Microsoft Word 侯松宝等-T

Size: px

Start display at page:

Download "Microsoft Word 侯松宝等-T"

樽多
5 years ago
Views:

1 第 5 卷第 5 期新能源进展 Vol. 5 No 年 10 月 ADVANCES IN NEW AND RENEWABLE ENERGY Oct 文章编号 : X(2017) * 考虑冬季气象因素的光伏发电系统输出功率的回归分析侯松宝 1, 王侃宏 1, 石凯波 1, 孔力 1, 张奥林 (1. 河北工程大学, 河北邯郸 ;2. 南开大学, 天津 ) 摘要 : 利用河北某大学光伏发电实验室记录的光伏输出功率数据和在线监测气象资料, 构建光伏发电系统输出功率的预测模型通过模型回归分析的统计学方法, 定量分析了空气质量和光伏发电功率之间的直接关联强度同时, 考虑了每日的平均太阳辐射强度平均气温平均风速最高气温最低气温等因素对发电功率的直接影响和间接交叉作用结果表明, 太阳辐射量对光伏系统发电功率的影响最为显著, 其他因素均有不同程度的影响, 其中空气质量对该地区光伏系统发电功率的影响不容忽视利用该回归模型, 可以根据公开气象资料对小型光伏电站的发电量进行简单预测关键词 : 模型回归 ; 气象因素 ; 光伏 ; 输出功率 ; 空气质量指数中图分类号 :TK514 文献标志码 :A doi: /j.issn x Regression Analysis of Meteorological Factors in Winter for Output Power of Photovoltaic Power Generation System HOU Song-bao 1, WANG Kan-hong 1, SHI Kai-bo 1, KONG Li 1, ZHANG Ao-lin 2 (1. Hebei University of Engineering, Handan , China; 2. Nankai University, Tianjin 30071, China) Abstract: A prediction model for the output power of photovoltaic power generation system was built by using photovoltaic power output data and on-line monitoring of meteorological data from a photovoltaic power generation laboratory of a university in Hebei province. The direct correlation intensity between air quality and photovoltaic power was quantitatively analyzed by means of regression analysis. The direct influence and indirect interaction of daily average solar radiation intensity, average temperature, average wind speed, maximum air temperature and minimum air temperature were also considered. The results showed that the influence of solar radiation on the power generation of photovoltaic system was the most significant, while other factors have different effects. The influence of air quality on the photovoltaic system power generation should not be ignored. By using the regression model, the generation capacity of a small photovoltaic power station can be simply predicted based on the public meteorological data. Key words: model regression; meteorological factors; photovoltaic; output power; air quality index 0 引言太阳能光伏发电具有安全可靠无噪声无污染制约少故障率低维护简便等优点, 一直受到国内外学者们的青睐近年来, 由于常规能源资源的有限性和环境压力的增加, 许多国家重新加强了对新能源和可再生能源技术发展的支持, 国际光伏发电迅猛发展但也存在着缺乏科学运维管理, 忽视对光伏系统发电量的有效监测和预测等弊端为保证电力系统的供需平衡和安全稳定运行及最大限度地消纳这些绿色能源, 光伏电站须具备发电功率预测能力, 以便定向电网调度部门上报其未来发电功率预测曲线 [1] 对于已定的某个光伏发电厂, 光伏组件的规格型号及安装方法等已无法改变发电主要取决于天气状况, 即气象因素的影响光伏发电的气象影响因素的类型和数量差异很大, 功能不一, 这无疑给光伏电站的发电功率预测带来了很大的困难 [2-3] 气象因子随机变化, 具有明显的不连续性和不确定性因此, 对光伏输出功率与气象因素方面的研究相对 * 收稿日期 : 修订日期 : 基金项目 : 河北省科技计划项目 ( D) 通信作者 : 王侃宏, kanhongwang@263.net

404 新能源进展第 5 卷困难, 目前国内学者对其研究较少 [4] 金鑫等对气象因素进行了研究, 但研究的种类较少且没有考虑到它们之间的耦合作用, 对天气 [5] 类型的划分也不够细致杜翠等进行的光伏短期预测只针对气象数据弱相关时, 但在大部分地区, 冬季对光伏出力的影响是显著的, 研究气象数据强 [6] 相关时研究光伏系统的预测是必要的刘大为等 [7] 和沈金荣等采用同样的研究方法

2 404 新能源进展第 5 卷困难, 目前国内学者对其研究较少 [4] 金鑫等对气象因素进行了研究, 但研究的种类较少且没有考虑到它们之间的耦合作用, 对天气 [5] 类型的划分也不够细致杜翠等进行的光伏短期预测只针对气象数据弱相关时, 但在大部分地区, 冬季对光伏出力的影响是显著的, 研究气象数据强 [6] 相关时研究光伏系统的预测是必要的刘大为等 [7] 和沈金荣等采用同样的研究方法在同样的季节同样是空气污染严重的地区, 关于空气污染因素对光伏功率影响两者得到的结论截然相反, 原因可能是测试时间较短, 天气类型及南北方城市上空的空气污染物种类不同导致研究结果不同因此, 在已有研究成果基础上, 继续完善改进和探索新的方法, 并建立合适的光伏系统气象预报模型是亟待解决的问题本文通过建立模型, 采用多因子综合回归分析方法开展光伏发电功率与气象影响因子关联关系的研究, 进而利用气象信息的动态变化来预测光伏系统的发电功率, 提高气象要素预报的准确率 1 气象因素的选取与数据记录影响光伏发电功率的环境因素主要包括 : 太阳辐射量组件温度环境温度风速相对湿度云量气压天气类型等本文将选取每日的平均太阳辐射强度平均气温平均风速最高气温最低气温天气类型等传统易获取的气象因素作为研究对象 [8] 由于空气污染物的增多, 近年来我国各地区出现了不同程度的雾霾天气空气污染物中, 悬浮颗粒物和二氧化氮对于大气消光作用影响最为显著 [9] 我国雾霾天出现的主要原因是居高不下的气溶胶污染因此, 学者将空气污染物作为光伏输出功率的影响因素进行研究是必要的在本文的实验中, 选取在气象监测平台获得的用于定量描述空气质量状况的空气质量指数 (AQI) 也作为研究光伏发电量的气象影响因素之一在 2016 年 10 月 1 日年 3 月 31 日期间, 利用河北某高校光伏发电实验室已有的光伏发电系统 ( 图 1 ) 及数据自动存储功能的设备, 记录每天 6:00 18:00 光伏输出电压和电流, 经过计算处理可得到光伏输出功率数据, 采集步长为 1 min 同时在该校环境在线监测平台及采样系统, 实时记录气象数据, 包括平均太阳辐射强度 AQI 平均风速平均气温最高气温最低气温和天气类型等气象资料, 采集步长为 10 min 对于特定的光伏电站, 其安装角度已经固定, 大多组件都处于倾斜状态故在进行太阳能辐照强度测量时将仪器的角度和高度与组件斜面的角度和高度调节一致在剔除疑误数据和故障数据后进行整理汇总, 得到光伏发电系统的输出功率和气象因素的数据图 1 河北某高校光伏发电系统 Fig. 1 Photovoltaic power generation system of a university in Hebei province 2 气象因素对光伏发电系统输出功率的回归分析根据该地区的国控气象监测点的资料,2017 年 2 月 26 日, 天气晴, 气温 1 ~ 16, 平均太阳辐照强度为 kj/m 2 ;2 月 28 日, 天气为多云, 气温 2 ~ 16, 平均太阳辐照强度为 kj/m 2 ; 由此可以推断天气类型对太阳辐照量影响显著但在炎热的夏天, 也存在着天气晴朗时下雨的情况, 两者的相关性及对光伏出力的影响未确定故光伏功率预测在进行自变量选取时, 将这两个因素作为单独的两个变量, 和将两者耦合作为模型的一个变量是必要的由于大气的消光作用, 空气污染会影响光线在大气中的散射反射, 进而影响太阳辐射强度如同为气温 5 ~ 18,2016 年 11 月 11 日, 天气晴, 空气污染指数为 130,11 月 13 日, 天气阴, 空气污染指数却达到 243 由此可以推断, 天气类 [10] 型与空气质量有一定的关联度王旭峰等指出, 风速的增大会加快光伏组件表面传热, 加大光伏板的散热量进而影响输出功率 ; 而光伏组件温度每升高 1, 则输出功率会减少大约 0.35% 冬季大部分温差大的地区, 风速较大, 两者对光伏系统输出功率的综合作用目前还无法确定因此在分析气象因

3 第 5 期侯松宝等 : 考虑冬季气象因素的光伏发电系统输出功率的回归分析 405 素对光伏输出功率的影响时, 考虑双因子交叉效应天气类型与空气质量指数 AQI 天气类型与太阳辐射量平均气温与平均风速的综合作用对光伏系统的影响是必要的其他因素目前并未发现在理论上有一定的联系, 故暂不探究下面采用模型回归分析针对 6 个气象因素及天气类型对光伏发电系统输出功率进行分析在所建立的模型中研究的自变量如表 1 所示表 1 模型所选参数列表 Table 1 Model list of selected parameters 参数编号处理方式太阳辐射量 A 数值平均气温 B 数值平均风速 C 数值空气质量 D 数值最低气温 E 数值最高气温 F 数值天气类型指数 G 数值化天气类型与空气质量指数 AQI 耦合 D G 交叉效应天气类型与太阳辐射量耦合 A G 交叉效应平均气温与平均风速耦合 B C 交叉效应若将数据带入模型进行计算, 须将气象数据中为文字描述的天气情况进行数值化处理以光线透射度为划分标准, 将天气类型分为 6 种情况 [6-7], 如表 2 所示表 2 日类型数值化分类 Table 2 Numerical classification of weather types 天气描述数值天数晴 6 47 晴和多云之间 5 46 多云和阴之间 4 28 阴雾霾 3 17 阴雨之间 2 30 雨和雪之间 1 10 通过软件运算分析, 可以得到光伏发电系统输出功率预测模型中各个影响因子的系数, 标准误差及置信区域, 并比较各个自变量对目标函数的影响程度根据初次建模的拟合结果对目标函数影响的显著性过低的自变量进行挑选并筛除, 和初次构建的模型相比, 光伏输出功率预测模型的精度有所提高表 3 光伏预测模型参数的拟合值 Table 3 Fitting the parameters of PV prediction model 多项式因子系数 c 标准误差 σ t P > t 截距 b * 太阳辐射量 A * 平均气温 B * 平均风速 C * 空气质量指数 AQI D <0.0001* 最低气温 E 最高气温 F 天气类型指数 G * D G A G * B C 注 : 表 3 中所得结果为 2016 年 10 月 1 日至 2017 年 3 月 31 日获得的数据带入模型后所得 ; * 表示程序判定该因子为显著影响 [6] 根据表 3 的拟合结果可知光伏发电系统输出功率 W 可表示为 : W A B C D E F G D G A G B C (1)

4 406 新能源进展第 5 卷标准误差 σ t 比率和 P 值表示各个自变量的拟合误差, 表明各气象因子对光伏发电系统输出功率影响程度的显著性其中, 标准误差给出了对标准参数误差的估计, 标准误差与拟合值之比越小表示影响程度越高 t 比率是按其标准误差划分的参数估计, 其绝对值越大表示影响程度越高 P 值为当参数在模型中不产生影响而意外产生大于绝对 t 值的概率, 其值越小表示影响程度越高从表 3 的数据可以看出, 单因子中太阳辐射量 (A) 平均气温(B) 平均风速 (C) 和 AQI(D) 对光伏系统的输出功率影响显著, 双因子中太阳辐射量和空气质量指数的交叉效应 (A G) 显著单因子中最低气温 (E) 和最高气温 (F), 双因子中 AQI 和天气类型指数 (D G) 和平均气温和平均风速 (B C) 这四组对光伏输出功率具有较弱的相关性, 可以剔除为将具体的拟合结果直观表示, 作出各个影响因子的杠杆图, 如图 2 所示图中的数据点的横坐标表示模型的自变量即各个气象因素, 纵坐标为光伏发电系统输出功率, 图中直线的斜率为各个影响因素的相关系数上下两条虚线是概率为 95% 的置信曲线, 两条曲线之间的区域表示 95% 的置信区间水平曲线表示两个月内该光伏发电系统输出功率平均值根据统计学理论, 若样本均值水平线能够穿过置信区间, 说明该影响因子对目标函数的影响较为显著 [7] 由图 2a ~ 2d 及图 3 b 可以明显看到, 水平曲线穿过了置信区间在修正后的模型中, 这些影响较为显著的因子要保留若样本均值水平线未能够穿过置信区间, 说明该影响因子对目标函数的相关性较弱或无相关性, 可以不予考虑由最低气温 (E) 最高气温(F) 天气类型与空气质量的耦合作用 (D G) 平均气温与平均风速的耦合作用 (B C) 的图可以明显看到水平曲线未穿过置信区间, 在修正模型时可以忽略这些弱相关因素的影响考虑太阳辐射量平均气温平均风速 AQI 天气类型和天气类型太阳辐射量这 6 个影响因子的回归模型, 计算结果如表 4 所示图 2 单因素杠杆图 Fig. 2 Single factor leverage diagram

5 第 5 期侯松宝等 : 考虑冬季气象因素的光伏发电系统输出功率的回归分析 407 图 3 交叉因素杠杆图 ( 由于数据较多, 以冬季 2016 年 12 月和 2017 年 1 月的数据作的杠杆图为例 ) Fig. 3 Cross factor leverage graph 表 4 修正后光伏模型参数的拟合值 Table 4 The fitted values of the modified PV model parameters 多项式因子系数 c 标准误差 σ t P > t 截距 b 太阳辐射量 A 平均气温 B 平均风速 C 空气质量指数 AQI D < 天气类型指数 G A G 注 : 表 4 中所得修正后的拟合结果仍未为 2016 年 10 月 1 日至 2017 年 3 月 31 日获得的数据带入模型后所得修正后的模型中各个影响因子系数的拟合值发生改变, 同时 t 值均有所提高, 表示在剔除相关性较弱的因子后, 拟合结果的置信度变得更高模型修正后的光伏发电功率 W 可表示为 : W A B C D G A 3 模型验证 (2) 利用河北省某高校光伏发电实验室的光伏发电系统, 结合该地区 2017 年 4 月和 5 月在该校的气象检测平台获得的气象资料和模型修正后光伏系统输出功率 W 的计算公式 (3) 计算出光伏系统输出功率的预测值绘制出系统输出功率预测值和实际值的散点图如图 4 所示, 实验数据点主要分布在对角线两侧, 数值很接近根据公式 (4) 结合光伏系统的监测数据可计算出实际输出功率与预测输出功率的相对误差 E, 如表 5 所示 W = W预 (3) 实 W预 -W实 E= 100% W 实 (4) 由表 5 易知, 该光伏发电系统输出功率模型精度较高, 表明该模型能提供较为有效的预测信息, 对提高电网运行安全性经济性水平具有积极意义图 4 修正后光伏模型输出功率的预测值与实际值的关系 Fig. 4 Relationship between the predicted value of the output power of the PV model and the actual value

6 408 新能源进展第 5 卷表 5 输出功率实际值与预测值的相对误差 Table 5 Relative error of the actual value of the output power and the predicted value 相对误差 E 数值最大相对误差 E max 21.52% 最小相对误差 E min 1.34% 平均相对误差 E 5.98% 4 结论文章以光伏发电实验室内记录的光伏系统输出功率和同期在气象监测平台收集的气象数据为基础, 通过建立回归模型分析各气象因素对光伏输出功率的直接影响和间接交叉作用, 同时利用某地实测数据对构建的模型进行了测试与评估, 计算并检验了该发电功率预测模型的误差范围, 为系统调度决策提供可靠依据主要结论如下 : (1) 对光伏系统发电功率呈正相关的气象因素是太阳辐照量和平均气温 ; 对光伏系统发电功率呈负相关的气象因素是平均风速和天气类型 ; 太阳辐照量与光伏系统发电功率相关性最强 (2) 太阳辐射量和空气质量指数的交叉作用对光伏系统发电功率影响相对较大, 在光伏系统发电量的预测中, 充分考虑气象因素的单一和交叉影响, 可以进一步提升光伏系统发电量的预测精度 (3) 此外, 空气质量指数的相关度也较高, 表明空气洁净度对光伏发电功率的出力程度也较高参考文献 : [1] 艾欣, 韩晓男, 孙英云. 光伏发电并网及其相关技术发展现状与展望 [J]. 现代电力, 2013, 30(1): 1-7. DOI: /j.issn [2] 郭佳. 并网型光伏电站发电功率与其主气象影响因子相关性分析 [D]. 北京 : 华北电力大学, [3] 赵雅芸. 光伏发电效率与气象影响因子关联分析研究 [D]. 甘肃 : 兰州交通大学, [4] 金鑫, 袁越, 傅质馨, 等. 天气类型聚类的支持向量机在光伏系统输出功率预测中的应用 [J]. 现代电力, 2013, 30(4): DOI: /j.issn [5] 杜翠, 徐晓波, 刘宗歧, 等. 气象数据弱相关的光伏出力短期预测 [J]. 现代电力, 2015, 32(6): 1-6. DOI: /j.issn [6] 刘大为, 彭文博, 鲍亮亮, 等. 考虑空气污染因素的光伏发电量回归分析 [J]. 可再生能源, 2014, 32(12): DOI: /j.cnki /tk [7] 沈金荣, 惠杰, 倪莹, 等. 环境因素对光伏发电量综合回归分析 [J]. 可再生能源 2016, 34(7): DOI: /j.cnki /tk [8] 吕学梅, 朱虹, 王金东, 等. 气象因素对光伏发电量的影响分析 [J]. 可再生能源, 2014, 32(10): DOI: /j.cnki /tk [9] GUEYMARD C A. Direct solar transmittance and irradiance predictions with broadband models, Part I: detailed theoretical performance assessment[j]. Solar Energy, 2003, 74(5): DOI: /S X(03) [10] 王旭峰. 并网型光伏电站发电功率的建模与预测研究 [D]. 北京 : 华北电力大学, 作者简介 : 侯松宝 (1991-), 女, 硕士研究生, 主要从事光伏发电预测技术研究王侃宏 (1966-), 男, 博士, 教授, 主要从事光伏发电预测技术研究

Microsoft Word 李强.doc

Microsoft Word 李强.doc 土壤 (Soils), 2017, 49(3): 565 571 DOI: 10.13758/j.cnki.tr.2017.03.020 1 曲靖烤烟镁含量特征及其影响因素 1,2 2 2 2* 3 4 4 3 4 (1 410128 2 410128 3 655000 4 ( ) 650231) 3 506 4.10 g/kg (0.36 ~ 17.70 g/kg) 46.36%