基于改進(jìn)數(shù)據(jù)量化方式的光伏發(fā)電量的預(yù)測(cè)

陳勝

【摘?要】受天氣狀況、輻照度、溫度、濕度等氣象因素的影響，光伏系統(tǒng)的輸出具有很強(qiáng)的非線性和非平穩(wěn)性的特點(diǎn)，光伏發(fā)電量預(yù)測(cè)精度較低。本文根據(jù)某光伏電站的歷史發(fā)電數(shù)據(jù)和實(shí)際氣象數(shù)據(jù)，采用模糊理論改進(jìn)氣象條件的量化方式，與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，實(shí)現(xiàn)光伏系統(tǒng)發(fā)電量的短期預(yù)測(cè)。首先對(duì)影響預(yù)測(cè)結(jié)果的氣象因素進(jìn)行分析，找出可以獲取的關(guān)鍵條件，然后按季節(jié)和天氣類型進(jìn)行分類，對(duì)不同的天氣類型分別建立模型使用改進(jìn)了量化方式的輸入數(shù)據(jù)進(jìn)行訓(xùn)練，最后利用此模型預(yù)測(cè)未來(lái)的光伏系統(tǒng)發(fā)電量，并通過(guò)實(shí)際數(shù)據(jù)驗(yàn)證。預(yù)測(cè)結(jié)果表明，該方法不但對(duì)各個(gè)季節(jié)和天氣條件具有較好的適用性而且提高了預(yù)測(cè)的精度，使得網(wǎng)絡(luò)收斂更快，具有一定實(shí)用價(jià)值。

【關(guān)鍵詞】量化方式;模糊理論;發(fā)電量預(yù)測(cè);光伏;神經(jīng)網(wǎng)絡(luò)

1?引言

作為新能源發(fā)電的主力，風(fēng)能與太陽(yáng)能發(fā)電受自然環(huán)境影響具有明顯的波動(dòng)性、間歇性與隨機(jī)性，致使分布式電源的發(fā)電功率也呈現(xiàn)出同樣的特性，從而為電網(wǎng)調(diào)度、能量管理、用電計(jì)劃帶來(lái)不利影響[1]。對(duì)分布式發(fā)電系統(tǒng)進(jìn)行發(fā)電功率預(yù)測(cè)，可以有效緩解分布式能源在電網(wǎng)調(diào)度、能量管理、用電計(jì)劃等方面的諸多不利影響，是分布式電源并網(wǎng)技術(shù)的關(guān)鍵點(diǎn)[2]。更加準(zhǔn)確合理的分布式發(fā)電短期預(yù)測(cè)有利于配電系統(tǒng)的能量管理，根據(jù)分布式發(fā)電設(shè)備的未來(lái)發(fā)電出力，結(jié)合區(qū)域負(fù)荷量的變化趨勢(shì)，對(duì)配電網(wǎng)絡(luò)的用電計(jì)劃進(jìn)行調(diào)整;有利于配電系統(tǒng)的安全穩(wěn)定運(yùn)行，及時(shí)減小或規(guī)避由分布式發(fā)電設(shè)備的波動(dòng)性帶來(lái)的影響配網(wǎng)安全穩(wěn)定運(yùn)行的風(fēng)險(xiǎn)，降低分布式能源接入對(duì)電力系統(tǒng)電能質(zhì)量的不良影響?；谝陨显?，本文將對(duì)光伏發(fā)電系統(tǒng)的短期發(fā)電預(yù)測(cè)技術(shù)展開(kāi)了深入研究。

現(xiàn)有對(duì)光伏發(fā)電功率預(yù)測(cè)的方法主要有間接預(yù)測(cè)法與直接預(yù)測(cè)法兩種[3]。間接預(yù)測(cè)法主要是通過(guò)預(yù)測(cè)太陽(yáng)輻射強(qiáng)度再對(duì)發(fā)電量進(jìn)行預(yù)測(cè)，因此預(yù)測(cè)結(jié)果精度較低。直接預(yù)測(cè)法是一種依靠大量光伏系統(tǒng)運(yùn)行的歷史數(shù)據(jù)進(jìn)行數(shù)學(xué)統(tǒng)計(jì)預(yù)測(cè)的方法，此方法具有較高的精度。目前對(duì)光伏發(fā)電預(yù)測(cè)的方法有多種，如支持向量機(jī)法、時(shí)間序列法、神經(jīng)網(wǎng)絡(luò)法、馬爾科夫鏈等。文獻(xiàn)先在歷史數(shù)據(jù)庫(kù)中挑選出與預(yù)測(cè)日類似的數(shù)據(jù)，利用支持向量機(jī)方法進(jìn)行預(yù)測(cè)。文獻(xiàn)使用聚類的方式對(duì)歷史數(shù)據(jù)進(jìn)行分析，運(yùn)用時(shí)間序列與模糊理論結(jié)合的方式進(jìn)行預(yù)測(cè)。文獻(xiàn)通過(guò)相似日的選取，獲得與預(yù)測(cè)日相關(guān)性最大的相似日，再將相似日的信息當(dāng)作模型的輸入來(lái)獲得結(jié)果。但是，文獻(xiàn)需要大量的數(shù)據(jù)來(lái)選擇所需要的相似特征，對(duì)數(shù)據(jù)量要求很高;文獻(xiàn)[6]由于突變因素的存在，需要進(jìn)一步的提高其預(yù)測(cè)精度;文獻(xiàn)中提出的模型存在著系統(tǒng)誤差，使得每一個(gè)預(yù)測(cè)值在對(duì)應(yīng)的時(shí)間上均小于實(shí)際值。

本文基于BP神經(jīng)網(wǎng)絡(luò)，先從歷史相關(guān)數(shù)據(jù)中找到影響光伏發(fā)電量的關(guān)鍵條件，并從輻照度曲線里找到輻照度的隱含信息，對(duì)于非數(shù)值條件通過(guò)模糊理論進(jìn)行量化對(duì)應(yīng)的數(shù)值，對(duì)歷史數(shù)據(jù)按照季節(jié)和天氣情況進(jìn)行分類，對(duì)每一種天氣類型建立一個(gè)預(yù)測(cè)子模型。將一個(gè)復(fù)雜度高的模型變成幾個(gè)復(fù)雜度低的子模型，與普通量化方式相比，既加快了網(wǎng)絡(luò)收斂速度，又提高預(yù)測(cè)的精度。

2?影響光伏發(fā)電量的條件選取及其模糊化

對(duì)于光伏來(lái)說(shuō)，影響發(fā)電量的最重要因素是輻照度和環(huán)境溫度，環(huán)境溫度可以通過(guò)查詢相應(yīng)時(shí)刻的天氣預(yù)報(bào)來(lái)獲取，而輻照度的信息卻較難預(yù)測(cè)，要想獲取輻照度數(shù)據(jù)的信息可以通過(guò)歷史數(shù)據(jù)中輻照度的變化曲線中的隱含信息來(lái)獲取，由于當(dāng)天之前的日期的輻照度數(shù)據(jù)對(duì)當(dāng)天的發(fā)電量有所影響，本模型采用的條件為當(dāng)天平均風(fēng)速、平均溫度、最高溫度、最高溫度時(shí)刻、最低溫度、最低溫度時(shí)刻、當(dāng)日溫度最大差、當(dāng)天的前一天輻照度變化趨勢(shì)、當(dāng)天的前一天輻照度變化次數(shù)、前一天最高溫度、當(dāng)天和前一天天氣情況。其中從曲線中得到的有用的隱含條件有：1.當(dāng)天的前一天輻照度變化趨勢(shì)，取為前一天輻照度與前兩天輻照度的差值;2.當(dāng)天的前一天輻照度變化（即上升或下降）次數(shù)，第1次上升記為+1，第2次上升記為+2，第1次下降記為-1，依此類推;3.當(dāng)天和前一天天氣情況，因?yàn)榇藯l件是非數(shù)值條件，所以需要將本條件的每一種情況都量化為數(shù)值再加以利用，應(yīng)用模糊理論把相關(guān)非數(shù)據(jù)條件量化為數(shù)值條件，并將簡(jiǎn)單量化和模糊量化后的數(shù)據(jù)分別作為該條件的數(shù)值代入到網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，然后分別預(yù)測(cè)同一天的發(fā)電量，比較兩者的誤差。

中國(guó)氣象局頒布的國(guó)家標(biāo)準(zhǔn)GB/T 22164-2008《公共氣象服務(wù)一天氣圖形符號(hào)》結(jié)合當(dāng)天的溫度高低、晴朗程度以及降雨量情況等因素，將天氣劃分成30多種細(xì)分類型，其中，晴天、多云、陣雨以及大雨為典型天氣類型，出現(xiàn)的概率相對(duì)較高。對(duì)于光伏發(fā)電而言，影響其功率輸出的天氣類型主要包括晴天、陰天以及雨雪天。常見(jiàn)的廣義天氣細(xì)分類型如表1所示。

因此，每天的天氣情況在進(jìn)行廣義分析以后只有三種，即晴陰雨。對(duì)于最后一個(gè)條件——當(dāng)天和前一天天氣情況來(lái)說(shuō)，對(duì)應(yīng)的情況有9種：晴晴、陰晴、雨晴、晴陰、陰陰、雨陰、晴雨、陰雨、雨雨，必須將這些情況量化成數(shù)值才能加以利用，構(gòu)造模糊隸屬函數(shù)的量化方法是一種可行有效的方法。按照模糊理論，決定以與兩天都是晴天（即晴晴）的相近程度來(lái)量化這9種類型。根據(jù)其中的幾種取值確定隸屬度函數(shù)的參數(shù)，其他的情況只需要將原始量化取值帶入函數(shù)中就可以得到經(jīng)過(guò)模糊量化之后該情況的量化值。取偏大型柯西分布和對(duì)數(shù)函數(shù)作為隸屬函數(shù)：

當(dāng)兩天條件為“晴晴”時(shí)，隸屬度為1，即f（9）=1;

當(dāng)兩天條件為“陰晴”時(shí)，隸屬度為0.8，即f（8）=0.8;

當(dāng)兩天條件為“晴陰”時(shí)，隸屬度為0.5，即f（6）=0.5;

當(dāng)兩天條件為“雨雨”時(shí)，隸屬度為0.01，即f（1）=0.01;

計(jì)算得：

α=20.6116，β=1.46，a=1.698，b=-2.542。

則

將其初始量化值帶入到隸屬度函數(shù)中，即可求出模糊量化后的值，如表2所示。

3光伏發(fā)電量模糊神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

BP神經(jīng)網(wǎng)絡(luò)是一種單向傳播的多層前向網(wǎng)絡(luò)。除輸入、輸出節(jié)點(diǎn)外，還有一層或多層隱含節(jié)點(diǎn)。BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程包括工作信號(hào)的正向傳播和誤差信號(hào)的反向傳播過(guò)程，即輸入信號(hào)從輸入層依次經(jīng)隱層傳到輸出層，誤差信號(hào)則由輸出層開(kāi)始逐層逆向傳到輸入層，同時(shí)由誤差反饋調(diào)節(jié)網(wǎng)絡(luò)權(quán)值。

BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如圖3所示。該網(wǎng)絡(luò)由輸入層、一個(gè)或多個(gè)隱含層和輸出層組成，x1，x2，…，x11為網(wǎng)絡(luò)的輸入特征;y為目標(biāo)輸出特征;h1，h2，…，hj分別為隱含層中間變量[5，6]。實(shí)際應(yīng)用中，BP網(wǎng)絡(luò)主要有3層和4層兩種。研究表明，當(dāng)隱含層的神經(jīng)元足夠大時(shí)，3層結(jié)構(gòu)的網(wǎng)絡(luò)可以實(shí)現(xiàn)任意復(fù)雜的映射。本模型選用3層的BP網(wǎng)絡(luò)結(jié)構(gòu)。

輸入層含11個(gè)節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)對(duì)應(yīng)1個(gè)條件，它們是當(dāng)天平均風(fēng)速、平均溫度、最高溫度、最高溫度時(shí)刻、最低溫度、最低溫度時(shí)刻、當(dāng)日溫度最大差、當(dāng)天的前一天輻照度變化趨勢(shì)、當(dāng)天的前一天輻照度變化次數(shù)、前一天最高溫度、當(dāng)天和前一天天氣情況。

輸出層含1個(gè)節(jié)點(diǎn)，對(duì)應(yīng)于當(dāng)天發(fā)電量。

隱層節(jié)點(diǎn)的數(shù)目可參照公式，其中n為隱層節(jié)點(diǎn)數(shù)目，n1為輸入層節(jié)點(diǎn)個(gè)數(shù)，n0為輸出層節(jié)點(diǎn)個(gè)數(shù)，a為1-10間常數(shù);根據(jù)相關(guān)經(jīng)驗(yàn)及實(shí)驗(yàn)情況，隱層節(jié)點(diǎn)數(shù)目定為11個(gè)。最后可由輸出值得出預(yù)測(cè)的發(fā)電量。

網(wǎng)絡(luò)訓(xùn)練Matlab包含的神經(jīng)網(wǎng)絡(luò)工具箱具有強(qiáng)大而靈活的功能，不需要復(fù)雜編程。因此，本文采用Matlab的神經(jīng)網(wǎng)絡(luò)工具箱作為訓(xùn)練環(huán)境，選取訓(xùn)練樣本進(jìn)行訓(xùn)練。訓(xùn)練樣本數(shù)據(jù)取自高郵光伏電站歷史數(shù)據(jù)。

4算例分析

數(shù)據(jù)來(lái)源于江蘇省高郵市某光伏電站2016年的發(fā)電量運(yùn)行數(shù)據(jù)，采集于發(fā)電系統(tǒng)的監(jiān)控系統(tǒng)。因?yàn)楣夥l(fā)電的出力時(shí)間為白天有光照條件下，所以數(shù)據(jù)采集的時(shí)間跨度為 6：00～18：00，時(shí)間間隔為1小時(shí)，將每個(gè)小時(shí)的發(fā)電量累加起來(lái)得到當(dāng)天預(yù)測(cè)發(fā)電量，而每種天氣類型用到的樣本數(shù)量為該歷史數(shù)據(jù)中按照季節(jié)和天氣類型劃分的相關(guān)數(shù)據(jù)除去預(yù)測(cè)日的所有天數(shù)，各個(gè)類型的樣本數(shù)量如表3所示：

本文以某光伏電站2016年春夏秋冬4個(gè)季節(jié)3種天氣共12天作為預(yù)測(cè)日，分別用初始量化值和模糊量化值預(yù)測(cè)當(dāng)天的發(fā)電量，如表4所示。

預(yù)測(cè)模型選用的誤差指標(biāo)為絕對(duì)百分比誤差（APE），參考公式如下：

APE =|Ppi-Pmi|/Pmi×100%

式中Ppi為某天的光伏預(yù)測(cè)發(fā)電量，Pmi為某天的光伏實(shí)際發(fā)電量。

從表4中可以看出，由于數(shù)值在0-1之間時(shí)比初始取值在0-9時(shí)網(wǎng)絡(luò)實(shí)現(xiàn)機(jī)器學(xué)習(xí)時(shí)收斂更快，所以經(jīng)過(guò)模糊量化后的天氣情況的數(shù)值的模型預(yù)測(cè)結(jié)果比該條件簡(jiǎn)單量化的數(shù)值的模型的預(yù)測(cè)值的誤差A(yù)PE要小。說(shuō)明使用本文所提出的預(yù)測(cè)方法，通過(guò)對(duì)天氣條件模糊量化的數(shù)據(jù)對(duì)BPNN進(jìn)行訓(xùn)練建模，光伏發(fā)電量預(yù)測(cè)結(jié)果的精度有進(jìn)一步的提高。

5?結(jié)束語(yǔ)

文章采用模糊理論和神經(jīng)網(wǎng)絡(luò)對(duì)光伏輸出功率進(jìn)行短期預(yù)測(cè)。通過(guò)尋找歷史數(shù)據(jù)中輻照度曲線和天氣情況的相關(guān)信息并進(jìn)行模糊量化，利用每個(gè)季節(jié)各自天氣類型的歷史數(shù)據(jù)作為訓(xùn)練樣本創(chuàng)建BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。在考慮主要天氣影響因素的基礎(chǔ)上，采用模糊量化后的數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，然后對(duì)光伏未來(lái)短期時(shí)刻的發(fā)電量進(jìn)行預(yù)測(cè)。最后使用光伏系統(tǒng)運(yùn)行數(shù)據(jù)對(duì)預(yù)測(cè)方法進(jìn)行分析表明，該光伏功率預(yù)測(cè)方法所需數(shù)據(jù)量不大，網(wǎng)絡(luò)收斂變得更快了，同時(shí)能夠準(zhǔn)確的預(yù)測(cè)光伏發(fā)電功率，較好的反映光伏發(fā)電系統(tǒng)的短時(shí)出力情況，能夠滿足實(shí)際應(yīng)用要求，進(jìn)而對(duì)短期功率預(yù)測(cè)起到一定的參考作用。

參考文獻(xiàn)：

[1]鄭建鄂，譚建軍，鄂翔宇，鄒蕾，宋池.基于人工蜂群算法改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電量預(yù)測(cè)[J].湖北民族學(xué)院學(xué)報(bào)（自然科學(xué)版），2019，37（01）：90-95.

[2]李英姿，曾萬(wàn)昕，戴玉，郭俊杉，胡亞偉.基于D-S證據(jù)理論的光伏發(fā)電量預(yù)測(cè)[J].電氣應(yīng)用，2019，38（02）：102-107.

[3]楊潔，成珂.基于數(shù)據(jù)挖掘的神經(jīng)網(wǎng)絡(luò)光伏發(fā)電預(yù)測(cè)研究[J].激光雜志，2018，39（08）：59-62.

[4]劉明海.基于參數(shù)預(yù)測(cè)的“光雨互補(bǔ)”發(fā)電系統(tǒng)研究[J].鐵道建筑技術(shù)，2018（08）：15-19.

[5]周慧，王進(jìn)，顧翔.基于數(shù)據(jù)挖掘的光伏發(fā)電預(yù)測(cè)[J].計(jì)算機(jī)時(shí)代，2018（08）：36-39+42.

[6]任家銘.基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的光伏電站短期出力預(yù)測(cè)[D].西安理工大學(xué)，2018.

[7]陳國(guó)棟，羅素芹，劉文斌，朱翔鷗.基于改進(jìn)相似日的光伏系統(tǒng)日發(fā)電量預(yù)測(cè)[J].照明工程學(xué)報(bào)，2018，29（03）：115-119.

（作者單位：武漢理工大學(xué) 自動(dòng)化學(xué)院）