太陽能光伏發電功率短期智能預測方法

段培永，張潔玨，崔沖，張震，鄒明君，呂東岳

(山東建筑大學 信息與電氣工程學院，山東 濟南 250101)

?

太陽能光伏發電功率短期智能預測方法

段培永，張潔玨，崔沖，張震，鄒明君，呂東岳

(山東建筑大學 信息與電氣工程學院，山東 濟南 250101)

隨著能源危機的加劇，太陽能光伏產業日益受到關注。而太陽能光伏發電功率存在波動性和隨機性的特點，為減輕其對電網的影響，進行光伏出力預測是解決這一問題的基本途徑。文章針對短期光伏預測中存在的計算量大、預測精確度低等難題，在對現場數據進行采集、處理與定量分析的基礎上，基于改進的超閉球神經網絡(Improved hyperball CMAC，IHCMAC)理論，提出了短期智能預測算法并對其加以改進，利用采集的氣象參數、光伏發電數據，構建了光伏發電功率預測模型，并通過性能評價驗證了該算法的有效性。

光伏發電；短期功率預測；超閉球神經網絡；短期智能預測算法

0　引言

為緩解能源危機，新能源的開發和利用引起了人們的廣泛重視。潔凈、無噪音、可靠的太陽能資源可作為煤、石油等化石燃料的最佳替代品。發達國家目前正在把太陽能的開發利用作為能源革命的主要內容和長期規劃。我國76%的國土光照充沛，光能資源分布較為均勻，光伏產業有很好的發展前景。國家鼓勵開展多種形式的分布式光伏發電應用。重點支持屋頂面積大、用電負荷大、電網供電價格高的工業園區和大型工商企業開展光伏應用，使具備條件的大屋頂資源得到充分利用。到2020年，中國光伏總裝機將達到150～200 GW，平均每年裝機達20 GW，2030年達到25 GW，2030年以后每年裝機達到80 GW。光伏產業在新能源發展中的地位日益突出，研究其功率預測問題迫在眉睫[1]。光伏功率預測能夠有效的幫助電網調度部門做好各類電源的調度計劃，準確的光伏預測可以減小光伏并網給電網的安全運行帶來的影響，還可以使電網減少光伏限電，大大提高了電網消納光能的能力，減少了由于限電給光伏業主帶來的經濟損失，增加了光伏電站投資回報率[2]。

目前光伏功率預測主要有三種方法：(1) 物理方法利用數值天氣預報信息(NWP)數據作為輸入，研究光伏陣列模型的特性，搭建光伏發電輸出功率與NWP數據的數學模型[3-5]，作為光伏發電輸出功率的預測模型。(2) 統計方法通過挖掘歷史數據內在規律，采用時間序列法、時間序列外推法和點預測法等構建歷史數據與光伏發電輸出功率的函數映射關系[6-7]。(3) 學習方法利用人工神經元網絡、模糊邏輯系統等輸入輸出的非線性映射能力，建立光伏發電預測智能化模型[8]。物理方法模型構建復雜、參數選取及建模過程復雜、運算量較大，預測精度較差，但優點在于不需要大量的數據支撐。統計方法預測精度雖略高于物理方法但需要大量的歷史數據[9]，學習方法模型具有算法簡單、計算量小等特點。張立影等提出了雙層BP神經網絡的學習方法來預測光伏電站輸出功率，由于利用太陽輻射量理論計算值不能真實反映實際輻射情況導致預測精度降低[10]。朱永強等利用支持向量機作為預測方法并按照天氣類型建立預測模型，但實驗數據由軟件仿真得出，不能反映實際系統的復雜運行情況及功率波動[11]。王守相等提出了一種基于灰色神經網絡組合模型進行短期光伏出力預測方法，雖然預測精度較高，但模型復雜、運算量大[12]。針對上述問題采用基于模糊聚類的IHCMAC神經網絡學習方法作為光伏發電功率預測方法。其具有很強的非線性擬合能力，可映射任意復雜的非線性關系，學習規則簡單，便于計算機實現。

CMAC具備良好的特性，如快速學習，良好的泛化能力和計算能力[13-14]，傳統HCMAC神經網絡輸入空間采用等網格量化方式劃分，而學習數據在學習空間里分布不均勻，會導致一部分節點無效，而數據集中的點則因承擔的信息量過大其學習精度反而下降[15-16]。因此,學者提出了一種改進算法IHCMAC (Improved hyperball CMAC)[17],但是該算法聚類終止條件是人為給出且根據聚類準則函數的收斂速度來判斷聚類數目并不準確可靠，IHCMAC聚類網絡節點是聚類子集中所有數據的中心點，并沒有均衡反映該聚類子集內的所有數據而聚類中心應該映射出該子集中所有數據的均值。由此提出一種改進的基于模糊聚類的IHCMAC神經網絡短期光伏發電功率預測方法，采用K-平均(K-MEANS)聚類算法來確定聚類中心以及聚類數目。通過光伏發電功率與氣象因素的相關性分析，確定神經網絡輸入因素，利用上述改進模型訓練出預測結果。預測結果表明，該方法能夠達到較好的預測精度，為光伏發電功率預測提供有效的方法。

1　光伏發電現場數據采集、處理與分析

1.1數據采集

以山東某企業科技開發建筑供電的20 kW光伏電站為研究對象，利用現場安裝的微型氣象站采集溫度、濕度等氣象數據；利用光伏發電顯示器采集光伏電站的實時功率。圖1為本實驗的光伏系統實驗平臺和本地微型氣象站，可以提供溫度、濕度、輻射強度、風速、氣壓、海拔數據。設定采樣周期10 min，采集溫度、濕度、風速、輻射強度數據。

圖1　光伏發電系統和微型氣象站圖

1.2數據處理

(1)

將歸一化后的數據利用平均值法進行缺失數據修補，再用拉依達準則剔除異常值。由式(2)確定為

Δxi>3σ

(2)

1.3相關性分析

利用本單位歷史實測發電數據與氣象數據為參考，分析不同氣象因素對光伏發電系統輸出功率的影響因素，確定出預測模型的輸入。

1.3.1太陽輻射強度對光伏發電的影響

一般來說，輻射量與發電量成正比，一定時間段內的輻射量累計量再乘以光伏發電系統轉換效率即可估算相應時段的發電量。因此，理論上講，太陽輻射是光伏輸出的最直接影響因素。隨機抽取一天的太陽輻射強度和氣象因素，并歸一化后與光伏功率進行相關性驗證。

圖2是利用本實驗實測數據進行的光伏發電功率與輻射相關性對比圖，從圖中可以看出，功率曲線的走勢基本和輻射曲線吻合，太陽輻射強度與光伏輸出功率關聯性極大。

圖2　光伏發電功率與輻射相關性圖

1.3.2氣象因素對光伏發電的影響

光伏發電出力除了太陽輻射強度影響外，還受溫度、濕度、風速等氣象條件的影響。太陽能光伏發電受溫度的影響主要表現在太陽能電池電性能隨溫度的變化而變化。太陽能電池工作在溫度較高情況下,開路電壓隨溫度的升高而大幅下降,同時導致充電工作點的嚴重偏移,易使系統充電不足而損壞。濕度和風速對光伏發電功率的直接影響很小，但是其分別影響光伏電池板吸收太陽輻射的強度和光伏電池板表面的溫度，從而影響光伏出力。

如圖3所示，在一定的溫度范圍內光伏發電功率隨著溫度的升高而增大，當溫度過高時發電功率反而下降。功率的變化和風速的變化趨勢大體相同，但是相關性不大，但是，風速會影響光伏電池板表面的溫度，因此風速也是電其中一個影響因素。與其他氣象因素不同的是當濕度增大，功率則下降，濕度與功率呈現負相關。

2　基于IHCMAC的短期智能預測算法及其改進

2.1IHCMAC算法

(3)

式中：Ni為屬于第i個聚類中心的數據對數；聚類中心所對應的權值記做qj。則以輸入xk為超閉球中心，Rb為超閉球半徑，來定義超閉球由式(4)確定為

(4)

定義在超閉球內的點被激活，假設有l個節點被激活，基函數的高斯正態分布函數由式(5)確定為

‖xk-pj‖≤Rb

(5)

未被激活節點的高斯基函數為0。高斯基函數參數σ由式(6)確定為

(6)

圖3　光伏發電功率與氣象因素相關性圖

(7)

權值學習采用改進的C-L算法由式(8)確定為

(8)

式中：α、β是常數，當0<α<2、β>0時，算法收斂。針對不同的樣本，僅需局部調整權系數。 q0是神經網絡權系數初始值向量，根據模糊聚類算法將學習數據劃分為L組，假設第m組數據包括個數據對，其聚類中心為pm，每組對應的權值由式(9)為

(9)

修正權系數q由式(10)確定為

(10)

IHCMAC神經網絡是在聚類子集中選取中心點作為網絡節點，不能夠反映該聚類子集中所有數據的平均情況從而影響可靠性和精度。聚類終止條件ε是人為給出，并且根據聚類準則函數的收斂速度來判斷聚類數目不但加大了運算量而且使聚類數目并不精確。若能給出一個根據聚類準則函數值是否為0或接近于0來判斷聚類數目的方法，同時利用聚類子集中數據的平均值作為網絡節點，則會減少運算量并使神經網絡模型的精度有所提高。

2.2IHCMAC神經網絡算法的改進

K-平均聚類算法對于處理大數據集聚類問題時，是相對可伸縮和高效的，其通過迭代過程把數據集劃分為不同類型的具有一定數量的組，即形成聚類子集。各個聚類子集內的所有數據樣本的均值作為聚類中心點，經過觀察聚類準則函數是否為0或接近于0來確定聚類數目。

算法的具體步驟如下：

(1) 先隨機選取K個對象作為初始的聚類中心。

(2) 將樣本集中的樣本xi按照最小距離原則分配到最鄰近聚類zj由式(11)確定為

(11)

(3) 使用每個聚類中的樣本均值作為新的聚類中心。

(4) 重復步驟2、3直到聚類中心不再變化。

(5) 結束，得到K個聚類。

這樣經過迭代可以獲得K個聚類中心即網絡節點，聚類準則函數由式(12)確定為

(12)

當J最小的時候，函數對于每個聚類中心的偏導數為0,即式(13)表示為

(13)

得到聚類中心由式(14)確定為

(14)

這說明取類內樣本均值為聚類中心可以使得聚類準則函數最小。

通過上述步驟，獲取聚類數目K和聚類中心Z。高斯基函數參數σ由式(15)確定為

σi=δmin‖zi-zj‖i≠j,j=1,2…l

(16)

得到神經網絡輸出由式(17)確定為

(17)

3　光伏發電功率預測模型的構建及性能評價

3.1預測模型結構

光伏功率預測的系統流程如圖4所示。首先，輸入層是通過歷史數據進行相關性分析，確定模型的輸入。然后，通過內部邏輯層對輸入數據進行歸一化處理、缺失數據修補和異常值剔除，以消除數量級和提高數據質量。再根據K-平均聚類確定出網絡節點和節點數目，構建IHCMAC預測模型。最后，通過輸出層得到學習誤差、泛化誤差和功率預測值。

其中，Pt-1、Pt-2、Pt-3和Wt-1、Wt-2、Wt-3分別為驗證樣本的功率歷史數據和氣象歷史數據；Pt-4、Pt-5、Pt-6和Wt-4、Wt-5、Wt-6分別為學習樣本的功率歷史數據和氣象歷史數據；Pt、Pt+1和Wt、Wt+1分別為預測樣本的功率歷史數據和氣象歷史數據。氣象參數W中包含有溫度(T)、濕度(H)、輻射(R)、風速(V)。

圖4　HCMAC神經網絡光伏功率預測結構流程圖

3.2發電預測模型建立

利用上述IHCMAC神經網絡預測模型和改進的IHCMAC神經網絡預測模型來實現光伏的功率預測，樣本取自山東某單位20 kW分布式光伏電站的實測數據。前文分析可知，光伏電站的輸出功率受溫度、濕度等氣象因素的影響。通過相關性分析，確定了神經網絡輸入樣本為光伏電站歷史實測數據中的太陽輻射強度Rt、溫度Tt、風速Wt、濕度Ht。通過歸一化處理輸入樣本以消除數量級對仿真效果的影響，將缺失數據修補和異常數據剔除提高數據質量，對改進后的IHCMAC神經網絡進行學習，并將預測值與實際值比較。文章利用實測的樣本數據建立IHCMAC神經網絡預測模型，并通過Matlab平臺實現。

3.2.1評價準則

隨機抽取三天的數據作為學習樣本，以均方根誤差RMSE作為訓練模型評價標準。另取三天的數據作為驗證樣本，以泛化誤差GMSE作為檢驗樣本的評價標準。

(18)

(19)

表1　學習樣本和驗證樣本部分數據

3.2.2算法結果及分析

從表2所示的預測結果可以看出，在網絡節點個數均為40個時，改進的神經網絡算法學習誤差和驗證誤差均比IHCMAC小。根據驗證樣本均方根誤差曲線圖 5可以看出改進的神經網絡誤差小于IHCMAC神經網絡的誤差，改進的神經網絡模型的精度有所提高。表3列出其中一天的實測值與預測值的數據。

為了使預測結果更加清晰、直觀，本實驗選取2016年4月8日(晴天)、4月9日(陰天)作為預測樣本，來分析晴天和陰天兩種模型的預測精度。如圖6所示，IHCMAC算法在功率峰值時刻預測精度差，晴天預測精度比陰天高。改進后的算法無論在晴天還是陰天其功率預測曲線與實際曲線擬合的更好，該算法對晴天、陰天都具有較高的預測精度。

圖5　學習誤差曲線圖

算法迭代次數學習誤差驗證誤差IHCMAC910.1250.069改進IHCMAC50.0890.053

表3　實際值與兩種算法預測值比較/kW

4　結語

為了使預測效果更好，數據更具真實性。本文利用微型氣象站采集太陽輻照度和溫度、濕度等氣象因素，分析其對光伏系統發電功率的影響，確定了模型的輸入，采用基于模糊聚類的IHCMAC改進算法設計一種光伏發電短期預測模型預測光伏系統發電功率。預測結果表明，改進算法的平均相對誤差與IHCMAC算法相比預測誤差小、運算量低、精度高。除此之外，該模型普適性較高，無論對于晴天還是陰天都有較高的預測精度，為光伏發電功率預測提供了一種新方法。

[1]錢振，蔡世波，顧宇慶，等．光伏發電功率預測方法綜述[J]．機電工程，2015，32(5)：651-659．

[2]Chine W., Mellit A., Pavan A. M.,etal.. Fault detection method for grid-connected photovoltaic plants[J]. Renewable Energy, 2014, 66(10):99-110.

[3]Peng H., Liu F., Yang X.. A hybrid strategy of short term wing power prediction[J]. Renewable Energy, 2013, 50(2): 590-595.

[4]Zeng J., Qiao W.. Short-term solar power prediction using a support vector machine[J]. Renewable Energy, 2013, 52(4): 118-127.

[5]Khatib T., Sopian K., Kazem H. A.. Actual performance and characteristic of a grid connected photovoltaic power system in the tropics: A short term evaluation[J]. Energy Conversion and Management, 2013, 71(1): 115-119.

[6]陳昌松，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．

[7]Almonacid F., Rus C., Higueras P. P.,etal.. Calculation of the energy provided by a PV generator comparative study:Convertional methods vsartificial neuralnetworks[J]. Energy, 2011, 36(1): 375-384.

[8]高陽，鐘宏宇，許傲然，等．功率預測技術在光伏發電中的應用研究[J]．電器與能效管理技術，2015，17(17)：38-43, 58．

[9]崔洋，孫銀川，常俾林．短期太陽能光伏發電預測方法研究進展[J]．資源科學，2013，35(7)：1474-1481．

[10]張立影，孟令甲，王澤忠．基于雙層 BP 神經網絡的光伏電站輸出功率預測[J]．電測與儀表，2015，52(11)：31-35．

[11]朱永強，田軍．最小二乘支持向量機在光伏功率預測中的應用[J]．電網技術，2011，35(7)：54-59．

[12]王守相，張娜．基于灰色神經網絡組合模型的光伏短期出力預測[J]．電力系統自動化，2012，36(19)：37-41．

[13] Kim Y. H., Lewis F. L.. Optimal design of CMAC neural-network controller for robot manipulators [J]. IEEE Transactions on Systems, 2000, 30(1) :22-31.

[14] Lin C., Peng Y.. Adaptive CMAC-based supervisory control for uncertain nonlinear systems [J]. IEEE Transactions on Systems, 2004, 34(2) :1248-1260.

[15]段培永，邵惠鶴．一種CMAC超閉球結構及其學習算法[J]．自動化學報，1999，25(6)：816-819．

[16]段培永，任化芝，邵惠鶴．超閉球CMAC的性能分析及多CMAC結構[J]．自動化學報，2000，26(4)：563-567．

[17]李慧，段培永，張慶范．基于聚類的超閉球CMAC神經網絡改進算法[J]．吉林大學學報(工學版)，2012，42(1)：170-175．

(學科責編：李雪蕾)

A smart forecasting method for short-term solar photovoltaic generation power

Duan Peiyong，Zhang Jiejue，Cui Chong,etal.

(School of Information and Electrical Engineering,Shandong Jianzhu University,Jinan 250101,China)

With the intensification of the energy crisis, the solar photovoltaic industry is becoming more and more attention. However, the solar photovoltaic power volatility and randomness characteristics, in order to mitigate the negative impact on power grid, photovoltaic output forecast is the basic way to solve this problem. Aiming at short term photovoltaic forecast that exists in the large amount of calculation and low prediction accuracy problem, on the basis of field data acquisition, processing and quantitative analysis, and based on improved hyperball neural network (IHCMAC) theory, the paper proposed a short-term intelligent prediction algorithm and its improvement, Through the use of meteorological parameters collection, and photovoltaic power generation data, the paper builds photovoltaic power prediction model and validate the performance evaluation by effectiveness of the algorithm.

PV power generation; short-term power prediction; HCMAC neural network; short-term intelligent calculation

2016-3-11

國家自然科學基金項目(61374187)

段培永(1968-),男,教授，博士,主要從事智能控制，智能建筑環境及分布式能源系統整體動態優化與調度等方面的研究.

E-mail：duanpeiyong@ sdjzu. edu. cn

1673-7644(2016)03-0205-07

TU996

A