CN101795090A - 预测光伏器件的电力产量的方法 - Google Patents

Abstract

一种预测光伏器件的电力产量的方法，所述光伏器件包括光伏模块(1)，所述方法包括估计在光伏模块(1)的平面中将接收的光照的第一部分、和估计光伏器件的电力产量的第二部分，其特征在于，它包括如下第一步骤：(E1)-确定一个过去考虑时段是晴朗还是多云，并且其特征在于，它包括实施如下两个步骤中至少一个的如下第二步骤(E2)：(E2)-如果所考虑的时段是晴朗的，则基于对光伏模块的真实电力产量的测量结果，校正预测电力产量的方法的所述第二部分；和/或-如果所考虑的时段是多云，则基于对光伏模块的真实电力产量的测量结果，校正预测电力产量的方法的所述第一部分。

Description

预测光伏器件的电力产量的方法

技术领域

本发明涉及一种预测光伏(photovoltaic)器件的电力产量(electrical production)的方法。它还涉及实施该方法的软件和实施该方法的光伏器件。最后，它涉及此方法用于诊断光伏器件的用途。

背景技术

源自光伏设备的电能生产的份额正在迅速增加。这种太阳能生产的一个特殊特征源于它是非常不规则的，因为它根据气象条件强烈变化。现在，当这些设备连接到电网上时，这种不可预测性引起在管理整个电网时的困难，因为变得难以保证在能量生产与需求之间的平衡。更一般地，电力生产的这种不可预测性对于其能源至少部分依赖于太阳能的任何设备都是有害的。

为了克服该缺点，已有用于基于气象预报预测来自光伏设备的电力产量的模型。这种方案在例如文件EP1660917中得以解释。然而，光伏设备的电力产量取决于众多参数，并且难以开发非常准确的模型。在实际中，必须利用气象预报来从其导出非常局部化(localized)的预报，直到获得在光伏模块平面中的光照(lighting)的预报，以便最终基于预定义效率估计设备的电力产量。在所有这些步骤中，有许多误差和近似。现有模型最后给出的是不准确和不能令人满意的结果。

发明内容

因而，本发明的一般目的是提出一种用于预测光伏器件的电力产量的更准确、可靠的方案。

为此，本发明依赖于一种预测光伏器件的电力产量的方法，所述光伏器件包括光伏模块，所述方法包括估计在光伏模块的平面中将接收的光照的第一部分、和估计光伏器件的电力产量的第二部分，其特征在于，它包括如下第一步骤：

-确定一个过去考虑时段是晴朗还是多云，

并且其特征在于，它包括实施如下两个步骤中至少一个的如下第二步骤：

-如果所述过去考虑时段是晴朗的，则基于在所述过去考虑时段上对光伏模块的真实电力产量的测量结果，校正预测电力产量的方法的所述第二部分；和/或

-如果所述过去考虑时段是多云，则基于在所述过去考虑时段上对光伏模块的真实电力产量的测量结果，校正预测电力产量的方法的所述第一部分。

本发明还涉及一种包括软件的计算机介质，所述软件能够实施前面所描述的预测光伏器件的电力产量的方法。

本发明还涉及一种光伏器件，所述光伏器件包括光伏模块和用于测量它们的真实电力产量的元件，其特征在于，它包括管理单元，所述管理单元实施前面所描述的预测电力产量的方法。

本发明还涉及前面所描述的预测光伏器件的电力产量的方法用于诊断光伏器件的状态的用途。

本发明也由权利要求书详细地限定。

附图说明

在对作为非限制性例子给出的特定实施例的涉及附图的如下描述中，将详细解释本发明的这些目的、特征及优点，其中：

图1图示地表明根据本发明一个实施例的光伏器件。

图2图示地表明根据本发明实施例，预测光伏产量的方法的各个方块。

图3表示根据对于实施本发明实施例的第一种情形，在一天(aday)测得的和预测的电功率。

图4表示根据对于实施本发明实施例的第一种情形，根据时间，测得的电功率和在晴朗天气下的理论电功率之间的比率。

图5表示根据对于实施本发明实施例的第一种情形，根据时间，测得的电功率和在晴朗天气下的理论电功率之间的比率的导数(微分系数)的绝对值。

图6表示根据对于实施本发明实施例的第二种情形，在一天测得的和在晴朗天气下的理论电功率。

图7表示根据对于实施本发明实施例的第二种情形，根据时间，测得的电功率和在晴朗天气下的理论电功率之间的比率。

图8表示根据对于实施本发明实施例的第二种情形，根据时间，测得的电功率和在晴朗天气下的理论电功率之间的比率的导数的绝对值。

图9表明根据对于实施本发明实施例的另一种情形，随时间的光照。

图10表明根据对于实施本发明实施例的该另一种情形，随时间的温度。

图11表明根据对于实施本发明实施例的该情形，根据时间，测得的和预测的产量。

图12表明根据对于实施本发明实施例的该情形，根据预测功率与额定功率的比率的光伏产量损失(loss)。

图13表明根据对于实施本发明实施例的该情形，根据时间，在校正之后的测得的和预测的产量。

图14表明在对于实施本发明实施例的上一多云天情形期间测得的电力产量。

图15表示根据该多云情形，在光伏模块平面中和在水平面中的计算的光照。

图16表明由气象预报得出的光照和由本发明实施例的方法计算的光照。

图17表明根据本发明的实施例，根据预报的辐照(irradiation)，加到不同气象预报上的权重的演变。

具体实施方式

图1图示地表示根据本发明一个实施例的光伏器件。该器件包括经逆变器(inverter)2连接到常规电网3上的多个光伏模块1。当然，模块也可通过逆变器连接到独立的应用上。该器件还包括依赖于计算机的控制或管理单元10，其中该计算机包括实施下面将描述的预测电力产量的方法的软件。控制单元10经链路4从光伏设备1、2接收对真实电力产量的测量结果。而且，该控制单元10经通信装置6接收由气象预报实体5建立的气象预报数据作为输入。

控制单元10因而实施预测光伏器件的电力产量的方法，该方法依赖于图2中表示的不同方块。该控制单元可位于光伏器件所在地或远离该所在地。它可包括软件和/或硬件计算装置、一个或多个用于存储待处理信息的存储装置、及通信装置。

方块20实施气象预报。该初级部分由在光伏生产器件外部的气象实体5根据各种方法实施：本发明不专门涉及这个方块。方块20所获得的结果25由通信装置6传输到光伏器件的控制单元10。这些数据25——特别地，包括辐照、照度(illuminance)或光照、及环境温度——表示用于估计电力产量的方法的基本输入，其中该方法将由管理单元10实施，并且依赖于现在要描述的四个方块30、40、50、60。

第一方块30实施局部(local)气象预报的计算，该局部气象预报比由气象实体5传输的那些更加精细。为此，它使用统计内插和/或相关方法和/或气象站的预报和测量历史数据库，以便获得空间和时间程度上比从方块20接收的气象数据25要更精细的气象预报量作为结果35，该气象预报量诸如是在水平面中的照度或光照、以及温度。在实际中，由方块20传输的这些预报25一般以数千米的网格布置和数小时的时间步幅来传输，这在光伏生产地点的尺度下是不够的。在第一方块30中实施的计算因而依赖于第一计算模型。

然后，局部气象预报的这些结果35由第二方块40使用，第二方块40将使用第二计算模型计算在光伏模块平面中的估计光照。

由第二方块40获得的结果45然后由第三方块50使用，第三方块50根据光伏器件的性能水平最终计算光伏器件的电力产量的估计值55，其中所述性能水平由损失系数或由效率建模，该损失系数或效率可取决于温度和光照。

所有以上方块一开始都依赖于有可能属于现有技术水平的各种理论和/或经验方法。在每个步骤处获得的结果35、45、55呈现一定误差和不确定性。根据本发明的要素，基于在给定时间段上估计的产量值和真实电力产量的测量结果之间的直接或间接比较、并根据该同一时间段的晴朗或非晴朗情况，来改进分别由方块30、40、50实施的三个模型中的至少一个，优选改进所有这三个。

为此，估计电力产量的方法的最后方块60将数据63、64、65传输到方块30、40及50，以改进这些方块中根据经验学习机制而实施的模型。根据本发明的原理，这种学习取决于两个基本步骤：

E1-确定涉及的这一天是否晴朗；

E2-对估计电力产量的方法的一部分进行校正，该部分根据步骤E1的结果而被确定，该校正依赖于对某个量的直接或间接测量结果与由器件的管理单元10实施的方法所获得的该相同量的估计值之间的比较，其中如果该量涉及电力产量则被直接测量，而在其它情况下则从所测得的电力产量间接导出。

方块60因而实施对于本发明很重要的第一步骤E1，该第一步骤E1在于确定一个过去考虑时段是否晴朗。本发明的概念包括，认为如果这一天晴朗，则本发明方法的方块30和40所获得的结果是正确的，即，估计的在光伏模块平面中的光照是准确的。那么，通过将该方法对电力产量的预测值与所测得的真实值相比较而观察到的误差完全归因于在第三方块50处实施的第三计算模型的不准确性。这种方法相当于认为，在晴朗天气下，由最初两个方块30、40造成的误差与由第三方块50造成的误差相比是可忽略的。相反地，如果这一天不晴朗——为了简化描述起见我们将其简单限定为“多云”，则所观察到的在电力产量的预测与该产量的真实测量结果之间的最终误差被归因于最初两个方块20、30或它们之一，而由第三方块50生成的误差被认为是可忽略的。

该学习概念提供以下优点：使得能够基于对所获得的光伏器件真实产量的单次测量，经验性地改进该方法所实施的计算模型。它使得用于该方法各个方块的分别处理的几次不同测量没有必要，并且例如使得诸如日射强度计之类的相对昂贵的任何日光探测器都没有必要。

现在将描述确定一天的类型——晴朗或多云——的第一步骤E1。该确定的原理依赖于，在一方面根据一系列测量E11所测得的电力产量与假定晴朗天气时所获得的晴朗天气下的理论电力产量的相同系列(优选按照与所述一系列测量相同的频率)之间的比较，其中所述一系列测量具有例如在1秒与10分钟之间的周期。为了获得晴朗天气下理论电力产量的这一系列值，第一子步骤包括，由任何现有模型，例如利用在管理单元10中实施的模型，确定所预测的在晴朗天气下在光伏模块平面中的一系列光照E12。该系列也可由气象预报校正。而且，或者通过测量、或者通过使用模型计算、或者基于气象预报，来建立一系列环境温度E13。最后，利用光伏器件的管理单元10的方法的方块50，由这些系列的光照和温度值、并考虑到在管理单元10处实施的模型所估计的在光伏模块处的损失或性能水平，来计算在晴朗天气下的光伏产量E14。

当获得了待比较的两个系列时，最后剩下的是要确定这一天应该被认为是晴朗还是多云。通过探测任何云团经过(cloudy passage)来实施该判定，云团经过是容易探测的，因为光照和由此的电力产量会下降约80％。如果仅有单次短时的云团经过，则这一天将不被认为是多云。利用预定义阈值来设置在这一天可被认为是晴天和多云天之间的界限。该最终判定步骤是复杂的，因为：可由光伏器件的环境——诸如在某个时间投射阴影的建筑物，而不是由云团经过来引起在光伏模块上的阴影区。此方法因而在云团经过与这类阴影之间进行区分。为此，定义一天的类型的方法不仅依赖于对测得的电功率与在晴朗天气下的理论电功率之间的比率的分析E15，还依赖于对该比率的导数的分析E16，以考虑到该比率的变化速度。因此得到两个时间系列，由此探测由某个预定义阈值所定义的异常事件。一旦异常事件的数量超过某个阈值E17，这一天就被认为是不晴朗的，否则被认为是晴朗的。

综上所述，确定一天的类型——晴朗或多云——的第一步骤E1包括以下子步骤：

E11-根据预定义频率对真实电力产量进行测量；

E14-基于对在晴朗天气下在光伏模块平面中的光照的估计E12，并基于一系列环境温度的建立E13，确定在晴朗天气下的理论电力产量；

E15-通过探测任何异常事件，分析在测量电功率与假定晴朗天气的理论电功率之间的比率；

E16-通过探测任何异常事件，分析该比率的导数；

E17-通过将所探测到的异常事件的量与预定义阈值相比较，确定一天的类型。

作为一种变形，可通过仅实施两个分析步骤E15、E16中的一个来简化上述方法。此外，此方法可包括用于探测遮挡物的初级步骤，所述遮挡物即诸如山之类的自然障碍物、建筑物等，它们至少在一年中的某些时间段在光伏模块处产生阴影。

图3至图5表明前面描述的步骤E1的第一示例性实施方式。图3表示根据第一种情形，分别对应于在一天中，测得的电功率和在晴朗天气下的理论电功率的两条曲线70、71。图4表示对于这种情形，根据时间，测得的电功率和在晴朗天气下的理论电功率之间的比率72。在这个图中，矩形区73对应于阈值，超越该阈值则事件被认为异常。当曲线72保持在该区域73内时，其情况对应于晴朗情况。根据该实施例，区域73——被称为“晴天”——被定义为在0.5与1之间的功率比率72的值。最后，图5示出功率比率的导数的绝对值随时间的曲线74。类似地，由在0与0.1之间的比率值定义的矩形区75对应于晴天情况。最后发现，测量功率与在晴朗天气下理论功率的比率以及其微分系数(导数分析)的绝对值这两条曲线72、74很少偏离晴朗区73、75。因此，这种情形涉及的这一天可被认为是晴天。

图6至图8表明前面描述的步骤E1的第二示例性实施方式。图6表示根据一天的第二种情形，分别对应于测得的电功率和在晴朗天气下的理论电功率的两条曲线70′、71′。图7表示对于这种情形，根据时间，测得的电功率与在晴朗天气下的理论电功率的比率72′。在这个图中，矩形区73′对应于晴朗情况，其中功率比率72′的值在0.5和1之间。最后，图8示出功率比率的导数的绝对值随时间的曲线74′。类似地，由该导数绝对值在0与0.1之间的值定义的矩形区75′对应于晴朗情况。最后发现，测量功率与在晴朗天气下理论功率的比率以及其导数的绝对值这两条曲线72′、74′非常频繁地偏离晴朗区73′、75′。因此，这种情形涉及的这一天可被认为是多云天。

最后，预测光伏器件的电力产量的方法实施第二步骤E2，该第二步骤E2根据第一步骤E1的结果区分两种情况。

首先，如果这一天晴朗并且气象预报实体已经预报了这个，则认为由最初两个方块30、40实施的此方法的计算的第一部分是正确的，即，在光伏模块平面中的光照预测呈现满意的结果，其误差可忽略。该光照因而被认为是真实光照，相当于由测量获得的光照。因而，在这种情况下，所观察到的在测得的真实电力产量与由该方法预测的电力产量之间的误差完全取决于由该方法的第三方块50实施的第三计算模型。该计算包括根据光照确定光伏器件的产量，其考虑到基于温度的功率损失。通过校正该第三模型中使用的损失系数，观察到的误差被用于校正该第三计算模型。通过立即修改模型的损失系数以便为将来实施此方法而立即重新使用它，可对每个晴天进行这种校正。作为一种变形，重新计算的损失系数可存储在管理单元10的存储器中，并且用作基于这些存储值来周期性地重新计算新的损失系数的基础，所述新的损失系数例如是这些值的简单平均。新的损失系数值然后代替前一个值以用于将来的电力产量预测计算。因而，基于晴天的训练使得在预测电力产量的方法中使用的第三模型能够进行学习，而在该方法中实施的其它计算模型在这些晴天时间段期间保持不变。

图9至图13表明在晴天情况下第二步骤E2的示例性实施方式。图9和图10分别表明根据所选情形，所获得的光照和温度随时间的曲线76和77。图11表明在这一天期间，测量产量78和预测产量79随时间的曲线。这两条曲线之间的差别使得能够根据预测功率与额定功率的比率确定损失，这些损失由图12中的曲线80表示。这些损失通过在该同一个图中的曲线81所表示的多项式来建模。以这种方式得到的和建模的这些损失，使得能够修改本发明预测方法的第三计算模型的损失系数。通过为本情形使用这个新系数，获得预测产量的新曲线82，该新曲线82远比初始曲线79要更靠近测量产量曲线78，如图13中所示。

如果这一天是多云，则认为此方法的第三计算模型是正确的，即，根据在光伏模块平面中的光照而计算的电力产量呈现满意的结果，其误差可忽略。因而，在这种情况下，所观察到的在测得的真实电力产量与由该方法估计的电力产量之间的误差完全取决于该方法所实施的最初两个计算模型，如参照最初两个方块30、40中至少一个所描述的。然后测量真实电力产量，通过应用在第三方块50中实施的计算的逆计算，从其导出由光伏模块接收的光照的“有效(virtual)或间接测量结果”，即，间接的真实值。模型的第一部分——包括在方块30和40中实施的最初两个计算模型——也使得能够基于气象预报来计算估计的光照。这些测得的和估计的光照被比较，并且它们的差被用作校正本方法最初两个方块30、40的两个计算模型中至少一个的开始点。该校正可涉及各种方案。首先，它可能只与所实施的两个计算模型之一有关，或者与两个都有关。然后，它可通过统计方法或通过神经网络而依赖于对气象预报与局部光照之间相关性的计算。

根据在多云天情况下第二步骤E2的一种变形实施方式，在本方法第二方块40中实施的第二计算模型被认为是可靠的。则校正步骤包括只改进在本方法第一方块30中实施的第一计算模型，这包括气象数据的外推以获得在水平面中的光照的估计。基于从真实电力产量的测量结果导出的在光伏模块平面中的光照，通过第二计算模型的逆计算，在水平面中的真实光照实际上是已知的，如上文已经解释的那样。因此它涉及的是可被称为有效测量结果的光照，因为它是通过测量真实电力产量而被间接测量的。然后，该测得的有效光照与本方法所估计的光照之间的比较被用作用于改进本方法第一计算模型的基础。

图14至图17表明在多云天情况下第二步骤E2的示例性实施方式。图14示出在多云天期间测得的电力产量的曲线83。图15分别示出根据所选情形，在光伏模块平面中和在水平面中的光照随时间的曲线84和85。图16示出点86，其表示随时间在光伏生产器件周围的四个点处基于气象预报获得的光照，而点87代表实际上测得的这些相同光照。这里所采用的是，选择最靠近生产地点的四个气象数据点。然后有可能由其导出在该地点的光照，例如通过对由气象数据得到的四个点中的每一个应用加权。根据在多云天气下取得的测量结果的数据库，确定和改进相应的权重。它们可通过纯统计方法、通过人工智能等来计算。该数据库用于重新计算权重以获得更准确的结果。从而，图17表明根据在所涉及的四个点中的辐照预报，所涉及的四个权重在几个月中的趋势。

已经基于在一天的尺度上的时间分解(time breakdown)，描述了学习机制。然而，可考虑任何其它的时间分解。例如，有可能基于半天而遵循相同的原理，其中通过首先确定这半天是晴朗还是多云，然后继续此方法的其余部分。而且，学习机制可在所有这些时段上实施，或者根据预定义标准仅在这些时段的一部分上实施，诸如仅在可按足够频率获得光伏器件电力产量的测量结果的时段上实施。此外还可选择仅在预定义有限持续时间上实施该学习机制，或者可按无限制的、永久的方式实施该机制。

本发明使得能够优选地改进本方法的在三个方块30、40、50中实施的三个主要计算模型。然而，针对这三个方块中的任何一个使用本发明都已经考虑到了对现有方法的改进，并且不脱离本发明的概念。

而且，本发明是有利的，因为它使得能够仅利用对真实电力产量的测量来实现改进的预测电力产量的方法。然而，本发明的这种概念可与例如基于其它测量而实施的用于经验性地校正计算模型的任何其它系统相结合，而不脱离本发明的概念。

此外，已经通过使用诸如光照之类的某些重要的量来描述了本发明，其中光照代表每单位表面面积的接收功率。作为一种变形，其它类似的量也可用于实施该相同的计算和相同的方法，例如辐照，其中辐照代表每单位表面面积的接收能量。有可能通过简单转换而从光照切换到辐照，并且在本方法中对这些量中的一个或其它的使用代表等效的方案。

为了有助于理解，基于到不同方块30、40、50、60的抽象分解来介绍了本发明的方法。然而，它代表的是一个不可分的整体，其各个元素可按更复杂的方式嵌套。事实上，本方法细分成两大主要部分；第一部分组合最初两个方块30、40，并且可用来格式化在该器件的光伏模块处的气象预报，而第二部分包括由这些格式化的气象预报精确地计算这些光伏模块的估计电力产量。最后的方块60实际上是属于前面三个模型中的每一个的元素，因为它通过定义这些模块的重要参数中的一些而参与由这些模型实施的计算。这样，无论哪些初始计算模型被用作本方法的开始点，无论其是理论和/或经验模型，也无论其在现有技术水平下存在与否，这些模型都通过将其与本发明的方块60所实施的步骤相结合而成为不同的、新的及更强大的模型。因此，前面描述的方法的实质部分是在最后的方块60中实施的部分。为了简化描述起见，本方法的该部分被表示成本方法的一个独立部分(distinct part)，但是根据更恰当的观点，如上文已经解释的那样，这个最后的方块60是本方法的整体组成部分(integral part)，是在三个方块30、40、50中实施的三个主要计算模型中至少一个的一部分，因为这些模型中至少一个的基本参数由这个最后的方块60确定。

本发明适合于任何光伏器件，不管它是大型生产单元，还是与像停车计费器那样的器具相关联的小型光伏器件。

此外，本发明最后使得能够确定一种预测光伏设备的电力产量的可靠、准确的方法。它因而考虑到了其它应用，诸如实施对光伏设备的诊断。在实际中，通过将真实产量与由模型估计的产量相比较，有可能从其推导出光伏设备的性能的测量结果，并且甚至在具有强烈差别的情况下诊断其故障。

Claims (15)

1.一种预测光伏器件的电力产量的方法，所述光伏器件包括光伏模块(1)，所述方法包括估计在光伏模块(1)的平面中将接收的光照的第一部分、和估计光伏器件的电力产量的第二部分，其特征在于，它包括如下第一步骤：

(E1)-确定一个过去考虑时段是晴朗还是多云，

并且其特征在于，它包括实施如下两个步骤中至少一个的如下第二步骤(E2)：

(E2)-如果所述过去考虑时段是晴朗的，则基于在所述过去考虑时段上对光伏模块的真实电力产量的测量结果，校正预测电力产量的方法的所述第二部分；和/或

-如果所述过去考虑时段是多云，则基于在所述过去考虑时段上对光伏模块的真实电力产量的测量结果，校正预测电力产量的方法的所述第一部分。

2.根据权利要求1所述的预测光伏器件的电力产量的方法，其特征在于，

用于确定一个过去考虑时段是晴朗还是多云的所述第一步骤(E1)包括如下子步骤：

(E11)-根据预定义频率，对在所述过去考虑时段期间的真实电力产量进行测量；

(E14)-假定晴朗天气，确定理论电力产量；

(E15)-通过探测任何异常事件，分析在测量电功率与假定晴朗天气的理论电功率之间的比率，和/或(E16)，通过探测任何异常事件，分析所述比率的导数；

(E17)-通过将所探测到的异常事件的量与预定义阈值相比较，确定一天的类型，如果超过所述预定义阈值则认为这一天多云，如果低于所述预定义阈值则认为这一天晴朗。

3.根据权利要求2所述的预测光伏器件的电力产量的方法，其特征在于，

基于对在晴朗天气下在光伏模块的平面中的光照的估计(E12)，并且基于一系列环境温度的建立(E13)，执行对在晴朗天气下理论电力产量的确定(E14)。

4.根据权利要求2或3所述的预测光伏器件的电力产量的方法，其特征在于，

所述分析在测量电功率与假定晴朗天气的理论电功率之间的比率(E15)包括：认为在0.5与1之间的任何比率值是异常事件。

5.根据权利要求2至4之一所述的预测光伏器件的电力产量的方法，其特征在于，

分析在测量电功率与假定晴朗天气的理论电功率之间的比率的导数(E16)包括：认为与在0与0.1之间的微分系数(来自导数)绝对值相对应的任何事件是正常事件。

6.根据权利要求2至5之一所述的预测光伏器件的电力产量的方法，其特征在于，

它包括探测在光伏模块处产生阴影的诸如山之类的自然障碍物或建筑物等的初级步骤。

7.根据以上权利要求之一所述的预测光伏器件的电力产量的方法，其特征在于，

所述估计在光伏模块(1)的平面中将接收的光照的第一部分包括第一方块(30)和第二方块(40)，所述第一方块(30)实施第一计算模型，以基于气象预报确定由光伏器件接收的水平光照，所述第二方块(40)实施第二计算模型，以确定在光伏器件(1)的平面中接收的光照；

所述估计光伏器件的电力产量的第二部分包括第三方块(50)，所述第三方块(50)实施第三计算模型；以及

如果所述过去考虑时段是多云，则根据通过第三方块(50)的第三计算模型的逆计算所测得的真实电力产量导出的真实光照与由所述预测方法预测的光照之间的偏差，校正由第一(30)和/或第二(40)方块实施的最初两个计算模型中的至少一个，而第三计算模型保持不变。

8.根据权利要求7所述的预测光伏器件的电力产量的方法，其特征在于，

如果所述过去考虑时段是多云，则由在光伏模块的平面中的光照导出在水平面中的真实光照，其中所述在光伏模块的平面中的光照是通过第二和第三计算模型的逆计算从真实电力产量的测量结果导出的；以及

将所述在水平面中的真实光照与基于气象预报由第一计算模型预测的光照相比较，根据这两个光照值之间的差来校正第一模型，而第二和第三计算模型保持不变。

9.根据权利要求8所述的预测光伏器件的电力产量的方法，其特征在于，

第一计算模型包括加权在靠近光伏模块的不同点处预测的多个气象预报；以及

第一模型的校正包括第一模型的不同权重的演变阶段。

10.根据权利要求1至6之一所述的预测光伏器件的电力产量的方法，其特征在于，

所述估计在光伏模块(1)的平面中将接收的光照的第一部分包括第一方块(30)和第二方块(40)，所述第一方块(30)实施第一计算模型，以基于气象预报确定由光伏器件接收的水平光照，所述第二方块(40)实施第二计算模型，以确定在光伏器件(1)的平面中接收的光照；

所述估计光伏器件的电力产量的第二部分包括第三方块(50)，所述第三方块(50)实施第三计算模型；以及

如果所述时段是晴朗的，则根据在所测得的真实电力产量与由所述预测电力产量的方法预测的电力产量之间的偏差，校正第三计算模型，而第一和第二计算模型保持不变。

11.根据以上权利要求之一所述的预测光伏器件的电力产量的方法，其特征在于，

根据所测得的真实电力产量的值校正预测方法包括：对所述方法的一个或多个参数进行新的计算，这个或这些计算的参数被立即修改以用于所述方法的将来的应用，或者，这个或这些计算的参数在周期性处理操作之前被存储以使得能够修改所述方法的参数，这种修改依赖于统计计算，并且/或者基于神经网络和/或人工智能和/或多项式型建模。

12.根据以上权利要求之一所述的预测光伏器件的电力产量的方法，其特征在于，

第一步骤(E1)考虑一天的时段，并且确定这一天是晴朗还是多云。

13.一种包括软件的计算机介质，所述软件能够实施根据以上权利要求之一所述的预测光伏器件的电力产量的方法。

14.一种光伏器件，包括光伏模块(1)和用于测量它们的真实电力产量的元件，其特征在于，

它包括管理单元(10)，所述管理单元实施根据权利要求1至12之一所述的预测光伏器件的电力产量的方法。

15.根据权利要求1至12之一所述的预测光伏器件的电力产量的方法的用于诊断光伏器件的状态的用途。

Images