段晨東，童卓斌

(長(zhǎng)安大學(xué) 電子與控制工程學(xué)院, 陜西 西安 710064)

0 引 言

光伏發(fā)電功率易受外界因素如光照強(qiáng)度、環(huán)境溫度、氣象和地理因素等不確定因素的影響，因而具有隨機(jī)性、間歇性和波動(dòng)性。為減小光伏系統(tǒng)發(fā)電功率的波動(dòng)對(duì)電力系統(tǒng)穩(wěn)定運(yùn)行造成的影響，對(duì)光伏發(fā)電功率進(jìn)行預(yù)測(cè)是有必要的[1]。

目前采用的預(yù)測(cè)方法大體可歸為物理建模和智能預(yù)測(cè)。物理建模方法是利用光伏組件的物理參數(shù)、氣象數(shù)據(jù)以及地理位置信息建立其數(shù)學(xué)或物理模型，以此預(yù)測(cè)光伏發(fā)電站的輸出功率。該類方法適應(yīng)性差、建模過(guò)程復(fù)雜，在數(shù)據(jù)難以準(zhǔn)確獲取的情況下建模效果不佳[2-3]。智能預(yù)測(cè)方法有出色的特征學(xué)習(xí)能力，能充分發(fā)掘樣本特征信息。文獻(xiàn)[4]根據(jù)光伏出力曲線的抖動(dòng)程度將其分為“平穩(wěn)”與“抖動(dòng)”兩類，分別使用自回歸與滑動(dòng)平均模型和人工神經(jīng)網(wǎng)絡(luò)對(duì)光伏發(fā)電功率進(jìn)行預(yù)測(cè)。文獻(xiàn)[5]采用混沌時(shí)間序列優(yōu)化神經(jīng)網(wǎng)絡(luò)算法，以按時(shí)間序列分布的歷史光伏發(fā)電功率作為輸入對(duì)短期內(nèi)的發(fā)電功率進(jìn)行預(yù)測(cè)。但由于時(shí)間序列含有一定的自相關(guān)性，因而容易導(dǎo)致預(yù)測(cè)結(jié)果滯后于真實(shí)值。文獻(xiàn)[6]通過(guò)BP神經(jīng)網(wǎng)絡(luò)對(duì)光伏發(fā)電功率進(jìn)行預(yù)測(cè)，將氣溶膠指數(shù)作為附加輸入?yún)?shù)以提高預(yù)測(cè)精度，然而氣溶膠指數(shù)難以確定導(dǎo)致模型建立困難。

為了更準(zhǔn)確地對(duì)光伏發(fā)電功率進(jìn)行預(yù)測(cè)，本文在考慮季節(jié)對(duì)光伏發(fā)電功率影響的前提下，把全年數(shù)據(jù)按季節(jié)特性進(jìn)行分區(qū)，以光照強(qiáng)度和環(huán)境溫度作為輸入，分季節(jié)搭建多SVR光伏發(fā)電功率模型。以天氣預(yù)報(bào)預(yù)測(cè)的逐時(shí)環(huán)境溫度和天氣情況相近的往年光照強(qiáng)度平均值作為參數(shù)對(duì)未來(lái)一天的光伏發(fā)電功率按小時(shí)進(jìn)行預(yù)測(cè)。試驗(yàn)表明，本文提出的方法可以達(dá)到理想的預(yù)測(cè)精度。

1 影響光伏發(fā)電的因素

光伏發(fā)電功率主要依賴于氣象、環(huán)境條件等外界不可控因素，光照強(qiáng)度、環(huán)境溫度和太陽(yáng)能面板性能等都將對(duì)光伏系統(tǒng)輸出功率產(chǎn)生影響[7]。在硬件條件確定的情況下，若光照強(qiáng)度與環(huán)境溫度已知，則光伏發(fā)電功率基本可以確定。由文獻(xiàn)[8]可知：

Pout(t)=R(t)Aη{1-0.005[T(t)+25]}

(1)

式中：R(t)為光照強(qiáng)度,kW/m2；A為光伏組件面積,m2；η為光伏電源轉(zhuǎn)換效率,%；T(t)為環(huán)境溫度,℃；Pout為光伏發(fā)電功率,kW。

對(duì)某地區(qū)一個(gè)正常運(yùn)行的光伏系統(tǒng)而言，光伏組件面積A為常量。光伏電源轉(zhuǎn)換效率η與光伏板壽命存在一定關(guān)聯(lián)，但在正常使用周期內(nèi)變化非常小，通常當(dāng)作常量。因此，光照強(qiáng)度R(t)與環(huán)境溫度T(t)的變化是引起光伏系統(tǒng)發(fā)電功率變化的主要因素。

對(duì)于在某一地區(qū)固定安裝的光伏陣列，季節(jié)不同時(shí)，光伏面板上獲得的光輻照度總量不同，因此光伏發(fā)電功率也不同。圖1為某光伏發(fā)電站于不同月份中某一天的發(fā)電功率[9]。

圖1 2012年不同月份某一天光伏發(fā)電功率對(duì)比

由圖1可知，同一光伏發(fā)電站不同月份的發(fā)電情況存在差異。3月與12月較為相似，但12月發(fā)電時(shí)間更久。5月光伏發(fā)電功率最低。由此可見，季節(jié)因素對(duì)光伏發(fā)電功率預(yù)測(cè)存在一定影響。

2 基于季節(jié)分區(qū)的光伏發(fā)電功率預(yù)測(cè)

2.1 光伏發(fā)電功率的Adaboost-SVR建模

SVR算法能較有效地解決高維回歸問(wèn)題，且計(jì)算復(fù)雜度低。SVR模型在對(duì)小樣本進(jìn)行擬合時(shí)能產(chǎn)生較好的效果，但當(dāng)訓(xùn)練樣本規(guī)模擴(kuò)大時(shí)，SVR模型的預(yù)測(cè)精度和收斂能力會(huì)下降。因此，引入Adaboost算法，通過(guò)對(duì)多個(gè)SVR模型訓(xùn)練得到的判決函數(shù)進(jìn)行加權(quán)組合從而提高預(yù)測(cè)精度。采用Adaboost-SVR算法，以光照強(qiáng)度R(t)和環(huán)境溫度T(t)作為輸入量建立光伏發(fā)電功率模型。

設(shè)SVR函數(shù)模型為

ft(x)=wTφ(x)+b

(2)

式中：ft(x)為第t個(gè)基學(xué)習(xí)器的光伏發(fā)電功率預(yù)測(cè)值；φ(x)為核函數(shù)；w為權(quán)值向量；b為偏置量。權(quán)值向量w和偏置量b可以通過(guò)式(3)求得。

(3)

2.2 基于季節(jié)分區(qū)的Adaboost-SVR模型光伏發(fā)電功率預(yù)測(cè)

光伏發(fā)電功率預(yù)測(cè)的傳統(tǒng)方法是將所有往年歷史數(shù)據(jù)作為一個(gè)樣本集對(duì)模型進(jìn)行訓(xùn)練，隨后對(duì)未來(lái)一段時(shí)間的光伏發(fā)電功率進(jìn)行預(yù)測(cè)。該方法沒(méi)有考慮到氣候條件隨著季節(jié)變化而產(chǎn)生的明顯變化，對(duì)于一年之中氣候條件變化較大的地區(qū)，全年均使用同一個(gè)模型易產(chǎn)生較大的預(yù)測(cè)誤差。為避免該問(wèn)題，將全年數(shù)據(jù)按季節(jié)分為四季。由于樣本數(shù)據(jù)量越大預(yù)測(cè)精度相對(duì)越高且氣候因素具有一定的時(shí)延性，因此在進(jìn)行季節(jié)分區(qū)時(shí)可以將訓(xùn)練集進(jìn)行擴(kuò)充，適當(dāng)提前或延后半個(gè)月劃為同一季節(jié)。

由于光伏發(fā)電功率輸出數(shù)據(jù)數(shù)量級(jí)變化大，對(duì)原始數(shù)據(jù)直接進(jìn)行訓(xùn)練容易導(dǎo)致基學(xué)習(xí)器SVR產(chǎn)生過(guò)飽和。因此，對(duì)光伏發(fā)電功率輸出數(shù)據(jù)進(jìn)行歸一化處理，以提高模型訓(xùn)練、收斂速度。

(4)

式中：P*為歸一化處理后的光伏發(fā)電功率；P為原始數(shù)據(jù);Pmax為樣本最大值;Pmin為樣本最小值。

對(duì)Adaboost算法而言，基學(xué)習(xí)器數(shù)量t越大，訓(xùn)練誤差會(huì)逐漸減小最終趨于穩(wěn)定，預(yù)測(cè)速度會(huì)降低。以某光伏發(fā)電站春季監(jiān)測(cè)記錄數(shù)據(jù)進(jìn)行訓(xùn)練，不同基學(xué)習(xí)器數(shù)量的誤差曲線如圖2所示。為在確保一定預(yù)測(cè)精度的同時(shí)減少模型訓(xùn)練時(shí)間，基學(xué)習(xí)器數(shù)量t選為200。

圖2 不同數(shù)量基學(xué)習(xí)器訓(xùn)練誤差曲線

目前天氣預(yù)報(bào)難以預(yù)測(cè)光照強(qiáng)度，但可以較為準(zhǔn)確地預(yù)測(cè)出環(huán)境溫度及天氣情況。因此在對(duì)光伏發(fā)電功率進(jìn)行預(yù)測(cè)時(shí)，采用天氣預(yù)報(bào)預(yù)測(cè)的環(huán)境溫度與相應(yīng)天氣情況的歷史光照強(qiáng)度的均值作為輸入對(duì)光伏發(fā)電功率進(jìn)行預(yù)測(cè)。

實(shí)際預(yù)測(cè)時(shí)，根據(jù)預(yù)測(cè)日所處的季節(jié)，選擇相應(yīng)的訓(xùn)練集對(duì)模型進(jìn)行訓(xùn)練，通過(guò)天氣預(yù)報(bào)獲取未來(lái)一天的天氣情況及其每小時(shí)環(huán)境溫度的變化。以該日歷年相同天氣情況下的光照強(qiáng)度均值與天氣預(yù)報(bào)獲取的每小時(shí)環(huán)境溫度作為輸入對(duì)光伏發(fā)電功率進(jìn)行預(yù)測(cè)，如圖3所示。

圖3 光伏發(fā)電功率預(yù)測(cè)流程圖

3 試驗(yàn)分析

采用均方誤差(MSE)對(duì)預(yù)測(cè)結(jié)果進(jìn)行評(píng)估：

(5)

試驗(yàn)數(shù)據(jù)為某光伏發(fā)電站的歷年監(jiān)測(cè)記錄數(shù)據(jù)集。取2012年至2014年的春季數(shù)據(jù)作為訓(xùn)練集建立模型，對(duì)2015年春季其中一天的光伏發(fā)電功率進(jìn)行預(yù)測(cè)，結(jié)果如圖4所示。

圖4 不同核函數(shù)預(yù)測(cè)結(jié)果

圖4的預(yù)測(cè)結(jié)果中高斯核函數(shù)和線性核函數(shù)預(yù)測(cè)結(jié)果的均方誤差分別為1.818%和0.392%。

由圖4可知，采用線性核函數(shù)的預(yù)測(cè)曲線更為平滑，能較好地預(yù)測(cè)出光伏發(fā)電功率的變化趨勢(shì)。由式(1)可知，當(dāng)環(huán)境溫度波動(dòng)微小時(shí)，光伏發(fā)電功率與光照強(qiáng)度近似呈線性關(guān)系。因此，選取線性核函數(shù)為基學(xué)習(xí)器SVR的核函數(shù)。

圖5為上述數(shù)據(jù)分別采用單SVR預(yù)測(cè)方法與Adaboost多SVR預(yù)測(cè)方法的預(yù)測(cè)結(jié)果對(duì)比。

圖5 SVR模型與Adaboost-SVR模型結(jié)果對(duì)比

SVR模型和Adaboost-SVR模型的預(yù)測(cè)結(jié)果均方誤差分別為2.250%和0.449%。由圖5可知，Adaboost-SVR模型的預(yù)測(cè)精度相較于單個(gè)SVR模型有了較高的提升。

為了驗(yàn)證本文預(yù)測(cè)方法的有效性，使用某光伏發(fā)電站2012年至2014年三年的測(cè)量數(shù)據(jù)作為訓(xùn)練集建立模型，對(duì)2015年四季中某一天全天的光伏發(fā)電功率進(jìn)行預(yù)測(cè)。由于該光伏電站位于南半球，根據(jù)其所處的當(dāng)?shù)貧夂驐l件，將9月至11月劃分為春季，12月至2月為夏季，3月至5月為秋季，6月至8月為冬季。由于天氣預(yù)報(bào)可以提前24 小時(shí)預(yù)報(bào)天氣情況并對(duì)環(huán)境溫度進(jìn)行逐時(shí)預(yù)報(bào)，但不能提前預(yù)報(bào)光照強(qiáng)度，以2015年的實(shí)際環(huán)境溫度測(cè)量值作為環(huán)境溫度輸入量，以該天3年歷史記錄中天氣情況相近的光照強(qiáng)度平均值作為光照強(qiáng)度輸入量。圖6為本文方法的預(yù)測(cè)結(jié)果。

春、夏、秋、冬四季某一天光伏發(fā)電功率預(yù)測(cè)的均方誤差分別為0.674%、0.780%、1.511%和0.635%。

由圖6可知，本文方法可以較為準(zhǔn)確地預(yù)測(cè)出光伏發(fā)電功率的變化趨勢(shì)。當(dāng)預(yù)測(cè)日天氣情況為晴時(shí)，預(yù)測(cè)日光照強(qiáng)度與歷史光照強(qiáng)度相似，預(yù)測(cè)精度高；當(dāng)天氣情況為陰或雨時(shí)，預(yù)測(cè)精度有所降低，主要是受到云朵遮擋，導(dǎo)致光照強(qiáng)度產(chǎn)生較大波動(dòng)，進(jìn)而引起光伏發(fā)電功率的波動(dòng)。

將上述試驗(yàn)所選數(shù)據(jù)代入式(1)，圖7為式(1)的預(yù)測(cè)結(jié)果。

春、夏、秋、冬四季某一天光伏發(fā)電功率預(yù)測(cè)的均方誤差分別為1.376%、1.526%、1.605%和1.050%。通過(guò)對(duì)比可知本文方法能夠更準(zhǔn)確地預(yù)測(cè)光伏發(fā)電功率的變化趨勢(shì)，預(yù)測(cè)精度更高。

4 結(jié)束語(yǔ)

光伏發(fā)電功率的預(yù)測(cè)對(duì)維持電力系統(tǒng)穩(wěn)定運(yùn)行起著關(guān)鍵作用。本文針對(duì)季節(jié)對(duì)光伏發(fā)電功率的影響，將實(shí)測(cè)數(shù)據(jù)按季節(jié)特性進(jìn)行分區(qū)，提出一種基于季節(jié)分區(qū)的光伏發(fā)電功率多SVR預(yù)測(cè)方法。通過(guò)將歷史數(shù)據(jù)按照季節(jié)分區(qū)來(lái)搭建四季光伏發(fā)電功率模型。利用天氣預(yù)報(bào)獲得預(yù)測(cè)日每小時(shí)的環(huán)境溫度，選取天氣情況相近的該天歷史光照強(qiáng)度的平均值，將這兩項(xiàng)作為模型的輸入?yún)?shù)對(duì)光伏發(fā)電功率進(jìn)行預(yù)測(cè)。最后通過(guò)試驗(yàn)對(duì)比證明了該方法可以有效地預(yù)測(cè)出光伏發(fā)電功率的變化趨勢(shì)，得到理想的預(yù)測(cè)精度。

圖6 預(yù)測(cè)結(jié)果

圖7 式(1)預(yù)測(cè)結(jié)果