VMD-HS-BP光伏發電功率預測模型的構建研究及試驗分析

國網河南省電力公司安陽縣供電公司 韓德利

1 引言

在“雙碳”政策背景下，電力行業如何實現節能減碳已經成為熱點話題，大力推進電力行業可再生能源發展迫在眉睫[1]。在眾多可再生能源中，太陽能因具有清潔性、可持續性等優勢，使太陽能發電的關注度較高。相比于其他可再生能源發電技術，太陽能發電技術應用較為廣泛，發展較為成熟[2]。據國家能源局數據，截止到2022年年底，我國太陽能發電裝機容量累計達4億kW，同比增長28.1%，全年新增容量達8741萬kW，同比增長60.3%[3]。然而，光伏并網的數量攀升對電網運行穩定性造成了一定的沖擊，光伏電網面臨著運行不穩定、運行調度難等問題。為了保障光伏并網的穩定推進，需要構建精準的光伏發電功率預測模型[4]。本文在借鑒相關學者研究基礎上，結合了變分模態分解法（VMD）與和聲搜索算法（HS），對傳統BP 神經網絡進行改進，構建了VMD-HS-BP 光伏發電功率預測模型[5]。

2 模型構建

為了進一步提升光伏發電功率預測精準性，本文采用VMD 與HS 算法對BP 神經網絡進行改進，構建光伏發電功率預測模型，具體流程如下。

一是相關性分析。采用相關性分析法對輸入變量與輸出變量之間的相關性進行檢驗，并從中剔除了相關性水平較低的變量。采用相關性分析法對相關性水平較低的變量進行剔除，可以有效降低冗余變量數量，避免此類變量對結果精準性的影響，并且可以通過相關性分析結果衡量不同影響因素對光伏發電功率的影響水平，具體相關性表達式：

二是VMD 分解。采用VMD 對采集的光伏數據進行分解，并采用中心頻率法確定模態數。VMD作為一種全新的多分辨率序列分解技術，在應用中可以將原始序列進行分解處理，序列f（t）可分解為k 個具有相同頻率的有線寬帶分量，表示為uk（k=1，2，…，K）。此外，該技術在應用中可通過迭代搜尋的方式確定相應的最優解，模型分解后，所有模態分量和具有中心頻率的有線寬帶在經過初始化后，可對應獲取到k 個估算的中心角頻率。考慮到變分問題屬于約束問題，需通過二次乘法和拉格朗日乘數進行轉化分析，在轉化完成后，需采用交替方向乘子法進行求解分析，并通過迭代更新方式，獲取最終分解模態分量。VMD 的核心思想為構造與求解變分問題，具體操作如下。

初始化各模態、中心頻率、拉格朗日乘法算子；更新模態分量uk與中心頻率wk，表達式：

更新拉格朗日乘數，表達式：

四是光伏序列預測結果輸出。使用經過訓練的改進BP 神經網絡，按照上述流程，依次預測各個分量，并將所有分量的預測值進行疊加，形成最終的預測值，并將被作為本次預測的結果輸出。

這個預測過程是基于對光伏序列的深度學習和對大量數據的分析，旨在挖掘隱藏在數據中的規律和趨勢，從而提高預測的準確性和可靠性。通過改進的BP 神經網絡，可以更好地處理復雜的非線性關系，從而更準確地預測光伏序列的未來走勢。在預測過程中，每個分量都經過了嚴謹的推理和精確的模擬，以確保最終預測值的準確性和可靠性。這些預測值不僅反映了光伏序列的當前狀態，還為未來的發展趨勢提供了有力的參考。此外，該預測模型還具有思路清晰、邏輯嚴密的特點。每個步驟都經過了精心設計和嚴格驗證，以確保最終結果的精確性和可重復性。這種嚴謹的方法不僅提高了預測的準確性，還有助于推動光伏行業的進一步發展。

3 試驗分析

3.1 數據處理

以河南電力公司某地區某光伏建筑為模型構建試驗對象，光伏建筑總面積約為240m2，建筑頂部布設了光伏發電系統。光伏發電功率預測模型每天在日照時間內采集數據信息，數據采集工作為期一整月，該階段共計采集獲取了1566組數據，采集數據處理中為避免數據誤差，進行了歸一化處理：

式中，x為樣本的各類數據；xmax為樣本數據的最大值；xmin為樣本數據的最小值。

完成歸一化處理后，提出了＜0.5的變量，并進一步計算輸入變量與輸出變量之間的相關性，其結果見表1。通過相關性分析剔除了小于0.5的輸入變量，進而計算輸入量和輸出量之間的相關性，計算相關系數。

表1 輸入與輸出變量間相關系數

由上表可知，結合相關系那個分析結果，需要提出＜0.5的變量條件，分別為前一刻試驗條件環境溫度、前三刻光伏發電功率、風速、相對濕度和大氣壓。

3.2 變量設置

結合本次試驗測試調試要求，選用三層BP 神經網絡，其中包含7個輸入變量和1個輸出變量。其中，BP 神經網絡的神經元個數為12個，輸入層函使用transig 函數，輸出層trainlm 函數，相應算法的具體設置內容見表2。

表2 HS 搜索算法與VMD 算法的具體設置

3.3 試驗結果

為進一步驗證模型有效性，選擇使用BP、HS-BP 和EMD-HS-BP 模型進行對比測試分析，并確定模型的相對誤差。運用平均絕對百分比誤差和均方根相對誤差對幾種模型的誤差進行評價分析。其中平均絕對百分比誤差計算：

均方根相對誤差計算：

不同類型模型的預測誤差值見表3。

表3 不同類型模型的預測誤差值

表3展示了不同類型模型在預測誤差方面的表現，其中VMD-HS-BP 模型的預測誤差最低，表現出更高的預測精度。相比其他三種同類型算法，本研究所提出的VMD-HS-BP 模型在應用性和準確性方面更勝一籌。具體來看，BP 模型的預測誤差較大，MAPE 為15.62%，RMSPE 為0.47%，這表明該模型的預測效果不太理想。而HS-BP 模型在MAPE 和RMSPE 方面均有所降低，分別為7.69%和0.29%，說明該模型在預測精度方面有一定提升。EMD-HS-BP 模型和VMD-HS-BP 模型在預測誤差方面表現更為出色。EMD-HS-BP 模型的MAPE 為5.41%，RMSPE 為0.23%，相比HS-BP模型，其在預測精度上有明顯提升。而VM DHS-BP 模型的MAPE 和RMSPE 分別為2.04%和0.07%，其預測誤差最低，表現出更高的預測精度。綜上所述，本研究所提出的VMD-HS-BP 模型在所有對比模型中具有最低的預測誤差，顯示出更高的預測精度和應用性、準確性方面的優勢。這一結果表明，VMD-HS-BP 模型在處理實際問題時具有較高的實用價值。

4 結語

本文提出了一種VMD-HS-BP 光伏發電功率預測模型，該模型能夠有效提升光伏發電功率預測精度。以河南電網某地光伏建筑為試驗對象，并根據模型運行要求確定了相應的參數設定條件與輸入變量信息。在試驗驗證中，運用相關性分析方法對輸入數據變量與輸出數據變量進行了分析，剔除了不符合要求的條件變量。為進一步驗證VMD-HS-BP 光伏發電功率預測模型的預測精度，在試驗中引入了三種同類型模型進行對比測試，通過平均絕對百分比誤差和均方根誤差結果對比，確定了本文所提出的光伏發電功率預測模型準確性更高，具有較高的實用價值，能夠為電網光伏發電功率預測提供參考。