鄒夢麗，吳 憲，郭 續(xù)

（塔里木大學機械電氣化工程學院，新疆 阿拉爾843300）

分布式光伏發(fā)電系統(tǒng)功率是根據(jù)負荷實時變化的，具有一定的動態(tài)特性，且光伏發(fā)電容易受地理位置、氣象條件、太陽總輻射等環(huán)境的影響。由于整個發(fā)電系統(tǒng)存在周期性、間歇性、隨機性和波動性等，都會對分布式光伏發(fā)電系統(tǒng)動態(tài)功率預測造成影響。當光伏發(fā)電系統(tǒng)發(fā)出的電進行并入電網(wǎng)時，會對大電網(wǎng)造成波動。電力調(diào)度部門需要對這種波動進行調(diào)整，減少對整個電網(wǎng)的影響。因此，研究分布式光伏發(fā)電系統(tǒng)動態(tài)功率來預測生產(chǎn)生活中的實際發(fā)電量具有很重要的意義。本文主要研究分布式光伏發(fā)電系統(tǒng)動態(tài)功率在新疆地區(qū)，特別是在環(huán)塔里木河流域塔克拉瑪干沙漠邊緣的南疆地區(qū)，以阿拉爾光伏電站為測試對象。通過研究分布式光伏發(fā)電系統(tǒng)所具有的特點，將阿拉爾積累的長期發(fā)電量和氣象環(huán)境的條件等數(shù)據(jù)收集提取出來。對所有的有效數(shù)據(jù)進行標準化處理，在處理數(shù)據(jù)方面，首先要剔除不良數(shù)據(jù)，分析并篩選有效的歷史數(shù)據(jù)，利用優(yōu)化后的數(shù)據(jù)進行統(tǒng)計分析。以年動態(tài)發(fā)電量為中心構建灰色預測模型，預測下一年的發(fā)電量；以歷年的數(shù)據(jù)作為訓練神經(jīng)網(wǎng)絡模型。兩種模型通過實測數(shù)據(jù)進行預測，最后選較優(yōu)模型。

1 光伏發(fā)電系統(tǒng)動態(tài)預測模型的研究

1.1 灰色預測模型

1.1.1 灰色預測模型的定義

灰色預測的定義是根據(jù)系統(tǒng)行為中具有的特征值發(fā)展變化而對未來的數(shù)據(jù)進行的預測。通過已知的數(shù)據(jù)分析運算，尋找內(nèi)在關聯(lián)以及發(fā)展變化的趨勢，對未來不確定的數(shù)據(jù)進行預測?；疑A測本質(zhì)是指根據(jù)在一定范圍內(nèi)變化的數(shù)據(jù)或者時間序列有關變量存在不確定的過程進行預測。

灰色預測模型通過分析整個系統(tǒng)中影響因素之間相關性和趨向趨勢進行關聯(lián)分析。采取對原始數(shù)據(jù)分析處理來尋找這個系統(tǒng)數(shù)據(jù)變化的內(nèi)在規(guī)律性，導出并生成有較強規(guī)律性的數(shù)據(jù)序列，繪制圖像以及建立相適應的微分方程模型，從而預測數(shù)據(jù)未來發(fā)展趨勢。

針對預測類的問題，普遍采用灰色預測模型進行預測。這個模型相較其他模型來說，基于一定范圍的的時間序列的數(shù)據(jù)變化。研究按時間累加后關于數(shù)列變量的波動，建立GM（1.1）模型。一般采用一階線性微分方程的解來預測數(shù)據(jù)的結果。

1.1.2 GM（1.1）模型

GM 的微分方程為：

式（1）中：x（1）為經(jīng)過一次累加生成的數(shù)列；t 為時間；a為發(fā)展灰度；u 為內(nèi)生控制灰數(shù)。

建立一次累加生成數(shù)列，設原始數(shù)列為x（1）={x（0）（1），x（0）（2），x（0）（3），…，x（0）（n）}，i=1，2，…，n。

按照以下方式進行累加計算，重新生成數(shù)列，n 為樣本空間：

利用最小二乘法求參數(shù)a，u：

參數(shù)辨識：

求出GM（1.1）的模型：

對模型精度的檢驗，計算原始數(shù)列x（0）（i）的均方差S0：

計算殘差數(shù)列的均方差S1：

計算方差比c：

計算小誤差概率：

模型精度等級如表1 所示。

表1 模型精度等級

1.1.3 灰色預測的結果

灰色預測2017年一期項目發(fā)電量如圖1 所示。

圖1 灰色預測2017年一期項目發(fā)電量

從圖1 中可以看出，由于2014年的數(shù)據(jù)與歷年數(shù)據(jù)出現(xiàn)了較大差值，對預測結果造成嚴重影響，在2017年將達到4 821.518 6 萬kW·h。遠遠超過了阿拉爾光伏電站的實際的發(fā)電量，脫離了實際的生產(chǎn)生活。因此本文將2014年的數(shù)據(jù)進行修正，從而達到在一般光照資源條件下的準確預測。

灰色預測如表2 所示。

表2 灰色預測表

為了對2014年的數(shù)據(jù)進行修正，通過提取2015年和2016年兩年的相關數(shù)據(jù)，對每個月數(shù)據(jù)分析，剔除不良數(shù)據(jù)，篩選具有一般性質(zhì)的數(shù)據(jù)，得出2015年和2016年的平均年發(fā)電量。同理，計算2013年和2015年的相關數(shù)據(jù)，對每個月數(shù)據(jù)進行分析，剔除不良數(shù)據(jù)，篩選代表性數(shù)據(jù)，得出2013年和2015年的平均年發(fā)電量；再將平均平均年發(fā)電量匯總分析，得出2014年的虛擬年發(fā)電量為3 893.74萬kW·h，來替換3 058.88 萬kW·h。通過數(shù)據(jù)分析得出的新結果進一步代入灰色預測模型中，對2017年阿拉爾光伏電站一期項目的發(fā)電量實現(xiàn)預測。

1.1.4 灰色預測的修正

灰色預測2017年一期項目發(fā)電量圖（處理后）如圖2所示。

圖2 灰色預測2017年一期項目發(fā)電量圖（處理后）

本文將重點研究阿拉爾光伏電站一期項目，通過選取2013年、2014年（修正后）、2015年、2016年的年發(fā)電量，預測2017年的發(fā)電量。阿拉爾光伏電站的數(shù)據(jù)分析可知多年平均發(fā)電量為4 140.7 萬kW·h，根據(jù)灰色預測模型可以得出預測值為4 191.231 9 萬kW·h?；疑A測（處理后）如表3 所示。

表3 灰色預測表（處理后）

阿拉爾光伏電站一期項目的發(fā)電量數(shù)據(jù)顯示，全年發(fā)電量為4 219.21 萬kW·h，預測值與實際生產(chǎn)生活的數(shù)值較為接近，屬于可接受范圍內(nèi)。

1.2 PB 神經(jīng)網(wǎng)絡模型

BP 神經(jīng)網(wǎng)絡算法是一種按照誤差進行反向傳播并建立的前反饋網(wǎng)絡特性的算法，適用于多輸入、多輸出的模型。本算法依靠已有的歷史數(shù)據(jù)，通過輸入和輸出數(shù)據(jù)之間的映射關系進行學習，尋找數(shù)據(jù)與數(shù)據(jù)之間的關聯(lián)，將數(shù)據(jù)的特性抽象化/模擬化，形成一種網(wǎng)絡算法?？梢詫P 神經(jīng)網(wǎng)絡劃分為輸入層、隱含層、輸出層。

輸入層是調(diào)取數(shù)據(jù)的輸入模型，既能研究單一變量的影響，也可以研究多個變量的影響。

隱含層采用的是激活函數(shù)，不同的函數(shù)會對輸入和輸出產(chǎn)生影響?；疑窠?jīng)網(wǎng)絡結構如圖3 所示。

圖3 灰神經(jīng)網(wǎng)絡結構圖

1.2.1 BP 神經(jīng)網(wǎng)絡算法流程

BP 神經(jīng)網(wǎng)絡算法流程如下：①提取歷史對應的數(shù)據(jù)，然后用編程調(diào)取函數(shù)對數(shù)據(jù)進行預處理，即數(shù)據(jù)歸一化。②使用適當?shù)暮瘮?shù)建立神經(jīng)網(wǎng)絡，確定輸入層參數(shù)、輸出層參數(shù)和隱含層節(jié)點數(shù)。③利用數(shù)據(jù)訓練網(wǎng)絡。首先設置參數(shù)，設置最大訓練次數(shù)、中間結果間隔次數(shù)、學習率、訓練的目標誤差。在訓練過程中，不斷地對設置的參數(shù)進行修改，以求達到最優(yōu)的效果。④使用網(wǎng)絡。應用訓練網(wǎng)絡，對2017年12 個月份的發(fā)電量進行預測，并且得到模型預測值。

1.2.2 BP 神經(jīng)訓練過程

BP 神經(jīng)訓練過程如下：①確定BP 網(wǎng)絡的層數(shù)，網(wǎng)絡層數(shù)的增加或者減少都會影響模型的精度，同時會影響訓練的時間和網(wǎng)絡的復雜程度，經(jīng)過各個方面的綜合考慮來確定網(wǎng)絡層數(shù)，一般情況下會選擇三層網(wǎng)絡結構。②確定隱含層的神經(jīng)元的個數(shù)，神經(jīng)元的個數(shù)也影響網(wǎng)絡的復雜程度。根據(jù)不同的喚醒下，先給定一個值，在訓練的過程中再進一步改進，通過對不分析選出最合適的數(shù)目。③網(wǎng)絡初始化運算，將神經(jīng)網(wǎng)絡權值和閾值賦值。在設定權值和閾值時注意，數(shù)值選取適中?？梢韵阮A設值，再不斷改變參數(shù)，達到最佳狀態(tài)。 -通常情況下，初始權值閾值多在（ 1，1）區(qū)間選擇，在這個范圍區(qū)間內(nèi)保證每個神經(jīng)元的權值都可以在激活函數(shù)變化最大處調(diào)節(jié)。④確定學習的速度，學習的速度應該保持相對穩(wěn)定，速度過大或者過小都會產(chǎn)生影響。⑤確定神經(jīng)網(wǎng)絡的輸入量和輸出量。從而根據(jù)出輸入和輸出計算隱含層的輸入輸出量，得到預測值。⑥由BP 神經(jīng)網(wǎng)絡的誤差反向傳播特性，將誤差進行反向傳播，并修正權值。⑦選取新的訓練數(shù)據(jù)集，繼續(xù)重復以上步驟，直到誤差降低到要求范圍內(nèi)或者學習次數(shù)達到要求值，則訓練結束。

1.2.3 BP 神經(jīng)網(wǎng)絡的參數(shù)確定

本文將設置輸入層為3 個，分別選取2013年、2014年和2015年每年的12 個月份作為作為原始數(shù)據(jù)的影響因素，構建數(shù)列，進行歸一化處理。將2016年12 個月份的數(shù)據(jù)作為3 個影響因素的結果。設置輸出層為1 個，即預測2017年的12 個月的數(shù)值。

在選取隱含層的節(jié)點時，需要同時了考慮輸入層的參數(shù)和輸出層的參數(shù)。層數(shù)參數(shù)如表4 所示。

表4 層數(shù)參數(shù)表

經(jīng)過代入計算，確定l 為8 個：

訓練參數(shù)表如表5 所示。

表5 訓練參數(shù)表

采用logsig 函數(shù)神經(jīng)元的輸入（范圍是整個實數(shù)集）映射到區(qū)間（- 1，1）。

2017年一期項目全年預測和實際發(fā)電量圖如圖4 所示。

圖4 2017年一期項目全年預測和實際發(fā)電量圖

根據(jù)2013—2016年的實際發(fā)電量訓練好的的BP 神經(jīng)網(wǎng)絡，以2017年的氣象條件，尤其是綜合光照資源的數(shù)值代入訓練好的模型中預測2017年的每月發(fā)電數(shù)據(jù)，得到BP神經(jīng)網(wǎng)絡的預測值為4 200.34 萬kW·h。據(jù)2017年阿拉爾光伏電站一期項目的發(fā)電量數(shù)據(jù)顯示，全年發(fā)電量為4 219.21 萬kW·h，預測值與實際生產(chǎn)生活的數(shù)值較為接近，處于可接受范圍內(nèi)。

2 模型對比分析

本文分別建立灰色預測和BP 神經(jīng)網(wǎng)絡模型，對于兩個模型的結果都進行了預測。其預測值與光伏電站2017年實際數(shù)據(jù)發(fā)電量如表6 所示。

表6 預測值與實際值對比表

分析比對兩者的優(yōu)勢和不足。在模型的理論分析和實際的數(shù)據(jù)預測中得出結論：BP 神經(jīng)網(wǎng)絡雖然具有優(yōu)勢，但是易受參數(shù)的波動，其隱含層中的參數(shù)需要多次調(diào)試，如果出現(xiàn)問題，將對整個模型造成影響，降低預測精度?；疑A測簡單可靠，但是針對數(shù)據(jù)需要進一步處理，如果出現(xiàn)不良的數(shù)據(jù)會對預測產(chǎn)生較大誤差，在實際的預測中，需要篩選數(shù)據(jù)，剔除不良的數(shù)據(jù)，使模型預測更加準確。

3 結論

光伏發(fā)電作為一種清潔能源，在代替?zhèn)鹘y(tǒng)用電的過程中發(fā)揮著重要作用，加強光伏功率的預測對電網(wǎng)安全運行具有重要意義。本文通過基于南疆某光伏電站的真實數(shù)據(jù)，建立灰色預測模型和BP 神經(jīng)網(wǎng)絡。通過對比分析，結果表明兩種模型中BP 神經(jīng)網(wǎng)絡具有較好動態(tài)光伏發(fā)電功率的準確性。另外需要指出的是BP 算法是在梯度下降原理的基礎上提出的，它的主要缺陷在于收斂耗時長、容易出現(xiàn)局部最優(yōu)解、嚴重依賴于初始權值等。下一步將重點研究將神經(jīng)網(wǎng)絡與其他算法組合起來，比如粒子群算法、蟻群算法等，它們在優(yōu)化神經(jīng)網(wǎng)絡方面比BP 算法效果會更好。