劉沛漢，吐爾遜·伊不拉音，趙 力

(1.新疆大學電氣工程學院， 新疆 烏魯木齊 830047；2.國網(wǎng)新疆電力公司昌吉供電公司， 新疆 昌吉 831100)

一種光伏系統(tǒng)短期功率預(yù)測模型

劉沛漢1,2，吐爾遜·伊不拉音1，趙 力1

(1.新疆大學電氣工程學院， 新疆 烏魯木齊 830047；2.國網(wǎng)新疆電力公司昌吉供電公司， 新疆 昌吉 831100)

為提高光伏系統(tǒng)發(fā)電功率預(yù)測精度，優(yōu)化系統(tǒng)的發(fā)電計劃和減少電力系統(tǒng)運行成本,進而為系統(tǒng)調(diào)度和實時運行控制提供依據(jù)以有效減輕光伏發(fā)電系統(tǒng)接入對電網(wǎng)的影響，建立一種基于三層神經(jīng)網(wǎng)絡(luò)和功率波動特性的短期光伏出力預(yù)測模型。首先利用氣象局已發(fā)布的日類型和溫度信息挑選與預(yù)測日最相關(guān)的相似日，再基于神經(jīng)網(wǎng)絡(luò)將相似日歷史太陽輻照、溫度、輸出功率建立光伏系統(tǒng)出力初步預(yù)測模型；然后以預(yù)測日天氣預(yù)報信息作為神經(jīng)網(wǎng)絡(luò)的輸入來獲得預(yù)測日的功率預(yù)測值；最后基于數(shù)學量化的由光伏系統(tǒng)相似日歷史出力數(shù)據(jù)統(tǒng)計分析得到的波動量統(tǒng)計規(guī)律對初步預(yù)測結(jié)果加以修正，建立了具有較高精度的光伏系統(tǒng)出力預(yù)測模型。仿真結(jié)果表明，該方法建立的預(yù)測模型具有較高的精度，進而為調(diào)度運行人員提供決策輔助。

光伏出力預(yù)測；人工神經(jīng)網(wǎng)絡(luò)；波動量統(tǒng)計規(guī)律；預(yù)測模型

0 引 言

光伏發(fā)電具有波動性和間歇性,大規(guī)模光伏電站并網(wǎng)運行會對電力供需平衡、電力系統(tǒng)的安全穩(wěn)定經(jīng)濟運行以及電能質(zhì)量等產(chǎn)生不可忽視的影響。對光伏電站的輸出功率進行預(yù)測有助于電網(wǎng)調(diào)度部門統(tǒng)籌安排常規(guī)電源和光伏發(fā)電的協(xié)調(diào)配合,適時及時地調(diào)整調(diào)度計劃,合理安排電網(wǎng)運行方式,一方面有效地減輕光伏接入對電網(wǎng)的不利影響,提高電力系統(tǒng)運行的安全性和穩(wěn)定性,另一方面降低電力系統(tǒng)的旋轉(zhuǎn)備用容量和運行成本,以充分利用太陽能資源,獲得更大的經(jīng)濟效益和社會效益。因此光伏系統(tǒng)出力預(yù)測就顯得極為重要。

然而，目前光伏系統(tǒng)出力預(yù)測在精度方面還遠不能滿足大規(guī)模光伏并網(wǎng)電力系統(tǒng)調(diào)度的要求，并已成為阻礙光伏發(fā)展的主要瓶頸問題之一。因此，亟待針對適應(yīng)大規(guī)模光伏并網(wǎng)電力系統(tǒng)調(diào)度的光伏系統(tǒng)出力預(yù)測模型進行研究。

光伏電池(系統(tǒng))具有高度非線性特性，天氣類型因素對其輸出功率的影響尤為明顯，這種影響來源于不同天氣類型條件下太陽輻射強度、溫度和云量等各種氣象因素的巨大差異 。目前光伏出力的研究大都基于其物理特性進行建模，但現(xiàn)有預(yù)測模型存在輸入空間維數(shù)較高、模型結(jié)構(gòu)復(fù)雜等不足[1], 因此，傳統(tǒng)方法所建模型與實際系統(tǒng)特性相匹配程度低，吻合度不夠，系統(tǒng)性能相差甚遠，且對輸出預(yù)測值亦未加修正，精度就顯得極為有限。而神經(jīng)網(wǎng)絡(luò)具有逼近任意復(fù)雜非線性函數(shù)的能力，以之建模，可不考慮建模對象的具體物理意義，規(guī)避了模塊內(nèi)部的復(fù)雜性。目前，借助神經(jīng)網(wǎng)絡(luò)對光伏系統(tǒng)出力進行預(yù)測的方法大體歸納為兩類：(1)利用系統(tǒng)自身歷史輸出功率數(shù)據(jù)的直接預(yù)測方法[5-9]；(2)基于太陽輻射強度和溫度等天氣信息的間接預(yù)測方法[10-13]。但這些方法略顯不足的地方就在于沒有在考慮光伏相似日歷史出力波動特性的基礎(chǔ)上對神經(jīng)網(wǎng)絡(luò)建模并進行二次修正以更大地提高預(yù)測精度。

基于如上所述，首先以傳統(tǒng)反傳播神經(jīng)網(wǎng)絡(luò)作為建模基礎(chǔ)；然后利用氣象局發(fā)布的日類型和溫度信息來挑選與預(yù)測日最相關(guān)的相似日的歷史出力數(shù)據(jù)作為樣本訓練神經(jīng)網(wǎng)絡(luò)，進而以預(yù)測日太陽輻照、溫度信息作為輸入得到初步預(yù)測結(jié)果；再利用由歷史出力數(shù)據(jù)分析得到的波動量統(tǒng)計規(guī)律對初步預(yù)測結(jié)果進行修正，建立了具有較高精度的光伏系統(tǒng)出力預(yù)測模型；最后，利用實際光伏系統(tǒng)歷史數(shù)據(jù)進行了算例驗證分析。

1 光伏系統(tǒng)輸出功率特性

光伏系統(tǒng)的輸出功率受氣象因素、組成元件工作特性以及光伏電池類型與安裝運行方式的影響較大[2-3]，具有隨機性、不連續(xù)性等特點。在影響光伏系統(tǒng)出力的諸多因素中，太陽輻照強度和溫度影響最大。從物理意義上講,太陽的輻照是導(dǎo)致光伏電池產(chǎn)生伏特效應(yīng)的主導(dǎo)因素, 輻照強度的大小直接影響光伏電池出力的大小[7]。一般情況下，若天氣晴朗少云,大氣透明度高,則到達地面的太陽輻射就多,光伏系統(tǒng)出力亦大;相反，若天空中云霧、沙塵多時,大氣透明度低,到達地面的太陽輻射就少,光伏電站輸出功率小。在額定的太陽能轉(zhuǎn)化率下，當溫度一定時, 光伏系統(tǒng)輸出功率隨著太陽輻照強度的增大而增大；當輻照強度一定而溫度上升時，光伏系統(tǒng)的轉(zhuǎn)換效率降低，其輸出功率會減小。此外，光伏系統(tǒng)的輸出功率變化還具有很強的周期性，包括日變化周期和年變化周期，光伏系統(tǒng)主要是在每天8：00～17：00內(nèi)輸出功率，并且在大多數(shù)時間內(nèi)它和電力負荷有較好的耦合性，在上午的負荷高峰時段光伏發(fā)電系統(tǒng)能較好地提供相當數(shù)量的功率，起到調(diào)峰的作用[12]。

2 光伏系統(tǒng)出力預(yù)測模型建模

基于神經(jīng)網(wǎng)絡(luò)和相似日歷史出力波動特性，以提高預(yù)測精度為目的，提出的光伏系統(tǒng)出力預(yù)測思路為：首先基于神經(jīng)網(wǎng)絡(luò)技術(shù)對預(yù)測日出力進行初步預(yù)測，然后利用相似日歷史出力數(shù)據(jù)的波動量統(tǒng)計規(guī)律對初步預(yù)測值進行修正，得到最終預(yù)測值。具體預(yù)測流程如圖1所示。

圖1 總預(yù)測思路

2.1 反饋型人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

采用反饋型人工神經(jīng)網(wǎng)絡(luò)算法的多層感知器是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)，在多層感知器的應(yīng)用中，以圖2所示的單隱層網(wǎng)絡(luò)的應(yīng)用最為普遍。一般習慣將單隱層感知器稱為3層感知器，所謂3層包括了輸入層、隱層和輸出層。圖2為所選取的人工神經(jīng)網(wǎng)絡(luò)模型，3層感知器中，輸入矢量為X=(x1,x2,…,xi,…,xn)T,圖中x0是為隱層神經(jīng)元引入閾值而設(shè)置的；隱層輸出矢量為Y=(y1,y2,…,yj,...，ym)T,圖中y0是為輸出層神經(jīng)元引入閾值而設(shè)置的；輸出層輸出矢量為O=(O1,O2,…,Ok,…,Ol)T；期望輸出矢量為d=(d1,d2,…,dk,…,dl)T；輸入層到輸出層之間的權(quán)值矩陣用V表示，V=(V1,V2,…,Vj,…,Vm)，其中列矢量Vj為隱層第j個神經(jīng)元對應(yīng)的權(quán)矢量；隱層到輸出層之間的權(quán)值矩陣用W=(w1,w2,…,wk,…,wn)，其中列矢量Wk為輸出層第k個神經(jīng)元對應(yīng)的權(quán)矢量。下面分析各層信號之間的數(shù)學關(guān)系。

(1)

yj=f(netj),(j=1,2,…,m)

(2)

隱層到輸出層，有

(3)

Ok=f(netk),k=1,2,…,l

(4)

輸入信息沿圖2所示的方向正向傳遞，最后輸出層的輸出與期望值Od比較，將誤差反向傳遞，調(diào)整各個權(quán)值和閾值的大小，這樣反復(fù)操作直至輸出誤差達到允許的范圍。以溫度T和太陽輻照強度C為網(wǎng)絡(luò)的輸入量(輸入層輸入)光伏系統(tǒng)的輸出功率P為網(wǎng)絡(luò)的輸出(輸出層輸出)。

圖2 反饋型人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

2.2 初步預(yù)測建模

在目前國內(nèi)外的各種預(yù)測方法中，由于人工神經(jīng)網(wǎng)絡(luò)能夠建立高度非線性的模型且特別適宜隨機平穩(wěn)變化過程的模擬，因此光伏系統(tǒng)輸出功率預(yù)測也是其應(yīng)用的一個重要領(lǐng)域。

某一時刻的太陽輻照強度、溫度、云量等外界自然因素以及光伏系統(tǒng)本身利用太陽能的能力決定了光伏系統(tǒng)在該時刻的輸出功率。影響光伏系統(tǒng)將太陽能轉(zhuǎn)化成電能能力的因素比較多，如電池板的類型、電池板自身的特性曲線以及電池板的分布等。光伏系統(tǒng)自身具有高度的非線性特性，若孤立地考察每個影響因素與其輸出功率之間的關(guān)系，這對于光伏系統(tǒng)并網(wǎng)電力系統(tǒng)的研究是沒有實際意義的；但是將這些影響因素綜合作為一個整體加以考慮，其與光伏系統(tǒng)的輸出功率之間一定存在著某種映射關(guān)系[8]。因此，光伏系統(tǒng)輸出功率的預(yù)測模型必須要能夠高精度地反映這種映射關(guān)系。

神經(jīng)網(wǎng)絡(luò)的主要優(yōu)點是可以學習和自適應(yīng)未知信息，能夠通過學習已有樣本信息來建立反映所要處理信息之間的內(nèi)在聯(lián)系的模型。對于光伏系統(tǒng)輸出功率預(yù)測初步模型的建模思路是：構(gòu)建神經(jīng)網(wǎng)絡(luò)，利用氣象局發(fā)布的日類型和溫度信息來挑選與預(yù)測日最相關(guān)的相似日，利用相似日的歷史太陽輻照強度、溫度以及對應(yīng)的光伏系統(tǒng)輸出功率數(shù)據(jù)對模型進行訓練。當用大量的歷史數(shù)據(jù)將其訓練到所要求精度時，該神經(jīng)網(wǎng)絡(luò)模型就能在所要求的精度范圍內(nèi)模擬作為研究對象的特定光伏系統(tǒng)，即實現(xiàn)初步預(yù)測模型的建立。由于訓練模型需要的數(shù)據(jù)量較大，為了提高程序的運算速度和模型預(yù)測的精度，必須先對這些數(shù)據(jù)進行預(yù)處理，再用于模型的訓練，進而得到較準確的初步預(yù)測模型，對光伏系統(tǒng)的未來某日內(nèi)的輸出功率曲線進行初步預(yù)測。具體程序流程如圖3所示。

圖3 基于神經(jīng)網(wǎng)絡(luò)的光伏出力初步預(yù)測流程圖

2.3 初步預(yù)測誤差修正建模

光伏系統(tǒng)的歷史出力存在著特定的出力波動特性，作為研究對象，預(yù)測日的預(yù)測出力也一定要滿足該光伏系統(tǒng)中由相似日歷史出力統(tǒng)計得到的波動特性，因此提出在初步預(yù)測的基礎(chǔ)上，依據(jù)相似日歷史出力波動量統(tǒng)計規(guī)律對預(yù)測值加以修正。

(5)

(6)

(7)

對初步預(yù)測值加以修正的流程如圖4所示。

圖4 初步預(yù)測誤差修正流程圖

3 算例分析

3.1 算例仿真與分析

以新疆某光伏系統(tǒng)作為研究對象，對某年9月21日系統(tǒng)出力進行預(yù)測。根據(jù)9月21日最新天氣預(yù)報，通過分析光伏電站每日監(jiān)控數(shù)據(jù)的變化趨勢，并比照該地區(qū)9月中旬每一天早、中、晚三時間段的太陽輻照強度、溫度、濕度、風力等級以及云層狀態(tài)等信息，在文獻[8]所定義的相似日選取方法的基礎(chǔ)上，遴選出9月18日作為樣本來訓練神經(jīng)網(wǎng)絡(luò)，擬對9月20日光伏出力進行預(yù)測。該光伏系統(tǒng)某年9月18日的太陽輻照強度、溫度和相應(yīng)輸出功率數(shù)據(jù)為分析樣本，該樣本從7:00～19:30以每隔10min為一個采樣點，共計連續(xù)75點。圖5、圖6和圖7分別給出了這75個采樣點的太陽輻照強度、溫度和相應(yīng)輸出功率的數(shù)據(jù)及其變化趨勢，圖8為其歷史出力數(shù)據(jù)波動量統(tǒng)計圖。

圖5 太陽輻照強度歷史數(shù)據(jù)

圖6 溫度歷史數(shù)據(jù)

圖7 輸出功率歷史數(shù)據(jù)

用18日歷史太陽輻照強度、溫度和相應(yīng)輸出功率數(shù)據(jù)做學習樣本對神經(jīng)網(wǎng)絡(luò)進行訓練，最后應(yīng)用訓練好的神經(jīng)網(wǎng)絡(luò)對該光伏電站21日的輸出功率進行預(yù)測，并與實際輸出功率比較，考證其預(yù)測誤差。該光伏電站預(yù)測模型預(yù)測得到的21日出力如圖9所示，初步預(yù)測值、最終預(yù)測值和實測值3條曲線對比如圖10所示。從圖10可以看出初步預(yù)測值基本上跟蹤了實測值的變化趨勢，但在局部時段出現(xiàn)了畸變點；經(jīng)過修正后的最終預(yù)測值就更加接近于實測值，基本趨于重合。通過仔細觀察可以發(fā)現(xiàn)即使是修正后的預(yù)測值在某些時段依然存在較大誤差，此現(xiàn)象的出現(xiàn)可能是由于該時段外界條件的急劇變化大大地增強了光伏系統(tǒng)的非線性特性所致。

圖8 相似日歷史數(shù)據(jù)波動量統(tǒng)計圖

圖9 相似日歷史出力與預(yù)測日預(yù)測出力

圖10 預(yù)測日輸出功率預(yù)測值和實際值

3.2 光伏系統(tǒng)預(yù)測性能評估

利用75個采樣點采用每日平均相對誤差百分比(dailymeanrelativepercentageerror，DMRPE) ηDMRPE和均方根誤差(rootmeansquareerror，RMSE)ηRMSE對發(fā)電預(yù)測結(jié)果評估，DMAPE評估整個系統(tǒng)的預(yù)測能力，RMSE評估整個光伏系統(tǒng)預(yù)測出力值的離散程度。

(8)

(9)

式中，Pfi、Pi為預(yù)測修正及實際的發(fā)電功率，kW·h；P為光伏系統(tǒng)額定功率，kW·h。

計算表明，預(yù)測相對誤差ηDMRPE主要集中于ηDMRPE≤4.7%之間。如果誤差落在Δej內(nèi)的概率為

圖11 預(yù)測誤差概率分布

Pj，則Pj可以用公式(10)來計算.

(10)

由式(10)計算可得誤差在ηDMRPE≤4.7%內(nèi)的概率為0.948 7，大于4.7%的概率僅為0.051 3。

所提預(yù)測模型在很大程度上高精度地反應(yīng)了光伏系統(tǒng)外界條件與輸出功率之間的映射關(guān)系。預(yù)測相對誤差近似服從正態(tài)分布，其期望值近似為0，其均方根誤差ηRMSE為0.951 7，如圖11所示。

4 結(jié) 論

高精度的光伏電站輸出功率預(yù)測對優(yōu)化系統(tǒng)發(fā)電計劃、減少電力系統(tǒng)運行成本和系統(tǒng)經(jīng)濟可靠運行有著重要現(xiàn)實意義。提出以傳統(tǒng)反饋型人工神經(jīng)網(wǎng)絡(luò)作為建?；A(chǔ)，利用相似日太陽輻照、溫度、歷史出力信息對其訓練建立的初步預(yù)測模型對預(yù)測日的光伏系統(tǒng)出力進行了預(yù)測，再根據(jù)相似日歷史出力波動量統(tǒng)計規(guī)律設(shè)計的算法對初步預(yù)測結(jié)果加以修正，并做了預(yù)測誤差的概率統(tǒng)計和分析。算例分析結(jié)果說明，該預(yù)測模型顯著提高了預(yù)測精度，較好地模擬了現(xiàn)場光伏系統(tǒng)的實際情況，為從預(yù)測太陽輻照強度、溫度到預(yù)測功率提供了一種良好的方法。對于研究大規(guī)模光伏系統(tǒng)出力預(yù)測提供一定參考。

[1] 李晶,許洪牮,趙海翔，等.并網(wǎng)光伏電站動態(tài)建模及仿真分析[J].電力系統(tǒng)自動化,2008,32(24):83-87.

[2] 張艷霞,趙杰,鄧中原.太陽能光伏發(fā)電并網(wǎng)系統(tǒng)的建模和仿真[J].高電壓技術(shù),2010,36(12):3097-3012.

[3] 茆美琴,蘇建徽,張國榮,等.大型光伏并網(wǎng)系統(tǒng)的建模與仿真[J].合肥工業(yè)大學學報(自然科學版),2005,28(9):1069-1072.

[4] Istvian Nagy，et al.Small-signal Analysis of a Dual Channel Resonant Buck and Boost Converter[C].Industrial Electronics, Proceedings of the 2002 IEEE International Symposiumon,July 2002,4(8-11):1279-1284.

[5] 郭亮,陳維榮,賈俊波,等.基于粒子群算法的BP神經(jīng)網(wǎng)絡(luò)光伏電池建模[J].電工電能新技術(shù),2011,30(2):84-87.

[6] 張艷霞,趙杰.基于反饋型神經(jīng)網(wǎng)絡(luò)的光伏系統(tǒng)發(fā)電功率預(yù)測[J].電力系統(tǒng)保護與控制,2011,39(15)：96-101.

[7] 盧靜,翟海青,劉純,等.光伏發(fā)電功率預(yù)測統(tǒng)計方法研究[J].華東電力,2010,38(4):0563-0567.

[8] 王彬筌,蘇適,嚴玉廷.基于BP神經(jīng)網(wǎng)絡(luò)的光伏短期功率預(yù)測模型[J].電氣時代,2014(5):78-81.

[9] 張嵐,張艷霞,郭嫦敏,等.基于神經(jīng)網(wǎng)絡(luò)的光伏系統(tǒng)發(fā)電功率預(yù)測[J].中國電力,2010,43(9): 75-78.

[10] 王飛,米增強,楊奇遜,等.基于神經(jīng)網(wǎng)絡(luò)與關(guān)聯(lián)數(shù)據(jù)的光伏電站發(fā)電功率預(yù)測方法[J].太陽能學報,2012,33(7):1171-1177.

[11] 張艷霞,趙杰.基于反饋型神經(jīng)網(wǎng)絡(luò)的光伏系統(tǒng)發(fā)電功率預(yù)測[J].電力系統(tǒng)保護與控制，2011,39(15):96-101.

[12] 代倩,段善旭,蔡濤,等.基于天氣類型聚類識別的光伏系統(tǒng)短期無輻照度發(fā)電預(yù)測模型研究[J].中國電機工程學報,2011,31(34):28-35.

[13] 金鑫,袁越,傅質(zhì)馨,等.天氣類型聚類的支持向量機在光伏系統(tǒng)輸出功率預(yù)測中的應(yīng)用[J].現(xiàn)代電力,2013,30(4):13-18.

In order to improve the prediction accuracy of photovoltaic power generation system, the power generation plans of the system are optimized and the operating costs of power system are reduced, and then it provides the basis for real-time scheduling and operating control to effectively mitigate the impact of photovoltaic power generation system on power grid, and a short-term forecasting model based on three-layer neural network and fluctuation characteristics of photovoltaic power is established. Firstly, the information of day type and temperature which have been released by meteorological bureau are used to pick up the similar day which is most relevant to the predicted day, and then a preliminary forecasting model based on neural network is established by using the previous solar irradiance, temperature, output power of the similar days. Secondly, the weather forecasting information of the predicted day is taken as the input of neural network to obtain the preliminary output power of the predicted day. At last, the fluctuation statistics law is obtained through counting and analyzing the historical output data of the similar days, and then the preliminary predictions are corrected by the law, thus a forecasting model with higher precision of PV system output is established. The simulation results show that the forecasting model established by the proposed method has a higher accuracy and can provide the decision support for dispatchers.

photovoltaic output forecasting; artificial neural network; fluctuation statistical law; forecasting model

國家自然科學基金項目(51167018)

TM74

A

1003-6954(2015)01-0001-05

2014-12-22)

劉沛漢(1988)，碩士研究生，研究方向為潔凈能源及其并網(wǎng)技術(shù)。