楊 茂，黃 鑫，蘇 欣

(1.東北電力大學 電氣工程學院，吉林 吉林 132012；2.東北電力大學 理學院，吉林 吉林 132012)

光伏發(fā)電已成為繼風力發(fā)電后可再生能源發(fā)電的又一新增長點.2009年～2013年，中國光伏發(fā)電的裝機容量以平均每年超過1倍的速度增長.2014年我國裝機容量已達到28 GW，僅次于德國的38.2 GW，位居世界第二[1].2015年底，我國以43.18 GW光伏發(fā)電裝機容量躋身為世界上光伏發(fā)電裝機容量最大的國家[2].截至2016年底，我國累計裝機容量77.42 GW，光伏發(fā)電新增裝機容量為34.54 GW，新增和累計裝機容量均位列全球光伏產(chǎn)業(yè)的首位[3].

光伏功率受光照強度、濕度、電池板溫度等因素影響，具有較大的隨機性和波動性.這種隨機性和波動性導致光伏發(fā)電在大規(guī)模并網(wǎng)時對電網(wǎng)造成一定的不良影響.因此，準確的光伏功率預測對于電力系統(tǒng)的安全經(jīng)濟運行具有重要意義.

圖1 不同天氣類型下光伏輸出功率日曲線圖

光伏功率預測，即根據(jù)歷史數(shù)據(jù)，通過一定的建模方法，對未來一段時間的光伏功率進行預測[4].文獻[5]利用BP(Back Propagation)神經(jīng)網(wǎng)絡進行短期光伏功率預測，將濕度、氣溫作為輸入量，根據(jù)自組織特征映射進行天氣聚類識別，算法容易陷入局部最優(yōu)問題.文獻[6]建立反向傳播神經(jīng)網(wǎng)絡的無輻照度光伏功率短期預測模型，分析光伏發(fā)電量與氣象因素的相關性，采用自組織特征映射對天氣類型聚類識別，利用云量進行自適應特征映射天氣類型聚類識別，預測精度有所提高，但算法復雜度過高，運算時間長.文獻[7]建立基于相似日、支持向量機和持續(xù)法的組合預測模型，根據(jù)粗糙集理論決定屬性重要度的方法確定單一預測模型的組合權重，以日為單位確定權重值并不合理.文獻[8]對傳統(tǒng)灰色BP神經(jīng)網(wǎng)絡模型的光伏預測方法進行了改進，一定程度上提高了預測精度.文獻[9]提出一種基于滾動的自回歸積分滑動平滑模型(ARIMA)和支持向量機(SVM)相結合的卡爾曼融合預測模型，提高了預測精度.文獻[10]將優(yōu)化支持向量機(SVM)、人工分群算法(ABC)以及經(jīng)驗模態(tài)分解(EMD)有效地結合起來構成了光伏并網(wǎng)系統(tǒng)輸出功率預測模型，該方法較單一預測方法具有一定的優(yōu)勢，在預測精度以及運算速度上有進一步地提高.

本文考慮氣候的復雜變化，將天氣劃分為晴天、多云、陰天和雨天4種類型，每隔15 min預測一次之后四小時的天氣類型，在各天氣類型下構建特定的基于ANFIS模型的光伏功率超短期預測模型.在構建模糊推理結構時，采用減法聚類算法，此算法不需人為設定，有效避免在構建結構時的盲目性和主觀性.最后利用吉林省某高校光伏實驗室實測數(shù)據(jù)進行實驗，結果驗證了本文方法的有效性.

1 光伏功率輸出特性分析

在不同天氣類型下典型的光伏發(fā)電輸出功率曲線，如圖1所示.從圖中可以看出，在晴天和雨天的情況下，光伏功率波動較小；在多云和陰天的情況下，光伏功率波動較大.不同天氣類型下，光伏功率輸出的差異性較大，為提高光伏功率預測精度，本文將在不同天氣類型下對光伏輸出功率進行超短期預測.

2 多步滾動實時預測模式

進行光伏功率超短期預測時，需進行多步滾動預測模式[10]：

，

(1)

根據(jù)國家能源局就光伏發(fā)電功率預測系統(tǒng)功能規(guī)范的有關規(guī)定[11]，超短期光伏功率預測應每15 min自動上報一次，上報時間為未來15分鐘至4小時的光伏功率預測數(shù)據(jù).

3 ANFIS預測模型

ANFIS模型，結合了神經(jīng)網(wǎng)絡模型和模糊推理系統(tǒng).其實質是由Takagi等提出的一組基于語言規(guī)則推理模型.在進行模糊推理系統(tǒng)推理時，需通過一系列的映射.在研究這些映射過程時，隸屬度函數(shù)的選取通常是通過以往經(jīng)驗直接選取的，這樣導致模糊推理系統(tǒng)的模糊規(guī)則具有一定的隨機性和主觀性，這顯然是不合理的.

圖2 ANFIS模型結構(2個輸入)

對于神經(jīng)網(wǎng)絡而言，其最大的優(yōu)點是自組織學習能力.ANFIS系統(tǒng)即能彌補傳統(tǒng)模糊推理系統(tǒng)的缺點，又可阻止人工神經(jīng)網(wǎng)絡在運行時造成局部最優(yōu)的問題.假設ANFIS模型的輸入數(shù)為2，則其結構如圖2所示[12].

圖中，設Ok，i表示為第k層的第i個節(jié)點的輸出.

第1層：各節(jié)點i都由節(jié)點函數(shù)表示(參數(shù)具有可變性)如下：

(2)

式中：x1、x2為節(jié)點i的輸入量；Ai(或Bi-2)為與該節(jié)點函數(shù)值有關的信息量；A(A=A1，A2，B1，B2)為模糊集；O1，i表示隸屬度函數(shù)，選擇高斯函數(shù)作為隸屬度函數(shù).

第2層：該層節(jié)點為圖2中的Π，wi為模糊規(guī)則激勵強度：

O2，i=wi=μAi(x1)μBi(x2)，i=1，2

.

(3)

(4)

第4層：該層各節(jié)點均為自適應節(jié)點，對每條規(guī)則的貢獻進行計算，輸出結果為

(5)

式中：pi、qi以及ri均為結論參數(shù).

第5層：對所有規(guī)則的最終輸出進行計算，即計算總輸出為：

(6)

本文采用減法聚類算法形成模糊推理系統(tǒng)結構，該結構能夠對重復優(yōu)化過程的模糊辨識方法和模糊聚類進行初始化，聚類所形成的規(guī)則也相對于人工設定結構所得到的模糊規(guī)則更加符合數(shù)據(jù)之間對應關系[13].

4 超短期光伏功率輸出預測評價指標

本文采用的誤差評價指標是國家能源局就光伏發(fā)電功率預測系統(tǒng)功能規(guī)范中提出的[11].

日平均預測合格率計算模型如下：

(7)

(8)

式中：r2i為第i次光伏輸出功率預測的合格率；r2為一天中預測的平均合格率.一天的光伏功率預測均方根誤差為r3，其求解模型為

(9)

5 算例分析

本文數(shù)據(jù)來自吉林省某高校光伏實驗室光伏測試平臺，該平臺裝機容量為10 kW，采樣時間為2015年1月1日至1月31日的上午6點到下午5點，采樣間隔為15 min.

圖3 ANFIS模糊系統(tǒng)的結構圖

天氣類型評價指標合格率均方根誤差晴天方法10.80860.1066方法210.0505方法310.0551方法410.0202多云方法10.91720.1062方法20.86820.1626方法30.87320.1562方法40.91670.0979陰天方法10.83210.1532方法20.87540.1125方法30.83650.1342方法40.89470.1042雨天方法10.92310.0916方法20.95240.0605方法30.95350.0651方法40.97540.0502

不同天氣類型下，利用不同光伏功率預測方法進行預測時的評價指標統(tǒng)計表，如表1所示.其中，將BP神經(jīng)網(wǎng)絡[14]、多尺度持續(xù)法[15]、多尺度滑動平均法[16]和ANFIS法分別記為方法1、方法2、方法3和方法4.將實測歷史氣象數(shù)據(jù)：輻照度、濕度、溫度作為BP神經(jīng)網(wǎng)絡的輸入數(shù)據(jù).在輸入各氣象數(shù)據(jù)前，需對各氣象數(shù)據(jù)進行歸一化處理.歸一化模型為

(10)

式中：x為原始數(shù)據(jù)；x′為歸一化之后的數(shù)據(jù).多尺度持續(xù)法和多尺度滑動平均法是根據(jù)光伏輸出的日周期性，在原始模型的基礎上，將尺度調整到以天為單位進行建模求解.

采用方法4進行光伏功率超短期預測時，參數(shù)的選取如下：隸屬函數(shù)為高斯函數(shù)；隸屬函數(shù)個數(shù)為3個；訓練次數(shù)為2 000次；在特定天氣類型下，訓練樣本選取光伏功率歷史實際值和歷史天氣數(shù)據(jù).對光伏功率利用ANFIS建模方法進行預測時，所得初始化模糊系統(tǒng)結構如圖3所示.

由表1可知，通過ANFIS模型對光伏功率進行預測時，在不同的典型天氣類型下，其準確率均高于其他預測方法，全天預測結果均方根誤差也均低于其他預測方法.由于各種典型天氣類型下光伏功率波動性不同，即晴天與雨天所具備的規(guī)律性較大，陰天與多云天氣光伏功率具備的規(guī)律性不大，所以預測難度不同，在表1中的評價指標也有所體現(xiàn)，ANFIS法的預測精度要高于另外三種預測方法，說明了ANFIS預測模型的有效性.

列舉晴天與多云這兩種天氣類型下在某日11：45時進行的預測，基于各預測方法下的預測值和真實值對比如圖4所示.其中圖4(a)為晴天，圖4(b)為多云天氣.在預測中，ANFIS預測模型的預測結果最接近真實值.

圖4 各模型預測結果(某日12：00到15：00)

6 結 論

本文分析了光伏功率預測中超短期多步滾動預測模式，并提出了基于ANFIS的預測模型，由減法聚類形成初始模糊系統(tǒng)結構，有效地避免了人工設定結構法有可能產(chǎn)生組合爆炸的問題.通過天氣預報確定待預測日的天氣類型，將天氣類型劃分為晴天、多云、陰天和雨天，分別進行建模預測.算例結果表明，在不同天氣類型下，本文所提出的ANFIS預測模型在進行超短期光伏功率預測時，在晴天和雨天天氣下均方根誤差能在5%左右，在多云以及陰天天氣下均方根誤差在10%左右，預測精度較傳統(tǒng)預測方法均方根誤差平均下降5%左右，驗證了本文方法的有效性.