計(jì)及天氣類(lèi)型指數(shù)的光伏發(fā)電短期出力預(yù)測(cè)

陶曉峰

摘 要：隨著光伏發(fā)電系統(tǒng)在電力系統(tǒng)中的廣泛應(yīng)用，光伏出力的有效應(yīng)用可以充分預(yù)測(cè)并且緩解電源對(duì)電力系統(tǒng)造成的影響。在這個(gè)過(guò)程中，需要分析外界因素，比如天氣類(lèi)型，對(duì)光伏發(fā)電出力的影響，最終得出相關(guān)模型，采取有效的防治措施，以達(dá)到保證電力系統(tǒng)穩(wěn)定運(yùn)行的目的。簡(jiǎn)要闡述了光伏電池模型及其輸出特性，研究了光伏預(yù)測(cè)的影響因素，并深入分析了預(yù)測(cè)模型的內(nèi)容，以期為日后的相關(guān)工作提供參考。

關(guān)鍵詞：天氣類(lèi)型指數(shù)；光伏發(fā)電；短期出力影響；預(yù)測(cè)模型

中圖分類(lèi)號(hào)：TM615 文獻(xiàn)標(biāo)識(shí)碼：A DOI：10.15913/j.cnki.kjycx.2017.07.037

1 光伏電池模型及其輸出特性

光伏電池主要是以半導(dǎo)體PN結(jié)來(lái)接收太陽(yáng)能所產(chǎn)生的光電效應(yīng)，它可以直接將光能轉(zhuǎn)換為電能，其中主要應(yīng)用到的是能量轉(zhuǎn)換器。光伏電池的輸出特點(diǎn)與光照、溫度等因素有很大的關(guān)系。在保持溫度不變的情況下，光伏電池的最大輸出功率可以隨著光照強(qiáng)度的增大而不斷增大。在光照強(qiáng)度不變的情況下，如果溫度不斷升高，光伏電池最大輸出功率的變化幅度則相對(duì)比較小。

2 光伏預(yù)測(cè)的影響因素

2.1 天氣類(lèi)型的劃分

在全國(guó)各地，天氣狀況對(duì)光伏出力有相當(dāng)大的影響，產(chǎn)生的因素也比較多。雖然劃分氣象類(lèi)型的方法多種多樣，但我國(guó)對(duì)氣象劃分有統(tǒng)一的定義和標(biāo)準(zhǔn)，共劃分了33種氣象類(lèi)型，包括晴天、多云、陣雨和大雨4種特點(diǎn)鮮明的典型代表類(lèi)型。在不同的季節(jié)，不同的天氣類(lèi)型在出力類(lèi)型方面也會(huì)呈現(xiàn)不同的表現(xiàn)方式。

2.2 氣象因素對(duì)光伏預(yù)測(cè)的影響

氣象因素與光照強(qiáng)度、氣溫、云量和風(fēng)速等因素是不同的，為了更加準(zhǔn)確地分析其對(duì)光伏出力的影響，需要分析每個(gè)因素與光伏出力之間的相關(guān)性，并且對(duì)求數(shù)值進(jìn)行排序。

3 預(yù)測(cè)模型

3.1 預(yù)測(cè)模型的建立流程

在建立模型的過(guò)程中，要先處理收集好的光伏電站的歷史數(shù)據(jù)和氣象數(shù)據(jù)，利用處理好的數(shù)據(jù)對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行科學(xué)的訓(xùn)練，之后根據(jù)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)光伏電站的短期出力。

3.2 預(yù)測(cè)模型的設(shè)計(jì)

在設(shè)計(jì)預(yù)測(cè)模型的過(guò)程中，需要應(yīng)用到人工神經(jīng)網(wǎng)絡(luò)，也可以將其稱(chēng)為預(yù)測(cè)太陽(yáng)輻射強(qiáng)度和光伏發(fā)電系統(tǒng)輸出功率的有效科學(xué)方式。BP神經(jīng)網(wǎng)絡(luò)已經(jīng)成為目前應(yīng)用最廣泛的人工神經(jīng)網(wǎng)絡(luò)模型之一，它是單向傳播的、多層前向的網(wǎng)絡(luò)，在非線(xiàn)性映射和自適應(yīng)方面具有相當(dāng)穩(wěn)定的基礎(chǔ)。

本文選用3層神經(jīng)網(wǎng)絡(luò)作為主要研究對(duì)象，輸入層的節(jié)點(diǎn)數(shù)量和預(yù)測(cè)模型的輸入變量是一致的，本文輸入節(jié)點(diǎn)數(shù)量為15個(gè)。在充分考慮了當(dāng)?shù)毓夥娬镜牡乩砦恢煤螅砩?：00到次日凌晨5：00的發(fā)電功率為0，所以，需要選擇其他時(shí)間測(cè)量，選擇預(yù)測(cè)日期的前一天和預(yù)測(cè)日期當(dāng)天的天氣類(lèi)型指數(shù)作為預(yù)測(cè)模型進(jìn)行輸入。

隱含層為一層，其中，單元數(shù)目的選擇對(duì)結(jié)果的影響是比較大的。從隱含層單元數(shù)據(jù)中獲取到的信息與輸入輸出單元的數(shù)量有直接關(guān)系——如果輸入輸出單元的數(shù)量太少，從網(wǎng)絡(luò)中所獲取到的信息則比較少；如果輸入輸出單元的數(shù)量太多，就會(huì)出現(xiàn)錯(cuò)誤，有誤差。因此本文選取的隱含測(cè)節(jié)點(diǎn)數(shù)量為13個(gè)。

3.3 訓(xùn)練樣本的選取和數(shù)據(jù)處理

在訓(xùn)練樣本時(shí)，要訓(xùn)練、觀(guān)察、記錄每天每個(gè)時(shí)間節(jié)點(diǎn)的發(fā)電功率和天氣類(lèi)型指數(shù)。樣本中的數(shù)據(jù)在不同的時(shí)間量上有不同的單位，數(shù)量級(jí)也相差很大。因此，由神經(jīng)元激活函數(shù)的特點(diǎn)可知，神經(jīng)元的輸出一般會(huì)限制在一定范圍內(nèi)，在大部分人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用中，會(huì)利用非線(xiàn)性的激活函數(shù)操作。本文將神經(jīng)元的輸出限定在（0，1）或者（-1，1）之間，訓(xùn)練原始數(shù)據(jù)后達(dá)到神經(jīng)元飽和的狀態(tài)。所以，在訓(xùn)練網(wǎng)絡(luò)之前需要進(jìn)行相關(guān)處理，最大限度地減小不同因素引發(fā)的預(yù)測(cè)誤差。

本文輸出的數(shù)據(jù)主要是預(yù)測(cè)前一天每一個(gè)時(shí)間段的發(fā)電功率、天氣類(lèi)型指數(shù)和當(dāng)天的天氣類(lèi)型指數(shù)，輸出數(shù)據(jù)則為預(yù)測(cè)當(dāng)天每一個(gè)時(shí)間段的發(fā)電功率。

3.4 BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和預(yù)測(cè)

利用BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方式進(jìn)行訓(xùn)練時(shí)，主要采用的是誤差反向傳播學(xué)習(xí)的算法設(shè)置訓(xùn)練樣本和訓(xùn)練次數(shù)。在對(duì)權(quán)值進(jìn)行初始化之后，就可以設(shè)置當(dāng)前為迭代次數(shù)，按照順序輸入樣本，計(jì)算出每一層的輸出和反傳誤差值。

3.5 預(yù)測(cè)結(jié)果以及分析

根據(jù)文中所述內(nèi)容預(yù)測(cè)某城市的情況。圖1是天氣類(lèi)型為晴天的預(yù)測(cè)結(jié)果曲線(xiàn)，從中可以看出，預(yù)測(cè)到的數(shù)值與實(shí)際值的曲線(xiàn)是非常相似的。

另外，還需要預(yù)測(cè)雨天的相關(guān)情況。其中，某個(gè)時(shí)間段預(yù)測(cè)結(jié)果的誤差是比較大的，出現(xiàn)這種情況的原因有2點(diǎn)：①雨天對(duì)樣本的訓(xùn)練比較少；②在雨天，受外界因素的影響，會(huì)改變外界的天氣環(huán)境，從而導(dǎo)致預(yù)測(cè)結(jié)果發(fā)生變化。

4 結(jié)束語(yǔ)

綜上所述，本文簡(jiǎn)要分析了環(huán)境因素對(duì)光伏發(fā)電輸出功率的影響，并建立了計(jì)及天氣類(lèi)型指數(shù)的光伏發(fā)電短期出力的預(yù)測(cè)模型。在實(shí)際應(yīng)用實(shí)驗(yàn)過(guò)程中，需要根據(jù)不同的天氣類(lèi)型合理分析光伏電站的發(fā)電功率，利用歐式距離科學(xué)地劃分和歸類(lèi)當(dāng)?shù)氐奶鞖忸?lèi)型，根據(jù)每天天氣類(lèi)型的平均發(fā)電功率建立預(yù)測(cè)模型，以保證其準(zhǔn)確性，從而形成比較強(qiáng)的預(yù)測(cè)能力。

參考文獻(xiàn)

[1]楊太明，孫喜波，劉布春，等.安徽省水稻高溫?zé)岷ΡｋU(xiǎn)天氣指數(shù)模型設(shè)計(jì)[J].中國(guó)農(nóng)業(yè)氣象，2015，36（2）：220-226.

[2]袁曉玲，施俊華，徐杰彥，等.基于BP神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電短期出力預(yù)測(cè)[J].可再生能源，2013，31（7）：11-16.

〔編輯：白潔〕