基于天氣分型的短期光伏功率組合預(yù)測方法

葉 林，裴 銘，路 朋，趙金龍，何博宇

（中國農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院,北京市100083）

0 引言

太陽能是一種清潔的可再生能源,隨著全球?qū)η鍧嵞茉吹男枨蟛粩嘣鲩L,光伏發(fā)電將發(fā)揮重要作用［1］。在過去的幾十年中,光伏發(fā)電受到越來越多的關(guān)注［2-4］,光伏發(fā)電的整合帶來了顯著的經(jīng)濟(jì)和環(huán)境效益。然而,由于其不確定性和間歇性,光伏發(fā)電的高滲透率也給現(xiàn)有電網(wǎng)系統(tǒng)的運(yùn)行帶來了許多新挑戰(zhàn)［5］。這些挑戰(zhàn)包括光伏電源對氣象條件的敏感性,高安裝成本以及發(fā)電的間歇性［6］。提升光伏功率預(yù)測的精度是克服這些挑戰(zhàn)的有效解決方案。

按預(yù)測時(shí)長來分,光伏功率預(yù)測包括超短期預(yù)測（15 min 至4 h）、短期預(yù)測（4 h 至3 d）、中期預(yù)測（3 d 至1 個(gè)月）和長期預(yù)測（1 個(gè)月以上）［7］,其中短期光伏功率預(yù)測是本文的研究對象,準(zhǔn)確的短期光伏功率預(yù)測對提升電力系統(tǒng)的可靠性及電力系統(tǒng)對光電的消納能力具有重要意義。對于光伏系統(tǒng),光伏陣列所接收的太陽光譜輻照度通常會(huì)受到其他氣象因素的影響,因此不同天氣條件下的光伏功率波動(dòng)特征不同［8］。這意味著光伏功率預(yù)測精度不僅取決于所選擇的預(yù)報(bào)模式,而且還取決于天氣狀況。因此,研究人員對基于天氣分型的光伏預(yù)測模型越來越感興趣,以便準(zhǔn)確預(yù)測由于天氣模式不同所造成的光伏輸出功率的不確定性和波動(dòng)［9-10］。然而,很少有文獻(xiàn)在考慮深度學(xué)習(xí)模型特點(diǎn)的基礎(chǔ)上,研究不同天氣類型的功率波動(dòng)物理特征及相關(guān)氣象因子的識(shí)別。大多數(shù)文獻(xiàn)只是簡單地選擇一種分類器來完成分類任務(wù),而不知道該分類器是否適合基于收集到的天氣數(shù)據(jù)進(jìn)行分類任務(wù)［11］。文獻(xiàn)［12］應(yīng)用自組織映射（self organizing map,SOM）和學(xué)習(xí)矢量量化（learning vector quantization,LVQ）對分類階段收集的光伏發(fā)電輸出歷史數(shù)據(jù)進(jìn)行分類。文獻(xiàn)［13］提出了一種基于太陽輻照度特征提取和支持向量機(jī)（support vector machine,SVM）的短期光伏功率預(yù)測天氣狀態(tài)模式識(shí)別模型。另外,神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本的數(shù)據(jù)質(zhì)量以及數(shù)值氣象預(yù)報(bào)（numerical weather prediction,NWP）因素的選取也會(huì)影響光伏功率短期預(yù)測的精度［14］。文獻(xiàn)［15］利用iForest 算法剔除神經(jīng)網(wǎng)絡(luò)訓(xùn)練集中存在的異常數(shù)據(jù)。文獻(xiàn)［16］利用Pearson 相關(guān)系數(shù)選取NWP 數(shù)據(jù)集中與光伏功率相關(guān)的因素,作為預(yù)測模型的輸入量。文獻(xiàn)［17］基于聚類算法將光伏功率按照天氣狀況分為晴天、陰天、雨天,分別建立了分鐘級(jí)波動(dòng)與小時(shí)級(jí)波動(dòng)的理論公式。在保證神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本數(shù)據(jù)質(zhì)量的基礎(chǔ)上,光伏功率波動(dòng)特征的準(zhǔn)確預(yù)測對提升光伏功率預(yù)測精度具有重要意義［18］。

基于上述分析,本文提出基于天氣分型的短期光伏功率組合預(yù)測方法,首先基于NWP 將預(yù)測模型分為5 類,可以直接將氣象因素作為選擇預(yù)測模型的基準(zhǔn)；定義光伏日功率序列波動(dòng)參數(shù),基于四分位法對氣象因素與功率波動(dòng)特征進(jìn)行匹配,一定程度上解決了NWP 數(shù)據(jù)與光伏實(shí)測功率數(shù)據(jù)相關(guān)性低的問題,使預(yù)測模型中的光伏功率波動(dòng)特征更加集中；然后基于變分模態(tài)分解（variational mode decomposition,VMD）算法分解出功率波動(dòng)過程和類晴空過程,考慮不同天氣情況下功率波動(dòng)特征的特異性,基于數(shù)學(xué)算法篩選出各天氣分型下NWP相關(guān)因子,解決了NWP 數(shù)據(jù)冗余的問題,同時(shí)增強(qiáng)了深度學(xué)習(xí)網(wǎng)絡(luò)的學(xué)習(xí)能力；最后利用深度學(xué)習(xí)網(wǎng)絡(luò)對功率類晴空過程和功率波動(dòng)過程進(jìn)行分類預(yù)測,一定程度上解決了傳統(tǒng)預(yù)測模型對光伏功率波動(dòng)特征預(yù)測不準(zhǔn)確的問題,光伏功率基準(zhǔn)值的預(yù)測精度也有所提升。算例分析表明,相比于傳統(tǒng)的機(jī)器學(xué)習(xí)方法,本文所提方法能夠有效地提升短期光伏功率的預(yù)測精度。

1 光伏功率波動(dòng)過程的短期預(yù)測基本框架

光伏功率波動(dòng)特征受天氣的影響較大,不同天氣類型下光伏功率的波動(dòng)特征不同。通常短期光伏功率預(yù)測是基于NWP 進(jìn)行預(yù)測,預(yù)測模型的訓(xùn)練集由歷史NWP 和歷史光伏功率的時(shí)間序列構(gòu)成。本文首先基于氣象特征與光伏功率波動(dòng)特征相關(guān)聯(lián)的天氣劃分模型,將天氣類型分為晴天、陰天、多云、全雨、陣雨5 種類型,其中,陰天、多云、全雨、陣雨模型統(tǒng)稱為非晴模型。天氣分型后的各預(yù)測模型數(shù)據(jù)集特征更加集中,有利于提升預(yù)測精度。

為提取出受氣象因素影響下的光伏功率波動(dòng)過程,將非晴模型的光伏電場日輸出功率曲線進(jìn)行VMD,對非晴模型的光伏功率序列選取相應(yīng)的頻段分量進(jìn)行疊加,分解出各非晴模型的低頻信號(hào)與高頻信號(hào)。其中低頻信號(hào)表示非晴模型的類晴空過程,高頻信號(hào)代表非晴模型的波動(dòng)過程。基于天氣分型下的波動(dòng)過程劃分結(jié)果,本文對NWP 數(shù)據(jù)與晴天模型、非晴模型的類晴空過程進(jìn)行Granger 因果關(guān)系分析,得出NWP 晴天相關(guān)因子,對NWP 數(shù)據(jù)與非晴模型的波動(dòng)過程進(jìn)行Granger 因果關(guān)系分析,得出各非晴模型的NWP 波動(dòng)相關(guān)因子。

傳統(tǒng)的預(yù)測模型是基于NWP 時(shí)序和光伏功率時(shí)序之間的非線性關(guān)系所建立的映射模型,而光伏電場輸出功率特征具有晝夜周期性,光伏日功率序列波動(dòng)過程的預(yù)測一定程度上制約了光伏功率預(yù)測精度［1］。本文建立以光伏功率波動(dòng)過程及NWP 相關(guān)因子波動(dòng)過程為輸入、以光伏功率波動(dòng)過程為輸出的預(yù)測模型,其可以在一定程度上提升預(yù)測精度。在預(yù)測模型的數(shù)據(jù)輸入中,將篩選出來的NWP晴天相關(guān)因子與晴天模型歷史功率、非晴模型歷史功率類晴空過程作為光伏功率類晴空過程預(yù)測模型的訓(xùn)練集；將各天氣分型下的NWP 非晴相關(guān)因子與各天氣分型下的功率波動(dòng)過程作為光伏功率波動(dòng)過程預(yù)測模型的訓(xùn)練集。對于晴天模型來講,直接利用NWP 晴天相關(guān)因子預(yù)測出來的光伏功率即為最終預(yù)測值；對于非晴模型來講,首先利用NWP 晴天相關(guān)因子預(yù)測出功率類晴空過程,其次利用各天氣分型下NWP 波動(dòng)相關(guān)因子預(yù)測出功率波動(dòng)過程,二者疊加即為最終預(yù)測值。本文的總體思路框架如圖1 所示。

2 波動(dòng)過程劃分及NWP 相關(guān)因子篩選

2.1 基于氣象因素與功率波動(dòng)過程匹配的天氣分型方法

2.1.1 基于NWP 的天氣分型

光伏電場輸出功率取決于場站區(qū)域光資源即太陽輻照度的分布,而光伏發(fā)電單元所接收的太陽輻照度易受到天氣類型的影響,不同天氣類型下的光伏功率波動(dòng)特征不同。本文參照短期天氣預(yù)報(bào)國家標(biāo)準(zhǔn)［19］,選取NWP 中的云量C、大尺度降水pl、對流降水ps作為天氣分型因素,記V =[C,pl,ps]為天氣分型向量?？紤]到光伏電場輸出功率的特征,即只有白天有功率輸出、夜晚沒有功率輸出。本文按照單日白天平均云量區(qū)分晴天模型、多云模型及陰天模型,按照單日白天降水時(shí)長區(qū)分全雨模型與陣雨模型。根據(jù)氣象劃分標(biāo)準(zhǔn)對上述天氣分型因子進(jìn)行預(yù)處理。

式中:vs,t為第s 個(gè)天氣分型因子在t 時(shí)刻的值；nd為以15 min 為時(shí)間間隔的預(yù)報(bào)下,一天內(nèi)白天的時(shí)間點(diǎn)數(shù)量。

2）降水時(shí)間定義

式中:count(?)為計(jì)數(shù)函數(shù),統(tǒng)計(jì)序列中符合條件的元素個(gè)數(shù)；tpl為大尺度降水的時(shí)間點(diǎn)數(shù)量,當(dāng)大尺度降水量pl,t大于0 時(shí)統(tǒng)計(jì)；tps為對流降水的時(shí)間點(diǎn)數(shù)量,當(dāng)對流降水量ps,t大于0 時(shí)統(tǒng)計(jì)；tp為降水時(shí)間,取tpl和tps的最大值。

圖1 基于天氣分型的光伏電場短期功率預(yù)測總體框架Fig.1 Overall framework of short-term power forecasting for photovoltaic power station based on weather classification

根據(jù)上述天氣分型向量的識(shí)別與天氣分型因子預(yù)處理方法,按照晴天模型、多云模型、陰天模型、陣雨模型及全雨模型,給出基于NWP 的天氣分型公式,如表1 所示。

表1 基于NWP 的天氣分型模型Table 1 Weather classification models formula based on NWP

2.1.2 光伏功率波動(dòng)過程的定義

基于NWP 對天氣分型后,由于短期NWP 的精度有限,各天氣分型模型下存在著NWP 誤報(bào)的異常數(shù)據(jù),因此本文基于光伏功率的波動(dòng)特征對各天氣分型的數(shù)據(jù)進(jìn)行精確篩選,從而確保深度學(xué)習(xí)模型訓(xùn)練樣本的質(zhì)量。

為消除光伏功率基數(shù)對功率波動(dòng)參數(shù)的影響,本文首先對每日的光伏功率序列進(jìn)行歸一化處理,如式（3）所示。

式中:［·］表示差分運(yùn)算；Pt為t 時(shí)刻的光伏電場功率,本文的目的為識(shí)別極值點(diǎn),此處k=1。

根據(jù)光伏功率序列的前向差分與后向差分的結(jié)果,按照式（6）和式（7）判斷光伏電場日功率序列的極值。

極大值的判別式為:

極小值的判別式為:

基于光伏功率極值判別式,定義光伏日功率序列的波動(dòng)過程參數(shù)如下。

1）光伏日功率序列曲線波動(dòng)峰值Rm

2）光伏日功率序列波動(dòng)頻率f

式中:n 為時(shí)間點(diǎn)的總數(shù)量,本文取96。

3）光伏日功率序列波動(dòng)突變率ηm

式中:lr為歸一化日功率序列相鄰極值點(diǎn)的時(shí)間間隔；tr為歸一化日功率序列極值點(diǎn)所對應(yīng)的時(shí)刻。

本文以中國吉林省某光伏電場一年的數(shù)據(jù)為例,得到5 種天氣模型下年平均功率波動(dòng)參數(shù)的柱狀圖與年平均氣象分型參數(shù)的折線圖,見圖2。

由圖2 可以明顯看出,在5 種天氣類型下,隨著云量、對流降水、大尺度降水的增加,各個(gè)功率波動(dòng)參數(shù)也呈單調(diào)遞增趨勢。表明了本文所劃分的5 種天氣類型可以有效區(qū)分功率波動(dòng)特征,也說明了本文所定義的功率波動(dòng)參數(shù)可以有效刻畫不同天氣類型下的功率波動(dòng)特征。

2.1.3 基于四分位法的光伏功率波動(dòng)過程劃分

根據(jù)前文定義的光伏日功率序列波動(dòng)過程參數(shù),記W =[ Rm,f,ηm]為光伏功率波動(dòng)特征向量。本文基于四分位法確定各天氣分型下的光伏功率波動(dòng)特征向量的閾值,計(jì)算方法如下［20］。

1）計(jì)算各光伏功率波動(dòng)特征參數(shù)的第2 個(gè)四分位數(shù)即中位數(shù)Q2,G,h,如式（12）所示。

圖2 各天氣分型下的功率波動(dòng)參數(shù)與天氣分型參數(shù)對比分析Fig.2 Comparative analysis of power fluctuation parameters and weather classification parameters of various weather types

3）計(jì)算四分位矩并確定光伏功率波動(dòng)特征向量的閾值。

根據(jù)式（15）計(jì)算各天氣模型的光伏功率波動(dòng)參數(shù)的四分位矩IQR,G,h。

根據(jù)式（16）可以確定各天氣模型的光伏功率波動(dòng)參數(shù)序列的區(qū)間。

式中:F1,G,h為第h 個(gè)天氣模型下第G 個(gè)光伏功率波動(dòng)特征參數(shù)的閾值下限；Fu,G,h為第h 個(gè)天氣模型下第G 個(gè)光伏功率波動(dòng)特征參數(shù)的閾值上限；處于區(qū)間[ F1,G,h,Fu,G,h]以外的數(shù)據(jù)都是異常值。

本文以中國吉林省某光伏電場一年的數(shù)據(jù)為例,得到晴天、多云、陰天、陣雨、全雨5 種模型的光伏功率波動(dòng)參數(shù)箱線圖,如圖3 所示。根據(jù)四分位法的分析結(jié)果,將晴天、多云、陰天、陣雨、全雨5 種天氣模型中的異常光伏功率波動(dòng)參數(shù)所對應(yīng)的光伏功率日序列及NWP 數(shù)據(jù)剔除,從而使得各天氣模型的光伏功率波動(dòng)特征更為集中,有利于深度學(xué)習(xí)模型對光伏功率日序列及NWP 數(shù)據(jù)之間的映射關(guān)系進(jìn)行訓(xùn)練,從而提升光伏功率的預(yù)測精度。

圖3 基于四分位法的光伏功率波動(dòng)參數(shù)箱線圖Fig.3 Box plot of photovoltaic power fluctuation parameters based on quartile method

2.2 基于VMD 的光伏功率波動(dòng)過程提取

本文基于氣象因素與功率波動(dòng)過程匹配的天氣分型方法將光伏功率預(yù)測模型分為5 類,為更好地訓(xùn)練和學(xué)習(xí)各天氣類型下的功率波動(dòng)特征與NWP數(shù)據(jù)之間的映射關(guān)系,本文基于VMD［21］將非晴模型的光伏功率分解為類晴空過程和波動(dòng)過程。具體步驟如下。

步驟3:根據(jù)步驟1 和步驟2 得到M 個(gè)固有模式函數(shù)（IMF）,第m 個(gè)固有模式函數(shù)記為IMFm（m=1,2,…,M）。為獲取平滑的低頻信號(hào)以表示類晴空過程,需要確定合適的模態(tài)數(shù)M。本文用一年的光伏功率曲線作為樣本,分別取M=4,5,…,16,對每個(gè)M 值對應(yīng)的IMF1 信號(hào)進(jìn)行快速傅里葉變換,確定其中心頻率,當(dāng)M=9 時(shí)可以獲取最平滑的低頻信號(hào)。IMF1 分量作為光伏功率的類晴空過程,IMF2 至IMF9 分量之和作為光伏功率的波動(dòng)過程。

附錄A 圖A1（a）至（d）分別展示了多云、陰天、陣雨、全雨模型典型日的功率序列分解結(jié)果?？梢郧逦乜闯?光伏序列的波動(dòng)過程可以更加直觀地反映不同天氣類型下光伏日功率序列的波動(dòng)特征。

2.3 基于Granger 因果分析的NWP 相關(guān)因子篩選

在光伏功率短期預(yù)測領(lǐng)域中,由于時(shí)間周期較長,不能和超短期預(yù)測一樣將輻照度作為唯一的相關(guān)因子。圖4 為2017 年7 月各天氣分型下的光伏功率與短波輻射關(guān)系的示意圖。

圖4 各天氣分型下短波輻射與實(shí)測功率對比分析Fig.4 Comparison and analysis of short-wave radiation and measured power with various weather types

由圖4 可見,短波輻射的短期預(yù)報(bào)值不能完全反映光伏功率實(shí)測值的波動(dòng)特征,因此必須提取更多與光伏功率波動(dòng)特征相關(guān)的氣象因子作為深度學(xué)習(xí)網(wǎng)絡(luò)的輸入變量,從而提升光伏功率的預(yù)測精度。

本文選擇Granger 因果分析法對各天氣分型下光伏功率的相關(guān)氣象因子進(jìn)行篩選。因果關(guān)系是基于統(tǒng)計(jì)學(xué)中的零假設(shè),其原理是因變量的加入有助于結(jié)果變量的預(yù)測。在時(shí)間序列中,如果使用變量序列和目標(biāo)序列的歷史觀測值的預(yù)測效果要好于僅僅使用目標(biāo)序列自身歷史觀測值的預(yù)測效果,那么稱x 是y 的Granger 因變量或者x 是引起y 變化的Granger 原因［22-23］。

在Granger 因果關(guān)系分析中,原因變量是指引起一定現(xiàn)象的變量,結(jié)果變量是指由于一定原因的作用而引起現(xiàn)象的變量。因此基于Granger 因果關(guān)系分析識(shí)別NWP 相關(guān)因子時(shí),可以有效剔除以下2 類NWP 因子:一類是與光伏功率毫無關(guān)系的氣象因素,屬于冗余變量；另一類是一定氣象因素下造成的結(jié)果,不能用于預(yù)測光伏功率,屬于結(jié)果變量。本文采用Granger 因果關(guān)系分析可以從多維NWP 氣象因素中篩選出光伏功率波動(dòng)過程及類晴空過程的原因變量。

設(shè)光伏功率歷史實(shí)測數(shù)據(jù)為{ Pt},NWP 多維氣象因素?cái)?shù)據(jù)為{ xw,t,w=1,2,…,W },W 為NWP氣象因素類型數(shù),估計(jì)以下2 個(gè)回歸模型。

有約束回歸模型為:

無約束回歸模型為:

用2 種回歸模型計(jì)算出光伏功率時(shí)間序列的估計(jì)值后,基于實(shí)際光伏功率序列{ Pt},根據(jù)式（22）計(jì)算有約束回歸模型、無約束回歸模型的殘差平方和Rr和Ru,基于式（23）構(gòu)造F 統(tǒng)計(jì)量,并使用F 檢驗(yàn)判斷各NWP 影響因子是否為光伏功率過程的Granger 原因。

式中:T 為光伏功率序列的樣本容量。

檢驗(yàn)原假設(shè)“第w 個(gè)NWP 因子{ xw,t}不是引起光伏功率{ Pt}變化的Granger 原因”。如果F ≥Fα(k,T -s-l-1),應(yīng)拒絕原假設(shè),即該NWP 因子是引起光伏功率變化的Granger 原因,其中Fα為F 分布α 分位數(shù)；反之,則不能拒絕原假設(shè),即該NWP 因子不是引起光伏功率變化的Granger 原因。

按照Granger 因果關(guān)系分析的結(jié)果,篩選出類晴空過程、各天氣分型下波動(dòng)過程所對應(yīng)的NWP相關(guān)因子。從而完成基于天氣分型的光伏電場功率組合預(yù)測模型的訓(xùn)練數(shù)據(jù)準(zhǔn)備。

3 光伏功率波動(dòng)過程組合預(yù)測模型

3.1 卷積神經(jīng)網(wǎng)絡(luò)-長短期記憶網(wǎng)絡(luò)組合預(yù)測模型

本文基于天氣分型下對光伏功率波動(dòng)過程分解結(jié)果,并結(jié)合所篩選的NWP 相關(guān)因子構(gòu)成預(yù)測模型的基本數(shù)據(jù)集。 本文采用卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network,CNN）及長短期記憶（long short-term memory,LSTM）網(wǎng)絡(luò)作為預(yù)測模型［24-25］,用CNN-LSTM 組合預(yù)測模型表示,組合預(yù)測模型的數(shù)據(jù)集結(jié)構(gòu)如圖5 所示。

本文所選擇的組合預(yù)測模型中,CNN 模型主要由2 層卷積層和2 層池化層組成。卷積內(nèi)核數(shù)分別為64 和128,并且在池化層中選擇了最大池化模式；LSTM 模型包含2 個(gè)隱藏層,每個(gè)隱藏層分別具有64 和128 個(gè)神經(jīng)元。由圖5 可知,輸入、輸出數(shù)據(jù)集中的每個(gè)神經(jīng)元是由以15 min 為時(shí)間間隔的96 點(diǎn)所構(gòu)成的,每個(gè)天氣類型的模型訓(xùn)練集將訓(xùn)練96 點(diǎn)功率過程與96 點(diǎn)NWP 相關(guān)因子之間的映射關(guān)系,從而在測試集中一次輸出96 點(diǎn)預(yù)測功率。其中,訓(xùn)練集中的晴天模型光伏功率、非晴模型類晴空過程及各非晴模型的波動(dòng)過程數(shù)據(jù)均為二維數(shù)組,以晴天模型光伏數(shù)據(jù)結(jié)構(gòu)為例,1×96×118 表示晴天模型118 d 的96 點(diǎn)光伏日功率序列；訓(xùn)練集中各天氣類型的NWP 相關(guān)因子均為三維數(shù)組,以NWP 晴天相關(guān)因子為例,10×96×365 表示晴天模型和各非晴模型共365 個(gè)樣本,每個(gè)樣本包括10 種NWP相關(guān)因子的96 點(diǎn)序列。組合預(yù)測模型的超參數(shù)設(shè)置具體見附錄B 表B1,光伏功率組合預(yù)測模型的具體步驟如下。

圖5 光伏功率組合預(yù)測模型結(jié)構(gòu)Fig.5 Structure of combined forecasting model of photovoltaic power

步驟1:根據(jù)第2 章所提的波動(dòng)過程劃分及NWP 相關(guān)因子篩選方法,將待預(yù)測光伏電場的歷史NWP 數(shù)據(jù)與歷史光伏功率數(shù)據(jù)分為晴天模型、多云模型、陰天模型、陣雨模型與全雨模型5 種類型,將5 種天氣類型下的光伏日功率序列分解為波動(dòng)過程與類晴空過程,并篩選出5 種天氣類型下所對應(yīng)的NWP 相關(guān)因子。此時(shí)光伏功率組合預(yù)測模型的訓(xùn)練集已完成數(shù)據(jù)準(zhǔn)備。

步驟2:基于LSTM 模型,將晴天模型光伏功率、各非晴模型類晴空過程以及NWP 晴天相關(guān)因子的歷史數(shù)據(jù)導(dǎo)入訓(xùn)練集中,完成對類晴空模型訓(xùn)練集的構(gòu)建。

步驟3:基于CNN 模型,分別將多云模型、陰天模型、陣雨模型及全雨模型的光伏功率波動(dòng)過程及其所對應(yīng)的NWP 相關(guān)因子的歷史數(shù)據(jù)導(dǎo)入訓(xùn)練集中,完成對4 個(gè)非晴模型訓(xùn)練集的構(gòu)建。

步驟4:輸入待預(yù)測日的NWP 數(shù)據(jù),根據(jù)2.1.1 節(jié)所提的基于NWP 的天氣分型方法判斷待預(yù)測日的天氣類型,若天氣類型為晴天模型,則將NWP 數(shù)據(jù)中的晴天相關(guān)因子輸入至LSTM 類晴空模型測試集中,即輸出待預(yù)測日的光伏功率；若天氣類型為非晴模型,則一方面將NWP 數(shù)據(jù)中的晴天相關(guān)因子輸入至LSTM 類晴空模型測試集中,輸出待預(yù)測日的光伏功率類晴空過程,另一方面將NWP數(shù)據(jù)中的非晴相關(guān)因子輸入至所屬天氣類型CNN波動(dòng)模型測試集中,輸出待預(yù)測日的光伏功率波動(dòng)過程,將光伏功率類晴空過程與波動(dòng)過程疊加即為預(yù)測功率。

3.2 預(yù)測誤差評(píng)價(jià)

本文采用均方根誤差（RMSE）、平均絕對誤差（MAE）作為誤差評(píng)價(jià)指標(biāo)。各誤差計(jì)算公式如下。

式中:Pt,pre為t 時(shí)刻的光伏功率的預(yù)測值；Cap為光伏電場的裝機(jī)容量；N 為預(yù)測時(shí)段。

4 案例分析

本文以中國吉林省某裝機(jī)容量為40 MW 的光伏電場為研究對象,以2017 年1 月1 日至2018 年12 月31 日時(shí)間段內(nèi)的NWP 數(shù)據(jù)和光伏功率實(shí)測數(shù)據(jù)為樣本,時(shí)間分辨率均為15 min。其中NWP 為日前一天的預(yù)報(bào)值,2017 年數(shù)據(jù)為訓(xùn)練樣本,2018 年數(shù)據(jù)為測試樣本,用以驗(yàn)證數(shù)據(jù)預(yù)測的有效性。根據(jù)3.1 節(jié)的光伏功率組合預(yù)測模型具體步驟完成案例分析。

4.1 光伏功率非晴模型波動(dòng)過程識(shí)別及分解

基于2.1 節(jié)所提的氣象因素與功率波動(dòng)過程匹配的天氣分型方法,對2017—2018 年的NWP 數(shù)據(jù)及光伏功率數(shù)據(jù)按照晴天模型、多云模型、陰天模型、陣雨模型、全雨模型進(jìn)行劃分。各個(gè)模型所對應(yīng)的劃分天數(shù)見附錄C 表C1。由表C1 可知,根據(jù)光伏功率波動(dòng)特征篩選方法處理后的訓(xùn)練樣本,篩選比例為13.42%,其樣本量符合深度學(xué)習(xí)模型的需求。

4.2 光伏功率預(yù)測的關(guān)鍵氣象因素確定

本文對2017—2018 年的晴天模型下的光伏功率與NWP 晴天相關(guān)因子、各天氣分型下的功率波動(dòng)過程與NWP 各波動(dòng)相關(guān)因子進(jìn)行了Granger 因果關(guān)系分析,分析結(jié)果見附錄C 表C2—表C3。

本文選取置信度高于0.99 的NWP 因子作為波動(dòng)模型的相關(guān)因子,以同樣的方式對其他波動(dòng)模型及晴天模型做Granger 因果關(guān)系分析,從而得出各自模型的NWP 相關(guān)因子,天氣分型下各模型的NWP 相關(guān)因子統(tǒng)計(jì)結(jié)果見附錄C 表C4。表中的NWP 相關(guān)因子按照置信水平排序,處于同一置信水平的NWP 相關(guān)因子被認(rèn)為與光伏功率有同等的因果關(guān)系。

4.3 光伏功率短期預(yù)測準(zhǔn)確性分析

在做好數(shù)據(jù)準(zhǔn)備后,根據(jù)第3 章所述的組合預(yù)測模型進(jìn)行預(yù)測。將2017 年的晴天模型與類晴空模型下的光伏功率值及其所對應(yīng)的NWP 相關(guān)因子作為LSTM 模型的訓(xùn)練集,將2018 年所對應(yīng)的光伏功率值作為測試集。LSTM 模型的網(wǎng)絡(luò)結(jié)構(gòu)主要包含2 個(gè)隱藏層,每個(gè)隱藏層分別有64 和128 個(gè)神經(jīng)元。

圖6 為晴天模型與其他天氣分型下的類晴空過程預(yù)測結(jié)果對比圖。圖中選取的是2018 年6 月各天氣類型下典型日的類晴空波動(dòng)過程預(yù)測結(jié)果。

圖6 各天氣分型下光伏功率類晴空過程預(yù)測結(jié)果對比Fig.6 Comparison of forecasting results of photovoltaic power clear-sky-like process with different weather types

由圖6 可知,晴天模型的光伏功率輸出值較大,非晴模型下的光伏功率輸出值較小,因此類晴空過程的預(yù)測精度主要在于NWP 晴天相關(guān)因子與光伏功率日輸出最大值之間的映射關(guān)系是否準(zhǔn)確。LSTM 模型擅長對時(shí)序數(shù)列的學(xué)習(xí),因此可以比較準(zhǔn)確地學(xué)習(xí)二者之間的映射關(guān)系。

同理,將2017 年的非晴模型下的光伏功率波動(dòng)過程及其所對應(yīng)的NWP 相關(guān)因子作為CNN 的訓(xùn)練集,將2018 年所對應(yīng)的光伏功率值作為測試集。圖7 為2018 年6 月各非晴模型下的光伏功率波動(dòng)過程預(yù)測結(jié)果對比圖。圖中選取的是與類晴空過程展示結(jié)果中相同典型日下的非晴模型波動(dòng)過程預(yù)測結(jié)果。

圖7 非晴模型下的光伏功率波動(dòng)過程預(yù)測結(jié)果對比Fig.7 Comparison of forecasting results of photovoltaic power fluctuation process with non-clear-sky model

由圖7 可以看出,非晴模型下的光伏功率波動(dòng)過程預(yù)測精度低于光伏功率類晴空過程,這就進(jìn)一步表明了光伏功率預(yù)測精度主要取決于波動(dòng)過程的預(yù)測精度。天氣分型后,各訓(xùn)練樣本的波動(dòng)過程相似度提升,CNN 作為圖像識(shí)別的常用算法之一,對波動(dòng)過程的特征預(yù)測具有很好的表現(xiàn)。

將LSTM 模型所預(yù)測的類晴空過程與CNN 所預(yù)測的功率波動(dòng)過程疊加即為最終預(yù)測值。為了驗(yàn)證本文所提預(yù)測方法的有效性,分別考慮晴天、多云天、陰天、陣雨天和全雨天5 種不同天氣類型情況,對比以下4 種預(yù)測方法的效果。

方法1:采用本文所提出的基于天氣分型的短期光伏功率組合預(yù)測模型。

方法2:采用本文所提出的天氣分型方法及NWP 相關(guān)因子篩選方法,構(gòu)建CNN 單體預(yù)測模型。

方法3:采用本文所提出的天氣分型方法及NWP 相關(guān)因子篩選方法,構(gòu)建LSTM 單體預(yù)測模型。

方法4:采用基于NWP 的天氣分型方法及NWP 相關(guān)因子篩選方法,建立CNN-LSTM 組合預(yù)測模型。

方法2 和3 分別對CNN、LSTM 單體模型進(jìn)行測試,從而分析2 種模型的預(yù)測特點(diǎn)；方法4 沒有采用基于四分位法的光伏功率波動(dòng)過程劃分方法,即沒有對5 種天氣分型模型中的異常值進(jìn)行篩選,以測試訓(xùn)練集數(shù)據(jù)質(zhì)量對預(yù)測精度的影響。基于2018 年5 月的數(shù)據(jù),4 種方法的預(yù)測結(jié)果與實(shí)際值的對比如圖8 所示。

圖8 不同預(yù)測模型下光伏功率預(yù)測值與實(shí)際值的對比Fig.8 Comparison of photovoltaic power forecasting value and actual value with different forecasting models

由圖8 可以看出,分別采用CNN、LSTM 單體模型的方法2 和方法3 未能對光伏功率低頻分量的波動(dòng)幅值及高頻分量的波動(dòng)特征進(jìn)行精確預(yù)測；未采用四分位法剔除異常數(shù)據(jù)的方法4 的預(yù)測結(jié)果中,由于各天氣分型中訓(xùn)練集的光伏功率波動(dòng)特征不統(tǒng)一,導(dǎo)致預(yù)測結(jié)果相較于本文模型有較大偏差。本文所提的組合預(yù)測模型有效地提升了預(yù)測精度,提升了模型的泛化能力。

根據(jù)3.2 節(jié)所述預(yù)測誤差評(píng)價(jià)公式,對4 種方法進(jìn)行誤差比較,誤差統(tǒng)計(jì)的樣本量為2018 年全年數(shù)據(jù),誤差統(tǒng)計(jì)見表2。

由表2 可知,本文所提組合模型下的預(yù)測精度較其他3 種方法有所提高,尤其是對非晴模型的預(yù)測誤差明顯降低。可以看出,根據(jù)天氣分型、異常值剔除及功率分解后的樣本特征更加集中,深度學(xué)習(xí)模型的準(zhǔn)確率有明顯上升。方法2 所采用的CNN單體模型對非晴模型的預(yù)測精度明顯高于LSTM單體模型。方法3 所采用的LSTM 單體模型對于晴天模型的預(yù)測精度有著明顯優(yōu)勢。方法4 未使用四分位法剔除異常數(shù)據(jù),可以看出相較于本文算法,其誤差有明顯升高,甚至在晴天模型下比方法3 所采用的LSTM 單體模型的預(yù)測誤差要高。因此保證訓(xùn)練集的數(shù)據(jù)質(zhì)量對于深度學(xué)習(xí)模型的預(yù)測精度提升有重要意義。根據(jù)預(yù)測誤差精度的分析,進(jìn)一步說明了本文所提出的組合預(yù)測算法的合理性。

表2 各天氣模型下預(yù)測誤差指標(biāo)對比Table 2 Comparison of forecasting error indicators with different weather models

5 結(jié)語

本文基于NWP 分型因子將天氣類型劃分為晴天模型與非晴模型兩大類,對非晴模型下的光伏功率分解為波動(dòng)過程和類晴空過程,建立了針對各天氣分型下波動(dòng)過程和類晴空過程的組合預(yù)測模型。得到如下結(jié)論。

1）本文定義了功率波動(dòng)過程的特征參數(shù),提出了不同天氣類型下功率波動(dòng)過程判別式,對基于氣象學(xué)知識(shí)所劃分模型對應(yīng)的功率特征進(jìn)行特異性分析,剔除了由于NWP 精度所導(dǎo)致的問題樣本,提升了樣本質(zhì)量。

2）本文基于VMD 算法,按照避免模態(tài)混疊及低頻分量頻率最低的原則,將光伏功率分解為波動(dòng)過程和類晴空過程,為預(yù)測模型奠定了數(shù)據(jù)基礎(chǔ)。

3）基于Granger 因果關(guān)系分析,篩選出各天氣分型模型下所對應(yīng)的NWP 相關(guān)因子,既減少了樣本量,又提高了預(yù)測精度。

4）針對類晴空過程和波動(dòng)過程的數(shù)據(jù)特征,結(jié)合機(jī)器學(xué)習(xí)算法自身的適應(yīng)性條件,提出了CNNLSTM 組合預(yù)測算法,實(shí)現(xiàn)了基于NWP 相關(guān)因子,以光伏功率日波動(dòng)過程為輸入、以光伏功率日波動(dòng)過程為輸出的波動(dòng)預(yù)測,顯著提升了預(yù)測精度。

本文所采用的組合預(yù)測算法特異性不夠強(qiáng),在針對不同天氣類型下建立具有明顯特異性的預(yù)測算法方面還有進(jìn)一步研究空間；此外,在探究光伏功率波動(dòng)參數(shù)與NWP 相關(guān)因子之間的關(guān)聯(lián)性還有研究空間。

附錄見本刊網(wǎng)絡(luò)版（http：//www.aeps-info.com/aeps/ch/index.aspx），掃英文摘要后二維碼可以閱讀網(wǎng)絡(luò)全文。