光伏發(fā)電系統(tǒng)出力預測的研究

光伏發(fā)電系統(tǒng)出力預測的研究

0光伏組合預測模型大型能源供應系統(tǒng)的應用有助于緩解傳統(tǒng)能源浪費造成的能源短缺，但輸出波動的特性對電網(wǎng)有很大影響。因此，預測并采取適當?shù)拇胧﹣泶_定屋頂?shù)呢暙I。目前,針對光伏出力預測的方法大體上可以分為2種:直接預測和間接預測。直接預測是指通過對輸出功率、天氣等的歷史數(shù)據(jù)進行統(tǒng)計分析,直接建立出力預測模型,不需要對氣象、溫度等外部環(huán)境進行預測。而間接預測是指對天氣情況或日照強度進行預測,建立天氣變化與日照強度模型,通過這些參數(shù)與光伏發(fā)電量的關系,計算得出最后的預測值。直接預測和間接預測都有一定的局限性,例如,直接預測在未考慮天氣的情況下,對歷史數(shù)據(jù)進行統(tǒng)計,建立預測模型,但是如果天氣指數(shù)變化,則可能導致預測模型失效。間接預測方法只對外部環(huán)境進行預測,未考慮系統(tǒng)本身如安裝角度、光伏陣列轉(zhuǎn)換效率等因素對光伏出力的影響。針對光伏陣列出力的特點,文獻采用改進GM(1,1)殘差修正模型對光伏出力理論量和實際量進行預測,結(jié)果對符合太陽能輻射量峰值特點的預測日效果較好,反之可能會導致預測模型失效。文獻利用灰色理論和馬爾可夫鏈建立了直接預測模型,并驗證了預測模型的可行性,但精度有待提高。文獻提出了一種加入天氣預報信息的神經(jīng)網(wǎng)絡發(fā)電預測模型的設計方案,采用光伏陣列的發(fā)電量序列、日類型指數(shù)和氣溫建立了神經(jīng)網(wǎng)絡直接發(fā)電預測模型。文獻介紹了一種演化神經(jīng)網(wǎng)絡(EPANN)算法,用來直接預測與電網(wǎng)并聯(lián)的光伏發(fā)電系統(tǒng)交流輸出功率,太陽輻射、風速、大氣溫度作為輸入端,交流輸出功率作為輸出端。文獻采用前向反饋神經(jīng)網(wǎng)絡(FFNN)、徑向基神經(jīng)網(wǎng)絡(RBFNN)和回歸神經(jīng)網(wǎng)絡(RNN)3種神經(jīng)網(wǎng)絡算法對輻射強度進行預測。通過分析比對,選擇了RNN對光伏系統(tǒng)進行出力間接預測,結(jié)果證實了神經(jīng)網(wǎng)絡預測方法的有效性。文獻采用多層感知器,利用24h的日平均輻射強度和溫度對輻射強度進行預測。上述文獻所涉及方法和模型都可以對光伏出力進行預測,但預測精度都有待提高。通常情況下,組合預測方法要比單獨使用一種預測方法精度高,如文獻所介紹的風電場風速及風電機組功率預測方法就是基于相似性樣本的多層前饋神經(jīng)網(wǎng)絡,并結(jié)合時間序列分析與灰色預測方法對風速進行預測,進而討論風電機組功率預測。本文擬建立一種基于灰色神經(jīng)網(wǎng)絡的組合模型對光伏短期出力進行預測。首先,通過統(tǒng)計與預測日相似天氣環(huán)境下整點時刻的出力,建立各時刻出力的灰色模型。然后,利用輸出結(jié)果與樣本日的溫度建立神經(jīng)網(wǎng)絡,并利用訓練好的模型模擬預測日的輸出。最后,利用實際光伏系統(tǒng)的數(shù)據(jù)進行方法驗證。1光伏發(fā)電系統(tǒng)模型太陽能具有能量密度低、穩(wěn)定性差的弱點,并且受到地理分布、季節(jié)變化、晝夜交替等影響,使光伏發(fā)電系統(tǒng)的輸出具有不連續(xù)性和不確定性。影響光伏陣列短期出力的因素通?？梢詺w結(jié)為以下幾類。1.1光伏陣列發(fā)電系統(tǒng)地球接收到的太陽輻射并不是一個恒量,而是一個隨時間變化的變量,用光伏陣列進行發(fā)電,其輸出功率也隨著太陽光的不同強度而改變。如圖1所示,光伏陣列出力隨著光照強度的波動而變化。1.2光伏陣列輸出受云量、風速、溫度等因素的影響,不同的天氣類型光伏陣列的輸出也不一樣。如圖2所示,晴天和陰天時光伏陣列的出力明顯不同。晴天時的發(fā)電功率要高于陰天時的發(fā)電功率。1.3其他因素光伏電池的效率也能影響光伏系統(tǒng)的出力。不考慮其他因素,電池效率越高,出力越多。太陽能電池的光電轉(zhuǎn)換效率與電池的結(jié)構(gòu)、結(jié)特性、材料性質(zhì)、工作溫度、放射性粒子輻射損傷和環(huán)境變化等有關。1.4光伏陣列功率特性光伏陣列的輸出不僅與光照強度、光伏電池的轉(zhuǎn)換效率有關,而且還與大氣溫度有關,單位面積的光伏陣列輸出功率可以表示為:式中:η為光伏陣列轉(zhuǎn)換效率;S為陣列面積;I為光照強度;t0為大氣溫度。由式(1)可以看出,大氣溫度的變化會改變光伏陣列的輸出性能。溫度升高,功率會有所下降,所以在建立預測模型時,也應考慮大氣溫度的影響。2組合方法預測本文針對光伏陣列出力的特點,提出灰色模型和神經(jīng)網(wǎng)絡模型組合的方法進行預測。通過合理選取樣本,盡量減小各種因素對預測模型的干擾。通過灰色模型預測出力的大致發(fā)展趨勢,然后通過神經(jīng)網(wǎng)絡模型訓練,減小由非線性因素帶來的影響。2.1建立灰色模型1982年,中國學者鄧聚龍教授創(chuàng)立了灰色系統(tǒng)理論,該理論以“部分信息已知,部分信息未知”的“小樣本”“貧信息”不確定性系統(tǒng)為研究對象,通過對“部分”已知信息的生成、開發(fā)實現(xiàn)對現(xiàn)實世界的確切描述和認識。而對于光伏發(fā)電量這個研究對象,它符合灰色系統(tǒng)理論研究對象的特點,所以建立灰色模型對光伏出力進行預測是可行的。根據(jù)光伏短期出力的特征,可以建立灰色模型GM(1,1),基本過程如下:(1)對樣本建立1-AGO序列;(2)檢驗光滑性和準指數(shù)規(guī)律,判斷是否滿足建立條件;(3)建立GM(1,1)模型;(4)進行最小二乘參數(shù)估計,確定模型;(5)還原并求出預測值。2.2bp神經(jīng)網(wǎng)絡灰色預測模型可在“貧信息”情況下對非線性、不確定性系統(tǒng)的數(shù)據(jù)序列進行預測,但其預測誤差偏高,而人工神經(jīng)網(wǎng)絡由于具有強大的學習功能,可以逼近任意復雜的非線性函數(shù),它不用事先假設數(shù)據(jù)間存在某種函數(shù)關系,信息利用率較高。采用BP算法的多層感知器是至今為止應用最為廣泛的神經(jīng)網(wǎng)絡。故在此利用所得的模擬值和實測值通過BP神經(jīng)網(wǎng)絡建立非線性映射關系。BP神經(jīng)網(wǎng)絡主要包括3層,分別為輸入層、隱含層、輸出層,各層的函數(shù)關系如文獻所述,這里不贅述。本文所采用的變換函數(shù)均為單極性Sigmoid函數(shù):BP算法的基本過程是輸入樣本從輸入層傳入,經(jīng)各隱含層逐層處理后,傳向輸出層。若輸出層的實際輸出與期望輸出不符,則將輸出誤差通過隱含層向輸入層逐層反傳,并將誤差分攤給各層的所有單元,從而獲得各層單元的誤差信號,此誤差信號即作為修正各單元權值的依據(jù)。對于輸入量來說,其各數(shù)據(jù)的量綱并不完全相同,因此需要通過尺度變換使其值限制在內(nèi)。本文采用的尺度變換方法為歸一化法:式中:xi為輸入或輸出數(shù)據(jù);xmin和xmax分別為數(shù)據(jù)變化范圍的最小值和最大值。3豐富灰色模型直接預測對于光伏出力的預測,可以對光照強度建立灰色模型間接預測,也可以對光伏陣列出力建立灰色模型直接預測。采用間接方法所用數(shù)據(jù)較多,且涉及天氣數(shù)值,建模比較復雜,所以本文對光伏陣列出力直接建立預測模型。利用灰色神經(jīng)網(wǎng)絡組合模型對光伏出力進行預測,要注意灰色和神經(jīng)網(wǎng)絡這2種模型的輸入樣本和結(jié)構(gòu)選擇。3.1光伏發(fā)電系統(tǒng)出力一致性分析模型的建立大多需要大量歷史數(shù)據(jù),但灰色系統(tǒng)理論在建模過程中利用較少的數(shù)據(jù)就能得到一定精度內(nèi)的模擬數(shù)據(jù)。采用灰色理論的思想對原始數(shù)據(jù)進行必要的處理,可以大大改善預測模型的精度?；疑Ｐ偷妮斎脒x用與預測日相同的同一系統(tǒng)在相似天氣情況下每天同一時刻的測量值,因為選擇與預測日日類型相似的數(shù)據(jù),可以保持天氣情況對出力影響的一致性。另外,對于短期內(nèi)同一系統(tǒng)每天同一時刻的出力,其系統(tǒng)轉(zhuǎn)換效率、太陽高度角、光照強度等影響因素都較為接近,所以可以盡量減弱輸入的不確定性,增強數(shù)值的規(guī)律性。圖3為某一光伏電站在4月12—17日期間晴天條件下某一相同時刻出力的測量值。從圖中可以看出,每天同一時刻的出力值基本相似,但是數(shù)值稍有波動,若想找到一條簡單的曲線來逼近它非常困難。如果將數(shù)據(jù)經(jīng)過1-AGO累加變換,數(shù)值會呈現(xiàn)指數(shù)增長的規(guī)律,這時用指數(shù)函數(shù)進行擬合較容易,即利用灰色模型可以模擬出每天各小時光伏出力的大致曲線。光伏發(fā)電系統(tǒng)主要在07:00—18:00時段內(nèi)輸出電力。算例的輸入為07:00—18:00時段內(nèi)相同時刻的出力實測值。這里選用4月12—16日各整點時刻的實測值,共12組數(shù)據(jù)。經(jīng)過檢驗,輸入的樣本符合建立灰色模型的條件,即滿足光滑性和準指數(shù)規(guī)律。建立12個灰色模型,得到相應的擬合方程,通過計算可以算出預測日4月17日和樣本各天各時刻的擬合值。3.2神經(jīng)網(wǎng)絡模型預測雖然對于同一系統(tǒng)設備、同一時刻、同一種天氣類型,光伏系統(tǒng)的出力值較為接近,但是天氣變化、溫度、設備的影響等因素都是非線性的,很難對這些影響進行精確掌握。因而,本文不考慮這些問題,僅考慮灰色模型模擬出來的擬合值與實測值之間的關系。因為灰色模型擬合出來的數(shù)據(jù)在一定精度內(nèi)已經(jīng)反映了當天的數(shù)值,模擬值與實測值之間本身就有很高的相關性,利用這些特點建立的神經(jīng)網(wǎng)絡模型會更加可靠,通過這個模型進行預測,精度也會有所提高。3.1節(jié)已經(jīng)通過灰色模型模擬出光伏出力變化的大致曲線,此時,利用得到的擬合值與實測值建立訓練樣本,從而建立它們之間的非線性映射關系。繼續(xù)3.1節(jié)的例子,則神經(jīng)網(wǎng)絡模型的樣本輸入為灰色模型擬合出來的4月12—16日每天12h整點時刻的擬合值。另外,為了加強確定性因素,加入當天氣溫最高值和最低值作為輸入,而樣本的期望值分別為每天12h的實測值。也就是說,此網(wǎng)絡的輸入層共14個輸入,輸出層共12個輸出,其中隱含層通過經(jīng)驗測試選為28個,建立訓練網(wǎng)絡。然后把灰色模型得到的4月17日的預測值輸入訓練好的網(wǎng)絡,得到4月17日的最終預測值。簡言之,利用灰色神經(jīng)網(wǎng)絡建立的預測模型就是用預測出來的具有一定精度的值來進行預測。4計算與分析本文編程實現(xiàn)了光伏發(fā)電短期出力預測的灰色神經(jīng)網(wǎng)絡組合模型,并對預測結(jié)果進行了分析。4.13分區(qū)神經(jīng)網(wǎng)絡構(gòu)建及訓練1)灰色模型。利用4月12—16日各天12h的出力值作為輸入樣本,建立灰色模型,擬合出力的大致變化曲線得到響應序列。通過響應序列對4月17日12h的整點出力值進行預測并得到各天各小時的擬合值。表1為各天07:00—18:00整點時刻實測值。2)神經(jīng)網(wǎng)絡模型。利用4月12—15日各天12h整點時刻出力值和隔天最低、最高溫度作為輸入,相同天氣類型的樣本次日對應時刻的出力值作為輸出,建立并訓練網(wǎng)絡。把4月16日12h的整點出力和4月17日的最高、最低溫度輸入訓練好的網(wǎng)絡中,得到最后預測結(jié)果。3)組合模型。通過灰色模型得到響應序列算出4月12—16日12h整點時刻的出力值,并利用得到的整點時刻出力以及確定性因素溫度值作為輸入,而當天對應時刻的實測值作為輸出,建立灰色神經(jīng)網(wǎng)絡并訓練。把利用灰色模型得到的4月17日的預測值和最高、最低溫度輸入訓練好的網(wǎng)絡中,得到最終預測結(jié)果。3種模型預測結(jié)果如表2所示。從表2可以看出,3種模型都可以對光伏出力進行預測,預測的結(jié)果大致能反映出力的變化曲線,但是個別小時偏差較大。相比于單純用灰色模型和神經(jīng)網(wǎng)絡模型,組合模型在相對偏差較大的預測值上的預測誤差有較大幅度的減少。4.23過均方根誤差從表2可以看出,對于個別相對偏差較小的預測值,單獨使用灰色模型或者神經(jīng)網(wǎng)絡模型,其預測結(jié)果可能稍好,但是整體模型的好壞還需更進一步的評價,因此本文需要通過均方根誤差ERMSE對模型進行評估。式中:為預測值;P(i)為實測值;i為預測序列。通過對3種模型的均方根誤差進行計算,可以得到組合模型的ERMSE為6.3,而神經(jīng)網(wǎng)絡和灰色模型的ERMSE分別為8.48和12.58。也就是說,組合模型比單獨用灰色模型和神經(jīng)網(wǎng)絡模型的預測精度高。建立灰色模型進行預測,方法較為簡單,但預測精度不高。采用神經(jīng)網(wǎng)絡方法進行預測,精度有所提高,但個別小時的預測精度并未有很大的改善。因此,選擇組合模型進行光伏出力預測是可行、高效的。5利用灰色模型預測出力本文提出的灰色神經(jīng)網(wǎng)絡組合模型光伏出力預