山西澤霈路橋工程有限公司 楊佳寶

光伏功率協(xié)調(diào)控制是一項復雜度較高的工作，若僅考慮天氣對協(xié)調(diào)效果的影響而忽略非平穩(wěn)行為的作用，難以保證光伏功率協(xié)調(diào)控制的有效性。因此，需要兼顧各項影響因素，采取科學可行的光伏功率協(xié)調(diào)控制策略，本文提出基于ELM_k 的光伏功率協(xié)調(diào)控制算法，構(gòu)建協(xié)調(diào)控制模型，將氣象變量與工程造價聯(lián)系起來，減少冗余數(shù)據(jù)量，更加精準地控制短期光伏功率，取得良好的功率協(xié)調(diào)效果。本文重點研究基于ELM_k 的光伏功率協(xié)調(diào)策略，以供參考。

1 光伏功率協(xié)調(diào)效果的影響因素

1.1 太陽輻照情況

氣象條件是引起光伏功率變化的重要因素，例如光伏輸出功率隨著太陽輻照情況、溫度的變化而發(fā)生改變[1]。光電流與太陽輻照存在線性關(guān)系，恒溫條件且輻照度穩(wěn)定在100～1000W/m2時，光電流將隨著太陽輻照度的增加而提高，開路電壓相對穩(wěn)定。因此，在光伏功率協(xié)調(diào)控制中，需要將輸出功率對應的太陽輻照度作為重點控制指標，根據(jù)兩者的關(guān)系采取控制措施。太陽輻照度與輸出功率的關(guān)系如圖1所示。

圖1 太陽輻照度與光伏輸出功率的關(guān)系

1.2 輻照度

理論分析中，考慮日實時輻照度和輻照度均值之差對時間的三階導數(shù)，盡可能使理論分析結(jié)果與實際輻照度值保持一致?？紤]太陽輻照度三階導數(shù)的最大值及每日最高溫度Tmax、濕度最大值Hmax、整體最大能見度Wmax、太陽最大輻照度Gmax、日實時風速及平均風速之差三階導數(shù)，確定最大值，進行氣象種類頂層分類，關(guān)系如下：

天氣種類識別可采用導數(shù)的最大值進行，此方式下的識別準確性較高。在此處底層分類中，經(jīng)過對比分析后，選擇的是Gmax及特征因子、能見度差三階導數(shù)的最大值、Wmax，具體如下：

2 基于ELM_k 的光伏功率協(xié)調(diào)策略

2.1 ELM-KNN 算法

2.1.1 KNN 算法

各樣本用n維空間中的某點表示，樣本的類別可根據(jù)與待分類樣本最接近的k個已知類別標簽予以確定。相鄰樣本的數(shù)量以歐幾里得距離為準做出判斷，記為k個。例如，按照如下公式確定元組X1=(x11,x12,…,x1n)和X2=(x21,x22,…,x2n)的距離：

KNN 算法的應用流程為：確定未知樣本與訓練樣本的距離dist，對比分析各距離計算結(jié)果，進行排序，篩選出最臨近未知樣本的k個樣本，確定此部分樣本中各類別出現(xiàn)的次數(shù)，根據(jù)次數(shù)的不同篩選出頻率最高的類別，最終將該類別作為未知樣本的類別。

2.1.2 極限學習機

極限學習機在無須調(diào)整參數(shù)的前提下即可進行訓練，隨機生成隱含層權(quán)重及偏差，采用最小二乘法確定的權(quán)重較為可靠。相比傳統(tǒng)前饋神經(jīng)網(wǎng)絡，極限學習機具有訓練效率高、泛化能力強的優(yōu)勢，因此本次研究采用的是極限學習機。

給定N個訓練樣本集{（xi，ti）Ixi∈Rd，如∈Rm，i=1，…，N}，激活函數(shù)為g（x）的sLFNs 且隱層神經(jīng)元數(shù)量為L個時的輸出為：

ELM 算法隨機生成的權(quán)重向量為ω=[ωil，…，ωid]T、β=[βil，…，βim]T，其中ω、β分別為輸入神經(jīng)元、輸出神經(jīng)元的權(quán)重，bi是第i個隱含層神經(jīng)元的偏差。設定變量為t，激活函數(shù)采用signloid 函數(shù)，則有：

提出式（6），目的在于使激活函數(shù)為g（x）=（ωi×xi+bi）的SLFNs 零誤差逼近N個樣品：

進一步得到：

根據(jù)式（7）進行轉(zhuǎn)化，有：

H為隱含層輸出矩陣，如下：

基于前述分析，在激活函數(shù)為g（x）、L個隱層神經(jīng)元、N個訓練樣本的前提下，可按照如下流程運行單隱層前饋神經(jīng)網(wǎng)絡算法：

隨機生成ωi和偏置bi（i取1，…，L）；計算矩陣H。

計算β，方法如下：

式中：H+為矩陣H的廣義逆；T=[t1，…，tN]。

2.2 光伏功率序列分析

分析方法采用經(jīng)驗模態(tài)分解法，分解相對復雜的信號函數(shù)，獲取有限本征模態(tài)函數(shù)IMF。通過IMF 進行Hilbert 變換，確定各時間條件下IMF 的瞬時幅值和頻率，從而判斷非平穩(wěn)信號時頻情況。

原始信號函數(shù)用x（t）表示，具體見式（13）。經(jīng)過EMD 經(jīng)驗模態(tài)分解后，將產(chǎn)生n個IMF 分量ci（t）和剩余趨勢量r（t）相加值，排列順序為由大到小。

IMF 的優(yōu)勢在于直觀地展現(xiàn)原始數(shù)據(jù)的局部特征，以便根據(jù)特征信息摸索歷史數(shù)據(jù)的變化規(guī)律，整個過程效率高，結(jié)果準確性較好[2]。IMF 互為影響被隔離，在減小彼此間的影響后，有利于順利進行短期光伏功率協(xié)調(diào)控制，以免由于非平穩(wěn)行為的存在而導致控制效果變差。根據(jù)歷史功率做EMD操作，確定IMF 分量，便于技術(shù)人員識別趨勢項，判斷分析對象在過去某階段內(nèi)的功率特征，以便制定短期光伏功率的控制方案，保障最終的控制效果。

2.3 基于ELM_k 的光伏功率協(xié)調(diào)方式

2.3.1 建立光伏功率樣本

見式（14）：

式中：St、xt分別為t時刻光伏功率的樣本、采樣結(jié)果；At-1為氣象記錄值。

2.3.2 確定最優(yōu)值

歷史功率細節(jié)和趨勢項采用的是離線參數(shù)尋優(yōu)總集合，涵蓋的是過去連續(xù)7～8個月的歷史樣本，并基于十倍交叉驗證法建立驗證樣本集合V和訓練樣本集合M，以便有效進行參數(shù)尋優(yōu)，具體如下：

式中：G為影響因素的歷史數(shù)據(jù)總集合。

對V、M兩個樣本集合構(gòu)成做如下假設：

基于式（16）的樣本構(gòu)成，計算兩個樣本集合的相似度均值Pj：

式中：ω為樣本屬性權(quán)重值。

在構(gòu)建訓練樣本后，根據(jù)比例系數(shù)從中篩選訓練樣本并構(gòu)建集合MC，方式如下：

式中：TH為篩選比例系數(shù)；Pg為樣本相似度均值（被篩選掉的部分）。

按照式（19）判斷MC中冗余屬性f，主要基于屬性值是否一致進行，如下：

根據(jù)式（19）的要求判斷冗余屬性后將該部分刪除，可以排除部分算法運行過程中無須考慮在內(nèi)的因素，降低計算難度，提升計算結(jié)果的準確性。

通過樣本集合V 驗證基于ELM_k 算法構(gòu)建的協(xié)調(diào)控制模型，如下：

光伏功率協(xié)調(diào)控制精確度的評估函數(shù)采用的是平均誤差MAPE，則：

式中，xi、分別為光伏功率的實際值、協(xié)調(diào)控制值；Cap 為光伏安裝容量值，采用MAPE 優(yōu)化預測參數(shù)，保證數(shù)據(jù)的有效性。

2.3.3 光伏功率協(xié)調(diào)控制

式中，M°為在線歷史樣本的總集合。經(jīng)過篩選后的樣本集合MC°為：

構(gòu)建光伏功率協(xié)調(diào)控制模型F°，如下：

以隊列的方式持續(xù)更新在線歷史樣本的總集合，通過模型F°靈活控制某時刻的光伏功率，同時可根據(jù)當前時刻協(xié)調(diào)控制值更新運算，以便協(xié)調(diào)控制下一時刻的光伏功率。

3 實驗結(jié)果及分析

根據(jù)相關(guān)性測試結(jié)果評價基于ELM_k 的光伏功率協(xié)調(diào)控制算法的應用效果。以某光伏系統(tǒng)為例，采用基于ELM_k 的光伏功率協(xié)調(diào)控制算法控制某日的光伏系統(tǒng)功率[3]。每間隔10min 采集一次實驗所需的數(shù)據(jù)，采樣點數(shù)量為75個。歷史功率數(shù)據(jù)波動變化，如圖2所示；采樣點輻照度、溫度、輸出功率信息，分別如圖3、圖4、圖5所示。采樣時間從當日6時開始，持續(xù)至當日18時結(jié)束，利用采集到的數(shù)據(jù)分析基于ELM_k 的光伏功率協(xié)調(diào)控制效果。

圖2 歷史功率數(shù)據(jù)統(tǒng)計

圖3 輻照度數(shù)據(jù)統(tǒng)計

圖4 溫度數(shù)據(jù)統(tǒng)計

圖5 輸出功率數(shù)據(jù)統(tǒng)計

本次分析中需要統(tǒng)計的數(shù)據(jù)體量較大，人工統(tǒng)計和處理的方法缺乏可行性。經(jīng)分析，數(shù)據(jù)整合采用PSCAD/EMTDC 軟件，保證數(shù)據(jù)整合精度，提高效率。模擬整定控制系統(tǒng)參數(shù)及該日實際監(jiān)測到的輻照度、溫度、輸出功率等參數(shù)。將工程造價作為評價光伏功率協(xié)調(diào)控制效果的重要指標，按如下公式計算工程造價：

式中，Hit為用戶用電行為；Si為負載、輸出功率等數(shù)據(jù)的應用函數(shù)；k為歷史相似日。

參考其他文獻的光伏功率協(xié)調(diào)控制造價成本，將本文研究的基于ELM_k 的光伏功率協(xié)調(diào)控制算法的造價成本與之進行對比，結(jié)果如圖6所示。

圖6 光伏功率協(xié)調(diào)控制的造價成本對比圖

根據(jù)圖6可知，本文提及的基于ELM_k 的光伏功率協(xié)調(diào)控制算法的工程造價成本明顯低于粒子群算法和MPPT 算法的工程造價成本，雖然起始點和結(jié)尾點的成本無過大的差異，但總體來看本文所提控制方法的工程造價成本更低。根據(jù)驗算結(jié)果可知，曲線波動可維持在相對穩(wěn)定的狀態(tài)，說明了本次研究采用的光伏功率協(xié)調(diào)控制算法具有可行性，可以滿足穩(wěn)定、高精度多方面的要求。主要原因在于本文研究的算法充分考慮到對光伏功率協(xié)調(diào)控制產(chǎn)生影響的各項氣象因素，并將其與影響成本的指標相關(guān)聯(lián)，考慮對象豐富，協(xié)調(diào)控制精度高。具體而言，第一，分析了對光伏功率輸出產(chǎn)生影響的因素，根據(jù)影響程度的不同，確定氣象因素屬于較為重要的影響因素；第二，基于EMD 預處理光伏功率序列，為消除各項因素之間的相互影響而使分量間互為隔離，短期光伏功率協(xié)調(diào)控制受非平穩(wěn)性的影響相對較小 ，有利于提高短期光伏功率的控制水平；第三，優(yōu)化參數(shù)，以科學可行的方法控制光伏功率，在保證光伏功率協(xié)調(diào)控制效果的同時降低成本，提高光伏電站的經(jīng)濟效益。

4 結(jié)語

綜上所述，光伏發(fā)電是主流的發(fā)電方式，光伏系統(tǒng)運行中可能因氣象條件或其他因素的影響而出現(xiàn)光伏功率協(xié)調(diào)控制效果差的問題。針對該問題，本文提出基于ELM_k 的光伏功率協(xié)調(diào)控制策略，辨識主要的影響因素，基于ELM_k 構(gòu)建功率協(xié)調(diào)控制模型，檢驗該控制策略的應用效果。研究表明，基于ELM_k 的光伏功率協(xié)調(diào)控制算法能夠高效協(xié)調(diào)控制光伏功率，在保障光伏電站正常運行的同時節(jié)約工程造價，提高經(jīng)濟效益，該算法具有可行性，可為同人提供參考。在后續(xù)的研究中，相關(guān)人員需要進一步考慮該算法在各類特殊氣象條件下的應用效果，優(yōu)化模型參數(shù)，持續(xù)提高光伏功率協(xié)調(diào)控制水平。