一種光伏系統短期功率預測模型

劉沛漢，吐爾遜·伊不拉音，趙 力

(1.新疆大學電氣工程學院， 新疆 烏魯木齊 830047；2.國網新疆電力公司昌吉供電公司， 新疆 昌吉 831100)

一種光伏系統短期功率預測模型

劉沛漢1,2，吐爾遜·伊不拉音1，趙 力1

(1.新疆大學電氣工程學院， 新疆 烏魯木齊 830047；2.國網新疆電力公司昌吉供電公司， 新疆 昌吉 831100)

為提高光伏系統發電功率預測精度，優化系統的發電計劃和減少電力系統運行成本,進而為系統調度和實時運行控制提供依據以有效減輕光伏發電系統接入對電網的影響，建立一種基于三層神經網絡和功率波動特性的短期光伏出力預測模型。首先利用氣象局已發布的日類型和溫度信息挑選與預測日最相關的相似日，再基于神經網絡將相似日歷史太陽輻照、溫度、輸出功率建立光伏系統出力初步預測模型；然后以預測日天氣預報信息作為神經網絡的輸入來獲得預測日的功率預測值；最后基于數學量化的由光伏系統相似日歷史出力數據統計分析得到的波動量統計規律對初步預測結果加以修正，建立了具有較高精度的光伏系統出力預測模型。仿真結果表明，該方法建立的預測模型具有較高的精度，進而為調度運行人員提供決策輔助。

光伏出力預測；人工神經網絡；波動量統計規律；預測模型

0 引 言

光伏發電具有波動性和間歇性,大規模光伏電站并網運行會對電力供需平衡、電力系統的安全穩定經濟運行以及電能質量等產生不可忽視的影響。對光伏電站的輸出功率進行預測有助于電網調度部門統籌安排常規電源和光伏發電的協調配合,適時及時地調整調度計劃,合理安排電網運行方式,一方面有效地減輕光伏接入對電網的不利影響,提高電力系統運行的安全性和穩定性,另一方面降低電力系統的旋轉備用容量和運行成本,以充分利用太陽能資源,獲得更大的經濟效益和社會效益。因此光伏系統出力預測就顯得極為重要。

然而，目前光伏系統出力預測在精度方面還遠不能滿足大規模光伏并網電力系統調度的要求，并已成為阻礙光伏發展的主要瓶頸問題之一。因此，亟待針對適應大規模光伏并網電力系統調度的光伏系統出力預測模型進行研究。

光伏電池(系統)具有高度非線性特性，天氣類型因素對其輸出功率的影響尤為明顯，這種影響來源于不同天氣類型條件下太陽輻射強度、溫度和云量等各種氣象因素的巨大差異 。目前光伏出力的研究大都基于其物理特性進行建模，但現有預測模型存在輸入空間維數較高、模型結構復雜等不足[1], 因此，傳統方法所建模型與實際系統特性相匹配程度低，吻合度不夠，系統性能相差甚遠，且對輸出預測值亦未加修正，精度就顯得極為有限。而神經網絡具有逼近任意復雜非線性函數的能力，以之建模，可不考慮建模對象的具體物理意義，規避了模塊內部的復雜性。目前，借助神經網絡對光伏系統出力進行預測的方法大體歸納為兩類：(1)利用系統自身歷史輸出功率數據的直接預測方法[5-9]；(2)基于太陽輻射強度和溫度等天氣信息的間接預測方法[10-13]。但這些方法略顯不足的地方就在于沒有在考慮光伏相似日歷史出力波動特性的基礎上對神經網絡建模并進行二次修正以更大地提高預測精度。

基于如上所述，首先以傳統反傳播神經網絡作為建?；A；然后利用氣象局發布的日類型和溫度信息來挑選與預測日最相關的相似日的歷史出力數據作為樣本訓練神經網絡，進而以預測日太陽輻照、溫度信息作為輸入得到初步預測結果；再利用由歷史出力數據分析得到的波動量統計規律對初步預測結果進行修正，建立了具有較高精度的光伏系統出力預測模型；最后，利用實際光伏系統歷史數據進行了算例驗證分析。

1 光伏系統輸出功率特性

光伏系統的輸出功率受氣象因素、組成元件工作特性以及光伏電池類型與安裝運行方式的影響較大[2-3]，具有隨機性、不連續性等特點。在影響光伏系統出力的諸多因素中，太陽輻照強度和溫度影響最大。從物理意義上講,太陽的輻照是導致光伏電池產生伏特效應的主導因素, 輻照強度的大小直接影響光伏電池出力的大小[7]。一般情況下，若天氣晴朗少云,大氣透明度高,則到達地面的太陽輻射就多,光伏系統出力亦大;相反，若天空中云霧、沙塵多時,大氣透明度低,到達地面的太陽輻射就少,光伏電站輸出功率小。在額定的太陽能轉化率下，當溫度一定時, 光伏系統輸出功率隨著太陽輻照強度的增大而增大；當輻照強度一定而溫度上升時，光伏系統的轉換效率降低，其輸出功率會減小。此外，光伏系統的輸出功率變化還具有很強的周期性，包括日變化周期和年變化周期，光伏系統主要是在每天8：00～17：00內輸出功率，并且在大多數時間內它和電力負荷有較好的耦合性，在上午的負荷高峰時段光伏發電系統能較好地提供相當數量的功率，起到調峰的作用[12]。

2 光伏系統出力預測模型建模

基于神經網絡和相似日歷史出力波動特性，以提高預測精度為目的，提出的光伏系統出力預測思路為：首先基于神經網絡技術對預測日出力進行初步預測，然后利用相似日歷史出力數據的波動量統計規律對初步預測值進行修正，得到最終預測值。具體預測流程如圖1所示。

圖1 總預測思路

2.1 反饋型人工神經網絡結構

采用反饋型人工神經網絡算法的多層感知器是目前應用最廣泛的神經網絡，在多層感知器的應用中，以圖2所示的單隱層網絡的應用最為普遍。一般習慣將單隱層感知器稱為3層感知器，所謂3層包括了輸入層、隱層和輸出層。圖2為所選取的人工神經網絡模型，3層感知器中，輸入矢量為X=(x1,x2,…,xi,…,xn)T,圖中x0是為隱層神經元引入閾值而設置的；隱層輸出矢量為Y=(y1,y2,…,yj,...，ym)T,圖中y0是為輸出層神經元引入閾值而設置的；輸出層輸出矢量為O=(O1,O2,…,Ok,…,Ol)T；期望輸出矢量為d=(d1,d2,…,dk,…,dl)T；輸入層到輸出層之間的權值矩陣用V表示，V=(V1,V2,…,Vj,…,Vm)，其中列矢量Vj為隱層第j個神經元對應的權矢量；隱層到輸出層之間的權值矩陣用W=(w1,w2,…,wk,…,wn)，其中列矢量Wk為輸出層第k個神經元對應的權矢量。下面分析各層信號之間的數學關系。

(1)

yj=f(netj),(j=1,2,…,m)

(2)

隱層到輸出層，有

(3)

Ok=f(netk),k=1,2,…,l

(4)

輸入信息沿圖2所示的方向正向傳遞，最后輸出層的輸出與期望值Od比較，將誤差反向傳遞，調整各個權值和閾值的大小，這樣反復操作直至輸出誤差達到允許的范圍。以溫度T和太陽輻照強度C為網絡的輸入量(輸入層輸入)光伏系統的輸出功率P為網絡的輸出(輸出層輸出)。

圖2 反饋型人工神經網絡結構圖

2.2 初步預測建模

在目前國內外的各種預測方法中，由于人工神經網絡能夠建立高度非線性的模型且特別適宜隨機平穩變化過程的模擬，因此光伏系統輸出功率預測也是其應用的一個重要領域。

某一時刻的太陽輻照強度、溫度、云量等外界自然因素以及光伏系統本身利用太陽能的能力決定了光伏系統在該時刻的輸出功率。影響光伏系統將太陽能轉化成電能能力的因素比較多，如電池板的類型、電池板自身的特性曲線以及電池板的分布等。光伏系統自身具有高度的非線性特性，若孤立地考察每個影響因素與其輸出功率之間的關系，這對于光伏系統并網電力系統的研究是沒有實際意義的；但是將這些影響因素綜合作為一個整體加以考慮，其與光伏系統的輸出功率之間一定存在著某種映射關系[8]。因此，光伏系統輸出功率的預測模型必須要能夠高精度地反映這種映射關系。

神經網絡的主要優點是可以學習和自適應未知信息，能夠通過學習已有樣本信息來建立反映所要處理信息之間的內在聯系的模型。對于光伏系統輸出功率預測初步模型的建模思路是：構建神經網絡，利用氣象局發布的日類型和溫度信息來挑選與預測日最相關的相似日，利用相似日的歷史太陽輻照強度、溫度以及對應的光伏系統輸出功率數據對模型進行訓練。當用大量的歷史數據將其訓練到所要求精度時，該神經網絡模型就能在所要求的精度范圍內模擬作為研究對象的特定光伏系統，即實現初步預測模型的建立。由于訓練模型需要的數據量較大，為了提高程序的運算速度和模型預測的精度，必須先對這些數據進行預處理，再用于模型的訓練，進而得到較準確的初步預測模型，對光伏系統的未來某日內的輸出功率曲線進行初步預測。具體程序流程如圖3所示。

圖3 基于神經網絡的光伏出力初步預測流程圖

2.3 初步預測誤差修正建模

光伏系統的歷史出力存在著特定的出力波動特性，作為研究對象，預測日的預測出力也一定要滿足該光伏系統中由相似日歷史出力統計得到的波動特性，因此提出在初步預測的基礎上，依據相似日歷史出力波動量統計規律對預測值加以修正。

(5)

(6)

(7)

對初步預測值加以修正的流程如圖4所示。

圖4 初步預測誤差修正流程圖

3 算例分析

3.1 算例仿真與分析

以新疆某光伏系統作為研究對象，對某年9月21日系統出力進行預測。根據9月21日最新天氣預報，通過分析光伏電站每日監控數據的變化趨勢，并比照該地區9月中旬每一天早、中、晚三時間段的太陽輻照強度、溫度、濕度、風力等級以及云層狀態等信息，在文獻[8]所定義的相似日選取方法的基礎上，遴選出9月18日作為樣本來訓練神經網絡，擬對9月20日光伏出力進行預測。該光伏系統某年9月18日的太陽輻照強度、溫度和相應輸出功率數據為分析樣本，該樣本從7:00～19:30以每隔10min為一個采樣點，共計連續75點。圖5、圖6和圖7分別給出了這75個采樣點的太陽輻照強度、溫度和相應輸出功率的數據及其變化趨勢，圖8為其歷史出力數據波動量統計圖。

圖5 太陽輻照強度歷史數據

圖6 溫度歷史數據

圖7 輸出功率歷史數據

用18日歷史太陽輻照強度、溫度和相應輸出功率數據做學習樣本對神經網絡進行訓練，最后應用訓練好的神經網絡對該光伏電站21日的輸出功率進行預測，并與實際輸出功率比較，考證其預測誤差。該光伏電站預測模型預測得到的21日出力如圖9所示，初步預測值、最終預測值和實測值3條曲線對比如圖10所示。從圖10可以看出初步預測值基本上跟蹤了實測值的變化趨勢，但在局部時段出現了畸變點；經過修正后的最終預測值就更加接近于實測值，基本趨于重合。通過仔細觀察可以發現即使是修正后的預測值在某些時段依然存在較大誤差，此現象的出現可能是由于該時段外界條件的急劇變化大大地增強了光伏系統的非線性特性所致。

圖8 相似日歷史數據波動量統計圖

圖9 相似日歷史出力與預測日預測出力

圖10 預測日輸出功率預測值和實際值

3.2 光伏系統預測性能評估

利用75個采樣點采用每日平均相對誤差百分比(dailymeanrelativepercentageerror，DMRPE) ηDMRPE和均方根誤差(rootmeansquareerror，RMSE)ηRMSE對發電預測結果評估，DMAPE評估整個系統的預測能力，RMSE評估整個光伏系統預測出力值的離散程度。

(8)

(9)

式中，Pfi、Pi為預測修正及實際的發電功率，kW·h；P為光伏系統額定功率，kW·h。

計算表明，預測相對誤差ηDMRPE主要集中于ηDMRPE≤4.7%之間。如果誤差落在Δej內的概率為

圖11 預測誤差概率分布

Pj，則Pj可以用公式(10)來計算.

(10)

由式(10)計算可得誤差在ηDMRPE≤4.7%內的概率為0.948 7，大于4.7%的概率僅為0.051 3。

所提預測模型在很大程度上高精度地反應了光伏系統外界條件與輸出功率之間的映射關系。預測相對誤差近似服從正態分布，其期望值近似為0，其均方根誤差ηRMSE為0.951 7，如圖11所示。

4 結 論

高精度的光伏電站輸出功率預測對優化系統發電計劃、減少電力系統運行成本和系統經濟可靠運行有著重要現實意義。提出以傳統反饋型人工神經網絡作為建模基礎，利用相似日太陽輻照、溫度、歷史出力信息對其訓練建立的初步預測模型對預測日的光伏系統出力進行了預測，再根據相似日歷史出力波動量統計規律設計的算法對初步預測結果加以修正，并做了預測誤差的概率統計和分析。算例分析結果說明，該預測模型顯著提高了預測精度，較好地模擬了現場光伏系統的實際情況，為從預測太陽輻照強度、溫度到預測功率提供了一種良好的方法。對于研究大規模光伏系統出力預測提供一定參考。

[1] 李晶,許洪牮,趙海翔，等.并網光伏電站動態建模及仿真分析[J].電力系統自動化,2008,32(24):83-87.

[2] 張艷霞,趙杰,鄧中原.太陽能光伏發電并網系統的建模和仿真[J].高電壓技術,2010,36(12):3097-3012.

[3] 茆美琴,蘇建徽,張國榮,等.大型光伏并網系統的建模與仿真[J].合肥工業大學學報(自然科學版),2005,28(9):1069-1072.

[4] Istvian Nagy，et al.Small-signal Analysis of a Dual Channel Resonant Buck and Boost Converter[C].Industrial Electronics, Proceedings of the 2002 IEEE International Symposiumon,July 2002,4(8-11):1279-1284.

[5] 郭亮,陳維榮,賈俊波,等.基于粒子群算法的BP神經網絡光伏電池建模[J].電工電能新技術,2011,30(2):84-87.

[6] 張艷霞,趙杰.基于反饋型神經網絡的光伏系統發電功率預測[J].電力系統保護與控制,2011,39(15)：96-101.

[7] 盧靜,翟海青,劉純,等.光伏發電功率預測統計方法研究[J].華東電力,2010,38(4):0563-0567.

[8] 王彬筌,蘇適,嚴玉廷.基于BP神經網絡的光伏短期功率預測模型[J].電氣時代,2014(5):78-81.

[9] 張嵐,張艷霞,郭嫦敏,等.基于神經網絡的光伏系統發電功率預測[J].中國電力,2010,43(9): 75-78.

[10] 王飛,米增強,楊奇遜,等.基于神經網絡與關聯數據的光伏電站發電功率預測方法[J].太陽能學報,2012,33(7):1171-1177.

[11] 張艷霞,趙杰.基于反饋型神經網絡的光伏系統發電功率預測[J].電力系統保護與控制，2011,39(15):96-101.

[12] 代倩,段善旭,蔡濤,等.基于天氣類型聚類識別的光伏系統短期無輻照度發電預測模型研究[J].中國電機工程學報,2011,31(34):28-35.

[13] 金鑫,袁越,傅質馨,等.天氣類型聚類的支持向量機在光伏系統輸出功率預測中的應用[J].現代電力,2013,30(4):13-18.

In order to improve the prediction accuracy of photovoltaic power generation system, the power generation plans of the system are optimized and the operating costs of power system are reduced, and then it provides the basis for real-time scheduling and operating control to effectively mitigate the impact of photovoltaic power generation system on power grid, and a short-term forecasting model based on three-layer neural network and fluctuation characteristics of photovoltaic power is established. Firstly, the information of day type and temperature which have been released by meteorological bureau are used to pick up the similar day which is most relevant to the predicted day, and then a preliminary forecasting model based on neural network is established by using the previous solar irradiance, temperature, output power of the similar days. Secondly, the weather forecasting information of the predicted day is taken as the input of neural network to obtain the preliminary output power of the predicted day. At last, the fluctuation statistics law is obtained through counting and analyzing the historical output data of the similar days, and then the preliminary predictions are corrected by the law, thus a forecasting model with higher precision of PV system output is established. The simulation results show that the forecasting model established by the proposed method has a higher accuracy and can provide the decision support for dispatchers.

photovoltaic output forecasting; artificial neural network; fluctuation statistical law; forecasting model

國家自然科學基金項目(51167018)

TM74

A

1003-6954(2015)01-0001-05

2014-12-22)

劉沛漢(1988)，碩士研究生，研究方向為潔凈能源及其并網技術。