沈文博，孫榮霞，馬少卿，王碩南

(河北大學(xué) 電子信息工程學(xué)院，河北 保定 071002)

0 引言

光伏發(fā)電受到光照輻射強(qiáng)度、環(huán)境溫度等因素的影響，其發(fā)電功率具有隨機(jī)波動(dòng)特性，而規(guī)模化與分布式光伏的并網(wǎng)接入，對(duì)電網(wǎng)的規(guī)劃、運(yùn)行、調(diào)度和控制帶來(lái)巨大挑戰(zhàn)。因此，需要對(duì)光伏發(fā)電功率進(jìn)行預(yù)測(cè)，獲得其功率發(fā)展特性曲線，為電網(wǎng)調(diào)度預(yù)測(cè)行為提供依據(jù)，降低運(yùn)轉(zhuǎn)備用容量和運(yùn)行成本，對(duì)保證系統(tǒng)的安全穩(wěn)定、促進(jìn)電網(wǎng)的優(yōu)化運(yùn)行具有重要意義[1]。目前，光伏功率預(yù)測(cè)建模包括物理方法和統(tǒng)計(jì)方法，物理方法是以光伏發(fā)電中的能量轉(zhuǎn)化裝置及控制系統(tǒng)各部分的數(shù)學(xué)模型進(jìn)行預(yù)測(cè)，其預(yù)測(cè)的有效性取決于對(duì)光伏發(fā)電過(guò)程中對(duì)象結(jié)構(gòu)及其遵循規(guī)律的把握程度和模型參數(shù)的精度，設(shè)計(jì)環(huán)節(jié)多，過(guò)程復(fù)雜，參數(shù)求解困難[2]。而統(tǒng)計(jì)方法的代表方法則是人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)(Support Vector Machine，SVM)、馬爾科夫鏈等[3-5]。其中，人工神經(jīng)網(wǎng)絡(luò)由于能夠逼近任意復(fù)雜的非線性函數(shù)，具有較強(qiáng)的適應(yīng)性和較好的預(yù)測(cè)能力，應(yīng)用最為廣泛[5-7]。但人工神經(jīng)網(wǎng)絡(luò)同樣面臨著學(xué)習(xí)速度慢、對(duì)訓(xùn)練樣本要求高、調(diào)參復(fù)雜等缺點(diǎn)。針對(duì)這些缺點(diǎn)，采用一種多粒度級(jí)聯(lián)森林(Multi-Grained Cascade Forest，gcForest)的預(yù)測(cè)模型對(duì)光伏發(fā)電數(shù)據(jù)樣本進(jìn)行訓(xùn)練和預(yù)測(cè)。將預(yù)測(cè)結(jié)果與電站實(shí)際數(shù)據(jù)做對(duì)比，結(jié)果表明所建立的預(yù)測(cè)模型的應(yīng)用效果好，適應(yīng)性強(qiáng)。

1 多粒度級(jí)聯(lián)森林模型介紹

2 光伏出力影響因素分析

在不考慮光伏系統(tǒng)組件材料和安裝結(jié)構(gòu)以及擺放角度等內(nèi)在因素的情況下，影響光伏出力的因素大致可分為兩類：一類是光伏系統(tǒng)發(fā)電時(shí)的環(huán)境因素，另一類是光伏系統(tǒng)發(fā)電相關(guān)的氣象因素[3]。

在第一類因素中，需要考慮光伏發(fā)電系統(tǒng)所處的溫度、濕度等環(huán)境條件對(duì)組件的影響。這方面因素影響的是光伏系統(tǒng)的運(yùn)行狀態(tài)。當(dāng)光伏組件溫度較高時(shí)，工作效率下降。而隨著太陽(yáng)能電池溫度的增加，開路電壓減小，在20～100 ℃范圍，大約每升高1 ℃，每片電池的電壓減小2 mV；而光電流隨溫度的增加略有上升，大約每升高1 ℃，每片電池的光電流增加千分之一或0．03 mA/(℃·cm2)。圖1是光伏發(fā)電系統(tǒng)日出力與日平均溫度值的關(guān)系[9]。由圖1可見，當(dāng)日平均溫度低時(shí)，光伏出力減小，而當(dāng)日平均溫度高時(shí)，光伏出力增大，因此，溫度對(duì)光伏出力具有一定的影響。

圖1 光伏功率與日均溫度

而光伏系統(tǒng)發(fā)電相關(guān)的氣象因素則會(huì)影響光伏發(fā)電的光照強(qiáng)度。其中對(duì)光照強(qiáng)度影響最直觀的則是氣象特點(diǎn)和天氣情況。圖2(a)、(b)分別是晴天和陣雨天時(shí)的發(fā)電功率。可以看出，晴天發(fā)電功率具有一定的時(shí)間規(guī)律，隨著太陽(yáng)的運(yùn)動(dòng)而產(chǎn)生規(guī)律性變化，在12：00到14：00的光伏發(fā)電效率最高，當(dāng)太陽(yáng)降落后發(fā)電效率為0；而陰雨天氣則具有隨機(jī)的不確定性，需要根據(jù)氣象條件判斷，發(fā)電功率較晴天是降低明顯，在下雨時(shí)段發(fā)電功率接近與0。而針對(duì)光伏發(fā)電的特點(diǎn)，采用溫度、濕度、風(fēng)速以及當(dāng)前的時(shí)刻來(lái)作為輸入特征向量，濕度、風(fēng)速、時(shí)刻和溫度等多條件擬合來(lái)代替缺失的光照強(qiáng)度數(shù)據(jù)，而氣象條件因素具有耦合性，各因素相互作用相互影響。

圖2 晴天和陣雨天氣的光伏功率出力

3 預(yù)測(cè)結(jié)果和分析

在光伏預(yù)測(cè)中輸入特征的數(shù)值大小及單位不同，為了消除輸入變量差異對(duì)模型的影響，需要對(duì)輸入進(jìn)行歸一化處理，公式如下：

(1)

式中xi代表歸一化處理后的數(shù)據(jù)，x為原始特征輸入，xmin為原始輸入特征中的最小值，xmax為原始輸入特征中的最大值。本文中的輸入數(shù)據(jù)特征為歷史數(shù)據(jù)中的時(shí)間指數(shù)、溫度、風(fēng)速和濕度，輸出數(shù)據(jù)為各時(shí)段的發(fā)電功率。為測(cè)試模型效果，將發(fā)電數(shù)據(jù)集隨機(jī)分為測(cè)試集和訓(xùn)練集，用Python的Sklearn庫(kù)的model_selection包中的train_test_spilt函數(shù)來(lái)對(duì)歷史數(shù)據(jù)隨機(jī)進(jìn)行分類，分類比例是：訓(xùn)練集為歷史數(shù)據(jù)的2/3，測(cè)試集為1/3。

(2)

(3)

(4)

算法效果如表1所示。

表1 算法效果對(duì)比 (%)

從預(yù)測(cè)結(jié)果來(lái)看，預(yù)測(cè)結(jié)果和實(shí)際值之間是存在誤差的，主要是由兩方面引起：第一，訓(xùn)練樣本數(shù)量少；第二，未對(duì)天氣類型和輸入特征進(jìn)行細(xì)化。如果加入更細(xì)化的天氣類型，雖然會(huì)提高預(yù)測(cè)精度，但也會(huì)對(duì)實(shí)時(shí)天氣預(yù)報(bào)提出更高的要求，增加預(yù)報(bào)數(shù)據(jù)獲取的難度。目前所建立的預(yù)測(cè)模型效果好于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)，同時(shí)也解決了神經(jīng)網(wǎng)絡(luò)需要調(diào)大量參數(shù)、隱含層設(shè)定不確定的問(wèn)題，gcForest具有參數(shù)少、不用預(yù)先確定結(jié)構(gòu)的優(yōu)勢(shì)。

4 結(jié)論

根據(jù)溫度和天氣因素對(duì)光伏發(fā)電的影響，建立了基于gcForest的光伏發(fā)電出力預(yù)測(cè)模型，通過(guò)與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)算法進(jìn)行對(duì)比，并將預(yù)測(cè)結(jié)果與實(shí)際數(shù)據(jù)相比較，驗(yàn)證了算法的合理性，所建立的預(yù)測(cè)模型可以有效地預(yù)測(cè)各類天氣情況下光伏發(fā)電的輸出功率。

參考文獻(xiàn)

[1] 李碧君,方勇杰,楊衛(wèi)東,等. 光伏發(fā)電并網(wǎng)大電網(wǎng)面臨的問(wèn)題與對(duì)策[J]. 電網(wǎng)與清潔能源,2010,26(4):52-59.

[2] 王飛,米增強(qiáng),甄釗,等. 基于天氣狀態(tài)模式識(shí)別的光伏電站發(fā)電功率分類預(yù)測(cè)方法[J]. 中國(guó)電機(jī)工程學(xué)報(bào),2013,33(34):75-82,14.

[3] 龔鶯飛,魯宗相,喬穎,等. 光伏功率預(yù)測(cè)技術(shù)[J]. 電力系統(tǒng)自動(dòng)化,2016,40(4):140-151.

[4] 傅美平,馬紅偉,毛建容. 基于相似日和最小二乘支持向量機(jī)的光伏發(fā)電短期預(yù)測(cè)[J]. 電力系統(tǒng)保護(hù)與控制,2012,40(16):65-69.

[5] 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.

[6] 張程熠,唐雅潔,李永杰,等. 適用于小樣本的神經(jīng)網(wǎng)絡(luò)光伏預(yù)測(cè)方法[J]. 電力自動(dòng)化設(shè)備,2017,37(1):101-106,111.

[7] 袁曉玲,施俊華,徐杰彥. 基于BP神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電短期出力預(yù)測(cè)[J]. 可再生能源,2013,31(7):11-16.

[8] Zhou ZhiHua, Feng Ji. Deep forest: towards an alternative to deep neural networks[EB/OL].(2017-5-31)[2017-09-28].https://arxiv.org/abs/1702.08835.

[9] 張雪莉,劉其輝,馬會(huì)萌,等. 光伏電站輸出功率影響因素分析[J]. 電網(wǎng)與清潔能源,2012,28(5):75-81.