摘要：随着国家的发展越来越好，太阳能开发利用已成为全球能源转型的重要领域，光伏发电全面进入规模化发展阶段，呈现出良好的发展前景。
关键词：光伏发电；出力预测技术
引言
光伏发电系统预测受气象、环境条件的影响，具有较大的波动性和随机性，给并网带来了诸多挑战。解决这些问题的关键在于准确预测光伏发电系统在一定时间内的发电量。概述和跟踪光伏发电的主要预测技术，并强调这些预测模型基于统计数据和人工智能。最后，指出了各种预测技术的不足和改进方向，帮助相关领域的研究人员提出更好的发电预测模型。
1光伏发电的影响因素
1.1太阳辐照强度
辐照强度是指单位时间内，垂直投射在地球表面某一单位面积上的太阳辐射能量。辐照强度时刻影响着光生伏打效应的输出效率，因为光伏电池材料的主要元素是硅，有了太阳辐射强度，电子和空穴会在硅材料中相应移动，这时，在硅材料电池内就可产生电场，由于电场的作用在外部存在负载接入时，进而产生电流，输出电功率。
1.2温度
光伏电池板的表面温度是影响光伏电池板性能的首要因素，这个因素不容忽视。光伏电池板的效率会随着温度的升高而降低，温度升高会使电池板内载流子的迁移率、扩散长度以及少数载流子的寿命变差。光伏电池具有很好的吸热性，所以它们的温度会在运行期间显著上升，从而改变光伏发电系统的光电转换效率。光伏面板的温度取决于光伏面板的吸收特性、封装结构与材料、散热性、光伏面板工作的地点、大气参数如辐照度水平、环境温度、风速和特定安装条件等。
1.3风速
风速对光伏电池性能具有重要的影响，因为它影响光伏面板的温度和灰尘积累。风可以加速光伏面板上方的气流流动，而流动的空气可以加快光伏面板的热传递，使面板的温度降低。
1.4天气类型
当日的天气类型在气象预报中都会涵盖，如光照强度和温度等数据。把当天的具体光照强度和温度变化限定在一定范围之内，不可能将时时刻刻的天气状态完全反映出来，所以对光伏电站的输出功率变化规律有所缺失。
2光伏发电功率预测分类
光伏发电输出功率，可以采用多种预测方法。根据预测手段的不同，分为直接预测法和间接预测法；根据信息来源的不同，分为物理方法和统计方法；根据预测时间尺度的不同，分为超短期、短期和中长期预测法；根据预测空间范围的不同，分为单场预测和区域预测。
2.1直接预测法和间接预测法
直接预测法示意图如图1所示，它利用已有的气象预报与功率数据信息，直接得到预测结果，该方法适用于中短期时间尺度内的预测。
.png)
图1直接预测法示意图
间接预测法示意图如图2所示，它在预测输出功率之前，首先根据预测模型对相关的气象因子进行预测，在此基础上预测太阳总辐射强度，再根据功率历史信息与监测功率信息，预测光伏电站的输出功率。
.png)
图2间接预测法示意图
直接预测法中，在不同时间尺度内或不同气象条件下所使用的气象和功率数据的对应关系会发生变化，因此模型建立困难，所建立的模型性能也不高。间接预测法中，需要建立多个预测模型，还需要再根据预测模型对气象因子进行预测，工作过程较为复杂。
2.2物理预测方法和统计预测方法
物理预测方法是根据光伏电站所在位置处的太阳辐照数据、各种地理信息与气象信息，用太阳光辐照传递方程与光伏组件运行方程等物理运算手段进行预测；统计方法是根据输入的历史气象数据、功率数据寻找统计规律，对输出功率进行预测。物理方法不依赖于历史数据，根据光伏电站所处地理信息及光伏组件的参数，现场获取数据就可进行预测，因此适用于新建电站，但其建模困难，且不同时间尺度内或不同天气情况下光伏组件参数缓慢变化，使得参数难以辨识，因此物理方法预测模型的抗干扰能力有限，鲁棒性不强。与物理方法不同，统计方法对光伏电站所处的地理信息及光伏组件的测量信息要求不高，它需要根据历史数据，如光伏电站的气象数据与功率数据、历史运行情况，从历史数据中找出规律，获得预测模型。
2.3超短期、短期和中长期预测
超短期预测，指0h～6h时间尺度内的功率预测，用于获知功率瞬变信息。超短期预测时，先对卫星云图的图像进行实时处理，获得功率预测的基础数据，再结合数值天气预报或地面观测站测得的数据，综合处理后进行预测。超短期预测还可采用统计方法进行预测，如使用自回归滑动平均算法、人工智能算法等。短期预测，指6h～1d内的功率预测，可用于光伏电站调度计划的制定、负荷跟踪的预测与电力市场交易计划的制定。与超短期预测相比，短期预测不需通过对卫星云图图像处理获得数据，可根据数值天气预报的数据进行预测，因此需要的数据量大大减小，对气象数据的时空分辨率要求降低。中长期预，测指1m～1y内的预测，用于评估地区光资源、规划光伏电站建设等用途。该方法主要根据当地历史光资源数据等信息，预测未来较长时间段内的光伏发电输出功率。
2.3单场预测和区域预测
单场预测，指对单个光伏电站的功率预测，用来为光伏发电运营商提供功率预测信息，用于光伏电站的优化运行与控制。区域预测，指对某个区域范围内的多个光伏电站总输出功率的预测，这一预测可提供某一区域范围内光伏发电输出功率情况，提前预估光伏发电出力与波动情况，为电力部门制定光伏与火力、水力、风力发电的协调调度计划提供依据，降低光伏电站输出功率波动对电网和负载的冲击。
4对风能发电预测技术研究的发展分析
在对风能发电进行预测的过程当中，如果采用间接预测模型预测出现错误的话，最主要的一个原因就是把风速的预测值直接通过风力发电机组制造商所提供的功率曲线转换成了发电量的预测值，但是事实上风力发电机组制造商所提供的功率曲线都是在理想的条件下得到的数值，那么就不能够在各种各样的情况下对风速和发电量的情况进行比较准确的描述。为了能够使得预测的精度能够进一步的提高，应该要根据实际的情况，采用一些相关的技术比如统计的方法来得到风速和发电量之间比较准确的关系。所有对风能发电进行预测的模型，预测的准确度都需要依赖于原始输入数据的准确性，那么在对这些气象信息进行收集的时候，就可以通过部署远程气象传感器来进行实时的收集，这样原始输入数据的准确性就能够得到很好的保证，最终使风能发电的预测能够更加的准确。
结语
综上所述，我国的光伏功率预测方法多种多样，预测技术已逐渐走向成熟。我国的光伏电站情况错综复杂，因地制宜地开展我国光伏电站功率预测的各项工作指标，不仅可以大大提高光伏发电的发电效率，还可以为电网合理调度提供了保障和依据。
参考文献
[1]陈垣毅.风能及光伏发电功率短期预测方法研究[D].浙江大学，2019.
[2]黄超辉.微电网的发电和负荷预测及其模糊控制研究[D].湖南大学，2019.
[3]杨志凌.风电场功率短期预测方法优化的研究[D].华北电力大学（北京），2020.
[4]仝纪龙.河西地区风速变化特征及风能预测方法研究[D].兰州大学，2019.
[5]刘琳.新能源风电发展预测与评价模型研究[D].华北电力大学，2019.
[6]张清鑫．分布式光伏接入的用户侧微电网功率预测方法［D］．北京:华北电力大学，2019．
[7]黄磊，舒杰，姜桂秀，等．基于多维时间序列局部支持向量回归的微网光伏发电预测［J］．电力系统自动化，2019(5):19-22．
[8]甘德树，周云蔚，贾鹏程，等．基于高密度数值天气预报的分布式光伏功率预测主站研究应用［J］．电子制造，2019(2):30-32．