楊德州 ，尹立夫 ，王洲 ，劉永成 ，王慧娟

(1.國網(wǎng)甘肅省電力公司經(jīng)濟(jì)技術(shù)研究院,甘肅 蘭州 730050；2.國網(wǎng)甘肅省電力公司,甘肅 蘭州 730030；3.國網(wǎng)天水供電公司,甘肅 天水 741000)

太陽能是一種重要的可再生資源,光伏發(fā)電具有綠色、環(huán)保、穩(wěn)定、可持續(xù)等特征。隨著光伏發(fā)電技術(shù)的改進(jìn),特別是近年來,光伏組件度電成本下降,已經(jīng)接近于平價(jià)上網(wǎng)的實(shí)現(xiàn),光伏發(fā)電迅猛發(fā)展。數(shù)據(jù)顯示,2019 年我國太陽能發(fā)電量為1 172.2億kW·h[1-2]?，F(xiàn)實(shí)實(shí)際應(yīng)用中,由于光伏發(fā)電本身特點(diǎn),受輻照度影響較大。輻照度越大,光伏發(fā)電越多。然而輻照度是一個(gè)非平穩(wěn)隨機(jī)過程,具有隨機(jī)性和波動(dòng)性特征,將給電網(wǎng)安全運(yùn)行帶來一系列問題。為及時(shí)準(zhǔn)確有效調(diào)度光伏發(fā)電容量,減少光伏電站“限電”損失,提高光伏電站運(yùn)營效率,在各種工況條件下及時(shí)準(zhǔn)確預(yù)測光伏電站發(fā)電量具有理論和實(shí)際意義。王軍輝等人[3-5]在采用氣象相似日進(jìn)行光伏發(fā)電功率預(yù)測的基礎(chǔ)上,引入了相似日的光伏發(fā)電功率預(yù)測誤差,對(duì)預(yù)測日的光伏功率進(jìn)行校正。于群等人[6-8]利用集合經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)處理功率信號(hào)后運(yùn)用BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測。許彪等人[9]利用藤copula 函數(shù)對(duì)光伏功率及其條件變量間的相依結(jié)構(gòu)進(jìn)行解析化表達(dá),并建立起光伏功率條件分位數(shù)回歸模型。王琦等人[10-11]提出基于熵理論和改進(jìn)極限學(xué)習(xí)機(jī)的光伏發(fā)電功率預(yù)測方法。從熵理論角度出發(fā),綜合考慮距離熵和灰關(guān)聯(lián)熵,提出以綜合指標(biāo)選取相似日；以極限學(xué)習(xí)機(jī)學(xué)習(xí)速度快和泛化能力強(qiáng)的特點(diǎn)為基礎(chǔ),采用L-M 算法修正極限學(xué)習(xí)機(jī)模型參數(shù),獲得模型最優(yōu)網(wǎng)絡(luò)。馬磊等人[12-14]針對(duì)傳統(tǒng)長短時(shí)記憶(Long Short-time Memory,LSTM)神經(jīng)網(wǎng)絡(luò)在處理長序列輸入時(shí)易忽略重要時(shí)序信息的缺陷,對(duì)數(shù)據(jù)集進(jìn)行了降維處理,提出了結(jié)合注意力機(jī)制與LSTM 網(wǎng)絡(luò)的功率預(yù)測模型。

本文選擇基于廣義神經(jīng)網(wǎng)絡(luò)的光伏陣列短期功率預(yù)測模型,通過FCM 聚類方法進(jìn)一步確定不同天氣類型,并使用SPA 方法對(duì)功率信號(hào)進(jìn)行濾波,作為訓(xùn)練模型輸入值進(jìn)行訓(xùn)練。實(shí)驗(yàn)表明,本文所提方法可應(yīng)用于復(fù)雜條件下光伏電站功率預(yù)測。對(duì)于輻照度波動(dòng)較大的多云天氣,預(yù)測誤差為1.8%左右,對(duì)于陰雨天氣,誤差僅為5.3%,相對(duì)于其他數(shù)學(xué)模型[15-16]有較強(qiáng)的準(zhǔn)確性。

1 廣義回歸神經(jīng)網(wǎng)絡(luò)基本原理(GRNN)

廣義回歸神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的非線性映射能力和柔性網(wǎng)絡(luò)結(jié)構(gòu),對(duì)于解決非線性問題,具有較好的容錯(cuò)性和魯棒性。特別是在逼近能力和學(xué)習(xí)速度上相較于徑向基神經(jīng)網(wǎng)絡(luò)具有優(yōu)越性,且在樣本量數(shù)據(jù)較少時(shí)也同樣具有較好的預(yù)測效果。一直以來因其自適應(yīng)和高速尋找優(yōu)化解的能力,及無需數(shù)學(xué)建模等優(yōu)勢(shì)被廣泛應(yīng)用于信號(hào)過程、食品科學(xué)、醫(yī)藥衛(wèi)生等領(lǐng)域。廣義回歸神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)如圖1 所示。在具體實(shí)驗(yàn)中,x可以為數(shù)據(jù)采集時(shí)經(jīng)過數(shù)據(jù)處理后的光伏陣列輸出功率,y為預(yù)測功率。

圖1 GRNN-神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

實(shí)質(zhì)上,廣義回歸神經(jīng)網(wǎng)絡(luò)的理論基礎(chǔ)為非線性回歸分析。設(shè)隨機(jī)變量x、y的聯(lián)合概率密度函數(shù)為f(x,y),設(shè)x的觀測值為X,則y相對(duì)于X的回歸為:式中:為輸入X下的預(yù)測輸出。

應(yīng)用Poisson 非參數(shù)估計(jì),其估算密度函數(shù)可表示為:

式中:Xi,Yi為x,y的樣本觀測值；n為樣本量；p為x的數(shù)學(xué)維數(shù)；σ為高斯寬度系數(shù)。

進(jìn)一步積分可獲得:

2 基于廣義回歸神經(jīng)網(wǎng)絡(luò)預(yù)測模型

2.1 原始數(shù)據(jù)選擇

由于天氣變化多端,是一個(gè)非平穩(wěn)隨機(jī)過程,不同天氣類型所對(duì)應(yīng)的數(shù)據(jù)特征有較大區(qū)別。如果不對(duì)天氣類型進(jìn)行分類,選擇同等天氣類型下的數(shù)據(jù)作為訓(xùn)練模型的輸入數(shù)據(jù),則建立的神經(jīng)網(wǎng)絡(luò)模型不能夠反映集體特征,模型的精準(zhǔn)性大大下降,造成模型不能精準(zhǔn)預(yù)測后續(xù)的光伏發(fā)電功率。建立精準(zhǔn)的訓(xùn)練模型需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理和精準(zhǔn)分類。晴朗天氣散射輻照小,發(fā)電功率波動(dòng)程度小；多云天氣,散射輻照較多,發(fā)電功率波動(dòng)程度大；陰雨天氣,散射輻照大,發(fā)電功率雖然相對(duì)于晴朗天氣較小,但是考慮到特別是夏季,黑云密布和天氣晴朗有時(shí)交叉出現(xiàn),因此波動(dòng)程度較大。為能夠準(zhǔn)確對(duì)一個(gè)月的天氣數(shù)據(jù)進(jìn)行分類,對(duì)7 月的天氣參數(shù)(直射輻照、散射輻照) 采用模糊 C 均值聚類(Fuzzy C-Means,FCM)方法進(jìn)行聚類分析。將7 月天氣類型分為晴天、多云、陰天、雨天四種類型。相應(yīng)的聚類算法如下:

設(shè)n個(gè)數(shù)據(jù)向量xk分為c個(gè)模糊類,并求解每個(gè)聚類中心,設(shè)uij為個(gè)體xi屬于第j類的模糊隸屬度；m為模糊權(quán)重函數(shù)；vj為第j類聚類中心,則uij,vj可表示為:

則模糊聚類目標(biāo)函數(shù)為:

聚類結(jié)果如圖2 所示,可以看出圖中能分成4個(gè)類別,不同類別之間存在一個(gè)聚類中心,其中離聚類中心最近的點(diǎn)為最為接近類別中心,最具有類別特征。

圖2 FCM 聚類結(jié)果

通過上述聚類結(jié)果,可以看出晴天天氣、多云天氣、陰天天氣、雨天天氣對(duì)應(yīng)的不同日期,相應(yīng)結(jié)果如表1 所示。

表1 不同天氣對(duì)應(yīng)日期表

為了進(jìn)一步提升訓(xùn)練模型的準(zhǔn)確性,從圖2 可以看出,離聚類中心最近的點(diǎn)為表現(xiàn)相應(yīng)特征最強(qiáng)的,因此選擇不同天氣類型的特征最為明顯的點(diǎn)進(jìn)行后續(xù)訓(xùn)練。晴天:7 月7 日、7 月8 日、7 月11 日、7 月17 日；多云:7 月6 日、7 月10 日、7 月13 日、7月21 日；陰天:7 月1 日、7 月5 日、7 月19 日、7 月25 日；雨天:7 月4 日、7 月15 日、7 月23 日。

2.2 數(shù)據(jù)預(yù)處理

輻照度和溫度直接影響光伏陣列輸出功率,具有加強(qiáng)的波動(dòng)性和隨機(jī)性特征。為提高預(yù)測的準(zhǔn)確性,需要對(duì)輻照度進(jìn)行數(shù)據(jù)預(yù)處理,去除趨勢(shì)項(xiàng)信號(hào)。平滑先驗(yàn)法(Smooothness Prior Approach,SPA)是Karjalainen 博士提出的一種信號(hào)非線性去趨方法,該方法適用于在線處理對(duì)實(shí)測信號(hào)進(jìn)行非線性去趨處理,其算法如下:

式中:Z為原始信號(hào),Ztrend為趨勢(shì)項(xiàng)信號(hào),H為觀測矩陣,γ為觀測誤差,Dd為Z的d階微分形式,λ為正則化參數(shù)。式中H和Dd可表示為:

光伏陣列功率輸出原始信號(hào)的非線性去趨并降噪,通過SPA 對(duì)陰雨天氣進(jìn)行平滑處理,結(jié)果如圖3所示?？梢钥闯銎交幚砗?部分尖點(diǎn)得到處理,數(shù)據(jù)波動(dòng)情況有所減緩,總體結(jié)果更加平滑。

圖3 數(shù)據(jù)平滑處理

2.3 預(yù)測模型

改進(jìn)廣義神經(jīng)網(wǎng)絡(luò)模型具體步驟如下:

Step 1 對(duì)一個(gè)月的功率數(shù)據(jù)進(jìn)行FCM 聚類,選擇離聚類中心點(diǎn)距離最為接近的數(shù)據(jù)作為同類型訓(xùn)練數(shù)據(jù)。

Step 2 對(duì)同類型功率數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理,消除噪音,提取趨勢(shì)項(xiàng)信號(hào)。

Step 3 確定神經(jīng)網(wǎng)絡(luò)類型、初始值、閾值及相關(guān)神經(jīng)元。

Step 4 選擇徑向基函數(shù)和自適應(yīng)函數(shù),并計(jì)算適應(yīng)度。

Step 5 判斷是否滿足條件,綜合確定初始值和閾值。

3 實(shí)驗(yàn)分析

晴天類型下,無論是利用數(shù)學(xué)模型方法還是傳統(tǒng)神經(jīng)網(wǎng)絡(luò)方法,都可以獲得較為準(zhǔn)確的預(yù)測結(jié)果。這是由于晴天太陽輻照度較為平穩(wěn),容易擬合成曲線,進(jìn)行功率預(yù)測也較為符合曲線走勢(shì),因此在預(yù)測時(shí),準(zhǔn)確性較好。評(píng)估功率預(yù)測方法的有效性主要是評(píng)估在多云天氣、陰雨天氣,太陽輻照度波動(dòng)較大時(shí),預(yù)測方法是否具有適應(yīng)性。實(shí)驗(yàn)部分選擇7 月6 日、7 月10 日、7 月13 日多云天氣的數(shù)據(jù)樣本進(jìn)行訓(xùn)練,并預(yù)測7 月21 日功率情況。實(shí)驗(yàn)結(jié)果如圖4 所示?？梢钥闯鰧?shí)測值和預(yù)測值基本吻合,相對(duì)誤差較小,只有在功率較小時(shí),誤差相對(duì)有所提高。實(shí)質(zhì)上,整條曲線的平均誤差在1.8%左右,滿足功率預(yù)測的要求,能夠?yàn)殡娏φ{(diào)度,提前決策提供理論和實(shí)際依據(jù)。

圖4 多云條件下功率預(yù)測曲線及誤差

為更進(jìn)一步說明本文所提出的改進(jìn)廣義神經(jīng)網(wǎng)絡(luò)的功率預(yù)測準(zhǔn)確性,就雨天數(shù)據(jù)進(jìn)行了專門檢測。利用7 月4 日、7 月15 日、7 月23 日陰雨天氣的光伏陣列輸出功率進(jìn)行模型訓(xùn)練,并預(yù)測7 月16 日功率數(shù)據(jù),預(yù)測結(jié)果如圖5 所示?？梢钥闯?陰雨天氣光伏陣列輸出曲線波動(dòng)程度較大,多處出現(xiàn)不平衡的情況。但預(yù)測曲線和實(shí)際功率擬合度較好,基本能夠準(zhǔn)確預(yù)測。從相對(duì)平均誤差看,總體誤差除個(gè)別點(diǎn)超過10%,大多數(shù)都在5%以下,總體平均誤差為5.3%,滿足功率預(yù)測的基本要求。

圖5 陰雨條件下功率預(yù)測曲線及誤差

4 結(jié)束語

本文所提出的基于廣義神經(jīng)網(wǎng)絡(luò)的光伏陣列短期功率預(yù)測模型,通過FCM 聚類方法選擇不同天氣類型下的光伏功率輸出,進(jìn)一步提高模型精準(zhǔn)性。為對(duì)功率參數(shù)作為平穩(wěn)隨機(jī)信號(hào)進(jìn)行降噪,使用SPA 方法進(jìn)行濾波后作為訓(xùn)練模型輸入值進(jìn)行訓(xùn)練。實(shí)驗(yàn)表明該方法即使在復(fù)雜條件下,也能較為精準(zhǔn)地預(yù)測光伏陣列發(fā)電功率,多云天氣功率預(yù)測誤差在1.8 左右,陰雨天氣也僅為5.3%,相對(duì)于其他數(shù)學(xué)模型有較強(qiáng)的準(zhǔn)確性。能夠滿足光伏電站的電力調(diào)度和平穩(wěn)運(yùn)行,可大大減少“棄光”損失,提高光伏電站收益。