摘要：关于目前对分布式光伏发电系统发电量的影响因子过高，无法预估，和对其他发电装置的运行状态调整方法还不成熟的问题。本文借鉴了国内光伏领域大数据分析运用的成功实践，根据光伏发电情况和客户的负荷需求信息，给出了一个基于RBF神经网络的光伏发电量预估与负荷预估模型，首先采用归一性数据处理技术对信息进行预处理分析，再采用量化数据处理技术和相似性分析技术对影响因子进行处理分析，因此可以比较准确的预估未来若干时期的光伏用电量；再通过对青岛市内某光伏电站的实测资料进行机器学习与预测，达到了较好结果，进而证明了该模式的有效性。此外利用对负载状态的检测和对发电量的预报信息，以经济运行最优化的宗旨提出了经济运行的综合对策，从而实现了光伏发电的高效利用，使发电侧与负载间能量均衡，降低了网损和线损，从而提高了分布式光伏的供电安全性和经济效益。

关键词：分布式光伏发电量；预测分析；运行优化策略

引言：

近几年来我国的分布式光伏发电规模在不断增加，而光伏发电技术也已经建立起了一定的新兴技术产业结构。光伏发电量的预报及其管理的对策已经是当前关注的热点话题，因为光伏发电量与气候影响有关，天气因素的多变性也使得光伏发电量的预测更为困难。给出了一个基于支持向量机的光伏发电量预报模式，采用了光伏发电量历史数据以及与天气相关的样本资料，其中需要采用多项式拟合高数的方式加以计算，在这期间，还需要把光伏发电量的历史数据以及与天气样本的基础资料映射起来，并能够反映到多维中，然后反解才能够得出对初始资料的正确拟合和结论，但是这个方法所面临的最大困难就在于对初始资料的准确性需求已经过大了，而且在实际状态下获得的资料准确性也很低下。因此引入了人工神经网络，对太阳光每小时的平均辐射强度做出了预报，同时也顾及了太阳光以外的部分气象影响，包括了气温，风力和气压等，但是影响参数的选择通常都较为繁琐。根据上述情况，采用相似日理论给出了一个基于径向基（RBF）神经网络的光伏发电量及负荷预测算法，最后以最优经济性为优化目标，通过基于径向基（RBF）神经网络的光伏发电量及负荷预测算法，得出了结果用户最优策略，并且验证此种算法是否具有合理性、实用性。

一、发电量预测类型

（一）短期发电量预测

超短期发电量预报：是对未来一小时内的发电量预报，并进行预防性管理和应急处置，风与光的短期预报指标不一致[1]。

（二）中长期发电量预测

中、长期发电量预计为：月至日，包括在3～5年内或者更长时期内的总发电量预计，主要作为区域电力公司计划指导，也作为电量交换计划，以及场站的未来改造、设备维修、供电改造、设备购置等的技术支持，以和指导[2]。

（三）电能需求变化

能源变革下，用能需求也已发生了变化——以可再生能源的电力需求增长为最迅速目前，随着全球资源消费结构趋于优化型和洁净资源的大量生产和使用。天然气、煤炭所占份额正缓慢减少，但天然气的比重正在增加；另外，风力、核能、水电、生物质以及其他类型的新能源也得到了研究与应用，共同构成了中国目前的以化石能源为主与可再生能源、新能源共存的资源结构局面。可再生能源的大力发展，也真正为人们生存环境所需要，但近几年以太阳能和风力的发电应用尤为突出。按照国家的《可再生能源长期发展规划》，到2020年，我国可再生能源中一次性能源供应的比例将重要，由目前的7%增加到了16%[3]。

二、基于 RBF 神经网络的光伏发电量预测

文章采用了多种技术进行模拟训练，并通过模拟训练数据的真实性、可信度，证明了多目标优化的优越性，方法的基本原理是首先通过关联系数或相对距离，寻找与被预报日的气候因子更接近似的历史日，将差异量化，然后再采用多目标优选的技术考察与历史日相似程度的一变化，然后再选择与日辐射强度接近且与历史日气候因子更接近的数据，从而成为样本集。最后，必要的输入输出数据还需要通过基于RBF神经网络机器学习的数据收集，以便实现更加精准的光伏发电量预测[4]。

（一）相似日及天气影响因素的选取

在对光伏发电量做出短期预测时，可以相信太阳能对光伏电池片的转化效率是不变的[5]。在太阳热量传输效率一定的情况下，最主要的影响因素就是环境温度，其次是太阳光对放射性温度的影响，而这二点因素才是影响太阳能光伏板的输出功率值的最主要因素。此外，太阳光照时间的延长也对输出功率有影响，因为通常在夏季的太阳光照时间相对较长，所以太阳能光伏电池片的输出功率值也相对较高，在相同道理下，在冬季时的输出功率值也将显著减少[6]。

（二）光伏发电量预测

RBF神经网络是一种可以进行多角度近似的算法，它可以近似任何函数，而且，它还可以通过调节神经网络中间环节和参数，将比较复杂的规律问题变得简单，目前，它在数据处理、模式识别、数学建模等多个领域得到了广泛的应用。但是 RBF网络通常有三个层次的结构，即输入层，隐含层，输出层。由多个具有不同特性的网络部件组成的输入层，将神经网络与外部世界相连接；在该方法的基础上，通过一种新的非线性转换方法，得到了该方法的一个重要特征，并通过该方法得到了该方法的结果。

三、分布式光伏电站的发电效率影响因素研究

（一）可靠性影响因素

在讨论到屋顶分布式光伏电站对发电效益的影响因素时，要特别关注的是电站内的实际运行效率，在一般情况下，发电站内实际的运行效率可以用以下的方式来计算： N=N0/N*100%。在这个方法中， N通常就是指在实际计算时间内的光伏电站的实际运行效率。N0点，主要是指电厂逆变电源在此次研制过程中的实际工作周期；至于 N，指的是整个研发过程中，需要投入生产的逆变器的总数量。在充分了解上述基本条件的情况下，作者在对屋面分布式光伏电站的正常发电效率和影响因素进行研究的时候，对一个发电站在整个研究周期中的整体正常停运工作时间进行了统计，应当指出，如果一个对发电站的正常发电工作有很大的影响，那么，不管这个影响因素的持续时间有多长，它都会把那天的正常发电工作数据作为一个不准确的数据来记录，而当一个不准确的数据突然间出现的时候，势必会对那天的正常发电工作造成一定的影响，从而对研究周期中最终的正确结果的计算产生一定的影响，这样做的目的是减少计算的误差。

（二）电量影响因素

在所进行的关于屋顶型分布式光伏电站发电效益评价因子的研究中，其次要计算的是电站内部的电能，在一般情况下，会根据以下公式进行估算发电站内现有的结算电能：E结算电能=（k W/h）在这个公式中，E结算电能主要是指在本次研究阶段中，某光伏电站的每个电力客户所消耗的光伏电站内最终的电能；而Ei主要是指在本研究阶段内发电的实际发电量；Ej主要是指在此次研发阶段中所有光伏电站的实际利用总容量；Ek主要是指在此次研发阶段中所有光伏电站的实际综合上网容量值；而最后公式中的n主要是指研发阶段中所有光伏发电机组的实际利用总容量值。

（三）发电效能影响因素

在对屋面和分布式太阳能电池板的发电量的影响因子进行分析的时候，最终要把握的是电厂内当量发电量的影响因子。通常情况下，根据以下公式，对发电厂现存的实际等效发电小时数目进行了推算，进而可以得到某个分布式光伏电厂的实际等效发电小时的精确数字：实际等效发电小时数值=发电量/电厂标称的平均容量数值等于1298小时。而另一方面，在这一发电效率的影响因子中，整体的分布式发电厂的实际运转效能也会对整体发电厂的真实发电效能的提高产生一定的作用，在进行本课题的过程中，利用以上三种仿真软件对一座发电厂的发电效能进行了提高。

四、基于 RBF 神经网络的负荷预测

光伏发电量预报与负荷预报均是运营优化和资源调度控制中的重要组成部分，因此正确获取光伏发电量与负荷信息是运营改善的先决关键。因为负荷在一个二十四小时的变化中具有一定的周期性，除考虑这个周期性变化之外，负荷的增减还与天气的变动有关，而温度变化对负荷的影响尤为突出，因而在本文中只考察了温度的变化。并根据第一章提到的对RBF神经网络的计算，对负荷预测的干扰因子加以了计算，从而作为神经网络的基础输入。因为温度的变动与气候种类有很大关系，故按上节所阐述的方式对气候种类作出定量分析。然而，神经网络模式的输入必须考虑到气候各个阶段负荷之间产生的内在联系，同时在对天气类型进行处理的同时，还要考虑到天气的周期性，于是在把预报当天气候与前一天天气情况经过相似的处理之后进行了神经网络的输入，就这样比较准确的描述了气候变量对负荷产生的作用。

五、运行优化调度策略

通过RBF神经网络可以预测出的光伏发电量和负载能力。调度的主要目的是在满足负载的需要同时，尽量合理地利用使用新能源时所产生的能量，从而需要对电网实施智能管理和优化调度，电网的优化调整在重要意义上也具有决策意义，并能直接紧密联系到电网的是否平稳运转；然而双向流动同时又是最主要的能源传输形式，例如发电设备与整个系统之间，亦或是设备与储能系统之间，这两类能源的双向传递形式也可能在分布式发电系统并网工作中同时出现。所以，必须通过相应的能源管理策略调整了分布式发电系统的能源流动，这样保证了整个系统的稳定性与经济效益。

是要达到整个供电系统最佳经济性的要求，即使得在预计时间内发电的总成本最少，但同时也必须满足整个供电系统的最高负载要求，并考虑各个分布式光伏发电系统的最小输出功率情况与最高输出功率情况，以兼顾到各个分布式光伏发电系统的最高发电量，从而按照预计阶段中所在时间内的最高负载状态，优化的安排发电设备，而必须考虑的约束条件通常是：能量均衡限制、旋转备用限制、最高发电量限制等。根据约束条件进行的运动设计，能够使经济效能达到最佳，使发电侧与负载一侧达到动力均衡，进而有效减少浪费。

结束语：

本文根据光伏发电量无法预估，导致不必要发电损失的现象，研究了不同气候影响和光伏发电量与用户负担的关联，提供了一个基于RBF神经网络的光伏发电量预估与负荷估计模式。通过光伏发电量与系统的负荷参数归一化分析的方法，对不同气象因子的定量分析和相似性分析的方法，验证了基于RBF神经网络的光伏发电量预测方法是可信的。最后以经济效能最优作为设计对象，同时考虑了效率均衡的约束条件，达到了发电侧与负载侧的效率均衡，有效的减少了系统网损与线损，大幅增强了系统的安全性。

参考文献：

[1] CHARLIE DOU，左冲，贾彦，等. 中国农村民居屋顶分布式光伏发电的发展潜力分析[J]. 太阳能，2023（1）：5-16.

[2] 成珂，张璐，杨力人，等. 灰色关联与麻雀优化算法预测光伏发电量研究[J]. 电源技术，2022，46（7）：797-801.

[3] 杨昊，杨晓华. 面向低碳的分布式光伏发电量自动预测研究[J]. 自动化应用，2022（3）：97-100.

[4] 方鹏，高亚栋，潘国兵，等. 基于LSTM神经网络的中长期光伏电站发电量预测方法研究[J]. 可再生能源，2022，40（1）：48-54.

[5] 尹国龙. 基于分布式光伏发电量预测分析的运行优化策略研究[J]. 电测与仪表，2021，58（10）：118-124.

[6] 邵尹池，袁绍军，孙荣富，等. 基于空间相关性的分布式光伏实用化功率预测及误差分析[J]. 中国电力，2021，54（7）：185-191，207.