任榮榮 ， 肖 群

（1.四川信息職業(yè)技術(shù)學(xué)院，四川 廣元 628040；2.國網(wǎng)廣元供電公司，四川 廣元 628040）

0 引言

光伏發(fā)電是目前效率最高、應(yīng)用最廣泛的可再生能源發(fā)電方式。與傳統(tǒng)的水力發(fā)電形式相比，這種發(fā)電方式更加穩(wěn)定、快速，在一定程度上更有效地緩解了不可再生能源的危機，并逐步形成了自動化、智能化的發(fā)電模式。太陽能因具有普遍、無污染等特點而成為可再生能源中最豐富、發(fā)展?jié)摿ψ畲蟮那鍧嵞茉?，其開發(fā)與利用已經(jīng)成為我國能源結(jié)構(gòu)調(diào)整的重要方向[1]。在“碳達峰”“碳中和”的戰(zhàn)略背景下，我國電力結(jié)構(gòu)清潔化趨勢將更加凸顯，光伏并網(wǎng)對電網(wǎng)的影響也越來越顯著。然而，光伏能源易受天氣情況、太陽輻照度、溫度、云量等因素影響，具有波動性強、間歇性、隨機性強等特征。

據(jù)統(tǒng)計，截至2023 年1 季度末，全國光伏發(fā)電裝機容量達到4.25億kW；2023年1季度，全國光伏發(fā)電量1 135億kW·h，同比增長34.9%[2]。為提高光伏預(yù)測精度，對變化相似的天氣進行聚類劃分，這樣能有效提升光伏發(fā)電功率的預(yù)測精度[3]。由于預(yù)測對象的不同，可將其分為直接預(yù)測法和間接預(yù)測法，根據(jù)歷史的光照強度、溫度等因素，利用支持向量機的方法來預(yù)測光照強度及溫度，再通過數(shù)學(xué)模型可以得出光伏發(fā)電功率，但是未對天氣類型分類，精度不高[4]。預(yù)測精度主要取決于地表輻照度預(yù)測值的準確度，對地表輻照度波動狀況描述得越細致，其功率的預(yù)測精度就越高。與直接預(yù)測相比，間接預(yù)測的模型較多、過程復(fù)雜，但能在一定程度上提高預(yù)測功率的準確性[5]。無論采用何種方法，都需要采集數(shù)據(jù)，對數(shù)據(jù)進行預(yù)處理，最后得到預(yù)測功率。為了保證預(yù)測的準確性，通常需要先對預(yù)測數(shù)據(jù)進行預(yù)處理。目前，預(yù)處理分為三個步驟：一是分析預(yù)測功率數(shù)據(jù)的相關(guān)性；二是識別異常數(shù)據(jù)并對異常數(shù)據(jù)進行處理；三是對不同類型的預(yù)測數(shù)據(jù)進行歸一化處理[6]。隨著新型電力系統(tǒng)的建立，電網(wǎng)建設(shè)滯后于光伏電力的生產(chǎn)，“棄光”“限電”問題加重，可能降低原始數(shù)據(jù)在預(yù)測模型中的可信度，從而進一步增加預(yù)測難度。

課題組首先分析影響光伏發(fā)電功率的因素，主要有氣象因素、輻照度、溫度、濕度、氣壓、風(fēng)速、風(fēng)向、云層、季節(jié)等；其次，利用皮爾遜相關(guān)系數(shù)公式計算得到對光伏發(fā)電影響較大的因素為光照幅值、溫度、風(fēng)向、風(fēng)速氣象因素，將它們作為輸入數(shù)據(jù)，光伏電站的發(fā)電功率作為輸出數(shù)據(jù)，并對輸入輸出數(shù)據(jù)進行歸一化處理；最后，通過算例分析，采用本課題組提出的預(yù)測模型，使得晴天與非晴天天氣的光伏發(fā)電預(yù)測精度顯著提高，減小了預(yù)測誤差。

1 光伏發(fā)電輸出功率特性分析

由于光伏發(fā)電輸出功率主要由光照幅值決定，而氣溫、天氣的劇烈變化會直接影響到太陽輻照度的強弱，從而會給電網(wǎng)的穩(wěn)定運行帶來威脅。因此，對影響光伏發(fā)電的氣溫、天氣等氣象因素進行分析是十分有必要的[7]。

1.1 光照幅值對光伏出力的影響

通過新疆某光伏電站數(shù)據(jù)分析可知，一年中晴天天氣占比62%，多云天氣占比33%，陰天天氣占比3%，陣雨天天氣占比2%，每類氣象條件都具有一定的變化趨勢（例如光照幅值都具有相似性）。因此，可以用各類氣象中的典型日代替該類氣象日。為分析出四種天氣光照幅值與實際功率之間的關(guān)系，選取四種天氣的典型日數(shù)據(jù)作為研究基礎(chǔ)，其光伏發(fā)電功率與實際光照幅值間的關(guān)系曲線如圖1所示。

圖1 各天氣類型下光照幅值與實際功率對比曲線

由圖1 可知，四種天氣（晴天、多云、陰天、陣雨天）的典型日光伏發(fā)電功率與光照幅值具有相同的趨勢，光伏發(fā)電輸出功率隨著光照幅值的增加而增加，且兩者曲線變化基本一致，表明光照幅值的變化與光伏發(fā)電輸出功率的增減密切相關(guān)。

1.2 氣溫對光伏出力的影響

氣溫對光伏輸出功率的影響不可忽視。選擇新疆某光伏電站連續(xù)兩個晴天的相關(guān)記錄數(shù)據(jù)，在季節(jié)類型、天氣類型一定，不同溫度條件下，溫度與功率的關(guān)系曲線如圖2所示。

圖2 溫度與功率曲線

由于選取了夏季連續(xù)兩個晴天，氣溫變化相當(dāng)接近，可以認為這兩天的光照幅值基本相同。從圖2 可以看出，隨著溫度的不斷升高，光伏發(fā)電的出力也相應(yīng)增加，并表現(xiàn)出正相關(guān)的趨勢，表明溫度對光伏發(fā)電功率影響很大，由此，應(yīng)將溫度考慮在內(nèi)。

1.3 不同天氣對光伏出力的影響

選取相同季節(jié)，不同天氣類型條件下的典型日光伏出力數(shù)據(jù)，晴天、多云、陰天、陣雨天天氣光伏發(fā)電出力特性曲線如圖3所示。

圖3 不同天氣的光伏出力曲線

從圖3 可以看出，當(dāng)季節(jié)類型不變，天氣類型對光伏發(fā)電系統(tǒng)輸出功率的影響非常顯著，發(fā)現(xiàn)天氣為晴天時的光伏發(fā)電功率波動比較平緩，因光照強度很大，所以其光伏出力也比較大；當(dāng)天氣晴轉(zhuǎn)多云時，光伏出力相對于晴天減少；轉(zhuǎn)為陰雨天時，由于光照強度很弱，光伏出力一直在降低。由此可見，晴天與非晴天天氣相比，光伏發(fā)電的輸出功率值差距很大，表明了天氣也是影響光伏出力的重要因素，因此，需要將天氣考慮在內(nèi)。

2 不同天氣特征向量構(gòu)造

光伏發(fā)電的短期預(yù)測需要歷史數(shù)據(jù)的高度完整性和準確性。若將未處理的多維歷史數(shù)據(jù)序列用作預(yù)測變量，則模型的輸入維數(shù)將過高，并且將引入大量冗余信息，造成建模困難[8]。同時，由于四種氣象因子均有很強的波動性，因此本課題組需要對不同氣象的特征進行相關(guān)性分析，從而選取相關(guān)性高的影響因素作為預(yù)測的輸入值，提高預(yù)測精度。

2.1 皮爾遜相關(guān)系數(shù)

兩個連續(xù)變量之間的線性相關(guān)程度需要通過皮爾遜相關(guān)系數(shù)來檢測。取值范圍為[-1,1]，正值表示正相關(guān)，負值表示負相關(guān)。因此，本課題組采用皮爾遜相關(guān)系數(shù)方法（Pearson Correlation Coefficient）快速得出多組數(shù)據(jù)之間的相關(guān)性[9]，然后選擇相關(guān)性最高的數(shù)據(jù)進行計算。兩個變量之間的協(xié)方差和標(biāo)準差的商由兩個變量之間的皮爾遜相關(guān)系數(shù)定義，如式（1）所示：

式中，ρx,y表示總體相關(guān)系數(shù)；cov(x,y)表示協(xié)方差；E表示數(shù)學(xué)期望；δxδy表示標(biāo)準差乘積；x-μx表示x值與其均值之差；y-μy表示y值與其均值之差。

樣本皮爾遜相關(guān)系數(shù)如公式（2）所示：

式中，?表示樣本皮爾遜相關(guān)系數(shù)；和表示對變量x和y進行零均值化，則實際上x和y的Pearson 相關(guān)系數(shù)就是x'和y'的cosine 相似度：。

2.2 不同天氣各特征相關(guān)性定量分析

本課題組以某光伏電站氣象數(shù)據(jù)為例，采用皮爾遜相關(guān)系數(shù)對氣象因素進行特征分析，對數(shù)據(jù)進行預(yù)處理后，分別計算晴天、多云、陰天與陣雨天四種天氣下的輻照度（Ir）、溫度（Ta）、風(fēng)向（wd）、風(fēng)速（ws）與輸出功率（P）的距離。晴天和多云天氣下輻照度、溫度、風(fēng)速與光伏輸出功率的距離較小，對光伏輸出功率影響較大；而陰天和陣雨天天氣下輻照度、溫度、風(fēng)向與光伏輸出功率的距離較小，對光伏輸出功率影響較大。選取主要影響因子作為預(yù)測模型輸入，使預(yù)測模型數(shù)據(jù)輸入得以簡化，減少了一定的預(yù)測誤差。光照幅值、氣溫、風(fēng)向、風(fēng)速的變化均對不同天氣的光伏發(fā)電功率產(chǎn)生影響，但由于數(shù)據(jù)的維度較多，需要對其主要因素進行相關(guān)性分析，對不同天氣各特征之間的相關(guān)性進行定量分析。

各特征與功率的皮爾遜相關(guān)系數(shù)為正值，表明相關(guān)性越強；反之，則相關(guān)性越弱。通過對不同天氣各特征之間的相關(guān)性進行定量分析可以得出，輻照度與功率的相關(guān)性接近1，對光伏發(fā)電的影響比較大。因此，晴天和多云天氣選取輻照度、溫度、風(fēng)速主要影響因子作為預(yù)測輸入值；陰天和陣雨天選取輻照度、溫度、風(fēng)向作為預(yù)測輸入值進行研究。

3 基于BAS-ELM的預(yù)測模型搭建與誤差評估

由于光伏自身具有不確定性、隨機性等特點，所以全面分析了影響光伏發(fā)電輸出的主要因素，又因其極限學(xué)習(xí)機（Extreme Learning Machine, ELM）易陷入局部最小值，因此針對ELM 存在的不足，本課題組采用天牛須-極限學(xué)習(xí)機算法（Beetle Antennae Search Algorithm-Extreme Learning Machine, BASELM）對光伏功率進行預(yù)測，采用均方根誤差作為模型性能評價指標(biāo)，以提高預(yù)測精度[10]。

3.1 光伏預(yù)測誤差評估

由于光伏發(fā)電自身具有隨機性和不均勻性，容易受外界因素的影響，導(dǎo)致輸出功率波動劇烈，極不穩(wěn)定，且隨著光照強度的提高，其波動性也會相應(yīng)地增強。本課題組采用均方根誤差（RMSE）作為模型性能評價指標(biāo)，計算如式（3）所示[11]：

式中，M表示樣本點個數(shù)；yj表示實際測量光伏功率；表示對應(yīng)的預(yù)測值。誤差越小，表明模型預(yù)測精度越高；誤差越大，表明模型預(yù)測精度越低。

3.2 預(yù)測結(jié)果分析

基于光伏出力影響因素以及相關(guān)性的分析，本課題組以新疆某光伏電站典型日歷史發(fā)電數(shù)據(jù)和相關(guān)天氣預(yù)報信息來分析BAS-ELM 算法預(yù)測模型在晴天、多云、陰天、陣雨天四種天氣下的預(yù)測精度?？紤]到光伏發(fā)電集中在白天，為此，消除了在其他時刻趨向于0 的發(fā)電，時間間隔為15 min，預(yù)測未來四種天氣典型日的光伏發(fā)電量。

通過分析發(fā)現(xiàn)，不同天氣光伏發(fā)電預(yù)測出力值最大分別在180 MW~200 MW、160 MW~180 MW、80 MW~90 MW。根據(jù)光伏電站實際和預(yù)測出力功率曲線可知，真實值和預(yù)測值之間存在著一定的誤差。通過均方根誤差公式，計算得到晴天、多云、陰天、陣雨天天氣預(yù)測均方根誤差分別為0.98、1.15、1.23、1.30，其預(yù)測精度分別為97%、95%、94%、93%，但仍存在一定的波動性，若將這種波動功率并入到電網(wǎng)，則會威脅到電網(wǎng)的安全穩(wěn)定運行，使得原本功率曲線的波動極其劇烈。因此，需要采取合理的措施來控制光伏電站輸出功率，使其輸出較為平穩(wěn)的光伏功率，從而減少電網(wǎng)安全穩(wěn)定運行的威脅。

4 結(jié)論

課題組通過對光伏發(fā)電功率數(shù)據(jù)與輻照度、氣溫、天氣等相關(guān)因素進行光伏出力研究，利用皮爾遜相關(guān)系數(shù)法篩選出影響光伏發(fā)電的氣象特征因素，建立相關(guān)預(yù)測特征集，基于BAS-ELM 算法建立光伏發(fā)電預(yù)測模型，并將均方根誤差作為模型性能評價指標(biāo)，將相關(guān)性最高的因素作為預(yù)測輸入變量，功率作為輸出值，跟蹤預(yù)測一天中的氣象類型變化。通過計算分析，該模型在晴天與非晴天天氣中的預(yù)測精度提升效果明顯，其中晴天天氣的預(yù)測準確率達到了97%，且晴天、多云天氣預(yù)測精度高于陰天及陣雨天氣。結(jié)果表明，本研究能夠為光伏發(fā)電功率預(yù)測提供一定的參考。