基于神經(jīng)網(wǎng)絡(luò)的光伏短期出力預(yù)測

燕林滋YAN Lin-zi

（銀川能源學(xué)院，銀川 750000）

0 引言

在光伏發(fā)電技術(shù)中，光伏系統(tǒng)的輸出具有不確定性和不連續(xù)性，目前有大量的用戶使用光伏系統(tǒng)作為電源，這將對電網(wǎng)產(chǎn)生重大影響。出力預(yù)報屬于短期預(yù)報，其時間范圍為1～2 天，因此可以提前1～2 天獲取天氣預(yù)報信息，結(jié)合預(yù)報結(jié)果對太陽輻射進(jìn)行預(yù)報，再根據(jù)預(yù)報的太陽輻射值估算PV 功率，根據(jù)長期的電力供應(yīng)的預(yù)測，通常以年做為單位去預(yù)測某項(xiàng)目在光伏電站的一些可行性[1]。在時間上，短期電力預(yù)測可以更快地估計出光伏發(fā)電的功率。這樣，在規(guī)劃光伏發(fā)電系統(tǒng)的并網(wǎng)連接時，就可以對光伏發(fā)電的短期出力進(jìn)行預(yù)測，以此作為調(diào)度部門工作的基礎(chǔ)，使常規(guī)能源能夠更好地與光伏發(fā)電相結(jié)合，最小化對電網(wǎng)的沖擊，從而實(shí)現(xiàn)穩(wěn)定和經(jīng)濟(jì)的運(yùn)行[2-3]。

1 光伏發(fā)電出力的影響因素分析

①季節(jié)類型對光伏輸出功率的影響：在四季的變化中，太陽的入射角和日照的持續(xù)時間以及光的強(qiáng)度都會有所不同。

②天氣類型對于光伏輸出功率的重要影響：排除了可以影響到光伏發(fā)電系統(tǒng)輸出的季節(jié)性類型外，還有不同的天氣類型也會有影響。而光伏輸出功率曲線的變化反而不是很明顯。

③風(fēng)速對光伏輸出功率的影響：風(fēng)速的表現(xiàn)在空中的變化特別不規(guī)則，以至于光伏系統(tǒng)的輸出功率與風(fēng)速變化之間沒有明顯差異[4]。

④太陽輻照強(qiáng)度對于輸出功率的影響：太陽輻射的強(qiáng)度是影響光伏傳輸性能因素的關(guān)鍵，直接決定輸出功率的趨勢為輻照強(qiáng)度，在其他條件的干擾下，當(dāng)太陽輻照強(qiáng)度增加或減少時，光伏輸出也會將相應(yīng)地增加或者減少[5]。除了以上原因還有溫度、電氣屬性、電池壽命等對光伏輸出功率有影響。

2 基于小波神經(jīng)網(wǎng)絡(luò)的光伏電站短期功率預(yù)測原理

2.1 小波分析原理

小波神經(jīng)網(wǎng)絡(luò)如圖1 所示。

圖1 小波神經(jīng)網(wǎng)絡(luò)

在圖1 中，Y1，Y2，…，Yk是小波神經(jīng)網(wǎng)絡(luò)的輸出向量，X1，X2，…，Xi是網(wǎng)絡(luò)的輸入向量。隱藏層所用的函數(shù)為Mort 小波函數(shù)：γ（x）=cos（1.75x），e 為自然常數(shù)。

對輸入序列為Xi（i=1，2，…，k），隱藏層的輸出計算見式（1），輸出層計算見式（2）：

式中：η 為學(xué)習(xí)速率。直接使用原始數(shù)據(jù)將導(dǎo)致神經(jīng)元飽和，并在測試過程中導(dǎo)致模型錯誤。所以數(shù)據(jù)樣本應(yīng)在網(wǎng)絡(luò)訓(xùn)練之前進(jìn)行標(biāo)準(zhǔn)化，將樣本數(shù)據(jù)值轉(zhuǎn)化為[0，1]區(qū)間內(nèi)[6-7]。本文用下式進(jìn)行處理：

輸入數(shù)據(jù)處理結(jié)束后，其通過以下算法步驟進(jìn)行預(yù)測，預(yù)測流程如圖2。

圖2 小波神經(jīng)網(wǎng)絡(luò)算法的預(yù)測流程圖

2.2 樣本數(shù)據(jù)的預(yù)處理

為了保護(hù)訓(xùn)練模式的數(shù)據(jù)，防止由不同尺寸的樣本引起神經(jīng)元飽和而出現(xiàn)的錯誤，必須對樣本數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化[8]。

仍采用歸一化公式：

輸入數(shù)據(jù)處理后，仍然使用如圖2 所示的步驟執(zhí)行預(yù)測。

3 案例分析

3.1 相似度特征量的選取

在充分了解到設(shè)計數(shù)據(jù)后，根據(jù)光伏電站的現(xiàn)實(shí)狀態(tài)，考慮到溫度對于設(shè)計影響的情況下，以天氣的類型去表示光強(qiáng)度。最終確定特征向量，假設(shè)每天的特征向量為X（X1，X2，…，X6），具體表示含義如表1 所示。用天氣類型、溫度和風(fēng)速信息能大致表示出此類天氣的氣象情況。

表1 所選擇的氣象特征向量

3.2 基于灰色關(guān)聯(lián)分析的相似日選取方法

灰色關(guān)聯(lián)度的分析方法是一種比較各個因素的“大小”之間的相關(guān)程度的方法。要使同步變化的程度更高，則系統(tǒng)中各個因素之間的發(fā)展趨勢和變化趨勢就要一致[9]。

灰色關(guān)聯(lián)度由以下七步詳細(xì)計算組成。

第一步：去獲取系統(tǒng)的行為序列

X0為參考序列，其余的序列稱作比較序列。

第二步：對初值像/均值像進(jìn)行無量綱化

第三步：求等差序列

第四步：求兩極最大差和最小差

第五步：求關(guān)聯(lián)系數(shù)

第六步：計算關(guān)聯(lián)度

第七步：按照關(guān)聯(lián)序去比較各個序列的關(guān)聯(lián)度的大小關(guān)系，從而判斷出各個序列同參考序列的距離大小。

為了提高預(yù)報的準(zhǔn)確性，本章根據(jù)兩個標(biāo)準(zhǔn)選擇相似的日，晴天的理想條件和多云天氣的非理想條件。

本文中每日的氣象特征向量為：

其中出現(xiàn)最大和最小環(huán)境溫度的時刻為t3和t4，而Shi和Sli是最大和最小風(fēng)量第一天的速度（米/秒）。

通過下式得到預(yù)測日與第i 日的總關(guān)聯(lián)度為：

本文選取相似日序列中前5 個歷史相似日數(shù)據(jù)用于模型的訓(xùn)練，相似日為預(yù)測日之前的一個月之內(nèi)[10]。

3.3 基于相似日和小波神經(jīng)網(wǎng)絡(luò)光伏功率預(yù)測模型的建立

本文中選擇相似日期的方法是：灰色關(guān)聯(lián)分析方法。例如，在2022 年夏季7 月29 日，時間跨度是從上午7 點(diǎn)到下午8 點(diǎn)的13 小時，并且以15 分鐘的時間間隔進(jìn)行數(shù)據(jù)采樣。然后，在此示例中將氣象特征向量選擇為：

氣象特征向量指示出2022 年7 月29 日上午7 點(diǎn)一直到晚上8 點(diǎn)之間，得到的最大輻照度為996.42W/m2，而最小輻照度為683W/m2（最大值）。相應(yīng)的最大輻照時間為14:15，最小輻照時間為7:45，當(dāng)日的輻照時間為14.5 小時，得到的最高顯示溫度為21°C，得到的最低顯示溫度為13°C，最高溫度在下午5:30，最低溫度在上午8:00，最低實(shí)測風(fēng)速為1.68m/s，最高實(shí)測風(fēng)速為9.58m/s。

本文中選擇相似日期的時間間隔不應(yīng)太長，以降低選擇相似日期的復(fù)雜性，僅選擇特定預(yù)測日期的十個歷史日內(nèi)與預(yù)測日期的相似日內(nèi)具有最大相關(guān)度。

為了把相似的時間節(jié)點(diǎn)的歷史數(shù)據(jù)能夠完全引入模型的效果，本文在輸入層總共進(jìn)行兩組實(shí)驗(yàn)，一組介紹相似日的歷史數(shù)據(jù)，另一組使用相鄰日的歷史數(shù)據(jù)作比較，具體請參見表2 比較組差異。

表2 輸入層的變化

當(dāng)前沒有針對隱藏層中的節(jié)點(diǎn)進(jìn)行統(tǒng)一標(biāo)準(zhǔn)。本文首先選擇一個特定區(qū)域，然后使用特定數(shù)量的歷史數(shù)據(jù)反復(fù)調(diào)試網(wǎng)絡(luò)模型以獲取適當(dāng)?shù)闹?，用作網(wǎng)絡(luò)訓(xùn)練的訓(xùn)練集，然后選擇一個特定的測試集以使用訓(xùn)練后的網(wǎng)絡(luò)測試。測試的評估指標(biāo)是訓(xùn)練網(wǎng)絡(luò)的次數(shù)和相關(guān)系數(shù)R。表3 顯示了各種網(wǎng)絡(luò)的測試結(jié)果。隱藏層21 個節(jié)點(diǎn)中17-21-13 網(wǎng)絡(luò)具有最佳性能，因此選擇具有此結(jié)構(gòu)的網(wǎng)絡(luò)。

表3 不同網(wǎng)絡(luò)結(jié)構(gòu)的測試結(jié)果

在知道神經(jīng)網(wǎng)絡(luò)的模型結(jié)構(gòu)之后，對網(wǎng)絡(luò)進(jìn)行訓(xùn)練。因?yàn)樽兞康膯挝豁樞蛑g的一些差異，所以將原始輸入數(shù)據(jù)轉(zhuǎn)換為-1 和1 之間的值。輸出的數(shù)據(jù)則按照相反的方向去進(jìn)行處理。

4 預(yù)測結(jié)果分析與評估

4.1 數(shù)據(jù)的分析及選取

本文中的實(shí)驗(yàn)數(shù)據(jù)出自我國的總裝機(jī)容量為100MW的并網(wǎng)光伏電站。依照相似日選擇的方法以光伏電站的歷史天氣信息去確定氣象特征向量，之后在距預(yù)測日十天的位置找到相似日。依照預(yù)測日為例，數(shù)據(jù)采樣的周期從上午7:00 至下午7:00 間隔一小時，總共有13 個數(shù)據(jù)點(diǎn)。氣象數(shù)據(jù)嚴(yán)格按照電廠監(jiān)控系統(tǒng)收到的本地測量記錄為準(zhǔn)。為了檢查在引入相似日后使用小波網(wǎng)絡(luò)算法預(yù)測短期發(fā)電量的有效性，本文以2022 年夏季6 月至8 月的輸出功率數(shù)據(jù)和氣象數(shù)據(jù)為例，其中包括無限制的能源計劃和相對完整的數(shù)據(jù)集。示例數(shù)據(jù)如表4 所示。

表4 部分樣本數(shù)據(jù)

從表5 中可以得出在2022 年7 月4 日這個預(yù)測日，選擇在相鄰十日內(nèi)的相似日，即2022 年7 月1 日；于2022 年8 月22 日這個預(yù)測日去選取的相似日為2022 年8 月16 日。

表5 兩預(yù)測日的相鄰日的灰關(guān)聯(lián)度明細(xì)

4.2 預(yù)測結(jié)果分析

按照兩個已經(jīng)選定的預(yù)測日，為避免單次網(wǎng)絡(luò)訓(xùn)練對預(yù)測結(jié)果發(fā)生干擾，選擇Matlab 軟件去重復(fù)訓(xùn)練和預(yù)測網(wǎng)絡(luò)。最終預(yù)測結(jié)果如圖3、圖4 和表6、表7、表8 所示。圖中，介紹了相似天數(shù)的曲線是實(shí)驗(yàn)組，沒有相似天數(shù)的曲線則是對照組。

表6 實(shí)驗(yàn)組兩日逐時刻預(yù)測偏差表

表7 對照組兩日逐時刻預(yù)測偏差表

表8 兩組預(yù)測誤差指標(biāo)表

圖3 7 月4 日的功率預(yù)測曲線圖

圖4 8 月22 日的功率預(yù)測曲線圖

觀察以上預(yù)測曲線可以清楚知道：在7 月4 日和8 月22 日兩種不同的天氣條件下，引入類似的未來網(wǎng)絡(luò)模型，得到的預(yù)測結(jié)果表示分散程度較小比對照組更為精確。從預(yù)測誤差表中可以看到，在7 月4 日晴天條件下，實(shí)驗(yàn)組的MAE預(yù)測誤差指數(shù)為3.693MW，RMSE 為4.98MW，在（8 月22日）多云條件下，MAE 預(yù)測誤差指數(shù)為8942MW。RMSE 為11,116MW，與對照組相比，兩者的預(yù)測效果得到改善。

5 結(jié)束語

光伏電站實(shí)時輸出功率受氣象數(shù)據(jù)、設(shè)計方案及施工水平、運(yùn)行維護(hù)質(zhì)量等多因素的影響，其中太陽輻射、溫度、風(fēng)速是影響輸出的主要因素。預(yù)測結(jié)果表明：在相同天氣條件下，小波神經(jīng)網(wǎng)絡(luò)預(yù)測模型訓(xùn)練樣本采用實(shí)測氣象數(shù)據(jù)，其預(yù)測效果整體優(yōu)于采用數(shù)值天氣預(yù)報數(shù)據(jù)，預(yù)測精度較高，對實(shí)際工程有參考價值。