新能源風光發電功率預測模型分析

孔宏鑫

（浙江溫嶺東海塘風力發電有限公司，浙江溫嶺，317500）

0 引言

隨著當前全球氣候變暖以及傳統能源應用過程中所帶來的一系列問題日漸嚴重，人們開始尋找能夠代替傳統能源的新型能源，而風能發電與光伏發電作為清潔的可再生能源因其優秀的特點而得到了各個國家地區的青睞，從而得到了大力的開發以及利用。

風能在全球已探明的蘊含量大約有2.74×109MW，而其中能夠被有效利用的風能則大約占總風能的0.74%[1]。自各個國家地區加大對于風能的開發利用后，全球的風力發電總量至2010年已達1.6×105MW，而隨著風能發電技術的日漸成熟以及各國之間環保意識的加強，風力發電將在商業競爭力方面極大地超過傳統的發電模式。除風能發電以外，光伏發電以其靈活環保的特性而在當前全球能源應用行列中逐漸發揮非常重要的作用[2]?；陲L力發電以及光伏發電的特點以及未來的發展趨勢，為了彌補其單獨應用過程中存在的不足，有效結合二者優點的風光發電系統逐漸開始推廣，但是在實際應用過程中，其仍存在著一些問題需要解決。基于此，本文結合風能發電以及光伏發電的特性來對基于RBF神經網絡的風光發電功率預測模型進行分析，從而為其應用過程中所存問題的優化解決提供思路。

1 風力發電的統計規律研究

風力發電過程中，其主要受到風速以及風向的影響，因此本節分別對風速以及風向的統計規律進行簡單介紹。

風速主要是指單位時間內空氣在水平方向上移動的距離，不同的時間長度下風速具有不同的變化規律，而造成這種變化規律差異化的原因主要是不同的地形地貌、海陸分布差異以及不同的季度氣候影響[3]。以我國為例，我國一般春季風速較大，而夏季風速卻相對較小。除了不同季度背景下風速不同外，一天內白天與晚上的風速也并不相同，通常情況下白天風速較大，而凌晨與晚上的風速則最小，其分界點一般為下午的六點至七點之間。

風向主要是指風吹來的方向，其通常由十六個方位來進行表示，同時為了能夠便于統計以及表述，人們也常用角度來表示，例如以正北為標點，順時針方向依次為90°東風、180°南風、270°西風以及360°北風。

2 光伏發電的統計規律研究

本文主要通過對光伏發電系統的發電原理進行簡要介紹來對光伏發電的統計規律進行研究。光伏發電主要是通過太陽能電池來將太陽能直接轉換為電能，因此其系統主要由太陽能電池、逆變器、控制器以及蓄電池等部件構成。當前所用的太陽能電池主要是利用光伏效應來將太陽光能轉換成為電能，而由于半導體P-N結的光伏效應比其他材質結構的光伏效應更加明顯，故當前常用的太陽能電池皆由半導體制成，其工作原理為：當P-N結上的P型硅與N型硅結合時，N型區的電子會迅速擴散至P型區，而P型區的空穴則會迅速擴散至N型區，此時P型硅帶負電，N型硅帶正電，半導體硅的內部便會形成電場。當太陽光照射在半導體上時其內部會形成新的空穴-電子對，同時在P-N結電場作用下，半導體硅內部的電子便會由P型區轉移至N型區，接通電路后，便會形成電流。但是，只要在空穴與電子結合前利用電場作用將其進行分離，便能夠產生可測試電壓[4]。

3 基于RBF神經網絡的風光發電功率預測模型

為了能夠有效發揮風力發電以及光伏發電的優點，并且最大限度避免當前風光發電系統應用過程中所存在的包括預測難度大以及難以有效控制等在內的問題，本文對當前應用較為廣泛的基于RBF神經網絡的風光發電功率預測模型進行分析，以期實現對風力以及光伏發電功率準確合理的預測。

3.1 RBF神經網絡的基本結構

RBF神經網絡作為一種前向神經網絡，其結構往往與多層前向型網絡相類似，即主要由輸入層、隱含層以及輸出層組成。其輸入層一般由信號源節點構成，隱含層內神經元的徑向基函數與以往的全局響應函數不同，是一種中心點徑對稱且衰減的局部響應函數，而輸入層作為RBF神經網絡的第三層，主要負責對輸入層下的輸入模式進行響應[5]。

通常情況下RBF神經網絡的函數傳遞模式有兩種，分別是徑向對稱函數和高斯函數，徑向對稱函數的關系表達式如下所示：

但是在實際應用期間，上述函數關系式的頻率不高，而高斯函數的應用幾率最大。高斯函數的關系表達式如下所示：

在公式中，ci表示第i個基函數中心，n維輸入向量由x表示，在函數關系式中，n維輸入向量和第i個基函數中心的向量的維數相同。σi在函數關系時中表示感知變量，其結果對基函數圍繞中心點的寬度值有著決定性影響。隱藏層節點數又被稱作為感知單元個數，在公式中由n表示。表示兩者之間的距離大小。在ci位置，Ri(x)具有唯一性，且是最大取值，但是當x和ci兩者之間的距離增加時，Ri(x)將會隨之下降，直至結果為0。若是輸入值確定，想要激活，就只能憑借臨近與n維輸入向量的一小部分。

研究RBF神經網絡期間，傳遞函數若是選擇應用高斯函數，那么隱藏層將會實現從X到Ri(X)的非線性映射，輸入層將會實現由Ri(X) 到yk的線性映射。在此假設輸入層的輸入為 ：X=（x1，x2，x3，……，xn），輸出層的輸出為 ：Y（y1，y2，y3，……，yp），那么此時輸出層的第k個神經元網絡的輸出結果關系表達式如下所示：

公式中，輸出層節點為p，輸入層節點數為n，隱藏層節點數為m，在隱藏層當中的第i個和第k個神經元進行連接是，其權值表示為ωik。所以，當明確連接權值和聚類中心以后，可以對輸入的RBF神經網絡所對應的輸出值進行計算。

3.2 模型樣本的歸一化處理

為了對風光發電功率進行有效的預測，需要在預測過程中采集一定量的樣本來進行分析，但是由于相關樣本指標分量的單位并不相同，往往會導致預測數值具有相對較大的差異化，因此需要對指標分量進行歸一化處理，從而有效降低數值差異化對預測結果的影響，其主要包括風向以及溫度的歸一化處理。

由于風向的度數主要以360°圓周作為參考基準，因此通常將正北方向確定為0°，然后取風向的余弦值和正弦值來作為風向的歸一化數值[6]。而溫度的歸一化過程為了保證數值的準確性，通常利用如下公式進行歸一化：

其中T為溫度值，f(T)為溫度歸一化處理后的數值。

3.3 基于Matlab構建RBF神經網絡模型

Matlab主要功能是處理圖形圖像和信號、進行數學矩陣運算和各類數據分析的數學軟件，利用Matlab軟件，可以為新能源風光發電功率預測模型構建所需要的數據分析提供幫助。在Matlab軟件的工具箱中，其所提供的radbas函數為徑向基傳遞函數，通過利用該函數值可以將神經元輸出，在輸入時，其內容主要為權值矢量和輸入矢量兩者距離之和，再與閾值相乘得到的結果。Matlab軟件工具箱中的newrb函數為徑向基設計函數，在對函數進行調用的時候，其調取程序為net=newrb（P,T,goal,spread,MN,DF）。在逼近函數時選擇應用徑向基函數網絡，此時newrb每發生一次迭代，將會使得徑向基網絡隱藏層神經元增加，直至神經元的數量達到最大值，或者是符合均方誤差。例如，在一個具有10個隱藏層神經元的網絡模型設計期間，其調取程序如下：

RBF神經網絡在Matlab中，通過使用函數sim()實現仿真處理，在函數調用的時候，其調用程序為[Y,Pf,Af,E,perf]=sim(net,P,Pi,Ai,T)。

3.4 RBF神經網絡的層次設計

基于RBF神經網絡的風光發電功率預測模型的層次設計主要包括三方面，即輸入量的選擇、隱含層節點的確定以及輸出層節點的確定。由于風力發電功率往往受到風力、風向以及溫度的影響，而光伏發電功率主要受光照強度、天氣類型以及溫度的影響，因此該模型的數量需要選擇對模型預測值影響較大，但是不同輸入量之間影響卻相對較小的數據，例如光伏發電功率預測模型只需將光照強度和溫度作為輸入量即可。

RBF神經網絡中隱含節點的確定關系到其網絡性能是否可以滿足實際需求，以往所采用的使隱含層內神經元數目與輸入向量的元素數目保持一致的處理方法并不可靠，因此經過分析選定風力發電功率預測模型的隱含層的節點數目為12，而光伏發電功率預測模型的隱含層節點數目為9。

而對于輸入層節點的確定而言，為了保證預測結果的準確合理，風光發電功率預測模型的輸出通常選定為風力發電與光伏發電二者的預測時間節點的實際功率值。

3.5 預測結果分析

按照使用的目的不同劃分數據樣本類型，一類為測試模型用數據，一類為訓練模型用數據。獲取某地區24h之內的風速、風向、大氣平均溫度值、天氣情況以及太陽輻射強度等信息。根據需求構建模型，可以顯著提升預測精準度。

圖1 風力發電功率對比圖

4 結語

新能源的開發以及廣泛利用是當前為了有效解決傳統能源的存儲量逐漸枯竭以及其所帶來的的一系列的污染問題而提出的新的能源方案，其能夠有效滿足資源可持續發展的需求。而風光發電由于其自身所具備的優良特性而逐漸在新能源發展過程中占據了重要的地位，但是風光發電在實際應用過程中存在著預測難度較大以及資源調度困難等問題，需要對發電功率進行有效預測。因此本文對風光發電進行了簡單介紹，同時也就基于RBF神經網絡的新能源風光發電功率預測模型進行了敘述分析，從而可以為當前風光發電的電力調度以及與其相關的各類工作安排提供合理的決策支持。