分布式風(fēng)光功率預(yù)測(cè)方法的研究與驗(yàn)證

雷毅平

(中節(jié)能綠洲(北京)太陽(yáng)能科技有限公司,北京 102600)

分布式風(fēng)光功率預(yù)測(cè)方法的研究與驗(yàn)證

雷毅平

(中節(jié)能綠洲(北京)太陽(yáng)能科技有限公司,北京 102600)

本文總結(jié)歸納了國(guó)內(nèi)外風(fēng)電光伏功率預(yù)測(cè)發(fā)展現(xiàn)狀、預(yù)測(cè)方法和分類,通過(guò)算例對(duì)比驗(yàn)證了三種典型功率預(yù)測(cè)模型—利用ARMA模型、卡爾曼濾波模型和小波神經(jīng)網(wǎng)絡(luò)模型分別對(duì)某一分布式風(fēng)光發(fā)電區(qū)域進(jìn)行了功率預(yù)測(cè)。通過(guò)對(duì)預(yù)測(cè)結(jié)果各項(xiàng)評(píng)價(jià)指標(biāo)的綜合分析,發(fā)現(xiàn):小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的精確度最高,實(shí)現(xiàn)了針對(duì)小范圍分布式光伏、風(fēng)電的短期和超短期的精確預(yù)測(cè)。實(shí)驗(yàn)運(yùn)行結(jié)果表明:該系統(tǒng)能夠較為準(zhǔn)確的預(yù)測(cè)短期和未來(lái)4小時(shí)超短期的風(fēng)光發(fā)電整體出力,超短期和短期預(yù)測(cè)的月平均均方根誤差達(dá)到為7%和9%。滿足電網(wǎng)實(shí)際運(yùn)行需要,在分布式發(fā)電項(xiàng)目上具備一定的推廣和應(yīng)用價(jià)值。

功率預(yù)測(cè) 短期預(yù)測(cè) 均方根誤差

發(fā)電與用電必須實(shí)時(shí)平衡是電力系統(tǒng)運(yùn)行的重要特點(diǎn)，只有這樣系統(tǒng)才能保證安全和穩(wěn)定。因而無(wú)論在國(guó)內(nèi)還是國(guó)外，電網(wǎng)調(diào)度部門主要負(fù)責(zé)電力系統(tǒng)的調(diào)頻、調(diào)峰、安排發(fā)電計(jì)劃和備用容量等業(yè)務(wù)。對(duì)于新能源發(fā)電方面，尤其以光伏和風(fēng)電為代表，當(dāng)其在電力系統(tǒng)中達(dá)到較高透率時(shí)，準(zhǔn)確預(yù)測(cè)其輸出功率不僅有助于調(diào)度部門提前調(diào)整調(diào)度計(jì)劃來(lái)減輕光伏風(fēng)電間歇性對(duì)電網(wǎng)的影響，而且還可減少備用容量的安排，從而降低系統(tǒng)運(yùn)行成本。因此，新能源功率預(yù)測(cè)在電網(wǎng)調(diào)度領(lǐng)域占有舉足輕重的地位，更精確的預(yù)測(cè)風(fēng)能、太陽(yáng)能發(fā)電功率有利于制定合理的電力調(diào)度計(jì)劃。

1 國(guó)內(nèi)外研究現(xiàn)狀

對(duì)新能源發(fā)電功率預(yù)測(cè)技術(shù)的研究較早起源于國(guó)外，尤其以丹麥、德國(guó)、瑞士、西班牙和日本等國(guó)的相關(guān)大學(xué)和科研機(jī)構(gòu)為代表。上世紀(jì)90年代丹麥開始大力發(fā)展風(fēng)電，促使了其不同公司或高校開始研究新能源功率預(yù)測(cè)問(wèn)題。[1]相繼產(chǎn)生了多個(gè)產(chǎn)品，如Riso實(shí)驗(yàn)室開發(fā)了Prediktor系統(tǒng)，丹麥技術(shù)大學(xué)開發(fā)出WPPT(Wind Power Prediction Tool)系統(tǒng)，而后的用于風(fēng)電功率預(yù)測(cè)的Zephry系統(tǒng)就是由Prediktor和WPPT整合而來(lái)，另外由ENFOR公司研發(fā)的用于光伏功率預(yù)測(cè)的SOLARFOR系統(tǒng)也比較有代表性；作為國(guó)際上較早大面積應(yīng)用新能源的德國(guó)，其Oldenburg大學(xué)開發(fā)了Previento系統(tǒng)，德國(guó)太陽(yáng)能研究所開發(fā)了風(fēng)電功率管理系統(tǒng)(WPMS)；西班牙Joen大學(xué)建立了19kW的光伏發(fā)電站驗(yàn)證其發(fā)電預(yù)報(bào)準(zhǔn)確率[2]，通過(guò)人工神經(jīng)網(wǎng)絡(luò)算法，以實(shí)測(cè)的光伏板溫度、日照輻射強(qiáng)度為輸入值，以其I/V曲線為目標(biāo)函數(shù)，訓(xùn)練神經(jīng)網(wǎng)絡(luò)的多層傳感器，求解出逼近實(shí)際工況的I/V曲線，建立了發(fā)電功率日照強(qiáng)度、板溫之間的函數(shù)關(guān)系，經(jīng)過(guò)驗(yàn)證，該系統(tǒng)2003年發(fā)電量預(yù)測(cè)值與實(shí)測(cè)值的歷史相關(guān)系數(shù)高達(dá)0.998。國(guó)內(nèi)方面光伏發(fā)電量預(yù)測(cè)技術(shù)研發(fā)起步較晚。華北電力大學(xué)[3]結(jié)合光伏組件數(shù)學(xué)模型和保定地區(qū)氣象資料，模擬了30MW光伏電站發(fā)電量數(shù)據(jù)，利用支持向量機(jī)回歸分析方法進(jìn)行功率預(yù)測(cè)，但該方法無(wú)實(shí)際光伏電站的實(shí)況發(fā)電量數(shù)據(jù)，缺乏實(shí)驗(yàn)驗(yàn)證，對(duì)實(shí)際光伏電站發(fā)電量預(yù)報(bào)的指導(dǎo)意義有限。華中科技大學(xué)[4]利用該校屋頂光伏并網(wǎng)發(fā)電系統(tǒng)資料進(jìn)行研究，通過(guò)2005—2010年不同季節(jié)氣象因素與發(fā)電量之間的相關(guān)分析，得出光伏發(fā)電量與輻照度的相關(guān)性最大、溫度次之、風(fēng)速再次之。

圖1

2 功率預(yù)測(cè)方法及分類

為提高功率預(yù)測(cè)精度，國(guó)內(nèi)外研究機(jī)構(gòu)都在嘗試各種新的預(yù)測(cè)方法，主要的功率預(yù)測(cè)方法分類如(圖1）。

時(shí)間序列分析是持續(xù)預(yù)測(cè)法中的一種，其認(rèn)為風(fēng)速、輻照強(qiáng)度預(yù)測(cè)值等于最近幾個(gè)風(fēng)速、輻照強(qiáng)度歷史數(shù)據(jù)的滑動(dòng)平均值，通常只是簡(jiǎn)單地把最近一點(diǎn)的觀測(cè)值作為下一點(diǎn)的預(yù)測(cè)值。該模型的預(yù)測(cè)誤差較大，且預(yù)測(cè)結(jié)果不穩(wěn)定。改進(jìn)的方法有ARMA模型法、卡爾曼濾波法。

人工神經(jīng)網(wǎng)絡(luò)方法被廣泛用來(lái)解決非線性問(wèn)題的建模方法。它由大量簡(jiǎn)單元件相互連接而成的復(fù)雜網(wǎng)絡(luò)，具有高度的非線性，能夠進(jìn)行復(fù)雜的邏輯操作的非線性關(guān)系。其具有很多優(yōu)良性能，如非線性映射能力、自組織性和自適應(yīng)性能力、記憶聯(lián)想能力、容錯(cuò)能力等。

圖2 基于物理方法的風(fēng)功率預(yù)測(cè)結(jié)構(gòu)圖

按照風(fēng)電或光伏功率預(yù)測(cè)的時(shí)間尺度可分為中長(zhǎng)期、短期和超短期預(yù)測(cè)。對(duì)于中長(zhǎng)期預(yù)測(cè)或更長(zhǎng)時(shí)間尺度，主要用于風(fēng)光電場(chǎng)或電網(wǎng)的檢修維護(hù)計(jì)劃安排等的預(yù)測(cè)。對(duì)于30分鐘～72小時(shí)的預(yù)測(cè)，主要用于電力系統(tǒng)的功率平衡和經(jīng)濟(jì)調(diào)度、電力市場(chǎng)交易、暫態(tài)穩(wěn)定評(píng)估等稱為短期功率預(yù)測(cè)。一般認(rèn)為不超過(guò)30分鐘的預(yù)測(cè)為超短期預(yù)測(cè)。從預(yù)測(cè)模型建立角度考慮，不同時(shí)間尺度的預(yù)測(cè)有本質(zhì)區(qū)別：0～3小時(shí)的預(yù)測(cè)主要由大氣條件的持續(xù)性決定，所以如果不通過(guò)數(shù)值天氣預(yù)報(bào)也能得出較好的預(yù)測(cè)結(jié)果，如采用可得到更好結(jié)果。對(duì)于時(shí)間尺度超過(guò)3小時(shí)的預(yù)測(cè)，不考慮數(shù)值天氣預(yù)測(cè)無(wú)法反應(yīng)大氣運(yùn)動(dòng)的本質(zhì)，所以難以得到較好的預(yù)測(cè)結(jié)果，所以通常的預(yù)測(cè)方法都采用數(shù)值天氣預(yù)報(bào)的數(shù)據(jù)。

圖3 ARMA超短期預(yù)測(cè)曲線vs實(shí)際曲線

圖4 ARMA短期預(yù)測(cè)曲線vs實(shí)際曲線

圖5 卡爾曼濾波算法超短期預(yù)測(cè)曲線vs實(shí)際曲線

基于物理方法的功率預(yù)測(cè)流程示意圖如下(以風(fēng)功率預(yù)測(cè)為例)。首先通過(guò)數(shù)值天氣預(yù)報(bào)得到風(fēng)速、風(fēng)向等氣象數(shù)據(jù)，再根據(jù)電場(chǎng)周圍的地理信息參數(shù)(等高線、粗糙度、障礙物、溫度分層等)采用軟件計(jì)算得到風(fēng)機(jī)輪轂高度的風(fēng)速、風(fēng)向、氣溫、氣壓等參數(shù)，最后根據(jù)風(fēng)機(jī)功率曲線計(jì)算得到風(fēng)電場(chǎng)輸出功率。因?yàn)樵诓煌娘L(fēng)向和溫度條件下，即使風(fēng)速相同，風(fēng)電場(chǎng)輸出功率也不相等，因此風(fēng)電場(chǎng)功率曲線是一族曲線，同時(shí)還應(yīng)考慮風(fēng)電機(jī)組故障和檢修的情況。對(duì)整個(gè)區(qū)域進(jìn)行風(fēng)電功率預(yù)測(cè)時(shí)，可對(duì)所有的風(fēng)電場(chǎng)輸出功率進(jìn)行預(yù)測(cè)，然后求和得到區(qū)域總功率。

基于統(tǒng)計(jì)方法的風(fēng)電/光伏的功率預(yù)測(cè)不考慮風(fēng)速/輻照變化的物理過(guò)程，根據(jù)歷史統(tǒng)計(jì)數(shù)據(jù)找出天氣狀況與風(fēng)光電場(chǎng)出力的關(guān)系，然后根據(jù)實(shí)測(cè)數(shù)據(jù)和數(shù)值天氣預(yù)報(bào)數(shù)據(jù)對(duì)電場(chǎng)輸出功率進(jìn)行預(yù)測(cè)。

兩種方法各有優(yōu)缺點(diǎn)。物理方法無(wú)需大量的測(cè)量數(shù)據(jù)，但對(duì)大氣的物理特性及風(fēng)/光電場(chǎng)特性的數(shù)學(xué)描述要求較高，這些描述方程求解困難、計(jì)算量大。統(tǒng)計(jì)方法無(wú)需對(duì)求解方程，計(jì)算速度快，但需要大量歷史數(shù)據(jù)，采用機(jī)器學(xué)習(xí)方法對(duì)數(shù)據(jù)進(jìn)行挖掘與訓(xùn)練，得到氣象參數(shù)與風(fēng)/光電場(chǎng)輸出功率的關(guān)系。目前的趨勢(shì)是將兩種方法混合使用，稱之為綜合方法。

圖6 卡爾曼濾波算法短期預(yù)測(cè)曲線vs實(shí)際曲線

圖7 小波神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

3 三種預(yù)測(cè)方法的對(duì)比

通過(guò)應(yīng)用三種統(tǒng)計(jì)預(yù)測(cè)算法于某案例中對(duì)其預(yù)測(cè)精度進(jìn)行了對(duì)比。案例以某島嶼上的分布式風(fēng)光電站發(fā)電量為檢驗(yàn)對(duì)象，該電站由25臺(tái)30kw并網(wǎng)光伏逆變器、5臺(tái)50kw風(fēng)機(jī)組成，合計(jì)1000kw。選取2013年4月份的歷史功率數(shù)據(jù)和歷史數(shù)值天氣預(yù)報(bào)數(shù)據(jù)作為模型建立依據(jù)，5月份發(fā)電量作為預(yù)測(cè)對(duì)象(因?yàn)樵搮^(qū)域4，5月份天氣變化相對(duì)最小)，并采用同時(shí)段的歷史功率數(shù)據(jù)對(duì)模型的預(yù)測(cè)結(jié)果進(jìn)行驗(yàn)證。

3.1 ARMA預(yù)測(cè)模型

3.1.1 ARMA模型的基本原理

ARMA模型也稱為自回歸滑動(dòng)平均模型，是研究時(shí)間序列的重要方法之一，是由自回歸與滑動(dòng)平均兩種模型“混合”而成。常用于長(zhǎng)期追蹤資料的研究和用于具有季節(jié)變動(dòng)特征數(shù)據(jù)的預(yù)測(cè)中，所以可將其應(yīng)用于風(fēng)電光伏功率預(yù)測(cè)領(lǐng)域。

3.1.2 預(yù)測(cè)結(jié)果及誤差分析

運(yùn)用ARMA模型分別對(duì)5月1日9時(shí)0分至5月31日18時(shí)00分進(jìn)行預(yù)測(cè)，得到原始風(fēng)電光伏總功率和預(yù)測(cè)功率。預(yù)測(cè)結(jié)果如(圖3、4）所示。

常見(jiàn)的預(yù)測(cè)誤差的評(píng)估方法有平均絕對(duì)誤差，均方根誤差，相關(guān)系數(shù)等。均方根誤差放大了出現(xiàn)較大誤差的點(diǎn)，能更好的反映光伏電站預(yù)測(cè)模型的準(zhǔn)確度，因此本文采用均方根誤差RMSE對(duì)模型的誤差進(jìn)行評(píng)估。

其中，N-測(cè)試樣本數(shù)；P-裝機(jī)容量。

通過(guò)Matlab的計(jì)算，我們得到各項(xiàng)指標(biāo)結(jié)果如表1。

圖8 小波神經(jīng)網(wǎng)絡(luò)測(cè)試

圖9

圖10 小波神經(jīng)網(wǎng)絡(luò)算法超短期預(yù)測(cè)曲線vs實(shí)際曲線

3.2 卡爾曼濾波預(yù)測(cè)模型

3.2.1 模型基本原理

卡爾曼濾波法運(yùn)用了濾波的基本思想，利用前一時(shí)刻預(yù)報(bào)誤差的反饋信息及時(shí)修正預(yù)報(bào)方程，以提高下一時(shí)刻的預(yù)報(bào)精度。要實(shí)現(xiàn)卡爾曼濾波法預(yù)測(cè)風(fēng)光功率，首先必須推導(dǎo)出正確的狀態(tài)方程和測(cè)量方程。因已通過(guò)時(shí)間序列分析建立了風(fēng)電功率時(shí)間序列的ARMA模型，故可將ARMA模型轉(zhuǎn)換到狀態(tài)空間，建立卡爾曼濾波的狀態(tài)方程和測(cè)量方程。

3.2.2 預(yù)測(cè)結(jié)果及誤差分析(如圖5、圖6)

通過(guò)Matlab的計(jì)算，我們得到各項(xiàng)指標(biāo)結(jié)果如（表2)。

3.3 小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

對(duì)于上文的ARMA模型和卡爾曼濾波模型都屬于線性模型，都必須先對(duì)模型結(jié)構(gòu)做出假設(shè)，然后對(duì)模型參數(shù)的估計(jì)得到預(yù)測(cè)值。因此，模型結(jié)構(gòu)的合理與否，直接影響到最終預(yù)測(cè)的精度。由于風(fēng)光電場(chǎng)功率具有高度的不確定性，因而單一的線性預(yù)測(cè)模型不足以挖掘其功率數(shù)據(jù)中的所有信息。而神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)、自組織和自適應(yīng)性，可以充分逼近任意復(fù)雜的非線性關(guān)系，所以本文選擇小波神經(jīng)網(wǎng)絡(luò)方法對(duì)風(fēng)光功率進(jìn)行非線性預(yù)測(cè)研究。

圖11 小波神經(jīng)網(wǎng)絡(luò)算法短期預(yù)測(cè)曲線vs實(shí)際曲線

表1

表2

表3

3.3.1 小波神經(jīng)網(wǎng)絡(luò)法基本原理

小波神經(jīng)網(wǎng)絡(luò)是一種以BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為基礎(chǔ)，把小波基函數(shù)作為隱含層節(jié)點(diǎn)的傳遞函數(shù)，信號(hào)前向傳播的同時(shí)誤差反向傳播的神經(jīng)網(wǎng)絡(luò)。小波神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如圖7。

3.3.2 模型建立

首先采集四月份一整月的光伏風(fēng)電功率數(shù)據(jù)，每隔15min記錄一個(gè)時(shí)間點(diǎn)，共有960個(gè)時(shí)間節(jié)點(diǎn)的數(shù)據(jù)，用前四月份30天的功率數(shù)據(jù)訓(xùn)練小波神經(jīng)網(wǎng)絡(luò)，最后用訓(xùn)練好多的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)之后的功率數(shù)據(jù)?；谛〔ㄉ窠?jīng)網(wǎng)絡(luò)的功率預(yù)測(cè)算法流程圖如圖8所示。

小波神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如圖9所示。

小波神經(jīng)網(wǎng)絡(luò)訓(xùn)練：通過(guò)數(shù)據(jù)訓(xùn)練小波神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)反復(fù)訓(xùn)練100次。

神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)測(cè)試：用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)風(fēng)光功率，并對(duì)預(yù)測(cè)結(jié)果進(jìn)行分析。

3.3.3 預(yù)測(cè)結(jié)果

利用Matlab處理數(shù)據(jù)并進(jìn)行計(jì)算，我們得到基于小波神經(jīng)網(wǎng)絡(luò)的功率預(yù)測(cè)結(jié)果（圖10、11）。

預(yù)測(cè)結(jié)果分析：

本文采用了ARMA模型、卡爾曼濾波預(yù)測(cè)算法和小波神經(jīng)網(wǎng)絡(luò)算法對(duì)該島的分布式風(fēng)光電功率數(shù)據(jù)樣本進(jìn)行了預(yù)測(cè)。分析表1～表3預(yù)測(cè)效果評(píng)價(jià)指標(biāo)，我們得到以下認(rèn)識(shí)：小波神經(jīng)網(wǎng)絡(luò)模型中我們得到預(yù)測(cè)結(jié)果：超短期預(yù)測(cè)精確度誤差最小達(dá)到到7%，短期預(yù)測(cè)精確度誤差最小達(dá)到到9%，表明小波神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果已經(jīng)相當(dāng)精確。對(duì)小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)曲線與線性預(yù)測(cè)模型的預(yù)測(cè)曲線進(jìn)行對(duì)比，可以看到：神經(jīng)網(wǎng)絡(luò)對(duì)于光伏風(fēng)電功率的描繪更加平緩。

4 結(jié)論與展望

在對(duì)國(guó)內(nèi)外文獻(xiàn)廣泛調(diào)研的基礎(chǔ)上，較為全面地論述了風(fēng)電、光伏功率預(yù)測(cè)技術(shù)的研究現(xiàn)狀和最新動(dòng)態(tài)，對(duì)當(dāng)前功率預(yù)測(cè)技術(shù)方法進(jìn)行了總結(jié)歸納，建立了針對(duì)某島嶼分布式風(fēng)光互補(bǔ)示范工程的高精度發(fā)電功率預(yù)測(cè)模型，成功實(shí)現(xiàn)了分布式電源總輸出(光伏風(fēng)電)的精確預(yù)測(cè)，實(shí)驗(yàn)運(yùn)行結(jié)果表明：該系統(tǒng)能夠準(zhǔn)確預(yù)測(cè)次日短期和未來(lái)4小時(shí)超短期光伏發(fā)電出力，短期和超短期預(yù)測(cè)的月平均均方根誤差分別為9%和7%。

為了進(jìn)一步提高功率預(yù)測(cè)精度還需要提高數(shù)值天氣預(yù)報(bào)質(zhì)量，從而得到精度更高更豐富的區(qū)域氣象數(shù)據(jù)。因此需要盡快建立我國(guó)數(shù)值天氣預(yù)報(bào)商業(yè)化服務(wù)，進(jìn)一步完善風(fēng)電光伏功率預(yù)測(cè)系統(tǒng)，提高預(yù)測(cè)精度。

[1]BOSSANYI E A. Short-term wind prediction using Kalman filters[J]. Wind Engineering, 1985,9(1):1-8.

[2]Almonacid F, Rus C, Perez P J,et al.Estimation of the energy of a PV generator using artificial neural network [J]. Renewable Energy, 2009, 34(12):2743-2750.

[3]粟然,李廣敏.支持向量機(jī)回歸的光伏發(fā)電出力預(yù)測(cè)[J].中國(guó)電力,2008,41(2):74-78.

[4]陳昌送,段善旭,殷進(jìn)軍.基于神經(jīng)網(wǎng)絡(luò)的光伏陣列發(fā)電預(yù)測(cè)模型的設(shè)計(jì)[J].電工技術(shù)學(xué)報(bào),2009,24(9):153-158.

中歐中小企業(yè)節(jié)能減排科研合作資金,項(xiàng)目(SQ2013ZOA000003)。

雷毅平(1985一),男,北京人,碩士,光伏系統(tǒng)研發(fā)工程師,主要從事光伏并網(wǎng)、離網(wǎng)和微網(wǎng)系統(tǒng)的設(shè)計(jì)和研發(fā)工作。