節能調度下短期預估分布式光伏發電功率模型研究

李 麗,張振臣,劉國軍

(國網冀北電力有限公司灤南縣供電分公司,河北 唐山 063500)

0 引言

當前,我國電力供應仍以煤炭發電為主,不利于節能環保。因此,國務院辦公廳發布的《節能發電調度辦法》提出節能發電調度理念,建議以清潔能源為主,保障電力供應的環保性和穩定性。電網公司應用太陽輻射能發電技術,建立分布式光伏發電站。雖然分布式光伏發電站的裝機容量有了很大的提升,但是對光能的利用效率始終不理想。光伏發電具有一定的不確定性和隨機性,難以得到某一時刻的具體發電量。長此以往,無法保證發電與功率之間的平衡,進而影響電力系統的正常運轉。為了保證電網的正常供電,對光伏發電功率進行預測十分必要。

為了對分布式光伏發電功率展開精準預測,徐瀟源[1]等將自組織映射和寬度學習系統進行整合,構建了光伏發電功率超短期預測模型。該模型首先對光伏數據進行24 h不間斷采集,并結合自組織映射對其進行聚類,得到具體的出力波動特征;然后利用寬度學習系統對光伏發電功率的步長展開預測,并增加節點數量,以完成預測。時珉[2]等將灰色關聯分析算法與基于多層注意力機制網絡的地理傳感器時間序列預測(multi-level attention networks for geo-sensory time series prediction,GeoMAN)模型整合,共同實現對光伏發電功率的短期預測。該模型首先對分布式光伏電站采用灰色關聯分析算法,完成各電站之間的空間相關性分析,在周圍電站中選擇與待預測光伏電站相關性最高的電站;然后通過GeoMAN模型實現預測光伏電站環境與氣候特征的動態提取。GeoMAN模型由解碼器和編碼器2個部分構成。解碼器用于獲取待預測光伏電站的自身特征以及與周圍電站之間的站間特征。編碼器主要用于提取氣象動態指數。解碼器和編碼器共同作用,得到光伏發電功率預測結果。

上述2種方法并未對采集到的各項數據進行預處理,使得最終的預測結果與實際結果之間存在較大誤差。長短時記憶(long short-term memory,LSTM)網絡是1種具有超強時序記憶能力的網絡,近幾年在光伏發電功率預測領域卓有成效。基于此,在節能發電調度理念下,本文利用LSTM,針對分布式光伏發電功率提出了1種短期預估方法。本文采用主成分分析[3](principal component analysis,PCA)法將光伏發電功率影響因素進行降維轉換,以減少數據的計算開銷,并進行歸一化處理,從而為發電功率預估模型的運算提供簡潔的數據基礎。這不僅去除了冗余數據,還盡可能地保留了大部分有效信息,實現了精準預測。

1 分布式光伏發電功率和PCA

1.1 影響分布式光伏發電功率的因素

處于自然環境下的分布式光伏發電站,受多種因素的影響,隨機性和波動性[4]較大。這會導致無法精準預測發電功率,進而浪費了大量的電能,不利于節能。本文對影響因素歸類劃分,得到2大類因素,分別為由發電設備自身原因引起的內部因素和由天氣、氣候等原因導致的外部因素。發電設備出廠時經過層層審核,操作和安裝均按照標準規程,對發電功率的影響并不大。所以本文忽略操作和安裝的影響作用,主要對外部因素展開分析,以減少數據冗余[5]。濾除外部因素中影響強度較低的因素后,則分析的氣象因子主要包括總水平輻射強度、陣列輻射強度、法向輻射強度、風向、風速、垂直風速、溫度、濕度。同時,一部分因素之間具有一定的耦合性,而另一部分因素則獨立存在、互不影響。為避免這部分隱藏信息被忽略,本文采用PCA法進行降維處理,以挖掘更多隱藏的信息,同時盡可能保留數據中的有效信息。

1.2 PCA

PCA將分布在m維空間內的因素,通過映射作用轉換到p維空間內(m>p),并保持原始數據特征不變,將因素進行拆分、重組,得到維度[6]普遍偏低的新主成分數據。PCA主要實現步驟如下。

①將元素矩陣定義為X=(x1,x2,…,xl)。該矩陣中包含l個因素和n組數據。X的原始矩陣可表示為:

(1)

②xi和xj為式(1)矩陣中的2個變量。xi和xj之間具有rij=(i,j=1,2,…,l)的相關系數。

rij可表示為:

(2)

xi與xj之間的相關系數矩陣R[7]為:

(3)

③在式(3)矩陣的基礎上,展開特征方程的計算,可以得到l個特征根λ1,λ2,…,λl(λ1≥λ2≥…≥λl>0)和l個單位特征向量e1,e2,…,el。

本文假設a為特征方程累計貢獻率[8]閾值,則前p個閾值都被看作主成分。

λl的特征方程計算式為:

|R-λlI|=0

(4)

式中:I為特征單位向量[9]。

a的計算式為:

(5)

式中:λj為特征根。

④將原始數據序列映射到包含q個特征向量的新序列中,計算新序列的主成分,則:

(6)

式中:tj為新序列中數據的特征向量;Yij為經過降維處理后的q維數據主成分。

根據上述過程,本文提取氣象因子自變量主成分。一般而言,相關系數矩陣R經過Bartlett球形檢驗分布后的檢驗值<0.05,可以認為自變量之間具有相關性,適合作PCA。對特征值進行貢獻率分析后,將貢獻率由大到小進行排序,取前a的主成分作為新序列的主成分。此時,經過原始序列與新序列的映射轉換后,數據的單位和物理意義并不會發生改變[10]。a值的大小取決于映射前后數據序列的維數。降維處理可有效減少算法的計算開銷。經過處理后,氣象因子自變量之間的耦合性大大減少,同時可以保留自變量成員的特征信息,以作為功率預估模型的輸入數據。

2 基于LSTM的分布式光伏發電功率短期預估

2.1 LSTM單元結構

LSTM基本單元結構如圖1所示。

圖1 LSTM基本單元結構圖

圖1中,ht、αt分別為短期狀態[11]和長期狀態;βt為最后輸出;ct為當前單元狀態;It、Ot和ft分別為輸入門、輸出門和遺忘門;dt為候選值。

LSTM的計算過程如下。

It=σ(wi,uut+wi,hht-1+bi)

(7)

式中:wi,u、wi,h為權值矩陣;ut為t時刻的輸入內容;ht-1為(t-1)時刻的輸出內容;σ為sigmoid激活函數。

Ot=σ(wo,uut+wo,hht-1+bo)

(8)

式中:wo,u、wo,h為權值矩陣。

ft=σ(wf,uut+wf,hht-1+bf)

(9)

式中:wf,u、wf,h為權值矩陣。

dt=tanh(wd,uut+wd,hht-1+bd)

(10)

式中:wd,u、wd,h為權值矩陣。

在t時刻將數據輸入LSTM結構,則上一個單元狀態ct-1會自動更新,產生當前單元狀態ct。ct的更新過程可通過式(11)進行描述:

ct=ftct-1+Itdt

(11)

LSTM結構輸出的βt為:

βt=ht=Ot×tanh(ct)

(12)

2.2 分布式光伏發電功率短期預估模型

2.2.1 數據預處理

在對分布式光伏發電功率進行短期預測時,受內部因素和外部因素的影響,發電功率信息會出現缺失或者損壞的情況。這將影響對發電功率的預測效果,導致供電不穩。針對此種現象,本文對原始數據進行填補和歸一化處理。

缺失的發電功率信息可以是數據類型的,也可以是非數據類型的。如果為前者,即對與之對應的數據的均值進行計算,將計算結果作為缺失數據的填補。如果為后者,即參考統計學中的重數理論,找出與缺失信息相互對應的數據,并將出現頻率最高的數據作為填補信息。補充完成后即對整體數據進行歸一化處理。其計算如式(13)所示。

(13)

式中:ε為未處理前的發電功率;ε′為歸一化處理后得到的發電功率;εmax、εmin分別為輸入樣本數據的最大值和最小值。

2.2.2 模型建立及參數設置

基于LSTM的分布式光伏發電功率短期預估模型為:

ε″=ε*(εmax-εmin)+εmin

(14)

式中:ε*為預估的歸一化數據;ε″為模型預估結果。

基于LSTM的分布式光伏發電功率短期預估模型共有2層,其中包含了100個神經元。為了避免計算過程中出現過度擬合的情況,本文在模型中引入了參數為0.2的dropout理論和early-stopping機制。均方根誤差為預估模型的損失函數,優化器選擇的是adam。本文將截尾正態分布理論的偏置設為0.1,對權值進行初始化處理,取Batch size為24、學習率為0.001、Epoch為200。經過模型處理后輸出的結果為發電功率短期預估結果。

3 試驗測試

為了驗證本文方法在實際應用中是否可以取得理想的光伏發電功率預測結果,本文方法與自組織映射和灰色關聯分析算法進行了對比試驗。試驗數據來自某地40 kWp分布式光伏發電站。試驗采集了2021年1～12月的發電功率數據。每個季度分別選取連續3天的發電功率數據,采樣間隔為6 min。夜間沒有光照,故光伏系統的輸出功率值為0。自變量包括:預測日前一天每小時的平均輸出功率;預測日前一天每小時的平均輻射強度;預測日前一天環境溫度最大值、最小值、差值;預測日環境溫度最大值、最小值、差值;預測日前一天風速最大值、最小值、差值;預測日風速最大值、最小值、差值。自變量共計14個輸入量。試驗將得到的200組監測數據作為測試數據,其余天數內的2 100組監測數據作為訓練數據。在接下來的試驗中,3種算法所用到的數據均為相同的數據。

3.1 評價指標

采用單一的評價指標很難對3種算法的優劣性能作出合理評價。為了保證試驗對比結果的公平性,本文選取平均絕對誤差M′、均方根誤差R′和相關系數F作為算法預測結果的評價指標。

(15)

(16)

(17)

式中:V為相關系數參數。

M′和R′的值越小、F的值越大,則算法的預測性能越優。

3.2 測試結果及分析

3種算法在4個季節連續3天發電功率預測結果對比如圖2所示。

圖2 3種算法在4個季節連續3天發電功率預測結果對比

評價指標下3種算法的對比結果如表1所示。

表1 評價指標下3種算法的對比結果

由圖2和表1可知,通過本文方法預測到的發電功率曲線與實際結果更接近,甚至多處出現了重合現象,而自組織映射和灰色關聯分析算法預測曲線均與實際結果曲線存在較大的偏差。同時,本文方法取得的M′值和R′值在3種算法中始終最小,而F值始終最大。由此可以說明,通過本文方法對分布式光伏發電功率進行預測,可保證最小的誤差,取得與實際數據最接近的結果。

4 結論

電力行業大力倡導低碳化發展,提出節能降耗的發電要求。在電網發電穩定的前提下,必須以節能環保為中心理念,對電網的發電調度作出改進。由于分布式光伏發電功率數據受天氣和季節影響因素較大,存在一定的非線性特征,傳統方法在對其預測時難以取得理想的預測效果。由此,本文提出了應用LSTM理論的分布式光伏發電功率的短期預估方法。該方法主要考慮了來自外部因素即氣象因子的影響,利用PCA法深度挖掘氣象數據的關聯,降低氣象因子自變量之間的耦合性。在此基礎上,該方法填補和歸一化處理數據,利用LSTM構建分布式光伏發電功率短期預估模型,并通過試驗驗證了該方法具有最高的相關系數,以及最低的均方根誤差和平均絕對誤差。其結果與實際發電功率接近。該方法降低了發電過程中的電能損耗,使分布式光伏發電更節能、更經濟。