微電網(wǎng)光伏發(fā)電的Adaboost天氣聚類超短期預(yù)測方法

譚 津, 鄧長虹, 楊 威, 梁 寧, 李豐君

(武漢大學(xué)電氣工程學(xué)院, 湖北省武漢市 430072)

微電網(wǎng)光伏發(fā)電的Adaboost天氣聚類超短期預(yù)測方法

譚 津, 鄧長虹, 楊 威, 梁 寧, 李豐君

(武漢大學(xué)電氣工程學(xué)院, 湖北省武漢市 430072)

微電網(wǎng)光伏發(fā)電預(yù)測精度與天氣狀態(tài)呈高度相關(guān)性,非晴空條件下氣象因素的隨機波動使得超短期預(yù)測精度較低。對此,文中提出一種改進Adaboost天氣聚類和馬爾可夫鏈的組合預(yù)測方法。首先采用滑動平均法提取輻照度特征變量,設(shè)計并訓(xùn)練Adaboost改進的K近鄰(KNN)分類器,實現(xiàn)歷史樣本的分類;為進一步提高多云和陰雨天的預(yù)測精度,引入天氣類型衰減系數(shù)對Hottel太陽輻射模型進行校正,形成完整描述各天氣類型的輻照度基準模型;建立多階加權(quán)馬爾可夫鏈模型輸出輻照度預(yù)測值;最后由光電轉(zhuǎn)換模型實現(xiàn)間隔5 min的微電網(wǎng)光伏超短期預(yù)測。仿真結(jié)果表明,所述預(yù)測方法提高了各天氣類型下的預(yù)測精度,對提高微電網(wǎng)經(jīng)濟調(diào)度水平具有重要意義。

光伏發(fā)電; 微電網(wǎng); 超短期預(yù)測; 衰減系數(shù); Adaboost

0 引言

光伏輸出功率具有間歇性,且受多種天氣因素影響而表現(xiàn)出較強的隨機波動性[1-2],因此大規(guī)模光伏電站并網(wǎng)將對電力系統(tǒng)安全運行帶來嚴重的沖擊。作為連接分布式電源與配電網(wǎng)的橋梁,微電網(wǎng)是實現(xiàn)可再生能源高滲透率接入的主要途徑之一[3-4]。準確的微電網(wǎng)光伏發(fā)電超短期預(yù)測有助于實時修正日前計劃、平衡功率波動,從而降低光伏并網(wǎng)對電網(wǎng)運行的影響。

光伏發(fā)電預(yù)測方法主要包括基于輸出功率歷史數(shù)據(jù)的直接預(yù)測[5-7]和基于太陽輻照度的間接預(yù)測[8-12]。不同天氣類型下太陽輻照度、光伏發(fā)電功率均有不同的變化規(guī)律,無論是直接預(yù)測還是間接預(yù)測都應(yīng)考慮天氣狀態(tài)對預(yù)測精度的影響。文獻[11]基于歐洲中尺度預(yù)報中心(ECMWF)提供的輻照度數(shù)據(jù)建立了光伏發(fā)電物理預(yù)測模型;文獻 [12-14]分別利用地基云圖、天空成像儀和多個鄰近點測量儀分析了云層遮擋引起的輻照度突降現(xiàn)象,建立了光伏發(fā)電間接預(yù)測模型。文獻[15-16]分別引入了不同天氣類型下的天氣指數(shù)和氣溶膠指數(shù),將其輸入神經(jīng)網(wǎng)絡(luò)預(yù)測模型;文獻[17]計算了各天氣類型下光伏發(fā)電實際值與理想值的偏差,并對小波神經(jīng)網(wǎng)絡(luò)預(yù)測模型進行校正,提高了非理想條件下的預(yù)測精度;文獻[18]提出光伏輸出功率由確定變量和波動變量疊加而成,確定變量采用輻照度模型進行建模,波動變量引入遮擋因子描述天氣狀態(tài)的影響。文獻[19]采用支持向量機(SVM)等多種數(shù)據(jù)挖掘方法對天氣類型進行分類,最終得到輻照度預(yù)測值;文獻[20-22]分別提出根據(jù)輻照度變化特征參數(shù)和云量信息對天氣類型進行聚類識別并分別建模完成輸出功率預(yù)測。上述文獻中,物理建模采用的地基云圖等方法對云層預(yù)報信息有限,且云圖圖像處理技術(shù)對算法速度要求高,因此目前國內(nèi)工程應(yīng)用較少。文獻[15-18]有效地提高了預(yù)測精度,但在不同天氣類型和天氣狀態(tài)突變情況下均采用單一預(yù)測模型,預(yù)測精度有待提高。文獻[19-22]根據(jù)天氣類型建立了多個預(yù)測模型,較單一模型預(yù)測精度有所提高,但未能準確地跟蹤預(yù)測光伏出力的隨機波動。

為加強對不平衡數(shù)據(jù)集的分類,本文提出一種改進Adaboost天氣聚類和馬爾可夫鏈的間接預(yù)測方法,通過提高輻照度超短期預(yù)測精度進一步提升光伏發(fā)電預(yù)測精度。首先采用Adaboost改進的K近鄰(KNN)方法實現(xiàn)典型天氣分類;定義天氣類型衰減系數(shù)反映各天氣類型下輻照度的變化差異,并將其引入基于誤差序列的多階加權(quán)馬爾可夫鏈(Markov chain)預(yù)測子模型;然后利用光電轉(zhuǎn)換模型輸出預(yù)測功率;最后以實際微電網(wǎng)平臺運行數(shù)據(jù)為算例,驗證本文所提預(yù)測方法在微電網(wǎng)光伏發(fā)電系統(tǒng)中的有效性。

1 微電網(wǎng)光伏發(fā)電特性分析

1.1 典型天氣類型

中國氣象局制訂的國家標準GB/T 22164—2008將天氣狀態(tài)分為33種不同的類型[22],分別對各基礎(chǔ)天氣類型建模必然增大預(yù)測工作量。統(tǒng)計歷史實測數(shù)據(jù)可知,光伏發(fā)電在晴、多云、雨、陰、極端惡劣天氣情況下的變化規(guī)律差異明顯,具有代表意義,因此本文將基礎(chǔ)天氣類型歸類整合為典型天氣類型。其中,極端惡劣天氣發(fā)生概率極小且其發(fā)電量幾乎接近于零,本文基于前4類典型天氣類型分別建立預(yù)測子模型。根據(jù)武漢某微電網(wǎng)光伏發(fā)電系統(tǒng)2015年冬季歷史記錄數(shù)據(jù),4類典型天氣類型下光伏輸出功率實測曲線如附錄A圖A1所示。圖中顯示,晴天情況下光伏輸出功率變化非常平穩(wěn),這是因為空中可遮擋的因素較少、氣象條件穩(wěn)定,地表輻照度與標準晴天模型值基本保持一致;多云情況下遮擋因素的增加削弱了地表輻照度,使得光伏輸出功率有所衰減并存在嚴重的隨機波動;陰雨情況下,由于空中基本布滿云層,太陽輻照度被大大削弱,光伏發(fā)電甚至出現(xiàn)零輸出現(xiàn)象。

1.2 聚類特征變量提取

太陽輻照度能直接反映天氣狀態(tài)的波動情況,其變化趨勢能反映天氣類型對光伏輸出功率的影響,因此本文選取輻照度趨勢分量和溫度作為聚類特征變量。考慮輻照度時間序列隨機波動大,為濾除噪音及毛刺,本文選擇滑動平均法對其進行平滑處理,提取其趨勢分量Lt。對于采樣間隔為5 min的原始實測輻照度序列{Ij,j=1,2,…,N},其中N為一日內(nèi)總采樣點數(shù),平滑處理后的滑動平均值為:

(1)

式中:h為正整數(shù)。

滑動平均時間窗口為H=(2h+1)×5 min,考慮時間窗口H分別取15,25,65 min進行平滑處理,發(fā)現(xiàn)h取值過小時不能很好地濾除波動噪音,而h取值過大時平滑作用過大,將削弱趨勢分量。為反映輻照度的平均變化趨勢,本文選擇25 min的時間窗口進行平滑處理。以實際數(shù)據(jù)為例,得到趨勢分量如附錄A圖A2所示。

1.3 天氣類型衰減系數(shù)

本文選擇國際通用的Hottel太陽輻射模型[23]計算的水平面上瞬時輻照度Istd作為模型基準值。

Istd=Icb+Icd

(2)

式中:Icb和Icd分別為地表瞬時直射和散射太陽輻照度。

由于多云和陰雨情況下輻照度水平大幅下降,嚴重偏離模型基準值,馬爾可夫鏈轉(zhuǎn)移狀態(tài)長期處于高誤差區(qū)間,降低了對細節(jié)誤差變化的敏感度。針對此問題,本文引入天氣類型衰減系數(shù)對Hottel模型基準值進行修正,形成描述各天氣類型的輻照度基準模型,從而提高非晴空條件下的預(yù)測精度。氣象站歷史數(shù)據(jù)顯示,晴、多云、陰、雨天類型下的輻照度衰減幅值依次增加,第i時刻地表輻照度Imea(i)與Hottel模型基準值Istd(i)之間存在不同的倍率關(guān)系,記為衰減系數(shù)α。

(3)

式中:αi為第i時刻輻照度衰減值。

引入衰減系數(shù)后,得到各天氣類型下輻照度修正值為最終模型基準值:

ISTD=αIstd

(4)

2 光伏發(fā)電組合預(yù)測方法

微電網(wǎng)光伏發(fā)電系統(tǒng)不采用高成本、高精度數(shù)值天氣預(yù)報,可利用的氣象數(shù)據(jù)有限[24],僅根據(jù)氣象軟件提供的天氣預(yù)報信息難以準確地對歷史樣本進行天氣類型分類。為提高各天氣類型下的預(yù)測精度,本文提出一種基于Adaboost聚類和馬爾可夫鏈的組合預(yù)測方法。該方法包括分類器的離線訓(xùn)練和輸出功率的在線預(yù)測。分類器的離線訓(xùn)練首先提取光伏系統(tǒng)歷史數(shù)據(jù)聚類特征變量,采用Adaboost改進的KNN分類器對樣本進行分類,進而引入天氣類型衰減系數(shù)修正Hottel太陽輻射模型;輸出功率的在線預(yù)測基于典型天氣分類訓(xùn)練數(shù)據(jù),根據(jù)預(yù)測日天氣類型預(yù)報信息選擇預(yù)測子模型,利用多階加權(quán)馬爾可夫鏈預(yù)測地表輻照度,并由光電轉(zhuǎn)換模型輸出預(yù)測功率。圖1所示為本文提出的光伏發(fā)電超短期分類分步預(yù)測方法流程。

2.1 Adaboost改進的分類算法

KNN算法[25]屬于監(jiān)督學(xué)習(xí)算法,通過距離計算公式,將未知樣本歸類至距離最近的聚類中心。Adaboost算法[26]是一種迭代的機器學(xué)習(xí)算法,每次將不同權(quán)值分布的樣本數(shù)據(jù)輸入分類器,得到不同的基本分類器,最后將基本分類器組合得到一個強分類器。Adaboost改進的聚類算法將KNN作為基本分類器,通過迭代加強了對不平衡數(shù)據(jù)集的分類效果,具體流程如下。

圖1 光伏發(fā)電預(yù)測方法流程Fig.1 Flow chart of PV generation forecasting method

步驟1:批量輸入q個訓(xùn)練數(shù)據(jù)構(gòu)成樣本空間Z={(x1,y1),(x2,y2),…,(xq,yq)},確定KNN為基本分類器,記Adaboost學(xué)習(xí)過程中第m次迭代得到的基本分類器為Cm(x)。

步驟2:初始化訓(xùn)練樣本的權(quán)重。假設(shè)樣本初始狀態(tài)為均勻分布,記權(quán)重為w1i。

W1={w11,w12,…,w1q}

(5)

式中:w1i=1/q,i=1,2,…,q。

步驟3:用具有權(quán)值分布的樣本數(shù)據(jù)訓(xùn)練KNN分類器,并對所有樣本進行分類,計算分類誤差率em和分類器Cm(x)在最終分類器中的重要系數(shù)dm。

(6)

(7)

由上式可知,em<0.5時,dm隨著em的增大而減小,說明當(dāng)誤差率越大,該分類器Cm(x)的重要系數(shù)就越大。

步驟4:更新下一輪迭代中訓(xùn)練樣本的權(quán)重wm。

(8)

(9)

式中:Zm為使∑wmi=1的單位化因子。得到新的訓(xùn)練子集后返回步驟3進行下一輪迭代,直到迭代次數(shù)或誤差率達到設(shè)定值,輸出樣本最終分類結(jié)果。

2.2 多階加權(quán)馬爾可夫鏈

馬爾可夫理論[27-28]將系統(tǒng)劃分為多個狀態(tài),分別用S1,S2,…,Sn表示,結(jié)合目前系統(tǒng)所處狀態(tài),使用轉(zhuǎn)移概率矩陣預(yù)測系統(tǒng)下一時刻的狀態(tài),適用于對隨機離散時間序列的跟蹤預(yù)測。多階加權(quán)馬爾可夫鏈考慮了不同歷史狀態(tài)對未來狀態(tài)的影響程度。

(10)

式中:X(t)為馬爾可夫鏈中的隨機變量;Si為系統(tǒng)狀態(tài);Pr{ }為括號內(nèi)事件發(fā)生的概率。

得到當(dāng)前時刻n狀態(tài)之間轉(zhuǎn)移概率集合構(gòu)成的k步狀態(tài)轉(zhuǎn)移概率矩陣如下:

(11)

計算各步長自相關(guān)系數(shù)rk,再通過規(guī)范化自相關(guān)系數(shù)得到各步長對應(yīng)的影響權(quán)重uk,其計算公式分別如下所示:

(12)

(13)

已知系統(tǒng)k步狀態(tài)轉(zhuǎn)移概率分布矩陣P(t-k)(k),由下式計算可得預(yù)測時刻系統(tǒng)所處狀態(tài)的概率分布矩陣P(t)。

(14)

3 預(yù)測模型的訓(xùn)練及評估

3.1 改進分類器的離線訓(xùn)練

本文采用Adaboost改進的KNN算法對2015年10月至2016年2月輻照度歷史數(shù)據(jù)進行特征提取和數(shù)據(jù)挖掘,相比于其他分類算法更簡單有效,能加強弱分類器對不平衡數(shù)據(jù)的分類效果。首先采用K-means聚類方法得到聚類中心,其輸入特征變量F為

F=[L1L2…L144T]

(15)

式中:L為每日06:00—18:00時間段內(nèi)間隔5 min的輻照度滑動平均值;T為每日平均溫度。得到典型天氣(晴天、多云、雨天、陰天)聚類中心日平均溫度分別為10.9,9.6,7.6,10.5 ℃;輻照度分布如附錄A圖A3所示。

利用Adaboost改進的KNN算法將輻照度歷史序列依次歸類至對應(yīng)的4類典型天氣類型,本文選擇歐氏距離D作為分類選擇標準:

(16)

式中:F(i)為第i時刻待分類樣本的特征元素;f(i)為第i時刻各聚類中心的特征元素;M為特征元素個數(shù)。

基于以上分類結(jié)果,可統(tǒng)計4類典型天氣類型衰減值的頻率分布如附錄A圖A4所示。分布區(qū)間分別為[0,0.3),[0.3,0.6),[0.6,0.8),[0.8,1],根據(jù)式(3)計算可得晴天類、多云類、陰天類、雨天類等典型天氣類型下的衰減系數(shù)α分別為0.83,0.69,0.35,0.12。

3.2 光伏發(fā)電的在線預(yù)測

根據(jù)預(yù)測日的天氣類型預(yù)報信息選擇對應(yīng)的預(yù)測子模型,采用基于誤差序列的多階加權(quán)馬爾可夫鏈模型進行預(yù)測。模型中,ISTD(i)表示預(yù)測時刻i輻照度模型基準值,Imeas(i)表示輻照度實際值,定義系統(tǒng)絕對誤差為ISTD(i)-Imeas(i)。本文以第i時刻誤差百分數(shù)e(i)為研究對象,其計算公式如下:

(17)

[29],統(tǒng)計誤差百分數(shù)實際分布情況,以誤差樣本均值為中心,將其均勻劃分為若干區(qū)間。狀態(tài)分布如附錄A表A1所示。

計算歷史樣本集中各步長(k階)狀態(tài)變化的轉(zhuǎn)移概率矩陣及各步長對應(yīng)的權(quán)重uk。選擇概率矩陣中轉(zhuǎn)移概率最大的狀態(tài)作為下一預(yù)測時刻計算用的誤差百分數(shù)epred(i),由下式完成輻照度的預(yù)測:

Ipred(i)=ISTD(i)(1-epred(i))

(18)

式中:Ipred(i)為預(yù)測時刻i的輻照度預(yù)測值。

本文采用基于太陽輻照度的間接預(yù)測方法,由以下光伏工程模型[6]計算光伏板輸出功率Ps。

Ps=ηSI[1-0.005(t0+25)]

(19)

式中:η為光電轉(zhuǎn)換效率;S為用于光伏發(fā)電的有效面積;I為接收的輻照度;t0為環(huán)境溫度。

3.3 光伏發(fā)電預(yù)測效果評估

為定量評估預(yù)測模型的準確度,本文選取適合全局評價模型預(yù)測效果的平均絕對百分比誤差(MAPE)和衡量預(yù)測系統(tǒng)誤差分散度的均方根誤差(RMSE)作為評價指標[30]。計算公式如下:

(20)

(21)

式中:Pmeas(i)為第i時刻光伏功率實測值;Ppred(i)為第i時刻光伏功率預(yù)測值;Pcap為光伏裝機容量。

4 算例仿真及分析

以湖北武漢某微電網(wǎng)光伏發(fā)電系統(tǒng)為研究對象,其裝機容量為10 kW,太陽能電池板轉(zhuǎn)換效率為13.1%,有效面積約為65 m2。結(jié)合氣象軟件采樣數(shù)據(jù)和光伏監(jiān)控系統(tǒng)歷史發(fā)電數(shù)據(jù),采用MATLAB編程對光伏出力進行預(yù)測。

4.1 改進分類方法仿真

選取2015年10月至2016年2月氣象軟件的歷史采樣數(shù)據(jù),實際有效數(shù)據(jù)量為130 d,其中晴天、多云、陰天和雨天實際天數(shù)分別為38,35,30,27 d。采用交叉驗證方法,對數(shù)據(jù)進行訓(xùn)練集合和驗證集合的分類,每次訓(xùn)練與驗證集合比例約為4∶1,總共進行5次分類測試。驗證集合的分類結(jié)果如表1所示,可以看出改進前(不使用Adaboost)算法的分類精度明顯低于改進后(使用Adaboost)的算法,樣本數(shù)據(jù)容易偏離到其他聚類中心,結(jié)果表明了改進天氣分類算法的有效性。

表1 改進前后的分類結(jié)果Table 1 Classification results before and after improvement

基于以上典型天氣類型分類,引入上文的衰減系數(shù)α對輻照度原始序列進行修正,得到修正后的最終輻照度模型基準值,修正結(jié)果見附錄A圖A5。

4.2 預(yù)測結(jié)果分析

將輻照度預(yù)測值代入式(18)計算得到對應(yīng)輸出功率預(yù)測值。為驗證本文所述預(yù)測模型能有效提高非晴空條件下的預(yù)測精度,選取2011年1月光伏監(jiān)控系統(tǒng)記錄的功率實測值作為驗證樣本,同時增加了反向傳播(BP)神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)馬爾可夫鏈模型作為對比模型。表2列出了3種模型預(yù)測誤差MAPE和均方根誤差RMSE的對比結(jié)果,圖2為各種天氣類型下3種模型預(yù)測結(jié)果的曲線圖。

表2 不同模型預(yù)測誤差MAPE/RMSE比較值Table 2 Comparison of MAPE/RMSE among different models

圖2 典型天氣類型預(yù)測結(jié)果Fig.2 Forecasting results of typical weathers

1)BP神經(jīng)網(wǎng)絡(luò)模型(簡稱模型1):僅根據(jù)天氣預(yù)報信息劃分天氣類型;利用對應(yīng)天氣類型樣本的輻照度序列和日平均溫度作為輸入變量,隱含層節(jié)點為34個,采用增加動量及自適應(yīng)學(xué)習(xí)速率的BP算法(traingdx算法)進行訓(xùn)練。

2)傳統(tǒng)馬爾可夫鏈模型(簡稱模型2):僅根據(jù)天氣預(yù)報信息劃分天氣類型;建立基于誤差序列的多階加權(quán)馬爾可夫鏈模型完成預(yù)測。

3)本文組合模型(簡稱模型3):采用改進的天氣分類算法劃分天氣類型,同時引入衰減系數(shù)α依次為0.83,0.69,0.35,0.12校正Hottel模型;建立基于誤差序列的多階加權(quán)馬爾可夫鏈模型完成預(yù)測。

比較模型2(傳統(tǒng)馬爾可夫鏈)和模型3(本文組合模型)的預(yù)測結(jié)果可知,模型3預(yù)測效果精度整體優(yōu)于模型2。晴天類型下3種模型預(yù)測效果均較理想;陰、雨天類型下,模型3的均方根誤差較模型2減少約100 W,這是由于陰雨天輻照度整體下降、嚴重偏離模型基準值,馬爾可夫鏈轉(zhuǎn)移狀態(tài)長期處于高誤差區(qū)間,相比于直接根據(jù)天氣預(yù)報信息分類的模型2,采用改進天氣分類算法并引入衰減系數(shù)的模型3對誤差的細節(jié)變化更敏感,更能準確地跟蹤輻照度的跌落,進而提高光伏輸出功率預(yù)測精度。此外,對比表2中模型1(BP神經(jīng)網(wǎng)絡(luò))和模型2預(yù)測結(jié)果可知,在波動較大的多云、陰天類型下,多階加權(quán)馬爾可夫鏈模型能更好地預(yù)測隨機波動序列。

5 結(jié)語

本文分析了天氣狀態(tài)對光伏發(fā)電的影響,提出一種基于Adaboost聚類和馬爾可夫鏈的組合預(yù)測方法。采用Adaboost改進的KNN算法實現(xiàn)天氣類型分類并引入天氣類型衰減系數(shù),提高了微電網(wǎng)光伏發(fā)電系統(tǒng)在非晴空條件下的超短期預(yù)測精度,有助于系統(tǒng)制定儲能控制策略及調(diào)度部門調(diào)整運行計劃,降低光伏并網(wǎng)時功率波動對配電網(wǎng)的影響并保證電網(wǎng)的安全穩(wěn)定運行。同時,改進的分類算法簡單方便,不使用高成本數(shù)值天氣預(yù)報,減少了微電網(wǎng)光伏系統(tǒng)的經(jīng)濟運行成本,更適用于光伏微電網(wǎng)工程應(yīng)用。

附錄見本刊網(wǎng)絡(luò)版(http://www.aeps-info.com/aeps/ch/index.aspx)。

參考文獻

[1] ANTONANZAS J, OSORIO N, ESCOBAR R, et al. Review of photovoltaic power forecasting[J]. Solar Energy, 2016, 136: 78-111.

[2] 龔鶯飛,魯宗相,喬穎,等.光伏功率預(yù)測技術(shù)[J].電力系統(tǒng)自動化,2016,40(4):140-151.DOI:10.7500/AEPS20150711003.

GONG Yingfei, LU Zongxiang, QIAO Ying, et al. An overview of photovoltaic energy system output forecasting technology[J]. Automation of Electric Power Systems, 2016, 40(4): 140-151. DOI: 10.7500/AEPS20150711003.

[3] 王成山,李鵬.分布式發(fā)電、微網(wǎng)與智能配電網(wǎng)的發(fā)展與挑戰(zhàn)[J].電力系統(tǒng)自動化,2010,34(2):10-14.

WANG Chengshan, LI Peng. Development and challenges of distributed generation, the micro-grid and smart distribution system[J]. Automation of Electric Power Systems, 2010, 34(2): 10-14.

[4] ZHAO H, WU Qiuwei, WANG C, et al. Fuzzy logic based coordinated control of battery energy storage system and dispatchable distributed generation for microgrid[J]. Journal of Modern Power Systems and Clean Energy, 2015, 3(3): 422-428.

[5] 王守相,張娜.基于灰色神經(jīng)網(wǎng)絡(luò)組合模型的光伏短期出力預(yù)測[J].電力系統(tǒng)自動化,2012,36(19):37-41.

WANG Shouxiang, ZHANG Na. Short-term output power forecast of photovoltaic based on a grey and neural network hybrid model[J]. Automation of Electric Power Systems, 2012, 36(19): 37-41.

[6] 陳昌松,段善旭,殷進軍.基于神經(jīng)網(wǎng)絡(luò)的光伏陣列發(fā)電預(yù)測模型的設(shè)計[J].電工技術(shù)學(xué)報,2009,24(9):153-158.

CHEN Changsong, DUAN Shanxu, YIN Jinjun. Design of photovoltaic array power forecasting model based on neutral network[J]. Transactions of China Electrotechnical Society, 2009, 24(9): 153-158.

[7] 高陽,張碧玲,毛京麗,等.基于機器學(xué)習(xí)的自適應(yīng)光伏超短期出力預(yù)測模型[J].電網(wǎng)技術(shù),2015,39(2):307-311.

GAO Yang, ZHANG Biling, MAO Jingli, et al. Machine learning-based adaptive very-short-term forecast model for photovoltaic power[J]. Power System Technology, 2015, 39(2): 307-311.

[8] LARSON D P, NONNENMACHER L, COIMBRA C F M, et al. Day-ahead forecasting of solar power output from photovoltaic plants in the American Southwest[J]. Renewable Energy, 2016, 91: 11-20.

[9] ZHANG X Y, DENG C H, CHEN T T. Ultra-short-term ahead generating power forecasting for PV system based on Markov chain for error series[J]. Advanced Materials Research, 2011, 347: 1498-1505.

[10] 朱永強,田軍.最小二乘支持向量機在光伏功率預(yù)測中的應(yīng)用[J].電網(wǎng)技術(shù),2011,35(7):54-59.

ZHU Yongqiang, TIAN Jun. Application of least square suppose vector machine in photovoltaic power forecasting[J]. Power System Technology, 2011, 35(7): 54-59.

[11] LORENZ E, HURKA J, HEINEMANN D, et al. Irradiance forecasting for the power prediction of grid-connected photovoltaic systems[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2009, 2(1): 2-10.

[12] 朱想,居蓉蓉,程序,等.組合數(shù)值天氣預(yù)報與地基云圖的光伏超短期功率預(yù)測模型[J].電力系統(tǒng)自動化,2015,39(6):4-10.DOI:10.7500/AEPS20140409004.

ZHU Xiang, JU Rongrong, CHENG Xu, et al. A very short-term prediction model for photovoltaic power based on numerical weather prediction and ground-based cloud images[J]. Automation of Electric Power Systems, 2015, 39(6): 4-10. DOI: 10.7500/AEPS20140409004.

[13] CHU Y, PEDRO H T C, LI M, et al. Real-time forecasting of solar irradiance ramps with smart image processing[J]. Solar Energy, 2015, 114: 91-104.

[14] KOBAYASHI H, ARAI J. Short-term forecast for photovoltaic power generation and development of measuring equipment[C]// IEEE International Conference on Information and Automation for Sustainability, December 22-24, 2015, Colombo, Sri Lanka: 6p.

[15] 袁曉玲,施俊華,徐杰彥.計及天氣類型指數(shù)的光伏發(fā)電短期出力預(yù)測[J].中國電機工程學(xué)報,2013,33(34):57-64.

YUAN Xiaoling, SHI Junhua, XU Jieyan. Short-term power forecasting for photovoltaic generation considering weather type index[J]. Proceedings of the CSEE, 2013, 33(34): 57-64.

[16] LIU J, FANG W, ZHANG X, et al. An improved photovoltaic power forecasting model with the assistance of aerosol index data[J]. IEEE Trans on Sustainable Energy, 2015, 6(2): 1-9.

[17] 丁明,劉志,畢銳,等.基于灰色系統(tǒng)校正-小波神經(jīng)網(wǎng)絡(luò)的光伏功率預(yù)測[J].電網(wǎng)技術(shù),2015,39(9):2438-2443.

DING Ming, LIU Zhi, BI Rui, et al. Photovoltaic output prediction based on grey system correction-wavelet neural network[J]. Power System Technology, 2015, 39(9): 2438-2443.

[18] 張曦,康重慶,張寧,等.太陽能光伏發(fā)電的中長期隨機特性分析[J].電力系統(tǒng)自動化,2014,38(6):6-13.DOI:10.7500/AEPS20131009012.

ZHANG Xi, KANG Chongqing, ZHANG Ning, et al. Analysis of mid/long term random characteristics of photovoltaic power generation[J]. Automatic of Electric Power Systems, 2014, 38(6): 6-13. DOI: 10.7500/AEPS20131009012.

[19] JIMéNEZ-PéREZ P F, MORA-LPEZ L. Modeling and forecasting hourly global solar radiation using clustering and classification techniques[J]. Solar Energy, 2016, 135: 682-691.

[20] YANG H T, HUANG C M, HUANG Y C, et al. A weather-based hybrid method for 1-day ahead hourly forecasting of PV power output[J]. IEEE Trans on Sustainable Energy, 2014, 5(3): 917-926.

[21] 代倩,段善旭,蔡濤,等.基于天氣類型聚類識別的光伏系統(tǒng)短期無輻照度發(fā)電預(yù)測模型研究[J].中國電機工程學(xué)報,2011,31(34):28-35.

DAI Qian, DUAN Shanxu, CAI Tao, et al. Short-term PV generation system forecasting model without irradiation based on weather type clustering[J]. Proceedings of the CSEE, 2011, 31(34): 28-35.

[22] 王飛,米增強,甄釗,等.基于天氣狀態(tài)模式識別的光伏電站發(fā)電功率分類預(yù)測方法[J].中國電機工程學(xué)報,2013,33(34):75-82.

WANG Fei, MI Zengqiang, ZHEN Zhao, et al. A classified forecasting approach of power generation for photovoltaic plants based on weather condition pattern recognition[J]. Proceedings of the CSEE, 2013, 33(34): 75-82.

[23] 徐青山,臧海祥,卞海紅.太陽輻射實用模型的建立與可行性研究[J].太陽能學(xué)報,2011,32(8):1180-1185.

XU Qingshan, ZANG Haixiang, BIAN Haihong. Establishment and feasibility researches of practical solar radiation model[J]. Acta Energiae Solaris Sinica, 2011, 32(8): 1180-1185.

[24] 李樂,劉天琪.基于近鄰傳播聚類和回聲狀態(tài)網(wǎng)絡(luò)的光伏預(yù)測[J].電力自動化設(shè)備,2016,36(7):41-46.

LI Le, LIU Tianqi. PV power forecasting based on AP-ESN[J]. Electric Power Automation Equipment, 2016, 36(7): 41-46.

[25] 張紅艷,李茵茵,萬偉.改進K近鄰和支持向量機相融合的天氣識別[J].計算機工程與應(yīng)用,2014,50(14):148-151.

ZHANG Hongyan, LI Yinyin, WAN Wei. Weather identification based on improvedKnearest neighbor and support vector machine[J]. Computer Engineering and Applications, 2014, 50(14): 148-151.

[26] 盧婷.基于AdaBoost的分類器學(xué)習(xí)算法比較研究[D].上海:華東理工大學(xué),2014.

[27] 丁明,徐寧舟.基于馬爾可夫鏈的光伏發(fā)電系統(tǒng)輸出功率短期預(yù)測方法[J].電網(wǎng)技術(shù),2011,35(1):152-157.

DING Ming, XU Ningzhou. A method to forecast short-term output power of photovoltaic generation system based on Markov chain[J]. Power System Technology, 2011, 35(1): 152-157.

[28] LI Y Z, NIU J C. Forecast of power generation for grid-connected photovoltaic system based on Markov chain[C]// IEEE Conference on Industrial Electronics and Applications, March 27-31, 2009, Wuhan, China: 1729-1733.

[29] 夏樂天.馬爾可夫鏈預(yù)測方法及其在水文序列中的應(yīng)用研究[D].南京:河海大學(xué),2005.

[30] RAZA M Q, NADARAJAH M, EKANAYAKE C. On recent advances in PV output power forecast[J]. Solar Energy, 2016, 136: 125-144.

Ultra-short-termPhotovoltaicPowerForecastinginMicrogridBasedonAdaboostClustering

TANJin,DENGChanghong,YANGWei,LIANGNing,LIFengjun

(School of Electrical Engineering, Wuhan University, Wuhan 430072, China)

The accuracy of photovoltaic (PV) power generation prediction in the microgrid has high relativity with the weather condition. Under cloudy and rainy conditions, random fluctuations of meteorological factors result in low precision of the ultra-short-term power prediction. For this reason, a modified model based on combination of Adaboost clustering and Markov chain is proposed. First, an improvedK-nearest neighbor (KNN) classifier is trained with the characteristic variables extracted from solar radiation using the moving average method. To improve the prediction accuracy of cloudy and rainy days, the attenuation coefficient of solar radiation is introduced to modify the Hottel model. A weighted Markov chain model is developed to predict the microgrid PV generation subsequently. The simulation results indicate that the proposed model can appreciably improve the precision of power prediction under different weather conditions and is of great significance to real-time economical dispatch.

This work is supported by National Key Research and Development Program of China (No. 2017YFB0903700, No. 2017YFB0903705) and Science and Technology Project of Wuhan City (No. 2013072304020824).

photovoltaic power generation; microgrid; ultra-short-term power output forecasting; attenuation coefficient; Adaboost

2017-02-17;

2017-05-19。

上網(wǎng)日期: 2017-07-21。

國家重點研發(fā)計劃資助項目(2017YFB0903700,2017YFB0903705);武漢市科技創(chuàng)新計劃資助項目(2013072304020824)。

譚 津(1993—),女,碩士研究生,主要研究方向:電力系統(tǒng)運行與控制、光伏發(fā)電功率預(yù)測。E-mail： tanjin93@163.com

鄧長虹(1963—),女,通信作者,教授,博士生導(dǎo)師,主要研究方向:新能源接入及電網(wǎng)智能控制、分布式發(fā)電與微電網(wǎng)。E-mail: dengch-whu@163.com

楊 威(1983—),男,博士研究生,主要研究方向:電力系統(tǒng)運行與控制。E-mail: craig_yang@163.com

(編輯章黎)