引言

太陽能作為可再生能源和清潔能源，具有資源分布廣、能源清潔不產生污染以及取之不盡、用之不竭的特點，因此受到了眾多國家的支持。隨著國家對光伏產業的大力推動與支持，一系列光伏發電補貼政策相繼出臺，推動了光伏項目的飛速發展。但光伏發電具有間歇性強、周期性強以及波動性大等特點，光伏并網將對電網的安全、穩定運行產生極大挑戰。

為了應對光伏并網對電網整體的沖擊與穩定性影響，業內已有較多專家深入研究了大規模、密集型以及10kV光伏并網對整個電網的影響，并對光伏并網的發電情況做了深入研究。但對于配電網0.4kV分布式光伏的并網，由于其點多面廣，發展迅速，且目前對于0.4kV光伏發電采集器受種種原因制約無法進行集中管控，因此，對于0.4kV分布式光伏的發電效率以及實時發電功率仍無法做到預測。然而，目前0.4kV分布式光伏如雨后春筍般散落在各公用臺區與線路間，對于10kV配電網運行安全以及穩定性都造成了極大的挑戰。

本文將全面分析影響光伏發電效率的關鍵因素，并對目前主流的光伏實時發電功率預測方法進行探討，提出針對區域配電網的0.4kV分布式光伏實時發電功率預測算法，以加強對區域配電網0.4kV光伏發電的輔助支撐，也為后續對區域配電網0.4kV分布式光伏發電管控積累寶貴經驗。

1光伏發電關鍵影響因素

光伏發電功率與諸多因素有關，但針對區域配電網0.4kV分布式光伏，主要影響因素包括溫度、太陽光的輻照強度、傾角、天氣類型、設備轉換效率等。

1.1溫度

光伏電池板表面溫度會對光伏電池板性能產生直接影響。光伏電池板吸收光粒子的效率在超過最高效率溫度后會隨著溫度的升高而降低，電池板溫度升高會使得電池板內載流子的遷移率、擴散長度以及少數載流子的壽命變差。同時，光伏電池板由于其材料特性具有較強吸熱性，其溫度會隨著運行時間加長而顯著上升，從而影響到整個光伏發電系統的轉換效率。在太陽能電池輸出M-I特性中，在照度不變的情況下，溫度的升高會使組件溫度上升，開路電壓和最大輸出功率下降。一般來說，廠家設備的光伏電池板普遍在20℃時效率最佳。

1.2太陽輻照度

太陽輻照度是指太陽輻射經過大氣層的吸收、散射、反射等作用后到達固體地球表面上單位面積單位時間內的輻射能量，其單位為：瓦特/平方米（w/m2）。同時，太陽輻照度是定量描述和研究太陽光輻射的重要參量。

硅是光伏電池主要元素，在太陽輻射粒子的作用下，電子與空穴會在硅材料中相應移動，此時會在電池板中產生電場，進而形成電流，輸出電功率。因此，太陽輻照度的強弱對光伏實時發電功率有直接影響。但由于各地區情況、維度等不同，太陽輻照度的值也有所不同，目前我國氣象局和美國NASA等都會發布地區太陽年均輻射量及日均總輻射量，可作為地區太陽輻照度的重要參考。同時，對于10kV光伏并網或部分0.4kV分布式光伏并網都安裝有輻照度監測裝置，可對太陽輻照度進行實時測量。

1.3設備轉換效率

設備轉換效率是指光伏電池板在吸收太陽能后將光能轉換為電能的最終轉換效率。設備由光伏方陣、蓄電池組、蓄電池控制器、逆變器、交流配電柜和太陽跟蹤控制系統等組成，其中最重要的元件是逆變器，逆變器的選用及其質量直接影響光伏發電的效率。同時，逆變器作為光伏發電系統必不可少的一部分，能夠將光伏電池板產生的直流電轉換為交流電，且具有自動穩壓功能，其轉換效率取決于輸入與輸出功率的關系。目前，大多數主流廠家的設備轉換效率能夠達到85%及以上，但轉換效率還與設備的質量及使用環境等有密切關系。

2光伏實時發電功率預測方法

光伏實時發電功率的預測主要分為直接預測與間接預測兩大類別。

直接預測法是根據對光伏實時發電功率造成關鍵影響的因素直接獲取數據，如當天氣候數據、輻射強度數據以及其他數據，并建立直接測量模型，最后構建虛擬電廠，模擬其光伏電站輸出功率。直接預測方法的特點是建模難度比較大，對數據質量以及準確性要求比較高，且不同工作狀態和情況及各關鍵因素的變化可能會影響到模型的準確性。

間接預測法是根據歷史數據，如氣象數據、輻射數據以及設備轉換效率等情況，通過建立光電轉換模型，得出光伏電站的輸出功率。間接預測法的特點是在整個預測過程中要建立多個預測模型，每個模型需要經過反復推敲運算，若是關鍵模型建立錯誤，將導致整個模型失效，直接影響到光伏實時發電功率預測的準確性。

對于光伏實時發電功率預測的具體算法較多，目前應用較多的是基于神經網絡的實時發電功率預測、多維時間序列局部支持向量回歸的發電功率預測以及基于KmeanSSVs的光伏發電功率預測等，這幾類算法均對光伏發電的實時功率進行了預測及驗證，也是近幾年光伏實時發電功率預測的主流研究方向。

3區域配電網#0.4（分布式光伏實時發電功率預測算法

針對0.4kV分布式光伏的具體情況，由于其分布范圍廣且零散，并以居民或小工廠用戶為主，獲取數據的實時性以及數據質量均有較大局限，無法與10kV光伏并網的情況相提并論。但0.4kV分布式光伏的實時發電功率，直接影響到10kV線路以及公用臺區的安全穩定運行，因此，本文提出了區域配電網0.4kV分布式光伏實時發電功率預測算法，是在應用直接預測法的基礎上，結合歷史數據進行綜合修正，優化算法。

區域配電網0.4kV分布式光伏實時發電功率與以下因素直接有關：太陽輻照度、0.4kV分布式光伏對象的報裝容量、溫度、濕度、天氣類型以及設備轉換效率等。綜合起來，光伏實時發電輸出功率表達式為：

式中，1為太陽輻射強度（kw/m2）：9為經驗系數，主要考慮設備轉換效率、設備運行情況等：s為0.4kV分布式光伏對象的報裝容量（kw）：7為氣候系數，主要考慮溫度、濕度、天氣類型等。

3.1太陽輻射強度I

以全市情況為參考對象，由于考慮到各區域乃至各條10kV線路或臺區的實時太陽輻照強度會有較大不同，且由于數據實時性問題及數據準確性低，無法直接選取0.4kV分布式光伏對象的實時輻照度，因此本算法直接選取預測對象臨近的多個10kV光伏分布點的實時太陽輻射強度I，并與歷史光伏輻照度實時數據進行比對，優化太陽輻射強度I至合理區間。如需要預測某臺區下所有0.4kV分布式光伏的太陽輻射強度，則選取該0.4kV分布式光伏臨近的多個10kV光伏分布點的實時太陽輻射強度1作為參考值，與歷史同月光伏輻照度數據進行比對，優化太陽輻射強度值，作為最終太陽輻射強度1值。太陽輻射強度的準確性將直接影響到光伏實時發電功率預測的準確性。

3.2經驗系數η及氣候系數T

經驗系數η包括了設備轉換效率、設備運行環境以及投運時間等，其取值需要依據進行光伏實時發電預測的0.4kV分布式光伏的廠家情況、設備投運時間、設備所處運行環境等進行綜合評估。采用最終算法進行區間評估，選取0.6～0.96作為經驗系數的取值。

氣候系數T主要考慮了溫度、濕度、天氣類型等外圍環境影響因素，并結合歷史數據下參考對象光伏實時發電功率值，綜合評估外圍因素對光伏實時發電功率值的影響。依據最終算法對不同溫度、濕度、天氣類型進行區間評估，選取0.9～0.98作為氣候系數的取值。

3.30.4kV分布式光伏對象的報裝容量s

0.4kV分布式光伏對象報裝容量的多少直接影響預測對象的實時發電功率，因此，選取不同的預測對象，其報裝容量應有不同取值。如需預測某一10kV線路下的光伏實時發電功率，則選取該10kV線路下所有0.4kV分布式光伏報裝容量累加值作為總報裝容量s：同理，若需預測某一臺區下的光伏實時發電功率，則選取該臺區下所有0.4kV分布式光伏報裝容量累加值作為總報裝容量s。

3.4（不同預測對象下的光伏實時發電輸出

依據區域配電網0.4kV分布式光伏實時發電功率預測算法，則能對不同區域或變電站等進行0.4kV分布式光伏發電功率的實時預測，具體展現如表1所示。

4結語

綜上所述，通過分析影響光伏發電效率的關鍵因素及光伏實時發電功率預測方法，提出了針對區域配電網的0.4kV分布式光伏實時發電功率預測算法，為配電網的安全穩定運行以及實時發電情況的掌握提供了有力支持。