01、尴尬的新能源发电侧强制配储

近年来，光伏高速发展，2023年1-8月，光伏发电新增装机容量达到1.13亿千瓦，同比增长约1.5倍。这也是中国光伏年新增装机首次超过1亿千瓦。

然而，光伏发电由于高度依赖天气而具有间歇性和不稳定性。光伏发电系统利用太阳能来产生电力，但太阳光在到达地表之前可能会受到多种因素的影响，例如云层的遮挡。这些天气变化会导致光伏系统的输出功率出现显著波动。如何保障电力稳定供应并实现高水平光伏发电消纳利用，成为关键难题。

在此背景下，储能技术应运而生。通过储能系统的能量存储和缓冲使得系统即使在负荷迅速波动的情况下仍然能够运行在一个相对恒定的输出水平，这极大提高了电网的稳定性，规避了光伏发电的劣势。

近年来，国内各地纷纷发布政策鼓励发电侧配置储能，甚至不少地区要求强制配储，导致多地普遍出现储能“建而不用”的怪现象，造成巨大能源成本浪费。

某资深业内人士指出，目前储能成本虽然在下降，但安全问题仍然不容忽视，近年来已发生过多起储能电站的起火事故，给全社会敲响了警钟。除了储能，还有没有其他技术可以帮助光伏发电的高效利用呢？

02、新技术精确预测太阳辐射，可大幅提升太阳能利用率

近日，中科院大气物理研究所与哈尔滨工业大学以及国家卫星气象中心联合合作，借助风云四号A星（FY-4A）光谱成像仪的数据，通过采用先进的机器学习技术和光伏模型链，成功完成了中国地区光伏有效辐射资源的首次估算。为太阳能资源评估提供了新的技术手段。

首先，我们需要了解一下获取太阳辐射数据的方法，目前有三种主要途径可供选择：地面气象站点观测数据、再分析资料以及卫星遥感反演资料。前两种方法通常存在数据缺失和时空分辨率限制的问题，目前业内普遍采用是卫星遥感技术：通过从人造卫星、飞机或其他飞行器收集地球上的电磁辐射信息（包括紫外线、可见光和红外光），以便更好地了解地球的环境和资源。

但是未经处理的遥感资料是无法直接获取太阳辐射信息的，需要进行二次处理。如果要获得太阳辐射信息，必须对原始的遥感资料进行反演处理。针对卫星遥感资料反演地面辐射的方法往往是采用经验方法，即从大量的已知数据出发，建立相应的数学模型，进行预测。

要建立更加严谨的数学模型进行精确分析，往往需要大量的数据。如果这项工作交给人去做，费时又费力，又不一定十分准确。因此，中科院引入了机器学习的概念。这本质上是一种AI技术，它的目的就是想让计算机像人类一样学习和行动。说白就是把现有的知识给计算机让他学，让计算机建立起一定的知识体系，当再次遇到类似问题的时候，计算机会基于已经建立知识体系给予一定的反馈。从这种程度上讲，外界输入的“知识量”越庞大，计算机学习的就越好，未来给出的反馈就越好，用在预测上，其精度就越高。

因此，机器学习能很好的应用在遥感的反演处理上。中科院研究团队提供了中国气象局和中国科学院太阳辐射观测站点的数据供计算机进行学习，如此庞大的数据如果让人来处理，可太麻烦了，但是通过机器学习技术，可快速获取相应的数学模型，极大提高了效率，精度也更高。

中科院研究团队做的事情其实就是从新一代的气象卫星风云四号A星获取遥感资料，融合了机器学习技术，能够更加精确地对太阳辐射量进行预测。最终研究团队获得了4公里-15分钟时空分辨率的中国光伏资源地图，为光伏资源开发利用和规划布局提供了全新的高精度依据，极大推动了太阳辐射的短临预报技术（0小时到12小时的天气预报）的发展。

有了这项技术的加持，各地区能够更好地建立起适应本地区气候特点和电网特点的新能源发电功率、用电负荷、网供智能预测系统，为本地区的电网调度运行决策、网源荷储协调控制以及电力电量计划平衡等工作提供技术支撑。
来源：光伏荟