基于改進廣義神經網絡的光伏陣列短期功率預測*

楊德州 ，尹立夫 ，王洲 ，劉永成 ，王慧娟

(1.國網甘肅省電力公司經濟技術研究院,甘肅 蘭州 730050；2.國網甘肅省電力公司,甘肅 蘭州 730030；3.國網天水供電公司,甘肅 天水 741000)

太陽能是一種重要的可再生資源,光伏發電具有綠色、環保、穩定、可持續等特征。隨著光伏發電技術的改進,特別是近年來,光伏組件度電成本下降,已經接近于平價上網的實現,光伏發電迅猛發展。數據顯示,2019 年我國太陽能發電量為1 172.2億kW·h[1-2]。現實實際應用中,由于光伏發電本身特點,受輻照度影響較大。輻照度越大,光伏發電越多。然而輻照度是一個非平穩隨機過程,具有隨機性和波動性特征,將給電網安全運行帶來一系列問題。為及時準確有效調度光伏發電容量,減少光伏電站“限電”損失,提高光伏電站運營效率,在各種工況條件下及時準確預測光伏電站發電量具有理論和實際意義。王軍輝等人[3-5]在采用氣象相似日進行光伏發電功率預測的基礎上,引入了相似日的光伏發電功率預測誤差,對預測日的光伏功率進行校正。于群等人[6-8]利用集合經驗模態分解(EEMD)處理功率信號后運用BP 神經網絡進行預測。許彪等人[9]利用藤copula 函數對光伏功率及其條件變量間的相依結構進行解析化表達,并建立起光伏功率條件分位數回歸模型。王琦等人[10-11]提出基于熵理論和改進極限學習機的光伏發電功率預測方法。從熵理論角度出發,綜合考慮距離熵和灰關聯熵,提出以綜合指標選取相似日；以極限學習機學習速度快和泛化能力強的特點為基礎,采用L-M 算法修正極限學習機模型參數,獲得模型最優網絡。馬磊等人[12-14]針對傳統長短時記憶(Long Short-time Memory,LSTM)神經網絡在處理長序列輸入時易忽略重要時序信息的缺陷,對數據集進行了降維處理,提出了結合注意力機制與LSTM 網絡的功率預測模型。

本文選擇基于廣義神經網絡的光伏陣列短期功率預測模型,通過FCM 聚類方法進一步確定不同天氣類型,并使用SPA 方法對功率信號進行濾波,作為訓練模型輸入值進行訓練。實驗表明,本文所提方法可應用于復雜條件下光伏電站功率預測。對于輻照度波動較大的多云天氣,預測誤差為1.8%左右,對于陰雨天氣,誤差僅為5.3%,相對于其他數學模型[15-16]有較強的準確性。

1 廣義回歸神經網絡基本原理(GRNN)

廣義回歸神經網絡具有較強的非線性映射能力和柔性網絡結構,對于解決非線性問題,具有較好的容錯性和魯棒性。特別是在逼近能力和學習速度上相較于徑向基神經網絡具有優越性,且在樣本量數據較少時也同樣具有較好的預測效果。一直以來因其自適應和高速尋找優化解的能力,及無需數學建模等優勢被廣泛應用于信號過程、食品科學、醫藥衛生等領域。廣義回歸神經網絡的網絡結構如圖1 所示。在具體實驗中,x可以為數據采集時經過數據處理后的光伏陣列輸出功率,y為預測功率。

圖1 GRNN-神經網絡結構圖

實質上,廣義回歸神經網絡的理論基礎為非線性回歸分析。設隨機變量x、y的聯合概率密度函數為f(x,y),設x的觀測值為X,則y相對于X的回歸為:式中:為輸入X下的預測輸出。

應用Poisson 非參數估計,其估算密度函數可表示為:

式中:Xi,Yi為x,y的樣本觀測值；n為樣本量；p為x的數學維數；σ為高斯寬度系數。

進一步積分可獲得:

2 基于廣義回歸神經網絡預測模型

2.1 原始數據選擇

由于天氣變化多端,是一個非平穩隨機過程,不同天氣類型所對應的數據特征有較大區別。如果不對天氣類型進行分類,選擇同等天氣類型下的數據作為訓練模型的輸入數據,則建立的神經網絡模型不能夠反映集體特征,模型的精準性大大下降,造成模型不能精準預測后續的光伏發電功率。建立精準的訓練模型需要對數據進行預處理和精準分類。晴朗天氣散射輻照小,發電功率波動程度小；多云天氣,散射輻照較多,發電功率波動程度大；陰雨天氣,散射輻照大,發電功率雖然相對于晴朗天氣較小,但是考慮到特別是夏季,黑云密布和天氣晴朗有時交叉出現,因此波動程度較大。為能夠準確對一個月的天氣數據進行分類,對7 月的天氣參數(直射輻照、散射輻照) 采用模糊 C 均值聚類(Fuzzy C-Means,FCM)方法進行聚類分析。將7 月天氣類型分為晴天、多云、陰天、雨天四種類型。相應的聚類算法如下:

設n個數據向量xk分為c個模糊類,并求解每個聚類中心,設uij為個體xi屬于第j類的模糊隸屬度；m為模糊權重函數；vj為第j類聚類中心,則uij,vj可表示為:

則模糊聚類目標函數為:

聚類結果如圖2 所示,可以看出圖中能分成4個類別,不同類別之間存在一個聚類中心,其中離聚類中心最近的點為最為接近類別中心,最具有類別特征。

圖2 FCM 聚類結果

通過上述聚類結果,可以看出晴天天氣、多云天氣、陰天天氣、雨天天氣對應的不同日期,相應結果如表1 所示。

表1 不同天氣對應日期表

為了進一步提升訓練模型的準確性,從圖2 可以看出,離聚類中心最近的點為表現相應特征最強的,因此選擇不同天氣類型的特征最為明顯的點進行后續訓練。晴天:7 月7 日、7 月8 日、7 月11 日、7 月17 日；多云:7 月6 日、7 月10 日、7 月13 日、7月21 日；陰天:7 月1 日、7 月5 日、7 月19 日、7 月25 日；雨天:7 月4 日、7 月15 日、7 月23 日。

2.2 數據預處理

輻照度和溫度直接影響光伏陣列輸出功率,具有加強的波動性和隨機性特征。為提高預測的準確性,需要對輻照度進行數據預處理,去除趨勢項信號。平滑先驗法(Smooothness Prior Approach,SPA)是Karjalainen 博士提出的一種信號非線性去趨方法,該方法適用于在線處理對實測信號進行非線性去趨處理,其算法如下:

式中:Z為原始信號,Ztrend為趨勢項信號,H為觀測矩陣,γ為觀測誤差,Dd為Z的d階微分形式,λ為正則化參數。式中H和Dd可表示為:

光伏陣列功率輸出原始信號的非線性去趨并降噪,通過SPA 對陰雨天氣進行平滑處理,結果如圖3所示。可以看出平滑處理后,部分尖點得到處理,數據波動情況有所減緩,總體結果更加平滑。

圖3 數據平滑處理

2.3 預測模型

改進廣義神經網絡模型具體步驟如下:

Step 1 對一個月的功率數據進行FCM 聚類,選擇離聚類中心點距離最為接近的數據作為同類型訓練數據。

Step 2 對同類型功率數據進行數據預處理,消除噪音,提取趨勢項信號。

Step 3 確定神經網絡類型、初始值、閾值及相關神經元。

Step 4 選擇徑向基函數和自適應函數,并計算適應度。

Step 5 判斷是否滿足條件,綜合確定初始值和閾值。

3 實驗分析

晴天類型下,無論是利用數學模型方法還是傳統神經網絡方法,都可以獲得較為準確的預測結果。這是由于晴天太陽輻照度較為平穩,容易擬合成曲線,進行功率預測也較為符合曲線走勢,因此在預測時,準確性較好。評估功率預測方法的有效性主要是評估在多云天氣、陰雨天氣,太陽輻照度波動較大時,預測方法是否具有適應性。實驗部分選擇7 月6 日、7 月10 日、7 月13 日多云天氣的數據樣本進行訓練,并預測7 月21 日功率情況。實驗結果如圖4 所示。可以看出實測值和預測值基本吻合,相對誤差較小,只有在功率較小時,誤差相對有所提高。實質上,整條曲線的平均誤差在1.8%左右,滿足功率預測的要求,能夠為電力調度,提前決策提供理論和實際依據。

圖4 多云條件下功率預測曲線及誤差

為更進一步說明本文所提出的改進廣義神經網絡的功率預測準確性,就雨天數據進行了專門檢測。利用7 月4 日、7 月15 日、7 月23 日陰雨天氣的光伏陣列輸出功率進行模型訓練,并預測7 月16 日功率數據,預測結果如圖5 所示。可以看出,陰雨天氣光伏陣列輸出曲線波動程度較大,多處出現不平衡的情況。但預測曲線和實際功率擬合度較好,基本能夠準確預測。從相對平均誤差看,總體誤差除個別點超過10%,大多數都在5%以下,總體平均誤差為5.3%,滿足功率預測的基本要求。

圖5 陰雨條件下功率預測曲線及誤差

4 結束語

本文所提出的基于廣義神經網絡的光伏陣列短期功率預測模型,通過FCM 聚類方法選擇不同天氣類型下的光伏功率輸出,進一步提高模型精準性。為對功率參數作為平穩隨機信號進行降噪,使用SPA 方法進行濾波后作為訓練模型輸入值進行訓練。實驗表明該方法即使在復雜條件下,也能較為精準地預測光伏陣列發電功率,多云天氣功率預測誤差在1.8 左右,陰雨天氣也僅為5.3%,相對于其他數學模型有較強的準確性。能夠滿足光伏電站的電力調度和平穩運行,可大大減少“棄光”損失,提高光伏電站收益。