基于bp神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電短期預(yù)報(bào)模型

基于bp神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電短期預(yù)報(bào)模型

0自組織特征映射近年來(lái)，越來(lái)越多的mw-w輕能源裝置被引入電網(wǎng)。然而，光能源的隨機(jī)性和間歇性對(duì)電氣系統(tǒng)的經(jīng)濟(jì)、安全和可靠運(yùn)行的負(fù)面影響日益突出。因此，有必要正確預(yù)測(cè)波形系統(tǒng)的負(fù)荷，并采取適當(dāng)?shù)募夹g(shù)措施，限制或補(bǔ)償波形裝置的發(fā)電功率。光伏系統(tǒng)發(fā)電過(guò)程分為兩部分,一為光伏陣列經(jīng)過(guò)光電轉(zhuǎn)換為直流電,二為變換器將直流電轉(zhuǎn)換為直流電或交流電。光伏陣列的輸出對(duì)天氣變化非常敏感,受很多因素的影響,精確的計(jì)算公式非常復(fù)雜,主要受太陽(yáng)輻照度和電池板溫影響:而太陽(yáng)輻照度又受云量的影響最大、同時(shí)與太陽(yáng)入射角、時(shí)間等因素相關(guān);對(duì)于電池板溫,廠商并沒有提供測(cè)量接口,只能間接估計(jì),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(zhuǎn)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(jī)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(luò)神經(jīng)(backpropagation,BP)網(wǎng)絡(luò)相結(jié)合解決此問(wèn)題,實(shí)現(xiàn)光伏系統(tǒng)發(fā)電量預(yù)測(cè)。神經(jīng)網(wǎng)絡(luò)已廣泛用于電力負(fù)荷預(yù)測(cè)及風(fēng)力發(fā)電預(yù)測(cè),目前逐漸在光伏發(fā)電短期預(yù)測(cè)中得到應(yīng)用。預(yù)測(cè)方法可分為2類:間接預(yù)測(cè)和直接預(yù)測(cè)。間接預(yù)測(cè)法是先利用電站處歷史氣象觀測(cè)數(shù)據(jù)預(yù)測(cè)太陽(yáng)輻照度,然后借助神經(jīng)網(wǎng)絡(luò)或工程計(jì)算公式預(yù)測(cè)電站的輸出功率或發(fā)電量;相比之下,直接預(yù)測(cè)法無(wú)需觀測(cè)和預(yù)測(cè)太陽(yáng)輻照度,而是利用電站發(fā)電量的歷史數(shù)據(jù)及天氣預(yù)報(bào)數(shù)據(jù)直接預(yù)測(cè)光伏系統(tǒng)或陣列的輸出功率或發(fā)電量。日本、歐洲等國(guó)較早開始重視太陽(yáng)能資源的利用,太陽(yáng)輻射觀測(cè)站布點(diǎn)多、設(shè)施全,且已積累大量的觀測(cè)數(shù)據(jù)。因此,國(guó)外對(duì)光伏發(fā)電預(yù)測(cè)主要采用的是間接預(yù)測(cè)法。中國(guó)對(duì)光伏發(fā)電預(yù)測(cè)的研究較少,目前全國(guó)只有98個(gè)太陽(yáng)輻射觀測(cè)站點(diǎn),尚未開展太陽(yáng)輻射預(yù)報(bào)業(yè)務(wù),因此通常采用直接預(yù)測(cè)法。文獻(xiàn)提出了加入天氣類型指數(shù)的神經(jīng)網(wǎng)絡(luò)發(fā)電預(yù)測(cè)模型,但對(duì)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(guān)性也是未知的,且僅采用單一神經(jīng)網(wǎng)絡(luò)對(duì)不同的天氣類型泛化擬合,整體預(yù)測(cè)效果較差。文獻(xiàn)把天氣類型劃分為晴天、陰天、多云、雨天,基于支持向量機(jī)(supportvectormachine,SVM)建立了4個(gè)子模型,該方法對(duì)天氣分類僅依賴于氣象預(yù)報(bào)中給出的1個(gè)綜合性的天氣類型信息,分類不夠全面。本文通過(guò)光伏發(fā)電量與氣象因子間的相關(guān)性分析,提出采用氣溫、濕度等氣象因子組合代替太陽(yáng)輻照度,利用SOM對(duì)天氣類型聚類識(shí)別,分季節(jié)建立基于BP神經(jīng)網(wǎng)絡(luò)的無(wú)輻照度發(fā)電量短期預(yù)測(cè)模型,并對(duì)模型的濕度抗擾動(dòng)性進(jìn)行檢驗(yàn),最終建立了光伏發(fā)電量短期預(yù)測(cè)系統(tǒng)框架。1通過(guò)分析照明系統(tǒng)的功率與氣候因素之間的相關(guān)性1.1陣列斜面太陽(yáng)總輻照度計(jì)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(gè)數(shù);η1為光伏組件在額定工作條件下的光電轉(zhuǎn)換效率;η2為最大功率點(diǎn)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(yáng)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(xiàn)可知,太陽(yáng)輻照度與赤緯角、太陽(yáng)時(shí)角等有關(guān),而這些變量都是隨著時(shí)間、季節(jié)變化的。此外,計(jì)算過(guò)程中都是假設(shè)在理想晴朗天氣條件下計(jì)算太陽(yáng)輻照度,并沒有考慮大氣條件的影響。實(shí)際中,太陽(yáng)輻射到達(dá)傾角為β的光伏陣列上往往會(huì)有較大的衰減:云層會(huì)遮擋太陽(yáng)輻射;空氣分子、水滴和灰塵對(duì)太陽(yáng)輻射具有散射作用;大氣中O3、CO2和H2O對(duì)太陽(yáng)輻射具有吸收作用。因此,通過(guò)理論模型計(jì)算Rβ會(huì)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(guò)測(cè)量組件背面溫度,再經(jīng)過(guò)熱傳導(dǎo)模型得到,該過(guò)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(yù)測(cè)光伏系統(tǒng)的發(fā)電量,需要長(zhǎng)期精確測(cè)量光伏陣列斜面的總輻照度Rβ和組件工作溫度Tc,并對(duì)其預(yù)測(cè),這對(duì)于通常的光伏電站具有較大難度。而采用具有很強(qiáng)學(xué)習(xí)能力、組織性、容錯(cuò)性和推理意識(shí)功能等特點(diǎn)的神經(jīng)網(wǎng)絡(luò)可較容易對(duì)光伏系統(tǒng)的發(fā)電量進(jìn)行預(yù)測(cè)。1.2氣象預(yù)測(cè)模型的相關(guān)性利用非線性擬合功能較強(qiáng)的BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)光伏發(fā)電量,關(guān)鍵問(wèn)題在于BP網(wǎng)絡(luò)輸入量的選取,而在多個(gè)氣象因素并存的情況下,識(shí)別對(duì)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(dāng)?shù)貧庀笳就跉庀髷?shù)據(jù)的相關(guān)性,式(2)為2個(gè)n維向量Pearson相關(guān)系數(shù)的計(jì)算公式。距離分析結(jié)果見表1。表中溫度Ta、氣壓pa、濕度H、風(fēng)速ws為地面氣象6要素中的4個(gè)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(yáng)水平總輻照度Ir,G為每小時(shí)發(fā)電量,時(shí)間尺度為1h。由表1可知,發(fā)電量與太陽(yáng)水平總輻照度相關(guān)性最大為0.931;與氣溫相關(guān)性為0.527,次之;與風(fēng)速的相關(guān)性為0.311;與濕度成負(fù)相關(guān)性為-0.557。圖1和圖2分別為日發(fā)電量與氣溫、濕度的關(guān)系,當(dāng)氣溫升高,發(fā)電量也隨之升高,呈現(xiàn)正相關(guān);當(dāng)大氣濕度下降,水汽對(duì)太陽(yáng)輻射的吸收減少,發(fā)電量隨之增大,呈現(xiàn)負(fù)相關(guān)。同時(shí)太陽(yáng)輻射與氣溫、濕度也是密切相關(guān)的。因此選擇常規(guī)氣象因素氣溫和濕度作為輸入量的無(wú)輻照度發(fā)電短期預(yù)測(cè)模型,記為M1;對(duì)于有輻照度預(yù)測(cè)能力的地區(qū),建立以太陽(yáng)水平總輻照度、大氣溫度、風(fēng)速為輸入量的含有輻照度的發(fā)電短期預(yù)測(cè)模型,記為M2。2短期預(yù)測(cè)模型設(shè)計(jì)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(yù)測(cè)系統(tǒng)框架圖。首先分季進(jìn)行SOM天氣類型分類,把具有相同天氣類型的樣本聚類,對(duì)每個(gè)聚類樣本訓(xùn)練,形成該類型的發(fā)電模型,最后4個(gè)季節(jié)模型合到一起形成了全年的光伏發(fā)電量短期預(yù)測(cè)模型。預(yù)報(bào)過(guò)程中,根據(jù)預(yù)報(bào)天的日期,選擇相應(yīng)的季節(jié)模型,然后根據(jù)該天的天氣預(yù)報(bào)信息,經(jīng)過(guò)SOM分類后找到對(duì)應(yīng)的聚類預(yù)測(cè)子模型,則可以對(duì)光伏發(fā)電在未來(lái)24h每小時(shí)的出力進(jìn)行預(yù)測(cè)。2.2習(xí)網(wǎng)絡(luò)的建立采用單一光伏發(fā)電預(yù)測(cè)模型,當(dāng)天氣類型發(fā)生轉(zhuǎn)變的時(shí)候,神經(jīng)網(wǎng)絡(luò)穩(wěn)健性的優(yōu)勢(shì)可能會(huì)對(duì)性能產(chǎn)生反作用,因?yàn)樗锌赡軙?huì)將天氣突變視為異常值,并會(huì)逐漸減小它對(duì)輸出平滑性的影響,所以對(duì)天氣類型進(jìn)行識(shí)別與聚類很有必要。SOM神經(jīng)網(wǎng)絡(luò)是一種具有自組織特征映射能力的無(wú)教師學(xué)習(xí)網(wǎng)絡(luò),它在經(jīng)典模式識(shí)別領(lǐng)域的1個(gè)重要應(yīng)用是聚類分析。SOM網(wǎng)絡(luò)包含輸入層和輸出層2層神經(jīng)元,輸入層對(duì)應(yīng)1個(gè)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(diǎn)構(gòu)成,輸入節(jié)點(diǎn)和輸出節(jié)點(diǎn)通過(guò)權(quán)重向量連接。在每個(gè)輸入樣本學(xué)習(xí)過(guò)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(quán)值,使得輸出節(jié)點(diǎn)保持輸入向量的拓?fù)涮卣?。氣象信息中太?yáng)輻照度受云量的影響最大,目前在大氣科學(xué)中都是通過(guò)云量定義天氣類型。云量觀測(cè)包括總云量、低云量?？傇屏渴侵赣^測(cè)時(shí)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(shí)別如圖4所示,網(wǎng)絡(luò)通過(guò)對(duì)輸入模式的自組織學(xué)習(xí),將競(jìng)爭(zhēng)層中的神經(jīng)元?jiǎng)澐譃椴煌姆磻?yīng)區(qū)域,自動(dòng)對(duì)輸入模式進(jìn)行分類,實(shí)現(xiàn)天氣類型識(shí)別與聚類。2.3光伏發(fā)電短期預(yù)測(cè)模型的建立圖5為本文提出無(wú)輻照度發(fā)電短期預(yù)測(cè)子模型M1,輸入量Tai(t+1)為t+1預(yù)報(bào)日逐小時(shí)的溫度,℃;Hi(t+1)為t+1預(yù)報(bào)日逐小時(shí)的濕度,%;目標(biāo)量Gi(t+1)為t+1預(yù)報(bào)日逐小時(shí)的發(fā)電量,kW?h;i的取值范圍為1,2,…,24,為時(shí)間序號(hào)。用數(shù)學(xué)公式表述為圖6為含有輻照度的光伏發(fā)電短期預(yù)測(cè)子模型M2結(jié)構(gòu)。輸入量由氣象局?jǐn)?shù)值天氣預(yù)報(bào)得到的t+1時(shí)段的天氣信息,圖中:Iri(t+1)為t+1預(yù)報(bào)日逐小時(shí)的太陽(yáng)水平總輻照度,W/m2;vi(t+1)為t+1預(yù)報(bào)日逐小時(shí)的風(fēng)速,m/s,用數(shù)學(xué)公式表述如式(4),其他的變量同式(3)。3系統(tǒng)培訓(xùn)和評(píng)估3.1輸出神經(jīng)元的相似模式SOM網(wǎng)絡(luò)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(hào)的特征拓?fù)浞植?。這里采用的是常用的二維處理單元,SOM網(wǎng)絡(luò)學(xué)習(xí)算法過(guò)程如下:1)初始化,對(duì)N個(gè)輸入神經(jīng)元到輸出神經(jīng)元的連接權(quán)值wij賦予隨機(jī)的權(quán)值,Sj(t)為j個(gè)輸出神經(jīng)元在t時(shí)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(gè)變量,樣本為m個(gè)。輸入變量的矩陣為x(m×48)。3)計(jì)算每個(gè)輸入樣本與每個(gè)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(quán)值:隨著時(shí)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(diǎn)k。5)提供新的學(xué)習(xí)樣本,從步驟3)開始重復(fù)上述學(xué)習(xí)過(guò)程,直至所有的樣本訓(xùn)練完成。訓(xùn)練結(jié)束后,幾何上輸出相近的節(jié)點(diǎn)代表了特征上相似的模式類別,可以劃分為一類。此處設(shè)計(jì)的SOM神經(jīng)網(wǎng)絡(luò)的輸出元5×4的點(diǎn)陣,可使得所有的天氣類型能夠聚類完全。3.2預(yù)測(cè)模型反歸一化處理網(wǎng)絡(luò)設(shè)計(jì)完成后,通過(guò)樣本進(jìn)行訓(xùn)練。將神經(jīng)網(wǎng)絡(luò)應(yīng)用于光伏系統(tǒng)發(fā)電量預(yù)測(cè)時(shí),訓(xùn)練網(wǎng)絡(luò)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(jí)的差異比較大,而BP神經(jīng)網(wǎng)絡(luò)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(biāo)、輸入數(shù)據(jù)轉(zhuǎn)換到區(qū)間內(nèi)。經(jīng)過(guò)預(yù)測(cè)模型得到的預(yù)測(cè)數(shù)據(jù),由于輸出神經(jīng)元的數(shù)據(jù)范圍在區(qū)間內(nèi),需進(jìn)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(jié)果,kW?h;Fbp為BP網(wǎng)絡(luò)輸出結(jié)果;pmax、pmin分別為目標(biāo)向量的最大值和最小值,kW?h。網(wǎng)絡(luò)訓(xùn)練還包括網(wǎng)絡(luò)的學(xué)習(xí)方法、學(xué)習(xí)速度、訓(xùn)練目標(biāo)、隱含層的層數(shù)及個(gè)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(luò),訓(xùn)練函數(shù)為Bayes規(guī)范化訓(xùn)練函數(shù)。隱含層節(jié)點(diǎn)的個(gè)數(shù)最難確定,以含有天氣類型聚類識(shí)別的無(wú)輻照度預(yù)測(cè)模型為例,由于天氣聚類后每個(gè)模型的訓(xùn)練樣本個(gè)數(shù)不同及其出力曲線的復(fù)雜程度不同,隱含層節(jié)點(diǎn)個(gè)數(shù)也不一樣。每個(gè)模型的隱含層節(jié)點(diǎn)個(gè)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(gè)聚類模型為例,序列1~3所對(duì)應(yīng)的聚類模型節(jié)點(diǎn)個(gè)數(shù)為32個(gè);序列4對(duì)應(yīng)模型的隱含層節(jié)點(diǎn)個(gè)數(shù)為36,此時(shí)訓(xùn)練樣本誤差最小;隱含層節(jié)點(diǎn)數(shù)繼續(xù)增加,出現(xiàn)過(guò)學(xué)習(xí)現(xiàn)象,網(wǎng)絡(luò)外推能力變差,預(yù)測(cè)誤差增大。3.3預(yù)測(cè)及預(yù)測(cè)能力的計(jì)算采用每天平均絕對(duì)誤差百分比(dailymeanabsolutepercentageerror,DMAPE)ηDMAPE和均方根誤差(rootmeansquareerror,RMSE)ηRMSE對(duì)發(fā)電預(yù)測(cè)結(jié)果評(píng)估,DMAPE評(píng)估整個(gè)系統(tǒng)的預(yù)測(cè)能力,RMSE評(píng)估整個(gè)系統(tǒng)預(yù)測(cè)值的離散程度。式中:Pfi、Pi為預(yù)測(cè)及實(shí)際的發(fā)電量,kW?h;P為光伏系統(tǒng)額定功率下每小時(shí)發(fā)電量,kW?h。4預(yù)測(cè)結(jié)果及分析4.1常規(guī)氣象因素以某一個(gè)三相屋頂并網(wǎng)光伏發(fā)電系統(tǒng)為例,額定裝機(jī)容量為18kWp。圖7為該系統(tǒng)的結(jié)構(gòu)圖,圖8為部分實(shí)驗(yàn)平臺(tái)圖。該電站具備測(cè)量:風(fēng)速、風(fēng)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(huì)影響太陽(yáng)輻照度的大小和組件的工作溫度,進(jìn)而影響到光伏陣列經(jīng)過(guò)光電轉(zhuǎn)換后輸出直流電能的大小,然后直流電通過(guò)3個(gè)額定功率為6kW的單相逆變器并網(wǎng)。將同期測(cè)量的氣象數(shù)據(jù)和發(fā)電數(shù)據(jù)記錄到工控機(jī)數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)(supervisorycontrolanddataacquisition,SCADA)系統(tǒng)中。4.2預(yù)測(cè)結(jié)果及分析以冬季光伏發(fā)電預(yù)測(cè)子模型為例,針對(duì)不同的天氣類型聚類識(shí)別,選擇相應(yīng)類型的預(yù)測(cè)模型,將預(yù)測(cè)日的天氣預(yù)報(bào)信息輸入圖3的預(yù)報(bào)系統(tǒng)中,從而得到預(yù)測(cè)日的發(fā)電量。為驗(yàn)證天氣類型識(shí)別對(duì)光伏發(fā)電短期預(yù)測(cè)的有效性,增加了沒有經(jīng)過(guò)天氣類型分類的對(duì)比模型;為了說(shuō)明無(wú)輻照度光伏預(yù)測(cè)模型的優(yōu)勢(shì),增加了含有輻照度的預(yù)測(cè)模型作為對(duì)照,共計(jì)4個(gè)模型,表2為4個(gè)模型的組合表,表中×代表不含有該項(xiàng),√代表含有該項(xiàng)。圖9為M1模型預(yù)測(cè)結(jié)果圖,從圖9可以看出M1(a)在1~72h中每天出現(xiàn)了2個(gè)峰值點(diǎn),M1(b)在1~72h中預(yù)測(cè)曲線大致跟實(shí)際值的趨勢(shì)相同,個(gè)別時(shí)間點(diǎn)預(yù)測(cè)結(jié)果等于實(shí)際值。但二者在73~96h中并沒有預(yù)測(cè)出2個(gè)峰值,這與樣本數(shù)目有關(guān),同時(shí)由于輸入量中沒有與實(shí)際發(fā)電量映射關(guān)系最強(qiáng)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(yù)測(cè)結(jié)果圖,圖中:M2(a)在1～96h內(nèi)出現(xiàn)了2個(gè)峰值;M2(b)在1~72h內(nèi)只有1個(gè)峰值,在73~96h中有2個(gè)峰值,在1~96h中與實(shí)際值曲線趨勢(shì)相同。從圖中可以看出,M1(b)、M2(b)分別比M1(a)、M2(a)預(yù)測(cè)精度高。表3為4個(gè)模型的預(yù)測(cè)結(jié)果評(píng)估,可知4個(gè)模型的平均DMAPE大小順序?yàn)镸2(b)<M1(b)<M2(a)<M1(a);4個(gè)模型平均RMSE的大小順序?yàn)镸2(b)<M1(b)<M2(a)<M1(a)。從表3中可以發(fā)現(xiàn)M1(b)相對(duì)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(duì)于M2(a)連續(xù)4d的平均DMAPE減小了16%,RMSE減少了36%,說(shuō)明了天氣分類的有效性。盡管M1(b)相對(duì)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(gè)常見的氣象基本要素預(yù)測(cè)光伏發(fā)電量,輸入量較少,對(duì)于太陽(yáng)輻照度預(yù)測(cè)薄弱的地區(qū)而言,模型M1(b)的預(yù)測(cè)方法有很大