數(shù)值模式在太陽能出力分析中的應(yīng)用研究

孫川永，彭友兵，高媛媛，于廣亮，姜寧，魏磊

（1.西北電網(wǎng)有限公司，西安 710048；2.西安交通大學(xué)人居環(huán)境與建筑工程學(xué)院環(huán)境科學(xué)與技術(shù)系，西安 710049）

數(shù)值模式在太陽能出力分析中的應(yīng)用研究

孫川永1，彭友兵2，高媛媛1，于廣亮1，姜寧1，魏磊1

（1.西北電網(wǎng)有限公司，西安 710048；2.西安交通大學(xué)人居環(huán)境與建筑工程學(xué)院環(huán)境科學(xué)與技術(shù)系，西安 710049）

Project Supported by the Development and Utilization of Solar Energy in Northwest of Northwest China Grid Company Limited.

西北地區(qū)屬全國太陽能資源豐富地區(qū)，除陜西中南部以外，其他地區(qū)年日照時數(shù)均在2500h以上，年輻射總量均超過5000M J/m2。“十二五”期間，西北太陽能光伏發(fā)電裝機容量將有較大規(guī)模提升，根據(jù)規(guī)劃，2015年前，青海將建成400萬k W光伏電站，甘肅河西將建126萬k W光伏電站，陜西將建50萬k W光伏電站、寧夏將建成60萬k W光伏電站。

光伏發(fā)電功率主要受光伏電池當時所接收太陽輻射強度的影響，而太陽輻射主要受下墊面地形、當時正午太陽高度角以及當時的氣象因素所決定，由于地球自轉(zhuǎn)及氣象條件的影響，光伏發(fā)電功率會呈現(xiàn)出間歇式、隨機波動的特點。圖1、圖2分別為敦煌地區(qū)某光伏電站在不同天氣狀況下的典型出力示意圖，從圖中可以看出，晴朗天氣情況下，光伏電站出力曲線隨著太陽高度角的變化呈現(xiàn)出類似于正弦半波的規(guī)則變化，中午13：00左右出力最大。當光伏電站所在地區(qū)處于陰雨、沙塵暴、霧霾等天氣系統(tǒng)控制下，光伏電池所接受的太陽輻射就會隨當時云層厚度、大氣透明的影響而呈現(xiàn)出不規(guī)則的波動變化，進而導(dǎo)致光伏電站出力的不規(guī)則波動。

圖1 光伏電站晴天日出力示意圖Fig.1 Output diagram of the photovoltaic power station on sunny days

圖2 光伏電站陰天日出力示意圖Fig.2 Output diagram of the photovoltaic power station on cloudy days

隨著光伏裝機容量的增加，光伏發(fā)電的波動性會對系統(tǒng)的電壓控制、調(diào)度計劃、發(fā)電計劃造成一系列的影響，因此有必要在綜合考慮當?shù)叵聣|面地形、氣象條件等因素分析光伏電站的出力特性，為將來光伏電站大規(guī)模并網(wǎng)提供光伏電站出力計算方法與計算數(shù)據(jù)。相關(guān)研究也對此作出了較為詳細的分析[1-2]。

1 數(shù)據(jù)和方法

本文采用美國國家大氣研究中心的天氣預(yù)報模式 Weather Researchand Forecasting Model(WRF，version 3.1.1），模擬光伏電站所在區(qū)域太陽輻射強度，再利用統(tǒng)計方法結(jié)合實際光伏電站出力，建立光伏電站出力與所計算的太陽輻射強度的轉(zhuǎn)化關(guān)系，給出光伏電站出力模擬結(jié)果。WR F模式為完全可壓非靜力模式，采用區(qū)域嵌套方案，來實現(xiàn)所選擇區(qū)域的高分辨率模擬，模擬采用三重嵌套方案，水平格距分別為36km，12km，4km，最內(nèi)層格點數(shù)為 55×55。

采用美國的NCEP再分析資料作為模式的初始場和側(cè)邊界條件，本文所用光伏電站出力數(shù)據(jù)來自寧發(fā)電銀川試驗光伏電站接入寧夏長太線的2009年光伏電站出力數(shù)據(jù)，該光伏電站6月份裝機為250kV，9月份裝機為330kV。

2 光伏發(fā)電功率計算模型

2.1 神經(jīng)元網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)（Artificial Network,ANN）是在現(xiàn)代神經(jīng)生物學(xué)研究成果的基礎(chǔ)上發(fā)展起來的一種模擬人腦信息處理機制的網(wǎng)絡(luò)系統(tǒng)。由于其具有自學(xué)習(xí)、自組織的非線性映射能力，適合于一些信息復(fù)雜、知識背景不清楚和推理規(guī)則不明確問題的建模。自20世紀80年代中期以來，開始被應(yīng)用于如數(shù)值預(yù)報產(chǎn)品釋用、天氣預(yù)報、預(yù)報質(zhì)量保證等各個方面,同時在氣候模式、短期氣候預(yù)測、中短期天氣預(yù)報、強對流天氣和衛(wèi)星資料處理等許多領(lǐng)域,也得到了廣泛的應(yīng)用[3-7]。

B P算法是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)方法之一，其各種變化形式占了實際應(yīng)用的80%～90%，很多研究者[8-12]對B P網(wǎng)絡(luò)進行了深入研究，從不同的角度對B P網(wǎng)絡(luò)進行了改進并取得了顯著效果。

B P網(wǎng)絡(luò)除輸入輸出節(jié)點外，還有一層或多層隱含節(jié)點，同層節(jié)點中沒有任何連接。輸入信號從輸入層節(jié)點依次傳過各隱含節(jié)點，然后傳到輸出層節(jié)點，每層節(jié)點的輸出只影響下一層節(jié)點的輸出。B P網(wǎng)絡(luò)整體算法成熟，其信息處理能力來自于對簡單非線性函數(shù)的多次復(fù)合。B P神經(jīng)網(wǎng)絡(luò)一般結(jié)構(gòu)如圖3所示。

圖3 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig.3 The construction of neural network

其中，x為訓(xùn)練樣本，y贊k（t）為網(wǎng)絡(luò)的實際輸出，yk（t）為網(wǎng)絡(luò)的期望輸出，wij為輸入層節(jié)點i到隱含層節(jié)點j的權(quán)值，vjk為隱含層節(jié)點j到輸出層節(jié)點k的權(quán)值，θj為隱含層節(jié)點j處的閾值，γt為輸出節(jié)點t處的閾值，f（x）為激活函數(shù)。要實現(xiàn)全局誤差函數(shù)E在曲面上按梯度下降，采用梯度規(guī)則，求E對輸出層和隱含層的連接權(quán)和閾值的負梯度

B P算法的數(shù)學(xué)模型是求解如下函數(shù)的最優(yōu)解問題按梯度下降原則，確定網(wǎng)絡(luò)的引節(jié)點數(shù)和學(xué)習(xí)速率，對于隱含層的層數(shù)，許多學(xué)者做了理論的研究。根據(jù)L i p p m a n n[13]的研究可知，三層網(wǎng)絡(luò)可以逼近任意一個連續(xù)的函數(shù)。后來R o b e r t H e c h t N i e l s e n[14]研究進一步指出：只有一個隱層的神經(jīng)網(wǎng)絡(luò)，只要節(jié)點足夠多，就可以以任意精度逼近一個非線性的函數(shù)。因此，在該方法中隱層的數(shù)目設(shè)定為一層。又根據(jù)經(jīng)驗，隱節(jié)點數(shù)一般選在輸入節(jié)點數(shù)的1～2倍之間時，能達到較好的效果。因此，在一個隱層、隱節(jié)點數(shù)為輸入節(jié)點數(shù)的1～2倍之間這2個前提條件下進行計算。

在本研究中,B P網(wǎng)絡(luò)采用三層網(wǎng)絡(luò)，隱層的數(shù)目設(shè)定為一層。采用雙曲型函數(shù)作為其激發(fā)函數(shù)，描述為：

2.2 光伏出力模型建模

利用2008年9月—2009年5月份的長太線出力資料與WR F模擬的太陽輻射強度數(shù)據(jù)通過神經(jīng)網(wǎng)絡(luò)方法對1:00—24:00各個時刻分別進行建模，逐小時進行模擬。預(yù)報因子為模式模擬地面所接受太陽輻射強度。

3 光伏電站出力模擬結(jié)果

圖4與圖5分別為2009年長太線6月與9月月平均光伏電站出力實測值與模擬值的對比圖，由圖可知，采用上述方法可以較好地反映光伏電站出力變化。

圖4 2009年長太線6月月平均光伏電站出力對比圖Fig.4 Comparison diagram of the average power output of the photovoltaic stations connected to the Chang-Tai transmission line in June 2009

圖5 2009年長太線9月月平均光伏電站出力對比圖Fig.5 Comparison diagram of the average power output of the photovoltaic stations connected to the Chang-Tai transmission line in September 2009

圖6月與圖7分別為2009年6月與9月長太線出力分布概率實際值與模擬值對比圖，橫坐標為最大出力比例，將光伏電站出力按從0至裝機規(guī)模按比例分為10個等級，出力占光伏電站的裝機比例分別為 10%、20%、30%、40%、50%、60%、70%、80%、90%、100%。縱坐標為出力概率，分別為6月與9月光伏電站出力各等級下發(fā)生的概率。對6月份與9月份出力分布概率進行對比，可以發(fā)現(xiàn)采用本文所述方法進行光伏電站出力模擬可以較好的模擬出光伏電站各出力分布狀態(tài)。

圖6 2009年6月長太線出力分布概率實際值與模擬值對比圖Fig.6 Comparison diagram between the actual value and simulated value of distribution probability of the photovoltaic stations connected to the Chang-Tai transmission line in June 2009

圖7 2009年9月長太線出力分布概率實際值與模擬值對比圖Fig.7 Comparison diagram between the actual value and simulated value of distribution probability of the photovoltaic stations connected to the Chang-Tai transmission line in June 2009

4 結(jié)論

利用數(shù)值模式與統(tǒng)計預(yù)報相結(jié)合的方式進行了光伏電站24小時出力模擬實驗。通過接入長太線光伏電站2009年6、9月份的實驗結(jié)果得知：采用本文所述方法可以較好地模擬出光伏電站的平均出力與概率分布形式，利用此方法對光伏出力特性進行計算有一定的指導(dǎo)意義。

[1]蘭華，廖志民，趙陽.基于ARMA模型的光伏電站出力預(yù)測[J].電測與儀表，2011（2）：36-40.

LAN Hua，LIAO Zhi-min，ZHAO Yang.ARMA model of the solar power station based on output prediction[J].Electrical Measurement&Instrumentation，2011（2）：36-40（in Chinese）.

[2]栗然，李廣敏.基于支持向量機回歸的光伏發(fā)電出力預(yù)測[J].中國電力，2008（2）：79-83.

LI Ran，LI Guang-min.Photovoltaic power generation outputforecastingbasedonsupportvectormachineregression technique[J].Electric Power，2008（2）：79-83（in Chinese）.

[3]HALL T，BROOKSH E，DOSWELLC A.Precipitation forecasting using a neuralnetwork[J].Weatherand Forecasting，1999，14:338-345.

[4]JIN L，JU W M，MIAO Q L.Study on Ann-based multistep prediction model of short-term climatic variation[J].Advances in Atmospheric Sciences，2000，17:157-164.

[5]MARZBAN C，WITT A.A bayesian neural network for severe-hail size prediction[J].Weather and Forecasting，2001，16:600-610.

[6]劉德，李晶，劉永華，等.BP神經(jīng)網(wǎng)絡(luò)在長期天氣過程預(yù)報中的應(yīng)用實驗[J].氣象科技，2006，34（3）：250-253.

LIUDe，LIJing，LIUYong-hua，etal.Applicationexperiment ofBP neuralnetworkmodelin long-term weather forecasts[J].Me-Teorologic-Al Science And Technology，2006，34（3）：250-253（in Chinese）.

[7]施丹平.人工神經(jīng)網(wǎng)絡(luò)方法在降水量級中期預(yù)報中的應(yīng)用[J].氣象，2001，27（6）:40-42.

SHI Dan-ping.An application of artificial neural network（ANN）to rainfall mid-range forecasting[J].Meteorological Monthly，2001，27（6）:40-42（in Chinese）.

[8]朱武亭，劉以建.BP網(wǎng)絡(luò)應(yīng)用中的問題及其解決[J].上海海事大學(xué)學(xué)報，2005，26（2）：68-70.

ZHU Wu-ting，LIU Yi-jian.Problems and solutions of BP neural network.Journal of Shanghai Maritime University，2005，26（2）：68-70（in Chinese）.

[9]曹均闊，舒遠仲，葉水生.一種結(jié)構(gòu)自組織的改進BP網(wǎng)絡(luò)[J].計算機工程，2005，31（17）：165-167.

CAO Jun-kuo，SHU Yuan-zhong，YE Shui-sheng.A new structure adaptive improved neural network[J].Computer Engineering，2005，31（17）：165-167（in Chinese）.

[10]王正武，張瑞平，劉松.BP網(wǎng)絡(luò)的一種改進學(xué)習(xí)方法[J].數(shù)學(xué)理論與應(yīng)用，2005，25（1）：31-34.

WANG Zheng-wu，ZHANG Rui-ping，LIU Song.One improved BP neural network learning algorithm[J].Mathematical Theory and Application，2005，25（1）：31-34（in Chinese）.

[11]李宏剛，呂輝，李剛.一種BP神經(jīng)網(wǎng)絡(luò)的改進方法及其應(yīng)用[J].中國工程科學(xué)，2005，7（5）:63-65.

[12]雷景生，康耀紅.一種改進的BP算法[J].海南大學(xué)學(xué)報自然科學(xué)，2003，21（4）:326-329.

LEI Jing-sheng，KANG Yao-hong.An improved BP algorithm and its application[J].Natural Science Journal of Hainan University，2003，21（4）:326-329（in Chinese）.

[13]LIPPMANN R P.An introduction to computing with neural nets[J].IEEE ASSP Magazine，1987（4）:4-22.

[14]HECHT NIELSEN R.Theory of the backpropagation neural network[C].Internationaljointconference on neural networks，1989:593-605.

彭友兵（1981—），通訊作者，女，博士，主要從事氣候資源評估、污染模擬、氣候模擬。

Application of Numerical Model In Solar Energy

SUN Chuan-yong1，PENG You-bing2，GAO Yuan-yuan1，YU Guang-liang1，Jiang Ning1，WEI Lei1
（1.Northwest China Grid Company Limited，Xi’an 710048，Shaanxi，China；2.Department of Human Settlement and Civil Engineering，Xi’an Jiaotong University，Xi’an 710049，Shaanxi，China）

The NOAA Weather Research and Forecasting Model weather forecast model（WRF）is used together with the statistical correction method to make a simulation experiment for analyzing the output characteristics of the photovoltaic power stations connected to the Chang-Tai transmission in Ningxia.Compared with the actual average output,it is found that the simulation of the monthly 24-hour average output of the photovoltaic power stations is of higher accuracy.

photovoltaic power station；output characteristics；grid-connected；solar energy

利用NOAA天氣預(yù)報模式Weather Research and Forecasting Model（WRF）結(jié)合統(tǒng)計訂正方法，對接入寧夏長太線的光伏電站進行了出力特性分析模擬實驗，與實際平均出力對比發(fā)現(xiàn)，月平均24h光伏電站出力模擬精度較高。

光伏電站；出力特性；并網(wǎng)；太陽能

西北電網(wǎng)有限公司管理項目西北太陽能發(fā)電開發(fā)與利用研究。

2012-05-31。

孫川永（1980—），男，博士，工程師，主要從事新能源資源評估與預(yù)測及新能源并網(wǎng)工作；

1674-3814（2012）08-0073-04

TM 615

A

（編輯 徐花榮）