引言
随着社会经济持续快速发展，能源生产和消费正在经历高速增长的时期，而地球化石燃料规模不断缩小，煤、石油和天然气等资源愈加紧张匮乏，环境问题也愈发突出和尖锐。能源的清洁化、绿色化已长期成为整个社会发展的焦点与热点，太阳能、风能、水能等可再生能源的开发利用率正逐年上升，其中，突出代表之一就是光伏发电技术的快速发展。近年来，尤其是生态文明贵阳国际论坛2018年年会之后，光伏发电在贵州电力需求中所占比重快速增长，对贵州电网的影响也越来越明显。
光伏发电系统根据光生伏打原理，将太阳能直接转化为电能，具有无污染、可再生、安全性高等优点[1-2]。但同时，光伏发电效率受天文、地理、环境和气象、硬件设备等多种因素的影响，功率输出是一个非平稳的随机过程[3-5]，具有间歇性、波动性以及不确定性的特点，大规模的光伏并网会对电网的稳定性造成冲击，增加电网计划和调度的难度，影响电网运行稳定性[6-7]。因此，建立科学的预测方法，提供准确及时的光伏发电功率预测值，为调度运行人员制定科学合理的发电计划提供可行有效的依据，对增强电网运行的经济属性具有重要意义。
目前国内外对光伏功率的预测方法已有大量研究，从算法角度可以分为物理模型法和统计模型法。其中比较常用的是基于神经网络的光伏发电预测技术，包括径向型神经网络、递归神经网络、前向反馈神经网络以及遗传神经网络等，而随着更多的智能算法被应用于光伏发电功率预测的领域，衍生出更多与神经网络相结合的统计模型法。另外由多个模型以某种规则集成的方法也被应用到光伏发电功率预测的领域，并且取得了较好的效果。此外，随着预测技术趋于成熟，各国相继建设了预测系统平台，并将成果应用于市场，取得了显著的经济效益[8-9]。
太阳能资源开发利用对气象服务的需求是多方面的，基本贯穿整个光伏生命周期全过程，包括太阳能资源监测及评估、气象风险评估、太阳能发电功率预报、气象灾害预警、光伏电站性能评估等[10-11]。
1贵州光伏发电装机容量及其变化
如图1中所示，2018年底是贵州光伏发电装机容量建设发展的分水岭，自2019年起就有明显跃增，随后几年依然持续迅猛增长态势，到2022年底还将在2021年的基础上翻倍，光伏发电装机的占比（占贵州总的发电，包括火电、水电、风电和光伏发电）也在2019年开始显著增加，直至2021年底装机占比相较2017年增加了6倍。
图1 贵州省光伏总装机容量以及光伏占比
2贵州光伏电站分布情况
从贵州光伏电站分布情况来看，光伏发电企业主要集中在贵州西部和南部边缘地区，包括毕节市中西部、六盘水市北部和南部边缘、安顺市大部、黔西南州大部、黔南州南部边缘。其中分布最密集的区域为威宁市、普安县、晴隆县、安龙县、贞丰县、关岭县。
贵州以集中式光伏电站为主，分布式为辅，大部分修建于山坡、丘陵区域，同一电站光伏板分布也缺乏朝向、排列、海拔、位置的一致性。贵州山地光伏特征显著，以关岭县某一光伏电站为例，电站地形自东北向西南倾斜，构成半山谷半丘陵地带，山丘之间分散坝子、槽谷，地形起伏较大，场区海拔最大可达600米。
光伏电站因其特性具有较高的土地占有率，类型有以林地及灌木林地为主的林业光伏互补电站，以茅草坡地为主的农业光伏互补电站，毗邻水库的水光互补电站以及水光农互补电站。以互补形式存在的光伏电站有利于水土保持和改善贵州山地种植条件，进而促进了当地农产品产能的提升，有效助力乡村振兴。
3贵州光伏发电调度运行体系与考核标准
贵州光伏发电并网调度分三级调度，分别为南方电网总部直接调度，南方电网贵州电网分公司直接调度（省级调度）以及贵州各地级市供电局调度（地方调度）。光伏电站属于直流输出，升压站分为三种，110kv、220kv以及500kv，其中500kv一般为南方电网总部直管。
贵州光伏电站在建成投运前需配置至少1套光伏功率预测系统，其目的是根据光伏出力调整电网调峰容量，以提高电网接纳光伏电能的能力、改善电力系统运行安全性和经济性。该系统需搭建数值天气预报模块，具备未来三天或未来一周短期光伏功率预测以及逐15min滚动更新的未来4h超短期光伏功率预测功能。短期和超短期预测值的时间分辨率均为15min。超短期预测要求每15min自动向电力调度部门滚动上报未来4h的光伏电站发电功率预测值。短期预测每天自动定时向调度部门上报次日0~24h或更长时间的光伏电站发电功率预测值。
单个光伏发电站的短期光伏发电功率预测月平均准确率应不低于85%，月平均合格率应大于80%；超短期光伏发电功率预测月平均综合准确率应不低于90%，月平均合格率应大于85%。
4光伏发电组件类型和逆变器分类
电池是太阳能发电系统中最重要的组件，是收集太阳光的基本单元，大量的电池合成在一起构成光伏组件。太阳能光伏电池主要有晶体硅电池（包括单晶硅Mono-Si、多晶硅Multi-Si、带状硅Ribbon/Sheet-Si）、非晶硅电池（a-Si）、非硅电池（包括硒化铜铟CIS、碲化镉）。
单晶硅、多晶硅太阳能电池具备制造技术成熟、产品性能稳定、使用寿命长、光电转换效率相对较高的特点，被广泛应用于大型并网光伏电站项目。非晶硅薄膜太阳能电池因稳定性较差、光电转换效率相对较低、使用寿命相对较短的原因，在兆瓦级太阳能光伏电站的应用受到一定的限制。第三代新型太阳能电池在国内产量很小，目前没有大规模生产。碲化镉、铜铟硒电池及钙钛矿电池则由于原材料稀缺或制造工艺不成熟，其规模化生产受到限制。
国内主流光伏组件企业包括贵安新区亚玛顿、阿特斯阳光电力、晶科能源控股、隆基乐叶、协鑫集成科技、东方日升、常州亿晶光电、晶澳太阳能、常州天合光能等。
逆变器一般分为集中式逆变器、组串式逆变器、集散式逆变器三种，逆变器容量应结合本电站地形地貌、电池组串的连接方式及支架布置情况综合考虑。贵州光伏电站逆变器多选择组串式和集散式。
5贵州光伏发电功率预测系统与气象灾害防御保障服务
贵州光伏电站常用的发电功率预测系统开发商有东润环能、国能日新、杭州辰青科技等能源科技公司。系统开发商在太阳能光伏电站内配有一套环境监测仪，实时监测日照强度、风速、风向、温度等参数。该装置由风速传感器、风向传感器、日照辐射表、测温探头、控制盒及支架组成。可测量环境温度、风速、风向和辐射强度等参量，其通讯接口可接入计算机监控系统，实时记录环境数据。虽然贵州大部分光伏电站都建有辐射监测设备，但均属于不同业主单位自有固定资产，该类数据的流通缺乏正规、安全、高效的数据平台，科研人员更是无处获取。长此以往，数据孤岛现象将不利于贵州省辐射资源数据的深度开发利用。
贵州光伏电站有大量电气部件、机械装置和建筑物（如厂区办公房），均暴露在自然大气中，对灾害性天气高度敏感，如：高温热浪会使光伏组件发电效率下降、电池寿命缩短；大风冰雹会损坏露天发电设备、建筑物；雷电不仅会击坏电子与电器部件、建筑物，还会损坏光伏组件、聚光部件，同时降低发电效率；雨雪冰冻则会使组件输出为零甚至导致输电线路倒塌；暴雨山洪地质灾害会损毁光伏组件，淹没、摧毁电站基础设施等[12]。因此开展灾害天气预报预警，可充分保障光伏电站安全运行。目前贵州大多数电站缺乏气象灾害防御保障服务系统。
6思考和建议
第一，随着贵州光伏产业井喷式的发展，贵州气象部门应深度挖掘复杂地形背景下的新能源发展对气象服务的痛点需求，可重点开展光伏发电预测技术研究。
第二，贵州装机规模较大的电站（装机容量150MW以上的）应优先选用单位面积功率大的电池组件，以减少占地面积，同时也能减少直流电缆的使用和故障点的数量。光伏发电企业应从根本上加大光伏发电组件效率、最大功率跟踪控制、并网逆变器质量控制、大规模并网接入等关键技术的研发实力。
第三，贵州气象部门太阳能资源监测网密度太低（全省仅有11个辐射观测点），而已建光伏电站基础观测数据流通缺乏正规、安全、高效的数据平台，数据孤岛现象显著。现有的数据精度难以满足对太阳能开发利用的评估服务需求，同时贵州有关新能源数据交易流通平台也亟待建立或完善。
第四，气象部门应加大与贵州光伏发电企业的合作力度，建设光伏场站气象灾害防御保障服务系统，着力发展光伏电站气象致灾因子和精准预警预测技术的突破。
参考文献：
[1]冯垛生．太阳能发电原理与应用[M]．人民邮电出版社，2007.
[2]Zou H,Du H,Ren J,et al. Market dynamics, innovation, and transition in China's solar photovoltaic (PV) industry: A critical review[J].Renewable & Sustainable Energy Reviews,2017,69:197-206.
[3]张雪莉，刘其辉，马会萌，等.光伏电站输出功率影响因素分析［J］.电网与清洁能源，2012，28(05):75-81.
[4]Yona A，Senjyu T，Funabashi T． Application ofrecurrent neural network to short-term-ahead generating power forecasting for photovoltaic system ［C］/ / Power Engineering Society General Meeting，2007.IEEE．IEEE，2007:1－6．
[5]王坤.考虑多重不确定性因素的光伏出力预测研究[D].北京：华北电力大学学位论文，2013：25-26.
[6]王一波，李晶，许洪华.考虑电网安全稳定约束的光伏电站最大安装容量计算与分析[J].太阳能学报.2008,29(8):971-975.
[7]Paatero J V，Lund P D.Effects of large-scale photovoltaic power integration on electricity distribution networks［J］．Renewable Energy，2007，32(2):216-234．
[8]Mohammed AA, Aung Z. Ensemble Learning Approach for Probabilistic Forecasting of Solar Power Generation[J].Energies,2016,9(12):1017.
[9]王林,陈正洪,唐俊太阳能光伏发电预报方法的应用效果检验与评价[J].气象.2014,40(8):1006-1012
[10]钱渝.我国太阳能发电管理策略研究[D].成都:电子科技大学,2012.
[11]陈晓燕.光伏产业国际竞争力研究[D].天津:南开大学,2010.
[12]李芬,陈正洪,段善旭,等.太阳能资源开发利用及气象服务研究进展[J].太阳能,2014(3):6.
