?

基于神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電功率預(yù)測不良數(shù)據(jù)處理的分析

郎 瑩,張文濤,辛 義

（北京電子科技職業(yè)學院，100176）

摘要：光伏發(fā)電系統(tǒng)歷史發(fā)電功率數(shù)據(jù)的真實可靠是光伏發(fā)電系統(tǒng)發(fā)電功率預(yù)測的基礎(chǔ),而在光伏發(fā)電系統(tǒng)運行或數(shù)據(jù)采集、測量、傳輸、轉(zhuǎn)換等環(huán)節(jié)出現(xiàn)故障時會導(dǎo)致歷史數(shù)據(jù)中含有不良數(shù)據(jù)。本論文提出采用小波分析中的信號奇異點檢測法對不良數(shù)據(jù)進行剔除，并采用神經(jīng)網(wǎng)絡(luò)的時間序列預(yù)測模型對剔除后的數(shù)據(jù)進行重構(gòu)，從而達到檢測并消除不良數(shù)據(jù)的目的,為光伏發(fā)電系統(tǒng)發(fā)電功率預(yù)測提供能反應(yīng)其變化規(guī)律的真實歷史信息。

關(guān)鍵詞：發(fā)電功率預(yù)測；不良數(shù)據(jù)；小波變換；奇異點；神經(jīng)網(wǎng)絡(luò)；時間序列

隨著能源危機和環(huán)境保護形勢日趨嚴峻，分布式能源憑借其能效利用合理、污染少、運行靈活等特點得到大力發(fā)展，其中尤其是光伏發(fā)電已成為世界各國普遍關(guān)注的新興產(chǎn)業(yè)。光伏發(fā)電系統(tǒng)并網(wǎng)運行后，其發(fā)電波動性將對電力系統(tǒng)造成沖擊，直接影響電力系統(tǒng)的安全穩(wěn)定運行。針對上述問題，科學家們提出通過對光伏發(fā)電系統(tǒng)進行發(fā)電功率預(yù)測以降低其對系統(tǒng)的不良影響。而發(fā)電功率預(yù)測需要從大量的歷史發(fā)電功率和相關(guān)因素中提取其變化的規(guī)律性，因此歷史數(shù)據(jù)樣本的準確性是預(yù)測結(jié)果能否精確有效的重要因素。

對于歷史數(shù)據(jù)樣本中的不良數(shù)據(jù)的識別及處理研究人員已經(jīng)提出了一些方法如:經(jīng)驗修正法、分時段設(shè)定閾值法、曲線置換法、數(shù)據(jù)橫向比較法、數(shù)據(jù)縱向比較法、插值法、設(shè)計濾波器法等。

本文提出首先將小波分析中的信號奇異點檢測仿真應(yīng)用到不良數(shù)據(jù)的檢測中，其次將檢測出的不良數(shù)據(jù)進行剔除，最后采用神經(jīng)網(wǎng)絡(luò)的時間序列預(yù)測模型對剔除后的數(shù)據(jù)進行重構(gòu)預(yù)測。

1　不良數(shù)據(jù)的檢測與重構(gòu)

在光伏發(fā)電系統(tǒng)發(fā)電功率的歷史數(shù)據(jù)中，當出現(xiàn)系統(tǒng)發(fā)生故障、瞬時故障跳閘等現(xiàn)象時，這些突發(fā)的變動顯然是對發(fā)電功率規(guī)律性的破壞;當系統(tǒng)運行時,數(shù)據(jù)采集、測量、傳輸、轉(zhuǎn)換各個環(huán)節(jié)都可能發(fā)生故障或受到干擾,而導(dǎo)致數(shù)據(jù)異常。稱上述導(dǎo)致系統(tǒng)歷史發(fā)電功率反常態(tài)勢的數(shù)據(jù)為不良數(shù)據(jù),它們將以偽信息、偽變化規(guī)律的方式提供給發(fā)電功率預(yù)測作為參考,必然影響預(yù)測的精確度和可靠性。

1.1基于小波理論的不良數(shù)據(jù)的檢測與剔除

小波是具有震蕩特性、能夠迅速衰減到零的一類函數(shù)。

稱為分析小波（Analyzing Wavelet）或連續(xù)小波。

離散小波為:

通常情況下,當信號在某一時刻,其幅值發(fā)生突變,引起信號的非連續(xù)時,幅值的突變處是第一類型間斷點，亦稱該信號在此處具有奇異性。

1.2基于神經(jīng)網(wǎng)絡(luò)時間序列預(yù)測的不良數(shù)據(jù)的重構(gòu)

神經(jīng)網(wǎng)絡(luò)的時間序列預(yù)測方法是依靠歷史數(shù)據(jù)建立神經(jīng)網(wǎng)絡(luò)的模型，時間序列的神經(jīng)元組成只是歷史數(shù)據(jù)。時間序列預(yù)測方法的原理就是假設(shè)各個不同時刻的歷史數(shù)據(jù)存在著一種線性的或非線性的品質(zhì)。設(shè)為某時刻的時間序列，時間序列預(yù)測就是要找到擬合函數(shù)，從而下一個時刻就可用下式來預(yù)測：

圖1　神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型圖

2　應(yīng)用分析

2.1不良數(shù)據(jù)的檢測與剔除

數(shù)據(jù)采用北京亦莊地區(qū)光伏發(fā)電系統(tǒng)發(fā)電功率2014年1月1日每10 min的采集數(shù)據(jù)。

在信號的小波分解的第一層高頻系數(shù)d1中，可以看出第33個測量點和第47個測量點數(shù)據(jù)為不良數(shù)據(jù)，并進行剔除。

2.2不良數(shù)據(jù)的重構(gòu)

圖2　小波分析對第一類間斷點的檢測

采用神經(jīng)網(wǎng)絡(luò)的時間序列預(yù)測法對北京亦莊地區(qū)光伏發(fā)電系統(tǒng)2014年1月1日每10 min的采集數(shù)據(jù)經(jīng)小波分析信號奇異點檢測剔除后的不良數(shù)據(jù)進行重構(gòu)預(yù)測。

第33個點的預(yù)測結(jié)果為234.3

第47個點的預(yù)測結(jié)果為244.3

3　結(jié)論

對于歷史數(shù)據(jù)的處理是光伏發(fā)電系統(tǒng)發(fā)電功率預(yù)測的基礎(chǔ)，歷史數(shù)據(jù)中含有不良數(shù)據(jù),顯然會影響預(yù)測的精度。采用小波分析中的信號奇異點檢測法對不良數(shù)據(jù)進行剔除，并采用神經(jīng)網(wǎng)絡(luò)的時間序列預(yù)測模型對剔除后的數(shù)據(jù)進行重構(gòu)，作為光伏發(fā)電系統(tǒng)發(fā)電功率預(yù)測的樣本數(shù)據(jù),從仿真算例可以看出基于小波理論及神經(jīng)網(wǎng)絡(luò)時間序列對光伏發(fā)電系統(tǒng)發(fā)電功率預(yù)測中不良數(shù)據(jù)的處理方法可以運用到實際工程中。

圖3　第33個點預(yù)測結(jié)果圖

圖4　第47個點預(yù)測結(jié)果圖

參考文獻

[1] 張文哲，陳剛，吳迎霞.基于小波理論對負荷預(yù)測中不良數(shù)據(jù)的處理[J].重慶大學學報，2004,27（6）

[2] 肖白 ，徐瀟，宋坤，白洋，李介夫.空間電力負荷預(yù)測中異常數(shù)據(jù)的辨識與處理[J].東北電力大學學報，2013,33（1/2）

[3] 傅薈璇.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計[M].北京：機械工業(yè)出版社，2010

Research on bad data processing of PV power forecasting based on Neural Network

Lang Ying,Zhang Wentao,Xin Yi

（Beijing Electronic Science & Technology Vocational College,100176）

Abstract：The history of power data of photovoltaic power generation system is the basis of reliable power generation of photovoltaic power generation system prediction,and in the photovoltaic power generation system operation or data acquisition,measurement,conversion,transmission link failure will lead to the existence of bad data in historical data.This paper presents the application of wavelet analysis in signal singularity detectionmethod was used to remove the bad data,and use the time series prediction of neural network to reconstruct after excluding the data model,so as to achieve the purpose of detecting and eliminating the bad data,real historical information reflecting the regularity for power generation of photovoltaic power generation system prediction.

Keywords：power forecasting;bad data;wavelet transform;singular point;neural network;time series