基于改進數據量化方式的光伏發電量的預測

陳勝

【摘?要】受天氣狀況、輻照度、溫度、濕度等氣象因素的影響，光伏系統的輸出具有很強的非線性和非平穩性的特點，光伏發電量預測精度較低。本文根據某光伏電站的歷史發電數據和實際氣象數據，采用模糊理論改進氣象條件的量化方式，與BP神經網絡相結合，實現光伏系統發電量的短期預測。首先對影響預測結果的氣象因素進行分析，找出可以獲取的關鍵條件，然后按季節和天氣類型進行分類，對不同的天氣類型分別建立模型使用改進了量化方式的輸入數據進行訓練，最后利用此模型預測未來的光伏系統發電量，并通過實際數據驗證。預測結果表明，該方法不但對各個季節和天氣條件具有較好的適用性而且提高了預測的精度，使得網絡收斂更快，具有一定實用價值。

【關鍵詞】量化方式;模糊理論;發電量預測;光伏;神經網絡

1?引言

作為新能源發電的主力，風能與太陽能發電受自然環境影響具有明顯的波動性、間歇性與隨機性，致使分布式電源的發電功率也呈現出同樣的特性，從而為電網調度、能量管理、用電計劃帶來不利影響[1]。對分布式發電系統進行發電功率預測，可以有效緩解分布式能源在電網調度、能量管理、用電計劃等方面的諸多不利影響，是分布式電源并網技術的關鍵點[2]。更加準確合理的分布式發電短期預測有利于配電系統的能量管理，根據分布式發電設備的未來發電出力，結合區域負荷量的變化趨勢，對配電網絡的用電計劃進行調整;有利于配電系統的安全穩定運行，及時減小或規避由分布式發電設備的波動性帶來的影響配網安全穩定運行的風險，降低分布式能源接入對電力系統電能質量的不良影響。基于以上原因，本文將對光伏發電系統的短期發電預測技術展開了深入研究。

現有對光伏發電功率預測的方法主要有間接預測法與直接預測法兩種[3]。間接預測法主要是通過預測太陽輻射強度再對發電量進行預測，因此預測結果精度較低。直接預測法是一種依靠大量光伏系統運行的歷史數據進行數學統計預測的方法，此方法具有較高的精度。目前對光伏發電預測的方法有多種，如支持向量機法、時間序列法、神經網絡法、馬爾科夫鏈等。文獻先在歷史數據庫中挑選出與預測日類似的數據，利用支持向量機方法進行預測。文獻使用聚類的方式對歷史數據進行分析，運用時間序列與模糊理論結合的方式進行預測。文獻通過相似日的選取，獲得與預測日相關性最大的相似日，再將相似日的信息當作模型的輸入來獲得結果。但是，文獻需要大量的數據來選擇所需要的相似特征，對數據量要求很高;文獻[6]由于突變因素的存在，需要進一步的提高其預測精度;文獻中提出的模型存在著系統誤差，使得每一個預測值在對應的時間上均小于實際值。

本文基于BP神經網絡，先從歷史相關數據中找到影響光伏發電量的關鍵條件，并從輻照度曲線里找到輻照度的隱含信息，對于非數值條件通過模糊理論進行量化對應的數值，對歷史數據按照季節和天氣情況進行分類，對每一種天氣類型建立一個預測子模型。將一個復雜度高的模型變成幾個復雜度低的子模型，與普通量化方式相比，既加快了網絡收斂速度，又提高預測的精度。

2?影響光伏發電量的條件選取及其模糊化

對于光伏來說，影響發電量的最重要因素是輻照度和環境溫度，環境溫度可以通過查詢相應時刻的天氣預報來獲取，而輻照度的信息卻較難預測，要想獲取輻照度數據的信息可以通過歷史數據中輻照度的變化曲線中的隱含信息來獲取，由于當天之前的日期的輻照度數據對當天的發電量有所影響，本模型采用的條件為當天平均風速、平均溫度、最高溫度、最高溫度時刻、最低溫度、最低溫度時刻、當日溫度最大差、當天的前一天輻照度變化趨勢、當天的前一天輻照度變化次數、前一天最高溫度、當天和前一天天氣情況。其中從曲線中得到的有用的隱含條件有：1.當天的前一天輻照度變化趨勢，取為前一天輻照度與前兩天輻照度的差值;2.當天的前一天輻照度變化（即上升或下降）次數，第1次上升記為+1，第2次上升記為+2，第1次下降記為-1，依此類推;3.當天和前一天天氣情況，因為此條件是非數值條件，所以需要將本條件的每一種情況都量化為數值再加以利用，應用模糊理論把相關非數據條件量化為數值條件，并將簡單量化和模糊量化后的數據分別作為該條件的數值代入到網絡中進行訓練，然后分別預測同一天的發電量，比較兩者的誤差。

中國氣象局頒布的國家標準GB/T 22164-2008《公共氣象服務一天氣圖形符號》結合當天的溫度高低、晴朗程度以及降雨量情況等因素，將天氣劃分成30多種細分類型，其中，晴天、多云、陣雨以及大雨為典型天氣類型，出現的概率相對較高。對于光伏發電而言，影響其功率輸出的天氣類型主要包括晴天、陰天以及雨雪天。常見的廣義天氣細分類型如表1所示。

因此，每天的天氣情況在進行廣義分析以后只有三種，即晴陰雨。對于最后一個條件——當天和前一天天氣情況來說，對應的情況有9種：晴晴、陰晴、雨晴、晴陰、陰陰、雨陰、晴雨、陰雨、雨雨，必須將這些情況量化成數值才能加以利用，構造模糊隸屬函數的量化方法是一種可行有效的方法。按照模糊理論，決定以與兩天都是晴天（即晴晴）的相近程度來量化這9種類型。根據其中的幾種取值確定隸屬度函數的參數，其他的情況只需要將原始量化取值帶入函數中就可以得到經過模糊量化之后該情況的量化值。取偏大型柯西分布和對數函數作為隸屬函數：

當兩天條件為“晴晴”時，隸屬度為1，即f（9）=1;

當兩天條件為“陰晴”時，隸屬度為0.8，即f（8）=0.8;

當兩天條件為“晴陰”時，隸屬度為0.5，即f（6）=0.5;

當兩天條件為“雨雨”時，隸屬度為0.01，即f（1）=0.01;

計算得：

α=20.6116，β=1.46，a=1.698，b=-2.542。

則

將其初始量化值帶入到隸屬度函數中，即可求出模糊量化后的值，如表2所示。

3光伏發電量模糊神經網絡預測模型

BP神經網絡是一種單向傳播的多層前向網絡。除輸入、輸出節點外，還有一層或多層隱含節點。BP神經網絡的學習過程包括工作信號的正向傳播和誤差信號的反向傳播過程，即輸入信號從輸入層依次經隱層傳到輸出層，誤差信號則由輸出層開始逐層逆向傳到輸入層，同時由誤差反饋調節網絡權值。

BP神經網絡的拓撲結構如圖3所示。該網絡由輸入層、一個或多個隱含層和輸出層組成，x1，x2，…，x11為網絡的輸入特征;y為目標輸出特征;h1，h2，…，hj分別為隱含層中間變量[5，6]。實際應用中，BP網絡主要有3層和4層兩種。研究表明，當隱含層的神經元足夠大時，3層結構的網絡可以實現任意復雜的映射。本模型選用3層的BP網絡結構。

輸入層含11個節點，每個節點對應1個條件，它們是當天平均風速、平均溫度、最高溫度、最高溫度時刻、最低溫度、最低溫度時刻、當日溫度最大差、當天的前一天輻照度變化趨勢、當天的前一天輻照度變化次數、前一天最高溫度、當天和前一天天氣情況。

輸出層含1個節點，對應于當天發電量。

隱層節點的數目可參照公式，其中n為隱層節點數目，n1為輸入層節點個數，n0為輸出層節點個數，a為1-10間常數;根據相關經驗及實驗情況，隱層節點數目定為11個。最后可由輸出值得出預測的發電量。

網絡訓練Matlab包含的神經網絡工具箱具有強大而靈活的功能，不需要復雜編程。因此，本文采用Matlab的神經網絡工具箱作為訓練環境，選取訓練樣本進行訓練。訓練樣本數據取自高郵光伏電站歷史數據。

4算例分析

數據來源于江蘇省高郵市某光伏電站2016年的發電量運行數據，采集于發電系統的監控系統。因為光伏發電的出力時間為白天有光照條件下，所以數據采集的時間跨度為 6：00～18：00，時間間隔為1小時，將每個小時的發電量累加起來得到當天預測發電量，而每種天氣類型用到的樣本數量為該歷史數據中按照季節和天氣類型劃分的相關數據除去預測日的所有天數，各個類型的樣本數量如表3所示：

本文以某光伏電站2016年春夏秋冬4個季節3種天氣共12天作為預測日，分別用初始量化值和模糊量化值預測當天的發電量，如表4所示。

預測模型選用的誤差指標為絕對百分比誤差（APE），參考公式如下：

APE =|Ppi-Pmi|/Pmi×100%

式中Ppi為某天的光伏預測發電量，Pmi為某天的光伏實際發電量。

從表4中可以看出，由于數值在0-1之間時比初始取值在0-9時網絡實現機器學習時收斂更快，所以經過模糊量化后的天氣情況的數值的模型預測結果比該條件簡單量化的數值的模型的預測值的誤差APE要小。說明使用本文所提出的預測方法，通過對天氣條件模糊量化的數據對BPNN進行訓練建模，光伏發電量預測結果的精度有進一步的提高。

5?結束語

文章采用模糊理論和神經網絡對光伏輸出功率進行短期預測。通過尋找歷史數據中輻照度曲線和天氣情況的相關信息并進行模糊量化，利用每個季節各自天氣類型的歷史數據作為訓練樣本創建BP神經網絡預測模型。在考慮主要天氣影響因素的基礎上，采用模糊量化后的數據對網絡進行訓練，然后對光伏未來短期時刻的發電量進行預測。最后使用光伏系統運行數據對預測方法進行分析表明，該光伏功率預測方法所需數據量不大，網絡收斂變得更快了，同時能夠準確的預測光伏發電功率，較好的反映光伏發電系統的短時出力情況，能夠滿足實際應用要求，進而對短期功率預測起到一定的參考作用。

參考文獻：

[1]鄭建鄂，譚建軍，鄂翔宇，鄒蕾，宋池.基于人工蜂群算法改進BP神經網絡的光伏發電量預測[J].湖北民族學院學報（自然科學版），2019，37（01）：90-95.

[2]李英姿，曾萬昕，戴玉，郭俊杉，胡亞偉.基于D-S證據理論的光伏發電量預測[J].電氣應用，2019，38（02）：102-107.

[3]楊潔，成珂.基于數據挖掘的神經網絡光伏發電預測研究[J].激光雜志，2018，39（08）：59-62.

[4]劉明海.基于參數預測的“光雨互補”發電系統研究[J].鐵道建筑技術，2018（08）：15-19.

[5]周慧，王進，顧翔.基于數據挖掘的光伏發電預測[J].計算機時代，2018（08）：36-39+42.

[6]任家銘.基于改進神經網絡的光伏電站短期出力預測[D].西安理工大學，2018.

[7]陳國棟，羅素芹，劉文斌，朱翔鷗.基于改進相似日的光伏系統日發電量預測[J].照明工程學報，2018，29（03）：115-119.

（作者單位：武漢理工大學 自動化學院）