分布式光伏發(fā)電的特性分析與預測方法綜述

王洪坤，葛磊蛟，李宏偉，遲福建

(1.天津大學電氣自動化與信息工程學院， 天津市 300072； 2. 石河子大學機械電氣工程學院，新疆維吾爾自治區(qū)， 石河子市 832003； 3.國網天津市電力公司，天津市 300055)

分布式光伏發(fā)電的特性分析與預測方法綜述

王洪坤1，2，葛磊蛟1，李宏偉2，遲福建3

(1.天津大學電氣自動化與信息工程學院， 天津市 300072； 2. 石河子大學機械電氣工程學院，新疆維吾爾自治區(qū)， 石河子市 832003； 3.國網天津市電力公司，天津市 300055)

近年來光伏產業(yè)的迅猛發(fā)展，分布式光伏大規(guī)模推廣應用已成為一種趨勢。間歇性強的分布式光伏大量接入配電網，給配電網帶來了電能質量、諧波等諸多問題，影響了電網的安全穩(wěn)定運行，分布式光伏發(fā)電特性分析與出力預測是有效解決以上問題的重要基礎。首先探討國內外分布式光伏的發(fā)展現(xiàn)狀；其次，對分布式光伏出力特性、預測方法、預測軟件的最新國內外研究進行評述；最后，探討未來研究的重點內容，以期為我國分布式光伏的推廣應用提供建議。

分布式光伏；概率分布；出力特性；預測方法

0 引 言

發(fā)展綠色新能源是解決能源危機和環(huán)境保護問題的有效途徑和必然趨勢[1]。太陽能發(fā)電具有無污染、儲量大、強度高、分布廣等優(yōu)勢，已成為當前新能源發(fā)電領域的一個熱點，且呈現(xiàn)“規(guī)?；?、分散化、就地消納”的趨勢。但大規(guī)模分布式光伏多點、無序接入配電網，使配電網面臨電能質量、諧波、經濟運行等系列問題。文獻[2]闡述了光伏發(fā)電系統(tǒng)并網對電網的電能質量、孤島控制、可靠性、調度以及保護等問題的影響。文獻[3]研究了光伏發(fā)電多點接入對配電網電能質量、出力預測等方面的影響。

為有效解決分布式光伏接入對配電網的影響，科學地進行分布式光伏特性分析和出力預測，實現(xiàn)分布式光伏的可靠、高效和經濟并網運行，國內外學者進行了相關研究，取得了一些研究成果。文獻[4]研究了云朵的移動和光伏陣列的不同配置對光伏出力功率的影響。文獻[5]提出了3種光伏陣列組合降低太陽光的陰影對光伏出力的影響。文獻[6]以歷史實測出力數據為基礎，歸納了光伏的隨機性、波動性、概率屬性、時序相關性、風光同時率及互補特性。文獻[7]提出了一種光伏出力隨機性分量的提取方法，準確描述了光伏出力波動的連續(xù)性。文獻[8]提出了一種綜合光伏出力概率分布估計方法，通過K-means 算法進行聚類，然后用神經網分位數回歸和核密度估計，其可靠性和銳度都有較大的提高。文獻[9]提出了適用小樣本的雙層神經網絡單步光伏預測方法，能夠在訓練樣本的條件下，保證預測的準確性。文獻[10]分析了確定性和隨機性光伏預測模型在日前預測的準確性，并考慮了天氣晴朗因素的影響。文獻[11]提出了一種結合靜態(tài)和動態(tài)在線修正日前光伏陣列發(fā)電預測方法,該方法能夠有效降低預測誤差。

以上的研究成果，為分布式光伏特性分析和出力預測的深入研究，提供了較好的借鑒。為此，本文從國內外分布式光伏的發(fā)展現(xiàn)狀出發(fā)，分別對分布式光伏出力特性、預測方法、特性分析及預測軟件的最新國內外進展進行了評述，并討論了未來研究的重點內容，以期為分布式光伏的發(fā)展建言獻策。

1 國內外分布式光伏發(fā)電的發(fā)展現(xiàn)狀

近年來國內外分布式光伏發(fā)電發(fā)展迅猛，它具有分布廣、投資小、見效快等特點，對世界能源的可持續(xù)發(fā)展起到了積極作用，也得到了世界各國政府的積極推廣。

1.1 國內外分布式光伏發(fā)電裝機現(xiàn)狀及前景

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

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

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

據國際能源署預測，2020年全球太陽能發(fā)電裝機將達到5億kW以上，其中分布式光伏2億kW以上；到2030年，全球光伏累計裝機容量將達到10億kW；2040年光伏裝機總容量占比能源供應將從2013年的2%增加到10%；2050年光伏發(fā)電總容量占比能源供應將達到25%，由此不難發(fā)現(xiàn)太陽能發(fā)電將成為未來能源結構中重要的組成部分。

1.2 國內外光伏發(fā)電應用現(xiàn)狀

光伏發(fā)電系統(tǒng)根據應用場所和規(guī)模的不同，一般分為集中式和分布式共兩種類型。其中，集中式光伏發(fā)電是指裝機容量達到10 MW以上的大容量并網光伏；分布式光伏發(fā)電一般是指裝機容量為MW及以下級的并網光伏。當前歐美日等國家以分布式發(fā)電系統(tǒng)為主，而我國以集中式發(fā)電系統(tǒng)為主。

歐洲、日本和北美等國家由于光伏政策相對寬松，電網的接入方式比較靈活，用戶經濟條件相對較好，從20世紀80年代就開始發(fā)展分布式光伏發(fā)電，尤其是德國、日本和美國。其中，德國受限于聯(lián)合國所提出的工業(yè)碳排放指標，政府在2006年就通過“10萬屋頂發(fā)電計劃”的推廣方案，至2016年全國太陽能發(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。美國和日本在2010年前后也相繼推出了“百萬屋頂光伏計劃”和“陽光計劃”，大大促進了分布式光伏的發(fā)展，使小型的分布式光伏進入了千家萬戶，深刻影響用戶的用能方式。

我國在2009年啟動了“金太陽”工程也取得了較好的成果，使我國的光伏發(fā)電產業(yè)得到了快速發(fā)展，逐漸成為光伏發(fā)電世界裝機容量最大的國家。目前全面推進分布式光伏的發(fā)展，開展了多種形式的分布式光伏的開發(fā)和應用。2015年江蘇銀行首先推出了“光伏貸”業(yè)務，且全國多家銀行緊追其后，已經超過40多家銀行推出了“光伏貸”業(yè)務，解決了分布式光伏發(fā)展中遇到的資金難的問題。同時，我國國務院、能源局和扶貧辦等國家部委積極加大力度推動“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年我國分布式光伏新增裝機容量達到424萬kW，與2015年相比，新增裝機容量增長200%，分布式光伏總裝機容量達到了1 032萬kW，位居世界第1，發(fā)展呈現(xiàn)跨越式的上升趨勢。

分布式光伏的迅猛發(fā)展，間歇性強的光伏大量無序接入配電網，給配電網帶來了電能質量、諧波等諸多問題，影響了電網的安全穩(wěn)定運行，分布式光伏發(fā)電特性分析與出力預測是有效解決以上問題的重要基礎，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，也是光伏電站優(yōu)化規(guī)劃設計、出力預測和優(yōu)化調度管理的重要基礎數據，而分布式光伏出力的間歇性、隨機性強，不僅受到光照、季節(jié)等氣候環(huán)境條件和地理、時間等客觀運行條件影響，也會受限于彼此相連的臨近光伏和電力負荷制約，對其進行準確地建模和特性分析是一個多耦合、多影響因素的數學難題。

2.1 光伏出力隨機分布特性

光伏出力具有隨機性和間歇性的特點，為有效減少其波動性對配電網運行穩(wěn)定性的影響，國內外學者對其特性進行了研究。文獻[12]和文獻[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所示為一個裝機容量為500 kW分布式光伏在典型的晴天、雨天、多云和雨轉陰等4種不同天氣條件下，除去了夜間光伏無出力時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、時間段等因素相關，當前對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據，采用數學擬合回歸等技術手段直接進行分析，它的特點是影響因素小、累積誤差小而數據分析復雜。間接法是從光伏發(fā)電的原理出發(fā)，利用光照、氣象等原始輸入數據對光伏出力進行建模，間接得到光伏出力特性，但在建模過程中由于忽略了光照分布、光伏板安裝間距等一些擾動因素，雖然特性分析所需的分析輸入數據少而簡單，但存在一定的誤差。

2.2 光伏出力典型隨機概率分布

近年來，國內外學者對基于參數分布的太陽能光伏出力概率模型進行了廣泛的研究。文獻[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。光照強度是描述光伏出力的主要參數，標準化光照強度Ht如式(1)所示：

(1)

式中：It為實際光照強度；Imax為最大光照強度。普遍認為Beta分布比較符合標準化光照強度一般分布規(guī)律。其概率密度函數如式(2)所示：

(2)

式中α，β為Beta分布的2個參數。

標準化光照強度的累積分布函數如式(3)所示：

(3)

針對某一地區(qū)的歷史數據，參數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，但是分布參數需要根據經驗進行假設確定，這一假設均按照主觀的因素完成而缺乏充分的理論依據，且不同地區(qū)適合的參數模型不一致，不具備普遍適用性。于是，國內外的學者們又提出了其他新型的光伏出力概率分布。

2.3 光伏出力隨機概率的新型分布

2.3.1 非參數核密度概率分布

非參數核密度概率模型是以光伏樣本為依據，研究光伏的分布概率特征，不需要事先對分布參數進行假設的一種模型，且廣泛應用于新能源分布系統(tǒng)的負荷、風力發(fā)電及可靠性等多方面[19-20]。文獻[21]提出了基于最優(yōu)帶寬改進方法，建立了光伏電源非參數核密度估計概率模型,并驗證了模型的正確性。文獻[22]通過非參數核密度方法建立了4種不同天氣類型的光伏出力隨機模型。

若假設x1,x2,…,xn為光伏出力的數據樣本，光伏出力的概率密度函數為f(x)，則非參數核密度光伏概率f(x)的理論可估計如式(4)所示：

(4)

將某一地區(qū)某一典型日的光伏出力樣本數據直方圖分別用正態(tài)分布、貝塔分布和核密度估計進行概率密度擬合，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性變化趨勢，其中核密度估計要優(yōu)于正態(tài)分布和貝塔分布，然而3種分布擬合的準確性與實際頻率直方圖相比，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

為了更加精確地進行光伏出力描述，在參數分布的參數估計方法和核密度估計的核函數選擇方面，有待進一步探索。

2.3.2 相關性概率分布

光伏出力隨機性受到光照強度等基本發(fā)電原理因素的影響。同時，當中低壓配電網的光伏電源滲透率很高時，相鄰地區(qū)的多個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，本地區(qū)的多個分布光伏電源之間，以及與負荷之間都存在一定的相關性，使光伏出力同時增益或同時減弱，加劇了光伏出力的隨機波動性。

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

近年來一些學者利用多變量隨機分布Copula函數方法構建規(guī)?；植际焦夥惋L機的出力相關性模型[27]，基于多隨機變量的實際概率統(tǒng)計對分布式光伏特性進行分析，達到了較好的普適性和精確性，同時也驗證了光伏出力數據統(tǒng)計分析方法和概率分布模型的準確性，決定了大規(guī)模分布式光伏相關性概率模型的準確程度。

2.3.3 持續(xù)時間概率分布

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時間點上出力大小，然而光伏出力具有典型的時間波動性和間歇性[28-29]，其輸出功率的精確分析需構建反映持續(xù)時間的光伏出力分布模型，即持續(xù)時間概率分布，它將光伏出力的范圍根據研究或者應用場景的實際需求平均分成多個時段區(qū)間，從而分別統(tǒng)計分析每一個區(qū)間光伏出力持續(xù)輸出的概率。文獻[30]提出了光伏發(fā)電功率持續(xù)時間分布的概念，文獻[31]構建了一種基于改進的馬爾可夫鏈的光伏出力時間序列模型，能夠很好地體現(xiàn)光伏的日特性、天氣特性與波動性。

光伏出力的持續(xù)時間概率分布從另外一個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)時間概率分布呈現(xiàn)雙峰的特征，通過持續(xù)時間分布特性能夠直接獲得在一定功率區(qū)間的時間長度，從而可為配電網接納大規(guī)模光伏提供抑制光伏波動范圍控制周期的定量分析手段，實現(xiàn)大規(guī)模分布式光伏并網的廣域控制。

3 分布式光伏出力預測方法

準確的光伏出力預測是實現(xiàn)分布式光伏發(fā)電就地消納和提升配電網接納光伏能力的關鍵，也能夠為光伏電源的優(yōu)化規(guī)劃設計、配電網的優(yōu)化調度和管理提供支持。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無序接入配電網而形成一個有機整體，其出力彼此之間也相互耦合影響，給光伏出力的準確預測帶來難度，目前光伏預測的方法一般分為直接預測和間接預測兩大類。

3.1 直接預測方法

光伏出力直接預測法，就其本質上而言，均是數據統(tǒng)計的預測方法，它是根據歷史數據的規(guī)律預測未來不同天氣狀況下的光伏出力情況的一種方法，其預測精度一般都能滿足要求。

3.1.1 數據統(tǒng)計預測方法

數據統(tǒng)計預測方法也稱之為直接預測法，一般步驟是首先獲取光伏出力的歷史數據，并從中發(fā)現(xiàn)一定的規(guī)律；然后確定光伏出力預測的理論；最后建立光伏出力預測數學模型：主要包括灰色理論預測法[32]、多元線性回歸預測法[33]、時間序列預測法[34]等。文獻[35]建立了灰色動態(tài)GM(1,1)模型，利用5年的月歷史原始數據，進行了光伏發(fā)電預測。文獻[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測模型，并通過晴天、多云和陰轉多云3種天氣進行驗證，得到了很好的預測結果。文獻[37]提出一種基于自適應模糊時間序列法的并網光伏發(fā)電短期功率預測模型。以上3種主要的光伏出力直接預測方法各有其特點，如表1所示。

表1 光伏出力直接預測方法及特點
Table 1 Characteristics of direct prediction methods of PV output

3.1.2 人工智能預測方法

光伏出力數據統(tǒng)計的預測方法需要大量已知當地的歷史觀測數據，但是太陽輻射數據涉及范圍廣而較難準確獲取，造成準確的光伏出力預測有難度。隨著人工智能算法的不斷發(fā)展，人工智能預測方法近年來在光伏出力預測中應用廣泛，主要包括人工神經網絡、模糊神經網絡、徑向神經網絡、遞歸神經網絡、多層感知器神經網絡、支持向量機預測、自適應小波分解預測等方法，其特點如表2所示。

人工智能預測方法，本質上也是一種直接預測的方法，其計算復雜度相對較高，但是預測精度要高于數據統(tǒng)計預測方法[38]。文獻[39]提出了一種適用于小樣本的雙層神經網絡單步光伏預測方法，該方法能夠在少樣本的的情況下保證預測的準確性。文獻[40]根據氣象數據與光伏出力弱相關性，提出了一種短期光伏出力的預測方法。文獻[41]提出了一種基于灰色神經網絡組合模型的光伏出力預測方法。

針對大規(guī)模的分布式光伏出力的隨機性和相關性，為了提高預測的準確性，部分學者將多種人工智能結合在一起，構成了復合人工智能預測方法。文獻[42]將優(yōu)化BP神經網絡、優(yōu)化向量機及極限學習機進行光伏出力組合預測。文獻[43]構建了一個新的光伏預測模型，將概率神經網絡、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測算法。這樣的處理，一定程度上解決了光伏預測的精度，但是也增加了模型的復雜性和求解難度，從而使如何進行模型的簡化與求解成為未來需要深入研究的問題。

表2 光伏出力人工智能預測方法特點
Table 2 Characteristics of artificial intelligence prediction method of PV output

3.2 間接預測方法

間接預測方法是指不需要任何光伏的歷史數據，直接根據天氣預報數據進行預測的方法，其主要的優(yōu)點是減少了大量的歷史數據統(tǒng)計。其中，數值天氣預報(numerical weather prediction，簡稱NWP)和基地云圖是當前光伏出力間接預測的一種主要方法[44-45]，它運用大型計算機良好的數值計算能力，設定天氣的初值和邊界條件，運算天氣演變過程的流體力學和熱力學的方程組，根據求解結果預測未來一定時段的大氣運動狀態(tài)和天氣現(xiàn)象，從而實現(xiàn)了網格化的、逐時刻的上百種天氣要素預報，為光伏出力預測提供精準的原始輸入數據。

文獻[46]將數值天氣預報和地基云圖相結合，建立了能夠實現(xiàn)未來4 h光伏出力預測模型，具有很好的預測結果。文獻[47]利用高密度數值天氣預報信息，實現(xiàn)了分布式光伏短期和超短期的高精度功率預測。這些預測方法的實施過程，由于其預測的精度取決于計算機的處理能力，如何提高其預測精度是未來一段時間研究的重點和難點。

4 光伏發(fā)電特性分析和預測軟件

光伏發(fā)電特性分析和出力預測是光伏電站規(guī)劃、工程設計、調度運行優(yōu)化等的重要基礎，被廣泛而經常性地使用。目前，國內外主要的光伏電站特性分析和預測的軟件有：加拿大的RETScreen[48]、瑞士的PVsystem[49]、德國的PVSOL和PVDesigner、我國的虛擬電站等，其中，比較常用的主要是RETScreen、PVsystem和虛擬電站，下面進行詳細介紹。

4.1 RETScreen軟件

RETScreen 是加拿大政府免費提供的一款基于Excel的清潔能源項目管理決策分析軟件工具。該軟件功能可以用于評估各種能效、可再生能源技術的能源生產量、節(jié)能效益、壽命周期成本、減排量和財務風險，也包括產品、成本和氣侯數據庫。光伏發(fā)電預測是其主要功能之一，由于軟件所用到氣象、輻照數據均來自美國航天局(NASA)數據庫，數據精度比較好，能夠預測世界范圍內任何地方的光伏發(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)設計輔助軟件，用于指導光伏系統(tǒng)設計及對光伏系統(tǒng)進行發(fā)電量模擬計算。其功能比較強大，可用于設計并網、離網、抽水系統(tǒng)和DC-網絡光伏系統(tǒng)，并包括了廣泛的氣象數據庫、光伏系統(tǒng)組件數據庫，以及一般的太陽能工具等。同時，該軟件的數據庫允許用戶自定義添加Meteonorm數據庫。

4.3 虛擬電站

鑒于PVSystem軟件需要自建模進行光伏發(fā)電預測，對于一般工程技術人員難度較大，不利于開發(fā)與利用的操作困難，我國新奧集團開發(fā)了PVtrade光伏虛擬電站軟件，該軟件能夠實現(xiàn)光伏電站的在線應用，能夠進行光伏發(fā)電的智能預測和專業(yè)預測，同時滿足專業(yè)技術人員和項目開發(fā)人員的開發(fā)需求。虛擬電站基于Meteonorm數據庫，通過選擇面積、地區(qū)等參數，能夠準確輸出設備清單、光伏發(fā)電量預測、投資收益率等項目關鍵決策參數，其結果與PVsystem一樣專業(yè)精準。

3種主要的光伏預測軟件對比情況，如表3所示。

表3 光伏出力預測軟件對比分析
Table 3 Comparison of PV output prediction software

除了以上3種光伏發(fā)電特性分析及預測軟件外，德國西門子公司開發(fā)的PVDesigner，由于開發(fā)使用時間較長，距今已有30多年，其模型和數據庫已較難適合現(xiàn)在的光伏預測計算要求而逐漸被放棄使用。德國的PVSOL，雖然在預算過程中考慮了太陽陰影對光伏預測的影響，但是其操作應用比較復雜，一般的工程技術人員難以掌握，也較少被應用。

5 未來研究工作的展望

隨著能源革命戰(zhàn)略的推進，新能源和可再生能源的發(fā)展和應用已成為世界各國的共識。分布式光伏的大規(guī)模推廣應用是大勢所趨，也是新能源廣泛利用的重要抓手，更是未來有源配電網的電能質量、諧波等問題的主要來源[50]。因此，準確的光伏特性分析和出力預測是解決配電網接納大規(guī)模分布式光伏的關鍵[51]，盡管近年來國內外學者們在分布式光伏的發(fā)展和研究中展開了大量的工作，但仍有一些研究工作值得深入。

(1)考慮配電網的接納能力，結合光伏電源與主動配電網的協(xié)調控制，開展大規(guī)模分布式光伏的動態(tài)大范圍長時間特性分析研究。

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

(3)深入開展組合式光伏出力的預測方法的研究與應用，構建準確的光伏出力預測模型，并對組合模型智能算法的速度、精度進行提升。

(4)開發(fā)適用于多應用場景的光伏發(fā)電特性分析和預測軟件，RETScreen、PVSystem及虛擬電站所依據的都是NASA和Meteonorm數據庫，與實際的光伏安裝現(xiàn)場數據會有一定的誤差，需要開發(fā)適合我國的氣象、輻照數據的數據庫，提高分布式光伏預測的準確性。

致 謝

本文獲得國網天津市電力公司科技項目“面向城市能源互聯(lián)網的源-網-荷協(xié)調規(guī)劃設計關鍵技術”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. 光伏并網發(fā)電系統(tǒng)對電網的影響研究綜述[J]. 電力自動化設備，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. 多接入點分布式光伏發(fā)電系統(tǒng)與配電網交互影響研究[J]. 電力系統(tǒng)保護與控制，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. 光伏出力隨機性分量的提取和統(tǒng)計特性分析[J]. 電力系統(tǒng)自動化, 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. 基于相似時刻的光伏出力概率分布估計方法[J].電網技術，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, 戴瑜興,等. 新能源發(fā)電低電壓穿越的VSG實驗平臺研制[J].電力自動化設備,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]. 太陽能學報， 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. 基于混合儲能互補的自適應光伏功率平抑策略[J]. 電力建設, 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)的時序概率模型研究[J]. 電力建設, 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. 太陽能光伏發(fā)電的中長期隨機特性分析[J]. 電力系統(tǒng)自動化, 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, 馬會萌,等. 多時間尺度的光伏出力波動特性研究[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, 呂項羽,等. 基于非參數核密度估計法的光儲系統(tǒng)容量優(yōu)化配置[J]. 高電壓技術, 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, 徐國棟,等. 基于非參數核密度估計的擴展準蒙特卡洛隨機潮流方法[J]. 電力系統(tǒng)自動化, 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核密度估計模型[J]. 電力系統(tǒng)自動化，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, 馬會萌,等. 基于非參數核密度估計法的光伏出力隨機分布模型[J]. 中國電力, 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荷相關性的含光伏電站發(fā)電系統(tǒng)可靠性分析[J]. 科學技術與工程，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，李珂，程浩忠，等. 考慮相關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. 考慮光伏出力相關性的配電網概率潮流[J]. 電力系統(tǒng)自動化, 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, 程時杰,等. 考慮多風電場出力Copula相關關系的場景生成方法[J]. 中國電機工程學報, 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)時間特性的概率分布定量分析[J]. 電力系統(tǒng)自動化, 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. 應用改進馬爾科夫鏈的光伏出力時間序列模擬[J]. 電網技術, 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. 一種基于改進灰色BP神經網絡組合的光伏出力預測方法[J]. 電力系統(tǒng)保護與控制, 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. 基于多維時間序列局部支持向量回歸的微網光伏發(fā)電預測[J]. 電力系統(tǒng)自動化, 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)出力預測方法[J]. 電氣技術, 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光伏發(fā)電系統(tǒng)發(fā)電量預測研究[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. 基于自適應模糊時間序列法的光伏發(fā)電短期功率預測[J]. 南京工程學院學報(自然科學版), 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網絡光伏預測方法[J]. 電力自動化設備, 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. 氣象數據弱相關的光伏出力短期預測[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. 基于灰色神經網絡組合模型的光伏短期出力預測[J]. 電力系統(tǒng)自動化，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BP-SVM-ELM與粒子化SOM-LSF的微電網光伏發(fā)電組合預測方法[J]. 中國電機工程學報, 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)電功率短期預測方法[J]. 電力系統(tǒng)自動化，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測模型[J]. 電力系統(tǒng)自動化, 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)電功率的預測方法： CN103971169A[P]. 2014.

[46]朱想, 居蓉蓉, 程序,等. 組合數值天氣預報與地基云圖的光伏超短期功率預測模型[J]. 電力系統(tǒng)自動化, 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, 周云蔚, 賈鵬程,等. 基于高密度數值天氣預報的分布式光伏功率預測主站研究應用[J]. 電氣制造, 2015(2):30-34.

[48]熊威明, 朱桂萍, 張達,等. 可再生能源經濟決策支持工具IRPP的構建及分析案例[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)電輸出功率預測[J]. 電子設計工程, 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]李國棟, 李洪安, 葛磊蛟,等. 主動配電網的諧波源定位方法及諧波責任劃分[J]. 電力系統(tǒng)及其自動化學報, 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]錢振, 蔡世波, 顧宇慶,等. 光伏發(fā)電功率預測方法研究綜述[J]. 機電工程, 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

廣東綠色能源技術重點實驗室(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，主要研究方向為智能配電網系統(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、云計算和大數據；

李宏偉(1970)，男，碩士，實驗師，主要研究方向為電工電子新技術;.

遲福建(1978)，男，碩士，高級工程師，主要研究方向為電力系統(tǒng)規(guī)劃與運行。