张剑峰
摘㊀要：光伏发电具有间歇性㊁随机性和波动性ꎬ由此给电网的安全运行带来了一系列问题ꎬ随着光伏发电站电网电源结构比重的增加ꎬ光伏功率预测系统变得尤为重要ꎬ光伏功率预测越准ꎬ光伏并网给电网的安全运行带来的影响就越小ꎬ且能够有效地帮助电网调度部门做好调度计划ꎬ电站运维人员更好的安排检修计划ꎬ从而最大限度地发挥光伏电站的发电效率ꎮ
关键词：光功率ꎻ预测算法ꎻ预测模型ꎻ气象预报一㊁光伏功率预测系统设计
本预测系统是以高精度数值气象预报为基础ꎬ搭建完备的数据库系统ꎬ利用各种通信接口采集光伏电站集控和ＥＭＳ数据ꎬ采用人工智能神经网络㊁粒子优化㊁光电信号数值净化㊁高性能时空模式分类器及数据挖掘算法对各个光伏电站进行建模ꎬ提供人性化的人机交互界面ꎬ对光伏电站进行功率预测ꎬ为光伏电站管理工作提供辅助手段ꎮ (一)数值气象预报
如图１所示ꎬ光伏预测系统以全球中尺度模式数值气象预报数据为基础ꎬ结合太阳能并网电场微观选址及针对不同地域特点的参数化方案ꎬ经过大规模并行分布式计算机集的模式计算优化后得到高精度的中小尺度数值天气预报ꎬ作为太阳能预报的基础
ꎮ
图１㊀光伏功率预测系统模块示意图
(二)建模数据
如图２所示ꎬ光伏功率预测系统需要处理海量光伏数据ꎬ包括太阳能并网电场ＳＣＡＤＡ数据㊁ＥＭＳ数据㊁ＮＷＰ数据等ꎮ然而由于太阳能并网电场运营㊁入网㊁维护等原因并不是所有数据都是有效数据ꎮ为了建立精确的光伏电站模型ꎬ系统通过智能数据过滤算法ꎬ剔出垃圾数据ꎬ保留有效数据ꎬ为光伏电场建模的数据净化打下了深厚的基础
ꎮ
图２㊀数据净化图
(三)光电数据模式识别
不同的太阳能并网电场具有完全不同的属性ꎬ例如装机规模㊁所处地理位置㊁电池板型号㊁气候条件㊁电网接纳条件等ꎮ因而开发不同的太阳能并网电场模型ꎬ使得系统能自适应的进行调整是光伏功率预测系统的一大优势ꎮ系统具备了全自动的人工智能算法可以适应各种不同种类的太阳能并网电场ꎮ
(四)通用光电信息数据交换平台
系统兼容不同电池厂商的ＳＣＡＤＡ数据交换协议ꎬ能够实时采集太阳能并网电场光电数据ꎬ同时具备数值气象预报数据接收能力ꎬ实现了太阳能资源数据和太阳能并网电场电力数据的融合ꎮ
二㊁系统构成(一)硬件终端设施
图３为光伏预测系统的网络拓扑图ꎬ硬件部分主要包括了功率预测服务器㊁气象数据处理服务器㊁安全隔离器㊁交换机㊁防火墙和ＰＣ工作站等
ꎮ
图３㊀光伏功率预测系统网络拓扑图
功率预测主机(ＰＣ服务器)：作为系统的核心设备将实现数据存储及管理ꎬ预测模型建立㊁分析及计算等主要功能ꎮ
ＮＷＰ处理服务器(ＰＣ服务器)：负责从数值天气预报服
务商的服务器下载数值天气预报数据ꎬ经过处理后形成各光伏电站预测时段的数值天气预报数据送至数据库服务器ꎮ
台防火墙：用于实现光伏电站安全区ＩＩ自动化系统与安全区Ｉ自动化系统数据通信的安全防护ꎬ以确保安全区Ｉ自
６８１
水电工程Һ㊀
动化系统的安全运行ꎮ
安全隔离装置：用于实现部署在安全区ＩＩ的光伏电站功率预测系统与Ｉｎｔｅｒｎｅｔ单向数据传输的安全隔离ꎮＰＣ工作站：用于系统的维护管理ꎬ运维人员监控系统运
行状态ꎬ查询预测结果和统计报表等ꎮ
(二)软件系统架构
预测系统功能架构分为三层：基于ＳＣＡＤＡ平台的实时数据采集功能ꎬ数据处理及计算㊁统计功能ꎬ上层为用户交互界面
ꎮ
图４㊀光伏功率预测系统功能模块
三㊁关键技术
光伏功率预测系统包含三方面的关键技术：基础数据处理㊁数值气象预报㊁预测模型优化ꎮ
(一)数据深挖掘技术
如图５所示ꎬ在光伏电站的海量数据里ꎬ利用数据挖掘技术ꎬ完成相关性分析㊁误差分析㊁特征分析等ꎬ为高精度建模打下坚实的基础
ꎮ
保安对讲机
图５㊀数据优化
(二)全球中尺度模式气象预报
压花设备采用高精度的气象源ꎬ以国际先进的中尺度数值天气预报技术为基础ꎬ通过大量敏感性试验将数值预报模型本地化后ꎬ将更加适用于光伏电场的实际需求ꎮ模型在考虑大尺度天气背景信息的同时ꎬ又充分考虑到光伏电场地形地势㊁表面粗糙度㊁气候特征等影响光伏电场变化的因素ꎬ使得预测结果更加稳定可靠
ꎮ
图６㊀气象预报
(三)ＭＯＳ统计订正系统耳包
采用统计回归技术ꎬ通过分析历史数值天气预报的结果ꎬ建立预测辐照度和实测辐照度之间的误差的统计特性模型ꎬ可以进一步减小预报偏差ꎬ使预测结果更加准确ꎮ
(四)多观测网的气象数据
雨棚制作
将多种来源于不同的观测网的气象信息作为数值天气预报模式输入的背景场ꎬ使得各个观测网的优势能够得到互补ꎬ模式预测的结果将会更加可靠ꎮ
(五)专业化地理方案设计通过理论分析和大量试验ꎬ选取适应于各区域的边界层方案和近地层方案ꎬ因地制宜ꎬ使得预报结果更加准确ꎮ
(六)专业化区域方案设计
采用人工神经网络模型ꎬ在其基础上ꎬ加入一些复杂模型ꎬ比如卡尔曼滤波算法㊁小波分析㊁遗传算法㊁蚁算法㊁概率统计模型等ꎮ建立一个复杂的精细化多模块自动寻优模型ꎮ
(七)光伏功率预测算法
光伏电站实际运行的功率预测系统ꎬ其功率预测过程为：定时读取电站历史采集数据ꎬ采用神经网络㊁支持向量机等多种建模原理ꎬ结合现场地形特点㊁气候特点㊁设备运行状态等因素ꎬ建立多种预测模型ꎻ再根据最新数值天气预报数据ꎬ预测出多种功率结果ꎻ最后将多种模型的预测结果进行选优ꎬ获得多模型混合的最优预测结果
ꎮ
图７㊀预测模型
四㊁结束语
该光功率预测系统以全球中尺度模式气象预报数据为基础ꎬ结合太阳能并网电场微观选址及针对不同地域特点的参数化方案ꎬ经过大规模并行分布式计算机集的模式计算优化后得到高精度的中小尺度数值天气预报ꎬ作为太阳能预报的基础ꎮ能够提供未来１６８小时的辐照度㊁云量等高精度信息ꎬ时间分辨率１５分钟ꎬ空间分辨率达到３ˑ３公里ꎮ为准确预报未来太阳能的产量和负荷曲线打下坚实的基础ꎮ作者简介:
环氧大豆油生产工艺毛竹片张剑峰ꎬ中国电建集团中南勘测设计研究院有限公司ꎮ
７８１
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议