基于bp神經(jīng)網(wǎng)絡的光伏發(fā)電短期預報模型

基于bp神經(jīng)網(wǎng)絡的光伏發(fā)電短期預報模型

0自組織特征映射近年來，越來越多的mw-w輕能源裝置被引入電網(wǎng)。然而，光能源的隨機性和間歇性對電氣系統(tǒng)的經(jīng)濟、安全和可靠運行的負面影響日益突出。因此，有必要正確預測波形系統(tǒng)的負荷，并采取適當?shù)募夹g措施，限制或補償波形裝置的發(fā)電功率。光伏系統(tǒng)發(fā)電過程分為兩部分,一為光伏陣列經(jīng)過光電轉換為直流電,二為變換器將直流電轉換為直流電或交流電。光伏陣列的輸出對天氣變化非常敏感,受很多因素的影響,精確的計算公式非常復雜,主要受太陽輻照度和電池板溫影響:而太陽輻照度又受云量的影響最大、同時與太陽入射角、時間等因素相關;對于電池板溫,廠商并沒有提供測量接口,只能間接估計,否則需訂做帶溫度傳感器的電池板,成本隨之上升。另外變換器的轉換效率隨輸入功率的變化而變化。顯然,光伏系統(tǒng)發(fā)電量具有非線性和隨機性等特征,為此,本文采用自組織特征映射(self-organizingfeaturemap,SOM)與神經(jīng)網(wǎng)絡神經(jīng)(backpropagation,BP)網(wǎng)絡相結合解決此問題,實現(xiàn)光伏系統(tǒng)發(fā)電量預測。神經(jīng)網(wǎng)絡已廣泛用于電力負荷預測及風力發(fā)電預測,目前逐漸在光伏發(fā)電短期預測中得到應用。預測方法可分為2類:間接預測和直接預測。間接預測法是先利用電站處歷史氣象觀測數(shù)據(jù)預測太陽輻照度,然后借助神經(jīng)網(wǎng)絡或工程計算公式預測電站的輸出功率或發(fā)電量;相比之下,直接預測法無需觀測和預測太陽輻照度,而是利用電站發(fā)電量的歷史數(shù)據(jù)及天氣預報數(shù)據(jù)直接預測光伏系統(tǒng)或陣列的輸出功率或發(fā)電量。日本、歐洲等國較早開始重視太陽能資源的利用,太陽輻射觀測站布點多、設施全,且已積累大量的觀測數(shù)據(jù)。因此,國外對光伏發(fā)電預測主要采用的是間接預測法。中國對光伏發(fā)電預測的研究較少,目前全國只有98個太陽輻射觀測站點,尚未開展太陽輻射預報業(yè)務,因此通常采用直接預測法。文獻提出了加入天氣類型指數(shù)的神經(jīng)網(wǎng)絡發(fā)電預測模型,但對天氣類型指數(shù)沒有給出定義,光伏發(fā)電量與氣象因素的相關性也是未知的,且僅采用單一神經(jīng)網(wǎng)絡對不同的天氣類型泛化擬合,整體預測效果較差。文獻把天氣類型劃分為晴天、陰天、多云、雨天,基于支持向量機(supportvectormachine,SVM)建立了4個子模型,該方法對天氣分類僅依賴于氣象預報中給出的1個綜合性的天氣類型信息,分類不夠全面。本文通過光伏發(fā)電量與氣象因子間的相關性分析,提出采用氣溫、濕度等氣象因子組合代替太陽輻照度,利用SOM對天氣類型聚類識別,分季節(jié)建立基于BP神經(jīng)網(wǎng)絡的無輻照度發(fā)電量短期預測模型,并對模型的濕度抗擾動性進行檢驗,最終建立了光伏發(fā)電量短期預測系統(tǒng)框架。1通過分析照明系統(tǒng)的功率與氣候因素之間的相關性1.1陣列斜面太陽總輻照度計算并網(wǎng)光伏系統(tǒng)輸出功率的工程模型為式中:N為正常工作的光伏組件個數(shù);η1為光伏組件在額定工作條件下的光電轉換效率;η2為最大功率點跟蹤(maximumpowerpointtracking,MPPT)的工作效率;η3為逆變器效率;A為光伏組件的面積;β為陣列的傾角;Rβ為光伏陣列斜面太陽總輻照度;a為光伏組件的溫度系數(shù);Tc為光伏組件的板溫。由文獻可知,太陽輻照度與赤緯角、太陽時角等有關,而這些變量都是隨著時間、季節(jié)變化的。此外,計算過程中都是假設在理想晴朗天氣條件下計算太陽輻照度,并沒有考慮大氣條件的影響。實際中,太陽輻射到達傾角為β的光伏陣列上往往會有較大的衰減:云層會遮擋太陽輻射;空氣分子、水滴和灰塵對太陽輻射具有散射作用;大氣中O3、CO2和H2O對太陽輻射具有吸收作用。因此,通過理論模型計算Rβ會產(chǎn)生極大的誤差。需要注意的是,光伏組件的溫度Tc通常通過測量組件背面溫度,再經(jīng)過熱傳導模型得到,該過程需要大量的數(shù)據(jù)累積和曲線擬合。由以上分析可知,利用工程模型預測光伏系統(tǒng)的發(fā)電量,需要長期精確測量光伏陣列斜面的總輻照度Rβ和組件工作溫度Tc,并對其預測,這對于通常的光伏電站具有較大難度。而采用具有很強學習能力、組織性、容錯性和推理意識功能等特點的神經(jīng)網(wǎng)絡可較容易對光伏系統(tǒng)的發(fā)電量進行預測。1.2氣象預測模型的相關性利用非線性擬合功能較強的BP神經(jīng)網(wǎng)絡模型預測光伏發(fā)電量,關鍵問題在于BP網(wǎng)絡輸入量的選取,而在多個氣象因素并存的情況下,識別對光伏發(fā)電量影響最大的氣象因素非常重要。采用距離分析法中Pearson相似度分析某屋頂光伏并網(wǎng)發(fā)電系統(tǒng)從2006年起SCADA中發(fā)電數(shù)據(jù)和當?shù)貧庀笳就跉庀髷?shù)據(jù)的相關性,式(2)為2個n維向量Pearson相關系數(shù)的計算公式。距離分析結果見表1。表中溫度Ta、氣壓pa、濕度H、風速ws為地面氣象6要素中的4個因素,另外表征天氣類型,一般使用云量描述,云包括總云量Ct和低云量Cl,太陽水平總輻照度Ir,G為每小時發(fā)電量,時間尺度為1h。由表1可知,發(fā)電量與太陽水平總輻照度相關性最大為0.931;與氣溫相關性為0.527,次之;與風速的相關性為0.311;與濕度成負相關性為-0.557。圖1和圖2分別為日發(fā)電量與氣溫、濕度的關系,當氣溫升高,發(fā)電量也隨之升高,呈現(xiàn)正相關;當大氣濕度下降,水汽對太陽輻射的吸收減少,發(fā)電量隨之增大,呈現(xiàn)負相關。同時太陽輻射與氣溫、濕度也是密切相關的。因此選擇常規(guī)氣象因素氣溫和濕度作為輸入量的無輻照度發(fā)電短期預測模型,記為M1;對于有輻照度預測能力的地區(qū),建立以太陽水平總輻照度、大氣溫度、風速為輸入量的含有輻照度的發(fā)電短期預測模型,記為M2。2短期預測模型設計2.1聚類光伏發(fā)電模型圖3為光伏系統(tǒng)發(fā)電量短期預測系統(tǒng)框架圖。首先分季進行SOM天氣類型分類,把具有相同天氣類型的樣本聚類,對每個聚類樣本訓練,形成該類型的發(fā)電模型,最后4個季節(jié)模型合到一起形成了全年的光伏發(fā)電量短期預測模型。預報過程中,根據(jù)預報天的日期,選擇相應的季節(jié)模型,然后根據(jù)該天的天氣預報信息,經(jīng)過SOM分類后找到對應的聚類預測子模型,則可以對光伏發(fā)電在未來24h每小時的出力進行預測。2.2習網(wǎng)絡的建立采用單一光伏發(fā)電預測模型,當天氣類型發(fā)生轉變的時候,神經(jīng)網(wǎng)絡穩(wěn)健性的優(yōu)勢可能會對性能產(chǎn)生反作用,因為它有可能會將天氣突變視為異常值,并會逐漸減小它對輸出平滑性的影響,所以對天氣類型進行識別與聚類很有必要。SOM神經(jīng)網(wǎng)絡是一種具有自組織特征映射能力的無教師學習網(wǎng)絡,它在經(jīng)典模式識別領域的1個重要應用是聚類分析。SOM網(wǎng)絡包含輸入層和輸出層2層神經(jīng)元,輸入層對應1個高維的輸入向量,輸出層由一系列組織在二維網(wǎng)格上的有序節(jié)點構成,輸入節(jié)點和輸出節(jié)點通過權重向量連接。在每個輸入樣本學習過程中,SOM找出與之距離最短的輸出層單元,即獲勝單元,更新獲勝單元及其鄰近區(qū)域的權值,使得輸出節(jié)點保持輸入向量的拓撲特征。氣象信息中太陽輻照度受云量的影響最大,目前在大氣科學中都是通過云量定義天氣類型。云量觀測包括總云量、低云量。總云量是指觀測時天空被所有的云遮蔽的總成數(shù),取值為0~10;低云量是指天空被低云族的云所遮蔽的成數(shù),取值為0~11,均記整數(shù)。采用低云量和總云量作為輸入向量的SOM天氣類型聚類識別如圖4所示,網(wǎng)絡通過對輸入模式的自組織學習,將競爭層中的神經(jīng)元劃分為不同的反應區(qū)域,自動對輸入模式進行分類,實現(xiàn)天氣類型識別與聚類。2.3光伏發(fā)電短期預測模型的建立圖5為本文提出無輻照度發(fā)電短期預測子模型M1,輸入量Tai(t+1)為t+1預報日逐小時的溫度,℃;Hi(t+1)為t+1預報日逐小時的濕度,%;目標量Gi(t+1)為t+1預報日逐小時的發(fā)電量,kW?h;i的取值范圍為1,2,…,24,為時間序號。用數(shù)學公式表述為圖6為含有輻照度的光伏發(fā)電短期預測子模型M2結構。輸入量由氣象局數(shù)值天氣預報得到的t+1時段的天氣信息,圖中:Iri(t+1)為t+1預報日逐小時的太陽水平總輻照度,W/m2;vi(t+1)為t+1預報日逐小時的風速,m/s,用數(shù)學公式表述如式(4),其他的變量同式(3)。3系統(tǒng)培訓和評估3.1輸出神經(jīng)元的相似模式SOM網(wǎng)絡的典型特性是可以在一維或二維的處理單元陣列上,形成輸入信號的特征拓撲分布。這里采用的是常用的二維處理單元,SOM網(wǎng)絡學習算法過程如下:1)初始化,對N個輸入神經(jīng)元到輸出神經(jīng)元的連接權值wij賦予隨機的權值,Sj(t)為j個輸出神經(jīng)元在t時刻的鄰接神經(jīng)元的集合。2)提供新的輸入樣本,本文輸入變量為低云量Cl和總云量Ct兩個變量,樣本為m個。輸入變量的矩陣為x(m×48)。3)計算每個輸入樣本與每個輸出神經(jīng)元j之間的歐氏距離。其中距離最小的神經(jīng)元k獲勝。4)修正神經(jīng)元k的鄰接神經(jīng)元集合Sj(t)中神經(jīng)元的權值:隨著時間t的增大,η(t)逐漸下降為0,Sj(t)逐漸收縮為輸出節(jié)點k。5)提供新的學習樣本,從步驟3)開始重復上述學習過程,直至所有的樣本訓練完成。訓練結束后,幾何上輸出相近的節(jié)點代表了特征上相似的模式類別,可以劃分為一類。此處設計的SOM神經(jīng)網(wǎng)絡的輸出元5×4的點陣,可使得所有的天氣類型能夠聚類完全。3.2預測模型反歸一化處理網(wǎng)絡設計完成后,通過樣本進行訓練。將神經(jīng)網(wǎng)絡應用于光伏系統(tǒng)發(fā)電量預測時,訓練網(wǎng)絡的原始數(shù)據(jù)由于不同的變量通常以不同的單位變化,數(shù)量級的差異比較大,而BP神經(jīng)網(wǎng)絡隱含層采用函數(shù)為Sigmoid的非線性激活函數(shù),其輸出被限定在或[-1,1]。為了避免神經(jīng)元飽和,采用歸一化處理,將原始目標、輸入數(shù)據(jù)轉換到區(qū)間內。經(jīng)過預測模型得到的預測數(shù)據(jù),由于輸出神經(jīng)元的數(shù)據(jù)范圍在區(qū)間內,需進行反歸一化處理使其具有物理意義,公式為式中:Freal為反歸一化處理后得到結果,kW?h;Fbp為BP網(wǎng)絡輸出結果;pmax、pmin分別為目標向量的最大值和最小值,kW?h。網(wǎng)絡訓練還包括網(wǎng)絡的學習方法、學習速度、訓練目標、隱含層的層數(shù)及個數(shù)等參數(shù),本文選擇了含有單層隱含層的3層BP神經(jīng)網(wǎng)絡,訓練函數(shù)為Bayes規(guī)范化訓練函數(shù)。隱含層節(jié)點的個數(shù)最難確定,以含有天氣類型聚類識別的無輻照度預測模型為例,由于天氣聚類后每個模型的訓練樣本個數(shù)不同及其出力曲線的復雜程度不同,隱含層節(jié)點個數(shù)也不一樣。每個模型的隱含層節(jié)點個數(shù)都是經(jīng)逐一篩選分析所得,本文以天氣聚類后的2個聚類模型為例,序列1~3所對應的聚類模型節(jié)點個數(shù)為32個;序列4對應模型的隱含層節(jié)點個數(shù)為36,此時訓練樣本誤差最小;隱含層節(jié)點數(shù)繼續(xù)增加,出現(xiàn)過學習現(xiàn)象,網(wǎng)絡外推能力變差,預測誤差增大。3.3預測及預測能力的計算采用每天平均絕對誤差百分比(dailymeanabsolutepercentageerror,DMAPE)ηDMAPE和均方根誤差(rootmeansquareerror,RMSE)ηRMSE對發(fā)電預測結果評估,DMAPE評估整個系統(tǒng)的預測能力,RMSE評估整個系統(tǒng)預測值的離散程度。式中:Pfi、Pi為預測及實際的發(fā)電量,kW?h;P為光伏系統(tǒng)額定功率下每小時發(fā)電量,kW?h。4預測結果及分析4.1常規(guī)氣象因素以某一個三相屋頂并網(wǎng)光伏發(fā)電系統(tǒng)為例,額定裝機容量為18kWp。圖7為該系統(tǒng)的結構圖,圖8為部分實驗平臺圖。該電站具備測量:風速、風向、溫度、濕度、氣壓和水平輻照度的能力,這些常規(guī)的氣象因素會影響太陽輻照度的大小和組件的工作溫度,進而影響到光伏陣列經(jīng)過光電轉換后輸出直流電能的大小,然后直流電通過3個額定功率為6kW的單相逆變器并網(wǎng)。將同期測量的氣象數(shù)據(jù)和發(fā)電數(shù)據(jù)記錄到工控機數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)(supervisorycontrolanddataacquisition,SCADA)系統(tǒng)中。4.2預測結果及分析以冬季光伏發(fā)電預測子模型為例,針對不同的天氣類型聚類識別,選擇相應類型的預測模型,將預測日的天氣預報信息輸入圖3的預報系統(tǒng)中,從而得到預測日的發(fā)電量。為驗證天氣類型識別對光伏發(fā)電短期預測的有效性,增加了沒有經(jīng)過天氣類型分類的對比模型;為了說明無輻照度光伏預測模型的優(yōu)勢,增加了含有輻照度的預測模型作為對照,共計4個模型,表2為4個模型的組合表,表中×代表不含有該項,√代表含有該項。圖9為M1模型預測結果圖,從圖9可以看出M1(a)在1~72h中每天出現(xiàn)了2個峰值點,M1(b)在1~72h中預測曲線大致跟實際值的趨勢相同,個別時間點預測結果等于實際值。但二者在73~96h中并沒有預測出2個峰值,這與樣本數(shù)目有關,同時由于輸入量中沒有與實際發(fā)電量映射關系最強的輻照度,因此曲線擬合的精確性存在一定的限制。圖10為模型M2預測結果圖,圖中:M2(a)在1～96h內出現(xiàn)了2個峰值;M2(b)在1~72h內只有1個峰值,在73~96h中有2個峰值,在1~96h中與實際值曲線趨勢相同。從圖中可以看出,M1(b)、M2(b)分別比M1(a)、M2(a)預測精度高。表3為4個模型的預測結果評估,可知4個模型的平均DMAPE大小順序為M2(b)<M1(b)<M2(a)<M1(a);4個模型平均RMSE的大小順序為M2(b)<M1(b)<M2(a)<M1(a)。從表3中可以發(fā)現(xiàn)M1(b)相對于M1(a)連續(xù)4d的平均DMAPE要減小了40%,RMSE減少了48%;M2(b)相對于M2(a)連續(xù)4d的平均DMAPE減小了16%,RMSE減少了36%,說明了天氣分類的有效性。盡管M1(b)相對于M2(b)連續(xù)4d的平均DMAPE大0.77%,RMSE大0.82%,但它們相差并不大,均值DMAPE均在15%以下,RMSE在5%以下。M1(b)采用氣溫和濕度2個常見的氣象基本要素預測光伏發(fā)電量,輸入量較少,對于太陽輻照度預測薄弱的地區(qū)而言,模型M1(b)的預測方法有很大