基于大數(shù)據(jù)技術(shù)的光伏發(fā)電功率短期預(yù)測研究

摘 要：【目的】通過光伏發(fā)電功率短期預(yù)測技術(shù)可實(shí)時(shí)掌握光伏發(fā)電的輸出功率，有助于電網(wǎng)調(diào)度部門統(tǒng)籌安排常規(guī)電源和光伏發(fā)電，合理調(diào)整調(diào)度計(jì)劃，能有效減輕光伏發(fā)電系統(tǒng)接入對電網(wǎng)產(chǎn)生的不利影響，保證電網(wǎng)安全穩(wěn)定運(yùn)行?！痉椒ā刻崛」夥l(fā)電功率的影響因子，分析太陽輻照度、溫度、氣象因子對光伏發(fā)電功率的影響，避免短期預(yù)測出現(xiàn)失誤?；诖髷?shù)據(jù)技術(shù)構(gòu)建光伏發(fā)電功率短期預(yù)測模型，利用長短期記憶神經(jīng)網(wǎng)絡(luò)來提取光伏發(fā)電功率短期特征，確保功率預(yù)測的準(zhǔn)確性。生成光伏發(fā)電功率短期非平穩(wěn)預(yù)測序列，并捕捉光伏發(fā)電功率的時(shí)間序列特征，及時(shí)更新校正發(fā)電功率預(yù)測結(jié)果，從而得到精準(zhǔn)的預(yù)測結(jié)果?！窘Y(jié)果】設(shè)計(jì)方法的功率預(yù)測波動(dòng)與實(shí)際波動(dòng)一致，預(yù)測值與實(shí)際值之間偏差較小，能適應(yīng)后續(xù)功率調(diào)度、運(yùn)行需求?！窘Y(jié)論】研究成果為制定合理的調(diào)度計(jì)劃奠定重要基礎(chǔ)，減少資源浪費(fèi)，對提高電站經(jīng)濟(jì)效益具有重要的促進(jìn)作用。

關(guān)鍵詞：大數(shù)據(jù)技術(shù)；光伏電站；發(fā)電功率；短期；預(yù)測方法

中圖分類號：TM615" " "文獻(xiàn)標(biāo)志碼：A" " 文章編號：1003-5168（2024）24-0004-04

DOI：10.19968/j.cnki.hnkj.1003-5168.2024.24.001

Research on Short-Term Prediction of Photovoltaic Power Generation Capacity Based on Big Data Technology

Abstract：[Purposes] Through the short-term prediction technology of photovoltaic power generation， the output power of photovoltaic power generation can be grasped in real time， which helps the power grid dispatch department to coordinate the coordination between conventional power sources and photovoltaic power generation， adjust the dispatch plan reasonably， effectively reduce the adverse impact of photovoltaic power generation system access on the power grid， and ensure the safe and stable operation of the power grid. [Methods] By extracting the influencing factors of photovoltaic power generation， this paper analyzes the impact of solar irradiance， temperature， and meteorological factors on photovoltaic power generation to avoid the problem of short-term prediction errors. This paper builds a short-term prediction model for photovoltaic power generation based on big data technology，and utilizes long short-term memory neural networks to extract short-term features of photovoltaic power generation to ensure the accuracy of power prediction. And then， this paper generates a short-term non-stationary prediction sequence for photovoltaic power generation， captures the time series characteristics of photovoltaic power generation， and updates sand correct the prediction results in a timely manner to obtain accurate prediction results. [Findings] The power prediction fluctuation of the design method is consistent with the actual fluctuation， and the deviation between the predicted value and the actual value is small， which can adapt to the subsequent power scheduling and operation requirements. [Conclusions] This study can lay an important foundation for formulating reasonable scheduling plans， reduce resource waste， and play an important role in improving the economic benefits of power plants.

Keywords： big data technology; photovoltaic power station; power generation capacity; short-term; prediction methods

0 引言

光伏電站通過太陽電池板將太陽能轉(zhuǎn)化為電能，完成相應(yīng)的電力供應(yīng)任務(wù)。光伏發(fā)電作為綠色能源項(xiàng)目，能減少煤炭資源的使用，保護(hù)環(huán)境，實(shí)現(xiàn)能源轉(zhuǎn)型。在單位時(shí)間內(nèi)，光伏發(fā)電產(chǎn)生的電能就是發(fā)電功率，是影響發(fā)電效率的關(guān)鍵指標(biāo)。光伏電池組件的功率越高，發(fā)電量就越高。然而，在實(shí)際應(yīng)用過程中，光伏發(fā)電可能受太陽輻射照度、溫度、天氣條件等的影響，導(dǎo)致發(fā)電功率出現(xiàn)波動(dòng)，影響電力供應(yīng)與調(diào)度。針對該問題，已研發(fā)出多種短期預(yù)測方法。

其中，基于廣義天氣分類的光伏發(fā)電功率短期預(yù)測方法確定了光伏出力與各氣象因子間的關(guān)系，并分析氣象影響因子對光伏發(fā)電功率的影響［1］。根據(jù)不同天氣條件下光伏出力的不確定性，采用輻照度衰減指數(shù)K的廣義天氣類型劃分方法對天氣類型進(jìn)行劃分，從而提高短期預(yù)測的準(zhǔn)確性。但是，該方法要用到大量的歷史發(fā)電數(shù)據(jù)與天氣數(shù)據(jù)，在數(shù)據(jù)處理與獲取方面存在難度，影響預(yù)測的準(zhǔn)確性?；赩MD-FE-CNN-BiLSTM的光伏發(fā)電功率短期預(yù)測方法利用VMD將原始光伏序列數(shù)據(jù)分解成多個(gè)子序列，減少隨機(jī)波動(dòng)分量［2］。通過FE對每個(gè)子序列進(jìn)行重組，能更好地提取特征，并將CNN輸出的特征融合后輸入到BiLSTM模型中，最終得到光伏發(fā)電功率的預(yù)測結(jié)果。但該方法結(jié)構(gòu)相對復(fù)雜，參數(shù)的數(shù)量較多，增加實(shí)際運(yùn)行成本。因此，本研究結(jié)合大數(shù)據(jù)技術(shù)，設(shè)計(jì)出光伏發(fā)電功率短期預(yù)測方法。

1 光伏發(fā)電功率大數(shù)據(jù)短期預(yù)測方法設(shè)計(jì)

1.1 光伏發(fā)電功率的影響因子提取

在電力系統(tǒng)中，光伏發(fā)電功率能調(diào)節(jié)電力負(fù)荷，發(fā)電出力與電力負(fù)荷之間的互補(bǔ)性能提高電力系統(tǒng)的運(yùn)行效率［3］。在光伏發(fā)電過程中，太陽輻照強(qiáng)度、云層覆蓋與天氣狀況、系統(tǒng)配置與匹配等因素是影響發(fā)電的關(guān)鍵因素。分析太陽輻照度、溫度、氣象因子對光伏發(fā)電功率的影響，能避免出現(xiàn)短期預(yù)測失誤［4］。在光伏電站運(yùn)行過程中，光伏電池每單位面積的發(fā)電量表示見式（1）。

氣象特征向量分量表示見式（2）。

式中：[Fi]為第[i]個(gè)氣象特征向量；[εi（k）]為預(yù)測日語歷史日氣象特征分量的關(guān)聯(lián)系數(shù)。將[p（t）]、[Fi]作為輸入變量，通過大數(shù)據(jù)技術(shù)分析與訓(xùn)練，能提高短期預(yù)測的準(zhǔn)確性。

1.2 基于大數(shù)據(jù)技術(shù)的光伏發(fā)電功率短期預(yù)測模構(gòu)建型

在提取完影響因子后，本研究利用長短期記憶神經(jīng)網(wǎng)絡(luò)來提取光伏發(fā)電功率短期特征，確保功率預(yù)測的準(zhǔn)確性。利用大數(shù)據(jù)技術(shù)中的長短記憶遞歸神經(jīng)網(wǎng)絡(luò)模型，將[p（t）]、[Fi]等變量信息作為輸入條件，映射各個(gè)變量間的序列化關(guān)系［6］。通過上一時(shí)間步輸入序列，使遞歸神經(jīng)網(wǎng)絡(luò)具有記憶特性。在光伏發(fā)電功率上輸入多個(gè)變量信息作為神經(jīng)元，前向、后向訓(xùn)練的過程就是發(fā)電功率預(yù)測的過程。由此構(gòu)建的光伏發(fā)電功率短期預(yù)測模型見式（3）、式（4）。

式中：[a]為光伏發(fā)電功率短期預(yù)測模型的表達(dá)式；[wih]、[wjh]分別為神經(jīng)元[i]、[j]在隱含層[h]的預(yù)測權(quán)重；[δ]為激活函數(shù)；[?（a）]為模型預(yù)測的發(fā)電轉(zhuǎn)換效率；[K]為變量數(shù)量；[k]為隱含層殘差；[H]為隱含層變量數(shù)量；[I]為輸入層變量數(shù)量。

大數(shù)據(jù)技術(shù)能實(shí)時(shí)采集光伏電站的運(yùn)行數(shù)據(jù)和氣象數(shù)據(jù)，確保預(yù)測模型能及時(shí)獲取最新的信息［7］。將[p（t）]、[Fi]考慮在內(nèi)，預(yù)測光伏發(fā)電功率變化趨勢，能使電力調(diào)度部門更加合理地安排電力資源的配置和調(diào)度計(jì)劃，為電力系統(tǒng)提供穩(wěn)定的電力。

1.3 光伏發(fā)電功率短期預(yù)測實(shí)現(xiàn)

光伏發(fā)電功率受多種因素影響，使其呈現(xiàn)出非平穩(wěn)特性。通過大數(shù)據(jù)技術(shù)來生成短期非平穩(wěn)預(yù)測序列，能捕捉光伏發(fā)電功率的時(shí)間序列特征，并及時(shí)更新校正發(fā)電功率預(yù)測結(jié)果，從而滿足短期預(yù)測精度需求［8］。非平穩(wěn)序列表示見式（5）、式（6）。

[x（t）=I（a）+H（a）+K（a）]" " " " " （5）

[d（t）=x（t）-m（t）]" " " " " " "（6）

式中：[x（t）]為發(fā)電功率短期預(yù)測的原始序列；[I（a）]為輸入層預(yù)測序列；[H（a）]為隱含層預(yù)測序列；[K（a）]為變量預(yù)測序列；[d（t）]為發(fā)電功率短期預(yù)測的非平穩(wěn)序列；[m（t）]為上包絡(luò)、下包絡(luò)的均值。

在光伏電站運(yùn)行過程中，將每日、每小時(shí)、每分鐘的功率數(shù)據(jù)輸入到[a]中，并用[d（t）]來代替[a]中的[p（t）]，得到更加準(zhǔn)確的功率預(yù)測值，真正意義上提高電力系統(tǒng)的穩(wěn)定性。

2 實(shí)驗(yàn)

為了驗(yàn)證本研究設(shè)計(jì)的方法是否滿足光伏發(fā)電功率短期預(yù)測需求，對上述方法進(jìn)行實(shí)驗(yàn)分析，并對基于廣義天氣分類的預(yù)測方法、基于VMD-FE-CNN-BiLSTM的預(yù)測方法及本研究設(shè)計(jì)的基于大數(shù)據(jù)技術(shù)的預(yù)測方法進(jìn)行對比。

2.1 實(shí)驗(yàn)過程

先用大量數(shù)據(jù)來訓(xùn)練短期預(yù)測模型，并判斷模型的預(yù)測精度。將氣溫、氣壓、濕度、降水、云量、風(fēng)速、風(fēng)向等天氣因素考慮在內(nèi)，并作為預(yù)測模型的輸入條件。實(shí)驗(yàn)數(shù)據(jù)見表1。

由表1可知，以太陽輻射強(qiáng)度、溫度、濕度、風(fēng)速、風(fēng)向等作為變量條件，設(shè)定每15 min采樣一次，1 h內(nèi)采樣4次，并取平均值作為實(shí)驗(yàn)數(shù)據(jù)，確保短期預(yù)測的準(zhǔn)確性。

2.2 實(shí)驗(yàn)結(jié)果

在上述實(shí)驗(yàn)條件下，本研究選取了0～1 800 h內(nèi)的數(shù)據(jù)，預(yù)測該段時(shí)間內(nèi)的發(fā)電功率。將該段時(shí)間內(nèi)的發(fā)電功率實(shí)際值與預(yù)測值進(jìn)行對比，二者偏差越小，說明短期預(yù)測的準(zhǔn)確性越高。在其他條件均已知的情況下，基于廣義天氣分類的預(yù)測方法、基于VMD-FE-CNN-BiLSTM的預(yù)測方法及本研究設(shè)計(jì)的基于大數(shù)據(jù)技術(shù)的預(yù)測方法的實(shí)驗(yàn)結(jié)果如圖1所示。

由圖1可知，基于廣義天氣分類預(yù)測方法的功率預(yù)測波動(dòng)較大，無法針對預(yù)測值作出后續(xù)決策。同時(shí)，其預(yù)測值與實(shí)際值之間存在較大的差異，對發(fā)電、供電的判斷產(chǎn)生影響，增加電力調(diào)度成本。基于VMD-FE-CNN-BiLSTM預(yù)測方法的功率預(yù)測波動(dòng)與實(shí)際波動(dòng)保持一致，但預(yù)測值與實(shí)際值之間存在一定的偏差，影響功率預(yù)測與后續(xù)使用，亟待進(jìn)一步加強(qiáng)。基于大數(shù)據(jù)技術(shù)預(yù)測方法的功率預(yù)測波動(dòng)與實(shí)際波動(dòng)一致，預(yù)測值與實(shí)際值之間的偏差較小，能適應(yīng)后續(xù)功率調(diào)度、運(yùn)行需求，符合研究目的。

3 結(jié)語

近年來，能源的開發(fā)、利用逐漸成為社會關(guān)注的焦點(diǎn)，如何深入實(shí)施能源轉(zhuǎn)型成為亟待解決的問題。太陽能作為新型能源之一，在能源利用方面得到快速發(fā)展。然而，光伏發(fā)電受輻射強(qiáng)度、溫度、云層遮擋等因素的影響，發(fā)電功率存在不確定性，影響電力系統(tǒng)的調(diào)度運(yùn)行。因此，本研究基于大數(shù)據(jù)技術(shù)，設(shè)計(jì)出光伏發(fā)電功率短期預(yù)測方法，從影響因子、預(yù)測模型、預(yù)測序列等方面分析發(fā)電功率在短時(shí)間段內(nèi)的不確定性，顯著提高了預(yù)測的準(zhǔn)確性，為太陽能資源的發(fā)展與利用提供了數(shù)據(jù)支撐。

參考文獻(xiàn)：

［1］袁俊球，王迪，謝小鋒，等.基于廣義天氣分類的ICEEMDAN-LSTM網(wǎng)絡(luò)光伏發(fā)電功率短期預(yù)測［J］.綜合智慧能源，2024，46（9）：53-60.

［2］姜建國，楊效巖，畢洪波.基于VMD-FE-CNN-BiLSTM的短期光伏發(fā)電功率預(yù)測［J］.太陽能學(xué)報(bào)，2024，45（7）：462-473.

［3］王紅徐，嚴(yán)新軍，夏慶成，等.基于OVMD-KPCA-RTH-GRU的短期光伏發(fā)電功率預(yù)測［J］.水力發(fā)電，2024，50（9）：98-103.

［4］黃莉，甘恒玉，劉興舉，等.基于Transformer編碼器的超短期光伏發(fā)電功率預(yù)測［J］.智慧電力，2024，52（5）：16-22，59.

［5］焦丕華，蔡旭，王樂樂，等.考慮數(shù)據(jù)分解和進(jìn)化捕食策略的BiLSTM短期光伏發(fā)電功率預(yù)測［J］.太陽能學(xué)報(bào)，2024，45（2）：435-442.

［6］龍小慧，秦際赟，張青雷，等.基于相似日聚類及模態(tài)分解的短期光伏發(fā)電功率組合預(yù)測研究［J］.電網(wǎng)技術(shù)，2024，48（7）：2948-2957.

［7］余向前，李政.基于LMD-EE-ESN在誤差修正下的光伏發(fā)電功率短期預(yù)測［J］.Journal of Measurement Science and Instrumentation ， 2024，15（3）：360-368.

［8］徐恒山，莫汝喬，薛飛，等.基于時(shí)間戳特征提取和CatBoost-LSTM模型的光伏短期發(fā)電功率預(yù)測［J］.太陽能學(xué)報(bào)，2024，45（5）：565-575.