基于BP神经网络的光伏发电功率预测模型研究(3)
辐射为输入值，对应条件下实测 I/V 曲线为目标函数，利用反向传播算法 L-M 优化方
法 ， 训练多层传感器 （ MLP) ， 求解出逼近实际工况的 I/V 曲线 , 建立了光伏发电量与
太阳总辐射 、 板温之间的函数关系 。 以 Joen 大学 19.08 kW 的光伏电站为例 ， 经校验 ，
2003 年发电量预报值与实测数据的历史相关系数高达 0.998 。日本 NTT Facilities 公司
Kudo 等根据历史天气资料和日本爱知县世博园区 330 kW 光伏系统发电量数据，进行
多元回归分析 ， 建立预报方程 ， 预测未来一天 05:00 — 19:00 的逐时发电量 ， 并利用 “ 预
报＋实测＋临近订正 ” 的方案，降低天气预报失误对于发电量预报准确性的影响。经
校验， 2005 年 3 月 25 日至 9 月 26 日，日均发电量预报误差为 25.6% ，时均预报误差为
30.53% 。
1.1.2 国内预报技术的发展
太阳能光伏发电技术成为当今世界可再生能源发电领域的一个研究热点。在未
来 ， 我国大规模的并网光伏发电系统将持续快速发展 ， 但目前我国对太阳能光伏发电
量预报方法的研究还很薄弱 ， 几乎没有可满足实际太阳能光伏发电量预报需求的方法
和系统。依托科技部公益性行业（气象）专项和 2011 年现代气候业务建设试点项目，湖
北省气象局于 2011 年牵头研制完成了我国第一代 “ 太阳能发电预报系统 ” ，目前，该
系统在部分省市成功推广应用，为光伏企业提供太阳辐射和光伏发电预报服务，实
现了太阳能预报技术领域零的突破和科研成果转化为现实生产力的质的飞跃，被中
国气象局评为 2011 年度创新项目。
在充分调研光伏电站、电力调度部门等专业用户的需求和使用特点的基础上，
项目组攻克了各类资料格式和接口规范的制定、动态统计预报方法的实现、逆变器
输出气象模型的建立、模型参数的遴选、预报流程的优化以及系统软件的计算机实
现等多个技术难题，最终以中尺度数值天气预报模式（如 WRF\M-Grapes ）产品为
基础，研发了太阳能预报系统，实现了光伏电站辐射量和发电量的实时监测，及未
来 3 天的逐小时预报服务。
系统研制成功后，先后在华中科技大学 18KW 试验电站、武汉日新科技股份有
限公司 1.2MW 光伏电站开展预报服务 。 武汉地区预报检验结果显示 ， 电站逐时发电
量预报与实况的相关系数在 0.60 以上，通过信度为 0.001 的显著性检验，平均绝对百
分比误差 8.0%-8.3% 之间，相对均方根误差为 11.9%-13.9% ，较好地满足了电力调度
的需求（其标准为不超过 20% ） 。
1.2 1.2 1.2 1.2 基于基于基于基于 BPBPBPBP 神经网络光伏预测模型的优缺点 神经网络光伏预测模型的优缺点 神经网络光伏预测模型的优缺点 神经网络光伏预测模型的优缺点
神经网络模型考虑的因素较多 ， 所需样本数据相对多元线性回归模型较少 ， 模型
只需要一组输入输出样本 ， 无需输入输出变量具有确定的关系 ， 因而大大简化了建模
的过程。另外针对光伏系统发电的不确定性对配电系统的影响，可对不同的天气 、 季
节下的样本数据进行划分 ， 考虑光伏发电和气象部门天气预报的相关性 ， 建立不同的
训练样本 ， 在不同的天气 、 季节对光伏系统发电量做出预测 。 在一些随机非线性的问
题上，实践证明神经网络处理有较好的优势，预计用该模型预测光伏系统的出力 ， 误
差最小 ， 能有力的提高光伏发电的稳定性和供电可靠性 。 该模型还可随时 更 换训练样