基于時序數(shù)據(jù)處理的分布式光伏功率預測系統(tǒng)

劉曉艷，王玨，姚鐵錘，遲學斌，王曉光，李凱

1.中國科學院計算機網絡信息中心，北京 100190

2.中國科學院大學，北京 100049

引言

近年來，隨著科技的發(fā)展，太陽能相關行業(yè)發(fā)展迅速。太陽能綠色潔凈、可再生的優(yōu)點，使其成為最具有應用前景的新能源之一[1-3]。在環(huán)境惡化逐漸加劇的今天，世界光伏產業(yè)展示出巨大的發(fā)展前景，從能源利用的發(fā)展趨勢來看，光伏發(fā)電最終將成為電能的重要來源[4]。

分布式光伏功率具有典型的概率分布特性，是光伏電站優(yōu)化規(guī)劃設計、出力預測和優(yōu)化調度管理的重要基礎數(shù)據(jù)，而光伏功率受太陽輻照周期以及各種氣象因素隨機變化的影響，具有明顯的隨日、月、季節(jié)變化而變化的特點，氣象數(shù)據(jù)質量和季節(jié)周期對光伏發(fā)電預測起著重要作用[5]。

電力系統(tǒng)中光伏發(fā)電量占比逐年增加，電網調度難度也逐步加大[6]。光伏發(fā)電功率的預測值將作為電網調度的依據(jù)，因此精準預測光伏電站的發(fā)電功率，可以使得電網調度計劃得到及時調整，進一步保證電網電能質量[7]。

為支撐智能電網相應部門對分布式光伏電站的管理與調度，本文提出支持多種時序數(shù)據(jù)（數(shù)值天氣預報、光伏電站氣象信息、歷史功率等）的數(shù)據(jù)預處理算法，并基于該算法封裝數(shù)據(jù)管理層，然后集成了24 小時、4 小時、15 分鐘不同尺度的功率預測模型，最終設計并實現(xiàn)了包括數(shù)據(jù)管理層和模型預測層的分布式光伏功率預測系統(tǒng)。

1 時序數(shù)據(jù)預處理

在光伏時序數(shù)據(jù)的采集過程中，由于傳感器的故障、紀錄人員的誤操、傳輸出錯以及個別極端天氣的影響，都會導致缺失值、異常值的出現(xiàn)，影響數(shù)據(jù)的正常使用。對光伏時序數(shù)據(jù)的預處理包括缺失值處理和異常值處理。對缺失值的填充包括固定值、中值、插值等統(tǒng)計學填充方法[8]，自回歸模型(Autoregressive Model,AR)[9]、自回歸差分移動平均模型(Autoregressive Integrated Moving Average Model,ARIMA)[10]等模型填充方法，以及KNN[11]等機器學習填充方法，本文使用統(tǒng)計學填充方法中的插值填充進行缺失值的填充。對異常值的檢測除了3σ法則和回歸分析等統(tǒng)計方法[8]，也可以通過聚類方法將不能聚類的數(shù)據(jù)視為異常[12]，或者將異常檢測問題轉為分類和預測，使用RNN、CNN 等方法解決[13]。在本文中，基于特征本身特性進行異常值的檢測，比如地面到達的輻照度是大于0，小于1300w/m2的，因此小于0 或者大于1300w/m2的輻照度值必是異常值。對異常值檢測后的修正與缺失值的填充方法相同，采用插值修正。連續(xù)的大段的異常值和缺失值將嚴重影響數(shù)據(jù)質量，因此采用刪除法刪除有大段異?；蛉笔е档漠斕鞌?shù)據(jù)[14]，這樣既保證了數(shù)據(jù)質量，又保證了光伏時序數(shù)據(jù)天內的連續(xù)性。

通過高效的對異常數(shù)據(jù)和缺失數(shù)據(jù)進行刪除或插值能夠提高數(shù)據(jù)質量，進而提高預測模型的性能[15]。

1.1 預處理算法簡述

X表示某電站在某一天原始的光伏特征（功率特征或者輻照度等氣象特征）序列，是一維數(shù)組；T是一個常數(shù)表示數(shù)組X的長度；τ是一個長度為的T字符串數(shù)組，存儲了特征對應的時刻字符串，如“23:45”；Y表示經算法1DataPreprocess()預處理后的特征序列；longConsecutive()表示最長連續(xù)子數(shù)組長度算法（詳見算法2）；interpolate()表示線性插值函數(shù)見公式(1)。

算法1 以X,τ,T為輸入，輸出Y。由于功率或輻照度必定是大于等于0 的，且不可能無限大，經統(tǒng)計得到光伏特征的最大值η，如果特征值小于0 或者大于η，則判定為異常值。特征值為None或者在白天為0 則判定為是缺省值。處理過程中會對X中的每一個X[t]進行遍歷，判斷是否是異常值及缺省值，如果是，則將異常值或缺省值添加到待處理特征數(shù)組對應的下標添加到待處理時刻數(shù)組然后以作為的輸入，得到該站點在這一天最長的連續(xù)異常或缺失的時刻數(shù)如果則認為是屬于“段缺省值”或者“段異常值”的情況，進而調用通過正常時刻及對應特征值的函數(shù)關系，填補缺省值和糾正異常值，得到處理后的特征數(shù)組Y。如果則認為屬于“天缺省”或者“天異?！钡那闆r，直接去掉這一整天數(shù)據(jù)，即將處理后的特征數(shù)組Y置空，令。

線性插值法（Linear Interpolation Method）如式(1)所示。為已知的兩個點，表示某一時刻在中的下標及其對應的特征值，其中對于給定的一個時刻經公式(1)即可計算得到t時刻對應的特征估計值。

算法 1 數(shù)據(jù)預處理算法

Alg 1 Data preprocessing algorithm

算法1：Data Preprocess輸入：X,τ,T輸出：Y 1:u =[]2:u’ =[]3:X’ =[],Y =[]4:for t = 0;t ＜ T;t ++ do 5:6:if or or is None or(＜=＜=and )7:then 8:9:10:end if 11:end for 12:13:if 14:then

算法1：Data Preprocess 15:16:else 17:images/BZ_146_1424_588_1439_619.png18:end if 19:return Y

算法 2 最長連續(xù)子數(shù)組長度算法

Alg.2 Algorithm of the longest continuous subarray length

算法2：Long C：onsecutive輸入輸出：1:2:3:4:do 6:if 5:while 7:then 8:9:10:else 11:12:13:14:15:end if 16:end while 17:return

1.2 缺省值處理

光伏原始時序數(shù)據(jù)中的缺省值包括“天缺省值”和“段缺省值”。其中，“天缺省值”采用整體去除該天所有特征的方法。圖1 為某光伏電站2019年3月6日至2019年3月14日功率時序曲線，其中3月9日、3月10日、3月11日、3月12日的功率均為0，3月8日整天只有一個值，可能是由于功率序列的錯報造成，因此數(shù)據(jù)缺省值處理需要去除3月8日至3月12日的所有特征數(shù)據(jù)。

圖1 某光伏電站功率（2019.3.6-2019.3.14）Fig.1 The power of a photovoltaic power station(March 6,2019 -March 14,2019)

“段缺省值”需要采用線性插值法，圖2 為某光伏電站2019年5月31日至2019年6月2日直射輻照度曲線，其中2019年6月1日的14:15、14:30、14:45、15:00 值為0，因此需要根據(jù)其他時刻的功率對這4 個缺省時刻采用線性插值法處理，得到完整時序數(shù)據(jù)。

圖2 某光伏電站直射輻照度（2019.5.31-2019.6.2）Fig.2 The direct irradiance of a photovoltaic power station(May 31,2019 - June 2,2019)

1.3 異常值處理

以某光伏電站一年的實測總輻照度曲線為例，其實測總輻照度峰值基本在1300W/m2以下，而在2018年8月4日至8月7日中，實測總輻照度有大段數(shù)值超過1300W/m2，屬于“天異常值”的情況，在異常值處理時需要將所有異常天整體剔除。對于某天中少量的某幾個超出峰值或者小于0 的點，稱為“段異?！秉c，異常處理時通過線性插值法糾正。

圖3 某光伏電站總輻照度（2018.8.4-2018.8.7）Fig.3 The total irradiance of a photovoltaic power station(August 4,2018 - August 7,2018)

1.4 數(shù)據(jù)集整合

經過上述的預處理之后，需要對完整數(shù)據(jù)集進行整合。光伏發(fā)電功率預測模型的訓練是以天為基本時間單位的，則數(shù)據(jù)集完整的定義是一天的時間間隔內，每個采樣時刻點對應的光伏出力數(shù)據(jù)和氣象數(shù)據(jù)都應該是有效值。對于不滿足要求的，則按前述算法開展數(shù)據(jù)預處理工作。

2 分布式光伏功率預測系統(tǒng)設計

2.1 系統(tǒng)概述

分布式光伏功率預測系統(tǒng)依據(jù)國家電網的相關標準和規(guī)范的要求，功能建設以電網調度管理人員為中心，以功率預測為主要任務，以數(shù)據(jù)處理與管理為基礎，實現(xiàn)智能電網用戶對轄區(qū)內光伏站功率的把控。

分布式光伏功率預測系統(tǒng)實現(xiàn)了對光伏電站功率和氣象信息等數(shù)據(jù)的采集及數(shù)據(jù)處理，進而得到預測模型的輸入特征。特征包含數(shù)值天氣預報值、輻照度及功率。不同預測模型分別進行24 小時、4小時和15 分鐘的功率預測。同時，預測結果以圖形化的方式在網頁端展示。具體的功能如圖4所示。

圖4 分布式光伏預測系統(tǒng)功能圖Fig.4 Functional diagram of distributed photovoltaic forecasting system

系統(tǒng)自下而上分為數(shù)據(jù)管理層、預測模型層以及可視化展示層。其中，數(shù)據(jù)管理層提供數(shù)據(jù)支撐給預測模型層，提供功率預測的數(shù)據(jù)作為輸入。預測模型層提供預測服務，支持24 小時、4 小時和15分鐘三種時間尺度的功率預測模型?？梢暬故就ㄟ^劃分區(qū)域和劃分電站展示對應的功率預測信息和氣象信息。系統(tǒng)管理包含用戶、權限以及日志管理三部分，保障系統(tǒng)的正常運行。

2.2 數(shù)據(jù)管理層

2.2.1 數(shù)據(jù)接口

數(shù)據(jù)驅動是科學研究與應用的重要特征[16-17]。系統(tǒng)通過數(shù)據(jù)接口，定期獲取不同來源的數(shù)據(jù)。數(shù)據(jù)輸入包括數(shù)值天氣預報、光伏電站實時測量氣象信息、光伏電站發(fā)電功率以及“葵花8 號”衛(wèi)星云圖產品。

（1）數(shù)值天氣預報

數(shù)值天氣預報數(shù)據(jù)由數(shù)值天氣預報中心提供[18-19]，包含多源氣象數(shù)據(jù)的預報值，且可以自動獲取，而且支持人工操作進行數(shù)據(jù)的補充錄入。預報數(shù)據(jù)為逐15 分鐘數(shù)據(jù)，覆蓋第二天零點至未來72 小時的整個時間段。數(shù)值天氣預報數(shù)據(jù)每天至少對風（風速和風向）、輻照度（總輻照度、直射輻照度和散射輻照度）、溫度和濕度等數(shù)據(jù)更新一次。

（2）光伏電站實時測量氣象信息

實時測量氣象數(shù)據(jù)來源于光伏站位置的相關氣象傳感器，同樣為逐15 分鐘數(shù)據(jù)，包含風（風速和風向）、輻照度（總輻照度、直射輻照度和散射輻照度）、溫度（氣溫和光伏面板溫度）和濕度等測量值。系統(tǒng)支持按照設定的方式和頻率自動完成數(shù)據(jù)采集，并支持人工操作進行數(shù)據(jù)的補充錄入。

（3）光伏電站發(fā)電功率

光伏電站發(fā)電功率數(shù)據(jù)來自于其他監(jiān)控系統(tǒng)，為實時數(shù)據(jù)，其中集中式光伏數(shù)據(jù)為逐15 分鐘數(shù)據(jù)，分布式光伏為逐5 分鐘數(shù)據(jù)。

（4）“葵花8 號”衛(wèi)星云圖產品

地球同步氣象衛(wèi)星“葵花8 號”提供電站位置范圍的衛(wèi)星云圖遙感數(shù)據(jù)。根據(jù)系統(tǒng)設置，系統(tǒng)自動獲取與光伏電站位置相關聯(lián)的衛(wèi)星云圖遙感數(shù)據(jù)并保存為矩陣。

2.2.2 數(shù)據(jù)清洗

系統(tǒng)對獲取的數(shù)值天氣預報數(shù)據(jù)、光伏站實時測量氣象數(shù)據(jù)、光伏站發(fā)電功率數(shù)據(jù)以及“葵花8 號”數(shù)據(jù)按照站點和時間進行關聯(lián)，并進行數(shù)據(jù)預處理，使其滿足可訓練的需求，并建立數(shù)據(jù)庫。

2.3 預測模型層

預測模型層在本系統(tǒng)中起到核心功能的作用，主要實現(xiàn)在不同時長及時間尺度下的光伏出力預測。根據(jù)其預測周期的不同，分為24 小時預測模型、4小時預測模型以及15 分鐘預測模型。

2.3.1 24 小時預測模型

24 小時短期預測主要用于優(yōu)化常規(guī)發(fā)電機組的日發(fā)電計劃和系統(tǒng)的冷熱備用，以及安排風電場的維護計劃。24 小時功率預測模型將氣象局提供的未來一天的數(shù)值天氣預報數(shù)據(jù)作為輸入特征，動態(tài)捕捉數(shù)值天氣預報數(shù)據(jù)的時序特征后，輸出未來一天的光伏發(fā)電功率預測值。鑒于數(shù)值天氣預報數(shù)據(jù)每天提供一次，因此24 小時功率預測模型每天更新一次，可以顯示未來一整天的功率變化趨勢。

2.3.2 4 小時預測模型

4 小時短臨預測主要用于幫助調度調峰和機組組合。4 小時功率預測模型根據(jù)場站實測氣象數(shù)據(jù)結合數(shù)值天氣預報數(shù)據(jù)預測未來4 小時功率，利用兩個長短期記憶人工神經網絡模型，每小時更新一次未來功率的變化趨勢。

2.3.3 15 分鐘預測模型

15 分鐘超短期預測主要用于在線機組優(yōu)化組合、調整輪轉備用容量、優(yōu)化調頻和調度經濟負荷。含有氣象量測裝置的15 分鐘功率預測模型根據(jù)場站提供的電站實測氣象數(shù)據(jù)，使用功率預測模型滾動預測下一時刻點的功率；無氣象量測裝置的15 分鐘功率預測模型將結合小尺度短臨輻照度預測的結果進而預測光伏發(fā)電功率。15 分鐘更新一次的功率預測值為調度工作人員調整調度計劃提供依據(jù)。

2.4 可視化展現(xiàn)

如圖5所示，可視化展示由區(qū)域功率預測展示和單個光伏電站功率預測展示兩部分組成。

圖5 可視化展示Fig.5 Visual display

區(qū)域功率預測展示主要展示某區(qū)域內光伏電站出力預測態(tài)勢。左側包含集中式和分布式光伏站兩類數(shù)據(jù)。右側是光伏出力預測的態(tài)勢展示。展示信息包括15 分鐘、4 小時和24 小時模型當前時刻的預測值。其中，24 小時模型展示當天每個整點時刻本區(qū)域內所有光伏電站功率預測的情況。4 小時模型展示的是未來4 小時，整點時刻本區(qū)域內所有光伏電站的功率預測情況和平均絕對誤差值。15 分鐘模型展示本區(qū)域內所有光伏電站未來15 分鐘的功率預測情況以及平均絕對誤差值。當用戶點擊選中特定站點時，進入單個光伏電站的功率預測展示頁面。

單個光伏電站功率預測主要包括本站24 小時模型、4 小時模型以及15 分鐘模型功率預測的結果。同時，數(shù)值天氣預報數(shù)據(jù)和實測氣象數(shù)據(jù)展示在右側區(qū)域。用戶可通過頁面上部的日期選擇功能，回溯歷史日期，查看本站出力預測的情況。

2.5 系統(tǒng)管理

系統(tǒng)管理模塊包括用戶管理模塊、權限管理模塊和日志管理模塊。用戶管理模塊維護系統(tǒng)用戶的新增、信息修改、用戶狀態(tài)更改和角色的設置等。權限管理將用戶權限粒度細化到每一個按鈕上，保證最大限度管理。日志管理主要對系統(tǒng)運行狀況的輸出日志結果進行展示，包含了系統(tǒng)中的用戶的操作、預測結果和數(shù)據(jù)清洗任務等在系統(tǒng)運行過程中的詳細信息。這些子模塊相互協(xié)作，使得分布式光伏功率預測系統(tǒng)的穩(wěn)健順利運行得到保證。

2.6 系統(tǒng)實現(xiàn)

分布式光伏功率預測系統(tǒng)采用“瀏覽器/服務器模式”架構，即客戶端瀏覽器作為電網工作人員與系統(tǒng)管理人員的工作界面，服務器端完成主要的業(yè)務邏輯處理過程?？蛻舳酥恍杌镜臑g覽器，而無需再安裝新的應用程序。圖 6 為系統(tǒng)技術架構圖，從下至上依次為數(shù)據(jù)層、服務層、展示層，其中服務層包含系統(tǒng)的數(shù)據(jù)訪問和業(yè)務邏輯等部分的功能。

圖6 系統(tǒng)技術架構圖Fig.6 The diagram of system technical architecture

為了滿足功率預測相關數(shù)據(jù)存儲以及高訪問量的需求，系統(tǒng)采用“MySQL+Redis”的形式，組成系統(tǒng)的數(shù)據(jù)層。其中，MySQL 是Web 應用的常見數(shù)據(jù)庫選擇，而采用Redis 的管道通訊方式能夠方便地進行數(shù)據(jù)讀取操作。

系統(tǒng)采用SpringBoot 作為服務層框架，SpringBoot 耦合Spring 框架，能夠靈活構建無配置文件的應用程序，簡化了項目開發(fā)過程[20]。JPA（Java Persistence API）提供了一種自EJB3.0 規(guī)范以來管理持久性和對象關系映射的機制，適用于JavaEE 環(huán)境的Java 編程模型。

系統(tǒng)采用Vue 作為前端UI 框架，Vue 提供了豐富的高質量Web 彈層組件，避免了各種前端工具的復雜配置，只需專注于元素交互過程的構建。同時，為了使系統(tǒng)表現(xiàn)更豐富，系統(tǒng)通過使用Ajax 技術和Echarts 圖形化工具對功率預測的數(shù)據(jù)進行可視化展示。在終端設備兼容方面，Echarts 繪制的可視化圖表能夠在不同的終端設備上流暢運行[21]。

3 結論與展望

本文首先提出一種面向光伏時序數(shù)據(jù)的預處理算法，并基于該算法設計數(shù)據(jù)管理層，并集成了預測模型層和可視化展示層，實現(xiàn)了分布式光伏功率預測系統(tǒng)。該系統(tǒng)能夠對多種氣象數(shù)據(jù)和光伏電站數(shù)據(jù)進行預處理，并且可以方便地在多個時間尺度、區(qū)域范圍預測不同電站的未來功率。

使用針對時序數(shù)據(jù)的預處理算法提升數(shù)據(jù)質量，及時精準地預測光伏出力，對降低光伏電站成本和電力系統(tǒng)運行成本、高效利用能源以及保證電網與負載的安全穩(wěn)定運行都有重要的意義。設計更高效的數(shù)據(jù)預處理算法、研究和集成豐富的預測模型是未來工作的重點。

利益沖突聲明

所有作者聲明不存在利益沖突關系。