太阳能光伏发电量预报方法的发展_李芬

气 候 系 统 变 化 www.climatechange.cnAdv. Clim. Change Res., 2011, 7 (2): 136 － 1421 3 6气 候 变 化 研 究 进 展第 7 卷 第 2 期2011 年 3 月 ADVAN CES IN CLIMATE CHANGE RESEARCHVol. 7 No. 2March 2011文章编号： 1673-1719 (2011) 02-0136-07太阳能光伏发电量预报方法的发展引 言太阳能资源开发利用是整个可再生能源中投资增长速度最快的 ［ 1］ ， 其中太阳能光伏发电成为太阳能资源利用的主要方式之一。 根据欧洲光伏产业协会 （ EPIA ） 统计 ［ 2－ 3］ ， 1994 — 2009 年全球光伏累计装机容量增长迅速，发展趋势呈指数增长，如图 1所示，仅 2009 年新增光伏装机容量就多达 7.2 GW（标称输出功率，下同） ；截至 2010 年年底，全球光伏累计装机容量接近 40.0 GW ， 年发电量相当于 45TW? h。据乐观预测，到 2030 年，全球光伏累计装机容量可达 1864.0 GW ，年发电量约 2600 TW ? h，可以满足欧洲一半以上电力需求 ［ 4］ 。自 2001年并网光伏发电系统所占份额超过离网李 芬 １ ，陈正洪 １ ，成 驰 １ ，段善旭 ２（１ 湖北气象服务中心，武汉 ４３００７４；２ 华中科技大学电气与电子工程学院，武汉 ４３００７４）摘 要： 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。太阳能光伏发电量预报，主要是通过太阳总辐射的准确预报，结合光伏电站历史发电量数据分析，进而得到光伏发电量预报。通过对国内外太阳能光伏发电量预报方法的介绍和分类，以及对国际上太阳能光伏发电量预报系统建设的介绍，希望对我国太阳能光伏发电量预报系统发展起到一定的促进和推动作用。关键词： 光伏发电；效率模型；气象要素；太阳总辐射；预报；动力 － 统计方法中图分类号： TM615 文献标识码： A光伏发电系统后，并网光伏发电成为光伏发电的主流。据统计， 2006 年全球并网光伏发电系统所占份图 1 1994 — 2009 年全球累计光伏装机容量Fig. 1 Global cumulatively installed PV capacity (MW) in theperiod 1994 － 200925000200001500010000500001994199519961997199819992000200120022003200420052006200720082009年份光伏装机容量/MW收稿日期： 2010-09-03； 修回日期： 2010-11-19资助项目： 科技部 2010年度公益性行业（气象）科研专项（ GYHY201006036 ） ；华中区域气象中心科技发展基金重点项目（ QY-Z-201010 ） ；中国气第一作者： 李芬（ 1984 —） ，女，工程师，从事可再生能源发电变换控制和预报技术研究。 通信作者： 陈正洪， E-mail: chenzh64@126.com象局 2010、 2011 年度工作任务（气预函 [2010]76 号， [2010]174 号）www.climatechange.cnAdv. Clim. Change Res., 2011, 7 (2): 136 － 142 1 3 72 期 137李芬，等：太阳能光伏发电量预报方法的发展额达到 75% 以上 ［ 5］ 。 2004 年以来， 随着大规模集中并网光伏发电系统容量的增加，为了避免并网光伏发电系统输出功率固有的间歇性和不可控等缺点对电网的冲击， 人们开始关注光伏发电量 （或功率） 预报技术。通过对太阳辐射的预报，结合光伏电站历史发电量数据分析得到光伏发电量的预报，即为太阳能光伏发电量预报技术。太阳能光伏发电量预报是太阳能光伏发电系统中的一个重要的组成部分。此前，国内外对光伏发电系统的研究大多集中在太阳能电池材料技术、最大功率跟踪算法、并网逆变器电路拓扑、并网稳定性如孤岛效应的防护、并网谐波抑制等方面 ［ 6－ 7］ 。 对光伏发电系统发电量预报技术的研究则相对较少，起步较晚。建立光伏发电量预报系统，基于如下几方面的考虑：受太阳辐射周期变化的影响，光伏发电出力的变化具有很强的周期性，包括日变化和季节变化周期。光伏发电系统主要是在每天的 08:00 — 18:00这段时间内输出电力。在夏季，光伏发电系统日发电量曲线和电力负荷日变化曲线有很好的相似性，在负荷高峰期， 光伏发电系统能较好地提供电力， 起到调峰的作用。例如，在德国，夏季光伏发电出力约占峰值负荷需求的 2% ［ 8］ 。 气象要素变化的随机性导致了光伏发电出力变化的不连续性和不确定性，且光伏发电装机容量在电力系统中比例的增大将会对电网的安全性、 稳定性、 经济运行造成一定影响。根据美国学者 Edward ［ 9］ 的研究， 在一个电网中光伏发电装机容量比例一般不宜超过电网总容量的10%～ 15%， 否则整个系统将难以运行。 因此光伏发电量预报技术对于电力系统调度、 电力负荷配合、 常规能源发电规划和光伏发电规划等具有重要的指导意义。１ 国内外光伏发电量预报方法概述目前，国外光伏发电量预报技术研究已有一定的发展，如德国、瑞士、西班牙、日本等国已展开利用气象预报对光伏电站发电量进行预测的研究和应用。 德国 Oldenburg 大学 Lorenz 等 ［ 10］ 根据欧洲中尺度天气预报中心 （ ECMWF ） 提供的未来 3天太阳总辐射预报数据， 结合德国境内 11个光伏电站观测资料来预报光伏发电量，经校验，在 2007 年 4 月和7月， 光伏发电量预报的相对均方根误差分别为 39%和 22%。 西班牙 Joen大学 Almonacid 等 ［ 11］ 采用神经网络方法，以实测的光伏组件板温、入射太阳总辐射为输入值， 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 ［ 12］ 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%。国内光伏发电量预报技术尚处于研发阶段。华北电力大学栗然等 ［ 13］ 结合光伏组件数学模型和保定地区气象资料，模拟了 30 MW 光伏电站发电量数据，利用支持向量机回归分析方法，进行发电量预测。 但该方法无实际光伏电站的实况发电量资料， 缺乏实验验证，对实际光伏电站发电量预报的指导意义有限。华中科技大学在全国较早收集并网光伏电站资料， 自 2005 年起开始对 18 kW 太阳能光伏电站记录的直流输出功率、交流输出功率以及发电量等大量时间分辨率为 5 min 的资料进行收集。 华中科技大学陈昌松等 ［ 14］ 结合这些历史发电量数据和同期气象数据（日最高气温、日天气类型）分析，利用神经网络方法，建立了基于逐日天气预报信息的光伏发电量预测模型。该方法将天气情况按日天气类型云天 ／ 晴天 ／ 雨天划分，对次日转折天气发电量预报误差有明显改善，但对一天内天气类型剧烈变化的情况则无法满足逐时预报的要求。总的说来，国内外光伏发电量预报技术主要可分为如下 3 类： 一是基于太阳总辐射预报和光伏 I/V特性曲线仿真模型 ［ 10， 15－ 16］ 的仿真预报法；二是基于气 候 系 统 变 化 www.climatechange.cnAdv. Clim. Change Res., 2011, 7 (2): 136 － 1421 3 8138 2011 年气 候 变 化 研 究 进 展太阳总辐射预报和光电转换效率模型 ［ 17－ 21］ 的原理预报法 ； 三是基于历史气象资料 （天气情况或 （和） 太阳总辐射资料）和同期光伏发电量资料，采用统计学方法 （如多元回归、 神经网络等相关算法） ［ 11－ 14， 22－ 23］ 进行分析建模，再输入数值模式预报结果的动力 － 统计预报法。对于第一种方法，其仿真模型的建立基于理想条件下光伏组件的电气特性数学公式推导和求解，在此省略。本文重点介绍后两种方法。２ 原理预报法原理预报法，是根据太阳能电池光伏发电的物理原理（光生伏打效应，即半导体材料表面受到太阳光照射时， 在半导体内产生大量电子－空穴对， 在内建电场作用下运动，产生光生电动势）和光电转换效率定义，建立影响光电转换效率的经验公式和合理的经验系数，输入太阳总辐射预报值，进行光伏发电量预报。根据文献［ 24］中光电转换效率的定义， 光伏组件输出功率（直流）表达式为式中， Pd 为直流输出功率（单位： W）， η 为光电转换效率， A 为面积 （单位： m2） ， G 为辐射度 （单位：W /m 2） 。 式 (1) 中未考虑阵列组合损失、 连接损失等的影响。光伏发电量 E （直流量） 计算公式为结合公式 (1) － (2) ， 在建立的光电转换效率模型基础上，输入太阳总辐射预报值，即可获得光伏发电量（是直流发电量，将在后续研究中考虑最终交流并网时并网逆变器 DC/AC 转换的能量损失） 预报值，其预报精度依赖于光电效率模型和太阳总辐射预报的准确性。２．１ 光电转换效率模型对光生伏打效应的研究发现， 入射光谱辐射度、电池温度会直接影响太阳能电池输出电压和电流大Pd (t) = η AG。 (1)E =∫ P(t) dt。 (2)小，进而影响光电转换效率。常用的光电转换效率模型主要有常系数效率模型 ［ 17］ ， 单一负温度系数模型 ［ 18－ 19］ ， 综合温度和太阳总辐射的两要素模型 ［ 20］ 等几种。常系数效率模型是最简单的一种效率模型，它直接使用太阳能电池厂商提供的标准测试条件（入射光辐射度为 1000 W/m 2、气温为 25 ℃、大气质量为 AM1.5 ） 下的标称效率 η s。 不同材料太阳能电池，其标称效率不同。商用的光伏组件，晶体硅电池为12%～ 18%，非晶硅薄膜电池为 5%～ 8%， CIGS 薄膜电池为 5%～ 11%。单一负温度系数效率模型，考虑日间实际光伏组件的板温一般会高于气温， 在 25～ 80℃随着电池板温的增加，光电转换效率会有所降低，即式中， Tc为板温 （单位：℃） ， β 为温度系数 （单位：℃ － 1） 。 β 与太阳能电池材料有关， 对于晶体硅材料，β 取值在 0.003～ 0.005 ℃ － 1 之间。温度和太阳总辐射的两要素模型，综合考虑太阳总辐射和板温的非线性影响，式中， a1、 a2、 a3 为经验参数， 可通过最小二乘法求解。２．２ 太阳总辐射预报根据预报时间尺度划分，目前太阳总辐射预报方式可分为超短时 （ 1 h以内） 和短时临近 （ 0～ 5 h）太阳总辐射预报， 使用卫星云图资料外推 ； 短期 （ 5 h以上到 3 d） 太阳总辐射预报， 主要使用 MM5 、 WRF 、NDFD 、 ECMWF 、 GFS/WRF 等 ［ 25］ 中尺度数值预报模式，并对模式结果进行订正和解释应用；短期预报也可采用回归或神经网络方法 ［ 17， 19］ 等统计学方法。数值预报模式得到了广泛的应用， 以 ECMWF 、 GFS/WRF 为例，对德国 2007 年 7 月至 2008 年 6 月期间某一天的太阳总辐射进行预报试验，不同模式和处理下误差情况如表 1 所示 ［ 26］ 。 从表 1 可见， ECMWF模式预报效果最好。η (Tc) = η s [1－ β (Tc－ 25)]。 (3)η (G, Tc) = (a1+ a2G +a3lnG ) [1－ β (Tc－ 25)] 。 (4)www.climatechange.cnAdv. Clim. Change Res., 2011, 7 (2): 136 － 142 1 3 92 期 139李芬， 等 ： 太阳能光伏发电量预报方法的发展表 1 不同模式对德国未来一天太阳总辐射预报误差分析 [26]Table 1 RMSE, MAE, and MBE for the three global solar radiation forecasting approaches, first forecast day, complete German data set [26]中尺度模式 研究机构 时空分辨率 运行方式 RMSE/(W/m 2) MAE/(W/m 2) MBE/(W/m 2 )Oldenburg 大学（德 国 ）ECMWFMeteotest（瑞 士 ）GFS/WRFCENER（西班牙）Skiron/GFS0.25° × 0.25°3 h5 km × 5 km1 h0.1° × 0.1°1 h结合清晰度指数统计后处理水平面太阳总辐射直接输出基于学习机模型的后处理92(40.3%)118(51.8%)113(49.9%)59(26.2%)74(32.6%)72(31.5%)－ 7(－ 2.9%)－ 1(－ 0.3%)13(5.9%)注： RMSE 为均方根误差， MAE 为平均绝对误差， MBE 为平均误差，括号内数值为相对误差。此外，介绍几种模式订正方法。文献［ 10］利用ECMWF 提供的未来 3 d 每 3 h的太阳总辐射预报数据， 结合清晰度指数和插值法预测未来 3 d的逐时太阳总辐射， 并采用偏差校正避免了模式输出在云天情况下固有正偏差的影响， 使得相对平均误差接近零，对德国 2007 年 5 月的 6 d 实测太阳总辐射和预报值进行校验， 对于单站点未来 1 d预测的相对均方根误差为 36.9%， 未来第 3天预测的相对均方根误差为 46.3%； 不过由于空间平均效应， 随着观测站点增加（样本充分） ，在空间范围为 9° × 10° 未来 1 d 预测的相对均方根误差降低为 13.4%， 未来第 3天预测的相对均方根误差为 22.5%。 文献［ 12］ 在现有天气实况和数值预报基础上，结合临近订正预报，即采用“预报＋实测＋临近订正”方法，以降低天气预报失误对于发电量预报准确性的影响。 文献［ 16］对日本气象厅 1994 — 2003 年 10年间基于云量和气溶胶的数据和同期太阳总辐射数据，按天气、日期、时间分类，根据晴天 ／ 雨天 ／ 云天将天气划分为 14 种变化类型， 采用不同订正因子， 以提高对未来 1 d逐时太阳总辐射预报的准确率。３ 动力 － 统计预报法动力 － 统计预报法，其模型的建立不考虑光电转换物理意义， 通过对历史观测数据资料进行分析和处理 （统计学方法） ， 可以采用常规的预测方法如指数平滑法对光伏发电量序列进行时间序列分析 ［ 24］ ，以历史发电量预报未来发电量， 该方法最大优点是简单， 但只适应于发电量变化不大的平稳时间序列 ；或是采用自回归分析方法 ［ 12－ 13， 22－ 23］ 、 神经网络 ［ 11， 14］等数学方法， 探寻影响光伏发电量的多种气象要素，建立光伏发电系统出力与气象要素相关性的统计模型后， 输入天气预报或 （和） 太阳总辐射预报值， 进行发电量预测，该类方法可以考虑到各种气象要素对光伏系统发电量的影响，预测精度好，但是算法相对复杂。３．１ 统计模型动力 － 统计预报法中直接对发电量序列进行趋势分析，以历史发电量预测未来发电量，预测误差大，实际应用意义不大。而应用较多的是采用线性回归分析方法或非线性方法如支持向量机、神经网络等方法，寻找气象要素与光伏发电量相关性统计模型。(1) 多元多项式回归模型 ［ 22－ 23］ 。 考虑到太阳总辐射、气温、风速等气象要素对光伏发电的影响，通过大量实况数据的处理，获得通用性较好的多项式回归模型 ：式中， Ta为气温， v为风速， a、 b、 c、 d 为回归系数。(2) 神经网络模型 ［１１， 14］ 。 文献［ 11］中采用神经网络， 建立发电量与太阳总辐射、 板温的函数模型， 历史拟合效果好， 优于式 (3) 所示传统效率模型， 但发电量预报严重依赖于太阳总辐射预报准确性；文献［ 14］中采用神经网络训练出基于逐日天气预报信息的光伏发电量预测模型，利用了光伏历史发电量序列的自相关性，但缺乏详细的气象资料，只考虑日天P = G (a + bG + cTa+ dv)。 (5)Adv. Clim. Change Res., 2011, 7 (2): 136 － 1421 4 0气 候 系 统 变 化 www.climatechange.cn140 2011 年气 候 变 化 研 究 进 展气类型 （类似电力系统负荷预测） 和日最高气温， 未能找出影响光伏发电量的关键逐时气象要素。目前常用的统计模型存在一些局限，有待于我们进一步的研究，如多元回归分析法存在的最大缺点是随机误差较大、模型适应性不强；神经网络算法收敛速度慢、效率低下，容易陷于局部极小，更为重要的是其求解过程对外呈现黑匣子，缺乏必要的物理参考意义。３．２ 动力模式动力学模式是基于大气质量、动量、能量守恒以及大气状态方程等基本物理原理，模拟大气运动的计算流体动力学模式，也称物理大气模式，可分为预报模式和诊断模式 ［ 27］ 。 数值天气预报是一个决定太阳能发电量预报精度的重要因素，它可以提供太阳总辐射预报， 具体分析可以参考 2.2节太阳总辐射预报。４ 预报校验对太阳能光伏发电量预报系统的评估（预报误差的校验）可分为对太阳辐射预报误差的检验和直接对光伏发电系统发电量预报的误差校验，可以采用均方根误差、平均绝对误差、平均误差、相对均方根误差、相对平均绝对误差和相对平均误差等分析方法。太阳辐射预报误差随着气候和环境的不同而变化， 根据德国 Oldenburg 大学 Lorenz 等 ［ 26］ 利用中尺度模式 ECMWF 和 WRF 分别对欧洲的西班牙、 德国、瑞士、 奥地利 4国进行研究， 短期太阳辐射预报 （未来 1 d）的相对均方根误差分别为 20.8%～ 45.6% 和22.9%～ 55.4%，相对平均绝对误差分别为 12.2%～29.2% 和 14.7%～ 34.7%， 且误差随着预报时间的向前推移而迅速增加， 要提前 3 d的预报则相对均方根误差上升到 22.4% ～ 50.5% 和 26.9% ～ 62.9％，相对平均绝对误差分别为 13.2% ～ 32.3 ％ 和 18.3% ～39.7%。根据华中科技大学对光伏发电量的短期预报研究，加入天气预报信息的神经网络模型，在日天气类型发生变化时的日平均相对平均绝对误差为18.9% 。５ 国外光伏发电量预报系统建设目前发达国家加快了太阳能辐射预报方法的研究。 如美国国家可再生能源实验室 （ NREL ） 用卫星遥感和地面观测的云量、气溶胶光学厚度、大气可降水量、反照率、气压和臭氧等资料建成了美国和全球太阳能资源数据库，包括太阳总辐射、直接辐射和散射辐射等， 2008年启动的太阳资源和气象普查项目将提供更高质量的太阳辐射观测，生成的数据可为改进太阳辐射模式和发展研究太阳能预报提供依据。 加利福尼亚大学默塞德分校 （ University ofCalifornia Merced ） 研究开发了一种地面太阳辐射观测站， 利用它的实时观测数据， 结合卫星和雷达图象处理数据开发出计算实时太阳能临近预报的方法。在此基础上建成太阳能 24～ 36 h 的短期预报系统。在美国从事可再生能源普查和预报的 3TIER 公司在西部的风能和太阳能一体化研究项目中为 NREL 提供太阳能预报， 并开发太阳总辐射、直接辐射和散射辐射的预报模型。国外已有少数研究机构建立了以数值天气预报为基础进行光伏发电功率预测的系统，比如丹麦ENFOR 公司的 SOLARFOR 系统将光伏发电系统历史发电量数据和短期数值天气预报输出要素结合，实现光伏发电的短期功率预测；美国 WindLogics 公司正着手开发适合光伏发电功率预测需求的数值天气预报模式，计划将卫星遥感数据以及地面云量观测信息纳入整个模式体系，形成多信息融合的综合预报系统。６ 结论与展望在对国内外文献广泛调研的基础上，较为全面地论述了太阳能光伏发电量预报技术的研究现状和最新动态， 对各种方法进行较为详细的分类总结， 分析比较其优缺点。基于太阳总辐射预报和光伏仿真模型的仿真预报法以及基于太阳总辐射预报和光电www.climatechange.cnAdv. Clim. Change Res., 2011, 7 (2): 136 － 142 1 4 12 期 141李芬， 等：太阳能光伏发电量预报方法的发展转换效率模型的原理预报法，都严重依赖于太阳总辐射预报的准确性和物理模型的精确度；而基于历史气象资料 （天气情况或 （和） 太阳总辐射资料） 和同期光伏发电量资料，再输入数值模式预报结果的动力 － 统计预报法，取决于对影响光伏发电量的关键气象要素研究、 相关性分析以及气象预报准确性。因此，如何在已有研究成果基础上继续完善、改进和探索新的方法，找出影响光伏发电量的关键气象要素 （如辐射度、 板温、 云况） ， 提高气象要素预报的准确率（加入地面观测资料或卫星资料进行订正） ，建立合适的光伏发电量气象预报模型已成为太阳能光伏发电量预报系统研究亟待解决的问题。参考文献[1] 孟浩 ,陈颖健 . 我国太阳能利用技术现状及其对策 [J]. 中国科技论坛 , 2009, 5: 96 － 101European Photovoltaic Industry Association (EPIA). Global outlook forphotovoltaics until 2014 [R]. Brussels: EPIA, 2010: 1 － 25European Photovoltaic Industry Association (EPIA). Solar photovoltaicelectricity empowering the world [R]. Brussels: EPIA, 2011: 1 － 100杨金焕 , 于化丛 , 葛亮 . 太阳能光伏发电应用技术 [M]. 北京 : 电子工业出版社 , 2009: 13 － 14Winfried H. PV solar electricity: status and future [C]//Proc SPIE, 2006:1－ 8赵品 , 赵争鸣 , 周德佳 . 太阳能光伏发电技术现状及其发展 [J]. 电气应用 , 2007, 26 (10): 6 － 10赵清林 , 郭小强 , 邬伟扬 . 光伏发电系统孤岛保护建模与仿真研究 [J].太阳能学报 , 2007, 28 (7): 721 － 726Bofinger S, Heilscher G. Solar electricity forecast: approaches and firstresults [C]. 21st European Photovoltaic Solar Energy, 2006: 1－ 5Edward S C. 可持续能源的前景 [M]. 北京 : 清华大学出版社 , 2002:74－ 75Lorenz E, Hurka J, Heinemann D, et al . Irradiance forecasting for thepower prediction of gridconnected photovoltaic systems [J]. IEEE Journalof Selected Topics in Applied Earth Observations and Remote Sensing,2009, 2 (1): 2 － 10Almonacid F, Rus C, Pe′ rez P J, et al. Estimation of the energy of a PVgenerator using artificial neural network [J]. Renewable Energy, 2009,34 (12): 2743－ 2750[2][3][4][5][7][8][6][10][9][11]Kudo M, Nozaki Y , Endo H, et al. Forecasting electric power generationin a photovoltaic power system for an energy network [J]. ElectricalEngineering in Japan, 2009, 167 (4): 16－ 23栗然 , 李广敏 . 基于支持向量机回归的光伏发电出力预测 [J]. 中国电力 , 2008, 41 (2): 74 － 78陈昌松 , 段善旭 , 殷进军 . 基于神经网络的光伏阵列发电预测模型的设计 [J]. 电工技术学报 , 2009, 24 (9): 153 － 158周德佳 , 赵争鸣 , 吴理博 , 等 . 基于仿真模型的太阳能光伏电池阵列特性的分析 [J]. 清华大学学报 , 2007, 47 (7) : 1109 － 1112Shimada T, Kurokawa K. Grid-connected photovoltaic systems withbattery storages control based on insolation forecasting using weatherforecast [J]. Renewable Energy, 2006: 228－ 230Voyant C, Muselli M, Paoli C. Predictability of PV power grid performanceon insular sites without weather stations: use of artificial neural networks[R]. 24th European Photovoltaic Solar Energy Conference, 2009: 1 － 4Perpinan O, Lorenzo E, Castro M A. On the calculation of energy producedby a PV grid-connected system [J]. Progress in Photovoltaics: Researchand Applications, 2006, 15(3) : 265 － 274Yona A, Tomonobu S, Saber A Y. Application of neural network to 24-hour-ahead generating power forecasting for PV System [C]//Proc IEEEPES, 2008: 1－ 6Beyer H G, Bethke J, Drews A, et al. Identification of a general model forthe MPP performance of PV-modules for the application in a procedurefor the performance check of grid connected systems [R]. 19th EuropeanPhotovoltaic Solar Energy Conference, 2004: 7－ 11Durisch W, Tille D, Wo ¨ rz B, et al. Characterisation of photovolaticgenerators [J]. Applied Energy, 2000, 65 (14): 273－ 284Whitaker C, Townsend T U, Newmiller J D, et al . Application andvalidation of a new PV performance characterization method [C]//ProcIEEE PVSC, 1997: 1253 － 1256Didier M, Lucien W, Yves P, et al . Performance prediction of grid-connected photovoltaic systems using remote sending [R]. InternationalEnergy Agency Photovoltaic Power Systems Programme, IEA PVPS Task2 Report IEA-PVPS T2-07, 2008Radziemska E. The effect of temperature on the power drop in crystallinesilicon solar cells [J]. Renewable Energy, 2003, 28: 1－ 12Aznarte J L, Girard R, Kariniotakis G, et al. Forecasting functions withfocus to PV prediction for microgrids: short-term forecasting ofphotovoltaic power production [R]. 2009: 1 － 21Lorenz E, Remund J, Mu ¨ ller S, et al . Benchmarking of differentapproaches to forecast solar irradiance [R]. 24th European PhotovoltaicSolar Energy Conference, 2009: 1－ 10柳艳香 , 陶树旺 , 张秀芝 . 风能预报方法研究进展 [J]. 气候变化研究进展 , 2008, 4 (4): 209 － 214[14][15][16][17][18][19][20][21][22][23][24][25][26][27][13][12]气 候 系 统 变 化 www.climatechange.cnAdv. Clim. Change Res., 2011, 7 (2): 136 － 1421 4 2142 2011 年气 候 变 化 研 究 进 展Review on Forecast Methods for Photovoltaic Power GenerationLi Fen 1, Chen Zhenghong1, Cheng Chi1, Duan Shanxu2(1 Meteorological Service Center of Hubei Province ,Wuhan 430074, China ; 2 College of Electrical andElectronics Engineering, Huazhong University of Science and Technology, Wuhan 430074, China )Abstract: Solar photovoltaic technology is becoming one of the hot issues in the field of renewable energy generation.In future, China s large-scale grid-connected photovoltaic power generation system will be continuously in rapiddevelopment. But, so far, the exploring of photovoltaic power generation forecasting is still weak, and there are fewmethods available to meet the practical needs of photovoltaic power generation prediction in China. Photovoltaicpower generation prediction means to accurately predict solar irradiances at first, and then in combination with theanalysis of the historic power generation data of photovoltaic power station, to further forecast photovoltaic power.In this paper, we briefly introduce and classify several types of photovoltaic power generation forecasting models,such as the simulation-prediction method based on global solar radiation prediction and photovoltaic simulator, thephysical prediction method based on global solar radiation prediction and photoelectric conversion efficiency model,the statistic-dynamic method based on the meteorological data and photoelectric power generation data processingand numerical weather prediction. Meanwhile, we also simply introduce photovoltaic power generation forecastingplatform s construction abroad.Key words: photovoltaic power generation system; efficiency model; meteorological factors; total solar radiation;forecasting; statistic-dynamic method继 2007 年 IPCC 第四次评估报告发布以来， 人类活动所引起的全球变暖问题已引起国际社会更多关注，特别是对气候变化的影响有了更深的了解和认知。近日，IPCC 第五次评估报告（ AR5 ）第二工作组在日本筑波召开了第一次主要作者会议， IPCC AR5 秘书处成员，第二工作组报