霧霾天氣下的光伏電站輸出功率預測方法研究

馬 明，呂清泉，朱紅路，侯汝印

(1. 國網甘肅省電力公司，蘭州 730070；2. 甘肅省新能源并網運行控制重點實驗室，蘭州 730070；3. 華北電力大學新能源學院，北京 102206)

0 引言

光伏電站輸出功率具有高度的隨機性、波動性和間歇性等特點，大規模接入電網會對電網的安全、穩定運行及電能質量帶來嚴峻挑戰，因此，預測光伏電站輸出功率對其可靠接入電網具有重要意義[1]。根據建模方式的不同，光伏電站輸出功率預測方法可分為物理方法和統計方法2種[2]。物理方法是在輸入光伏電站的詳細地理信息和設備配置信息后進行光伏電站建模，從而進行輸出功率的預測，但該方法的建模過程復雜，且往往無法描述光伏電站中設備的性能退化過程；同時，模型的魯棒性也較差[3]。統計方法是基于光伏電站的輸入、輸出因素之間的統計性規律而建立的輸出功率預測模型，此種方法依賴大量的歷史數據，無需光伏電站詳細配置信息和運行狀態信息，容易實現黑箱建模，目前得到了較為廣泛的應用[4]，也取得了不錯的預測效果。

近年來，中國很多地區出現了較為嚴重的霧霾天氣。霧霾天氣下的大氣氣溶膠會吸收和折射太陽輻射，減少了到達地面的太陽輻照量。同時，處于霧霾天氣下的光伏組件，其表面沉積的污染物種類及其粘附特性相較非霧霾天氣時對光伏組件的性能影響更大，進而影響光伏電站的輸出功率[5-6]。文獻[7]分析了中國多年的太陽輻照量數據，發現空氣污染程度會影響地表所接收的太陽輻照量水平。文獻[8]研究了空氣質量指數(air quality index，AQI)對太陽輻照度的影響，并嘗試對二者之間的關系進行定量描述。文獻[9]對Angstr?m-Prescott (即“A-P”) 方程系數進行了改進，引入了空氣污染指數等數據，并對太陽輻照度進行了估算。文獻[10]研究了霧霾天氣下光伏電站的功率輸出特性。總體而言，由于霧霾監測困難，實現對霧霾天氣下光伏電站輸出功率的高精度預測還面臨多重挑戰。

為提高霧霾天氣下光伏電站輸出功率的預測精度，本文對霧霾天氣下光伏電站的實際輸出功率特性進行研究，提出通過定性和定量分析研究不同霧霾天氣下光伏電站輸出功率特性與AQI之間的關系，基于前饋(BP)神經網絡建立考慮霧霾影響的光伏電站輸出功率預測模型，并以實際算例對此模型在霧霾嚴重時的光伏電站輸出功率預測精度進行了驗證。

1 AQI的分析

在國際上，AQI已成為評價霧霾對氣候環境影響程度的重要指標；在中國，AQI也已成為數值天氣預報的一部分，這促使利用AQI來預測霧霾天氣下的光伏電站輸出功率成為可能。

本文以中國華北地區某城市環境監測站得到的AQI數據(包括PM10、PM2.5等顆粒物觀測值)為例進行分析，數據分辨率為15 min，并利用文獻[8]中的計算方法計算AQI。該城市2016—2019年的AQI曲線如圖1所示，圖中已根據國家AQI技術的相關規定對霧霾等級進行了劃分。

圖1 某城市連續4年的AQI曲線Fig. 1 AQI curve of a city for four consecutive years

從圖1可以看出：4年中，該城市的霧霾天氣(本文將AQI＞100時的輕度污染、中度污染和重度污染天氣描述為霧霾天氣)占了一定比例，這可能會對該地區光伏電站的輸出功率造成一定影響。

對該城市2019年的AQI分布情況進行統計，統計結果如表1所示。

表1 2019年某城市的AQI統計分析Table 1 Statistical analysis of AQI in a city in 2019

從表1可以看出：該城市2019年一年中，53%的天數存在不同程度的污染，其中，重度污染與嚴重污染的天數已累計達到33天，全年總占比為9%；從季節分布狀況來看，重度污染與嚴重污染天氣多發生在冬季，累計天數已達到31天。由此可知，該城市受霧霾天氣影響較為嚴重，且集中在冬季。

2 霧霾天氣下光伏電站輸出功率特性分析

以該城市的某光伏電站為例，對霧霾天氣時的AQI觀測數據和光伏電站輸出功率數據進行相關性分析。該光伏電站為并網型屋頂分布式光伏電站，裝機容量為9 kW，未配置儲能系統；光伏組件采用正南向單排豎向安裝，安裝傾角為35°；相鄰2排光伏支架之間的間距為3 m。為保證光伏電站的輸出功率不受灰塵積累的影響，每個月都對光伏組件進行清洗；輸出功率數據的采集時間分辨率為15 min。為有效分析霧霾天氣對光伏電站輸出功率的影響，選擇2019年12月6—10日的AQI、光伏電站理論輸出功率及光伏電站實際輸出功率進行分析，該時間段涵蓋了空氣質量從優至嚴重污染的全部情況，分析結果如圖2所示。其中，光伏電站的理論輸出功率Pt可表示為：

式中：ηref為光伏組件額定光電轉換效率；Gt為理論太陽輻照度；A為光伏組件的面積。

圖2 2019年12月6—10日的AQI及光伏電站的理論與實際輸出功率Fig. 2 AQI and theoretical and actual output power of PV power station from December 6-10, 2019

從圖2可以看出：隨著AQI的增大，光伏電站的實際輸出功率與理論輸出功率之間的偏差也逐漸增大，且當AQI＞150后，理論輸出功率與實際輸出功率之間的偏差較大，這說明中度污染及其以上級別污染程度的霧霾天氣對光伏電站輸出功率的影響顯著。

為定量描述光伏電站輸出功率折損率和AQI之間的關系，選擇皮爾遜積矩相關系數RX,Y對二者之間的關系進行分析，其計算式可表示為：

式中：N為樣本個數；X(i)為i時刻光伏電站的輸出功率折損率；Y(i)為i時刻的AQI值；-]為光伏電站輸出功率折損率的均值；]為AQI的均值。

其中，i時刻光伏電站輸出功率折損率的計算式為：

式中：Pt(i)為i時刻光伏電站理論輸出功率；Pp(i)為i時刻光伏電站的實際輸出功率。

對AQI和光伏電站輸出功率折損率的關系進行定量分析，得到了光伏電站輸出功率折損率與AQI的相關系數，具體如表2所示。

從表2可以看出：隨著AQI逐漸增高，光伏電站輸出功率折損率與AQI的相關系數總體呈增大趨勢。

通過表2得到光伏電站輸出功率折損率與AQI的相關系數曲線，具體如圖3所示。

圖3 光伏電站輸出功率折損率與AQI的相關系數曲線Fig. 3 Correlation coefficient curve between output power loss rate of PV power station and AQI

從圖3可以看出：AQI≤150時，光伏電站輸出功率折損率與AQI相關系數小于等于0.10；而當AQI＞150時，光伏電站輸出功率折損率與AQI相關系數顯著上升。考慮到AQI=150為空氣中度污染與輕度污染的分界線，故選擇AQI=150為光伏電站輸出功率預測模型選取的依據。

綜上可知：AQI對光伏電站的輸出功率有重要影響，在進行光伏電站輸出功率預測時不能忽視該因素，而AQI=150是區分對光伏電站輸出功率進行預測時是否需要考慮AQI影響的分界線，當AQI＞150時，應考慮其影響，并將其作為模型輸入參數來提高光伏電站輸出功率預測模型的預測精度。

3 預測方法的提出

本文采用BP神經網絡預測模型對霧霾天氣下光伏電站的輸出功率進行預測，在其他輸入條件一致的情況下，將不輸入AQI值的模型界定為模型1，輸入AQI值的模型界定為模型2。光伏電站輸出功率預測時需采取2個步驟：1)根據數值天氣預報提供的次日24 h的AQI值來作為模型切換的依據，若AQI＞150，則利用模型2作為預測模型；反之，選擇模型1作為預測模型。2)將相關參數，比如：數值天氣預報太陽輻照度、環境溫度、相對濕度、太陽輻照度的理論值及AQI作為輸入條件，根據上一步驟的判斷結果來決定是采用模型1還是模型2的預測結果，從而實現對光伏電站輸出功率的預測。本文采用的3層BP神經網絡結構的隱含層神經元數目分別為50、30、1，訓練函數選用梯度下降法。BP神經網絡具體的預測流程如圖4所示。

4 模型性能對比

對利用模型1和模型2計算得到的光伏電站輸出功率求平均絕對誤差(MAE)和均方根誤差(RMSE)，并以這2個值作為衡量模型預測精度的指標。

MAE和RMSE的計算式分別為：

圖4 BP神經網絡具體的預測流程Fig. 4 Specific prediction process of BP neural network

式中：Pf(i)為i時刻光伏電站的預測輸出功率；Cap為平均開機容量。

平均開機容量可表示為：

式中：Ps為光伏電站啟動功率；Pr為光伏發電額定功率。

式(6)中，countif函數計算了光伏電站實際輸出功率大于其啟動功率的事件個數。

為驗證本文所提方法的合理性，對模型1和模型2在不同環境條件下的預測性能進行分析，其中模型1無AQI輸入，模型2有AQI輸入。選擇2019年全年的光伏電站運行數據及AQI數據作為訓練樣本，將2019年每月中的空氣質量較好日(0≤AQI≤150)和每月中的霧霾嚴重日(AQI＞150)均作為測試集，利用2種模型進行光伏電站輸出功率預測，并求RMSE和MAE。2019年每月中的空氣質量較好日和霧霾嚴重日的預測誤差結果如圖5所示。

圖5 利用2種模型得到的不同情況下的預測誤差Fig. 5 Prediction errors under different situations using two kinds of models

從圖5可以看出：針對每月中的空氣質量較好日(0≤AQI≤150)，模型1和模型2的預測精度接近；而針對每月中的霧霾嚴重日(AQI＞150)，即空氣污染程度為中度污染及以上時，模型2的預測精度顯著高于模型1。因此選擇AQI=150作為模型切換的閾值是可行的。驗證結果表明：根據霧霾情況應選擇不同的光伏電站輸出功率預測模型，即空氣質量較好時可以選擇模型1，而霧霾嚴重時選擇模型2，以提高預測精度。

5 結論

針對霧霾天氣對于光伏電站輸出功率具有顯著影響的情況，本文提出了一種考慮空氣質量指數(AQI)的霧霾天氣下光伏電站輸出功率預測方法，并通過實例進行了驗證，得到以下結論：

1) 隨著AQI的增大，光伏電站實際輸出功率與理論輸出功率之間的偏差也會增大，說明霧霾天氣對光伏電站輸出功率預測具有顯著影響。

2) 以AQI=150作為判定AQI是否成為預測模型輸入參數的閾值是可行的，但是不同地區閾值的選擇可能會存在差異，在實際應用過程中建議根據本文所述分析方法進行具體分析。

3)通過實例驗證了本文所提方法在霧霾天氣下的預測精度顯著提高，同時也保證了日常空氣質量較好時的預測精度。