基于歷史數據的光伏發電量預測方式的組合應用

張鳳珠

（西南石油大學 電氣信息學院，四川 成都 610500）

0 引 言

自工業革命以來，科技因得到長足發展而日新月異，自然界中的傳統能源消耗量也隨之與日俱增。與此同時，傳統能源儲備面臨著前所未有的枯竭危機。在這樣的背景下，全世界都將目光聚焦在可再生能源的利用和開發上。太陽能具有低污染、可持續、安全可靠等優點，使得利用太陽能發電這一新方式脫穎而出[1]。光伏發電量的準確預測是實現能源最大化利用的重點要素，也是光伏電站實現電力合理調度的基礎，更是電網實現經濟規劃的基本參考因素。

目前，已有的多種光伏發電量預測方法中，以聚類預測和人工智能算法預測兩種預測方法應用最廣泛。其中，聚類分析法具有精度不足、速度較慢、對歷史數據準確度要求高等缺點；人工智能算法則存在對數據量要求大、對輸入的數據庫學習時間較長等缺點；組合預測方法則能避免上述缺點。

1 數據搜集與整理

以西南地區某10.5 kW 光伏電站過去3年的地區氣象數據、濕度數據、歷史發電數據為輸入量和預測輸出量，對3 種預測方式進行驗證對比。

搜集的氣象數據可分為晴天、陰天和雨天3 類；濕度數據分為30%以下、31%～70%、71%以上共3 個區段。為提高卷積神經網絡的學習效率和預測精度，還需要對光伏發電量的歷史數據進行歸一化處理。歸一化公式為[2]：

2 預測方法及結果的對比

2.1 FCM 相似日聚類預測法

FCM 算法是一種以隸屬度來確定每個數據點屬于某個聚類程度的算法。該聚類算法是傳統硬聚類算法的一種改進。

設數據集X={x1,x2,…,xn}，它的模糊c劃分可用模糊矩陣U=[uij]表示，矩陣U的元素uij表示第j(j=1,2,…,n)個數據點屬于第i(i=1,2,…,c)類的隸屬度，uij滿足條件[3]：

目前，被廣泛使用的聚類準則為取類內加權誤差平方和的極小值，即[4]：

其中V為聚類中心，m為加權指數，dij(xj,vi)=||vi-xj||。

算法流程[5]：（1）標準化數據矩陣；（2）建立模糊相似矩陣，初始化隸屬矩陣；（3）算法開始迭代，直到目標函數收斂到極小值；（4）根據迭代結果，由最后的隸屬矩陣確定數據所屬的類，顯示最后的聚類結果。

算法預測結果如圖1 所示。

圖1 FCM 相似日聚類發電預測

2.2 卷積神經預測法

卷積神經網絡是一類包含卷積計算且具有深度結構的前饋神經網絡，是深度學習的代表算法之一。該預測方法中，將歸一化到[0，1]區間的光伏發電歷史數據作為“時間-發電量”的二維數據輸入[6-9]，經過深度學習預測出光伏電站的發電量。算法預測結果如圖2 所示。

圖2 卷積神經網絡發電預測

2.3 組合預測方式

該方式是在卷積神經預測法的基礎上，將FCM 相似日聚類結果作為卷積神經網絡的二層數據輸入，可得算法預測結果如圖3 所示。

圖3 組合法發電預測

3 結果分析

在進行10 次對比檢驗試驗后，拾取誤差點，將預測精度、時間作為綜合考量[10]，可得：FCM 相似日聚類預測法效果最差；卷積神經預測法效果次之，但建立在歷史數據量足夠大的前提下；組合預測法效果最好且所需數據量相對更小，如表1 所示。

表1 3 種預測方式對比檢驗試驗

可見，在光伏發電大力發展的今天，該組合預測方式有著巨大的應用前景。