吳賀利

摘要：在根據(jù)馬爾可夫鏈理論的隨機(jī)序列決策指導(dǎo)下，對比歷史上太陽的輻照數(shù)據(jù)，并且建立塌秧輻照量的預(yù)測模型，通過對當(dāng)前實際太陽光輻照量的數(shù)據(jù)進(jìn)行重復(fù)校核，并且對模型相應(yīng)地做出修正，最后利用labview圖形化軟件編寫預(yù)測模型，對太陽光輻照量給出動態(tài)的預(yù)測與預(yù)判，為太陽能利用提供決策依據(jù)。

關(guān)鍵詞：馬爾可夫鏈；太陽輻照量；Labview

太陽能輻照強(qiáng)度是太陽能利用的關(guān)鍵自然環(huán)境，但是由于氣候條件變化多端，能源的利用存在相當(dāng)大的不確定性，所以太陽能光伏發(fā)電站的發(fā)電量的波動對與電網(wǎng)系統(tǒng)產(chǎn)生較大的影響，故兒對太陽能輻照強(qiáng)度的預(yù)測在光伏利用過程中顯得尤為重要。

目前對于天氣的預(yù)測模型很多，利用觀測的抬動信息和輻照量的物理計算模型，對短期輻照量給出了精度高的預(yù)測：一是對于以往的數(shù)據(jù)進(jìn)行提煉和整理，模擬太陽輻照的變化動態(tài)規(guī)律，同時擬合預(yù)測模型，從而推算出來太陽光的未來輻照量；二是天津大學(xué)王守相等提出的基于經(jīng)驗?zāi)B(tài)和ELM神經(jīng)網(wǎng)絡(luò)系統(tǒng)逐時太陽能輻照預(yù)測的方法，雖然這種方法改善了神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法，大大提高了訓(xùn)練速度，但是也由于其系統(tǒng)過于復(fù)雜龐大，讓他的操作成本升高，易用性降低。

本文利用馬爾可夫鏈與馬爾可夫決策過程理論在離散數(shù)學(xué)中的廣泛應(yīng)用，提出了一種馬爾可夫數(shù)學(xué)模型，根據(jù)以往的歷史資料，并且通過labview軟件，對數(shù)據(jù)進(jìn)行分類處理，分散統(tǒng)計。通過概率轉(zhuǎn)移矩陣進(jìn)行計算，并且迭代計算轉(zhuǎn)移矩陣，多次迭代后，從而得到其預(yù)測數(shù)據(jù)，而且能夠?qū)γ刻飚a(chǎn)生的數(shù)據(jù)進(jìn)行實時再擬合，從而能夠?qū)崟r更新太陽能輻照量的數(shù)據(jù)，為光伏發(fā)電站的運(yùn)行提供有力的理論依據(jù)。

一、馬爾可夫過程

馬爾可夫預(yù)測法，是可以預(yù)測事件發(fā)生概率的一種方法。這是基于馬爾可夫鏈，根據(jù)事件的目前狀況預(yù)測其將來各個時刻（或時期）變動狀況的一種預(yù)測方法。

1. 首先設(shè){X（t）；t∈T}是一個隨機(jī)過程，如果在t0時刻所處的狀態(tài)為已知時，t0以后的狀態(tài)與它在時刻t0之前所處的狀態(tài)無關(guān)，則稱具有馬爾可夫性。

2. 設(shè){X（t）；t∈T}的狀態(tài)空間為S，如果對于任意的n≥2，任意的t1

根據(jù)式（1），可以稱{X（t）；t∈T}為馬爾可夫過程。

二、預(yù)測模型構(gòu)建

首先通過對馬爾可夫鏈預(yù)測法的研究，其屬于系統(tǒng)工程中概率預(yù)測法，主要是研究事物或現(xiàn)象的狀態(tài)及狀態(tài)轉(zhuǎn)移。而且在不同狀態(tài)，初始狀態(tài)，以及轉(zhuǎn)移狀態(tài)之間相互轉(zhuǎn)移，而且不同狀態(tài)的初始概率以及狀態(tài)之間的轉(zhuǎn)移概率與事物或未來的變化息息相關(guān)，這樣預(yù)測確定了事物或現(xiàn)象未來的變化趨勢，從而達(dá)到對預(yù)測未來的目的。

太陽輻射量和光伏電站的發(fā)電量密切相關(guān)，但是兩者的變化過程又是一個隨機(jī)過程。馬爾可夫鏈預(yù)測型是把系統(tǒng)看作一個整體，通過每天不同時刻太陽能輻射量和環(huán)境溫度的變化趨勢構(gòu)成狀態(tài)，根據(jù)每個時刻發(fā)電量狀態(tài)的轉(zhuǎn)移概率，有效預(yù)知未來系統(tǒng)發(fā)電量的構(gòu)成狀況。此外，馬爾可夫模型有利于綜合考慮各種影響因素。因此馬爾可夫模型是一種可以對隨機(jī)性比較大的事物或現(xiàn)象進(jìn)行預(yù)測的模型。

根據(jù)太陽每天輻射量，后一天比前一天的輻射量差值，來進(jìn)行數(shù)據(jù)的分類，進(jìn)行數(shù)據(jù)的離散化。

三、程序編寫與應(yīng)用

首先根據(jù)式（1）在軟件labview中進(jìn)行程序的編寫，實現(xiàn)公式中數(shù)據(jù)的轉(zhuǎn)換，再次通過表1進(jìn)行數(shù)據(jù)段分類，從而實現(xiàn)數(shù)據(jù)的基礎(chǔ)轉(zhuǎn)換，這也就是基礎(chǔ)預(yù)測矩陣，整個預(yù)測程序界面如圖1。圖2和圖3都是為labview程序局部圖，分別為數(shù)據(jù)段分類和預(yù)測值判定。

四、模型應(yīng)用與預(yù)測

以武漢地區(qū)（北緯3037東經(jīng)11408），2001年太陽總輻射數(shù)據(jù)為研究樣本，以及上面構(gòu)建的馬爾可夫預(yù)測模型，對太陽能輻射數(shù)據(jù)進(jìn)行預(yù)測，預(yù)測值和實測值校對，如表2所示。

根據(jù)表2，做出如圖4曲線，其中實線為實際值，虛線為預(yù)測值。

如圖4所示，預(yù)測值和實際值總體趨勢已經(jīng)非常接近，但是其預(yù)測點(diǎn)個別數(shù)據(jù)相差較大，最大的誤差157.5%，存在極大的離散性問題，分析所得，主要的誤差都是來自于a類分類，說明相對于a類數(shù)據(jù)分類則較為粗糙，范圍過大。

五、結(jié)語

本文通過分析太陽能輻照量，總結(jié)輻照量的預(yù)測，建立了基于馬爾科夫鏈太陽能輻照量的數(shù)學(xué)預(yù)測模型，利用labview編寫了預(yù)測程序，并利用該模型完成日輻照量的預(yù)測。在對分析預(yù)測結(jié)果與實測數(shù)據(jù)誤差，充分認(rèn)識到了影響誤差的根本原因在數(shù)據(jù)段分類的范圍。所以在后續(xù)的研究工作中，著重研究數(shù)據(jù)分類，使預(yù)測模型能過對歷史太陽能輻照進(jìn)行預(yù)測總結(jié)，減小實測過程中的不確定因素，使得預(yù)測模型能夠動態(tài)地調(diào)整，從而提高模型預(yù)測精度。

參考文獻(xiàn)：

[1]ELKE L，HURKA J，DETLEV H，et al. Irradiance forecasting forthe power prediction of grid-connected photovoltaic systems[J].IEEE Journal of Selected Topics in Applied Earth Observationsand Remote Sensing，2009（01）.

[2]王守相，王亞旻，劉巖，等. 基于經(jīng)驗?zāi)B(tài)分解和ELM神經(jīng)網(wǎng)絡(luò)的逐時太陽能輻照量預(yù)測[J].電力自動化設(shè)備，2014（08）.

[3]李英姿，賀 琳，牛進(jìn)蒼. 基于馬爾可夫鏈的光伏并網(wǎng)發(fā)電量預(yù)測[J].太陽能學(xué)報，2014（04）.

[4]王穎，等.中國氣象輻射資料年冊[R].國家氣象中心，2001.

（作者單位：武漢科技大學(xué)城市學(xué)院）