齊紅云，倫淑嫻

（1.渤海大學(xué)工學(xué)院，遼寧錦州121013；2.渤海大學(xué)新能源學(xué)院，遼寧錦州121013）

基于模糊雙曲正切模型的短期光伏發(fā)電量預(yù)測

齊紅云1，倫淑嫻2

（1.渤海大學(xué)工學(xué)院，遼寧錦州121013；2.渤海大學(xué)新能源學(xué)院，遼寧錦州121013）

通過對影響光伏發(fā)電量產(chǎn)生的因素進(jìn)行分析比較，在模糊雙曲正切模型的基礎(chǔ)上，建立一種光伏發(fā)電量的短期預(yù)測模型。該模型既屬于模糊模型，也屬于神經(jīng)網(wǎng)絡(luò)模型的范疇?？梢岳闷鋸姶蟮膶W(xué)習(xí)能力，以光伏發(fā)電系統(tǒng)的歷史數(shù)據(jù)作為訓(xùn)練樣本，對模型進(jìn)行學(xué)習(xí)，并利用得到的穩(wěn)定模型對光伏發(fā)電量進(jìn)行短期預(yù)測。仿真結(jié)果表明，該預(yù)測模型與其他預(yù)測方法相比有更高的預(yù)測精度。

光伏發(fā)電量；短期預(yù)測；模糊雙曲正切模型；預(yù)測精度

由于全球能源危機(jī)越來越嚴(yán)重，人們加快了對新能源探索和開發(fā)的腳步。太陽能作為新能源和可再生能源的重要組成部分，受到越來越多國家的重視［1-3］。太陽能是一種清潔能源，已被公認(rèn)為是未來最具競爭力的能源之一。光伏發(fā)電量預(yù)測是太陽能利用的一項重要指標(biāo)，但是由于光伏陣列的輸出會受到溫度、光照強度、風(fēng)速等外界因素的影響，會造成光伏發(fā)電量的不確定性，從而使并網(wǎng)運行后對電網(wǎng)的安全、穩(wěn)定和電網(wǎng)的供電質(zhì)量造成一定的沖擊，因此研究光伏發(fā)電量預(yù)測具有重要的意義。

從20世紀(jì)80年代開始，隨著光伏發(fā)電量在各國電網(wǎng)中所占比例逐漸增大，越來越多的專家學(xué)者致力于研究并改進(jìn)光伏發(fā)電的預(yù)測方法，希望可以提高光伏發(fā)電站的發(fā)電能力。就目前來說，關(guān)于光伏發(fā)電輸出功率預(yù)測的方法有很多種，按照研究過程可以分為直接預(yù)測和短期預(yù)測［4］；而根據(jù)時間的長短又可劃分為中長期、短期和超短期預(yù)測。另外還有數(shù)學(xué)統(tǒng)計預(yù)測法［5-9］，人工智能預(yù)測法法［10-16］等。

為了使光伏發(fā)電量的預(yù)測達(dá)到更高精度，在模糊雙曲正切模型的基礎(chǔ)上，我們提出一種光伏發(fā)電量的短期預(yù)測方法。

1　模糊雙曲正切模型

模糊雙曲正切模型（FHM）被Zhang和Quan于2000年提出，其結(jié)構(gòu)簡單，可用于依據(jù)日趨成熟的線性系統(tǒng)理論來設(shè)計強魯棒性的穩(wěn)定控制器。在其后幾年，Zhang和Quan又陸續(xù)提出廣義雙曲正切模型等FHM的一系列拓展和應(yīng)用。其中，依據(jù)該模型設(shè)計的控制器在理論上可以使系統(tǒng)達(dá)到最優(yōu)性能，因為FHM是一種全局模型。同時，F(xiàn)HM也屬于神經(jīng)網(wǎng)絡(luò)模型的范疇，因此可以根據(jù)神經(jīng)網(wǎng)絡(luò)強大的學(xué)習(xí)能力來優(yōu)化模型的參數(shù)。

對復(fù)雜系統(tǒng)來說，難以獲得較為準(zhǔn)確的數(shù)學(xué)模型，因此根據(jù)經(jīng)驗知識來獲取被控對象的數(shù)學(xué)模型就顯得尤為重要。用FHM來描述系統(tǒng)時，其狀態(tài)方程為

其中，x=（x1，x2…xn）T表示狀態(tài)變量，u=（u1，u2…up）T表示輸入變量，A∈Rn×n，B∈Rn×p為定常矩陣，且kxi為正常數(shù)。式子（1）被稱作模糊雙曲正切模型。

FHM在本質(zhì)上也屬于模糊模型，如果給出合適的隸屬函數(shù)、模糊化和解模糊的方法，和相應(yīng)的模糊規(guī)則基等，就可以推得該模型。因此，首先定義此模型的模糊規(guī)則基。

定義1：假設(shè)系統(tǒng)的輸入變量用u=（u1（t）u2（t）…up（t））T來表示，狀態(tài)變量用x=（x1（t）x2（t）…xn（t））T來表示，我們稱滿足以下條件的的模糊規(guī)則基為雙曲正切型模糊規(guī)則基［19-20］。

1）模糊規(guī)則基為如下形式：

其中，F(xiàn)xi（i=1，2，…，n），F(xiàn)uj（j=1，2，…，p）是模糊子集，分別與xi和uj對應(yīng)，包括正（P）和負(fù)（N）兩種語言值；cxi和cuj是正常數(shù)，分別與Fxi和Fuj對應(yīng)：當(dāng)Fxi或Fuj為P時，cxi或cuj前面的符號就是正號；當(dāng)Fxi或Fuj為N時，cxi或cuj前面的符號就為負(fù)號。

2）IF中的狀態(tài)x，輸入u和THEN中的輸出項都是可以選擇的，但是輸出項中的cxi或cuj與x或者u是一一對應(yīng)的關(guān)系，即若在IF部分包含F(xiàn)xi或Fuj項，那么在THEN部分必然包含cxi或cuj；相反地，若IF部分不包括Fxi或Fuj項，那么在THEN部分也必然不含cxi或cuj項。

定理：給出雙曲正切型模糊規(guī)則基，若Pz和Nz（z表示狀態(tài)x或輸入u）對應(yīng)的隸屬函數(shù)分別定義為如下形式：

其中kZ是常數(shù)，并且kZ＞0。若模糊化采用單點模糊集合，清晰化采用加權(quán)平均法，直積運算采用求積法，那么根據(jù)模糊規(guī)則集定義1可得出如下數(shù)學(xué)模型：

2　基于FHM的光伏發(fā)電量短期預(yù)測模型

光伏發(fā)電系統(tǒng)的輸出功率容易受到環(huán)境因素的影響，從而使發(fā)電量具有不確定性，容易對電網(wǎng)造成沖擊。圖1至圖2分別代表4個不同城市一年內(nèi)每個月的平均溫度和總的輻射強度的變化。表1表示4個不同國家一年中每個月的平均風(fēng)速。對比圖1和圖2我們可以知道，當(dāng)溫度高時，相應(yīng)的輻射強度也高，而由于美國、西班牙和印度均位于北半球，而澳大利亞屬于南半球，故而，澳大利亞每個月的平均溫度和總輻射量與其他3個國家呈相反趨勢。由于每個地方影響光伏發(fā)電量的風(fēng)速、溫度、輻射強度等外界因素都不同，而它們都對發(fā)電量的產(chǎn)生造成了不同程度的影響，因而，我們在對不同的地方進(jìn)行光伏發(fā)電量預(yù)測時，要根據(jù)實際情況具體分析。

表1　不同地域的四個國家一年中每個月的平均風(fēng)速

圖1　不同地域的4個國家一年中每個月的平均溫度

圖2　不同地域的4個國家一年中每個月的總輻射強度

由上可知，影響光伏發(fā)電量的產(chǎn)生的因素有很多。為了使光伏發(fā)電量的預(yù)測達(dá)到更高精度，我們以輻射強度，溫度和風(fēng)速作為輸入，光伏發(fā)電量作為輸出，建立一種基于模糊雙曲正切模型的光伏發(fā)電量短期預(yù)測模型。

為保證預(yù)測精度，我們對歷史數(shù)據(jù)進(jìn)行篩選，剔除里面的奇異值，從而提高模型的泛化能力。同時，為了使輸入輸出數(shù)據(jù)能保持在0～1范圍內(nèi)，我們對數(shù)據(jù)進(jìn)行歸一化處理，

在對所建立的預(yù)測模型進(jìn)行學(xué)習(xí)的過程中，我們用平均絕對百分比誤差（MAPE）來判斷預(yù)測模型的好壞，這是目前常用的評估性指標(biāo)，其表達(dá)式如下：

其中，d（i）代表期望值，y（i）代表預(yù)測值，N代表訓(xùn)練樣本的大小，i代表第i次訓(xùn)練。

3　仿真結(jié)果分析

我們選擇2005年美國阿拉斯加州的科策布（北緯66.883°，西經(jīng)162.6°）為觀測點得到的數(shù)據(jù)作為研究對象。在進(jìn)行試驗之前，我們需要初始化程序。我們選擇一年中每天8: 00-17:00的地球表面輻射強度、溫度和風(fēng)速作為樣本輸入，光伏發(fā)電量作為樣本輸出，初始樣本長度設(shè)為300，采樣樣本長度設(shè)為200。下面我們分別構(gòu)建BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，標(biāo)準(zhǔn)ESN預(yù)測模型，F(xiàn)HM預(yù)測模型，通過仿真實驗，我們可以的幾種預(yù)測模型的預(yù)測效果如下：

通過觀察表2，我們可以知道當(dāng)利用BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型對光伏發(fā)電量的輸出功率進(jìn)行預(yù)測時，預(yù)測結(jié)果MAPE= 0.31%，而標(biāo)準(zhǔn)ESN預(yù)測模型和FHM預(yù)測模型的預(yù)測精度相比BP神經(jīng)網(wǎng)絡(luò)模型來說明顯提高，尤其是本文所提出FHM預(yù)測模型，其預(yù)測精度是BP神經(jīng)網(wǎng)絡(luò)模型的27.7倍，預(yù)測性能大大提高。

圖3　不同模型的預(yù)測效果

表2　不同模型的預(yù)測性能（MAPE）

4　結(jié)論

文中通過分析影響光伏發(fā)電量的外界因素，建立不同的預(yù)測模型來對光伏發(fā)電量進(jìn)行預(yù)測。通過具體的仿真實驗來比較不同預(yù)測模型的預(yù)測性能，證明了本文所提出的FHM模型對于光伏發(fā)電量預(yù)測有更高的預(yù)測精度，驗證了所提模型的有效性。

［1］Lun S X，Du C J，Guo T T，et al.A new explicit I-V model of a solar cell based on Taylor's series expansion［J］.Solar Energy，2013（94）：221-232.

［2］Lun S X，Du C J，Yang G H，et al.An explicit approximate I-V characteristic model of a solar cell based on padé approximants［J］.Solar Energy，2013（92）：147-159.

［3］Romero B，Pozo G del，Arredondo B，Exact analytical solution of a two diode circuit model for organic solar cells showing S-shape using Lambert W-functions［J］.Solar Energy，2012（86）：3026-3029.

［4］袁曉玲，施俊華，徐杰彥.計及天氣類型指數(shù)的光伏發(fā)電短期出力預(yù)測［J］.中國電機(jī)工程學(xué)報，2013，33（34）：57-64.

［5］秦俊舉，張恕遠(yuǎn).一種新的光伏發(fā)電預(yù)測模型的設(shè)計［J］.科技和產(chǎn)業(yè)，2014，14（2）：146-150.

［6］Yona A，Senjyu T，Saber A Y，et al，Application of neural networktoone-day-ahead24hoursgeneratingpower forecasting for photovoltaic system［J］.The 14th International Conference on Intelligent System Applications to Power Systems，2007，442-447.

［7］孫銳，湯義勤，馬紅偉，等，一種實用的超短期光伏發(fā)電預(yù)測方法［J］.電氣技術(shù)，2013（1）：77-80.

［8］李鵬梅，臧傳治，王侃侃，基于相似日和神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電預(yù)測［J］.可再生能源，2013，31（10）：1-4.

［9］Su Y，Chan L C，Shu L J，Tsui K L，Real-time prediction models for output power and efficiency of grid-connected solar photovoltaic systems［J］.Applied Energy，2012（93）：319-326.

［10］Niu D X，Wei Y，Chen Y C，photovoltaic power prediction based on scene simulation knowledge mining and adaptive neural network［J］.Mathematical Problems in Engineering，2013（8）：206-232.

［11］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)測模型的設(shè)計［J］.電工技術(shù)學(xué)報，2009，24（9）：153-158.

［12］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(hù)與控制，2011，39（15）：96-101.

［13］康洪波，劉瑞梅，侯秀梅.基于神經(jīng)網(wǎng)絡(luò)光伏發(fā)電預(yù)測模型的研究［J］.電源技術(shù)，2013，37（3）：447-449.

［14］王增新，蘇適，田沛.光伏發(fā)電預(yù)測技術(shù)的應(yīng)用研究［J］.云南電力技術(shù)，2011，39（4）：27-30.

［15］吳雪蓮，都洪基，基于BP神經(jīng)網(wǎng)絡(luò)-馬爾科夫鏈的光伏發(fā)電預(yù)測［J］.電工電氣，2014（3）：22-27.

［16］孫宏宇.基于DMC算法與遮蔽因子積分修正光伏發(fā)電預(yù)測研究［J］.硅谷，2012（13）：112-113.

The short-term photovoltaic power generation forecasting based on the fuzzy hyperbolic model

QI Hong-yun1，LUN Shu-xian2
（1.College of Engineering，Bohai University，Jinzhou 121013，China；2.College of New Energy，Bohai University，Jinzhou 121013，China）

Through the analysis and comparison of the factors that affect the generation of photovoltaic power generation，the short-term prediction model of photovoltaic power generation is established based on fuzzy hyperbolic model.This model is not only a kind of fuzzy model，but also a neural network model.Using its powerful learning ability，the historical data is used as the training sample.And get the stability of the model is used for short-term forecasting of photovoltaic power generation.Simulation results show that the prediction model has higher prediction accuracy compared with other prediction methods.

photovoltaic power generation；short-term forecasting；fuzzy hyperbolic model；prediction accuracy

TN302

A

1674－6236（2016）17-0001-03

2016-01-31稿件編號：201601300

國家自然科學(xué)基金項目（051501131）；教育部-新世紀(jì)優(yōu)秀人才支持計劃（NCET-11-1005）；2011年遼寧省第一批次科學(xué)計劃項目（201402001）；遼寧省自然科學(xué)基金項目（2014020143）；遼寧省百千萬人才工程項目（2012921061）

齊紅云（1991—），女，山東泰安人，碩士研究生。研究方向：智能控制與濾波、光伏發(fā)電預(yù)測。