基于日類型及融合理論的BP網絡光伏功率預測

冉成科，夏向陽，楊明圣，張真，李延和，曾小勇，黃海，滕欣元，蔡昱寬，曹伯霖

?

基于日類型及融合理論的BP網絡光伏功率預測

冉成科1, 2，夏向陽1，楊明圣1，張真3，李延和3，曾小勇1，黃海1，滕欣元1，蔡昱寬1，曹伯霖1

(1. 長沙理工大學 電氣與信息工程學院，湖南 長沙，410014；2. 湖南機電職業技術學院 汽車工程學院，湖南 長沙，410151；3. 國網青海省電力公司，青海 西寧，810008)

針對光伏發電受到外界環境的制約、發電功率波動較大、很難保證高比率接入等對電網的安全運行和調度造成一定影響的問題，提出一種基于日類型及融合理論的BP網絡預測方法，將不同的天氣大體分為3種日類型即晴天、多云天、雨天，并進行分類預測，充分考慮制約光伏發電的5個最主要因素即光照強度、環境溫度、組件溫度、風速和相對濕度，找出其與發電功率之間的相關系數，通過信息融合理念將其融合成1個綜合影響因子。以BP神經網絡模型為構架進行功率預測，通過動態變換隱含層層數提高預測精度，并利用改進的粒子群算法對其參數進行優化，同時通過光伏歷史功率輸出波動特性對預測誤差進行修正，最后在某縣光伏電站進行實際驗證。研究結果表明：該網絡預測方法可行有效，且精度較高。

光伏功率預測；日類型；相關系數；信息融合；誤差修正

光伏發電作為一種環保、可持續、建設周期短的新能源，近年來得到了大力發展，在電網電源結構中的比重逐漸增加，已成為發電的主要方式，同時，也給電網的安全運行帶來了一系列問題，如大量電力電子器件的應用使電網諧波含量增加、輸出功率波動較大、電壓不穩等[1?6]。針對這些問題，電網調度部門傳統的做法是拉閘限電，這無法保證清潔能源的高效利用，也導致光伏電站出現長期停運，造成大量經濟損失，因此，光伏功率預測系統的預測精度顯得尤為重要。光伏功率預測越準，光伏并網給電網的安全運行帶來的影響就越小，越能夠有效地幫助電網調度部門作好各類電源的調度計劃。在光伏功率預測方面，目前國內外研究者采用許多不同的理論方法和預測模型對光伏發電的輸出功率進行研究。葉林等[6]提出了一種基于遺傳算法的模糊神經網絡功率預測模型，以光照強度和氣溫來預測功率，但是精準度不高。NORDIN[7]通過使用神經網絡，采用不同的輸入進行預測，發現當輸入為光照強度、環境溫度和模塊溫度時，相關性系數最高，但預測適用性很弱，且影響因素考慮不周。于群等[8]提出了一種基于集合經驗模態能分解與BP神經網絡的短期光伏出力的組合預測模型，該模型預測精度較高，但較復雜，實用性不強。嵇靈等[9]考慮了一種基于相似日聚類和貝葉斯神經網絡的光伏發電功率預測研究方法，并用貝葉斯理論對神經網絡參數進行優化，但其輸入的歷史數據較多，對樣本的訓練要求高，計算較復雜。史佳琪等[10]提出了一種基于深度結構網絡模型的光伏超短期功率預測方法，采用基于受限玻爾茲曼機的深度置信網絡提取深層特征完成無監督學習過程，實現光伏的短期預測，但是推廣性不強。代倩等[11]用氣溫、濕度取代光照強度作為模型的輸入量，通過自適應映射方法對天氣類型進行特征識別預測，但所選擇的算法沒有考慮參數全局最優的問題。李春來等[12]提出了一種基于無跡卡爾曼濾波神經網絡的光伏發電站預測方法, 具有較強的動態演化能力及自適應性，但是預測精度不高。陳志寶等[13]將光照強度與光伏輸出功率進行對應匹配，利用馬爾可夫鏈直接預測功率輸出，該方法受外界環境影響嚴重，適用性不足。代倩等[11?16]綜合考慮小波分析與智能預測方法，將光伏出力對應為不同頻段不同能量等級，分別進行預測，提高了預測精準度，但需要的輸入量過大，算法較復雜。本文作者提出一種基于日類型及融合理論的BP網絡光伏功率預測方法，利用不同天氣類型之間的差異和共性進行日類型劃分，并充分考慮制約光伏發電的5個最主要因素即光照強度、環境溫度、組件溫度、風速和相對濕度，通過實驗找出其與發電功率之間的相關系數，利用信息融合理論將其融合成1個綜合影響因子作為BP神經網絡的輸入，對其進行建模預測，并通過參數優化及預測誤差修正，以提高預測功率。

1 光伏輸出功率特性分析

1.1 日類型對光伏輸出功率的影響

光伏發電系統的發電功率具有明顯的隨機性，其在任意時刻的發電量會受到天氣等因素的影響產生變化，在不同天氣類型下，光伏輸出功率()差異很大，如圖1所示。從圖1可見：光伏發電還體現出較強的周期性。在通常情況下，光伏發電系統的輸出功率主要集中在每天7:00—19:00之間。通過對大量光伏輸出功率歷史值進行研究發現：1) 不同的天氣類型(晴天、陰天、雨天)之間，光伏輸出功率差別很大；2) 相同類型的天氣在相同時刻的輸出功率存在一定變化，但發電曲線的總體變化規律非常接近。

1—晴天；2—陰天；3—雨天。

1.2 光伏功率的相關性分析

對于由太陽能電池板組成的光伏發電系統，在電池板角度固定時，單位面積上的輸出功率g在工程上可按下式表示：

1.3 氣象因素對光伏輸出功率的影響

1.3.1 光照強度對光伏輸出功率的影響

由式(1)可知，光照強度變化會對光伏輸出功率產生直接影響。通過對歷史發電功率和對應光照強度進行分析，發現在相同日類型條件下，光照強度越大，光伏輸出功率也越大。在封閉環境下進行試驗，保證環境溫度、組件溫度、風速、相對濕度基本不變，只改變光照強度，發現光照強度和光伏輸出功率大體呈線性關系，如圖2所示。

圖2 光伏輸出功率與光照強度的散點圖

1.3.2 環境溫度對光伏輸出功率的影響

由式(1)可知，環境溫度變化會在一定程度上影響光伏系統的發電功率。歷史發電功率反映出發電功率曲線形狀與其日類型的曲線形狀相似，而在相同日類型條件下，環境溫度的變化將使曲線高度出現細微變化。因此，在預測模型的輸入變量中需要考慮環境溫度。通過實驗發現，當維持光照強度、組件溫度、風速、相對濕度大體不變時，在相同日類型條件下，發電功率隨著日平均溫度的增大而增大，其與光伏輸出功率之間的相關系數由式(2)計算，為?0.211。

1.3.3 組件溫度對光伏輸出功率的影響

光伏面板對太陽能的轉換效率并不高，只有少部分能量轉變為電能，更多的能量轉化為熱能，使組件溫度提高。研究表明，光伏組件的溫度反映了光伏組件內部的熱運動，其溫度通常高于環境溫度；隨著組件溫度升高，轉換效率衰減下降，表現為光電轉化效率下降，輸出功率減少。保證光照強度、環境溫度、風速、相對濕度不變，在相同日類型條件下，經計算得組件溫度與光伏輸出功率之間的相關系數高達0.330。

1.3.4 風速對光伏輸出功率的影響

風速增加在一定程度上促進了太陽能電池件表面的空氣流動，進而降低了組件表面溫度，有利于提高光電轉換效率，增大輸出功率。通過對歷史發電數據和對應風速進行分析，發現在相同日類型條件下，風速與光伏輸出功率呈現一定的相關性。保證光照強度、組件溫度、環境溫度、相對濕度不變，在相同日類型條件下，經計算得風速與光伏輸出功率之間的相關系數為0.185。

1.3.5 相對濕度對光伏輸出功率的影響

相對濕度是指空氣的實際水汽壓與同一溫度下的飽和水汽壓之比，反映了空氣接近飽和的程度。在通常情況下，當相對濕度較大時，空氣流動性較差，水汽含量較高，阻擋了地面的有效反射輻射，光伏輸出功率會有一定程度波動。保證光照強度、組件溫度、環境溫度、風速不變，在相同日類型條件下，經計算得相對濕度與光伏輸出功率之間的相關系數為0.137。

1.4 信息融合

信息融合可以將多種信息源進行濾波、相關、集合成一個整體構架。本文將影響光伏功率的5個影響因子(光照強度、環境溫度、組件溫度、風速和相對濕度)當成多個信息源處理，將這5個影響因子以一定的關系進行信息融合，融合成1個綜合影響因子，在減少模型輸入變量的同時，充分考慮了各影響因子對光伏功率的關聯性[20]。

本文取組件溫度作為參考倍率1，則這5個影響因子對光伏輸出功率的相關性系數比例關系可轉換為4.53:?1.14: 1.78: 1.00:0.74，綜合影響因子為

其中：1t，2t，…，5t分別表示預測時段的光照強度、環境溫度、組件溫度、風速和相對濕度的系數，均在1 d中的7:00—19:00取值。為了消除不同變量之間數值差異和極值的影響，對這5個系數進行歸一化處理：

其中：為1 d中預測時段的數目，若預測時段間隔為1，則為12。該融合系數可以根據場景發生變化，天氣情況越復雜，的取值也就越大。

2 預測模型設計

2.1 BP網絡模型的設計

2.1.1 模型的流程框圖

圖3 光伏短期預測功率流程

2.1.2 預測模型的結構

BP神經網絡模型見圖4。

圖4 BP神經網絡模型

本文選用BP神經網絡進行光伏功率預測，其由輸入層、隱含層和輸出層構成。隱含層不直接與外界相連，可以為單層或多層，它們通過改變自身的權系數或與輸入輸出層的權系數，改變神經網絡的性能，是一個正向傳播加反向學習的過程[21?22]。

2.1.3 改進的粒子群算法參數優化

圖5 BP網絡參數優化

本文采用改進的粒子群算法對網絡參數優化。算法相關公式如下：

2,1.4 預測模型的評估

預測模型用于預測需要滿足精度需求，通常選用均方根誤差(RM)衡量實際值和預測值之間的實際偏差。相關系數(2)衡量與實際結果的精確度，其值越接近于1，越準確。

式中：為總測試數據個數；a為實際光伏輸出功率；g為預測的光伏輸出值；的取值范圍為[1,]。

2.2 預測誤差修正

通過對大量光伏發電歷史數據進行分析發現光伏輸出功率滿足一定的波動特性，本文在此基礎上對BP網絡預測的光伏出力根據歷史功率輸出波動特性進行誤差修正[25?26]。

圖6 PSO-NM優化算法流程

3 實例驗證

為了驗證該預測方法的正確性，在某縣光伏電站進行實例驗證。首先將預測日根據天氣類型劃分，將其歸納為晴天、陰天、雨天這3種日類型中的其中1種，然后將與預測日日類型相同的前1 d的發電數據和綜合影響因子以及預測日的綜合影響因子作為輸入，對BP神經網絡進行訓練。在訓練過程中發現：當樣本數量為368個，訓練、驗證、測試的樣本比分別為16:5:2時，經誤差修正后，預測模型預測效果最好，其預測模型參數如表1所示。

表1 BP預測模型參數

從圖7，8，9可以看出：光伏發電最平穩，預測精確度也最高。從圖8可以看出：當日類型為陰天時，光伏發電受綜合影響因子的作用增強，預測精度略微降低。從圖9可見：當日類型為雨天時，由于影響因子的制約作用再次增強，預測精度再次下降，出現部分預測時刻波動較大。在14:30時，無論是什么日類型，基于日類型及信息融合理論的BP網絡光伏功率預測的預測趨勢都是正確的，且都取得了較好的預測效果，保證誤差在允許范圍之內(見圖7~9)。從表3可見：全天的預測綜合誤差RM較小，與實際結果的相關性系數2較高，與文獻[6，13]中利用單一影響因子或未經融合的多個影響因子的預測效果相比明顯提高，且算法通過改進，避免了文獻[6]中沒有考慮參數全局最優或陷入局部最優的問題，證明了本文模型的有效性。若出現一些極端天氣，當預測精度低于90%時，可以通過縮短預測時間間隔?等方式來提高預測精度，確保預測準確。

表2 2017?05?09部分功率

1—實測值；2—預測值。

1—實測值；2—預測值。

1—實測值；2—預測值。

表3 BP預測模型精準度評估

4 結論

1) 針對光伏發電由于自身的缺陷，并網后會給電力系統的安全運行造成一定影響，出現大量棄電現象，造成了大量經濟損失等問題，提出一種基于日類型及融合理論的BP網絡光伏預測方法，通過對不同天氣劃分日類型、信息融合制約光伏發電的5個主要因素、優化參數、誤差修正等手段，得到了較好的預測結果。

2) 可以通過預測曲線，及時了解光伏發電的波動情況。通過與其他能源進行互補，或者與儲能系統配合使用等，達到消峰填谷、平滑功率輸出的目的，提高光伏發電系統并網運行的優越性，同時給電網的調度等提供參考依據。

[1] 張貴濤, 龔芬, 夏向陽, 等. 光伏并網逆變器電能質量控制策略[J]. 電力科學與技術學報, 2017, 32(4): 50?56.ZHANG Guitao, GONG Fen, XIA Xiangyang, et al. Power quality control strategy of photovoltaic grid-connected inverter[J]. Journal of Electric Power Science and Technology, 2017, 32(4): 50?56.

[2] 易浩民, 夏向陽, 李經野, 等. 基于無功功率和儲能平衡的配網饋線電壓控制[J]. 中南大學學報(自然科學版), 2017, 48(11): 2972?2978.YI Haomin, XIA Xiangyang, LI Jingye, et al. Feeder voltage control in distribution network based on reactive power and energy storage balance[J]. Journal of Central South University (Science and Technology), 2017, 48(11): 2972?2978.

[3] 夏向陽, 易浩民, 邱欣, 等. 雙重功率優化控制的規模化光伏并網電壓越限研究[J]. 中國電機工程學報, 2016, 36(19): 5164?5171, 5397.XIA Xiangyang, YI Haomin, QIU Xin, et al. Research on dual power optimal control for scaled photovoltaic grid-connected voltage[J]. China Journal of Electrical Engineering, 2016, 36(19): 5164?5171, 5397.

[4] 賈晉峰, 易浩民, 夏向陽, 等. 分布式能源接入電力系統的新型計量系統[J]. 電力系統保護與控制, 2017, 45(3): 118?124.JIA Jinfeng, YI Haomin, Xiayang, et al. Distributed energy power system access new metering system[J]. Power System Protection and Control, 2017, 45(3): 118?124.

[5] 夏向陽, 王錦瀧, 易浩民, 等. 光伏并網發電系統最大功率輸出控制研究[J]. 中南大學學報(自然科學版), 2016, 47(7): 2296?2303.XIA Xiangyang, WANG Jinlong, YI Haomin, et al. Research on the maximum power output control of photovoltaic generation system[J]. Journal of Central South University(Science and Technology), 2016, 47(7): 2296?2303.

[6] 葉林, 陳政, 趙永寧, 等. 基于遺傳算法—模糊徑向基神經網絡的光伏發電功率預測模型[J].電力系統自動化, 2015, 39(16): 16?22.YE Lin, CHEN Zheng, ZHAO Yongning, et al. Photovoltaic power forecasting model based on genetic algorithm and fuzzy radial basis function neural network[J]. Automation of Power System, 2015, 39(16): 16?22.

[7] NORDIN N. Prediction of AC power output in grid-connectedphotovoltaic system using Artificial Neural Network with multi-variable inputs2016 IEEE Conference on Systems[C]// Process and Control(ICSPC), 2016: 192?195.

[8] 于群, 樸在林, 胡博. 基于EEMD和BP神經網絡的短期光伏功率預測模型[J]. 電網與清潔能源, 2016, 32(7): 132?137YU Qun, PU Zailin, HU Bo. A hybrid model for short-term photovoltaic power forecasting based on eemd-bp combined method[J]. Power System and Clean Energy, 2016, 32(7): 132?137.

[9] 嵇靈, 牛東曉, 汪鵬. 基于相似日聚類和貝葉斯神經網絡的光伏發電功率預測研究[J]. 中國管理科學, 2015, 23(3): 118?122.JI Lin, NIU Xiaodong, WANG Peng. Photovoltaic load forecasting based on the similar day and bayesian neural network[J]. Chinese Journal of Management Science, 2015, 23(3): 118?122.

[10] 史佳琪, 張建華. 基于深度學習的超短期光伏精細化預測模型研究[J]. 電力建設, 2017, 38(6): 28?35. SHI Jiaqi, ZHANG Jianhua. Ultra short-term photovoltaic refined forecasting model based on deep learning[J]. Electric Power Construction, 2017, 38(6): 28?35.

[11] 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.DAI Qian, DUAN Shanxu, CAI Tao, et al. Short-term PV generation system forecasting model without irradiation based on weather type clustering[J]. China Journal of Electrical Engineering, 2011, 31(34): 28?35.

[12] 李春來, 張海寧, 楊立濱, 等. 基于無跡卡爾曼濾波神經網絡的光伏發電預測[J]. 重慶大學學報, 2017, 40(4): 54?61.LI Chunlai, ZHANG Haining, YANG Libing, et al. Photovoltaic power forecasting based on unscented Kalman filtering neural network[J]. Journal of Chongqing University, 2017, 40(4): 54?61.

[13] 陳志寶, 丁杰, 周海, 等. 地基云圖結合徑向基函數人工神經網絡的光伏功率超短期預測模型[J]. 中國電機工程學報, 2015, 35(3): 561?567. CHEN Zhibao, DING Jie, ZHOU Hai, et al. A model of very short-term photovoltaic power forecasting based on ground-based cloud images and rbf neural network[J]. China Journal of Electrical Engineering, 2015, 35(3): 561?567.

[14] MANDAL P, MADHIRA S T S, MENG J, et al. Forecasting power output of solar photovoltaic system using wavelet transform and artificial intelligence techniques[J]. Procedia Computer Science, 2012, 12: 332?337.

[15] 姜運, 彭紅海, 曾祥君, 等. 配電網故障行波定位動模實驗平臺[J]. 電力科學與技術學報, 2017, 32(3): 81?85.JIANG Yun, PENG Honghai, ZENG Xiangjun, et al. Dynamic simulation experimental platform for traveling-wave-based fault location in distribution network[J]. Journal of Electric Power Science and Technology, 2017, 32(3): 81?85.

[16] YONA A, SENJYU T, FUNABASHI T. Application of recurrent neural network to short-term-ahead generating power forecasting for photovoltaic system[C]// IEEE Power Engineering Society General Meeting. Tampa, FLORIDA, USA: Institute of Electrical and Electronics Engineers, 2007: 1?6.

[17] 唐俊熙, 何迪, 郭創新. 基于模糊綜合評估的電網人因可靠性分析[J]. 電力科學與技術學報, 2017, 32(3): 63?68.TANG Junxi, HE Di, GUO Chuangxin. Analysis of human reliability in power grid based on fuzzy synthetic evaluation[J]. Journal of Electric Power Science and Technology, 2017, 32(3): 63?68.

[18] 張世豐. 影響太陽能光伏發電的氣象因子分析[J]. 農業與技術, 2014, 34(7): 194?201. ZHANG Shifeng. Analysis of meteorological factors affecting solar photovoltaic power generation[J]. Agriculture and Technology, 2014, 34(7): 194?201.

[19] 宮婭寧, 蘇舒, 林湘寧, 等. 獨立光伏發電儲能系統能量管理與經濟調度研究[J]. 電力科學與技術學報, 2017, 32(2): 3?9, 30.GONG Yaning, SU Shu, LIN Xiangning, et al. Study on energy management and economic dispatch of stand-alone photovoltaic generation system with hybrid energy storage[J]. Journal of Electric Power Science and Technology, 2017, 32(2): 3?9, 30.

[20] 劉雪飛, 田啟東, 焦昊, 等. 考慮多風險因素的電網調度操作風險評估[J]. 電力科學與技術學報, 2016, 31(4): 109?115.LIU Xuefei, TIAN Qidong, JIAO Hao, et al. Power grid risk assessment of dispatching operation considering multi-risk elements[J]. Journal of Electric Power Science and Technology, 2016, 31(4): 109?115.

[21] 龍海超, 歐陽森, 張華贏. 基于BP神經網絡的電網電壓暫降源定位方法[J]. 電力科學與技術學報, 2017, 32(2): 62?69.LONG Haichao, OUYANG Sen, ZHANG Huaying. A novel location method of power grid voltage sag source with BP neural network[J]. Journal of Electric Power Science and Technology, 2017, 32(2): 62?69.

[22] 劉曉楠, 周介圭, 賈宏杰, 等. 基于非參數核密度估計與數值天氣預報的風速預測修正方法[J]. 電力自動化設備, 2017, 37(10): 15?20.LIU Xiaolan, ZHOU Jiewa, JIA Hongjie, et al. Correction method of wind speed prediction based on non-parametric kernel density estimation and numerical weather prediction[J]. Power Automation Equipment, 2017, 37(10): 15?20.

[23] 解玖霞. 基于粒子群算法的主動配電網經濟優化調度[J]. 電氣技術, 2017(9): 15?18.XIE Jiuxia. Economic optimization scheduling of active power distribution[J]. Electrical Technology, 2017(9): 15?18.

[24] 陳深, 肖俊陽, 黃玉程, 等. 基于改進量子粒子群算法的微網多目標優化調度[J]. 電力科學與技術學報, 2015, 30(2): 41?47.CHEN Shen, XIAO Junyang, HUANG Yucheng, et al. Multi-objective optimal dispatching of micro-grid with improved quantum-behaved particle swarm algorithm[J]. Journal of Electric Power Science and Technology, 2015, 30(2): 41?47.

[25] 喬穎, 魯宗相, 閔勇. 提高風電功率預測精度的方法[J]. 電網技術, 2017, 41(10): 3261?3269.QIAO Ying, LU Zongxiang, MIN Yong, et al. Research & application of raising wind power prediction accuracy[J]. Power Grid Technology, 2017, 41(10): 3261?3269.

[26] 史常凱, 閆文棋, 張筱慧, 等. 基于BP網絡和灰色模型的春節配變重過載預測[J]. 電力科學與技術學報, 2016, 31(3): 140?145.SHI Changkai, YAN Wenqi, ZHANG Xiaohui, et al. Heavy overload forecasting of distribution festival based on BP network transformer during the spring and grey model[J]. Journal of Electric Power Science and Technology, 2016, 31(3): 140?145.

(編輯 陳燦華)

BP network PV power forecast based on daily type and fusion theory

RAN Chengke1, 2, XIA Xiangyang1, YANG Mingsheng1, ZHANG Zhen3, LI Yanhe3, ZENG Xiaoyong1, HUANG Hai1, TENG Xinyuan1, CAI Yukuan1, CAO Boling1

(1. College of Electrical and Information Engineering, Changsha University of Science & Technology,Changsha 410114, China;2. Automotive Engineering Institute, Hunan Mechanical & Electrical Polytechnic, Changsha 410151, China;3. State Grid Qinghai Electric Power Company, Xining 810008, China)

Considering that photovoltaic power generation is constrained by the external environment, and the fluctuations in power generation is large, and it is difficult to ensure high-rate access, which affect the safe operation and dispatch of the power grid, a BP network prediction method was proposed based on daily types and fusion theory. It divided different weathers into three daily types, and classification predictions were made for the three daily types. Five most important factors that restricted photovoltaic power generation were fully considered, and the correlation coefficient between the factors and power generation was found out, and information was integrated into a comprehensive influencing factor. The power forecast was made based on the BP neural network model. and the prediction accuracy is improved by dynamically changing the number of hidden layers. The parameters were optimized based on particle swarm algorithm and the prediction error is corrected by the historical power output fluctuation characteristics of the photovoltaic. Finally, the method was verified at a photovoltaic power station .The results show that the network prediction method is feasible and effective, and the accuracy is high.

photovoltaic power forecast; daily type; correlation coefficient; information fusion; error correction

10.11817/j.issn.1672-7207.2018.09.016

TM615

A

1672?7207(2018)09?2232?08

2017?10?12；

2017?12?15

國家自然科學基金資助項目(51307009) (Project(51307009) supported by the National Natural Science Foundation of China)

夏向陽，博士，教授，碩士生導師，從事新能源并網控制和柔性直流輸電控制研究；E-mail: xia_xy@126.com