摘 要：提高短期光伏发电预测水平是太阳能光伏发电站并入现有电网系统和太阳能光伏开发利用的关键问 题，对提高太阳能光伏发电开发利用、保证并网安全也具有重要意义。本文对国内外短期太阳能光伏发电预测方法进行了分类归纳总结，对各类方法的发展趋势、优缺点等进行了分析。结果表明，统计智能类预测方法是国内外小型光伏电站短期光伏发电量预测技术发展的重点，总体平均预测误差在3.0%~11.0%之间。简单物理模型类预测方法是目前国内外大中型并网光伏电站业务运行采用最多的短期光伏发电量预测方法，总体平均预测误差在5.0%~20.0%之间。复杂物理模型类预测方法是未来大型光伏电站短期发电量预测技术研究和发展应用的主要方向。文章结论对我国短期太阳能光伏发电预测技术的发展具有促进作用。

关键词：太阳能光伏发电；短期功率预测；直接预测法；间接预测法；预测模型

1引言

太阳能已被公认为是未来最具竞争力能源之一，具有取之不尽、用之不竭、绿色环保等特点[1]。目前世界主要国家（如美国、德国、日本等国）均十分重视通过发展光伏发电产业进行太阳能资源的开发利用工作。到2011年底，全球光伏发电装机容量高达69GW[2]。据国际能源署（IEA）预测，到2050年太阳能光伏发电将占全球发电量的20%~25%，成为人类的基础能源之一[3]。作为国家新能源优先发展方向之一，目前我国光伏发电装机容量已接近3GW，预计到2015年将达到20GW，2020年达到 47GW[4，5] 。

中纬度地区光伏发电输出受太阳辐射周期变 化、气温、降水、云量、湿度等气象要素随机性变化的影响，具有明显的日、季节变化、以及不连续性和不确定性。美国学者Edward[6]研究表明，光伏发电量在电力系统中比例的增加会加大电网调度的难度，当其比例超过15%时，可能会引起电网系统的瘫痪。因此控制、调节光伏发电站发电量与来自水电厂、火电厂等其他发电量在电网中的平衡，就成了光伏发电并入现有电网的主要问题。由于对火电站发电量进行小幅度调节经济代价高昂且无可操作性，所以能否提供准确的短期太阳能光伏发电预测就成了光伏发电站并入现有电网系统的关键所在[7]。《国家中长期科技发展规划纲要（2006-2020年）》中重点领域（能源）以及基础研究方面也均涉及到了太阳能光伏发电高效开发利用技术、并网安全稳定和经济运行三大问题[8]。

从20世纪80年代开始，随着太阳能光伏发电量在各国电网总电量中所占比例的不断增加，世界主要发达国家如美国、日本、德国、法国等均大力研究并改进短期太阳能光伏发电预测方法，以期提高光伏电站的并网发电能力。我国太阳能光伏发电预测技术研究起步较晚，相关研究目前处于初期发展阶段[9~11]。随着国家“十二五”规划中新能源战略的实施，国内对太阳能光伏发电预测技术的需求将迅速增加。本文将主要通过对国内外短期太阳能光伏发电预测技术研究发展状况进行分类总结、归纳和展望，期望为我国短期太阳能光伏发电预测技术的发展提供重要依据。

2短期太阳能光伏发电预测原理

目前所有短期太阳能光伏发电预测方法都是基于相同的思路：即首先利用数学和物理学理论及相关数据建立预测公式或模型，再通过预测公式或模型对光伏电站发电量进行预测（图1）。根据所采用的数学物理理论及其预测输出量，光伏发电预测方法可分为两大类：①直接预测光电系统输出功率的直接预测法（统计法）；②首先对太阳辐射进行预测，然后根据光电转换效率得到光电输出功率的间接预测法（物理法）。

2.1直接预测法

直接预测法（统计法）主要是依据数学统计预测理论及方法，包括概率、时间序列、人工智能等方法。优点是程序简明，对光伏电站位置及电力转换参数没有要求；缺点是为了保证预报结果的精确度，需要大量的光伏电站历史运行数据。依据预测所采用的具体统计方法，该类方法又可细分为时间序列法、时间趋势外推法、点预测法、概率预测法和智能预测法等5类。

2.2间接预测法

间接预测法（物理法）主要是以光伏发电系统物理发电原理为基础，优点是不需要历史运行数据，光伏电站建成之后就可以直接进行预测；缺点是需要光伏电站详细地形图、发电站坐标、光伏电站功率曲线及其他相关光电转换参数等数据。依据建模基础及其复杂程度，该类方法又可细分为电子元件模型法，简单物理模型法和复杂物理模型法等3类。

3国内外短期光伏发电预测研究进展

从20世纪80年代开始，由于世界能源消耗加速，德国、西班牙、美国和日本等国率先进入了太阳能光伏发电领域。为了保障本国电网运行的稳定性、可靠性，他们均开展了太阳能光伏发电量预测理论和应用技术研究，并取得了较为丰硕的研究成果。我国虽然早在20世纪90年代就开始发展光伏发电硬件制造产业，但直到21世纪初才进入光伏发 电量预测技术研究领域[12，13] 。在下面章节，本文将 从发展状况、特点及预测效果等方面对国内外各类光伏发电预测方法进行深入分析、归纳、总结。

3.1统计法

3.1.1时间序列法

在光伏电站光伏发电量预测技 术研究早期，国内外学者均先以时间序列类预测方法作为主要研究对象。在国外，20世纪80年代-90年代，西班牙马拉加大学的Sidrach-de-Cardona[14]最先开展了将多元线性回归模型用于独立光伏系统发电量预测的研究工作；日本NTTFacilities公司采用Kudo建立的多元回归预报方程[15]，开展了爱知县世博园区330kW光伏系统未来一天逐时发电量预测工作。美国学者Chowdhury[16]最早开展了利用自回归滑动模型（ARMA）和差分自回归移动平均模型（ARIMA）对光伏系统发电量进行预测的研究。内华达大学的Hassanzadeh[17]使用改进的ARMA模型对NV能源公司总部屋顶75kW独立光伏系统晴天逐小时发电量的预测结果误差在23.0%~43.0%之间；Reikard等[18]则采用改进的ARIMA模型对位于亚利桑那州的太阳辐射研究实验室的小型光伏系统开展了预测试验。在国内，云南师范大学的李光明[19]开展了基于多元线性回归模型光伏系统发电量预测理论研究；东北电力大学的兰华等[20]利用ARMA模型对吉林地区的并网光伏发电站的晴天出力进行了试验预测。

时间序列法是早期光伏电站发电量预测技术发展研究的重点，模型预测误差一般在9.0%~45.0%之间（表1）。由于在理论及试验阶段预测能力较差，目前各国基本不再支持此类预测技术的发展。

光伏发电量预测研究。20世纪90年代，美国NASA的Safie[21]最先探索了将马尔科夫链模型用于光伏系统发电量预测的可能性；法国人Muselli等[22]对不同天气下意大利维尼奥拉的小型独立光伏系统预测结果的研究表明，马尔科夫链模型的预测能力受天气条件影响极大。近年国内学者在该方面也开展了研究，合肥工业大学的丁明等[23]采用马尔科夫模型对晴天教育部光伏系统工程研究中心屋顶光伏系统发电量开展了预测，结果显示误差在9.0%~56.0%之间；随后北京城市建筑大学Li等[24]提出了基于灰色－马尔科夫链的综合预测模型，并将其用于该校试验用5.6kW并网光伏电站的发电量预测[25]。

时间趋势外推法是光伏发电量预测早期发展阶段研究的有益探索。由于预测准确度随天气状况起伏极大（表1），国内外主要光伏发电量预测技术研究机构已不再开展此类方法研究。

3.1.3点预测法

国内外短期太阳能光伏发电预测 中常用的点预测类方法主要包括随机森林法、SVM支持向量机法、广义可加模型法和贝叶斯法。在国外，法国玛格丽特太阳能协会最早开展了将SVM、广义可加模型用于该协会安装在维勒班的12.84kW独立光伏系统发电量预测的试验[26]，并对预测结果进行了评估。意大利那不勒斯Parthenope大学的Bracale等[27]提出了基于贝叶斯统计理论的光伏发电量预测方法。在国内，华北电力大学的栗然等[28]最先利用气象资料和NASA提供的保定地区太阳辐射数据，建立了支持向量机（SVM）回归光伏系统出力预测模型；随后该校的朱永强等[29]进一步采用试验用120W光伏阵列发电量、地表太阳辐射量、气温等观测数据对该预测模型进行了改进。

点预测类方法虽然模型差异较大，但预测能力比较接近，误差一般在8.0%~13.0%之间（表1）。国内外学者曾采用该类方法开展光伏系统短期发电量试验预测。

3.1.4概率预测法

最近10年，随着新型统计预测 理论的发展[30，31] ，学者们开始将分位数回归森林和 支持向量机分位数回归（QSVM）应用于光伏电站发电量预测研究领域[26]。法国、澳大利亚等国家在该领域开展研究较多，国内目前还未开展将此类方法应用于光伏发电量预测的研究工作。由于发展时间较短，概率预测类方法目前还处于理论及初步试验研究阶段。

3.1.5智能预测法

20世纪90年代开始，日本学者 Hiyama[32]和Yona[33]最先开展了利用辐射、温度、风 速、日照强度、湿度等作为主要输入要素，采用前向反馈神经网络算法（FFNN）对光伏阵列发电量进行预测的研究；东京农业技术大学进一步开展了将递归神经网络（RNN）、多层感知器神经网络（MLPNN）模型、径向基函数神经网络（RBFNN）模型用于该校20kW光伏系统日常发电量的试验工作[34]。近几年来，美国学者Charkraborty[35]提出了基于模糊 ARTMAP神经网络的光伏系统发电量预测方法；意大利的里雅斯特市政府开始采用Mellit等[36，37] 提出的自适应小波网络方法对该市一座20kW并网光伏电站逐小时光伏发电量进行预测；西班牙Joen大学也采用MLPNN方法对安装在校园内的200kW分布式并网光伏电站逐小时发电量进行预测，结果显示 预测误差一般稳定在3.9%~6.6%之间[38，39] 。

在国内，上海东华大学[40，41] 最先将神经网络算 法用于光伏系统发电量预测研究领域；华中科技大学开展了采用RBFNN方法预测本校18kW光伏系统逐小时发电量的技术试验[42]；并在试验基础上建立了基于数值天气预测数据的神经网络光伏发电量预测模型[43]。上海崇明前卫村1.08MW光伏电站则采用中国电力科学研究院设计的神经网络预测模型对电站逐小时发电量进行预测[44]，近两年湖北省气象局[45，46]等单位对该类方法也开展了深入研究。

各种统计智能预测方法是目前统计类光伏发电量预测技术发展的重点，预测误差一般在3.0%~11.0%之间（表1），是近几年国外中小型并网光伏发电站采用的主要预测方法之一。

3.2物理法

3.2.1电子元件模型法

在光伏发电预测技术研究 早期阶段，国外还发展了一类基于光伏电池原理的预测技术——电子元件模拟法。20世纪80年代，美国学者最先提出了基于光伏半导体设备物理原理，以温度、全辐射、辐射分布为输入量的Osterwald预测模型[51]；诺贝尔奖获得者Green[52]基于发光二极管的物理原理则提出了二极管模型（DiodeModel）预测法；随后西班牙学者基于光伏元件设计原理，进一步提出了Araujo-Green[53]预测方法。由于未考虑其他要素，电子元件模型预测类方法目前已基本被淘汰。

3.2.2简单物理模型法

20世纪90年代初期，随着 光伏发电产业在欧洲的迅猛发展，物理类预测方法研究进入简单物理模型预测阶段。德国Oldenburg大学的Hammer等[54]最先构建了利用卫星资料、气象观测资料和电力参数进行预测的简单物理模型；日本学者也提出了利用太阳辐射强度预测光伏阵列输出电能的物理预测模型[55]；近年来，德国慕尼黑贸易展览中心1MW并网光伏电站开始采用Mayer等[56]提出的基于观测和卫星遥感反演辐射资料的简单物理预测模型对逐小时光伏发电量开展预测。丹麦日德兰半岛容量共计2769kW的21个中小型光伏电站则采用基于HIRLAM中尺度天气模式预测数据，结合本国学者提出的简单物理预测模型[57]对电站每天逐小时光伏发电量进行预测。德国还在欧洲中尺度天气预报中心（ECMWF）天气模式预报数据的基础上，结合改进的简单光伏发电量物理预测模型[58]，研发了一套名为“saferSun”的光伏电站发电量预测监控系统对全国3500个中小型光伏电站发电量进行预测监控。在国内，湖北省气象局的陈正洪等[59-61]近两年开展并研制出了基于WRF中尺度天气模式和简单物理光伏预测模型的“太阳能光伏发电预报系统（1.0版）”，2011年以来该系统已被用于武汉日新科技股份有限公司1.2MW独立光伏电站、内蒙古鄂尔多斯伊泰集团鄂尔多斯205kW太阳能聚光光伏电站、华电国际宁夏陆家东10MW大型并网光伏电站逐小时光伏发电量预测。

简单物理模型类方法在各类天气条件下的平 均预测误差一般在5.0%~20.0%之间（表2），是国内外中小型并网光伏发电站发电量预测所应用的主要方法。

3.2.3复杂物理模型法

近年来，随着并网风力、光 伏发电站给电网运行安全带来的潜在风险增大，电网运行部门和企业对并网光伏电站短期发电量预测准确度提出了更高的要求。为适应电网运行部门要求，德国Oldenburg大学Lorenz等[62]率先提出根据欧洲中尺度天气预报中心（ECMWF）预报数据，结合光伏电站观测资料的复杂物理模型预测法；并利用德国输电系统运营商“50Hertz”下属3300个总装机容量0.5GW和“transpower”下属181000个总装机容量2.4GW并网光伏电站进行了试验测试，结果显示预测误差小于5.0%[63]；在此基础上，德国学者在模型中进一步引入了积雪参数，并利用德国输电系统运营商“50Hertz”下属的77个光伏电站对该复杂物理预测模型进行了评估[64]，结果雨雪等天气状况下的预测准确度明显提高。日本学者在考虑了阴影、太阳能电池的各项参数、气象状况的前提下，提出了基于三维模拟的具有较高预测准确度的复杂光伏发电量预测模型[65]。国内目前尚未在该方面开展相关研究。

（Résumé: l'amélioration du niveau de prévision de la production d'énergie photovoltaïque à court terme est le problème clé de l'intégration de la centrale photovoltaïque solaire dans le système de réseau électrique existant et du développement et de l'utilisation de l'énergie photovoltaïque solaire, qui est également important pour améliorer le développement et l'utilisation de l'énergie photovoltaïque solaire et assurer la sécurité de la connexion au réseau. Dans cet article, les méthodes de prévision de la production d'énergie solaire photovoltaïque à court terme au pays et à l'étranger sont classées, résumées et analysées. Les résultats montrent que la méthode de prévision de l'intelligence statistique est au Centre du développement de la technologie de prévision de la production d'énergie photovoltaïque à court terme dans les petites centrales photovoltaïques au pays et à l'étranger. L'erreur moyenne globale de prévision est de 3,0% ~ 11,0%. La méthode de prévision du Modèle physique simple est la méthode de prévision de la production d'énergie photovoltaïque à court terme la plus utilisée dans les grandes et moyennes centrales photovoltaïques raccordées au réseau au pays et à l'étranger. L'erreur moyenne globale de prévision est de 5,0% ~ 20,0%. Les modèles physiques complexes sont la principale orientation de la recherche et de l'application futures de la technologie de prévision de la production d'électricité à court terme pour les grandes centrales photovoltaïques. La conclusion de l'article est utile pour le développement de la technologie de prévision de la production d'énergie solaire photovoltaïque à court terme en Chine.



Mots clés: production d'énergie photovoltaïque solaire; Prévisions de puissance à court terme; Méthode de prévision directe; Méthode de prévision indirecte; Modèle de prévision



1 Introduction



L’énergie solaire a été reconnue comme l’une des sources d’énergie les plus compétitives à l’avenir, avec des caractéristiques inépuisables, inépuisables et vertes [1]. À l'heure actuelle, les principaux pays du monde (tels que les États - Unis, l'Allemagne, le Japon, etc.) attachent une grande importance au développement et à l'utilisation des ressources solaires par le développement de l'industrie de l'énergie photovoltaïque. À la fin de 2011, la capacité installée mondiale de production d’énergie photovoltaïque atteignait 69 GW [2]. Selon les prévisions de l’agence internationale de l’énergie (AIE), l’énergie solaire photovoltaïque représentera 20 à 25% de la production mondiale d’électricité d’ici 2050 et deviendra l’une des sources d’énergie de base de l’humanité [3]. En tant que l’une des priorités nationales en matière de développement de nouvelles sources d’énergie, la capacité installée de production d’énergie photovoltaïque en Chine est proche de 3gw, qui devrait atteindre 20gw d’ici 2015 et 47gw d’ici 2020 [4,5].



La production d'énergie photovoltaïque aux latitudes moyennes est influencée par la variation aléatoire des facteurs météorologiques, tels que la variation périodique du rayonnement solaire, la température de l'air, les précipitations, la couverture nuageuse et l'humidité. L’érudit Américain Edward [6] a montré que l’augmentation de la proportion de la production d’énergie photovoltaïque dans le système d’alimentation peut rendre la répartition du réseau plus difficile, lorsque la proportion dépasse 15%, elle peut causer la paralysie du système d’alimentation. Par conséquent, le contrôle et l'ajustement de l'équilibre entre la production d'énergie de la centrale photovoltaïque et d'autres sources d'énergie, telles que les centrales hydroélectriques et les centrales thermiques, sont devenus le principal problème de l'intégration de la production d'énergie photovoltaïque dans le réseau électrique existant. En raison du coût économique élevé et de l’indisponibilité de la régulation à petite échelle de la production d’énergie des centrales thermiques, il est essentiel que les centrales photovoltaïques puissent fournir une prévision précise de la production d’énergie solaire photovoltaïque à court terme [7]. Les domaines clés (énergie) et la recherche fondamentale dans le cadre du plan national de développement scientifique et technologique à moyen et à long terme (2006 - 2020) portent également sur trois questions: le développement et l’utilisation efficaces de la technologie de production d’énergie solaire photovoltaïque, la sécurité et la stabilité de la connexion au réseau et le fonctionnement économique [8].



Depuis les années 80 du XXe siècle, avec l'augmentation de la production d'énergie solaire photovoltaïque dans la proportion de l'énergie totale du réseau électrique de tous les pays, les principaux pays développés du monde, tels que les États - Unis, le Japon, l'Allemagne, la France, etc., ont étudié et amélioré la méthode de prévision de la production d'énergie solaire photovoltaïque à court terme afin d'améliorer la capacité de production d'énergie photovoltaïque connectée au réseau. La recherche sur la technologie de prévision de la production d'énergie solaire photovoltaïque en Chine a commencé tardivement et la recherche connexe en est au stade initial de développement [9 ~ 11]. Avec la mise en œuvre de la nouvelle stratégie énergétique dans le 12e plan quinquennal, la demande intérieure de technologies de prévision de l'énergie solaire photovoltaïque augmentera rapidement. Dans cet article, nous résumons, résumons et prévoyons l'état de la recherche et du développement sur la technologie de prévision de la production d'énergie solaire photovoltaïque à court terme au pays et à l'étranger, et nous nous attendons à fournir une base importante pour le développement de la technologie de prévision de la production d'énergie solaire photovoltaïque à court terme en Chine.



2 principe de prévision de la production d'énergie solaire photovoltaïque à court terme



À l'heure actuelle, toutes les méthodes de prévision de la production d'énergie solaire photovoltaïque à court terme reposent sur la même idée: d'abord, des formules ou des modèles de prévision sont établis à l'aide de théories mathématiques et physiques et de données connexes, puis la production d'énergie photovoltaïque est prévue à l'aide de formules ou de modèles de prévision (Figure 1). Selon la théorie mathématique et physique adoptée et la sortie prévue, les méthodes de prévision de la production d'énergie photovoltaïque peuvent être divisées en deux catégories: ① méthode de prévision directe (méthode statistique) pour la prévision directe de la puissance de sortie du système photovoltaïque; Le rayonnement solaire est d'abord prévu, puis la méthode de prévision indirecte (méthode physique) de la puissance de sortie photoélectrique est obtenue en fonction de l'efficacité de conversion photoélectrique.

2.1 méthode de prévision directe



La méthode de prévision directe (méthode statistique) est principalement basée sur la théorie et la méthode de prévision statistique mathématique, y compris la probabilité, les séries chronologiques, l'intelligence artificielle et d'autres méthodes. L'avantage est que le programme est concis et qu'il n'y a pas d'exigences relatives à la position de la centrale photovoltaïque et aux paramètres de conversion de l'énergie; L'inconvénient est qu'une grande quantité de données historiques d'exploitation de la centrale photovoltaïque est nécessaire pour assurer l'exactitude des prévisions. Selon les méthodes statistiques spécifiques utilisées pour la prévision, ces méthodes peuvent être subdivisées en cinq catégories: la méthode des séries chronologiques, l'extrapolation des tendances temporelles, la méthode de prévision ponctuelle, la méthode de prévision probabiliste et la méthode de prévision intelligente.



2.2 Méthode de prévision indirecte



La méthode de prévision indirecte (méthode physique) est principalement basée sur le principe de la production d'énergie physique du système de production d'énergie photovoltaïque. L'avantage est qu'aucune donnée d'exploitation historique n'est nécessaire et que la prévision peut être effectuée directement après la construction de la centrale photovoltaïque. L'inconvénient est que des données telles que la carte topographique détaillée de la centrale photovoltaïque, les coordonnées de la centrale, la courbe de puissance de la centrale photovoltaïque et d'autres paramètres de conversion photovoltaïque pertinents sont nécessaires. Selon la base et la complexité de la modélisation, ces méthodes peuvent être divisées en trois types: la méthode du modèle électronique, la méthode du Modèle physique simple et la méthode du Modèle physique complexe.



Progrès de la recherche sur la prévision de la production d'énergie photovoltaïque à court terme au pays et à l'étranger



Depuis les années 80, en raison de l'accélération de la consommation mondiale d'énergie, l'Allemagne, l'Espagne, les États - Unis et le Japon ont été les premiers à entrer dans le domaine de l'énergie solaire photovoltaïque. Afin d'assurer la stabilité et la fiabilité du fonctionnement du réseau électrique national, ils ont effectué des recherches sur la théorie de la prévision de la production d'énergie solaire photovoltaïque et la technologie d'application, et ont obtenu des résultats de recherche relativement fructueux. Bien que la Chine ait commencé à développer l'industrie de la fabrication de matériel de production d'énergie photovoltaïque dans les années 1990, elle n'est entrée dans le domaine de la technologie de prévision de la production d'énergie photovoltaïque qu'au début du XXIe siècle [12,13]. Dans les chapitres suivants, cet article analysera, résumera et résumera en profondeur les méthodes de prévision de la production d'énergie photovoltaïque au pays et à l'étranger à partir de l'état de développement, des caractéristiques et des effets de prévision.



3.1 méthode statistique



3.1.1 méthode des séries chronologiques



Au début de la recherche sur la technologie de prévision de la production d'énergie photovoltaïque dans les centrales photovoltaïques, les chercheurs au pays et à l'étranger ont d'abord utilisé la méthode de prévision des séries chronologiques comme principal objet de recherche. À l’étranger, sidrach de Cardona [14] de l’université de Malaga en Espagne a d’abord effectué des recherches sur l’application d’un modèle de régression linéaire multiple à la prévision de la production d’électricité d’un système photovoltaïque indépendant dans les années 1980 et 1990. Nttfacilites Company of Japan a utilisé l’équation de régression multiple [15] établie par Kudo pour prédire la production d’électricité horaire du système photovoltaïque de 330 kW dans le Parc Expo du Comté d’aichi au cours de la prochaine journée. Le chercheur Américain Chowdhury [16] a d'abord effectué des recherches sur la prévision de la production d'énergie photovoltaïque à l'aide du modèle de glissement autoregressif (arma) et du modèle de moyenne mobile Autoregressive différentielle (Arima). Hassanzadeh [17] de l’université du Nevada a utilisé un modèle arma amélioré pour prédire la production d’électricité horaire par temps ensoleillé d’un système photovoltaïque autonome de 75 kW sur le toit du siège social de nv Energy, avec une erreur de 23,0% ~ 43,0%; Reikard et al. [18] ont effectué des essais prédictifs sur de petits systèmes photovoltaïques dans un laboratoire de recherche sur le rayonnement solaire en Arizona à l'aide d'un modèle Arima amélioré. En Chine, Li Guangming [19] de l’université normale du Yunnan a effectué des recherches théoriques sur la prévision de la production d’énergie photovoltaïque à l’aide d’un modèle de régression linéaire multiple. Lanhua et al. [20] de l'Université d'énergie du Nord - est de la Chine ont utilisé le modèle arma pour prédire la sortie de la centrale photovoltaïque raccordée au réseau dans la région de Jilin par temps ensoleillé.



La méthode des séries chronologiques est au Centre du développement de la technologie de prévision de la production d'électricité dans les premières centrales photovoltaïques. L'erreur de prévision du modèle est généralement de 9,0% ~ 45,0% (tableau 1). En raison de la faible capacité de prévision au stade de la théorie et de l'essai, les pays n'appuient plus le développement de ces techniques de prévision.



Recherche sur la prévision de la production d'énergie photovoltaïque. Dans les années 1990, safie [21] de la NASA a d’abord exploré la possibilité d’utiliser le modèle de chaîne de Markov pour prédire la production d’électricité dans les systèmes photovoltaïques. L'étude des résultats de la prédiction d'un petit système photovoltaïque indépendant à viniola, en Italie, dans différentes conditions météorologiques par les français muselli et al. [22] montre que la capacité de prédiction du modèle de chaîne de Markov est grandement affectée par les conditions météorologiques. Au cours des dernières années, des chercheurs nationaux ont également effectué des recherches dans ce domaine. Ding Ming et al. [23] de l’université de technologie Hefei ont utilisé le modèle Markov pour prédire la production d’électricité du système photovoltaïque sur le toit du Centre de recherche sur l’ingénierie des systèmes photovoltaïques du Ministère de l’éducation par beau temps. Les résultats montrent que l’erreur est de 9,0% ~ 56,0%; Par la suite, Li et al. [24] de l’université d’architecture urbaine de Beijing ont proposé un modèle de prévision complet basé sur la chaîne de Markov grise et l’ont utilisé pour prédire la production d’électricité d’une centrale photovoltaïque raccordée au réseau de 5,6kw pour l’essai de l’université [25].



L'extrapolation des tendances temporelles est une exploration utile de la prévision de la production d'énergie photovoltaïque au stade initial du développement. Étant donné que l'exactitude des prévisions varie considérablement en fonction des conditions météorologiques (tableau 1), les principaux instituts nationaux et internationaux de recherche sur la technologie de prévision de la production d'énergie photovoltaïque n'ont pas effectué de telles recherches méthodologiques.



3.1.3 méthode de prévision ponctuelle



Les méthodes de prévision ponctuelle couramment utilisées dans la prévision de la production d'énergie solaire photovoltaïque à court terme au pays et à l'étranger comprennent principalement la méthode de la forêt stochastique, la méthode de la machine vectorielle de soutien SVM, la méthode du modèle additif généralisé et la méthode bayésienne. À l’étranger, la société française Marguerite Solar Energy a réalisé pour la première fois des essais utilisant SVM, Generalized Additive model, pour la prévision de la production d’électricité d’un système photovoltaïque autonome de 12,84 kW installé par la société à Villepin [26], et a évalué les résultats de la prévision. Bracale et al. [27] de l’université parthenope de Naples, en Italie, ont proposé une méthode de prévision de la production d’énergie photovoltaïque basée sur la théorie statistique bayésienne. En Chine, Li Ran et al. [28] de l’université d’électricité de Chine du Nord ont d’abord utilisé les données météorologiques et les données sur le rayonnement solaire de la région de Baoding fournies par la NASA pour établir un modèle de prévision de la production du système photovoltaïque de régression SVM. Par la suite, Zhu Yongqiang et al. [29] ont amélioré le modèle de prévision à l'aide de données d'observation telles que la production d'électricité, le rayonnement solaire de surface et la température de l'air à l'aide d'un réseau photovoltaïque expérimental de 120 W.



Bien qu'il existe de grandes différences entre les modèles, la capacité de prévision des méthodes de prévision ponctuelle est relativement similaire, l'erreur se situe généralement entre 8,0% et 13,0% (tableau 1). Des chercheurs au pays et à l'étranger ont utilisé cette méthode pour prévoir la production d'électricité à court terme du système photovoltaïque.



3.1.4 méthode de prévision des probabilités



Au cours des dix dernières années, avec le développement d’une nouvelle théorie de prévision statistique [30,31], les chercheurs ont commencé à appliquer la régression quantile de la forêt et la régression quantile de la machine vectorielle de soutien (qsvm) à la prévision de la production d’électricité dans les centrales photovoltaïques [26]. La France, l'Australie et d'autres pays ont fait beaucoup de recherches dans ce domaine, mais il n'y a pas eu de recherche sur l'application de cette méthode à la prévision de la production d'énergie photovoltaïque en Chine. En raison de la courte période de développement, les méthodes de prévision probabiliste en sont encore au stade de la recherche théorique et expérimentale préliminaire.



3.1.5 méthode de prévision intelligente



Depuis les années 1990, les chercheurs japonais Hiyama [32] et Yona [33] ont d'abord effectué des recherches sur la prévision de la production d'énergie des réseaux photovoltaïques à l'aide de l'algorithme du réseau neuronal de rétroaction vers l'avant (ffnn) en utilisant le rayonnement, la température, la vitesse du vent, L'intensité du soleil et l'humidité comme principaux facteurs d'entrée. L’université de technologie agricole de Tokyo a en outre effectué des essais sur l’utilisation du réseau neuronal récurrent (rnn), du modèle de réseau neuronal perceptron multicouche (mlpnn) et du modèle de réseau neuronal à fonction de base radiale (RBFNN) pour la production quotidienne d’énergie du système photovoltaïque de 20 kW [34]. Au cours des dernières années, charkraborty [35] a proposé une méthode de prévision de la production d'énergie photovoltaïque basée sur un réseau neuronal artmap flou. L'administration municipale italienne de Trieste a commencé à utiliser la méthode du réseau d'ondes adaptatives proposée par Mellit et al. [36, 37] pour prédire la production d'énergie photovoltaïque par heure d'une centrale photovoltaïque raccordée au réseau de 20 kW dans la ville. L'Université de joen en Espagne a également utilisé la méthode mlpnn pour prédire la production horaire d'électricité d'une centrale photovoltaïque distribuée de 200 kW installée sur le campus. Les résultats montrent que l'erreur de prévision est généralement stable entre 3,9% et 6,6% [38,39].



En Chine, l'Université Donghua de Shanghai [40,41] a d'abord appliqué l'algorithme du réseau neuronal à la prévision de la production d'énergie photovoltaïque. L’université des sciences et de la technologie de Huazhong a effectué des essais techniques pour prédire la production horaire d’électricité du système photovoltaïque de 18 kW de l’université en utilisant la méthode RBFNN [42]. Sur la base d’expériences, un modèle de prévision de la production d’énergie photovoltaïque basé sur des données de prévision météorologique numérique a été établi [43]. La centrale photovoltaïque de Shanghai Chongming Qianwei village de 1,08 MW a utilisé le modèle de prévision du réseau neuronal conçu par l’institut chinois de recherche sur les sciences de l’énergie pour prévoir la production d’électricité heure par heure [44]. Au cours des deux dernières années, le Bureau météorologique de la province de Hubei [45, 46] et d’autres unités ont également effectué des recherches approfondies sur ces méthodes.



Diverses méthodes statistiques de prévision intelligente sont au Centre du développement de la technologie statistique de prévision de la production d'énergie photovoltaïque. L'erreur de prévision est généralement de 3,0% ~ 11,0% (tableau 1). C'est l'une des principales méthodes de prévision utilisées par les petites et moyennes centrales photovoltaïques connectées au réseau au cours des dernières années.



3.2 méthode physique



3.2.1 méthode du modèle de composant électronique



Au début de la recherche sur la technologie de prévision de la production d'énergie photovoltaïque, une sorte de technologie de prévision basée sur le principe des cellules photovoltaïques, la méthode de simulation des composants électroniques, a été développée à l'étranger. Dans les années 1980, les chercheurs américains ont d'abord proposé un modèle de prévision osterwald basé sur le principe physique des dispositifs photovoltaïques à semi - conducteurs, avec la température, le rayonnement total et la distribution du rayonnement comme entrées [51]. Le lauréat du prix Nobel Green [52] a proposé une méthode de prédiction du modèle Diode basée sur le principe physique de la diode électroluminescente. Par la suite, des chercheurs espagnols ont proposé une méthode de prédiction Araujo Green [53] basée sur le principe de conception des cellules photovoltaïques. Étant donné que d'autres facteurs ne sont pas pris en compte, les méthodes de prévision des modèles de composants électroniques ont été largement éliminées.



3.2.2 méthode du Modèle physique simple



Au début des années 90, avec le développement rapide de l'industrie de l'énergie photovoltaïque en Europe, la recherche sur les méthodes de prévision physique est entrée dans la phase de prévision du Modèle physique simple. Hammer et al. [54] de l’université d’oldenburg, en Allemagne, ont d’abord construit un modèle physique simple pour la prévision à l’aide de données satellitaires, d’observations météorologiques et de paramètres électriques. Des chercheurs japonais ont également proposé un modèle de prévision physique de l’énergie de sortie des réseaux photovoltaïques utilisant l’intensité du rayonnement solaire [55]; Au cours des dernières années, la centrale photovoltaïque raccordée au réseau de 1 MW du Centre d’exposition commerciale de Munich, en Allemagne, a commencé à utiliser le modèle de prévision physique simple basé sur l’observation et l’inversion des données de rayonnement par télédétection par satellite proposé par Mayer et al. [56] pour prédire la production d’électricité par heure. 21 petites et moyennes centrales photovoltaïques d'une capacité totale de 2 769 kW dans la péninsule du Jutland au Danemark ont utilisé les données de prévision du modèle météorologique à méséchelle hirlam et le modèle de prévision physique simple [57] proposé par des chercheurs nationaux pour prévoir la production d'énergie photovoltaïque par heure. L'Allemagne combine également l'amélioration de la production photovoltaïque simple avec les données de prévision du modèle météorologique du Centre européen de prévisions météorologiques à méséchelle (cemwf).
）