一种光伏出力预测方法 技术领域
本发明涉及光伏发配电技术领域，特别涉及一种光伏出力预测方法，可进行时、日的短
时预测。
背景技术
大规模光伏发电系统的应用，有助于缓解传统能源枯竭而引起的能源危机，但是其输出
功率的不确定性会对电力系统经济、安全和可靠运行产生很大的负面影响，因此迫切需要对
光伏出力进行准确的预测，进而采取相应的技术措施抑制或补偿光伏发电功率波动。电力调
度部门能够根据光伏预测功率信息合理进行规划、及时调整调度计划、减少系统的备用容量，
降低电力系统运行成本，尽量减少光伏对电网的影响。
光伏出力与辐照量相关度最高，多数预测方法都会采用预报辐照量作为预测模型的输入
向量，但是当前国内太阳辐射站点较为稀少并且预报能力不高，因此这类预测方法的预测精
度不高。
发明内容
本发明提供了一种光伏出力预测方法，本发明提高了预测精度，该方法运用简单、方便、
有一定的物理意义，能够有效的对光伏出力进行预测，详见下文描述：
一种光伏出力预测方法，所述方法包括以下步骤：
（1）建立辐照量物理模型，计算光伏组件的出力值；
（2）计算衰减系数，构建不同天气类型的遗传神经网络预测模型；
（3）通过遗传神经网络预测模型预测衰减系数，得到预测值。
所述建立辐照量物理模型，计算光伏组件的出力值的步骤具体为：
辐照量物理模型：
Go=Goncosθ
其中，Gon为大气顶层的光照度；θ太阳光入射角；
光伏阵列出力值为：
Ps=ηSGo[1-0.005(T-25)]
其中，η为电池组件转换效率；S为光伏阵列面积；T为当前温度。
所述计算衰减系数，构建不同天气类型的遗传神经网络预测模型的步骤具体为：
step1：构建由天气和光伏出力组成的数据库，对数据库中的天气类型进行分类，删除由
于设备故障造成的不良记录；
step2：选择与预测时刻相同天气类型的数据库，将计算出的光伏阵列出力值与光伏出力
的同时刻历史数据进行比对，得出由于天气等因素的影响使得出力衰减的系数，并存入数据
库中；
step3：从数据库中选择输入样本和输出样本，将数据进行归一化处理；即把样本数据转
化为0-1之间的数据；
step4：确定遗传优化的神经网络拓扑结构；
step5：将输入层与隐含层连接权值、隐含层阈值、隐含层与输出层连接权值、输出层阈
值进行编码，利用遗传算法获取最优权值阈值；
Step6：通过最优权值阈值计算各层输出。
所述通过遗传神经网络预测模型预测衰减系数，得到预测值的步骤具体为：
step1：选取与预测时刻相同天气类型的遗传神经网络预测模型，预测衰减系数；
step2：将预测衰减系数与步骤1中物理模型计算的同时刻光伏出力值相乘，得到最终预
测值。
本发明提供的技术方案的有益效果是：本发明通过物理模型计算倾斜面上的光伏阵列出
力并与实际光伏出力值进行比对，得到由于天气等因素的影响使得出力衰减的系数，利用历
史的天气情况和出力衰减系数通过遗传神经网络构造一个衰减系数的预测模型，将预测出的
衰减系数与物理模型得到的出力值相乘获取最终的预测结果，本方法提高了预测精度，可进
行时、日的短时预测，满足了实际应用中的需要。
附图说明
图1为预测算法结构图；
图2为基于物理模型的光伏组件出力仿真流程图；
图3为遗传神经网络预测模型构建流程图；
图4为神经网络的体系结构；
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进
一步地详细描述。
我国气象预报的能力较辐照度预报的能力稍高，并且在倾斜面上的光伏阵列出力可以通
过物理模型计算得到，通过实际光伏出力与物理模型计算得到的出力值进行比对，就可以得
到由于天气等因素的影响使得出力衰减的系数，利用历史的天气情况和出力衰减系数就能构
造一个预测衰减系数的模型，将预测出的衰减系数与物理模型得到的出力值相乘就是最终的
预测结果，这种预测方法有很强的物理意义，可以预测时、日为尺度的光伏出力，具有一定
的实用性、推广性。此外，构造预测模型时采用的是遗传神经网络算法，遗传算法优化神经
网络是用遗传算法来优化神经网络的初始权值和阈值，减少了神经网络的训练次数，并尽量
避免神经网络陷入局部最优值，运行时间短。
参见图1，本发明具体实施过程由三个环节构成:1）利用物理模型计算光伏组件的出力
值；2）计算衰减系数，与天气情况构建不同天气类型的遗传神经网络预测模型。3）预测衰
减系数，得到预测值。
101：建立辐照量物理模型，计算光伏组件的出力值，如图2所示。
step1：计算光伏斜面上的辐照量；
计算太阳光入射角
cos θ = sin δ sin φ cos β - sin δ cos φ sin β cos γ + cos δ cos φ cos β cos ω + cos δ sin φ sin β cos γ cos ω + cos δ sin β sin γ sin ω ]]>
其中β为表面倾斜角，γ为表面方位角，φ为纬度，δ为赤纬，ω为小时角。根据其定义，
赤纬和小时角的计算公式如下：
δ = 23.45 sin ( 360 284 + n 365 ) ]]>
ω=(ts-12)·15deg/hr
其中n为一年中的天数，ts为日时，deg为度，hr为小时。ts的计算公式如下：
t s = t c + L loc 15 deg / hr - T c + E ]]>
其中tc为时步中点对应的民用时，Lloc为当地经度，Tc为当地GMT（Greenwich Mean Time，
格林尼治平时）以东时区，E为时间方程。E的计算公式如下：
E = 3.82 0.000075 + 0.001868 cos B - 0.032077 sin B - 0.014615 cos 2 B - 0.04089 sin 2 B ]]>
时间方程考虑倾斜度（地球转轴和黄道面的倾角）和地球轨道偏心度的影响，其中B为：
B = 360 ( n - 1 ) 365 ]]>
计算大气顶层的光照度的公式如下：
G on = G sc ( 1 + 0.033 cos 360 n 365 ) ]]>
其中Gsc为光照常量，在本文中定为1367W/m2。
考虑大气表面的光照入射角，辐照量计算公式如下：
Go=Goncosθ
利用上述公式，建立辐照量物理模型，输入地理位置信息（经纬度、时区、民用时，一
年中的天数等参数）。并仿真各时刻在倾斜面上的辐照量。
step2：计算光伏阵列出力值；
光伏阵列出力值为：
Ps=ηSGo[1-0.005(T-25)]
其中，η为电池组件转换效率；S为光伏阵列面积，单位是m2；Go为光伏组件倾斜面上
的太阳辐照量，单位是W/m2；T为当前温度，单位是摄氏度；
设置光伏板的倾斜角、方位角，光伏组件转换效率、温度、光伏阵列面积等参数，利用
上述公式得到由辐照量物理模型计算出的光伏阵列出力值。
102：计算衰减系数，构建不同天气类型的遗传神经网络预测模型，其步骤如图3所示。
step1：构建由天气和光伏出力组成的数据库，对数据库中的天气类型进行分类，删除由
于设备故障造成零值数据的记录；
具体实现时，每隔半小时更新数据库，即存入最新的天气和光伏出力。对数据库中的天
气类型分成分类，即晴、多云、阴、雨雪，数据库中每条记录内容包括气温、露点、湿度、
海平面气压、风向、能见度、风速、实测历史光伏阵列出力值、计算出的光伏阵列出力值。
将设备故障造成的零值数据剔除，对数据库进行更新。
step2：选择与预测时刻相同天气类型的数据库，将计算出的光伏阵列出力值与光伏出力
的同时刻历史数据进行比对，得出由于天气等因素的影响使得出力衰减的系数，并存入数据
库中；
step3：从数据库中选择输入样本和输出样本，将数据进行归一化处理；即把样本数据转
化为0-1之间的数据；
step4：确定遗传优化的神经网络拓扑结构。神经网络结构如图4所示。根据系统输入输
出序列（X,Y）确定网络各层节点数，初始化输入层i和隐含层j之间、隐含层j和输出层k
之间的连接权值ωij，ωjk，初始化隐含层j阈值a和输出层k阈值b；
step5：将输入层与隐含层连接权值ωij、隐含层阈值a、隐含层与输出层连接权值ωjk、
输出层阈值b进行编码，编码方法采用十进制编码方式，避免编码长度过长。将BP神经网
络训练得到的误差和作为适应度值，经过选择、交叉、变异，得到最优适应度值，获取最优
权值阈值。遗传算法优化过程可参见文献[1]。
其中交叉和变异概率这里分别为0.4和0.1。根据不同的样本也可选取不同的值，根据预
测实际情况而定。种群规模一般为20-100，这里选择30。
Step6：通过最优权值阈值计算各层输出；
隐含层输出Hj计算
H j = f ( Σ i = 1 p ω ij x i - a ) j = 1,2 , . . . , l ]]>
P为输入层节点的个数；xi为输入节点；l为隐含层节点的个数。
输出层输出Ok计算
O k = f ( Σ j = 1 l H j ω jk - b ) k = 1,2 , . . . m ]]>
m为输出层节点的个数。
其中隐含层、输出层的激励函数均为即对于隐含层来说：x为
对于输出层来说：
103：预测衰减系数，得到预测值。
step1：选取与预测时刻相同天气类型的遗传神经网络预测模型，预测衰减系数；
step2：将预测衰减系数与步骤1中物理模型计算的同时刻光伏出力值相乘，得到最终预
测值。
下面以具体的实例来验证本方法的可行性，详见下文描述：
采用天津市某光伏太阳能并网发电项目提供的数据进行测试，光伏系统总装容量为
450kW，安装面积3200平方米，采用20个22.5KW的多晶电池组件组成阵列，整个方阵由4
个子单元构成，每个子单元由500块太阳电池构成。光伏发电功率有效发电时段6:00-18:00
之间，数据样本从2010年4月1日到2010年6月17日共78天1872条记录，删除由于设备
故障造成的数据记录，剩余样本数据共1126条记录，可用于训练和测试。具体过程如下：
1)将经纬度、时区、民用时，一年中的天数、光伏板的倾斜角、方位角，光伏组件转换
效率、温度、光伏阵列面积等参数带到物理模型中得到光伏出力的计算值，与实际预测值进
行比对，确定衰减系数；
2)选取与预测时刻相同天气类型数据记录，利用遗传优化的神经网络算法建立预测模型；
3)将预测时刻的各天气参数带入所构建的模型中获取预测的衰减系数，与物理模型计算
的同时刻光伏出力值相乘，得到预测值。
采用平均百分比误差、均方根误差对预测结果进行评价，平均百分比误差可以反映误差
的总体水平，均方根误差可以反映误差的离散程度。具体公式如下：
平均百分比误差：
e MAPE = 1 N Σ i = 1 N | y ( i ) - y ^ ( i ) y ( i ) | ]]>
均方根误差：
e RMSE = 1 N Σ i = 1 N ( y ( i ) - y ^ ( i ) ) 2 ]]>
式中，为预测功率值；y(i)为实测功率值；N为预测数据的个数。
表14种天气类型预测误差
从表1可以看出，晴天情况预测结果最好，均方根误差为917.52kW，平均百分比误差为
5.19%，雨天情况预测结果最不好，均方根误差为2276.54kW，平均百分比误差为21.42%，
但结果仍在可接受范围之内。本发明方法的预测结果准确度较高，可为电网调度部分提供参
考。
本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅
仅为了描述，不代表实施例的优劣。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之
内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
[1]Montana D J，Davis L，Training feed Forward neural network using genetic
algorithm[C]//Proc.Of the 11th International Joint Conference on Artificial Intelligence，
1989：762–767.