新能源功率預測算法優化研究

史潔，劉曉飛

?

新能源功率預測算法優化研究

史潔1，劉曉飛2

（1．濟南大學物理科學與技術學院，山東省 濟南市 250022； 2．濟南市城市規劃咨詢服務中心，山東省 濟南市 250099）

以風能和太陽能為代表的新能源具有隨機性、間歇性和波動性，對新能源發電功率進行預測是有效解決以上問題的途徑。在確定性預測中充分考慮風電出力和預測模型特性，提出分段支持向量機(piecewise support vector machine，PSVM)和神經網絡(neural network，NN)預測算法；充分考慮天氣特征對光伏出力的影響，提出基于氣象特性分析的光伏出力預測算法。通過若干風電場的算例分析，證明了上述幾種預測模型的實用性，為功率預測的可靠性分析提供支持。

風電；光伏；功率預測；支持向量機；神經網絡；小波分析

0 引言

以風電、光伏為代表的新能源以其零排放、無污染的特點發展迅速，逐漸替代常規能源。然而，風能和太陽能具有的間歇性和波動性影響高效而安全地并網。對發電功率進行短期或長期預測是解決該問題的主要途徑。對于并網的新能源電站，要求必須配備功率預測系統，預測精度需滿足一定要求[1]。

高精度的功率預測對新能源發電企業的發展具有重要意義[2-3]。提高功率預測的精確度有助于提高新能源發電在電力交易市場中的競爭力。

若按照時間尺度，新能源發電功率預測可分為長期預測(預測次年)、中期預測(預測未來幾周或幾月)、短期預測(預測未來2天或3天)和超短期預測(預測未來若干分鐘，常用15min)[4-5]。本文重點闡述短期及超短期統計模型在新能源發電功率預測上的應用。

1 風電功率預測算法及優化

1.1 基于數值氣象預報的短期功率預測

1.1.1 分段支持向量機短期功率預測算法

如圖1所示，風電功率預測過程包含數據輸入、模型訓練、功率預測和數據輸出。在輸入階段，分別利用數據樣本(預測時間尺度上風速的數值氣象預報值、預測時間尺度上風向的數值氣象預報值、風速和風向的實際測量值及風電場功率的實際測量值)建立模型輸入樣本。在分析了風速和功率變化關系后，建立基于支持向量機的風電功率預測模型。在功率輸出階段，輸出預測時間尺度下的風電功率。

圖1 風電場短期功率預測

按照風機的功率曲線，風電機組的功率隨著風速的增加，以機組的額定風速附近為界，呈現出2種不同趨勢。所以，根據不同的變化規律，提出利用2個相對獨立的預測模型完成預測。模型A適用于實測風速大于風電機組額定風速時；模型B適用于小于額定風速的情況。在預測開始時，首先對相鄰時刻風速的實測值做判斷，確定其所在的風速區間(大于或者小于額定風速)，根據風速區間選擇適合的分段模型，然后按照不同的預測模型輸出預測功率。表1顯示某算例風電場一年內預測未來15min的誤差和計算時長。從表１可以看出，分段支持向量機(piecewise support vector machine，PSVM)的預測效果和時長均較最小二乘支持向量機模型(least square support vector machine，LSSVM)有提高。

表1 2種模型預測誤差及計算時長統計表

支持向量機在全局尋優和運算速度上有較大優勢[6]，但其核函數的參數在選擇時尚沒有較合理的方法。如果在支持向量機中應用其他自動尋參的算法，則對運算速度與預測精度的提高方面均具有很大的作用。為此，提出基于支持向量機預測模型優化算法[7]。

1.1.2 人工神經網絡短期功率預測算法

前饋神經網絡是應用較廣泛的神經網絡，具有代表性的是誤差反向傳播(back propagation，BP)神經網絡和徑向基核函數(radial basis function，RBF)神經網絡。

分別建立基于BP神經網絡和RBF神經網絡的風電功率預測模型，以算例風電場I(WF1)中某一時間段的歷史實測數據為模型輸入樣本。取2010年1月的前20天作為訓練樣本，后10天的數據(風速、風向和歷史出力值)作為測試樣本，構造預測模型，預測時間尺度為15 min的功率。圖2所示為算例風電場I提前15 min的風電功率預測結果及誤差分析。其中黑色表示風電場實際出力值，藍色代表用BP神經網絡做模型預測時同時期的預測值，紅色代表用RBF神經網絡建模的預測值?？梢钥闯?，2種預測算法得出的功率均與相同時刻下風電場的歷史實測值變化規律相同，但RBF模型與實測值差別較小，尤其在峰值和谷值處。由此可見，RBF神經網絡模型比BF模型在預測超短期風電功率方面具有優勢。

圖2 算例風電場I發電量預測(2010年1月)

風能具有波動性和間歇性，如何將風能從“隨機的”變為“可利用的”是利用風能發電的重點。風電功率隨時間的變化情況可當做一組信號，若將這組信號進行時頻特征提取和分解，將會對研究風能產生積極的影響。因此，為提高預測精度提出基于希爾伯特黃變換的神經網絡模型[8]。

1.2 基于歷史數據的超短期功率預測

1.2.1 基于小波變換的功率預測優化模型

利用小波變換將隨時間變化的風電輸出功率分解為一個低頻和幾個高頻。利用小波的多尺度差值特性和稀疏變化特性對預測模型優化，將2種優化方法表述如下。

方法①：側重模型輸入數據特性分析，進行小波特征提取。對模型輸入樣本中的風電功率進行小波分解，在每個頻率區間分別建立徑向基核函數模型，將結果利用小波重構輸出。

方法②：將支持向量機預測算法中的核函數用小波核函數代替。

圖3在模型輸入中用小波分解風電場功率和同時刻的風速。以算例風電場II(WF2)2008年4月的實測功率值作為研究對象，運用雙正交小波函數分解，將數據按頻率劃分為1個低頻和4個高頻，如圖4所示。

圖3 小波支持向量機預測模型流程圖(方法①)

圖4 模型輸入序列小波分解圖(方法②)

由圖4可以看出，風電場出力序列被分解為4階頻率分量：低頻分量a4和高頻分量d1、d2、d3、d4。將風速、風向正弦余弦值分別與a4、d1、d2、d3、d4構成模型輸入樣本，經最小二乘支持向量機預測模型得到預測功率組分。將上述功率組分重構即得最終的預測功率值。

1.2.2 算例分析

為驗證優化模型的精度，將優化模型與獨立預測模型對比。3種預測模型預測1h、2h和3h的功率與歷史實測的誤差可以通過平均絕對百分比誤差(mean absolute percent error，MAPE)和均方根誤差(root mean square error，RMSE)表示，見表2[9]。

表2 3種時間尺度下的模型預測誤差

由表2可以看出，方法①的預測精度在3個時間尺度下均比方法②及支持向量機模型高。故第1種小波–支持向量機模型預測精度高，且預測效果較穩定。風電場功率所具有的非穩定性和非線性等特征可被緩解，具體做法是通過小波變換將其分解為具有固定頻率和周期的組分[10-11]。

2 基于氣象特征分類的光伏電站功率預測算法優化

太陽能資源在我國廣大區域有著重要的開發利用價值，且太陽能光伏發電技術已日趨成熟，國內光伏發電的市場發生著深刻變化，已由偏遠無電地區的獨立分布式發電系統轉向規模化的并網發電系統發展。由于并網型發電系統具有結構簡單、安裝周期短等特點，故系統規模和發電量在優惠政策的帶動下極易大規?？焖僭鲩L。然而，光伏發電同風力發電一樣受氣象因素的影響較大，具有隨機性和不可控等特點。當大規模的光伏發電接入電網，勢必會給電網調度、調峰、安全等帶來影響。準確及時的光伏發電出力預測可以有效降低光伏發電并網對電網產生的沖擊，有效降低電網控制難度，提高電網電能質量，提升光伏并網狀況下電網運行水平。本節在分析不同天氣情況對光伏電站出力特性影響的基礎上，利用支持向量機(support vector machine，SVM)原理建立光伏電站功率預測模型。

影響光伏出力的因素有很多，很難用某個確定性模型來準確描述。基于光伏發電系統出力的不連續性、不確定性和周期性的特點以及光伏系統的出力與其影響因子之間的非線性關系，本文運用支持向量回歸法建立光伏系統的出力預測模型，將光伏系統的出力按照相對應的天氣類型劃分為晴、陰、多云和雨4種類型。將光伏出力類型相同的多個光伏出力的歷史數據組成具有高度相似光伏出力特征的數據序列，以此數據序列作為SVM 的訓練數據集。在對光伏系統的出力進行預測時，先根據天氣預報了解待預測日的天氣類型和氣象特征，然后選擇與預測日天氣類型相對應的SVM 訓練數據集，據此構建SVM 的預測模型。

對于確定的太陽能光伏電站，其輻射角度，擺放位置等已經固定，影響程度可以包含在歷史發電量中，其明顯特征就是光伏陣列發電量時間序列的本身高度自相關性，從而避免通過預測太陽輻射的直接預測方法。因此以過去時間段的歷史發電數據作為模型輸入進而預測未來的發電數據的預測方法比間接預測法在計算速度，模型復雜度上有明顯優越性。本文以中國江西某地光伏示范電站為研究對象，選取2010.04.27—2010.05.02時間段，每天可用日照時間為6:00—19:00。圖5所示為光伏電站發電量變化圖，由于選取的一周都為晴天，太陽輻射強度基本相同，電站出力情況較一致，且每天光伏發電量的變化有高度相關性，本文利用前3個時間段的出力歷史值預測下一時刻的光伏功率。

圖5 太陽能光伏發電系統在不同天氣下出力日變化曲線示意圖

確定了輻射角度擺放位置等影響因素后，太陽輻射強度是影響光伏出力變化的主要因素。而云層量的多少直接影響太陽輻射強度[12-14]。圖6顯示了研究對象光伏電站在不同天氣情況下，即不同太陽輻射強度下出力值的差異。而在相同天氣情況下出力值的趨勢相似。由此可以看出在天氣情況相同的情況下，模型輸入數據為前一時間段的出力歷史值，針對不同天氣情況分別建模對提高預測精度提供了一種新的思路。光伏預測流程見圖7。

圖6 太陽能光伏發電系統在不同天氣下出力日變化曲線示意圖

圖7 光伏預測流程圖

每個預測模型的輸入數據包括預測日前一天歷史光伏出力值(15min平均值)，預測日的天氣預報所示氣溫最大值、最小值和平均值；模型輸出數據是預測日的光伏出力值(15min平均值)。測試時段(2010.01.01—2010.10.31)的功率預測結果和預測誤差見圖8和表3。

從表3中可看出，4個預測模型提前一天的RMSE和平均相對誤差(mean ralative error，MRE)的平均預測誤差分別為2.10MW和8.64%，其中晴天模型表現最優。然而，在每個模型內部預測誤差波動較大，具體情況請見圖8。

從圖8中可以看出，晴天模型和霧天模型的預測精度較高，誤差的變化也跟算例數據的數值分布和數據量大小有關。在本文算例中，光伏電站位于中國南方某地，一年中以晴天和霧天為主，致使對應的預測模型獲得較充分的數據訓練樣本，而支持向量機是一種非線性模型，需要對大量數據進行擬合和回歸以得到預測模型，故晴天模型和霧天模型的預測精度較高。此外，預測模型的參數選擇對預測精度也有影響，相關研究和分析是今后研究的重點。

圖8 光伏功率預測模型相對誤差

表3 預測模型誤差對比

3 結論

新能源功率預測對電網合理制定調度計劃和發電場站競價上網、安排檢修均有重要意義。本文以短期和超短期預測為例闡述了幾種常用的預測算法，通過不同風電場及光伏電站實測數據算例分析，可得如下結論。

1）根據風電功率曲線的變化特點提出的PSVM預測優化模型能自動追蹤預測不同線型下的預測規律，較SVM模型提高了預測精度；

2）小波支持向量機模型是對模型輸入數據進行小波分解或將預測核函數進行小波函數替換，算例表明2種優化算法均對預測精度有提高；

3）光伏發電具有較強的周期性，針對4種典型的天氣特點分別建模，優化了預測效果。

[1] 鐘海欣．遠景能源的“孔明”之道[EB/OL]．[2017-08- 22]．https://baijiahao.baidu.com/s?id=157641995557 3025496&wfr=spider&for=pc．

[2] 王國弟，翁彥，徐巍，等．上海某能源中心空調負荷預測[J]．發電與空調，2014，35(4)：67-70．

[3] 趙衛．電煤價格影響因素及預測分析[J]，發電與空調，2017，38(2)：1-6．

[4] Mario D，Daniel C，Jesus R，et al．Short-term wind power forecast based on ARX models[J]．Journal of Energy Engineering，2007，133(3)：172-180．

[5] 賀軍，張錦文．灰色-馬爾科夫模型在風電場風速預測中的應用[J]．發電與空調，2013，34(1)：14-16．

[6] Liu Y，Shi J，Yang Y，et al．Piecewise support vector machine model for short term wind power prediction [J]．International Journal of Green Energy，2009，6(5)： 479-489．

[7] Liu Y，Shi J，Yang Y，et al．Genetic algorithm- support vector machine model for short term wind power prediction[C]//Proceeding of IEEE 8th World Congress on Intelligent Control and Automation．Jinan，China，2010．

[8] Shi J，Lee W，Liu Y，etal．Short term wind power forecasting using Hilbert-Huang Transform and Artificial Neural Network[C]//Proceeding of IEEE 2011 4th International Conference on Electric Utility Deregulation and Restructuring and Power Technologies．Weihai，China，2011．

[9] 韓爽．風電場功率短期預測方法研究[D]．北京：華北電力大學，2008．

[10] Giebel G，Landberg L．Short-term(30min-72hrs) prediction for power output from wind farms [EB/OL]．http://powwow.risoe.dk/Bestpracticeworkshop.html．

[11] 史潔．風電場功率超短期預測算法優化研究[D]．北京：華北電力大學，2013．

[12] 張素寧，田勝元．太陽輻射逐時模型的建立[J]．太陽能學報，1997，18(03)：38-42．

[13] 李安定，呂全亞．太陽能光伏發電系統工程[M]2版．北京：化學工業出版社，2016：24-37．

[14] 張鐘平，宣施超．分布式光伏設計要點分析[J]．發電與空調，2015，36(01)：26-28．

The Optimization Research Approaches for Renewable Energy Output Forecasting

SHI Jie1, LIU Xiaofei2

(1. School of Physics and Technology, University of Jinan, Jinan 250022, Shandong Province,China; 2. Jinan Urban Planning Advisory Service Center, Jinan 250099, Shandong Province,China)

Randomness, intermittence and fluctuation are features of new energy, which includes wind energy and solar energy, and power forecasting is an effective solution. The characteristics of wind power output and forecasting model are fully considered to propose piecewise support vector machine (PSVM) and neural network (NN) model; the effort of weather condition on photovoltaic is analyzed to optimize the forecasting model. The case studies from several wind farms and photovoltaic power stations prove that the proposed models have higher precision, which offer support for reliability analysis of power output forecasting.

wind power; photovoltaic; power forecasting; support vector machine; neural network; wavelet analysis

10.12096/j.2096-4528.pgt.18141

2018-08-05。

史潔(1984)，女，博士，講師，研究方向為風電、光伏出力預測及優化，jeccie0921@163.com。

史潔

國家自然科學基金項目(51606085)。

Project Supported by National Natural Science Foundation of China (51606085).

(責任編輯 辛培裕)