南疆某光伏電站動態功率預測模型的分析＊

鄒夢麗，吳 憲，郭 續

（塔里木大學機械電氣化工程學院，新疆 阿拉爾843300）

分布式光伏發電系統功率是根據負荷實時變化的，具有一定的動態特性，且光伏發電容易受地理位置、氣象條件、太陽總輻射等環境的影響。由于整個發電系統存在周期性、間歇性、隨機性和波動性等，都會對分布式光伏發電系統動態功率預測造成影響。當光伏發電系統發出的電進行并入電網時，會對大電網造成波動。電力調度部門需要對這種波動進行調整，減少對整個電網的影響。因此，研究分布式光伏發電系統動態功率來預測生產生活中的實際發電量具有很重要的意義。本文主要研究分布式光伏發電系統動態功率在新疆地區，特別是在環塔里木河流域塔克拉瑪干沙漠邊緣的南疆地區，以阿拉爾光伏電站為測試對象。通過研究分布式光伏發電系統所具有的特點，將阿拉爾積累的長期發電量和氣象環境的條件等數據收集提取出來。對所有的有效數據進行標準化處理，在處理數據方面，首先要剔除不良數據，分析并篩選有效的歷史數據，利用優化后的數據進行統計分析。以年動態發電量為中心構建灰色預測模型，預測下一年的發電量；以歷年的數據作為訓練神經網絡模型。兩種模型通過實測數據進行預測，最后選較優模型。

1 光伏發電系統動態預測模型的研究

1.1 灰色預測模型

1.1.1 灰色預測模型的定義

灰色預測的定義是根據系統行為中具有的特征值發展變化而對未來的數據進行的預測。通過已知的數據分析運算，尋找內在關聯以及發展變化的趨勢，對未來不確定的數據進行預測。灰色預測本質是指根據在一定范圍內變化的數據或者時間序列有關變量存在不確定的過程進行預測。

灰色預測模型通過分析整個系統中影響因素之間相關性和趨向趨勢進行關聯分析。采取對原始數據分析處理來尋找這個系統數據變化的內在規律性，導出并生成有較強規律性的數據序列，繪制圖像以及建立相適應的微分方程模型，從而預測數據未來發展趨勢。

針對預測類的問題，普遍采用灰色預測模型進行預測。這個模型相較其他模型來說，基于一定范圍的的時間序列的數據變化。研究按時間累加后關于數列變量的波動，建立GM（1.1）模型。一般采用一階線性微分方程的解來預測數據的結果。

1.1.2 GM（1.1）模型

GM 的微分方程為：

式（1）中：x（1）為經過一次累加生成的數列；t 為時間；a為發展灰度；u 為內生控制灰數。

建立一次累加生成數列，設原始數列為x（1）={x（0）（1），x（0）（2），x（0）（3），…，x（0）（n）}，i=1，2，…，n。

按照以下方式進行累加計算，重新生成數列，n 為樣本空間：

利用最小二乘法求參數a，u：

參數辨識：

求出GM（1.1）的模型：

對模型精度的檢驗，計算原始數列x（0）（i）的均方差S0：

計算殘差數列的均方差S1：

計算方差比c：

計算小誤差概率：

模型精度等級如表1 所示。

表1 模型精度等級

1.1.3 灰色預測的結果

灰色預測2017年一期項目發電量如圖1 所示。

圖1 灰色預測2017年一期項目發電量

從圖1 中可以看出，由于2014年的數據與歷年數據出現了較大差值，對預測結果造成嚴重影響，在2017年將達到4 821.518 6 萬kW·h。遠遠超過了阿拉爾光伏電站的實際的發電量，脫離了實際的生產生活。因此本文將2014年的數據進行修正，從而達到在一般光照資源條件下的準確預測。

灰色預測如表2 所示。

表2 灰色預測表

為了對2014年的數據進行修正，通過提取2015年和2016年兩年的相關數據，對每個月數據分析，剔除不良數據，篩選具有一般性質的數據，得出2015年和2016年的平均年發電量。同理，計算2013年和2015年的相關數據，對每個月數據進行分析，剔除不良數據，篩選代表性數據，得出2013年和2015年的平均年發電量；再將平均平均年發電量匯總分析，得出2014年的虛擬年發電量為3 893.74萬kW·h，來替換3 058.88 萬kW·h。通過數據分析得出的新結果進一步代入灰色預測模型中，對2017年阿拉爾光伏電站一期項目的發電量實現預測。

1.1.4 灰色預測的修正

灰色預測2017年一期項目發電量圖（處理后）如圖2所示。

圖2 灰色預測2017年一期項目發電量圖（處理后）

本文將重點研究阿拉爾光伏電站一期項目，通過選取2013年、2014年（修正后）、2015年、2016年的年發電量，預測2017年的發電量。阿拉爾光伏電站的數據分析可知多年平均發電量為4 140.7 萬kW·h，根據灰色預測模型可以得出預測值為4 191.231 9 萬kW·h。灰色預測（處理后）如表3 所示。

表3 灰色預測表（處理后）

阿拉爾光伏電站一期項目的發電量數據顯示，全年發電量為4 219.21 萬kW·h，預測值與實際生產生活的數值較為接近，屬于可接受范圍內。

1.2 PB 神經網絡模型

BP 神經網絡算法是一種按照誤差進行反向傳播并建立的前反饋網絡特性的算法，適用于多輸入、多輸出的模型。本算法依靠已有的歷史數據，通過輸入和輸出數據之間的映射關系進行學習，尋找數據與數據之間的關聯，將數據的特性抽象化/模擬化，形成一種網絡算法。可以將BP 神經網絡劃分為輸入層、隱含層、輸出層。

輸入層是調取數據的輸入模型，既能研究單一變量的影響，也可以研究多個變量的影響。

隱含層采用的是激活函數，不同的函數會對輸入和輸出產生影響。灰神經網絡結構如圖3 所示。

圖3 灰神經網絡結構圖

1.2.1 BP 神經網絡算法流程

BP 神經網絡算法流程如下：①提取歷史對應的數據，然后用編程調取函數對數據進行預處理，即數據歸一化。②使用適當的函數建立神經網絡，確定輸入層參數、輸出層參數和隱含層節點數。③利用數據訓練網絡。首先設置參數，設置最大訓練次數、中間結果間隔次數、學習率、訓練的目標誤差。在訓練過程中，不斷地對設置的參數進行修改，以求達到最優的效果。④使用網絡。應用訓練網絡，對2017年12 個月份的發電量進行預測，并且得到模型預測值。

1.2.2 BP 神經訓練過程

BP 神經訓練過程如下：①確定BP 網絡的層數，網絡層數的增加或者減少都會影響模型的精度，同時會影響訓練的時間和網絡的復雜程度，經過各個方面的綜合考慮來確定網絡層數，一般情況下會選擇三層網絡結構。②確定隱含層的神經元的個數，神經元的個數也影響網絡的復雜程度。根據不同的喚醒下，先給定一個值，在訓練的過程中再進一步改進，通過對不分析選出最合適的數目。③網絡初始化運算，將神經網絡權值和閾值賦值。在設定權值和閾值時注意，數值選取適中。可以先預設值，再不斷改變參數，達到最佳狀態。 -通常情況下，初始權值閾值多在（ 1，1）區間選擇，在這個范圍區間內保證每個神經元的權值都可以在激活函數變化最大處調節。④確定學習的速度，學習的速度應該保持相對穩定，速度過大或者過小都會產生影響。⑤確定神經網絡的輸入量和輸出量。從而根據出輸入和輸出計算隱含層的輸入輸出量，得到預測值。⑥由BP 神經網絡的誤差反向傳播特性，將誤差進行反向傳播，并修正權值。⑦選取新的訓練數據集，繼續重復以上步驟，直到誤差降低到要求范圍內或者學習次數達到要求值，則訓練結束。

1.2.3 BP 神經網絡的參數確定

本文將設置輸入層為3 個，分別選取2013年、2014年和2015年每年的12 個月份作為作為原始數據的影響因素，構建數列，進行歸一化處理。將2016年12 個月份的數據作為3 個影響因素的結果。設置輸出層為1 個，即預測2017年的12 個月的數值。

在選取隱含層的節點時，需要同時了考慮輸入層的參數和輸出層的參數。層數參數如表4 所示。

表4 層數參數表

經過代入計算，確定l 為8 個：

訓練參數表如表5 所示。

表5 訓練參數表

采用logsig 函數神經元的輸入（范圍是整個實數集）映射到區間（- 1，1）。

2017年一期項目全年預測和實際發電量圖如圖4 所示。

圖4 2017年一期項目全年預測和實際發電量圖

根據2013—2016年的實際發電量訓練好的的BP 神經網絡，以2017年的氣象條件，尤其是綜合光照資源的數值代入訓練好的模型中預測2017年的每月發電數據，得到BP神經網絡的預測值為4 200.34 萬kW·h。據2017年阿拉爾光伏電站一期項目的發電量數據顯示，全年發電量為4 219.21 萬kW·h，預測值與實際生產生活的數值較為接近，處于可接受范圍內。

2 模型對比分析

本文分別建立灰色預測和BP 神經網絡模型，對于兩個模型的結果都進行了預測。其預測值與光伏電站2017年實際數據發電量如表6 所示。

表6 預測值與實際值對比表

分析比對兩者的優勢和不足。在模型的理論分析和實際的數據預測中得出結論：BP 神經網絡雖然具有優勢，但是易受參數的波動，其隱含層中的參數需要多次調試，如果出現問題，將對整個模型造成影響，降低預測精度。灰色預測簡單可靠，但是針對數據需要進一步處理，如果出現不良的數據會對預測產生較大誤差，在實際的預測中，需要篩選數據，剔除不良的數據，使模型預測更加準確。

3 結論

光伏發電作為一種清潔能源，在代替傳統用電的過程中發揮著重要作用，加強光伏功率的預測對電網安全運行具有重要意義。本文通過基于南疆某光伏電站的真實數據，建立灰色預測模型和BP 神經網絡。通過對比分析，結果表明兩種模型中BP 神經網絡具有較好動態光伏發電功率的準確性。另外需要指出的是BP 算法是在梯度下降原理的基礎上提出的，它的主要缺陷在于收斂耗時長、容易出現局部最優解、嚴重依賴于初始權值等。下一步將重點研究將神經網絡與其他算法組合起來，比如粒子群算法、蟻群算法等，它們在優化神經網絡方面比BP 算法效果會更好。