大數據分析下太陽能發電優化模型研究

孫運志 蔣德玉 李沛東 張盛林 化晨冰

摘要：能源危機環境下太陽能發電有利于降低不可再生能源的使用量。然而太陽能發電系統中功率比較不穩定，容易造成一系列問題，對太陽能發電功率預測有助于降低問題發生，于是文章研究大數據分析下太陽能發電優化模型。首先利用偏相關方法分析影響太陽能發電功率的因子，然后將大數據分析技術中的多樣式回歸、混沌神經網絡、魯棒平滑和支持向量機等模型建立組合預測模型，將該模型用于太陽能發電功率預測中，研究結果表明組合預測模型具有更好的精確性。

關鍵詞：大數據分析;太陽能;發電功率預測;優化模型

中圖分類號：TM615

文獻標識碼：A

文章編號：1001-5922（2020）09-0086-04

太陽能屬于一種清潔能源，利用太陽能發電有助于降低我國不可再生能源的消耗，而當前太陽能發電還存在一定的問題，因為太陽能發電系統具有較大的隨意性，會造成電力系統出現安全穩定，還會出現電能質量不穩定等問題，于是對太陽能發電功率進行預測具有重要作用[1-2]。隨著大數據分析技術的快速發展，已經有了很多較為成熟的理論，并且在很多領域中具有良好的應用效果[3]。電力系統的不斷應用發展，其中存在各種較為復雜的數據，體現出了大數據的特點[4]。文章將通過利用大數據分析技術，對太陽能發電功率進行預測，其中建立了發電功率的組合預測模型。

1 太陽能發電功率受到氣像因素的影響分析

1.1 發電功率的影響因素

一般情況下，地理環境和天氣狀況都會對發電功率造成很大影響，影響最大的是光照量，濕度、風況和溫度也會對發電功率造成一定的影響;另外，太陽能發電系統的安裝位置、安裝角度等也會影響到發電功率[5-6]。通過某地區的一個太陽能發電系統的各個數據進行計算，得到如表1所示的氣象因子和輸出功率之間的Pearson相關系數。

從表中可以看出，光照和氣溫與太陽能功率有較大正相關系數，另外的濕度和功率有較大的負相關性。

1.2 偏相關分析

由于變量之間的關系非常復雜，僅僅只進行簡單的相關系數分析，不能準確的反映出與功率之間的相關性。而通過使用偏相關分析，能夠準確的放映出各個因素與功率之間的關系。

于是通過上述分析后，可以得到如表2所示的偏相關系數。從表中可以看出，氣溫和功率之間存在負相關性，于是可以驗證得到前面所分析的Pearson相關系數結果不準確。從該表中，可見光照強度屬于影響最大的因子，所以在建模過程中需要著重分析;氣溫和濕度具有較大的負相關性，于是在模型中也需要著重分析。而其它的影響因子與功率之間的相關系數比較小，所以可以將其忽略，即在建模過程中不需要考慮這些因子。

2 大數據分析下組合預測模型分析

組合預測就是將不同的預測模型進行組合，從而可以發揮每個模型的特點和優勢，需要將對每個模型進行加權平均處理，從而實現模型的優勢互補，提高模型的預測效果。

2.1 組合預測模型

選擇兩種以上的模型預測對象，然后按照一定的方式將每個模型進行綜合處理形成一個組合模型，最后通過該模型進行預測。其數學模型如下所示：

圖1是組合預測模型的結果，其中數據倉庫中有太陽能發電系統的各種數據，方法倉庫中就是不同的預測模型，通過確定加權系數之后，即可建立組合預測模型，然后對組合預測模型進行應用，最后將結果存放于預測結果庫中。

2.2 加權系數確定方式

加權系數直接決定著組合預測模型的應用效果，文章通過使用混沌粒子群優化算法確定加權系數，其

3 大數據分析技術中單相模型

3.1 混沌神經網絡模型

文章使用遞歸網絡構造混沌神經網絡。其中結構主要有三個部分，分別為輸出層、輸入向量和隱含成。在隱含層中存在一個反饋連接，其主要作用在于有利于網絡表現出實時動態特征。圖2即為混沌神經網絡結構圖。在隱含層和反饋層中需要有一個傳遞函數，于是分別使用的線性函數和Logistic函數。于是網絡每層之間的傳遞函數如下所示：

3.3 其他單項模型的選擇

通過運用多項式和魯棒方法，可以將其作為跟蹤因子和抑制因子，然后將這兩者放到補償系數中，從而可以構成組成預測模型，使得模型具有更好的穩定性。

4 算例分析

4.1 歸一化處理

通過對太陽能發電系統的實測數據為例，訓練樣本選擇的是歷史發電功率和氣象數據，目的在于對組合預測模型進行檢驗，是否具有較好的應用效果。其中功率預測時間是15min。然后對相關數據進行歸一化處理，其處理公式如下所示：

4.2 預測結果

為了體現組合預測模型的優勢，文章將其他單個模型也進行了預測分析。預測結果如圖3所示。

4.3 誤差分析

文章需要對5種模型進行誤差比較，于是比較標準使用的為平均絕對百分比誤差，簡稱MAPE，將其符號設置為SMAPE：

4.4 預測實例結果分析

表4即為5種預測模型的誤差統計，從表中可以看出，組合預測模型其誤差率更小，具有更好的精確性。另外，支持向量機模型和混沌神經網絡模型的誤差率也相對比較低，因為在該模型中將氣象因子進行了考慮，于是其精度性比較好。組合預測模型因為將幾種模型進行集中處理，然后合為一個模型，該模型將具有其他模型的優勢，于是其抗突性變和跟蹤能力將會很好，于是其精確度將會比其他單獨的模型更高。

5 結語

大數據分析技術的性能廣泛，在很多領域中具有重要作用。文章通過應用大數據分析中挖掘技術對太陽能發電功率進行預測，建立優化模型，將幾種模型進行集合為一個模型，即所提的組合預測模型，在給模型中考慮了氣象因子，相比于其他幾種單獨模型，在實際的應用過程中組合預測模型有更好的精確度和預測效果。

參考文獻

[1]趙波，薛美東，葛曉慧，等，光伏發電系統輸出功率計算方法研究[J].電網與清潔能源，2010，26（07）：19-24.

[2]彭恒，閏偉華.太陽能光熱發電新技術工藝路線綜述[J].電站系統工程，2020，36（03）：25-26+29.

[3]嚴英杰，盛戈唪，陳玉峰，等.基于大數據分析的輸變電設備狀態數據異常檢測方法[J].中國電機工程學報，2015，35（01）：52-59.

[4]劉昕林，羅偉峰，黃萍，等.大數據環境下電力信息系統監控預判的智能分析[J].微型電腦應用，2019，35（07）：140-142+157.

[5]鄧雅，胡書舉，孟巖峰，等.光伏發電系統功率預測研究方法綜述[J].電氣制造，2013 （006）：50-53.

[6]楊光，光伏發電功率與氣象影響因子關聯關系的分析研究[D].北京：華北電力大學，2014.

[7]傅美平，馬紅偉，毛建容.基于相似日和最小二乘支持向量機的光伏發電短期預測[J].電力系統保護與控制，2012（16）：71-75.

[8]趙丹，戚龍.支持向量機預測光伏發電系統最大功率的算法研究[J].吉林化工學院學報，2015，032（006）：89-94.

作者簡介：孫運志（1970-），男，漢族，山東臨沂人，碩士研究生，高級工程師，研究方向：能源規劃綜合研究。