毕业设计（论文）-基于小波理论的光伏电站输出功率预测.docx

基于小波理论的光伏电站输出功率预测摘要当前，我国的市场经济体制已经逐步的建立起来，社会经济处于快速发展当中，能源的需求量也不断的扩大。随着有限能源的不断消耗，能源短缺与环境污染等问题形成了全球性的能源危机，如何发展可再生能源成文人们关注的焦点。当前，太阳能成为了环节能源危机的重要能源，由此也带动了光伏产业的发展。光伏发电系统通过对太阳能的使用具有安装灵活，维护简单，环境友好等优点，因此，通过对光伏发电系统输出功率的预测，能够促使光伏发电与传统电源系统的配合，降低发电系统给接入电网带来的不利影响。本文对光伏发电系统输出功率预测技术进行了探讨和研究，构建基于小波理论的太阳辐照度预测模型，在此基础上对光伏电站输出功率进行预测，预测结果良好，预测精度较高。关键词：光伏电站；输出功率；小波理论；太阳辐射照度3AbstractAt present, our countrys market economy system has been gradually established, the social economy is in rapid development, energy demand is also expanding. With the constant consumption of the limited energy, energy shortage and environmental pollution, the global energy crisis has been formed, and how to develop the renewable energy source has been the focus of peoples attention. Currently, solar energy has become an important part of the energy crisis, which also led to the development of photovoltaic industry. Photovoltaic power generation system by the use of solar energy has a flexible installation, maintenance is simple, environmental friendly. Therefore, through the prediction of the output power of the photovoltaic power generation system to promote photovoltaic power and conventional power system with, reduce the generating system to access grid brings adverse effects. This paper on the output power of the photovoltaic power generation system prediction technology has carried on the discussion and the research, construct the prediction model based on wavelet theory of solar irradiance. Based on the output power of the photovoltaic power station to predict, forecast result is good, the precision of prediction is high.Key word：Photovoltaic power station; output power; wavelet theory; solar irradiance目录摘要IAbstractII1引言12光伏电站与光伏发电站的相关概述32.2光伏发电系统的结构32.3光伏电站输出功率特性和影响因素62.3.1自然因素62.3.2设备因素62.3.3设计因素72.3.4其他因素83基于小波理论的发电站输出功率预测模型93.1小波变换理论93.2二进正交小波变换Mallat算法原理113.3太阳辐照度时间序列的小波分解123.4预测模型的建立134光伏电站的输出功率的仿真分析164.1仿真数据选择164.2误差分析175 结语22参考文献231引言太阳能是一种无污染的可再生能源，并且是“取之不尽、用之不竭”的清洁能源，在面对能源危机的今天受到了广泛的关注和使用。光伏产业是对太阳能资源进行开发利用的产业，近年来得到了世界各国政府的大力支持，全球范围内的光伏产业得到了很好的发展。有研究数据表明，截止到2013年底，全球光伏发电装机容量为13886万kW；新增容量3835万kW。1996-2013年世界光伏发电装机容量如图1.1所示。到2013年底，德国、中国、意大利、日本和美国是全球光伏装机容量最多的五个国家。其中德国装机容量3572万kW位列世界总装机容量第一位，中国2013年的新增容量1180万kW位居第一，总装机容量为第四国网能源研究院.2014 中国新能源发电分析报告M.中国电力出版社,2014:108-110.，如图1-2所示。图1.1 1996-2013年世界光伏发电装机容量中国太阳能发电从2009年开始进入快速发展时期，装机容量持续增加。到2013年底，全国光伏发电累计核准容量为3324万kW，其中地面电站核准容量2837万kW，分布式光伏核准容量487万kW 。 2013年全年光伏上网电量达到90.5亿kWh，光伏发电利用小时数1332h。随着光伏产业的兴起，以及人们对环境污染的重视，近年来，建成许多光伏电站和屋顶光伏项目。大量的分布式光伏接入电网，给电网的稳定带来一定的影响，合理的预测光伏的出力情况，有利于电网的优化调度。光伏发电受一些随机气象因素的影响，如太阳辐射强度、温度、风速等，光伏发电系统输出功率也会随天气变化，具有不稳定性及随机性。将光伏发电系统并入传统电网之后，会对电网的稳性定和电网调度管理带来影响4-5。因此，对光伏发电功率进行预测，以便了解光伏发电运行特性，为电网调度、稳定运行、检修方案的制定提供可靠依据。对光伏输出功率的准确预测，可以减少电网对光伏并网的限制，提高了电网对光伏发电的接受能力，减少光伏投资者的经济损失。对于电网来说需要知道光伏的出力情况，然后适当的控制光伏等分布式电源接入的位置、数量、容量、规模等，防止光伏电源出力的不稳定对电网造成冲击，确保电网稳定安全运行。对于光伏投资者，预估当天的光伏出力情况，可以合理安排光伏的检修与维护，以及能量分配，来获取最大的利益。我国出台的NB/T 32011-2013光伏发电站功率预测系统技术要求中明确了对预测软硬件的要求，以及误差性能指标的要求，适用于并网光伏电站。在新建成的一些光伏电站中，己经将光伏发电量预测以及气象数据的采集做成单独的模块加入到光伏发电系统中。光伏投资者对于光伏项目的投资，不仅仅追求光伏系统的输出功率，还需要考虑光伏并网对电网造成的影响，以及光伏系统产生的经济效益与环境效益等多个方面的内容，需要在这些不同的目标之中，寻求可以最大化投资者收益的方案。光伏用户对于光伏发电系统产生的电能有不同的利用方式，针对不同用户国家采取不同的电价政策，国家对分布能源的上网还有一定的调控，如何权衡这些看似联系又互相冲突的目标，寻求最优的解决方案。242光伏电站与光伏发电站的相关概述2.2光伏发电系统的结构光伏发电系统按照与电力系统的关系可分为独立光伏发电系统和并网光伏发电系统两大类 Mukund R. P.Wind and solar power systemM.CRCPress.1999： 107一132.。独立光伏发电系统不与电力系统相连，直接向自身的负载供电。其主要应用包括：（1）工业和通信工程应用，为无电场合提供电源，包括微波中继站、铁路公路信号系统、部队通信系统、气象和地震台站等；（2）农村和边远地区应用，为无电地区居民提供生活生产用电。包括小型风光互补发电系统、独立光伏电站、太阳能户用系统等；（3）日用电子产品应用，如太阳能路灯、太阳能草坪灯及各类太阳能充电器等。为了保持负载供电的连续性，独立光伏发电系统中必须配置储能装置（如蓄电池组）。根据独立光伏发电系统的负载用电特性，其又可分为直流系统、交流系统和交直流混合系统等，其结构图如图2.1所示 赵杰.光伏发电并网系统的相关技术研究D.天津：天津大学，2012.。图2.1 独立光伏发电系统结构图并网光伏发电系统通过并网逆变器与电力系统相连，将太阳能电池阵列输出的直流电转化为与电网电压同幅、同频、同相的交流电，通过电网将光伏发电系统将所发出的电能再次分配，为当地负载供电或用于电力调峰填谷等。并网发电系统具有很高的灵活性：当日照较强时，光伏发电系统在给自身负载供电的同时将多余的电能送入电网；而当日照不足时，即光伏电池阵列不能满足自身负载的电能供应时，其又可从电网接收电能为负载供电。并网光伏发电系统是目前世界光伏发电系统的主流应用方式，占据了光伏发电市场的主要地位 李瑞生，周逢权，李燕斌.地面光伏发电系统及应用M.北京：中国电力出版社，2011.。根据光伏并网发电系统的结构规模，其又可分为：集中式大型联网光伏发电系统（简称大型并网光伏电站）和分散性小型联网光伏发电系统（简称住宅型并网光伏发电系统）。大型并网光伏电站的最主要特点是将所发的电能直接输送给电力系统，由电网统一调配向用户供电。通常其容量从几百千瓦到兆瓦级，虽然成本较高，但是对太阳能利用率高，发电功率大，有利于缓解能源紧缺。目前我国正在以国家政策性投资和引导大型并网光伏电站发展。住宅型并网光伏发电系统的主要特点是将所发的电能直接分配给用户，多余或不足的电能由电网调节，与电网形成有效的供需互动，维持系统的功率平衡。一般其容量较小，从几千瓦到上百千瓦不等。并网光伏发电系统因与电力系统相连，其不稳定的输出功率会对系统的运行产生影响，因此光伏出力预测主要是针对并网光伏系统。并网光伏发电系统通过控制逆变器，将光伏电池阵列发出的直流电转换为交流电，输送给电力系统。其主要包括：光伏电池阵列、阻塞二极管、负载、蓄电池、DC/DC变换器、DC/AC逆变器等组件，如图2.2所示 王坤.考虑多重不确定性因素的光伏出力预测研究D.华北电力大学，2013.。图2.2 并网光伏发电系统接线示意图（1）光伏电池阵列光伏电池阵列将太阳能转换为电能输出，是光伏系统中核心基础部件。并网光伏发电一般要求发电容量达到一定的规模，因此一般需要将多块光伏电池组件按照系统的要求串并联组成光伏电池阵列。（2）汇流箱汇流箱用于对各个光伏电池板电流的汇流，以减少光伏电池阵列与变换器和逆变器之间的连线，通常采用汇流箱将若干个光伏串列进行并联，经汇流箱内汇流后，再由控制器控制其向交流、直流母线供电，或者与系统并网。（3）阻塞二极管阻塞二极管用于防止蓄电池通过光伏电池放电。在光伏电池工作时，一般其两端有不超过1V的电压降。一般要求其工作电流必须大于方阵的最大输出电流，反向耐压高于蓄电池的输出电压，以防止在蓄电池放电时电流通过光伏电池。（4）变换器变换器用于对直流电压的控制，主要是升压。通过变换器将电池阵列输出的直流电压变换到合适的电压幅值，以用于直流负载的供电或者由控制器控制对蓄电池充电。（5）控制器控制器是指由单独负责协调控制系统并网及运行过程的计算机。利用不同原理的控制程序完成光伏并网过程的控制、发电功率的最大功率跟踪及蓄电池的充放电控制等，以保证光伏发电系统的功率平衡和安全稳定运行。（6）逆变器逆变器用于对系统发出的直流电进行逆变，是并网光伏发电系统中不可缺少的重要设备。光伏发电系统必须安装逆变器才能为交流负载供电。一般逆变器具有自动稳频稳压功能，以保障光伏发电系统供电的质量。（7）蓄电池蓄电池作为光伏电站的贮能装置，用于平衡光伏发电系统的发电量与交直流负载之间的差额。在阳光充足的条件下，发电量大于负载，蓄电池将光伏电池组件所产生的多余的电能储存起来，在光照不足的阴雨天、晚间及其他负载大于光伏组件所发电量的条件下，其释放存储的电能来满足负载需求。2.3光伏电站输出功率特性和影响因素光伏发电功率与很多因素有关，包括自然因素、设备因素、人为因素等。2.3.1自然因素自然因素主要影响的是太阳辐射强度的大小。太阳高度角较低时，辐射能衰减多，辐射量较少。晴天的空中云少，大气的透明度高，太阳辐射能达到地面越多。地理纬度低，太阳入射角大，太阳辐射强度也大。日照时间越长，可以获得更多的太阳辐射。（1）太阳辐射照度对光伏发电功率的影响。太阳辐射照度是影响光伏发电系统功率输出的关键性因素，太阳辐射照度越大，光伏发电功率也就越大。不同天气类型会对辐射找到造成不同的影响，通过对不同天气辐射照度与发电功率的对比分析，可以确定它们之间有近似相同的变化规律。（2）环境温度对光伏发电功率的影响。环境温度会直接影极板温度，然后影响光伏系统输出功率的大小。环境温度升高，极板温度也升高，光伏系统转换效率变低，光伏输出功率下降。2.3.2设备因素在光伏发电系统中采用不同的太阳电池组件，其发电效率是不同的。光伏阵列的效率、逆变器的转换效率和系统的总效率，会对光伏发电量产生影响。表2.1为不同材料的光伏电池组件对比。表2.1不同材料电池组件对比单晶硅多晶硅非晶硅转换效率16%11%15%13%10%5%衰减率一般一般最大光照敏感度差差好制造成本一般一般便宜制造工艺硅棒硅锭多种化学元素发展前景一般一般最好2.3.3设计因素在设计光伏电站的时候，要考虑站址的选择，设备的选型，是否并网和后期维护，这些因素都会直接影响到光伏发电量的多少。（1）对站址的选择，需掌握当地太阳能资源数据、气象数据、水文地质资料及周边环境等。太阳能电池板安装方向不同所接受到的辐射量也不同，发电量也不一样。图2.3对不同安装朝向的电池方阵的发电量进行基本估计。图2.3 不同安装朝向的电池方阵发电量估计（2）一些阴影的遮挡会对太阳能光伏发电系统的输出功率造成影响，比如周围的建筑物，高大的树木等。阴影的面积、形状、浓度不同，影响程度也不同。即使阴影遮挡的部分很小，也会造成一定量光伏输出功率的损失。表2.2为美国国家半导体实验室测得的阵列遮挡百分比与组件功率损失的关系。表2.2 阴影遮挡对光伏输出功率的影响阵列被遮挡比例（%）组件功率损失（%）1个光电池00252550507566100753个光电池93（3）对光伏发电系统光伏阵列的设计。太阳能光伏阵列的位置和角度的不同，会直接影响到光伏阵列接受到太阳辐射能的多少，进而影响光伏发电系统的出力情况。如果光伏阵列在设计时距离太近，会造成相互之间阴影的遮挡，进而影响发电效率。（4）定期进行合理地后期维护、保养可以延长光伏组件的使用时间，提高光伏发电效率。2.3.4其他因素除上述影响因素之外，积灰、热斑、风速等会对光伏发电量产生影响。光伏电池板上面的积灰会是到达光伏电池表面的辐射能降低，使极板的温度升高，进而使光伏发电量减少。积灰和热斑会让遮挡住的组件部分温度升高，影响光伏发电效率，严重的情况下导致整个电池组件损坏，造成损失。适当的通风，会降低光伏阵列表面的温度，吹散表面的一些灰尘，进而提高发电效率；但如果风力过大，会对没有做加固的组件造成破坏。3基于小波理论的发电站输出功率预测模型3.1小波变换理论傅里叶变换（Fourier Transform）理论是数学发展史上一个重要的里程碑，它的实质是把能量有限信号分解到以为正交基的空间上去，是小波理论的基础。但傅里叶变换也有自身的弊端，其系数是常数因而不随时间而变化，因此信号完全在频域展开，不包含任何时域信息。通常傅里叶变换处理非平稳信号时精度较低，往往只能处理频谱不变的平稳信号。另外，傅里叶系数是通过全时间域上的加权平均求得，其中包括局部突变成分，因此被平均的成分不能反映局部突变信息。小波（Wavelet）理论是在傅里叶变换的基础上发展而来的，它有效地解决了以上问题。所谓“小”是指它具有衰减性；“波”是指它的波动性。小波变换是一种时频局域化的分解方法，通过小波分解，可以将信号在高频处进行时间细分，在频率低的地方进行频率细分。由于小波可以自适应地对信号进行时频分析，因此它被誉为“数学显微镜”。小波变换理论主要包括连续小波变换和离散小波变换，下面分别对连续和离散的小波变换做简要介绍。（l）连续小波变换定义是在R上一系列平方可积函数所构成的函数空间，若，得到：其中，f（t）是一列能量有限的信号，称为能量有限信号的空间。若有，且f（t）的傅里叶变换满足容许性条件，容许性条件如式3.1表示： （3.1）其中，为母小波（Mother Wavelet），也称为基小波。对母小波进行伸缩平移得到小波序列，如式3.2所示为一个小波序列： （3.2）其中，a为伸缩因子，b为平移因子。如果伸缩因子和平移因子满足且a0，定义式3.3为关于基小波的连续小波变换： （3.3）为了方便分析信号的时频特性，对原来的一维信号经过一次小波变换后变换到二维，因此变换后的信号是二维的。为了把二维信号重构到原来的一维信号，则进行小波重构，式3.4为小波重构变换： （3.4）小波变换是在傅立叶变换的基础上出现的，它具有多分辨率的特点，可以对信号进行时频域分析，它的实质将函数空间L2（R）中的任意能量有限信号f（t）展开在小波基上，通过调整不同伸缩因子和平移因子，表示为在上的投影的叠加。（2）离散小波变换定义在大部分情况下，处理数字信号的时候需要将信号离散化，仅仅使用连续小波变换有很大的局限性，因此，离散小波变换得到了发展和应用。将小波变换中的伸缩因子和平移因子进行离散化，通常取：，代入式3.2小波序列中得到离散小波序列为：，得到了离散的小波序列，相应的离散小波变换如式3.5所示： （3.5）在实际应用中，通常构造的小波函数都具有正交性，得到计算误差更小。由连续小波变换到离散小波变换，信号的基本信息不会丢失。3.2二进正交小波变换Mallat算法原理小波分析得到真正的应用开始是在1986年Meyer提出了一组小波，其二进制伸缩和平移构成L2（R）的标准化正交基。1988年S.Mallat在Meyer的基础上，从函数空间阐述了多分辨率分析，统一构造正交小波的方法，得到正交小波的构造方法。Mallat给出了通用的正交小波构造方法和小波变换的快速算法，即以其命名的Mallat算法。（1）分解算法设C0为待分解的原始信号，离散后的信号为c0，分解算法如式3.6所示： （3-6）其中，j的范围是0n， n为最大的分解层数；h为低通滤波器；g为高通滤波器；和分别为原始信号分解后得到的低频分量和高频分量，是原始信号在相邻的不同频率段上的成份。多层小波分解过程见图3.1所示。图3.1多层小波分解过程示意图图3.1中dl为第一层低频分量，c1为第一层高频分量，再分解第一层分解高频分量，依次分解。经过以上过程，最终将原始信号c0分解为多个分量d1，d2，dj和cj。该分解算法利用二抽取方式，使每层分解比分解前的信号数据长度减半。在预测中信号个数的减少是不利的，但Mallat算法分解后的信号可通过二插值重构到原个数。（2）重构算法小波分解后需要对各分量重构，重构算法的表达式如式3.7所示： （3-7）其中，j取n-1， n-2，0； 表示低通滤波器； 表示高通滤波器； 表示进行合成的低频分量； 表示需要进行合成的高频分量； c0为重构后的信号序列。多层小波重构过程见图3.2所示。图3.2 多层小波重构过程示意图小波分解后的子序列每分解依次数量减半，对分解后的信号进行重构可以增加信号个数。对cj和dj进行重构得到；和重构得到；依次类推得到，c1和c0，最终c0为重构后的信号。重构分解后的信号可以增加信号的个数，在进行小波分解时，信号的长度会逐层减半，个数改变会使预测结果不准确。因此，引入Mallat重构算法来保持信号的长度，重构算法原理是在数据列相邻的两个数之间补一个0，使得数据增长1倍，恢复原始信号的长度。3.3太阳辐照度时间序列的小波分解利用小波变换的自适应性，可以对辐照度序列的不同频率进行分析与处理，小波三层分解具体示意如图3.3所示。图3.3三层小波分解示意图小波变换有良好的时间和频率性质，分解后能观察信号的局部特性。对历史太阳辐照度进行三层小波分解，所得到的分解结果如图3.4所示。图3.4某月太阳辐照度三层小波分解仿真图根据信号的性质可以对其进行分析，既可以分析分辨率低、尺度较大的信号，也可以观察分辨率高、尺度较小的信号。对一个月的辐照度分解后，在第三层序列中己经能较好地观察其局部特性。3.4预测模型的建立利用小波Mallat算法将历史辐照度序列进行三层分解，得到了高频细节信号以及低频逼近信号，建立基于ELM的子序列预测模型，其训练模型采用前向单隐层结构，如图3.5和图3.6所示。图3.6细节序列的ELM预测模型图3.6 趋势序列的ELM预测模型图3.5和图3.7中，x为前一日太阳辐照度历史序列值；T为每个小时的测得的温度组成的序列；H为每小时测得的相对湿度组成的序列；Y为次日预测得到的太阳辐照度序列；m，M，n为网络输入层、隐含层和输出层的节点数。根据小波理论和ELM对太阳辐照度进行预测，具体预测框架如图3.7所示。图3.7太阳辐照度预测整体框架图图3.7中，为了预测第二天的太阳辐照度，首先对大量的历史太阳辐照度数据和温度数据进行预处理。对处理后的太阳辐照度序列进行三层小波分解，得到高频分量和低频分量子序列，这一步称为小波分解的过程。分别再对每个分量使用ELM进行训练和预测，将小波分解和ELM的方法结合，即WD-ELM（小波分解和极限学习机）方法。最终将分解预测得到的序列经过小波重构后，得到最终的输出功率预测值。4光伏电站的输出功率的仿真分析4.1仿真数据选择以甘肃某光伏并网电站实测数据为例进行仿真，该光伏电站自运营起实时记录每日的太阳辐照度、温度、相对湿度以及输出功率值等。由于太阳辐照度随着太阳的升起下落而变化，在夜晚时太阳辐照度的的值几乎为0。基于这种考虑，使用一天7：0019：00时间段的数据组成历史太阳辐照度序列。而晚上辐照度几乎为0的时段暂不考虑，降低了数据的冗余度。选择2014年1月一12月记录的太阳辐照度历史数据为样本集，随机选取一个月的辐照度时间序列进行验证，提前1天预测时间间隔为15min的光伏电站辐照度。首先将一个月的历史辐照度序列进行三层小波分解，得到低频分量cal，ca2，ca3和高频分量cdl，cd2，cd3。对每一个分量分别采用ELM模型进行预测，按照顺序分别记低频分量cal，ca2和ca3的预测模型依次为ELM1，ELM2和ELM3；记高频分量cdl，cd2和cd3的预测模型依次为ELM4，ELM5和ELM6。由于低频分量具有较明显的日特性，在对低频分量进行预测时，为了预测的准确，对ELM1ELM3模型采用分解后的低频序列和相关气象数据共同作为输入。也就是说将通过数值天气预报获得的其它气象因素也考虑进去，包括温度和湿度值。对高频分量进行预测的模型，仅采用各级高频序列作为输入。最后将6个预测模型的输出序列进行小波重构，得到完整的太阳辐照度预测，这里把WD-ELM记为太阳辐照度预测模型工。为了与WD-ELM模型进行对比，使用传统BP神经网络模型预测同一天的太阳辐照度，并把BP神经网络预测模型记为记为模型II。使用模型I和II分别预测的太阳辐照度结果见图4.1和图4.2所示。图4.1 WD-ELM法预测辐照度结果仿真图图4.2 BP神经网络法预测辐照度结果仿真图4.2误差分析为了定量判断预测方法，定义式4.1为平均绝对误差，式4.2为平均百分比误差： （4.1） （4.2）其中，为辐照度实测值； 为辐照度预测值；n为预测点个数。采用两种方法分别预测的辐照度与实测值比较，并用平均绝对误差和平均百分比误差定量计算，具体值见表4.1，所示误差值见图4.3和图4.4所示。表4.1两种预测方法误差对比表预测方法eMAE（W/m2）eMAE（%）基于WD-ELM辐照度19.48495.0363预测法BP神经网络预测法37.67359.4462图4.3 WD-ELM法预测辐照度误差图图4.4 BP神经网络法预测辐照度误差这里采用平均绝对误差和平均百分比误差在进行两种方法地评价和比较。通过运用平均绝对误差和平均百分比误差的方法对以上两种输出功率的预测结果进行比较，从表4.1的结果显示，通过运用WD-ELM法预测辐照度，精确度相比单纯使用BP神经网络预测模型更高，平均绝对误差仅为19.4849W/m2，平均百分比误差降低至5 .03 63 %。采用W D-ELM算法能利用小波变换将辐照度投影到不同的尺度，分解成了多尺度下的周期信号，各分量采用不同处理方式，必将提高辐照度周期分量预测的准确性。为了验证模型的精度，以甘肃省的某并网光伏电站的实测数据进行仿真，模拟得到该光伏电站功率预测数值。该光伏电站自运营起系统实时记录每日的输出功率值，另外人为记录太阳辐照度、温度和相对湿度，其中太阳辐照度和温度的采样间隔为15 min，湿度的采样间隔为1h。数据样本集由一年的历史实测功率值及每个月的气象因素组成，随机选取一天作为预测日，用这种方式来进行方法的验证。其中太阳辐照度通过基于WD-ELM预测模型得到。温度和湿度值通过数值天气预报得到。根据上文方法，输入为太阳辐照度和温度，以光伏电池和光电转换效率公式为模型，输出为光伏输出功率值。基于以上的W D-ELM算法预测辐照度，根据实测数据，使用物理原理法预测输出功率，其功率预测结果见图4.5。输出功率的预测值与实测值之间误差如图4.6所示。图4.5 输出功率仿真图为了对原理预测法在预测输出功率的误差精度定量，使用平均百分比误差和平均绝对误差进行计算。其中平均绝对误差为0.3162kW，平均百分比误差为23.9422%，预测误差较大，超过了光伏预测值的误差范围20%，需要分析导致预测误差较大的原因。由图4.3看出，预测功率值普遍比实测功率值偏大，而且误差较明显。图4.6 输出功率误差仿真图引起误差的原因很多，考虑到是从光伏发电的原理出发进行预测的，导致预测值整体偏高的原因分析可能由于以下几点造成：（1）实际运行的发电系统中可能遇到光伏电池板组件表面有污垢的情况，表面的污垢会阻拦部分太阳光的照射，使得实际接收到的太阳辐照度变小，从而影响光伏发电转换效率，并使预测值比实际输出功率值偏大。（2）真实的气象条件并不如假设的理想，大气层中云量较厚，也会阻拦部分到地面的太阳辐射；另外如果空气中的悬浮颗粒较多、或出现雾霾等现象，可能会对太阳光产生折射和反射，阻拦部分太阳光，这些都会对太阳辐射强度造成影响。5 结语通过对并网型光伏电站的输出功率的精确预测，能够促进相关调度部门对于调度计划的制定与调整，在使用太阳能的过程中能够更加的高效，并且维护电网的安全与稳定运行，从而发挥并网的优势，创造出更高的经济效益与社会效益，并网对并网光伏电站的太阳能输出功率以及太阳辐照度的预测方法进行了研究，通过分