基于天氣類型及改進(jìn)的小波神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電短期預(yù)測(cè)

陳美珍,柳 揚(yáng),徐勝彬,郭俊鋒,張永強(qiáng),林金陽(yáng)*

(1.福建工程學(xué)院 電子信息與電氣技術(shù)國(guó)家級(jí)實(shí)驗(yàn)教學(xué)示范中心,福建 福州 350118；2.福建工程學(xué)院 微電子技術(shù)研究中心,福建 福州 350118)

隨著人類對(duì)能源的需求逐漸增加，太陽(yáng)能是現(xiàn)時(shí)期投入使用的重要的可再生能源，而光伏發(fā)電是利用太陽(yáng)能的主要方式之一，由于太陽(yáng)能光伏發(fā)電存在可變性和不確定性，會(huì)影響電力系統(tǒng)的功率平衡和安全穩(wěn)定[1-4]。因此，為了保證電網(wǎng)的穩(wěn)定運(yùn)行，光伏發(fā)電預(yù)測(cè)是必須研究解決的問(wèn)題。SHI等[5]提出應(yīng)用徑向基神經(jīng)網(wǎng)絡(luò)(radial basis function，RBFN)方法對(duì)第二天的每小時(shí)太陽(yáng)能光伏發(fā)電預(yù)測(cè)，并且用支持向量機(jī)(support vector machine, SVM)進(jìn)行分類。RAMSAMI等[6]提出了一種統(tǒng)計(jì)模型的混合模型，其中將基于人工神經(jīng)網(wǎng)絡(luò)(artificial neural network，ANN)的方法與自回歸綜合移動(dòng)平均(autoregressive integrated moving average model，ARIMA)方法相結(jié)合，用于太陽(yáng)能預(yù)測(cè)。LEVA等[7]提出了一種混合模型，該模型結(jié)合了統(tǒng)計(jì)模型和太陽(yáng)能光伏性能模型，可預(yù)測(cè)具有小時(shí)分辨率的太陽(yáng)能光伏發(fā)電量。

在文獻(xiàn)[7]中，將人工神經(jīng)網(wǎng)絡(luò)方法與輻照度，發(fā)電量和數(shù)值天氣預(yù)報(bào)(numerical weather prediction，NWP)的每小時(shí)歷史數(shù)據(jù)一起應(yīng)用，以預(yù)測(cè)未來(lái)24 h的每小時(shí)光伏發(fā)電量。HOSSAIN等[8]提出了一種基于極限學(xué)習(xí)機(jī)的預(yù)測(cè)模型，用于按小時(shí)分辨率進(jìn)行日前光伏發(fā)電預(yù)測(cè)。ZHANG等[9]提出了一種集成方法，使用多個(gè)氣象和天文數(shù)據(jù)進(jìn)行小時(shí)日前太陽(yáng)能光伏發(fā)電預(yù)測(cè)。在文獻(xiàn)[9]中，比較了四種最先進(jìn)的預(yù)測(cè)方法，即k近鄰(K-NearestNeighbor，KNN)，ANN，支持向量回歸(support vector regression，SVR)和分位數(shù)隨機(jī)預(yù)測(cè)方法在未來(lái)24 h內(nèi)的性能。GIGONI[10]、劉沛漢[11]、劉愛(ài)國(guó)[12]、冬雷[13]等采用遺傳算法結(jié)合神經(jīng)網(wǎng)絡(luò)，提高了網(wǎng)絡(luò)全局尋優(yōu)的能力，一定程度上提高了預(yù)測(cè)的精準(zhǔn)度。

本文在劃分天氣類型的基礎(chǔ)上，首先，綜合研究分析各氣象影響因子對(duì)光伏預(yù)測(cè)的影響；其次，計(jì)算出對(duì)光伏輸出的主要影響因子，并將其作為預(yù)測(cè)模型的輸入；最后，建立布谷鳥(niǎo)優(yōu)化小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型(cuckoo search algorithm optimized wavelet neural network，CS-WNN)，布谷鳥(niǎo)優(yōu)化算法(cuckoo search algorithm，CS)可以解決由于小波神經(jīng)網(wǎng)絡(luò)(wavelet neural network，WNN)易陷入局部最小值造成網(wǎng)絡(luò)結(jié)構(gòu)不穩(wěn)定的問(wèn)題，并且另外建立4個(gè)不同的預(yù)測(cè)模型進(jìn)行仿真對(duì)比分析，模型仿真結(jié)果表明，本文提出的方法相比其他預(yù)測(cè)模型，具有更高的預(yù)測(cè)精度。

1 光伏預(yù)測(cè)的影響因素

1.1 光伏發(fā)電站與數(shù)據(jù)

本文研究場(chǎng)站為江蘇某光伏場(chǎng)站，數(shù)據(jù)采用了2017年全年的光伏輸出數(shù)據(jù)和氣象數(shù)據(jù)，該數(shù)據(jù)實(shí)時(shí)記錄了全天24 h每15 min的監(jiān)控?cái)?shù)據(jù)。

1.2 氣候?qū)夥敵龅挠绊?/h3>

光伏輸出與許多氣候因素有關(guān)，如溫度、濕度、輻照度、大氣壓力等，這些氣象數(shù)據(jù)都可能對(duì)光伏輸出產(chǎn)生影響，所以必須分析這些氣象因素與光伏輸出的關(guān)系。對(duì)氣象數(shù)據(jù)和歷史輸出數(shù)據(jù)歸一化處理，畫(huà)出氣象因素和光伏發(fā)電輸出的關(guān)系曲線作對(duì)比，如圖1所示，本文提取的是2017年1月1日5:00—19:00氣象數(shù)據(jù)及光伏輸出數(shù)據(jù)，從圖1(a)中可看出太陽(yáng)輻射隨時(shí)間的變化曲線與光伏輸出的變化曲線非常相近，因此太陽(yáng)輻射對(duì)光伏輸出具有很大的影響力，并且二者成正相關(guān)關(guān)系；而圖1(d)中，濕度的變化曲線與光伏輸出的變化曲線成負(fù)相關(guān)的關(guān)系；圖1(c)和圖1(d)中溫度、氣壓分別與光伏輸出只有一段時(shí)間的曲線較為接近，由圖形無(wú)法準(zhǔn)確得出他們之間的關(guān)系，這是因?yàn)橛绊懝夥敵龅囊蛩赜泻芏啵⑶腋鱾€(gè)因素之間又有著緊密的聯(lián)系，而且在預(yù)測(cè)中無(wú)法對(duì)所有因素全面考慮，從而減小了預(yù)測(cè)光伏電站光伏輸出的精度。因此本文采用Pearson相關(guān)系數(shù)法來(lái)計(jì)算光伏輸出的主要影響因子，將圖形和Pearson相關(guān)系數(shù)計(jì)算結(jié)果結(jié)合考慮，最終得出影響光伏輸出的影響因子。

圖1 氣象因素與光伏輸出的關(guān)系

在統(tǒng)計(jì)學(xué)，Pearson相關(guān)系數(shù)表示的是兩個(gè)變量之間線性相關(guān)的關(guān)系，兩個(gè)變量之間的Pearson相關(guān)系數(shù)定義為兩個(gè)變量之間的協(xié)方差和標(biāo)準(zhǔn)差的商[14]：

(1)

上面的方程定義了總體相關(guān)系數(shù)，估計(jì)樣本的協(xié)方差和標(biāo)準(zhǔn)差，就可以得到皮爾遜相關(guān)系數(shù)r。

Pearson相關(guān)系數(shù)的計(jì)算公式如式2所示：

(2)

對(duì)影響光伏輸出的4個(gè)影響因素進(jìn)行Pearson相關(guān)系數(shù)計(jì)算，如表1所示。

表1 Pearson相關(guān)系數(shù)

通過(guò)數(shù)據(jù)分析圖和Pearson相關(guān)系數(shù)可以得出結(jié)論：太陽(yáng)輻照度、溫度、濕度是影響光伏輸出的主要影響因素。

1.3 天氣類型對(duì)光伏輸出的影響

影響光伏輸出的因素很多,天氣類型是影響光伏輸出的重要影響因素之一，描述天氣類型的方法眾多。本文依據(jù)2008年中國(guó)氣象局發(fā)布的《公共氣象服務(wù)—天氣圖形符號(hào)》(GB/T 22164—2008)中的氣象類型來(lái)定義本文的天氣類型,以此來(lái)統(tǒng)一天氣類型的定義。如圖2所示是某場(chǎng)站2017年一整年的天氣類型，從圖中可看出該場(chǎng)站一年中主要的天氣類型為多云、雷陣雨、晴、小雨、陰、陣雨,其他類型的天氣類型所占比例很小?；诘湫吞鞖獯硪约氨疚难芯康攸c(diǎn)的考慮，本文共劃分6種天氣類型,分別為多云、雷陣雨、晴、小雨、陰、陣雨。

圖2 場(chǎng)站所在地天氣類型

1.4 季節(jié)類型對(duì)光伏輸出的影響

不同的季節(jié)有各不相同的太陽(yáng)的入射角、光照的強(qiáng)弱以及日照時(shí)間，在不同的季節(jié)中，到達(dá)地面的輻照強(qiáng)度也會(huì)不同，光伏發(fā)電輸出功率會(huì)隨著太陽(yáng)輻照強(qiáng)度的改變而變化。不同季節(jié)類型所對(duì)應(yīng)的光伏輸出的變化曲線如圖3所示。

圖3 不同季節(jié)所對(duì)應(yīng)的光伏輸出功率變化曲線

圖3是在同一個(gè)天氣類型的基礎(chǔ)上，不同季節(jié)對(duì)應(yīng)的光伏輸出功率的變化曲線，每個(gè)季節(jié)都具有基本相似的變化規(guī)律曲線，但其具體的功率的大小和時(shí)間范圍是不同的，夏季時(shí)，光伏日照時(shí)間更長(zhǎng)，發(fā)電時(shí)間也更長(zhǎng)，但是輸出值反而更小，且曲線波動(dòng)大，這是由于夏季的氣溫高、濕度大、強(qiáng)降雨、惡劣天氣相對(duì)頻繁，這些夏季特有的因素都會(huì)對(duì)電站發(fā)電量造成一定的影響，通過(guò)對(duì)數(shù)據(jù)的分析發(fā)現(xiàn)，當(dāng)光伏板的溫度過(guò)高時(shí)也會(huì)影響光伏板的發(fā)電量，數(shù)據(jù)分析如圖4所示。

圖4 環(huán)境溫度和組件溫度對(duì)光伏發(fā)電功率的影響

圖4是夏季時(shí)環(huán)境溫度和組件溫度對(duì)光伏發(fā)電功率的影響，為了便于觀察，數(shù)據(jù)都進(jìn)行了歸一化處理。由圖可知，環(huán)境溫度與光伏發(fā)電功率密切相關(guān)，大約13:30時(shí)組件溫度最大，此時(shí)發(fā)電功率與組件溫度曲線距離開(kāi)始變大，因此夏季時(shí)由于光伏板溫度過(guò)大對(duì)發(fā)電功率產(chǎn)生一定的影響。相反冬季時(shí)的日照時(shí)間比較短，但光伏輸出值更大，這也是由于該場(chǎng)站屬于南方，沒(méi)有大雪等惡劣天氣的影響，光伏輸出曲線反而非常平穩(wěn)。所以季節(jié)類型對(duì)光伏輸出存在一定的影響。

2 神經(jīng)網(wǎng)絡(luò)以及算法

2.1 基于小波神經(jīng)網(wǎng)絡(luò)

WNN是結(jié)合了小波分析和神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，擁有小波分析的時(shí)頻性的優(yōu)點(diǎn)和神經(jīng)網(wǎng)絡(luò)自學(xué)能力的優(yōu)點(diǎn)，具有較強(qiáng)的非線性擬合能力和模式識(shí)別能力，對(duì)于非線性較強(qiáng)的光伏輸出預(yù)測(cè)更為適用[15]。WNN模型描述如下：

(3)

式中，φ(K)為小波函數(shù)；I為輸入層節(jié)點(diǎn)號(hào)；J代表隱藏層節(jié)點(diǎn)號(hào)；K為輸出層節(jié)點(diǎn)數(shù)；wij為隱含層的權(quán)值；wjk為輸出層的權(quán)值；J為隱含層節(jié)點(diǎn)個(gè)數(shù)；k為輸出層個(gè)數(shù),WNN結(jié)構(gòu)圖如圖5所示。

圖5 小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

圖5中X1,X2,…,Xn為小波神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)；Y1,Y2,…,Yn為小波神經(jīng)網(wǎng)絡(luò)的輸出參數(shù)；wij,wjk為網(wǎng)絡(luò)的權(quán)值。在輸入信號(hào)序列為Xi,i=1,2,…,k時(shí)，隱含層輸入公式為：

(4)

式中，h(j)為隱含層中第j個(gè)節(jié)點(diǎn)輸出值；wij為輸出層和隱含層的連接權(quán)值；hj為小波基函數(shù)；bj為小波基函數(shù)hj的平移因子；aj為小波基函數(shù)hj的伸縮因子；l為隱含層個(gè)數(shù)。

本文選用 Morlet函數(shù)為小波基函數(shù)，具體公式如下：

y=cos(1.75x)e-0.5x2

(5)

小波神經(jīng)網(wǎng)絡(luò)輸出層計(jì)算公式為

(6)

式中，wik為隱含層與輸出層直接連接權(quán)值;h(i)為第i個(gè)隱含層節(jié)點(diǎn)的輸出；l為隱含層節(jié)點(diǎn)數(shù);m為輸出層節(jié)點(diǎn)數(shù)。

2.2 布谷鳥(niǎo)算法

CS算法是一種新興啟發(fā)算法。通過(guò)布谷鳥(niǎo)不筑巢將蛋產(chǎn)在別的鳥(niǎo)類鳥(niǎo)巢的行為得到啟發(fā)，布谷鳥(niǎo)會(huì)從一個(gè)鳥(niǎo)巢隨機(jī)飛到另一個(gè)鳥(niǎo)巢，以尋找寄主的鳥(niǎo)巢候選者，然后，選擇最佳的巢，以使它們的鳥(niǎo)蛋有最佳的孵化機(jī)會(huì)并產(chǎn)生新一代的布谷鳥(niǎo)。CS算法的本質(zhì)就是通過(guò)更新鳥(niǎo)窩的位置來(lái)達(dá)到尋求最優(yōu)解的目的，存活下來(lái)的鳥(niǎo)蛋就是最優(yōu)解[16]。

在CS算法中，布谷鳥(niǎo)的飛行行為是Lévy飛行。Lévy飛行意味著動(dòng)作或飛行的步長(zhǎng)將遵循Lévy分布，而隨機(jī)步長(zhǎng)為levy分布:

Levy:μ=t-λ,1≤λ≤3

(7)

(8)

布谷鳥(niǎo)優(yōu)化算法具體流程如圖6所示。

圖6 布谷鳥(niǎo)搜索算法流程圖

2.3 預(yù)測(cè)模型總體框架

預(yù)測(cè)模型總體框架如圖7所示。

圖7 預(yù)測(cè)模型總體框架

3 仿真分析

3.1 光伏發(fā)電功率預(yù)測(cè)

首先根據(jù)江蘇省某場(chǎng)站6月份數(shù)據(jù)計(jì)算氣象影響因子的皮爾森相關(guān)系數(shù)，從而得出光伏輸出的主要影響因子為：溫度，濕度，輻照度。本文利用MATLB作為程序開(kāi)發(fā)環(huán)境，輸入層為3，輸出層為1，隱含層為6，以溫度，濕度，輻照度作為預(yù)測(cè)模型輸入層的特征向量，輸出為光伏輸出。

研究表明，季節(jié)對(duì)光伏輸出也存在一定的影響。對(duì)場(chǎng)站數(shù)據(jù)進(jìn)行分析，該場(chǎng)站數(shù)據(jù)為一天24 h每間隔15 min一條數(shù)據(jù)，一年中，每個(gè)天氣類型的數(shù)據(jù)量不同。通過(guò)對(duì)數(shù)據(jù)的處理和篩選，除晴天與多云兩種天氣類型外，其他4種天氣類型天數(shù)少，分布集中，甚至雷陣雨都集中在夏季，所以這4種天氣類型的訓(xùn)練樣本都在預(yù)測(cè)模型中直接訓(xùn)練，而晴天與多云兩種天氣類型在一年中分布較廣，數(shù)據(jù)多，為了增加預(yù)測(cè)的精確度，將這兩種天氣類型在基于季節(jié)的分類下建模預(yù)測(cè)。

從科學(xué)的角度來(lái)看，四季應(yīng)以二分二至劃分，即以春分、夏至、秋分、冬至作為四季的起點(diǎn)和終點(diǎn)，為了便于計(jì)算，本文將一年12個(gè)月平均分為4等份，春季為3月—5月；夏季為6月—8月；秋季為9月—11月；冬季為12月—2月。

根據(jù)天氣類型以及四季，分別抽取2017年1月1日(多云冬)，2017年1月9日(晴冬)，2017年3月12日(小雨)，2017年3月27日(晴春)，2017年5月1日(多云春)，2017年6月2日(多云夏)，2017年7月25日(晴夏)，2017年8月1日(陣雨)，2017年8月24日(雷陣雨)，2017年9月8日(晴秋)，2017年11月28日(多云秋)，2017年12月30日(陰)，共計(jì)12天的氣象和光伏輸出作為測(cè)試樣本。

為了準(zhǔn)確評(píng)價(jià)CS-WNN預(yù)測(cè)模型的預(yù)測(cè)效果，本文同時(shí)建立了WNN神經(jīng)網(wǎng)絡(luò)模型，BP神經(jīng)網(wǎng)絡(luò)模型，遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型(genetic algorithm optimization bp neural network，GA-BP)，遺傳算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)模型(wavelet neural network model optimized by genetic algorithm，GA-WNN)進(jìn)行對(duì)比仿真試驗(yàn)，仿真結(jié)果如圖8-9所示。

3.2 結(jié)果分析

圖8為不同季節(jié)多云天氣時(shí)5種預(yù)測(cè)模型的預(yù)測(cè)結(jié)果，從圖中可以看出即使是同種天氣類型，不同季節(jié)的光伏輸出變化是不同的，從而驗(yàn)證了分不同季節(jié)來(lái)預(yù)測(cè)光伏輸出的必要性。

圖8 多云天氣四季的的預(yù)測(cè)結(jié)果

從圖8、圖9可以看出，5個(gè)預(yù)測(cè)模型都能大致地描繪出實(shí)際光伏輸出的變化曲線，當(dāng)光伏輸出曲線波動(dòng)較大時(shí)，如小雨和陰天，5種模型的預(yù)測(cè)效果明顯變差。從圖8的4個(gè)模型可以看出對(duì)預(yù)測(cè)日在四季的基礎(chǔ)上進(jìn)行預(yù)測(cè)時(shí)，預(yù)測(cè)效果明顯更好，并且變化曲線也相似。無(wú)論針對(duì)哪個(gè)天氣類型，CS-WNN、GA-WNN模型明顯優(yōu)于GA-BP模型、BP模型和WNN模型，但是CS-WNN與GA-WNN兩種預(yù)測(cè)模型曲線變化趨勢(shì)與實(shí)際都較為接近，憑肉眼無(wú)法準(zhǔn)確評(píng)價(jià)兩個(gè)模型的預(yù)測(cè)效果，為了更好地評(píng)估對(duì)比預(yù)測(cè)效果，采用均方根誤差(RMSE)與絕對(duì)系數(shù)(R2)作為評(píng)估指標(biāo)，RMSE和R2的計(jì)算公式如式所示：

圖9 6種天氣類型預(yù)測(cè)結(jié)果

(9)

(10)

表2和表3是5種算法在多云時(shí)四季的預(yù)測(cè)效果，分別對(duì)應(yīng)2017年5月1日(多云春)、2017年6月2日(多云夏)、2017年9月7日(多云秋)、2017年1月1日(多云冬)。通過(guò)觀察比較表2和表3可以看出，5個(gè)預(yù)測(cè)模型對(duì)不同季節(jié)預(yù)測(cè)效果存在差異，CS-WNN的兩個(gè)評(píng)價(jià)指標(biāo)都更高，多云天氣再針對(duì)四季預(yù)測(cè)光伏輸出時(shí)，預(yù)測(cè)精度都很高。表3是5種算法在6種天氣類型下的預(yù)測(cè)效果，多云和晴天都有在基于四季的基礎(chǔ)上建立模型，它們的評(píng)價(jià)指標(biāo)取四季的平均值，對(duì)比表2和表3，可看出雷陣雨，陣雨，小雨，陰這4種天氣類型下預(yù)測(cè)精度都比較低，這是由于這4種天氣是波動(dòng)極端天氣，而且沒(méi)有再分四季，模型更難預(yù)測(cè)，所以預(yù)測(cè)精度更低。通過(guò)觀察圖8、圖9可以發(fā)現(xiàn)CS-WNN模型、GA-WNN模型的擬合效果明顯優(yōu)于另外三個(gè)預(yù)測(cè)模型，表2和表3也論證了這一點(diǎn)，WNN、BP、GA-BP的平均R2值分別為0.821 8、0.814 6、0.861 9，而CS-WNN、GA-WNN的平均R2模型為0.904 8和0.932 4，雖然GA-WNN的預(yù)測(cè)效果也很好，但是CS-WNN的精度明顯更高，5個(gè)預(yù)測(cè)模型中CS-WNN的RMSE值也是最低的。因此，相比其他模型，CS-WNN模型具有良好的預(yù)測(cè)精度和穩(wěn)定性，但是由于光伏發(fā)電功率具有波動(dòng)性和隨機(jī)性，預(yù)測(cè)效果都會(huì)存在一定的偏差。

表2 多云天氣時(shí)5種模型四季預(yù)測(cè)結(jié)果對(duì)比

表3 不同天氣類型5種模型預(yù)測(cè)結(jié)果對(duì)比

續(xù)表

4 結(jié)論

本文以江蘇某光伏發(fā)電站為研究對(duì)象，分析了對(duì)光伏發(fā)電輸出的主要影響因子，采用Pearson相關(guān)系數(shù)顯著性檢驗(yàn),得到氣象因素與光伏發(fā)電因素的相關(guān)程度,在基于天氣類型的基礎(chǔ)上篩選出溫度、光照強(qiáng)度以及濕度作為預(yù)測(cè)網(wǎng)絡(luò)模型的輸入變量,在季節(jié)類型的基礎(chǔ)上通過(guò)布谷鳥(niǎo)算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型進(jìn)行預(yù)測(cè),并且和傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)，WNN神經(jīng)網(wǎng)絡(luò)，GA-BP神經(jīng)網(wǎng)絡(luò)，GA-WNN神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比。經(jīng)過(guò)仿真試驗(yàn)證明，布谷鳥(niǎo)優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果較好，并且高于經(jīng)典優(yōu)化網(wǎng)絡(luò)GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)和GA優(yōu)化WNN神經(jīng)網(wǎng)絡(luò)。但是由于光伏輸出波動(dòng)性、隨機(jī)性、間歇性的特點(diǎn)，預(yù)測(cè)模型有待進(jìn)一步優(yōu)化來(lái)提高預(yù)測(cè)精度。該模型在光伏發(fā)電預(yù)測(cè)領(lǐng)域提供了一種新的方法，具有較好的理論應(yīng)有價(jià)值與市場(chǎng)應(yīng)用價(jià)值。