光伏發(fā)電系統(tǒng)出力預(yù)測的研究

光伏發(fā)電系統(tǒng)出力預(yù)測的研究

0光伏組合預(yù)測模型大型能源供應(yīng)系統(tǒng)的應(yīng)用有助于緩解傳統(tǒng)能源浪費(fèi)造成的能源短缺，但輸出波動(dòng)的特性對電網(wǎng)有很大影響。因此，預(yù)測并采取適當(dāng)?shù)拇胧﹣泶_定屋頂?shù)呢暙I(xiàn)。目前,針對光伏出力預(yù)測的方法大體上可以分為2種:直接預(yù)測和間接預(yù)測。直接預(yù)測是指通過對輸出功率、天氣等的歷史數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析,直接建立出力預(yù)測模型,不需要對氣象、溫度等外部環(huán)境進(jìn)行預(yù)測。而間接預(yù)測是指對天氣情況或日照強(qiáng)度進(jìn)行預(yù)測,建立天氣變化與日照強(qiáng)度模型,通過這些參數(shù)與光伏發(fā)電量的關(guān)系,計(jì)算得出最后的預(yù)測值。直接預(yù)測和間接預(yù)測都有一定的局限性,例如,直接預(yù)測在未考慮天氣的情況下,對歷史數(shù)據(jù)進(jìn)行統(tǒng)計(jì),建立預(yù)測模型,但是如果天氣指數(shù)變化,則可能導(dǎo)致預(yù)測模型失效。間接預(yù)測方法只對外部環(huán)境進(jìn)行預(yù)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(diǎn),文獻(xiàn)采用改進(jìn)GM(1,1)殘差修正模型對光伏出力理論量和實(shí)際量進(jìn)行預(yù)測,結(jié)果對符合太陽能輻射量峰值特點(diǎn)的預(yù)測日效果較好,反之可能會(huì)導(dǎo)致預(yù)測模型失效。文獻(xiàn)利用灰色理論和馬爾可夫鏈建立了直接預(yù)測模型,并驗(yàn)證了預(yù)測模型的可行性,但精度有待提高。文獻(xiàn)提出了一種加入天氣預(yù)報(bào)信息的神經(jīng)網(wǎng)絡(luò)發(fā)電預(yù)測模型的設(shè)計(jì)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(luò)直接發(fā)電預(yù)測模型。文獻(xiàn)介紹了一種演化神經(jīng)網(wǎng)絡(luò)(EPANN)算法,用來直接預(yù)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(fēng)速、大氣溫度作為輸入端,交流輸出功率作為輸出端。文獻(xiàn)采用前向反饋神經(jīng)網(wǎng)絡(luò)(FFNN)、徑向基神經(jīng)網(wǎng)絡(luò)(RBFNN)和回歸神經(jīng)網(wǎng)絡(luò)(RNN)3種神經(jīng)網(wǎng)絡(luò)算法對輻射強(qiáng)度進(jìn)行預(yù)測。通過分析比對,選擇了RNN對光伏系統(tǒng)進(jìn)行出力間接預(yù)測,結(jié)果證實(shí)了神經(jīng)網(wǎng)絡(luò)預(yù)測方法的有效性。文獻(xiàn)采用多層感知器,利用24h的日平均輻射強(qiáng)度和溫度對輻射強(qiáng)度進(jìn)行預(yù)測。上述文獻(xiàn)所涉及方法和模型都可以對光伏出力進(jìn)行預(yù)測,但預(yù)測精度都有待提高。通常情況下,組合預(yù)測方法要比單獨(dú)使用一種預(yù)測方法精度高,如文獻(xiàn)所介紹的風(fēng)電場風(fēng)速及風(fēng)電機(jī)組功率預(yù)測方法就是基于相似性樣本的多層前饋神經(jīng)網(wǎng)絡(luò),并結(jié)合時(shí)間序列分析與灰色預(yù)測方法對風(fēng)速進(jìn)行預(yù)測,進(jìn)而討論風(fēng)電機(jī)組功率預(yù)測。本文擬建立一種基于灰色神經(jīng)網(wǎng)絡(luò)的組合模型對光伏短期出力進(jìn)行預(yù)測。首先,通過統(tǒng)計(jì)與預(yù)測日相似天氣環(huán)境下整點(diǎn)時(shí)刻的出力,建立各時(shí)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(luò),并利用訓(xùn)練好的模型模擬預(yù)測日的輸出。最后,利用實(shí)際光伏系統(tǒng)的數(shù)據(jù)進(jìn)行方法驗(yàn)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(diǎn),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(gè)恒量,而是一個(gè)隨時(shí)間變化的變量,用光伏陣列進(jìn)行發(fā)電,其輸出功率也隨著太陽光的不同強(qiáng)度而改變。如圖1所示,光伏陣列出力隨著光照強(qiáng)度的波動(dòng)而變化。1.2光伏陣列輸出受云量、風(fēng)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(shí)光伏陣列的出力明顯不同。晴天時(shí)的發(fā)電功率要高于陰天時(shí)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(guān)。1.4光伏陣列功率特性光伏陣列的輸出不僅與光照強(qiáng)度、光伏電池的轉(zhuǎn)換效率有關(guān),而且還與大氣溫度有關(guān),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(qiáng)度;t0為大氣溫度。由式(1)可以看出,大氣溫度的變化會(huì)改變光伏陣列的輸出性能。溫度升高,功率會(huì)有所下降,所以在建立預(yù)測模型時(shí),也應(yīng)考慮大氣溫度的影響。2組合方法預(yù)測本文針對光伏陣列出力的特點(diǎn),提出灰色模型和神經(jīng)網(wǎng)絡(luò)模型組合的方法進(jìn)行預(yù)測。通過合理選取樣本,盡量減小各種因素對預(yù)測模型的干擾。通過灰色模型預(yù)測出力的大致發(fā)展趨勢,然后通過神經(jīng)網(wǎng)絡(luò)模型訓(xùn)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(xué)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(shí)現(xiàn)對現(xiàn)實(shí)世界的確切描述和認(rèn)識。而對于光伏發(fā)電量這個(gè)研究對象,它符合灰色系統(tǒng)理論研究對象的特點(diǎn),所以建立灰色模型對光伏出力進(jìn)行預(yù)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(yàn)光滑性和準(zhǔn)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(jìn)行最小二乘參數(shù)估計(jì),確定模型;(5)還原并求出預(yù)測值。2.2bp神經(jīng)網(wǎng)絡(luò)灰色預(yù)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(jìn)行預(yù)測,但其預(yù)測誤差偏高,而人工神經(jīng)網(wǎng)絡(luò)由于具有強(qiáng)大的學(xué)習(xí)功能,可以逼近任意復(fù)雜的非線性函數(shù),它不用事先假設(shè)數(shù)據(jù)間存在某種函數(shù)關(guān)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(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)。故在此利用所得的模擬值和實(shí)測值通過BP神經(jīng)網(wǎng)絡(luò)建立非線性映射關(guān)系。BP神經(jīng)網(wǎng)絡(luò)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(guān)系如文獻(xiàn)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(shí)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?jǐn)偨o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(quán)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(yù)測對于光伏出力的預(yù)測,可以對光照強(qiáng)度建立灰色模型間接預(yù)測,也可以對光伏陣列出力建立灰色模型直接預(yù)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(fù)雜,所以本文對光伏陣列出力直接建立預(yù)測模型。利用灰色神經(jīng)網(wǎng)絡(luò)組合模型對光伏出力進(jìn)行預(yù)測,要注意灰色和神經(jīng)網(wǎng)絡(luò)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(jìn)行必要的處理,可以大大改善預(yù)測模型的精度?；疑Ｐ偷妮斎脒x用與預(yù)測日相同的同一系統(tǒng)在相似天氣情況下每天同一時(shí)刻的測量值,因?yàn)檫x擇與預(yù)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(shí)刻的出力,其系統(tǒng)轉(zhuǎn)換效率、太陽高度角、光照強(qiáng)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(qiáng)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(shí)刻出力的測量值。從圖中可以看出,每天同一時(shí)刻的出力值基本相似,但是數(shù)值稍有波動(dòng),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(huì)呈現(xiàn)指數(shù)增長的規(guī)律,這時(shí)用指數(shù)函數(shù)進(jìn)行擬合較容易,即利用灰色模型可以模擬出每天各小時(shí)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(shí)段內(nèi)輸出電力。算例的輸入為07:00—18:00時(shí)段內(nèi)相同時(shí)刻的出力實(shí)測值。這里選用4月12—16日各整點(diǎn)時(shí)刻的實(shí)測值,共12組數(shù)據(jù)。經(jīng)過檢驗(yàn),輸入的樣本符合建立灰色模型的條件,即滿足光滑性和準(zhǔn)指數(shù)規(guī)律。建立12個(gè)灰色模型,得到相應(yīng)的擬合方程,通過計(jì)算可以算出預(yù)測日4月17日和樣本各天各時(shí)刻的擬合值。3.2神經(jīng)網(wǎng)絡(luò)模型預(yù)測雖然對于同一系統(tǒng)設(shè)備、同一時(shí)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(shè)備的影響等因素都是非線性的,很難對這些影響進(jìn)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(shí)測值之間的關(guān)系。因?yàn)榛疑Ｐ蛿M合出來的數(shù)據(jù)在一定精度內(nèi)已經(jīng)反映了當(dāng)天的數(shù)值,模擬值與實(shí)測值之間本身就有很高的相關(guān)性,利用這些特點(diǎn)建立的神經(jīng)網(wǎng)絡(luò)模型會(huì)更加可靠,通過這個(gè)模型進(jìn)行預(yù)測,精度也會(huì)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(shí),利用得到的擬合值與實(shí)測值建立訓(xùn)練樣本,從而建立它們之間的非線性映射關(guān)系。繼續(xù)3.1節(jié)的例子,則神經(jīng)網(wǎng)絡(luò)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(diǎn)時(shí)刻的擬合值。另外,為了加強(qiáng)確定性因素,加入當(dāng)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(shí)測值。也就是說,此網(wǎng)絡(luò)的輸入層共14個(gè)輸入,輸出層共12個(gè)輸出,其中隱含層通過經(jīng)驗(yàn)測試選為28個(gè),建立訓(xùn)練網(wǎng)絡(luò)。然后把灰色模型得到的4月17日的預(yù)測值輸入訓(xùn)練好的網(wǎng)絡(luò),得到4月17日的最終預(yù)測值。簡言之,利用灰色神經(jīng)網(wǎng)絡(luò)建立的預(yù)測模型就是用預(yù)測出來的具有一定精度的值來進(jìn)行預(yù)測。4計(jì)算與分析本文編程實(shí)現(xiàn)了光伏發(fā)電短期出力預(yù)測的灰色神經(jīng)網(wǎng)絡(luò)組合模型,并對預(yù)測結(jié)果進(jìn)行了分析。4.13分區(qū)神經(jīng)網(wǎng)絡(luò)構(gòu)建及訓(xùn)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(yīng)序列。通過響應(yīng)序列對4月17日12h的整點(diǎn)出力值進(jìn)行預(yù)測并得到各天各小時(shí)的擬合值。表1為各天07:00—18:00整點(diǎn)時(shí)刻實(shí)測值。2)神經(jīng)網(wǎng)絡(luò)模型。利用4月12—15日各天12h整點(diǎn)時(shí)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(yīng)時(shí)刻的出力值作為輸出,建立并訓(xùn)練網(wǎng)絡(luò)。把4月16日12h的整點(diǎn)出力和4月17日的最高、最低溫度輸入訓(xùn)練好的網(wǎng)絡(luò)中,得到最后預(yù)測結(jié)果。3)組合模型。通過灰色模型得到響應(yīng)序列算出4月12—16日12h整點(diǎn)時(shí)刻的出力值,并利用得到的整點(diǎn)時(shí)刻出力以及確定性因素溫度值作為輸入,而當(dāng)天對應(yīng)時(shí)刻的實(shí)測值作為輸出,建立灰色神經(jīng)網(wǎng)絡(luò)并訓(xùn)練。把利用灰色模型得到的4月17日的預(yù)測值和最高、最低溫度輸入訓(xùn)練好的網(wǎng)絡(luò)中,得到最終預(yù)測結(jié)果。3種模型預(yù)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(jìn)行預(yù)測,預(yù)測的結(jié)果大致能反映出力的變化曲線,但是個(gè)別小時(shí)偏差較大。相比于單純用灰色模型和神經(jīng)網(wǎng)絡(luò)模型,組合模型在相對偏差較大的預(yù)測值上的預(yù)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(gè)別相對偏差較小的預(yù)測值,單獨(dú)使用灰色模型或者神經(jīng)網(wǎng)絡(luò)模型,其預(yù)測結(jié)果可能稍好,但是整體模型的好壞還需更進(jìn)一步的評價(jià),因此本文需要通過均方根誤差ERMSE對模型進(jìn)行評估。式中:為預(yù)測值;P(i)為實(shí)測值;i為預(yù)測序列。通過對3種模型的均方根誤差進(jìn)行計(jì)算,可以得到組合模型的ERMSE為6.3,而神經(jīng)網(wǎng)絡(luò)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(dú)用灰色模型和神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度高。建立灰色模型進(jìn)行預(yù)測,方法較為簡單,但預(yù)測精度不高。采用神經(jīng)網(wǎng)絡(luò)方法進(jìn)行預(yù)測,精度有所提高,但個(gè)別小時(shí)的預(yù)測精度并未有很大的改善。因此,選擇組合模型進(jìn)行光伏出力預(yù)測是可行、高效的。5利用灰色模型預(yù)測出力本文提出的灰色神經(jīng)網(wǎng)絡(luò)組合模型光伏出力預(yù)