical Society， 2019， 34（6）： 1201-1217.

［2］ 陳元峰， 馬溪原， 程凱， 等. 基于氣象特征量選取與SVM模型參數(shù)優(yōu)化的新能源超短期功率預測［J］. 太陽能學報， 2023， 44（12）： 568-576.

CHEN Y F， MA X Y， CHENG K， et al. Ultra-short-term power forecast of new energy based on meteorological feature selection and SVM model parameter optimization［J］. Acta energiae solaris sinica， 2023， 44（12）： 568-576.

［3］ 倪超， 王聰， 朱婷婷， 等. 基于CNN-Bi-LSTM的太陽輻照度超短期預測［J］. 太陽能學報， 2022， 43（3）： 197-202.

NI C， WANG C， ZHU T T， et al. Super-short-term forecast of solar irradiance based on CNN-Bi-LSTM［J］. Acta energiae solaris sinica， 2022， 43（3）： 197-202.

［4］ 吳小濤， 袁曉輝， 袁艷斌， 等. 基于二階數(shù)據(jù)分解算法和蝗蟲優(yōu)化混合核LSSVM的太陽輻照度預測模型研究［J］. 可再生能源， 2021， 39（7）： 899-907.

WU X T， YUAN X H， YUAN Y B， et al. Solar irradiance prediction model based on two-stage data decomposition algorithm and hybrid kernel LSSVM optimized by grasshopper optimization algorithm［J］. Renewable energy resources， 2021， 39（7）： 899-907.

［5］ RILEY D M， VENAYAGAMOORTHY G K. Characterization and modeling of a grid-connected photovoltaic system using a recurrent neural network［C］//The 2011 International Joint Conference on Neural Networks. San Jose， CA， USA， 2011： 1761-1766.

［6］ NGUYEN D D， LEHMAN B， KAMARTHI S. Performance evaluation of solar photovoltaic arrays including shadow effects" "using" "neural" "network［C］//2009 IEEE Energy Conversion Congress and Exposition. San Jose， CA， 2009： 3357-3362.

［7］ 蘇建徽， 余世杰， 趙為， 等. 硅太陽電池工程用數(shù)學模型［J］. 太陽能學報， 2001， 22（4）： 409-412.

SU J H， YU S J， ZHAO W， et al. Investigation on engineering analytical model of silicon solar cells［J］. Acta energiae solaris sinica， 2001， 22（4）： 409-412.

［8］ 傅望， 周林， 郭珂， 等. 光伏電池工程用數(shù)學模型研究［J］. 電工技術學報， 2011， 26（10）： 211-216.

FU W， ZHOU L， GUO K， et al. Research on engineering analytical model of solar cells［J］. Transactions of China Electrotechnical Society， 2011， 26（10）： 211-216.

［9］ 彭湃， 程漢湘， 陳杏燦， 等. 光伏電池工程用數(shù)學模型及其模型的應用研究［J］. 電源技術， 2017， 41（5）： 780-782， 789.

PENG P， CHENG H X， CHEN X C， et al. Engineering analytical model of photovoltaic cell and its application research［J］. Chinese journal of power sources， 2017， 41（5）： 780-782， 789.

［10］ 楊娜. 國電內(nèi)蒙古察右前旗光伏電站的出力預測研究［D］. 北京： 華北電力大學， 2016.

YANG N. Prediction of the output of Guodian Inner Mongolia" "Chayouqianqi" "photovoltaic" "power" "plant［D］. Beijing： North China Electric Power University， 2016.

［11］ 李恩茂. 10 MW光伏發(fā)電項目設計［D］. 大連： 大連海事大學， 2019.

LI E M. Design of 10 MW photovoltaic power generation project［D］. Dalian： Dalian Maritime University， 2019.

［12］ DREWS A， DE KEIZER A C， BEYER H G， et al. Monitoring and remote failure detection of grid-connected PV" systems" based" on" satellite" observations［J］." Solar energy， 2007， 81（4）： 548-564.

［13］ LORENZ E， SCHEIDSTEGER T， HURKA J， et al. Regional PV power prediction for improved grid integration［J］. Progress in photovoltaics： research and applications， 2011， 19（7）： 757-771.

［14］ 國家能源局. 光伏電站消納監(jiān)測統(tǒng)計管理辦法［EB/OL］.（2021-12-3）. http：//zfxxgk.nea.gov.cn/2021-12/03/c_1310383862. htm.

National Energy Administration. Management measures for consumption monitoring and statistics of photovoltaic power stations［EB/OL］." （2021-12-3）." http：//zfxxgk.nea.gov.cn/2021-12/03/c_1310383862.htm.

［15］ 陳祥. 基于機理模型的并網(wǎng)光伏電站實時效率分析［J］. 太陽能， 2011（17）： 12-14， 49.

CHEN X. Real-time efficiency analysis of grid-connected photovoltaic power station based on mechanism model［J］. Solar energy， 2011（17）： 12-14， 49.

［16］ 張峻嶺， 殷建英， 王文軍. 鄂爾多斯新能源產(chǎn)業(yè)示范區(qū)的風光互補最優(yōu)容量匹配［J］. 電力與能源， 2011， 32（3）： 224-227.

ZHANG J L， YIN J Y， WANG W J. Optimal capacity for the complementation of wind-solar power located in Ordos new" energy" demonstration" zone［J］." Power" amp;" energy， 2011， 32（3）： 224-227.

［17］ 張雪莉， 劉其輝， 馬會萌， 等. 光伏電站輸出功率影響因素分析［J］. 電網(wǎng)與清潔能源， 2012， 28（5）： 75-81.

ZHANG X L， LIU Q H， MA H M， et al. Analysis of influencing factors of output power of photovoltaic power plant［J］. Power system and clean energy， 2012， 28（5）： 75-81.

［18］ 王利珍， 譚洪衛(wèi)， 莊智， 等. 基于GIS平臺的我國太陽能光伏發(fā)電潛力研究［J］. 上海理工大學學報， 2014， 36（5）： 491-496.

WANG L Z， TAN H W， ZHUANG Z， et al. Evaluation of the photovoltaic solar energy potential in China based on GIS platform［J］. Journal of University of Shanghai for Science and Technology， 2014， 36（5）： 491-496.

［19］ 田佳垚， 馮自平， 胡亞飛， 等. 基于多元回歸模型的燃氣熱泵系統(tǒng)制熱性能分析［J］. 熱能動力工程， 2023， 38（6）： 129-136.

TIAN J Y， FENG Z P， HU Y F， et al. Analysis of heating performance of gas engine-driven heat pump system based on multiple regression model［J］. Journal of engineering for thermal energy and power， 2023， 38（6）： 129-136.

［20］ 張青山， 王麗婕， 郝穎， 等. 基于衛(wèi)星云圖和晴空模型的分布式光伏電站太陽輻照度超短期預測［J］. 高電壓技術， 2022， 48（8）： 3271-3281.

ZHANG Q S， WANG L J， HAO Y， et al. Ultra-short-term solar irradiance prediction of distributed photovoltaic power stations based on satellite cloud images and clear sky model［J］. High voltage engineering， 2022， 48（8）： 3271-3281.

PHOTOVOLTAIC ADAPTIVE POWER PREDICTION MODEL BASED ON METEOROLOGICAL DATA EXTRAPOLATION AND

SIGNIFICANCE ANALYSIS

Wang Lijie1，Zhang Qingshan1，Hao Ying2，Zhou Ying3，Qiu Min3，Sun Chong4

（1. School of Automation， Beijing Information Science amp; Technology University， Beijing 100192， China；

2. Tangshan Research Institute， Beijing Institute of Technology， Tangshan 063000， China；

3. Beijing Key Laboratory of Demand Side Multi?Energy Carriers Optimization and Interaction Technique（China Electric Power Research Institute）， Beijing 100192， China；

4. State Grid Hebei Marketing Service Center， Shijiazhuang 050081， China）

Abstract：Distributed photovoltaic power stations typically possess a relatively small installed capacity and generally do not conduct real-time power statistics， posing challenges to directly establish power prediction models. This paper proposes an adaptive power prediction model based on meteorological data extrapolation and significance analysis aiming at the diversity of installation models and methods for photovoltaic panels in distributed photovoltaic power stations. Firstly， significance analysis is conducted on the nominal parameters of the photovoltaic panel and the characteristic parameters in the meteorological data extrapolation method to determine the set of nominal parameters. Then， establish a least squares support vector machine model to fit the adaptive function relationship between the nominal parameter set and the feature parameters. Finally， an adaptive power prediction model is established， which converts the ambient temperature and irradiance into the temperature and irradiance of the panel based on the installation mode of photovoltaic panels， selects the characteristic parameters suitable for the current photovoltaic cell model based on the adaptive function， and inputs the meteorological data extrapolation method to obtain the predicted power. The research results indicate that the adaptive power prediction model can adaptively select appropriate feature parameters for different types of photovoltaic panels， with stronger universality. Compared with the current popular simplified power prediction model， the prediction accuracy is improved by approximately 2.34%.

Keywords：photovoltaic power generation； power forecasting； extrapolation； significance analysis； adaptive function