分布式風光功率預測方法的研究與驗證

雷毅平

(中節能綠洲(北京)太陽能科技有限公司,北京 102600)

分布式風光功率預測方法的研究與驗證

雷毅平

(中節能綠洲(北京)太陽能科技有限公司,北京 102600)

本文總結歸納了國內外風電光伏功率預測發展現狀、預測方法和分類,通過算例對比驗證了三種典型功率預測模型—利用ARMA模型、卡爾曼濾波模型和小波神經網絡模型分別對某一分布式風光發電區域進行了功率預測。通過對預測結果各項評價指標的綜合分析,發現:小波神經網絡預測模型的精確度最高,實現了針對小范圍分布式光伏、風電的短期和超短期的精確預測。實驗運行結果表明:該系統能夠較為準確的預測短期和未來4小時超短期的風光發電整體出力,超短期和短期預測的月平均均方根誤差達到為7%和9%。滿足電網實際運行需要,在分布式發電項目上具備一定的推廣和應用價值。

功率預測 短期預測 均方根誤差

發電與用電必須實時平衡是電力系統運行的重要特點，只有這樣系統才能保證安全和穩定。因而無論在國內還是國外，電網調度部門主要負責電力系統的調頻、調峰、安排發電計劃和備用容量等業務。對于新能源發電方面，尤其以光伏和風電為代表，當其在電力系統中達到較高透率時，準確預測其輸出功率不僅有助于調度部門提前調整調度計劃來減輕光伏風電間歇性對電網的影響，而且還可減少備用容量的安排，從而降低系統運行成本。因此，新能源功率預測在電網調度領域占有舉足輕重的地位，更精確的預測風能、太陽能發電功率有利于制定合理的電力調度計劃。

1 國內外研究現狀

對新能源發電功率預測技術的研究較早起源于國外，尤其以丹麥、德國、瑞士、西班牙和日本等國的相關大學和科研機構為代表。上世紀90年代丹麥開始大力發展風電，促使了其不同公司或高校開始研究新能源功率預測問題。[1]相繼產生了多個產品，如Riso實驗室開發了Prediktor系統，丹麥技術大學開發出WPPT(Wind Power Prediction Tool)系統，而后的用于風電功率預測的Zephry系統就是由Prediktor和WPPT整合而來，另外由ENFOR公司研發的用于光伏功率預測的SOLARFOR系統也比較有代表性；作為國際上較早大面積應用新能源的德國，其Oldenburg大學開發了Previento系統，德國太陽能研究所開發了風電功率管理系統(WPMS)；西班牙Joen大學建立了19kW的光伏發電站驗證其發電預報準確率[2]，通過人工神經網絡算法，以實測的光伏板溫度、日照輻射強度為輸入值，以其I/V曲線為目標函數，訓練神經網絡的多層傳感器，求解出逼近實際工況的I/V曲線，建立了發電功率日照強度、板溫之間的函數關系，經過驗證，該系統2003年發電量預測值與實測值的歷史相關系數高達0.998。國內方面光伏發電量預測技術研發起步較晚。華北電力大學[3]結合光伏組件數學模型和保定地區氣象資料，模擬了30MW光伏電站發電量數據，利用支持向量機回歸分析方法進行功率預測，但該方法無實際光伏電站的實況發電量數據，缺乏實驗驗證，對實際光伏電站發電量預報的指導意義有限。華中科技大學[4]利用該校屋頂光伏并網發電系統資料進行研究，通過2005—2010年不同季節氣象因素與發電量之間的相關分析，得出光伏發電量與輻照度的相關性最大、溫度次之、風速再次之。

圖1

2 功率預測方法及分類

為提高功率預測精度，國內外研究機構都在嘗試各種新的預測方法，主要的功率預測方法分類如(圖1）。

時間序列分析是持續預測法中的一種，其認為風速、輻照強度預測值等于最近幾個風速、輻照強度歷史數據的滑動平均值，通常只是簡單地把最近一點的觀測值作為下一點的預測值。該模型的預測誤差較大，且預測結果不穩定。改進的方法有ARMA模型法、卡爾曼濾波法。

人工神經網絡方法被廣泛用來解決非線性問題的建模方法。它由大量簡單元件相互連接而成的復雜網絡，具有高度的非線性，能夠進行復雜的邏輯操作的非線性關系。其具有很多優良性能，如非線性映射能力、自組織性和自適應性能力、記憶聯想能力、容錯能力等。

圖2 基于物理方法的風功率預測結構圖

按照風電或光伏功率預測的時間尺度可分為中長期、短期和超短期預測。對于中長期預測或更長時間尺度，主要用于風光電場或電網的檢修維護計劃安排等的預測。對于30分鐘～72小時的預測，主要用于電力系統的功率平衡和經濟調度、電力市場交易、暫態穩定評估等稱為短期功率預測。一般認為不超過30分鐘的預測為超短期預測。從預測模型建立角度考慮，不同時間尺度的預測有本質區別：0～3小時的預測主要由大氣條件的持續性決定，所以如果不通過數值天氣預報也能得出較好的預測結果，如采用可得到更好結果。對于時間尺度超過3小時的預測，不考慮數值天氣預測無法反應大氣運動的本質，所以難以得到較好的預測結果，所以通常的預測方法都采用數值天氣預報的數據。

圖3 ARMA超短期預測曲線vs實際曲線

圖4 ARMA短期預測曲線vs實際曲線

圖5 卡爾曼濾波算法超短期預測曲線vs實際曲線

基于物理方法的功率預測流程示意圖如下(以風功率預測為例)。首先通過數值天氣預報得到風速、風向等氣象數據，再根據電場周圍的地理信息參數(等高線、粗糙度、障礙物、溫度分層等)采用軟件計算得到風機輪轂高度的風速、風向、氣溫、氣壓等參數，最后根據風機功率曲線計算得到風電場輸出功率。因為在不同的風向和溫度條件下，即使風速相同，風電場輸出功率也不相等，因此風電場功率曲線是一族曲線，同時還應考慮風電機組故障和檢修的情況。對整個區域進行風電功率預測時，可對所有的風電場輸出功率進行預測，然后求和得到區域總功率。

基于統計方法的風電/光伏的功率預測不考慮風速/輻照變化的物理過程，根據歷史統計數據找出天氣狀況與風光電場出力的關系，然后根據實測數據和數值天氣預報數據對電場輸出功率進行預測。

兩種方法各有優缺點。物理方法無需大量的測量數據，但對大氣的物理特性及風/光電場特性的數學描述要求較高，這些描述方程求解困難、計算量大。統計方法無需對求解方程，計算速度快，但需要大量歷史數據，采用機器學習方法對數據進行挖掘與訓練，得到氣象參數與風/光電場輸出功率的關系。目前的趨勢是將兩種方法混合使用，稱之為綜合方法。

圖6 卡爾曼濾波算法短期預測曲線vs實際曲線

圖7 小波神經網絡拓撲結構

3 三種預測方法的對比

通過應用三種統計預測算法于某案例中對其預測精度進行了對比。案例以某島嶼上的分布式風光電站發電量為檢驗對象，該電站由25臺30kw并網光伏逆變器、5臺50kw風機組成，合計1000kw。選取2013年4月份的歷史功率數據和歷史數值天氣預報數據作為模型建立依據，5月份發電量作為預測對象(因為該區域4，5月份天氣變化相對最小)，并采用同時段的歷史功率數據對模型的預測結果進行驗證。

3.1 ARMA預測模型

3.1.1 ARMA模型的基本原理

ARMA模型也稱為自回歸滑動平均模型，是研究時間序列的重要方法之一，是由自回歸與滑動平均兩種模型“混合”而成。常用于長期追蹤資料的研究和用于具有季節變動特征數據的預測中，所以可將其應用于風電光伏功率預測領域。

3.1.2 預測結果及誤差分析

運用ARMA模型分別對5月1日9時0分至5月31日18時00分進行預測，得到原始風電光伏總功率和預測功率。預測結果如(圖3、4）所示。

常見的預測誤差的評估方法有平均絕對誤差，均方根誤差，相關系數等。均方根誤差放大了出現較大誤差的點，能更好的反映光伏電站預測模型的準確度，因此本文采用均方根誤差RMSE對模型的誤差進行評估。

其中，N-測試樣本數；P-裝機容量。

通過Matlab的計算，我們得到各項指標結果如表1。

圖8 小波神經網絡測試

圖9

圖10 小波神經網絡算法超短期預測曲線vs實際曲線

3.2 卡爾曼濾波預測模型

3.2.1 模型基本原理

卡爾曼濾波法運用了濾波的基本思想，利用前一時刻預報誤差的反饋信息及時修正預報方程，以提高下一時刻的預報精度。要實現卡爾曼濾波法預測風光功率，首先必須推導出正確的狀態方程和測量方程。因已通過時間序列分析建立了風電功率時間序列的ARMA模型，故可將ARMA模型轉換到狀態空間，建立卡爾曼濾波的狀態方程和測量方程。

3.2.2 預測結果及誤差分析(如圖5、圖6)

通過Matlab的計算，我們得到各項指標結果如（表2)。

3.3 小波神經網絡預測模型

對于上文的ARMA模型和卡爾曼濾波模型都屬于線性模型，都必須先對模型結構做出假設，然后對模型參數的估計得到預測值。因此，模型結構的合理與否，直接影響到最終預測的精度。由于風光電場功率具有高度的不確定性，因而單一的線性預測模型不足以挖掘其功率數據中的所有信息。而神經網絡具有自學習、自組織和自適應性，可以充分逼近任意復雜的非線性關系，所以本文選擇小波神經網絡方法對風光功率進行非線性預測研究。

圖11 小波神經網絡算法短期預測曲線vs實際曲線

表1

表2

表3

3.3.1 小波神經網絡法基本原理

小波神經網絡是一種以BP神經網絡拓撲結構為基礎，把小波基函數作為隱含層節點的傳遞函數，信號前向傳播的同時誤差反向傳播的神經網絡。小波神經網絡的拓撲結構如圖7。

3.3.2 模型建立

首先采集四月份一整月的光伏風電功率數據，每隔15min記錄一個時間點，共有960個時間節點的數據，用前四月份30天的功率數據訓練小波神經網絡，最后用訓練好多的神經網絡預測之后的功率數據。基于小波神經網絡的功率預測算法流程圖如圖8所示。

小波神經網絡的拓撲結構如圖9所示。

小波神經網絡訓練：通過數據訓練小波神經網絡，網絡反復訓練100次。

神經網絡網絡測試：用訓練好的神經網絡預測風光功率，并對預測結果進行分析。

3.3.3 預測結果

利用Matlab處理數據并進行計算，我們得到基于小波神經網絡的功率預測結果（圖10、11）。

預測結果分析：

本文采用了ARMA模型、卡爾曼濾波預測算法和小波神經網絡算法對該島的分布式風光電功率數據樣本進行了預測。分析表1～表3預測效果評價指標，我們得到以下認識：小波神經網絡模型中我們得到預測結果：超短期預測精確度誤差最小達到到7%，短期預測精確度誤差最小達到到9%，表明小波神經網絡的預測結果已經相當精確。對小波神經網絡預測曲線與線性預測模型的預測曲線進行對比，可以看到：神經網絡對于光伏風電功率的描繪更加平緩。

4 結論與展望

在對國內外文獻廣泛調研的基礎上，較為全面地論述了風電、光伏功率預測技術的研究現狀和最新動態，對當前功率預測技術方法進行了總結歸納，建立了針對某島嶼分布式風光互補示范工程的高精度發電功率預測模型，成功實現了分布式電源總輸出(光伏風電)的精確預測，實驗運行結果表明：該系統能夠準確預測次日短期和未來4小時超短期光伏發電出力，短期和超短期預測的月平均均方根誤差分別為9%和7%。

為了進一步提高功率預測精度還需要提高數值天氣預報質量，從而得到精度更高更豐富的區域氣象數據。因此需要盡快建立我國數值天氣預報商業化服務，進一步完善風電光伏功率預測系統，提高預測精度。

[1]BOSSANYI E A. Short-term wind prediction using Kalman filters[J]. Wind Engineering, 1985,9(1):1-8.

[2]Almonacid F, Rus C, Perez P J,et al.Estimation of the energy of a PV generator using artificial neural network [J]. Renewable Energy, 2009, 34(12):2743-2750.

[3]粟然,李廣敏.支持向量機回歸的光伏發電出力預測[J].中國電力,2008,41(2):74-78.

[4]陳昌送,段善旭,殷進軍.基于神經網絡的光伏陣列發電預測模型的設計[J].電工技術學報,2009,24(9):153-158.

中歐中小企業節能減排科研合作資金,項目(SQ2013ZOA000003)。

雷毅平(1985一),男,北京人,碩士,光伏系統研發工程師,主要從事光伏并網、離網和微網系統的設計和研發工作。