杜 昕，李貴紅，李 祥，王 佳

（蘭州職業(yè)技術(shù)學(xué)院，甘肅 蘭州 730070）

0 引言

光伏充氣膜溫室發(fā)電是農(nóng)業(yè)實(shí)現(xiàn)電氣化、智能化、綠色化的重要途徑之一。但是其系統(tǒng)輸出功率由于受太陽輻射強(qiáng)度、天氣、電池組件溫度以及一些隨機(jī)因素的影響而具有波動(dòng)性大、隨機(jī)性強(qiáng)和不可控等缺陷，特別是在突變天氣中表現(xiàn)得尤為突出。因此，這種發(fā)電方式在接入溫室后必然會(huì)對(duì)溫室機(jī)電設(shè)備的安全性和穩(wěn)定性造成沖擊，這成為光伏充氣膜溫室發(fā)電廣泛應(yīng)用的阻礙因素之一[1-2]。因而，提高充氣膜溫室發(fā)電系統(tǒng)功率預(yù)測的精確度尤為重要，對(duì)充氣膜溫室的經(jīng)濟(jì)、安全、穩(wěn)定運(yùn)行及維護(hù)具有重大意義，也為其合理調(diào)度用電提供依據(jù)。

光伏充氣膜溫室發(fā)電系統(tǒng)短期功率預(yù)測，文獻(xiàn)[3-4]先對(duì)太陽光的照射強(qiáng)度進(jìn)行預(yù)測，然后借助計(jì)算模型或者神經(jīng)網(wǎng)絡(luò)并考慮其他因素進(jìn)行預(yù)測；文獻(xiàn)[5-6]利用BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等建立了預(yù)測模型。但是以上預(yù)測方法，在早、晚以及突變天氣狀態(tài)下，普遍存在預(yù)測誤差較大等缺點(diǎn)。

本研究針對(duì)光伏充氣膜溫室發(fā)電系統(tǒng)短期功率預(yù)測，將集合經(jīng)驗(yàn)?zāi)B(tài)分解（EEMD）與支持向量機(jī)（SVM）相結(jié)合，提出了一種EEMD-SVM組合預(yù)測法。先根據(jù)氣象條件將天氣分為晴天、多云等5種類型，隨后將歷史輸出功率根據(jù)天氣類型進(jìn)行歸類并篩選出和待測日氣象條件相似日期的數(shù)據(jù)作為歷史數(shù)據(jù)，利用EEMD將歷史數(shù)據(jù)分解成不同頻率的平穩(wěn)固有模態(tài)分量（IMF），最后利用SVM分別建立模型并進(jìn)行預(yù)測。

1 EEMD和SVM

1.1 EEMD

EEMD分析法是2005年Wu等[7]人為消除經(jīng)驗(yàn)?zāi)B(tài)分解法（EMD）中模態(tài)混疊現(xiàn)象而提出的一種能夠自適應(yīng)地對(duì)非平穩(wěn)復(fù)雜信號(hào)進(jìn)行處理的噪聲輔助分析法，主要是在原信號(hào)序列中多次加入不同幅值但頻譜均勻分布的白噪聲，進(jìn)行EMD分解，最終得到的固有模態(tài)函數(shù)分量（IMF）保持了物理上的特性，從而消除了模態(tài)混疊，具體分解步驟如下。

1）初始化M、k、i，并令i=1。M為EMD分解的總體平均次數(shù)，k為在原信號(hào)序列中加入的白噪聲幅值系數(shù)，i為迭代次數(shù)。

2）進(jìn)行第i次EMD分解，按照如下步驟進(jìn)行。

①將高斯白噪聲ni（t）加到原信號(hào)序列X（t）中，得到第i個(gè)新的發(fā)電系統(tǒng)功率序列：

式（1）中，ni（t）為高斯白噪聲、X（t）為歷史光伏發(fā)電系統(tǒng)功率序列。

②按照EMD的分解步驟對(duì)加噪后新的光伏發(fā)電系統(tǒng)功率序列進(jìn)行分解，獲得J個(gè)IMF分量Ci,j（t）和一個(gè)殘差分量ri,J（t），即：

式（2）中，J為EMD分解獲得的IMF分量總數(shù)，Ci,j（t）表示第i次分解得到的第j（j=1,2,3…,J）個(gè)IMF分量，ri,J（t）為殘差分量。

③將不同幅值的白噪聲序列加入到歷史發(fā)電功率序列中，重復(fù)執(zhí)行①、②步驟，直到進(jìn)行M次為止。

以上步驟中，M和k是兩個(gè)非常重要的參數(shù)，極大地影響著預(yù)測的精度，目前并沒有任何可以參考的公式，結(jié)合經(jīng)驗(yàn)數(shù)據(jù)建議，M取100，k取0.2。

1.2 SVM

SVM是一種根據(jù)結(jié)構(gòu)最小化原則（SRM）和VC維概念建立的適合小樣本、非線性、高維數(shù)等分類情況的模式識(shí)別方法。將其用于光伏發(fā)電功率預(yù)測模型時(shí)，先將原樣本空間映射到一個(gè)高維空間ψ中，通過線性回歸的方法進(jìn)行分析，獲得回歸函數(shù)如下：

式（7）中，σ為核寬度。

2 EEMD-SVM預(yù)測模型

2.1 影響因素分析

如圖1所示，光伏充氣膜溫室發(fā)電系統(tǒng)輸出功率受到光伏陣列、光伏設(shè)備等本身相關(guān)因素的影響，也受到天氣、所處地理位置以及系統(tǒng)運(yùn)行時(shí)間的影響。

圖1 影響光伏充氣膜溫室發(fā)電系統(tǒng)輸出功率的因素Fig.1 Factors affecting the output power of power generation system on inflatable membrane greenhouse attached photovoltaic

對(duì)于確定的發(fā)電系統(tǒng)來說，其歷史數(shù)據(jù)中本身就包含了地理位置、光伏陣列的安裝角度和方式、逆變器等光伏充氣膜溫室發(fā)電系統(tǒng)本身的相關(guān)信息。天氣因素中，主要用到日最高、最低溫度、日期等數(shù)據(jù)。由于天氣變化對(duì)光伏充氣膜溫室發(fā)電系統(tǒng)輸出功率影響很大，因此，本預(yù)測模型的基本思路是將天氣分為晴天、多云、陰天、雨（雪）天以及突變天氣等5種類型并分別建立預(yù)測模型[8-15]。

2.2 模型設(shè)計(jì)

分別選取上述5種類型的天氣各80 d，其中將前70 d的發(fā)電功率數(shù)據(jù)作為訓(xùn)練樣本，后10 d的作為測試樣本，以建立陰天每天6：00到20：00時(shí)間段功率預(yù)測模型為例，每隔12 min進(jìn)行一次數(shù)據(jù)采集，可得到71個(gè)數(shù)據(jù)點(diǎn)。在采集到的70 d、每天14 h、共4 970個(gè)歷史發(fā)電功率原始數(shù)據(jù)序列中添加50組、幅值為0.2的白噪聲，然后，運(yùn)用EEMD方法自適應(yīng)地將加噪后新的原始數(shù)據(jù)序列分解成如圖2所示的5個(gè)不同尺度的IMF分量和一個(gè)殘差分量。其中，第一行為原始數(shù)據(jù)序列，第二行至第七行分別為IMF1～I(xiàn)MF5分量和殘差分量，反映了輸出功率的波動(dòng)特征，由圖2可以看出，其波動(dòng)性相對(duì)于原始數(shù)據(jù)序列更為平穩(wěn)。最后，對(duì)分解得到的不同尺度的IMF分量加入不同的氣象數(shù)據(jù)（包括預(yù)測日前1 d的輸出功率，最高、最低溫度以及預(yù)測日的最高、最低溫度）作為支持向量機(jī)的預(yù)測條件，最后輸出預(yù)測的當(dāng)天發(fā)電功率。本研究中，對(duì)于波動(dòng)較大的IMF1～I(xiàn)MF4分量，利用高斯核函數(shù)建立模型進(jìn)行預(yù)測，如式（7）所示，而波動(dòng)較小的IMF5分量，則采用線性核函數(shù)建立模型，如式（6）所示。

圖2 光伏充氣膜溫室發(fā)電系統(tǒng)輸出功率EEMD分解結(jié)果Fig.2 EEMD results of the output power of power generation system on inflatable Membrane greenhouse attached photovoltaic

3 結(jié)果分析

為了驗(yàn)證所述的EEMD-SVM光伏充氣膜溫室發(fā)電系統(tǒng)功率預(yù)測模型的有效性，采用Matlab編程建立了晴天、多云、陰天、雨（雪）天、突變天氣等五種天氣狀況下的預(yù)測模型，并進(jìn)行了預(yù)測。其歷史數(shù)據(jù)來源于某1 GW光伏充氣膜溫室發(fā)電系統(tǒng)2016年到2019年采樣的功率，相關(guān)氣象數(shù)據(jù)來源于項(xiàng)目組的實(shí)際采集。本研究選用2020年5種不同天氣狀況下的天氣作為待測日，按照預(yù)測步驟，預(yù)測待測日的發(fā)電系統(tǒng)輸出功率，然后利用如式（8）所示的均方根誤差（RMSE）和如式（9）所示的歸一化平均相對(duì)誤差（MRE），兩種評(píng)價(jià)指標(biāo)來對(duì)預(yù)測模型的預(yù)測效果進(jìn)行評(píng)價(jià)，結(jié)果如表1、表2、表3、表4、表5所示。

表1 晴天光伏充氣膜溫室發(fā)電系統(tǒng)輸出功率預(yù)測誤差統(tǒng)計(jì)Tab.1 Forecasting error statistics of the output power of power generation system on inflatable membrane greenhouse attached photovoltaic in sunny days

表2 多云天氣光伏充氣膜溫室發(fā)電系統(tǒng)輸出功率預(yù)測誤差統(tǒng)計(jì)Tab.2 Forecasting error statistics of the output power of power generation system on inflatable membrane greenhouse attached photovoltaic in cloudy days

表3 陰天光伏充氣膜溫室發(fā)電系統(tǒng)輸出功率預(yù)測誤差統(tǒng)計(jì)Tab.3 Forecasting error statistics of the output power of power generation system on inflatable membrane greenhouse attached photovoltaic in overcast days

表4 雨（雪）天光伏充氣膜溫室發(fā)電系統(tǒng)輸出功率預(yù)測誤差統(tǒng)計(jì)Tab.4 Forecasting error statistics of the output power of power generation system on inflatable membrane greenhouse attached photovoltaic in rain(snowy)days

表5 突變天氣光伏充氣膜溫室發(fā)電系統(tǒng)輸出功率預(yù)測誤差統(tǒng)計(jì)Tab.5 Forecasting error statistics of the output power of power generation system on inflatable membrane greenhouse attached photovoltaic in abnormal days

式中，pz為裝機(jī)總?cè)萘浚琍f為待測值，Pt待測日功率真實(shí)值，N為預(yù)測樣本數(shù)。

由表1～表5可知，本研究所述的EEMD-SVM光伏充氣膜溫室發(fā)電功率預(yù)測法，其相對(duì)誤差和均方根誤差，都小于SVM和BP神經(jīng)網(wǎng)絡(luò)等單一預(yù)測法，也小于小波-LSSVM預(yù)測法。綜上所述，本研究提出的EEMD-SVM預(yù)測法，可以較好地對(duì)平穩(wěn)或者突變天氣的光伏充氣膜溫室發(fā)電功率進(jìn)行預(yù)測，且預(yù)測誤差小，精度高。

4 結(jié)論

影響光伏充氣膜溫室發(fā)電系統(tǒng)功率的因素眾多，尤其是當(dāng)天的天氣類型以及最高、最低氣溫，直接影響著發(fā)電功率。本課題先將天氣狀況進(jìn)行分類，然后將發(fā)電系統(tǒng)每天相同時(shí)刻的功率，進(jìn)行EEMD分解，隨后將分解得到的IMF分量，分別用不同的支持向量機(jī)建模，并加入對(duì)應(yīng)的天氣信息進(jìn)行預(yù)測，其預(yù)測結(jié)果和SVM、BP神經(jīng)網(wǎng)絡(luò)法以及小波-LSSVM預(yù)測法相比，其預(yù)測精度得到了顯著的提高。因而，本研究提出的預(yù)測法，對(duì)于大規(guī)模光伏充氣膜溫室發(fā)電的應(yīng)用及電力調(diào)度具有較好的參考意義和應(yīng)用價(jià)值。