尚慶功 ,杭舟 ,尚暖

(1.國網江蘇省電力有限公司連云港市贛榆區(qū)供電分公司,連云港 222100;2.國網江蘇省電力有限公司東海縣供電分公司,連云港 222300;3.國網江蘇省電力有限公司連云港供電分公司,連云港 222000)

0 引言

國家能源結構轉型的深入、雙碳發(fā)展戰(zhàn)略的實施,加快了可再生能源的發(fā)展,其利用率呈連年增高發(fā)展態(tài)勢變化[1-3]。太陽能是自然界中的天然能源,對其進行高效利用可滿足碳中和背景下的碳排放要求,因此光伏發(fā)電在各個國家均受到高度關注。分布式光伏的應用對國家能源產業(yè)化發(fā)展起到了積極促進作用[4-6]。但分布式光伏發(fā)電會隨著氣象條件的改變而不斷發(fā)生變化,具有穩(wěn)定性低的特點,將其接入配電網,可能會造成配電網電壓的波動、電能質量的下降等[7,8]。

時珉等人針對分布式光伏入網功率預測問題,采用隨機森林算法確定光伏出力特征參數后,將其作為自適應神經模糊推理算法的輸入,實現模型的離線訓練[9];趙濱濱等人為提高配電網的協(xié)同優(yōu)化控制效果,研究了分布式光伏預測方法,利用基于ARIMA 的預測模型,來獲得分布式光伏功率預測結果[10]。以上方法均未考慮地理位置差異帶來的氣象信息時移問題,導致光伏出力預測結果并不夠準確。

在實際應用中,受成本等因素的影響,各分布式光伏站點并不完全具有數值天氣預報(NWP)數據,存在氣象數據缺失問題[11]。依據各分布式光伏站點間的空間關聯性,利用區(qū)域內光伏基站的完備NWP 數據進行目標光伏站點出力預測,是存在預測誤差的,這主要是分布式光伏站點地理位置差異導致的氣象信息時移引起的[12]。為解決預測誤差問題,提出考慮信息時移的分布式光伏接入配電網功率預測方法,通過確定最佳時移量完成分布式光伏站點氣象數據存在的偏移修正,在對分布式光伏出力數據特征進行選擇后,輸入到基于注意力機制卷積雙向GRU 預測模型中,以實現其功率的準確預測。

1 分布式光伏接入配電網功率預測

1.1 氣象信息時移分析

在分布式光伏接入配電網中,各光伏電站輸出功率具有空間關聯性,將具有NWP 的集中式光伏電站作為基站,可實現目標光伏電站功率的預測,但由于各光伏電站地理位置的差異,使得各光伏電站氣象數據具有時間偏移性?？紤]地理位置差異引發(fā)的信息時移,修正目標光伏電站的氣象信息,是實現分布式光伏接入配電網功率精準預測的重要途徑。理想情況下,在已知基站與目標光伏電站的地理位置后,即可完成時間偏移量的計算,但在實際工作中,可能存在分布式光伏電站經緯度數據缺失問題,故在獲取集中式光伏電站的歷史氣象數據后,繪制其氣象曲線,再對其作平移處理,以使目標光伏電站輸出功率曲線與其具有最大關聯性,實現時移量的獲取。具體為:采用皮爾遜相關系數分析氣象數據中的關鍵氣象因子、光伏輸出功率之間的關聯關系,獲取與光伏輸出功率具有最大關聯的氣象因子,將其視為對照變量,完成最優(yōu)時移的確定。經研究發(fā)現,影響光伏輸出功率變化的重要氣象因子為總輻照度,因此,將其視為變量實現最優(yōu)時移的求取。

將原時間點作為起點,沿左右方向完成總輻照度歷史信息數據的移動處理后,對此刻的總輻照度大小進行運算,同時確定各目標光伏電站歷史出力皮爾遜相關系數,從中篩選出最大皮爾遜相關系數(PCC),與之對應的平移量即為目標光伏電站的最佳氣象時移量。將15 min 作為分布式光伏接入配電網功率預測周期ΔT,由于最佳時移量可能存在非整數倍ΔT的情況,通過三次樣條差值處理總輻照度變量,經加密后,可獲取周期為Δt=15 min 的密集氣象數據。最佳時移量的確定過程為:

第一步:獲取歷史氣象數據,通過運算確定總輻照度序列,表示為R={rT1,rT2,…,rTn},P={pT1,pT2,…,pTn}為與之相對應的光伏出力序列。對于歷史氣象數據,其時間序列通過T1,T2,…,Tn表示,其數量表示為n。

第二步:對R進行三次樣條差值處理,加密后的總輻照度序列通過Rnew=表示,t1,t2,…tq,…,t3n-2為處理后的時間序列。

第三步:設定q為1。

第四步:將Rnew中的元素q作為起始點,選擇n-4 個點,ΔT表示時間周期,對Rnew進行校正處理,獲得R′new,對R′new與P的皮爾遜相關系數進行求取,并保存在集合A中。

第五步:令q=q+1,當q＞3n-2,則跳轉至步驟六,反之,返回步驟四。

第六步:對A中的皮爾遜相關系數進行降序排列,確定最大系數對應的平移量,確定最佳時移量。

1.2 基于隨機森林的特征選擇

采用隨機森林算法對分布式光伏原始數據特征進行重要度分析,以完成高貢獻特征的選擇,從而提高功率預測模型的預測效果。該算法原理是將B作為分布式光伏原始數據集,以反復抽樣方式對B數據集進行處理,獲得若干個樣本后,完成新樣本子集的確定,由此構建決策樹,獲得的數量為k的決策樹構成了決策森林。該算法通過對構造的若干決策樹的排列分布,使得分布式光伏原始數據的特征選擇能力獲得顯著提升。

在通常狀況下,各決策樹的分布概率具有一致性,不同決策樹的學習率大小對隨機森林算法的擬合誤差起決定性作用。對于樣本數據集B,其子集表示為C;對B進行抽取時,未被采樣到的樣本定義為樹外樣本,通過B-表示,其子集表示為C-。分布式光伏原始數據特征的貢獻度可通過擬合誤差值來確定,如式(1)所示

式中:gx(i)——將B作為預測原始數據集時得到的擬合屬性參數,及x經過置換處理后確定的擬合屬性參數;x——分布式光伏原始數據特征參數;I——對于樹外樣本的誤差函數;yi——第i個數據的擬合屬性參數。

選擇S(xj)值高的分布式光伏原始數據特征,用以作為后續(xù)功率預測模型的輸入。

1.3 分布式光伏接入配電網功率預測模型

1.3.1 雙向門控循環(huán)控制網絡

GRU 是在循環(huán)神經網絡(RNN)結構基礎上發(fā)展而來,其優(yōu)勢是避免了傳統(tǒng)RNN 網絡訓練過程中梯度下降等問題[13]。GRU 網絡基本結構如圖1所示,在t時間的時間序列輸入信息通過Xt表示。重置門、更新門是其重要組成部分,分別表示為Rt、Zt,其中,Rt是t時刻輸入Xt的函數,可對t-1 時刻歷史狀態(tài)信息的輸入量進行控制,以便獲取Xt中的短期依賴關系;Zt為t-1 時刻隱含狀態(tài)Ht-1的函數,用于反映t時刻隱含狀態(tài)中所含歷史信息的多少,對輸入Xt中長期依賴關系的確定產生有利影響。利用sigmoid 函數對門限區(qū)間進行控制,使其滿足(0,1);隱含、候選隱含狀態(tài)分別通過Ht表示。

圖1 GRU 網絡基本結構圖Fig.1 Basic structure of GRU network

基于GRU 網絡結構,可確定式(2)至式(5)。

式中:σ——激活函數;Wxr,Whr,Wxz,Whz,Wxh,Whh——GRU 網絡涉及的權值矩陣;br,bz,bh——Rt、Zt的偏置量。單向GRU 網絡僅能通過獲取歷史輸入信息以實現當前時刻輸出結果的預估,具有單方向傳播性,容易發(fā)生遺忘問題,使得關鍵時序信息發(fā)生缺失。為此,構建雙向GRU 網絡模型,將目標光伏電站的時間序列特征數據作為模型輸入,分別通過正向、逆向學習實現雙GRU 模型的訓練,對正、逆向學習過程中的最終狀態(tài)向量作拼接處理,實現分布式光伏接入配電網功率預測結果的確定。雙向GRU網絡模型能夠兼顧歷史數據以及未來信息的學習,準確獲取分布式光伏的動態(tài)變化趨勢,提高了預測模型的預測性能。

1.3.2 注意力機制(Attention)

注意力機制是模仿人類視覺觀察事物的特點,以獲取高價值信息的過程,在時序預測等領域受到廣泛關注。注意力機制原理是在已知時間序列輸入信息的基礎上,獲取其特征權值以實現輸入的加權求和處理,通過重要特征賦予的權值大、非重要特征賦予的權值小的方式實現輸入信息重要部分的學習,以達到預測精度提升目標[14,15]。將Attention 機制引入到雙向GRU 模型中,以獲取目標光伏電站與配電網內鄰近氣象信息時間位點間的聯系,以實現分布式光伏接入配電網功率預測模型的氣象時移量的修正。采用卷積神經網絡對輸入時間序列的各個時間步進行捕捉,經過滑動窗內隱含層矩陣的若干次一維卷積操作后,實現若干時間模式的確定,如式(6)所示

式中:Qi——對于雙向GRU 模型,其隱含層矩陣的第i個行向量;Dj——第j個卷積核。

利用激活函數確定與評分對應的第i個行向量注意力權值,表示為αi,再計算αi與QD i的乘積,并作加和處理后,可獲得上下文向量,如式(8)所示

式中:m——對于時間模式矩陣總行數。

利用全連接層對vt與qt作融合處理,即可完成時間步輸出結果的確定,如式(9)所示

式中:Wh——該層權值;[·]——兩向量間的融合處理。

1.3.3 基于注意力機制的卷積雙向GRU 的功率預測模型

為實現分布式光伏接入配電網功率的精準預測,構建了基于注意力機制的卷積雙向GRU 網絡,利用卷積神經網絡對輸入時間序列的各個時間步進行捕捉,通過Attention 機制降低地理位置差異引起的氣象信息時移問題,實現分布式光伏接入配電網功率預測模型的氣象時移量的修正?；谧⒁饬C制的卷積雙向GRU 的功率預測模型具體為:

該功率預測模型采用隨機森林算法對特征貢獻度進行計算,以此確定光伏出力數據特征,將其輸入到功率預測模型中,以T為時間步滑動窗口,在對其作預處理的基礎上,可得到X=[xT1,xT2,…,xTn]的時間序列。通過雙向GRU 網絡對獲取的時間序列特征進行學習,利用卷積神經網絡對其各個時間步進行捕捉,其結構中由卷積、池化層構成,數量分別為2、1,卷積核均設定為1 ×1。利用注意力機制對功率預測模型中的氣象時移進行修正,再利用全連接層對分布式光伏接入配電網功率進行預測,如式(10)所示

式中:yt——在t時間點,分布式光伏接入配電網功率預測;WO,bo——權值矩陣及偏置。

最后通過輸出層對其進行輸出。

2 輸出功率預測試驗

以某地區(qū)分布式光伏接入配電網為研究對象,利用Matlab 工具進行模擬分析,該區(qū)域配電網內含有的分布式光伏站點數量為6,標記為Ⅰ-Ⅵ,對應容量為22.5 kW、110.6 kW、137 kW、98 kW、148 kW、64 kW。獲取該區(qū)域各光伏站點2020 年5 月1 日-10 月30 日出力數據,由功率計量表以15 min 為一個采樣周期對其實際功率值進行96 點采集,從區(qū)域氣象站獲取同期NWP 數據,構建原始數據集。將2020 年10 月27 日前的光伏出力及氣象數據作為預測模型訓練樣本,采用本方法對后三天的分布式光伏輸出功率進行預測,分析預測效果。

2.1 總輻照度、分布式光伏出力曲線分析

基于原始數據集獲取各分布式光伏出力曲線,將其與氣象總輻照度曲線進行對比,分析兩曲線的變化特點,試驗結果如圖2 所示。

圖2 總輻照度、分布式光伏出力曲線分析圖Fig.2 Analysis of total irradiance and distributed photovoltaic output curve

分析圖2 可知,各分布式光伏出力曲線變化趨勢相近,只在曲線峰值與外形上存在不同,這是由于各分布式光伏裝機容量等因素差異造成的;氣象總輻照度曲線的運行趨勢與之大體相同,表明可通過對總輻照度曲線進行平移處理,實現氣象數據信息的修正。試驗結果表明,通過氣象站的NWP 數據進行分布式光伏接入配電網功率預測是可取的。

2.2 分布式光伏接入配電網功率預測結果分析

各分布式光伏站點地理位置存在差異,利用相同氣象數據對分布式光伏接入配電網功率進行預測,將會產生較大誤差,因此,確定最佳時移量實現氣象信息數據的偏移糾正顯得十分必要。通過計算不同時移量下的總輻照度與各分布式光伏站點出力的皮爾遜相關系數(PCC)的變化,實現最佳時移量的確定,試驗結果如表1 所示。

表1 總輻照度與各光伏站點出力的PCC 計算結果分析Tab.1 PCC calculation results analysis of total irradiance and output of each photovoltaic station

分析表1 可知,采用本方法對各光伏站點的最佳時移量進行確定,能夠獲得PCC 值計算結果,確定最大PCC 值對應的時移量,Ⅰ-Ⅵ各分布式光伏站點的最佳時移量分別為-10、-10、-10、5、-5、-15,將光伏出力曲線作為參照,當總輻照度曲線移向其左側時,時移量即標記為負數,反之則用正數標記。

以Ⅰ分布式光伏站點為例,采用本方法對該站點2020 年10 月28～30 日(典型日)的輸出功率進行預測,并與未考慮信息時移的預測結果與Ⅰ的實際出力值進行對比,通過分析預測誤差驗證文章方法的功率預測性能,試驗結果如圖3 至圖5 所示。

圖3 10 月28 日(晴天)功率預測結果分析圖Fig.3 Analysis of power prediction results on October 28th (clear day)

分析圖3 可知,10 月28 日為晴天,光照充足,分布式光伏發(fā)電運行期間氣象條件波動幅度很小,在未考慮信息時移時,預測結果也未存在大幅度偏差;預測結果與實際功率值基本一致,二者間誤差極小。由圖4 可知,10 月29 日為陰天,日照強度變化較大,分布式光伏發(fā)電的波動幅度隨之增大,功率曲線不平滑,功率預測較為精準,誤差雖比晴天時有所提升,但仍在允許范圍之內;不考慮信息時移的預測結果誤差較大,明顯偏離實際功率值。圖5 中,該日為晴轉小雨天氣,6 點以后隨著太陽光照強度的增加,光伏出力不斷上升,13 點左右天氣開始轉陰,光照強度大幅開始減弱,光伏輸出功率值大幅度下滑,16 時左右雨停,但此刻日照強度不足,Ⅰ分布式光伏輸出功率僅有小幅度增高,18 點后功率值不斷減小,直至Ⅰ分布式光伏停止運行,輸出功率降低至0。預測曲線仍可以與實際功率曲線保持一致的走勢規(guī)律,未有大幅度誤差波動,但未考慮信息時移的預測結果則偏離實際功率值,預測誤差過大。試驗結果表明,本方法因考慮信息時移,對氣象數據進行修正,有效提升了功率預測效果。

圖4 10 月29 日(多云)功率預測結果分析圖Fig.4 Analysis of power prediction results on October 29th (cloudy)

圖5 10 月30 日(晴轉小雨)功率預測結果分析圖Fig.5 Analysis of power forecast results on October 30th (clear to light rain)

3 結束語

應用本方法對某地區(qū)分布式光伏接入配電網功率進行預測,利用最佳時移量糾正地理差異造成的氣象數據偏移造成的誤差,通過對不同氣象條件下的分布式光伏功率預測結果驗證文章方法的應用效果。試驗結果表明:本方法可對各分布式光伏的最佳時移量進行確定,完成氣象信息時移的修正;能夠對三種不同氣象條件下的分布式光伏輸出功率進行預測,預測誤差低。