陳德會(huì),楊海艷,曲宏偉
(1. 大唐新疆清潔能源有限公司,新疆 烏魯木齊 830001;2. 東北電力大學(xué)能源與動(dòng)力工程學(xué)院,吉林 吉林 132012)
最近幾年,中國的嚴(yán)重霧霾導(dǎo)致的環(huán)境污染引發(fā)了社會(huì)的普遍高度重視[1]。高效利用可再生能源發(fā)電,減少煤炭能源發(fā)電,是緩解環(huán)境問題的有效措施。預(yù)計(jì)在2030年我國可再生能源的用電率達(dá)到30%以上[2]。
作為技術(shù)較為成熟的可再生能源發(fā)電之一,光伏發(fā)電以相對占地面積小、運(yùn)維成本低的優(yōu)勢得到迅猛發(fā)展。隨著光伏發(fā)電并網(wǎng)容量的增加,光伏發(fā)電功率的波動(dòng)對電網(wǎng)調(diào)度運(yùn)行的影響不容忽視,電網(wǎng)對光伏發(fā)電功率預(yù)測精度提出更高的要求[3-5]。
目前,關(guān)于光伏發(fā)電功率預(yù)測方法已經(jīng)取得了一些研究進(jìn)展,主要包括基于神經(jīng)網(wǎng)絡(luò)預(yù)測[6]、基于馬爾科夫鏈預(yù)測[7]、基于支持向量機(jī)預(yù)測[8]和自回歸與滑動(dòng)平均模型預(yù)測[9]。以上方法中,神經(jīng)網(wǎng)絡(luò)的預(yù)測精度、收斂性較好,因此基于BP神經(jīng)網(wǎng)絡(luò)在光伏發(fā)電功率預(yù)測方面的應(yīng)用有更大的研究空間。
文獻(xiàn)[10]通過前一天的光伏發(fā)電功率和兩天的平均溫度,可以預(yù)測出當(dāng)天的光伏發(fā)電功率;文獻(xiàn)[11]利用光伏發(fā)電系統(tǒng)的前一天數(shù)據(jù),建立了前饋型與反饋型神經(jīng)網(wǎng)絡(luò)預(yù)測模型,能夠較為準(zhǔn)確地對光伏發(fā)電功率進(jìn)行預(yù)測;文獻(xiàn)[12]將預(yù)測日的天氣類型也加入神經(jīng)網(wǎng)絡(luò),用作輸入量,可以更為準(zhǔn)確地預(yù)測出當(dāng)日光伏發(fā)電的功率。
基于以上研究,本文將綜合考慮天氣、歷史數(shù)據(jù)信息,建立BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型,對光伏發(fā)電功率進(jìn)行預(yù)測,并采用實(shí)測數(shù)據(jù)驗(yàn)證該方法的有效性。
由于預(yù)測日天氣受前一天天氣的影響,因此光伏發(fā)電功率大小受前一天功率波動(dòng)影響較大。本文基于大唐吐魯番0.4 MW光伏板試驗(yàn)數(shù)據(jù),分析光伏發(fā)電功率波動(dòng)規(guī)律。
如圖1所示為大唐吐魯番的光伏發(fā)電量實(shí)測數(shù)據(jù),其中1日、10日、20日、24日發(fā)電量較低,這4天的天氣分別為多云、多云、雷陣雨、陣雨;4日、15日、16日、27日、28日發(fā)電量較高,這4天的天氣均為晴天。在不同天氣下,光伏發(fā)電功率如圖2所示。
圖1 2016年6月光伏發(fā)電量
圖2 不同天氣的光伏發(fā)電功率波動(dòng)
不同天氣下,各時(shí)段的光伏發(fā)電功率存在較大差異,但不同時(shí)刻的光伏發(fā)電功率變化趨勢大致相同,在12:00—18:00,光伏發(fā)電功率較高。
BP神經(jīng)網(wǎng)絡(luò)算法是模擬人的大腦,通過神經(jīng)元對刺激的積累不斷學(xué)習(xí),建立機(jī)制,BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。
圖3 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
通過輸入層的每一個(gè)神經(jīng)元加權(quán)將信息傳遞給隱含層神經(jīng)元,隱含層的神經(jīng)元將信息加權(quán)又送給輸出層,并通過輸出層的反饋結(jié)果對各層權(quán)重加以改進(jìn)。當(dāng)該模型能夠滿足預(yù)測樣本自校驗(yàn)的標(biāo)準(zhǔn)后,再采用該模型可以對其他樣本結(jié)果進(jìn)行預(yù)測。
設(shè)神經(jīng)網(wǎng)絡(luò)有n個(gè)輸入量,q個(gè)輸出量,p個(gè)隱含層單元,隱含層和輸出層的連接權(quán)重為p個(gè)和q個(gè)。隱含層神經(jīng)元可以表示為
(1)
式中:wji為隱含層中第j個(gè)神經(jīng)元與輸入層第i個(gè)神經(jīng)元的連接權(quán)重;xi為輸入層第i個(gè)神經(jīng)元刺激;θj為第j個(gè)動(dòng)量的閥值。
各層神經(jīng)元輸出函數(shù)采用logsig函數(shù):
(2)
輸出層的神經(jīng)元可以表示為
(3)
式中:wkj為輸出層第k個(gè)神經(jīng)元與第j個(gè)隱含層神經(jīng)元的連接權(quán)重;θk為第k個(gè)動(dòng)量的閥值。
通過輸出實(shí)際結(jié)果yk和期望結(jié)果ok可以得到各神經(jīng)元權(quán)重的修正量,從而對其修正,隱含層和輸入層的權(quán)重修正量和閥值修正量為
(4)
(5)
式中:β為修正系數(shù)。
輸出層和隱含層的權(quán)重修正量和閥值修正量可以表示為
Δwki=α·(ok-yk)yk(1-yk)bj
(6)
Δθk=α·(ok-yk)yk(1-yk)
(7)
式中:α為修正系數(shù)。
文獻(xiàn)[13]將天氣類型分為晴、多云、陰轉(zhuǎn)晴等天氣,并計(jì)算了其天氣類型指數(shù),本文將吐魯番的天氣分為晴、陰天和雨天三類,其天氣類型指數(shù)分別為4.4、2.0和1.0,天氣類型指數(shù)可以作為BP神經(jīng)網(wǎng)絡(luò)的輸入量。
由于預(yù)測日氣溫、光照變化與預(yù)測日之前的天氣密切相關(guān),因此本文將預(yù)測日前兩天的光伏發(fā)電功率、天氣類型指數(shù)和預(yù)測日的天氣類型指數(shù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入量,輸出量為預(yù)測日的發(fā)電功率。
光伏發(fā)電功率數(shù)據(jù)為7:00—20:00,共14個(gè)典型時(shí)段,兩天的光伏發(fā)電功率輸入數(shù)據(jù)為28個(gè),兩天的天氣類型指數(shù)數(shù)據(jù)為2個(gè),預(yù)測日天氣類型指數(shù)為1個(gè),BP神經(jīng)網(wǎng)絡(luò)模型中共31個(gè)輸入量。輸出量為預(yù)測日14個(gè)典型時(shí)段的光伏發(fā)電功率,隱含層的神經(jīng)元個(gè)數(shù)y為
(8)
式中:n為輸入量個(gè)數(shù),在本文中取31;m為輸出量個(gè)數(shù),在本文中取14;a為1~10的常數(shù),本文取3。
根據(jù)式(8),設(shè)置隱含層神經(jīng)元個(gè)數(shù)為10個(gè)。
采用大唐吐魯番0.4 MW光伏板2016年6月1—29日的實(shí)測數(shù)據(jù)作為訓(xùn)練樣本,共27組,設(shè)置收斂精度為0.001,對2016年6月30日的光伏發(fā)電功率進(jìn)行預(yù)測,預(yù)測結(jié)果與實(shí)測數(shù)據(jù)對比如圖4所示。
圖4 光伏發(fā)電預(yù)測結(jié)果
從圖4可以看出,采用本文方法預(yù)測的結(jié)果與實(shí)測結(jié)果較為接近。
采用均方根誤差(Root Mean Square Error,RMSE)作為光伏發(fā)電功率預(yù)測精度的評價(jià)指標(biāo),均方根誤差為
(9)
式中:k為樣本個(gè)數(shù);xi為第i個(gè)預(yù)測功率;yi為第i個(gè)實(shí)測功率。
本文方法的預(yù)測結(jié)果RMSE指標(biāo)為3.544。
光伏發(fā)電功率的準(zhǔn)確預(yù)測對調(diào)度運(yùn)行和發(fā)電計(jì)劃的制定有重要影響,本文基于BP神經(jīng)網(wǎng)絡(luò)研究了光伏發(fā)電功率的預(yù)測方法。通過分析,天氣類型和光伏功率歷史數(shù)據(jù)的變化對光伏發(fā)電功率波動(dòng)有較大影響。建立了光伏發(fā)電功率預(yù)測模型,并采用大唐吐魯番數(shù)據(jù)驗(yàn)證了該方法的有效性。
參考文獻(xiàn):
[1] Domínguez-García J L, Gomis-Bellmunt O, Bianchi F D, et al. Power oscillation damping supported by wind power: A review[J]. Renewable & Sustainable Energy Reviews, 2012, 16(7):4 994-5 006.
[2] Raval D Y, Munjani P J, Mansoori N R. Reference based Maximum Power Point Tracking Algorithm for photo-voltaic power generation[C]. International Conference on Electrical Power and Energy Systems. IEEE, 2017.
[3] Ramakrishna R, Scaglione A. A compressive sensing framework for the analysis of solar Photo-Voltaic power[C]. Signals, Systems and Computers, 2016, Asilomar Conference on. IEEE, 2017:308-312.
[4] Sharma D, Mishra S, Nanda J. Micro-grid operation and control of Photo-Voltaic power with canal based small hydro power plant[C]. Region 10 Conference. IEEE, 2017:1 289-1 293.
[5] Philip J, Jain C, Kant K, et al. Control and implementation of a standalone solar photo-voltaic hybrid system[J]. IEEE Transactions on Industry Applications, 2016, 52(4):3 472-3 479.
[6] Al-Messabi N, Goh C, Li Y. Grey-Box Modeling for Photo-Voltaic Power Systems Using Dynamic Neural-Networks[C]. Green Technologies Conference. IEEE, 2017:267-270.
[7] Zhang H, Han X, Dou J Y. A Method to Forecast Photo-voltaic Power Outputs Based on Markov Chain[C]. International Power, Electronics and Materials Engineering Conference. 2015.
[8] Han S J, Bae K Y, Park H S, et al. Solar Power Prediction Based on Satellite Images and Support Vector Machine[J]. IEEE Transactions on Sustainable Energy, 2016, 7(3):1 255-1 263.
[9] Glasbey C A, Allcroft D J. A spatiotemporal auto-regressive moving average model for solar radiation[J]. Journal of the Royal Statistical Society, 2010, 57(3):343-355.
[10] 張 嵐,張艷霞,郭嫦敏,等. 基于神經(jīng)網(wǎng)絡(luò)的光伏系統(tǒng)發(fā)電功率預(yù)測[J]. 中國電力,2010,43(9):75-78.
[11] 張艷霞,趙 杰. 基于反饋型神經(jīng)網(wǎng)絡(luò)的光伏系統(tǒng)發(fā)電功率預(yù)測[J]. 電力系統(tǒng)保護(hù)與控制,2011,39(15):96-101.
[12] 陳昌松,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)測模型的設(shè)計(jì)[J]. 電工技術(shù)學(xué)報(bào),2009(9):153-158.
[13] 袁曉玲, 施俊華, 徐杰彥. 計(jì)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(jī)工程學(xué)報(bào), 2013, 33(34):57-64.