基于小波神經網絡的分布式光伏發電出力預測研究

李浩銘

摘 ?要：對于分布式光伏發電出力情況進行預測是設計光伏電站的必須參考數據，為光伏電源的接入和電力系統的優化提供可靠的依據。本文分析了分布式光伏發電出力的特性和預測方法，簡述了小波神經網絡的結構和預測原理，并在最后以厚田沙漠光伏生態園5MWp光伏電站的發電出力數據為主要研究對象，研究了小波神經網絡對分布式光伏發電出力的預測情況。

關鍵詞：小波神經網絡;分布式光伏;發電出力預測

前言：

我國是太陽能資源較豐富的國家，非常適合光伏發電的發展，國家也對此實施大力的扶持政策，光伏發電也因此迎來高速發展時期。但是要想有效地實現光伏并網，對于電站的出力情況進行準確的預測是十分必要的，然而目前針對這一方向的研究較少，也因此在一定程度上阻礙了光伏發電的發展。

一、分布式光伏發電出力特性

分布式光伏發電出力會受到氣候、光照等外界客觀因素的影響較大，具有一定的隨機性和間歇性，并且具有概率分布的典型特點，除了易受自然因素的影響，還會受到鄰近的電力負荷和光伏的制約影響。根據分布式光伏發電出力的間歇性和隨機性的特性，國內外產生不少研究，通過不同氣候光伏出力分布的實驗，去除夜間光伏未發電出力的時間，分別對在晴天、多云、雨天、雨轉陰幾種氣候下的特性進行研究，表明分布式光伏發電出力會受到光照等氣候因素影響，同時還會受到時間、地理等因素的影響。間接法的特性是通過利用氣象、光照等數據條件對光伏發電出力建造模型，根據光伏發電出力原理，得到分布式的間接特性[1]。

二、分布式光伏發電出力預測方法

對于分布式光伏發電出力的預測方法一般分為直接預測法和間接預測法，直接預測法通常都是根據數據的規律進行預測，也稱為數據統計預測法，在這一預測方法中，通常先找出光伏發電出力的歷史數據，在其中尋找規律，通過規律確定理論再建立模型，在建模環節中主要使用的方法有時間序列預測法、灰色理論預測法等，數據統計預測法也在實驗中得到了很好的證明。隨著人工智能的發展，人工智能預測方法在分布式發電出力預測的方法中也較為常見，由于在統計發電出力的過程中需要用到大量的數據，數據范圍較廣，并且需要準確獲取，存在一定難度，但使用人工智能預測方法可以通過人工神經網絡、多層感知器神經網絡等進行預測，以這種人工智能方法算出的數據會更加精確，提高了整體預測的準確度。間接預測法主要是指在預測過程中不需要歷史數據的統計，而是直接根據天氣預報的數據就可以進行預測的方法，可以減少數據的統計難度，在間接預測法中常用數值天氣預報和基地云圖法，對于數值運算能力有很大的要求，通過設置邊界條件和初值，計算天氣演變的過程，進而預測未來的天氣狀況，從而實現預測分布式發電出力的目的。

三、小波神經網絡的結構和預測原理

小波神經網絡是小波變換和神經網絡的結合，通常稱之為松散型結合，由小波變換和神經網絡構成整個系統，主要結構為：在某一特定時域輸入信號，通過小波分解到小波域進行信號處理，再在小波域進行小波重構，經過特定時域進入神經網絡，最后輸出信號，整個結構中小波變換和神經網絡是相對獨立但又緊密相連的。小波變換和神經網絡的融合也被稱之為緊致型結合，在結構中緊致型小波神經網絡組合模型是由小波函數構構造神經網絡多形成的小波網絡，在這一結構中，可以自行調整小波函數的形狀以適應實際，可以實現小波變換。在小波神經網絡光伏出力預測中，以小波變換原理為基礎，將小波分解和重構的方法作為前置的手段，根據預測時的天氣等自然情況，選擇合適的樣本，構建小波神經網絡光伏出力預測模型，根據實驗得出的數據求得預測的情況。以晴天為例，在晴天條件下對模型進行預測研究，先輸入歷史數據，在晴天下降小波變換得到的樣本進行分解，再進行小波重構，通過不同的處理方式得到不同的小波神經網絡預測結果，將得到的結構序列進行疊加，得到最終結果，以此得到預測情況[2]。

四、基于小波神經網絡在分布式光伏發電出力預測的應用

分布式光伏發電出力具有較強的隨機性和波動性，在對其進行預測時難度較大，如果沒有選擇正確的預測方法，預測結果會大打折扣。小波神經網絡是將小波變換和神經網絡兩種特點相結合形成的，在使用其預測時會更加的靈活，具有更強的容錯能力，所以小波神經網絡更適用于分布式光伏發電出力的預測。但在小波神經網使用的過程中較為復雜，由于復雜的情況下得到的結果也具有一定不準確性，所以為了更好地達到預測效果，可以使用簡化模型的辦法，根據不同的季節、月份甚至日期建立不同的預測模型，簡化操作的同時，提高預測的準確度。

在此以厚田沙漠光伏生態園為主要研究地點，5MWp光伏電站的發電出力數據為主要研究對象，對于進行預測研究，在此光伏電站中采用的光伏組件有2WMp的多晶硅和3WMp的薄膜，多晶硅組件的功率峰值為180Wp，開路電壓為44.9V，短路電流為5.46A，工作電壓為36.2V，工作電流為4.98A;薄膜電池組件的功率峰值為484Wp，開路電壓為291V，短路電流為2.56A，工作電壓為222V，工作電流為2.18A。整個的布置中，薄膜固定系統為3049.2kWp，多晶硅固定系統1695.24kWp，將組件的安裝方向固定位正南方向，安裝的傾斜角按照當地的25度最佳的傾斜角設置，使薄膜光伏組件的單列組件按照前后間隔2米放置，多晶硅的組件按照前后間隔2.5米放置單列組件，確保在9點至15點這一時間段內組件可以全年不被遮擋。

在進行預測的過程中，采用簡化模型的方式，主要采取2012年第一季度一、二月份的數據，將其分成晴天、陰天、多云轉陰和雨這四種典型的 天氣進行分別建立模型操作，根據不同的天氣情況，對應不同的發電出力數據，采用上面介紹過的小波神經網絡結構，以厚田沙漠光伏生態園的5MWp光伏電站的歷史數據為基礎，先將歷史數據進行分解，提取出光伏發電出力的系數，并且在分解的過程中注意做好消噪處理，并將分解后的單支信號進行重構，再將重構后的數據通過模型預測出發電出力值，結合不同的天氣情況和實際情況，采取合適的預測模型，爭取將預測結果最優化。由于分布式光伏發電出力的特性，其受氣候條件的影響最為明顯，所以在實驗過程中要注意光照的不同影響，特別是采取的實驗對象厚田沙漠光伏生態園5MWp光伏電站處在四季分明的位置，光照情況好太陽的輻射角度都會隨著時間的變化而變化，各個月份的光照情況和光照時間不同，所以在樣本選擇中通常要選取8點到17點的10個光伏發電出力的數據，在模型中要輸入13個數據，包括日期、最高溫度、最低溫度和選取的10個發電出力值，以此得到準確完整的預測結果[3]。

通過預測結果對小波神經網絡在分布式光伏發電出力預測中的應用進行總結，在晴天氣候條件下，由于傍晚的氣候變化較大、溫度較低，對于預測的精準度較低，使用小波神經網絡預測時可以將局部特性較好的擬合，得到的預測結果精確度也較高，誤差也相對較小。在相同情況下的陰天樣本中，采用小波神經網絡進行預測的誤差就較高，在8點和17點這兩個時間點的誤差尤為高，所以在陰天條件下小波神經網絡在進行分布式光伏發電出力預測中發揮的作用就不是很大了。對于多云轉陰天氣下的樣本預測結果與在陰天下結果相似，由于在8點和17點數據較差過大，并且在高頻部分也存在較大誤差，造成整體預測結果不是很準確，在發電出力的預測中的參考意義不大。在中雨情況下產生的預測結果與多云轉陰是相近的，所以，根據整體實驗情況分析，在晴天情況下的小波神經網絡對于分布式發電出力的預測準確度較高，在陰天、多云轉陰以及中雨情況下預測結果準確度較低，但能基本滿足發電系統規劃，具有一定參考價值。

結論：綜上所述，對于分布式光伏發電出力預測具有很重要的作用，既能夠有效降低光伏并網對電力系統造成的不良影響，又可以通過有效地預測提高電力系統的可靠性，為整個電力系統的發展和優化提供科學、可靠的依據，并且通過對太陽能的使用，有效地達到可持續發展、節能環保的效果，促進整個社會的發展。

參考文獻：

[1]張浩，李樹金.分布式光伏發電的特性分析與預測方法綜述[J].科技風，2020（03）：182-183.

[2]丁明，劉志，畢銳，朱衛平.基于灰色系統校正-小波神經網絡的光伏功率預測[J].電網技術，2015，39（09）：2438-2443.

[3]姜強鑫.基于小波神經網絡的分布式光伏發電出力預測[D].南昌大學，2012.