黃敏敏，顏文俊

(浙江大學(xué)電氣工程學(xué)院，浙江杭州310027)

0 引言

提高短期光伏發(fā)電預(yù)測(cè)水平是光伏發(fā)電站并入電網(wǎng)系統(tǒng)關(guān)鍵問(wèn)題，對(duì)提高太陽(yáng)能光伏發(fā)電開(kāi)發(fā)利用、保證并網(wǎng)安全也具有重要意義。

短期光伏功率預(yù)測(cè)方法可分為兩大類:①首先對(duì)太陽(yáng)輻射進(jìn)行預(yù)測(cè)，然后根據(jù)光電轉(zhuǎn)換效率得到輸出功率的間接預(yù)測(cè)法(物理法);②直接預(yù)測(cè)輸出功率的直接預(yù)測(cè)法(數(shù)學(xué)統(tǒng)計(jì)法)。對(duì)于間接預(yù)測(cè)，文獻(xiàn)［1-2］通過(guò)地基云圖分析云團(tuán)對(duì)太陽(yáng)的遮擋情況，提高對(duì)光照強(qiáng)度的預(yù)測(cè)準(zhǔn)確度，進(jìn)而預(yù)測(cè)光伏電站功率輸出。對(duì)于直接預(yù)測(cè)法，文獻(xiàn)［3］提出基于馬爾可夫鏈預(yù)測(cè)光伏電站出力的模型和實(shí)現(xiàn)方法。文獻(xiàn)［4］利用自回歸滑動(dòng)模型(ARMA)預(yù)測(cè)并網(wǎng)光伏發(fā)電站的晴天出力。文獻(xiàn)［5-7］主要運(yùn)用神經(jīng)網(wǎng)絡(luò)及其改進(jìn)算法對(duì)光伏發(fā)電功率進(jìn)行短期預(yù)測(cè)。

基于以上研究，本研究以浙江大學(xué)臺(tái)州研究院光伏并網(wǎng)發(fā)電實(shí)驗(yàn)平臺(tái)為研究對(duì)象，通過(guò)分析光伏發(fā)電量與光照強(qiáng)度、氣溫、天氣類型因子之間的相關(guān)性，建立基于遺傳算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電功率預(yù)測(cè)模型，提前一天預(yù)測(cè)光伏輸出功率。利用遺傳算法對(duì)BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，改善BP 神經(jīng)網(wǎng)絡(luò)收斂速度慢以及易陷于局部最優(yōu)問(wèn)題，提高預(yù)測(cè)模型精確度。文章最后將所建立預(yù)測(cè)模型與兩種光伏輸出功率工程計(jì)算模型進(jìn)行比較，評(píng)價(jià)預(yù)測(cè)精度。

1 影響光伏發(fā)電因素

筆者研究的光伏并網(wǎng)發(fā)電系統(tǒng)實(shí)驗(yàn)平臺(tái)位于浙江大學(xué)臺(tái)州研究院(東經(jīng)121.26°，北緯28.40°)，系統(tǒng)在最大功率點(diǎn)處輸出功率4 kW。雖然系統(tǒng)輸出功率處于不斷波動(dòng)中，但是當(dāng)系統(tǒng)安裝完成后，其發(fā)電量有一定分布規(guī)律性。因此歷史氣候數(shù)據(jù)與發(fā)電量數(shù)據(jù)對(duì)于光伏預(yù)測(cè)具有重要作用。

1.1 光照強(qiáng)度影響

光伏系統(tǒng)的電能來(lái)自于太陽(yáng)光照，因此光照強(qiáng)度是系統(tǒng)出力大小的決定因素。2015年4月1日8:00～17:00 逐時(shí)光照強(qiáng)度與系統(tǒng)輸出功率之間關(guān)系圖如圖1所示。光照強(qiáng)度與光伏發(fā)電功率有顯著的對(duì)應(yīng)關(guān)系如圖2所示。早上和傍晚光照強(qiáng)度低，功率小;10:00 ～14:00 光照強(qiáng)度高，輸出功率明顯增大。

圖1 光照強(qiáng)度與系統(tǒng)輸出功率圖

1.2 溫度影響

光伏發(fā)電系統(tǒng)受溫度的影響主要表現(xiàn)在太陽(yáng)能電池電性能隨溫度的變化而變化。因此必須考慮溫度的影響。

1.3 天氣類型

影響光伏出力的因素還有大氣濕度、云團(tuán)、日出日落時(shí)間、日照長(zhǎng)短等，可以將這些因素歸為天氣類型因素。大致分為晴天、陰天(多云)、雨天3 種類型。在本研究中將天氣類型數(shù)值化，晴天天氣類型因子設(shè)為0.9，陰天(多云)設(shè)為0.3，雨天設(shè)為0.1。

為進(jìn)一步確定氣象因素對(duì)光伏出力的影響，筆者利用Matlab 多元線性回歸函數(shù)分析光照、溫度、天氣因子對(duì)輸出功率的權(quán)重，設(shè)回歸方程為:

式中:y—光伏輸出功率;［x1，x2，x3］—光照強(qiáng)度、氣溫、天氣類型因子;(α0，α1，α2，α3)—回歸系數(shù)。

筆者選取2015年3月至4月間156 組數(shù)據(jù)，在顯著性水平0.05 下運(yùn)行得到回歸系數(shù)b =(α0，α1，α2，α3)=(499.03，3.51，－6.09，－253.51)，R2=0.93，F(xiàn)=635.42，P=0.00［8］。結(jié)果表明因變量輸出功率與光照強(qiáng)度、溫度以及天氣因子之間的相關(guān)性較強(qiáng)。

2 光伏預(yù)測(cè)模型

基于對(duì)影響光伏發(fā)電功率因素的統(tǒng)計(jì)分析，本研究確定光照、氣溫、天氣類型因子為影響系統(tǒng)功率預(yù)測(cè)的主要因素，擬采用遺傳算法優(yōu)化的BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)光伏功率。

2.1 神經(jīng)網(wǎng)絡(luò)與遺傳算法

BP(Error Back-Propagation)神經(jīng)網(wǎng)絡(luò)，即誤差反向傳播神經(jīng)網(wǎng)絡(luò)，它通過(guò)誤差反向傳播實(shí)現(xiàn)了對(duì)網(wǎng)絡(luò)權(quán)重的調(diào)整。但該模型有兩個(gè)明顯的缺點(diǎn):一是容易于陷入局部極小值;二是收斂速度慢。而遺傳算法(Genetic Algorithm)具有全局尋優(yōu)的能力［9-10］，因此本研究將遺傳算法與BP 神經(jīng)網(wǎng)絡(luò)相結(jié)合，在BP 神經(jīng)網(wǎng)絡(luò)運(yùn)行過(guò)程實(shí)現(xiàn)遺傳算法對(duì)權(quán)重和閾值尋優(yōu)方法。GA+BP 算法流程如圖2所示。

圖2 GA+BP 算法流程圖

2.2 預(yù)測(cè)模型

本研究建立光伏系統(tǒng)輸出功率提前一天預(yù)測(cè)模型。首先筆者從歷史樣本中選取7:00 ～18:00 逐時(shí)光照強(qiáng)度、溫度、天氣類型、發(fā)電功率數(shù)據(jù)，訓(xùn)練并建立預(yù)測(cè)模型。然后將預(yù)測(cè)日天氣類型、逐時(shí)太陽(yáng)輻強(qiáng)度和溫度預(yù)測(cè)數(shù)據(jù)作為模型的輸入變量，輸出變量為對(duì)應(yīng)的預(yù)測(cè)日7:00 ～18:00 光伏陣列逐時(shí)預(yù)測(cè)發(fā)電量。發(fā)電預(yù)測(cè)系統(tǒng)結(jié)構(gòu)如圖3所示。

圖3 光伏發(fā)電預(yù)測(cè)結(jié)構(gòu)圖

光照強(qiáng)度預(yù)測(cè)量采用與預(yù)測(cè)日類型相同的近5 個(gè)工作日光照強(qiáng)度每小時(shí)平均值。預(yù)測(cè)日類型因子和預(yù)測(cè)日溫度實(shí)時(shí)數(shù)據(jù)可直接從氣象預(yù)報(bào)網(wǎng)站獲得，目前對(duì)于次日的溫度預(yù)測(cè)已經(jīng)可以做到逐時(shí)預(yù)報(bào)。

3 算例與結(jié)果分析

3.1 算例驗(yàn)證

本研究在Matlab 中運(yùn)用遺傳算法、神經(jīng)網(wǎng)絡(luò)算法工具箱函數(shù)建立預(yù)測(cè)模型。實(shí)驗(yàn)樣本來(lái)自于浙江大學(xué)臺(tái)州研究院4 kW 光伏系統(tǒng)觀測(cè)數(shù)據(jù)。筆者選取2015年3月、4月每日樣本數(shù)據(jù):7:00 ～18:00 逐時(shí)光照強(qiáng)度、溫度、天氣類型、發(fā)電量數(shù)據(jù)。

靜態(tài)神經(jīng)網(wǎng)絡(luò)模型用于在線時(shí)間序列的預(yù)報(bào)時(shí)具有局限性，即網(wǎng)絡(luò)的泛化能力有限，且模型不能不斷地適應(yīng)新增樣本的變化。為了進(jìn)一步提高模型準(zhǔn)確度，在預(yù)測(cè)中運(yùn)用在線動(dòng)態(tài)修正方法［11］。在獲得新增樣本數(shù)據(jù)之后，通過(guò)比較預(yù)報(bào)值與實(shí)際值之差的絕對(duì)值是否大于敏感因子ε，決定模型是否需要修正。在本研究中，考慮光伏系統(tǒng)的容量大小及誤差允許范圍，設(shè)置ε=100 w。

圖4 優(yōu)化神經(jīng)網(wǎng)絡(luò)測(cè)試結(jié)果圖

運(yùn)用GA+BP 算法訓(xùn)練的光伏模型測(cè)試結(jié)果如圖4所示，誤差最大百分比為16.1%，平均誤差百分比MAPE［12］為5.43%。傳統(tǒng)BP 網(wǎng)絡(luò)模型測(cè)試結(jié)果圖如圖5所示，誤差最大百分比為－ 57.2%，MAPE 為19.01%。結(jié)果表明利用遺傳算法對(duì)BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，可有效提高預(yù)測(cè)模型準(zhǔn)確度。

圖5 傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)測(cè)試結(jié)果圖

本研究運(yùn)用優(yōu)化模型對(duì)2015年4月30日進(jìn)行逐時(shí)功率預(yù)測(cè)。該日白天為晴天，由氣象網(wǎng)站獲得逐時(shí)溫度預(yù)測(cè)數(shù)據(jù)。光照強(qiáng)度預(yù)測(cè)數(shù)據(jù)取4月15、16、17、21、22日5 個(gè)晴天日逐時(shí)數(shù)據(jù)平均值，結(jié)果如表1所示。最大相對(duì)誤差為23.88%，MAPE 為6.55%，其中早上7:00 與傍晚18:00 誤差較大。

表1 GA+BP 網(wǎng)絡(luò)預(yù)測(cè)結(jié)果

3.2 對(duì)比分析

為進(jìn)一步比較模型預(yù)測(cè)精度，本研究將所建立基于歷史數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法與基于氣象預(yù)報(bào)的光電轉(zhuǎn)換預(yù)測(cè)法進(jìn)行對(duì)比，評(píng)估模型預(yù)測(cè)性能。工程上對(duì)于光伏輸出功率的光電轉(zhuǎn)換計(jì)算有模型1［13-14］:

式中:ηg—光伏陣列轉(zhuǎn)換效率;S—光伏板的有效面積，m2;I—太陽(yáng)輻射強(qiáng)度，w/m2;t0—大氣溫度。以及模型2［15］:

式中:γ—光伏電池的功率溫度系數(shù)，相對(duì)于標(biāo)準(zhǔn)條件25 ℃，一般由廠家提供。

該實(shí)驗(yàn)平臺(tái)所用光伏電池型號(hào)為ESPSA200(參數(shù)如表2所示)，數(shù)量為20。筆者分別運(yùn)用這兩種模型對(duì)4月30日光伏發(fā)電功率逐時(shí)預(yù)測(cè)，采用表1 中光照強(qiáng)度與溫度數(shù)據(jù)，預(yù)測(cè)結(jié)果如表3所示。通過(guò)對(duì)比表1 與表3 數(shù)據(jù)，得出筆者提出的用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)模型對(duì)于光伏系統(tǒng)發(fā)電預(yù)測(cè)的準(zhǔn)確度較高，優(yōu)于基于氣象預(yù)測(cè)的光電轉(zhuǎn)換預(yù)測(cè)模型。且通過(guò)比較表3 這兩種光電轉(zhuǎn)換計(jì)算模型發(fā)現(xiàn)，模型2 的準(zhǔn)確度明顯高于模型1。因此在工程計(jì)算或者建模中模型2 優(yōu)于模型1。

表2 光伏板參數(shù)

表3 工程模型預(yù)測(cè)結(jié)果

4 結(jié)束語(yǔ)

為實(shí)現(xiàn)光伏系統(tǒng)輸出功率預(yù)測(cè)，本研究通過(guò)對(duì)實(shí)驗(yàn)平臺(tái)歷史數(shù)據(jù)的分析，確定光照強(qiáng)度、溫度、天氣類型為主要影響因素。筆者對(duì)于提出的采用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電功率預(yù)測(cè)方法進(jìn)行了詳細(xì)闡述，并且運(yùn)用在線動(dòng)態(tài)修正網(wǎng)絡(luò)進(jìn)一步提高了預(yù)測(cè)模型的準(zhǔn)確度。

本研究通過(guò)實(shí)際的實(shí)驗(yàn)算例詳細(xì)闡明所提出的預(yù)測(cè)方法，實(shí)驗(yàn)結(jié)果驗(yàn)證了方案的合理與優(yōu)越性，為電網(wǎng)調(diào)度與安排光伏電站的運(yùn)行方式提供了數(shù)值依據(jù)。最后對(duì)比分析兩種工程光電轉(zhuǎn)換模型的準(zhǔn)確度，對(duì)于工程上光伏預(yù)測(cè)及建模有一定的實(shí)用意義。

［1］陳志寶，李秋水，程 序，等.基于地基云圖的光伏功率超短期預(yù)測(cè)模型［J］.電力系統(tǒng)自動(dòng)化，2013，37(19):20-25.

［2］陳志寶，丁 杰，周 海，等.地基云圖結(jié)合徑向基函數(shù)人工神經(jīng)網(wǎng)絡(luò)的光伏功率超短期預(yù)測(cè)模型［J］.中國(guó)電機(jī)工程學(xué)報(bào)，2015，35(03):561-567.

［3］丁 明，徐寧舟.基于馬爾可夫鏈的光伏發(fā)電系統(tǒng)輸出功率短期預(yù)測(cè)方法［J］.電網(wǎng)技術(shù)，2011，35(1):152-157.

［4］蘭 華，廖志民，趙 陽(yáng).基于ARMA 模型的光伏電站出力預(yù)測(cè)［J］.電測(cè)與儀表，2011，48(2):31-35.

［5］ALMONACID F，RUS C，PEREZ P J，et al.Estimation of the energy of a PV generator using artificial neural network［J］.RENEWABLE ENERGY，2009，34(12):2743-2750.

［6］HIYAMA T，KITABAYASHI K.Neural network based estimation of maximum power generation from PV module using environmental information［J］.IEEE TRANSACTIONS ON ENERGY CONVERSION，1997，12(3):241-246.

［7］陳昌松，段善旭，殷進(jìn)軍.基于神經(jīng)網(wǎng)絡(luò)的光伏陣列發(fā)電預(yù)測(cè)模型的設(shè)計(jì)［J］.電工技術(shù)學(xué)報(bào)，2009，24(9):153-158.

［8］李光明，劉祖明，何京鴻，等.基于多元線性回歸模型的并網(wǎng)光伏發(fā)電系統(tǒng)發(fā)電量預(yù)測(cè)研究［J］.現(xiàn)代電力，2011，28(2):43-48.

［9］段侯峰.基于遺傳算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷［D］.北京:北京交通大學(xué)電氣工程學(xué)院，2008.

［10］任謝楠.基于遺傳算法的BP 神經(jīng)網(wǎng)絡(luò)的優(yōu)化研究及Matlab 仿真［D］.天津:天津師范大學(xué)計(jì)算機(jī)與信息工程學(xué)院，2014.

［11］鄧興升，王新洲.動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)在變形預(yù)報(bào)中的應(yīng)用［J］.武漢大學(xué)學(xué)報(bào):信息科學(xué)版，2008，33(1):93-96.

［12］朱永強(qiáng)，田 軍.最小二乘支持向量機(jī)在光伏功率預(yù)測(cè)中的應(yīng)用［J］.電網(wǎng)技術(shù)，2011，35(7):54-59.

［13］樓海星，姚 維.基于無(wú)差拍的光伏并網(wǎng)系流電流控制策略［J］.輕工機(jī)械，2015，33(1):68-72.

［14］王守相，張 娜.基于灰色神經(jīng)網(wǎng)絡(luò)組合模型的光伏短期出力預(yù)測(cè)［J］.電力系統(tǒng)自動(dòng)化，2012，39(19):37-41.

［15］ALMONACID F，RUS C，PEREZ P J，et al.Estimation of the energy of a PV generator using artificial neural network［J］.RENEWABLE ENERGY，2009，34(12):2743-2750.