基于神經(jīng)網(wǎng)絡(luò)的光伏電站出力超短期預(yù)測(cè)研究

李光明，鄭麗娜，范 威，吉 暢，劉 龍

(1.六盤(pán)水師范學(xué)院物理與電氣工程學(xué)院，貴州六盤(pán)水 553004；2.國(guó)投新能源（紅河）股份有限公司，云南紅河 654300)

光伏電站輸出功率呈現(xiàn)隨機(jī)性強(qiáng)、波動(dòng)性大、難預(yù)測(cè)等特點(diǎn)，大規(guī)模的光伏電站接入電網(wǎng)會(huì)給電網(wǎng)的安全穩(wěn)定運(yùn)行、調(diào)度和調(diào)峰帶來(lái)極大的困難[1]。準(zhǔn)確預(yù)測(cè)電站未來(lái)某一時(shí)段內(nèi)各時(shí)刻點(diǎn)輸出功率，對(duì)保障電網(wǎng)穩(wěn)定運(yùn)行、提高能源利用效率具有重要的意義[2]。目前，光伏出力預(yù)測(cè)方法整體上可分為兩大類(lèi)，一類(lèi)是基于太陽(yáng)輻射[3-4]和光伏電站物理模型，不需要電站運(yùn)行歷史數(shù)據(jù)的間接預(yù)測(cè)方法，太陽(yáng)輻射的預(yù)測(cè)精度直接決定電站出力預(yù)測(cè)的精度；另一類(lèi)是基于電站運(yùn)行歷史數(shù)據(jù)、太陽(yáng)輻射量、氣象數(shù)據(jù)，采用統(tǒng)計(jì)或智能算法建立光伏電站出力與輸入變量間關(guān)系的直接預(yù)測(cè)方法，常采用的預(yù)測(cè)模型有回歸統(tǒng)計(jì)分析模型[5]、馬爾可夫鏈模型[6]、灰色理論模型[7]、支持向量機(jī)模型[8]、深度學(xué)習(xí)法[9]、神經(jīng)網(wǎng)絡(luò)模型[10-11]、多種模型組合應(yīng)用[12]等。此類(lèi)方法中回歸統(tǒng)計(jì)分析法、馬爾可夫鏈和灰色理論法，方法簡(jiǎn)單，運(yùn)算量小，對(duì)隨機(jī)變化的氣象數(shù)據(jù)適應(yīng)能力較弱，原始數(shù)據(jù)的準(zhǔn)確性對(duì)預(yù)測(cè)精度影響較大，預(yù)測(cè)結(jié)果不穩(wěn)定，但對(duì)于預(yù)測(cè)時(shí)間范圍很短時(shí)，回歸分析法在預(yù)測(cè)區(qū)間精度較高。支持向量機(jī)模型雖算法簡(jiǎn)單，運(yùn)算量小，但在復(fù)雜天氣條件下的預(yù)測(cè)精度較差。與之相比，基于神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)、多模型組合的智能預(yù)測(cè)算法，具有良好的非線性逼近能力，復(fù)雜天氣條件下，光伏電站出力預(yù)測(cè)精度較高。本文基于BP 神經(jīng)網(wǎng)絡(luò)模型，分別以實(shí)測(cè)氣象數(shù)據(jù)和中尺度數(shù)值天氣預(yù)報(bào)數(shù)據(jù)為訓(xùn)練樣本，對(duì)比研究了不同數(shù)據(jù)樣本下神經(jīng)網(wǎng)絡(luò)模型對(duì)光伏電站同一天氣情況下的出力預(yù)測(cè)效果。

1 光伏電站出力影響因素分析

1.1 氣象環(huán)境因素

氣象環(huán)境因素主要有太陽(yáng)輻射、環(huán)境溫度、風(fēng)速、云量、降雨量、空氣質(zhì)量等[13]。太陽(yáng)輻射直接決定太陽(yáng)電池光生電流Iph，即Iph=G[Iphref-α(T-Tref)]/Gref，二者之間呈正比關(guān)系，具有基本相同的變化趨勢(shì)；環(huán)境溫度與太陽(yáng)電池光生電流成正比、與輸出電壓和功率成反比，一天內(nèi)各時(shí)段的環(huán)境溫度變化較大受光照和風(fēng)速的影響；風(fēng)速能降低太陽(yáng)電池運(yùn)行工作溫度，提高出力；云量、降雨量、空氣質(zhì)量會(huì)影響太陽(yáng)電池接收到的太陽(yáng)輻射強(qiáng)度，進(jìn)而影響電站出力。

1.2 電站建設(shè)因素

不同的安裝方式和安裝傾角，光伏方陣接收的太陽(yáng)輻射差異較大，選擇不同型號(hào)的電氣設(shè)備(組件、匯流箱、逆變器等)和不同的布置方案直接影響電站電纜用量和光電轉(zhuǎn)換效率。因地制宜、科學(xué)合理的施工方案是保障電站質(zhì)量的關(guān)鍵，如在組件搬運(yùn)、安裝時(shí)應(yīng)選擇避免導(dǎo)致組件產(chǎn)生隱裂的方案，以降低組件輸出功率衰減、提高組件抗老化能力。在采用間接預(yù)測(cè)方法時(shí)，設(shè)計(jì)方案會(huì)影響光伏電站物理模型建立。

1.3 運(yùn)行維護(hù)因素

電站在運(yùn)行階段，光伏組件在受到諸如雜草、樹(shù)木、鳥(niǎo)糞、灰塵等遮擋物遮擋時(shí)，組件工作溫度上升，太陽(yáng)電池光生電流Iph減小，并聯(lián)電阻Rsh和漏電流增大，降低了光伏組件輸出功率。此外，組件隱裂、老化、故障停機(jī)等因素直接影響電站發(fā)電效率和電站并網(wǎng)實(shí)際容量的統(tǒng)計(jì)，進(jìn)而影響預(yù)測(cè)結(jié)果。

2 光伏電站出力預(yù)測(cè)模型建立

BP 神經(jīng)網(wǎng)絡(luò)[14]是一種信號(hào)正向傳播，誤差反向傳播調(diào)整的多層前向網(wǎng)絡(luò)，基本結(jié)構(gòu)如圖1 所示。對(duì)解決隨機(jī)性較強(qiáng)的非線性問(wèn)題具有較強(qiáng)的適應(yīng)能力，通過(guò)樣本數(shù)據(jù)的刺激學(xué)習(xí)，使其在訓(xùn)練過(guò)程中反饋信號(hào)不斷調(diào)整權(quán)值和閾值，不斷重復(fù)訓(xùn)練，以達(dá)到期望輸出，應(yīng)用于光伏電站出力預(yù)測(cè)有較高的精度。

圖1 BP神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)

網(wǎng)絡(luò)由輸入層i、隱含層j和輸出層k三層結(jié)構(gòu)組成，設(shè)輸入層i有n個(gè)神經(jīng)元(i=1,2,…,n)，隱含層j有p個(gè)神經(jīng)元(j=1,2,…,p)，輸出層k有s個(gè)神經(jīng)元(k=1,2,…,s)，則神經(jīng)網(wǎng)絡(luò)輸入層輸入和輸出量為X=[x1,x2,…,xn]T，隱含層輸入量和輸出量分別為U=[u1,u2,…,up]T、V隱=[v1,v2,…,vp]T，輸出層輸入量和輸出量分別為Z=[z1,z2,…,zs]T、Y=[y1,y2,…,ys]T。設(shè)隱含層j與輸入層i間的權(quán)值和閥值分別為wji、θj，隱含層j與輸出層k間的權(quán)值和閥值分別為wkj、θk，則隱含層輸入量和輸出層輸入量可表示為：

隱含層j和輸出層k各神經(jīng)元的輸入量與輸出量由傳遞函數(shù)確定，即：

式中：a、b、c為常數(shù)，f(uj)、f(zk)被限定在[0,1]之間。

任意一組訓(xùn)練樣本X均對(duì)應(yīng)一組實(shí)際輸出樣本Y和期望輸出樣本D，即D=[d1,d2,…,dk]T，訓(xùn)練樣本經(jīng)M次迭代后，輸出層的累積誤差E(M)為：

用訓(xùn)練誤差逐步調(diào)整各層間的輸入權(quán)值和閥值，本文選取梯度下降算法作為調(diào)整依據(jù)，設(shè)隱層與輸入層間的調(diào)整梯度為δj，輸出層與隱層間的調(diào)整梯度為δk，訓(xùn)練樣本經(jīng)過(guò)M次迭代后，誤差在逐漸傳遞過(guò)程中修正各層的權(quán)值和閥值，修正后的權(quán)值和閥值可表示為：

3 預(yù)測(cè)模型應(yīng)用與分析

3.1 訓(xùn)練樣本數(shù)據(jù)來(lái)源

樣本數(shù)據(jù)來(lái)源于氣象預(yù)報(bào)中心和電站實(shí)測(cè)，其中氣象預(yù)報(bào)中心樣本數(shù)據(jù)包括太陽(yáng)總輻射、散輻射、直輻射、風(fēng)速、風(fēng)向、環(huán)境溫度、相對(duì)濕度、氣壓8 個(gè)序列，每天8：00 和16：00 各獲取一次預(yù)報(bào)數(shù)據(jù)，每次預(yù)報(bào)數(shù)據(jù)均為起報(bào)點(diǎn)至未來(lái)72 h 內(nèi)的288 個(gè)數(shù)據(jù)點(diǎn)，時(shí)間分辨率為15 min。電站實(shí)測(cè)數(shù)據(jù)包括水平面太陽(yáng)總輻射、散輻射、直輻射、斜面太陽(yáng)總輻射、環(huán)境溫度、組件溫度、空氣濕度、氣壓、雨量、風(fēng)速、風(fēng)向、電站運(yùn)行容量和輸出功率13 個(gè)序列，時(shí)間分辨率為5 min。

3.2 數(shù)據(jù)處理

(1)統(tǒng)一數(shù)據(jù)時(shí)段：為實(shí)現(xiàn)數(shù)據(jù)的統(tǒng)一性，選取每日8：00～18：30 時(shí)段數(shù)據(jù)，其余時(shí)段數(shù)據(jù)舍棄；

(2)變換數(shù)據(jù)時(shí)間分辨率：將樣本數(shù)據(jù)時(shí)間分辨率全部變換為15 min，數(shù)據(jù)值取每15 min 內(nèi)的加權(quán)平均值；

(3)數(shù)據(jù)剔除：剔除非選取時(shí)段的數(shù)據(jù)和選取時(shí)段內(nèi)的異常數(shù)據(jù)，如輻射量、風(fēng)速、輸出功率、氣壓、濕度數(shù)據(jù)為負(fù)值的數(shù)據(jù)點(diǎn)，運(yùn)行容量逐時(shí)變化超過(guò)5%、溫度變化超過(guò)30%的數(shù)據(jù)點(diǎn)；

(4)數(shù)據(jù)插補(bǔ)：對(duì)8：00～18：30 時(shí)段內(nèi)異常數(shù)據(jù)或缺失數(shù)據(jù)采用多重插補(bǔ)法補(bǔ)齊；

(5)數(shù)據(jù)歸一化：因隱含層、輸出層輸入與輸出間的激勵(lì)函數(shù)取值被限制在[0～1]之間，且樣本中各序列數(shù)據(jù)值大小差異較大，對(duì)模型輸入數(shù)據(jù)進(jìn)行歸一化處理，即：

式中：、Pi、Pmin、Pmax分別為歸一化后輸入量、原始輸入量、原始輸入量最小值、原始輸入量最大值，輸出的預(yù)測(cè)值可通過(guò)反歸一化還原。

3.3 應(yīng)用與結(jié)果分析

建模預(yù)測(cè)模型應(yīng)用于西南地區(qū)某300 MW 大型光伏電站，選取電站2020 年1 月31 天的有效數(shù)據(jù)，包括數(shù)值天氣預(yù)報(bào)數(shù)據(jù)(輻射量、溫度、風(fēng)速、濕度)、實(shí)測(cè)氣象數(shù)據(jù)(輻射量、溫度、風(fēng)速)和電站運(yùn)行數(shù)據(jù)(運(yùn)行容量、輸出功率)。對(duì)數(shù)據(jù)處理后，迭代次數(shù)取5 000 次，學(xué)習(xí)效率取0.01，分別以實(shí)測(cè)氣象數(shù)據(jù)、數(shù)值天氣預(yù)報(bào)數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練，并將訓(xùn)練好的模型用于預(yù)測(cè)2020 年1 月1 日15 min 分辨率的輸出功率，預(yù)測(cè)結(jié)果如圖2所示，預(yù)測(cè)日太陽(yáng)輻射量預(yù)報(bào)和實(shí)測(cè)值如圖3 所示。

圖2 2020年1月1日預(yù)測(cè)曲線

圖3 2020年1月1日太陽(yáng)輻射量

從圖2 和圖3 中可看出，采用實(shí)測(cè)氣象數(shù)據(jù)作為訓(xùn)練樣本，其預(yù)測(cè)結(jié)果比采用數(shù)值天氣預(yù)報(bào)數(shù)據(jù)的效果要好，在10：00 之前13：00 之后，太陽(yáng)輻射量預(yù)報(bào)值與實(shí)測(cè)值差距較小，二者的預(yù)測(cè)效果趨近。在10：00 至13：00 區(qū)間，輸出功率實(shí)際值與預(yù)測(cè)值偏差較大，其主要原因是輸入的天氣預(yù)報(bào)數(shù)據(jù)誤差太大所致。

選用平均絕對(duì)誤差(MAE)、均方根誤差(RMSE)、相關(guān)性系數(shù)(R)和合格率(Q)作為本光伏電站出力預(yù)測(cè)誤差指標(biāo)，進(jìn)一步分析預(yù)測(cè)效果，MAE、RMSE、R和Q具體計(jì)算如下[15]：

式中：N為預(yù)測(cè)日15 min 時(shí)間間隔的預(yù)測(cè)數(shù)據(jù)點(diǎn)個(gè)數(shù)，本模型中N=42；PMi、Ppi分別為預(yù)測(cè)時(shí)段內(nèi)第i個(gè)15 min 時(shí)間間隔內(nèi)的實(shí)際輸出功率和預(yù)測(cè)功率；Ci為第i時(shí)段內(nèi)的電站運(yùn)行容量，預(yù)測(cè)日各時(shí)段電站容量均為289.7 MW；分別為所有樣本實(shí)際功率和預(yù)測(cè)功率的平均值。

對(duì)電站2020 年1 月1 日8：00～18：30 時(shí)段內(nèi)15 min 間隔的輸出功率預(yù)測(cè)效果如表1 和圖4 所示。可以看出：與采用數(shù)值天氣預(yù)報(bào)數(shù)據(jù)作為預(yù)測(cè)模型訓(xùn)練樣本相比，實(shí)測(cè)氣象數(shù)據(jù)樣本訓(xùn)練的預(yù)測(cè)模型，MAE、RMSE、R和Q指標(biāo)均較優(yōu)、預(yù)測(cè)精度較高，其均方根誤差指標(biāo)更接近于國(guó)標(biāo)(NB/T 32011-2013)要求，預(yù)測(cè)合格率達(dá)到了國(guó)標(biāo)要求。

表1 2020 年1 月1 日不同樣本數(shù)據(jù)的預(yù)測(cè)效果

圖4 神經(jīng)網(wǎng)絡(luò)樣本訓(xùn)練回歸信號(hào)分布情況

4 結(jié)論

光伏電站實(shí)時(shí)輸出功率受氣象數(shù)據(jù)、設(shè)計(jì)方案及施工水平、運(yùn)行維護(hù)質(zhì)量等多因素的影響，其中太陽(yáng)輻射、溫度、風(fēng)速是影響輸出的主要因素。預(yù)測(cè)結(jié)果表明：在相同天氣條件下，BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型訓(xùn)練樣本采用實(shí)測(cè)氣象數(shù)據(jù)，其預(yù)測(cè)效果整體優(yōu)于采用數(shù)值天氣預(yù)報(bào)數(shù)據(jù)，預(yù)測(cè)精度較高，其均方根誤差、合格率等指標(biāo)基本達(dá)到國(guó)標(biāo)要求；采用數(shù)值天氣預(yù)報(bào)數(shù)據(jù)訓(xùn)練BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，其預(yù)測(cè)精度主要取決氣象預(yù)報(bào)數(shù)據(jù)的預(yù)測(cè)精度，下一步可采用精度較高的小尺度天氣預(yù)報(bào)數(shù)據(jù)，或?qū)?shí)測(cè)數(shù)據(jù)用于修正中尺度天氣預(yù)報(bào)數(shù)據(jù)，將修正后的預(yù)報(bào)數(shù)據(jù)訓(xùn)練預(yù)測(cè)模型，進(jìn)而提高預(yù)測(cè)質(zhì)量。

致謝：感謝國(guó)投云南風(fēng)電有限公司建水南莊電站提供訓(xùn)練樣本數(shù)據(jù)。