基于相似日重組的分布式光伏電源發(fā)電功率預測

張　磊　陳國恩　王躍強

（國網(wǎng)嘉興供電公司，浙江 嘉興　314000）

?

基于相似日重組的分布式光伏電源發(fā)電功率預測

張磊陳國恩王躍強

（國網(wǎng)嘉興供電公司，浙江 嘉興314000）

摘要在分布式光伏電源大規(guī)模接入的情況下，發(fā)電功率的預測問題受到越來越多的重視。本文在全面統(tǒng)計分析影響光伏電源發(fā)電功率的因素的基礎上，提出可針對氣象部門提供的預測日分時氣象數(shù)據(jù)分別尋找相似數(shù)據(jù)點，并將歷史數(shù)據(jù)重新組合成為新的相似日，再進行預測。本文以某區(qū)域分布式電源智能管控平臺的實測數(shù)據(jù)為樣本，運用BP算法進行訓練和預測，取得了較好效果，尤其在天氣突變時優(yōu)勢更為明顯。

關(guān)鍵詞：分布式光伏；相似日重組；發(fā)電功率

隨著全球能源形勢越來越嚴峻，分布式光伏受到越來越多的關(guān)注。但因為光伏發(fā)電出力的波動性和不確定性，為防止對電網(wǎng)造成較大沖擊，對電網(wǎng)安全造成不利影響，有必要對光伏電源發(fā)電功率進行準確預測。目前多數(shù)成果在考慮光伏電源發(fā)電功率預測中因為實際條件的限制，主要側(cè)重在大面積建設的光伏電站的發(fā)電功率的研究，或者實驗室條件下少量電池板的研究，而對于大規(guī)模接入的分布式光伏電源發(fā)電功率預測的研究較少。本文基于嘉興區(qū)域分布式電源智能管控系統(tǒng)，是浙江省乃至全國首套新能源區(qū)域調(diào)控系統(tǒng)（如圖1所示），實現(xiàn)嘉興地區(qū)（包括五個縣市）分布式電源信息全接入，累計接入461個站點，總裝機容量444.4MW，并與氣象局氣象系統(tǒng)實現(xiàn)數(shù)據(jù)接口，可接收嘉興區(qū)域內(nèi)的天氣類型、最高氣溫、最低氣溫、相對濕度、降水量等實時氣象信息和次日整點的天氣類型、氣溫、相對濕度、輻照強度、云量等預測氣象信息。

圖1　嘉興分布式電源智能管控平臺

國內(nèi)外已有通過改進相似日預測光伏發(fā)電功率的論文[1-5]，但在相似日的選取上不夠精細，基本上根據(jù)預測日與歷史日的天氣類型、溫度、濕度等條件確定歷史的某天為相似日，也有直接采用前一天作為相似日進行預測的，在這種情況下，一方面受限于樣本容量，難以找到符合條件的相似日樣本，另一方面，由于天氣變化情況隨機性較大，導致相似日（分時氣象參數(shù)）與預測日氣象條件（數(shù)值和變化趨勢）相似度不夠，增加算法復雜度的同時還影響預測效果，尤其對多變天氣（晴轉(zhuǎn)多云、晴有雨）等的預測結(jié)果很不理想。

本文在全面統(tǒng)計分析影響光伏電源發(fā)電功率的因素的基礎上，提出可針對預測日的分時氣象數(shù)據(jù)分別尋找相似數(shù)據(jù)點，并將歷史數(shù)據(jù)重新組合成為新的相似日，再進行預測。在模型的構(gòu)建上，以實測數(shù)據(jù)為樣本，按季節(jié)和天氣類型分別建立子模型；在算法的選擇上，選用BP神經(jīng)網(wǎng)絡進行訓練和預測，取得了較好效果，尤其在天氣突變的情況下優(yōu)勢更為明顯。

1　影響光伏發(fā)電功率的因素

文獻[1]中，給出單位面積的光伏陣列輸出功率為

式中，η為額定轉(zhuǎn)換效率；S為光伏陣列面積；I為光伏組件傾斜面上的太陽輻照強度；T為組件溫度。

依據(jù)式（1）各參數(shù)，對各因素分析如下：

天氣類型、降雨量、霧霾指數(shù)、云量、氣溶膠濃度、濕度、氣壓等因素主要對太陽輻照度產(chǎn)生影響，而氣象部門隨著預測水平的不斷提升，已經(jīng)能夠提供歷史資料更全面、預測手段更專業(yè)的太陽輻照度預測數(shù)據(jù)，因此在光伏預測系統(tǒng)里對太陽輻照度進行建模并間接預測方法是不必要的。

太陽輻照度并不能完全反映式（1）中的I，還需要考慮光伏組件清潔度，它主要受降水量、風速、霧霾指數(shù)、清洗頻次等因素的影響，但從工程的角度，除去清洗前后區(qū)別較大以外，可以近似認為光伏組件清潔度在短期內(nèi)保持不變。

氣溫、風速、濕度、陰影、積灰和熱斑等因素主要對光伏組件溫度產(chǎn)生影響，其中氣溫、濕度為主要影響因素，陰影、積灰和熱斑等是量的緩慢變化，可以近似認為在短期內(nèi)保持不變。

組件材料、轉(zhuǎn)換效率、安裝位置、陣列面積、安裝角度、老化程度等可以認為是光伏電源的固有因素，可以近似認為在短期內(nèi)恒定不變。

文獻[6]證明了天氣類型、季節(jié)等對光伏電源發(fā)電功率的影響，可歸為其他因素。

在實際運行環(huán)境中，光伏發(fā)電功率的影響因素很多，相互之間關(guān)系也是錯綜復雜，所以通過考慮所有參數(shù)進行建模并預測的難度很大，效果未必最優(yōu)。而對于分布式光伏站點而言，歷史數(shù)據(jù)中已經(jīng)囊括了轉(zhuǎn)換效率、組件清潔度、固有因素等信息[7]。而嘉興區(qū)域分布式電源智能調(diào)控系統(tǒng)，自2014年上線運行以來，已積累了各區(qū)域、各季節(jié)、多種天氣類型的數(shù)據(jù)樣本，形成較為完整的樣本庫。

同時，環(huán)境濕度對太陽輻照度和光伏組件溫度均有一定影響，暫無證據(jù)表明在BP算法中濕度的影響可以通過其他因素體現(xiàn)出來，因此選用季節(jié)、天氣類型作為相似日選擇的樣本源，以太陽輻照度、環(huán)境溫度、環(huán)境濕度作為選取相似日的依據(jù)，同時計及短期內(nèi)恒定的各因素。

2　相似日重組

相似日重組表述的是在季節(jié)和天氣類型均相同的前提下，按點找出氣象參數(shù)高度相似的歷史值，并重新組合為相似日，是對傳統(tǒng)相似日的進一步細化。光伏發(fā)電功率預測，一般分為兩個過程：①選取相似點；②根據(jù)相似點的光伏發(fā)電功率以及待預測日的分時天氣數(shù)據(jù)分別預測待預測日的光伏分時發(fā)電功率[8]。

1）相似度的計算

利用氣象局提供的整點氣象特征信息（本文選取太陽輻照度、溫度、濕度）來挑選相似點。光伏發(fā)電功率的影響因素構(gòu)成如下向量：

式中，Y1為太陽輻照度，Y2為環(huán)境溫度，Y3為環(huán)境濕度。

設Yp和YN（N=1, 2, …）分別為預測整點和歷史整點的氣象因素特征向量，于是有

第n個歷史點在第i個氣象因素上的差值可表述為

差值歸一化為

YP與YN在第i個因素的關(guān)聯(lián)系數(shù)為

式中，ρ是分辨系數(shù)，其值一般取0.5。綜合各特征的關(guān)聯(lián)系數(shù)，定義整個YP與YN的相似度為

式中，β為縮減系數(shù)，范圍為0.9～0.98，表示歷史數(shù)據(jù)點與預測點每增加一周的縮減比例；t表示歷史數(shù)據(jù)與預測數(shù)據(jù)相距天數(shù)，int表示取整；太陽輻照度對發(fā)電功率影響最大，加權(quán)0.7，溫度次之，加權(quán)0.2，濕度加權(quán)0.1。

2）相似日的重組

剔除明顯異常的數(shù)據(jù)，并按照春、夏、秋、冬四季和晴天、多云、雨天三種天氣類型劃分為12種子類型，以此作為相似點選擇的數(shù)據(jù)集[9]。

在季節(jié)和天氣類型相同的情況下，從最臨近預測日的歷史數(shù)據(jù)點開始，逆向計算歷史整點氣象特征信息與預測日整點的相似度值FN；選取相似度最高的3點作為預測點的相似點，并按照時間先后順序重新組合為新的3個相似日。

3　BP神經(jīng)網(wǎng)絡算法

BP（Back Propagation）網(wǎng)絡是一種非線性、多層前饋型神經(jīng)網(wǎng)絡，具有很強的非線性映射能力、自學習自適應能力、容錯能力和泛化能力[10]，主要由輸入層、隱含層、輸出層和各層間的傳遞函數(shù)構(gòu)成。算法原理是先通過輸入輸出數(shù)據(jù)訓練BP神經(jīng)網(wǎng)絡，使網(wǎng)絡能夠表達該未知函數(shù)，然后就可以用訓練好的BP神經(jīng)網(wǎng)絡預測系統(tǒng)輸出。

3.1輸入層和輸出層節(jié)點的確定

嘉興地區(qū)的太陽能資源并非全天均可用，考慮夏季光照時長較長，全天需預測5時至18時的發(fā)電功率，其余時段基本為0。因此輸入節(jié)點包括42個變量，分別為5時至18時對應的氣象信息：太陽輻照度、溫度、濕度。輸出節(jié)點（目標向量）即為預測日5時至18時整點的發(fā)電功率，共14個。

3.2隱含層及隱節(jié)點數(shù)的確定

隱含層只能根據(jù)經(jīng)驗獲得，在考慮時間和精度的基礎上，通過對發(fā)電功率數(shù)據(jù)庫樣本的反復訓練和試湊，最終隱含層選擇一層，隱節(jié)點數(shù)選擇22。

網(wǎng)絡的隱含層和輸出層的神經(jīng)元激勵函數(shù)均采用S型正切函數(shù)tansig[10]：

3.3數(shù)據(jù)歸一化處理

神經(jīng)網(wǎng)絡的隱含層選取sigmoid函數(shù)作為轉(zhuǎn)移函數(shù)，輸出被限制為[0, 1]或者[?1, 1]之間。而氣象參數(shù)不在此范圍，因此要對輻照度、溫度和濕度等數(shù)據(jù)同樣進行歸一化處理。歸一化公式為

式中，n、N分別表示原始輸入和歸一化數(shù)據(jù)；nmin、nmax分別表示的最小值和最大值。

3.4模型的訓練與評估

以重組歷史日的氣象數(shù)據(jù)作為輸入，以重組歷史日對應的實際發(fā)電功率作為輸出，對重組歷史日的數(shù)據(jù)樣本進行BP神經(jīng)網(wǎng)絡訓練。通過2組重組歷史日的樣本數(shù)據(jù)進行學習后，再以第3組數(shù)據(jù)進行測試，滿足要求后即可用于預測。

為保證模型預測誤差的平穩(wěn)性，采用平均絕對百分比誤差作為模型評估方法；

式中，N為數(shù)據(jù)的個數(shù)；Pfi為預測值；Pai為實際值。

4　算例及結(jié)果

本文以嘉興市區(qū)某光伏站點（接線圖如圖2所示）在6月12日（晴）和6月24日（陰轉(zhuǎn)多云）兩日的功率預測值、實際值和氣象預測信息、實際信息進行分析。

圖2　嘉興某光伏電站接線圖

考慮光伏發(fā)電功率短期內(nèi)恒定的影響因素，選取近一個月的數(shù)據(jù)為樣本，相似度大于0.9的前三個數(shù)據(jù)完成相似日的重組，并以3組重組相似日的氣象數(shù)據(jù)和歷史數(shù)據(jù)分別作為輸入和輸出進行網(wǎng)絡訓練。最后以預測日的氣象信息作為輸入，得出預測日的整點發(fā)電功率。

6月12日的預測曲線如圖3所示。

圖3　某光伏電站6月12日實際發(fā)電與預測發(fā)電對比

經(jīng)計算，各時間點的平均絕對百分比誤差如下，說明在天氣類型為晴天的情況下，得到了較好的預測效果。清晨和傍晚時段的預測誤差相對較大，因為此段時間光伏系統(tǒng)在處于起動或即將停止狀態(tài)，環(huán)境溫度已不能完全反應組件溫度。該日的平均絕對百分比誤差為7.05%，已經(jīng)滿足實際應用的要求。

表1　某光伏電站實際發(fā)電與預測發(fā)電誤差百分比

6月24日（陰轉(zhuǎn)多云）的預測曲線如圖4所示。

經(jīng)計算，各時間點平均絕對百分比誤差見表2。

可見，在天氣多變時，預測誤差會迅速擴大，此時的均方根誤差為24%，一方面因為天氣變化很快，（尤其多云大風天氣），具體情況不易把握；另一方面，天氣突變引起溫度、濕度等一系列變化，引起光伏發(fā)電功率波動較大。不過預測曲線與實際在趨勢較為吻合，在一定程度上反映了光伏實際的發(fā)電情況。

圖4　某光伏電站6月24日實際發(fā)電與預測發(fā)電對比

表2　某光伏電站6月24日實際與預測發(fā)電誤差百分比

5　結(jié)論

光伏發(fā)電功率預測對氣象信息的依賴程度較高，而嘉興地區(qū)易受臺風、雷雨等惡劣天氣的影響，要實現(xiàn)準確的氣象預報難度很大，因此會引起光伏發(fā)電功率預測的結(jié)果偏差較大。

目前僅能對夏季進行了預測，其他季度未能仔細考量，但夏季天氣多變、極端，而在夏季的結(jié)果已能說明基于重組相似日的神經(jīng)網(wǎng)絡算法有效，能在天氣劇烈變化時提升分布式光伏站點發(fā)電功率的預測精度。

參考文獻

[1] YONA A, SENJYU T, FUNABASHI T. Application of recurrent neural network to short-term-ahead generatingpower forecasting for photovoltaic system[A]. IEEE Power Engineering Society General Meeting. Tampa[C]. USA L: IEEE, 2007.

[2] 丁明, 王磊, 畢銳. 基于改進BP神經(jīng)網(wǎng)絡的光伏發(fā)電系統(tǒng)輸出功率短期預測模型[J]. 電力系統(tǒng)保護與控制, 2012, 40(11): 93-99, 148.

[3] 陳昌松, 段善旭, 殷進軍. 基于神經(jīng)網(wǎng)絡的光伏陣列發(fā)電預測模型的設計[J]. 電工技術(shù)學報, 2009, 24(9): 153-158.

[4] 吳雪蓮, 都洪基. 基于BP神經(jīng)網(wǎng)絡-馬爾科夫鏈的光伏發(fā)電預測[J]. 電工電氣, 2014(3): 22-27.

[5] 褚華宇, 高志強, 盛四清. 計及霧霾影響的光伏功率預測方法[J]. 河北電力技術(shù), 2014, 33(5): 23-26.

[6] 東海光. 光伏并網(wǎng)發(fā)電系統(tǒng)的發(fā)電預測研究[D]. 天津: 天津大學, 2012.

[7] 王清龍. 光伏發(fā)電系統(tǒng)發(fā)電功率預測研究[D]. 天津:天津大學, 2014.

[8] 傅美平, 馬紅偉, 毛建容. 基于相似日和最小二乘支持向量機的光伏發(fā)電短期預測[J]. 電力系統(tǒng)保護與控制, 2012, 40(16): 65-69.

[9] 林輝, 劉晶, 郝志峰, 等. 基于相似日負荷修正的節(jié)假日短期負荷預測[J]. 電力系統(tǒng)保護與控制, 2010, 38(7): 47-51.

[10] 李鵬梅, 臧傳治, 王侃侃. 基于相似日和神經(jīng)網(wǎng)絡的光伏發(fā)電預測[J]. 可再生能源, 2013, 31(10): 1-4, 9.

張磊（1986-），男，工程師，國網(wǎng)嘉興供電公司調(diào)控中心自動化運維班主管，長期從事電力調(diào)度自動化工作。

Power Generation of Distributed Photovoltaic Power Generation based on Similar Days of Restructuring

Zhang LeiChen GuoenWang Yueqiang
(Jiaxing Zhejiang Power Company, Jiaxing, Zhejiang314000)

Abstract In the case of large-scale distributed PV power supply, the problem of power generation is becoming more and more important. On the basis of analyzing the factors that influence the power generation of photovoltaic power generation, the paper puts forward that the meteorological data can be used to predict the daily meteorological data. In this paper, we use the BP algorithm to train and predict the measured data of a regional distributed power supply intelligent control platform.

Keywords：distributed PV; Similar day restructuring; power generation

作者簡介