基于相似時段的分時段光伏出力短期預(yù)測

李建文，焦 衡，劉鳳梧，王雪瑩

(華北電力大學(xué) 新能源電力系統(tǒng)國家重點實驗室，河北 保定 071003)

0 引言

近年來，隨著能源危機(jī)和環(huán)境污染的加劇，可再生能源的使用得到了更多的重視，光伏發(fā)電已經(jīng)成為繼風(fēng)力發(fā)電之后可再生能源發(fā)電的新增長點，據(jù)統(tǒng)計，2000—2008年全球光伏發(fā)電并網(wǎng)容量年增長率達(dá)到35.6 %[1]。2010年我國光伏發(fā)電量約為10 GW，2011年我國成為世界第四大光伏市場，在緩解能源危機(jī)和降低環(huán)境污染的同時，光伏并網(wǎng)發(fā)電系統(tǒng)出力的不穩(wěn)定性會造成電網(wǎng)電壓波動或電網(wǎng)電壓越限等不利影響[2]。因此，光伏出力的精確預(yù)測對維護(hù)電網(wǎng)電壓穩(wěn)定性具有很重要的意義[3]。

每年各國學(xué)者都會提出光伏預(yù)測新技術(shù)和方法以減少預(yù)測中的不確定性[4]。光伏電站很大程度上受到氣象因素的影響，且不同時間氣象因素相近時光伏出力具有相似性，文獻(xiàn)[5-7]提出了通過氣象條件預(yù)測相似時段或相似日作為模型訓(xùn)練樣本的方法，對光伏出力進(jìn)行直接預(yù)測，相較于普通訓(xùn)練樣本訓(xùn)練出的模型，其精確度較高，但要求大量完整歷史氣象數(shù)據(jù)。對于新建電站歷史數(shù)據(jù)缺少的情況，文獻(xiàn)[8]提出利用相似電站修補(bǔ)風(fēng)電場歷史出力數(shù)據(jù)的方法。文獻(xiàn)[9]提出了一種適用于小樣本的利用改進(jìn)雙層神經(jīng)網(wǎng)絡(luò)進(jìn)行單步光伏短期預(yù)測的方法。神經(jīng)網(wǎng)絡(luò)由于其較強(qiáng)的非線性學(xué)習(xí)能力被廣泛應(yīng)用于光伏功率預(yù)測，文獻(xiàn)[10-13]利用歷史數(shù)據(jù)建立神經(jīng)網(wǎng)絡(luò)模型對光伏出力進(jìn)行預(yù)測，其中文獻(xiàn)[13]提出了天氣類型指數(shù)的概念，將光伏出力的倍率關(guān)系映射為表征天氣狀況對光伏出力影響的天氣類型指數(shù)，僅利用歷史出力數(shù)據(jù)建立神經(jīng)網(wǎng)絡(luò)模型，對歷史數(shù)據(jù)要求降低。但以上神經(jīng)網(wǎng)絡(luò)模型均為整點出力模型，整點預(yù)測不能完整反映出力波動。文獻(xiàn)[14]提出了一種通過近鄰傳播算法對光伏出力進(jìn)行分類的方法，根據(jù)待預(yù)測日所屬類別對光伏出力進(jìn)行預(yù)測，但該方法較為復(fù)雜。近年來，多數(shù)文獻(xiàn)采用混合預(yù)測方法，文獻(xiàn)[15]將人工神經(jīng)網(wǎng)絡(luò)模型和物理方法結(jié)合，文獻(xiàn)[16]則在預(yù)測的不同階段使用了自組織映射(SOM)和支持向量回歸(SVR)等方法，這種方法也較為復(fù)雜。

本文針對新建光伏電站可提供完整氣象數(shù)據(jù)但樣本容量較小的問題，提出一種相似時段篩選和分時段神經(jīng)網(wǎng)絡(luò)相結(jié)合的綜合預(yù)測方法。利用同一區(qū)域相似電站歷史出力數(shù)據(jù)擴(kuò)充數(shù)據(jù)樣本，在天氣變化平穩(wěn)時段，將通過氣象數(shù)據(jù)預(yù)測出的相似時段出力作為該時段預(yù)測值；在天氣出現(xiàn)較大波動的時段，選取分時段神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果。綜合預(yù)測方法可在缺少歷史氣象數(shù)據(jù)的情況下適用于多種天氣類型，且預(yù)測精確度更高，預(yù)測過程更為簡練。

1 相似時段篩選

對于某光伏電站而言，其系統(tǒng)效率、光伏電池陣列排列等都是固定的，實際光伏出力主要受到太陽輻照、溫度等氣象因素影響。對于同一電站不同日的相同時刻，氣象因素相近的情況下其光伏出力具有很大的相似性。在具有足夠的歷史氣象數(shù)據(jù)的情況下，部分研究采取相似時段篩選法來預(yù)測光伏出力。文獻(xiàn)[5]介紹了一種利用歐氏距離作為判據(jù)判斷相似時段的方法，按照該方法將天氣類型分別為晴天、多云、陰天的待預(yù)測日進(jìn)行了預(yù)測，結(jié)果如圖1所示。

圖1 不同天氣類型的預(yù)測結(jié)果Fig.1 Forecasting results for different weather types

從圖1中可以看出，在天氣變化平穩(wěn)時，相似時段出力值可以很大程度趨近實際出力值，預(yù)測效果較好。

文獻(xiàn)[5-7]中提出的利用相似時段或相似日樣本訓(xùn)練預(yù)測模型的方法，均需要大量完整歷史氣象數(shù)據(jù)及出力數(shù)據(jù)，而對于新建的光伏電站，因建立時間短，樣本數(shù)目較少，本文所采集的歷史樣本容量僅為2個月。圖2顯示在極端天氣下，對光伏出力的預(yù)測精度大幅降低，由于樣本數(shù)目較少，訓(xùn)練模型相似度很差，因此無法對波動的光伏出力進(jìn)行有效的預(yù)測。

圖2 2016年10月25日相似時段預(yù)測結(jié)果Fig.2 Forecasting results of similar period on Oct. 25，2016

2 分時段神經(jīng)網(wǎng)絡(luò)法

2.1 樣本擴(kuò)充

由于在同一區(qū)域內(nèi)間隔較近的光伏電站往往具有相近的氣象因素，容量、效率等相似的光伏設(shè)備出力具有很大程度的相似性。因此，當(dāng)新建光伏電站歷史數(shù)據(jù)缺少時，可以利用相似光伏電站的歷史數(shù)據(jù)對其進(jìn)行擴(kuò)充[17]，但完整的歷史氣象數(shù)據(jù)對氣象采集設(shè)備要求較高，而早年的光伏電站無法提供。本文利用文獻(xiàn)[17]的思路，以時間序列的功率相關(guān)系數(shù)大于閾值0.8的光伏電站作為“相似電站”，以采集到的近2年“相似光伏電站”的歷史光伏出力數(shù)據(jù)為樣本，為下文天氣類型指數(shù)的樣本空間。

2.2 天氣類型指數(shù)

在缺少氣象數(shù)據(jù)的情況下，天氣類型可由光伏出力間接反映,因此本文將不同天氣平均發(fā)電功率之間的倍率關(guān)系映射為表征天氣特性對光伏出力影響的天氣類型指數(shù)，這樣就可以將模糊的天氣概念轉(zhuǎn)變?yōu)榫唧w的數(shù)值加入后續(xù)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本中[13]。

本文所述方法是光伏出力短期預(yù)測，因此天氣類型指數(shù)反映的是不同天氣狀況下各個時段的光伏出力比較。通過歷史天氣記錄數(shù)據(jù)對2014年與2015年光伏出力數(shù)據(jù)按照4種典型天氣類型進(jìn)行分類統(tǒng)計，其中晴天262天，多云301天，陰天103天，雨天64天。以小時為單位時段的功率波動范圍作為天氣類型指數(shù)的波動范圍。為直觀反映出力比，將所得數(shù)據(jù)進(jìn)行歸一化處理，所得天氣類型指數(shù)如表1所示。

表1 不同時段的天氣類型指數(shù)Table 1 Index of weather types for different periods

注：統(tǒng)計的天氣類型指數(shù)波動范圍涵蓋了統(tǒng)計2年光伏出力的80%的數(shù)據(jù)。

2.3 分時段神經(jīng)網(wǎng)絡(luò)預(yù)測模型

由于神經(jīng)網(wǎng)絡(luò)可以通過復(fù)雜非線性關(guān)系的擬合學(xué)習(xí)輸入和輸出之間的映射關(guān)系，且具有較強(qiáng)的泛化能力，因此在僅擁有大量歷史出力數(shù)據(jù)的情況下，部分文獻(xiàn)利用歷史出力數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型對光伏出力進(jìn)行直接預(yù)測，如圖3所示。

圖3 整點和15 min間隔點光伏出力對比Fig.3 Comparison of PV output between integral points and 15 min interval points

大部分神經(jīng)網(wǎng)絡(luò)模型都以整點出力作為輸入輸出，雖然能較為精確地預(yù)測出整點光伏出力情況，但整點出力不能反映一天內(nèi)光伏出力的完整波動，這樣的采樣數(shù)據(jù)訓(xùn)練出的神經(jīng)網(wǎng)絡(luò)模型不能預(yù)測光伏出力波動。

針對上述問題，本文提出了一種基于天氣類型指數(shù)的分時段神經(jīng)網(wǎng)絡(luò)預(yù)測模型，選擇歷史數(shù)據(jù)中天氣類型相同的光伏出力數(shù)據(jù)作為訓(xùn)練樣本，以1 h為單位建立分段神經(jīng)網(wǎng)絡(luò)模型，利用15 min為間隔的歷史光伏出力數(shù)據(jù)采樣值和由2.2節(jié)所述方法得出的天氣類型指數(shù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型。因此，每個時段都可得到一個對應(yīng)的神經(jīng)網(wǎng)絡(luò)模型。根據(jù)天氣類型指數(shù)區(qū)分相同天氣類型的不同時段數(shù)據(jù)，來訓(xùn)練待預(yù)測時間段的光伏出力。本文選取三層神經(jīng)網(wǎng)絡(luò)預(yù)測模型，輸入層節(jié)點數(shù)為6，輸出層節(jié)點數(shù)為4，隱含層節(jié)點數(shù)n按經(jīng)驗公式(1)給出，神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置為：最大迭代次數(shù)為20，目標(biāo)值為0.000 01。所建立的模型結(jié)構(gòu)如圖4所示。

(1)

其中，n1為輸入層節(jié)點數(shù)；n2為輸出層節(jié)點數(shù)；a為[1,10]之間的常數(shù)。

圖4 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.4 Structure of BP neural network

圖4中，wih和whj分別為隱含層節(jié)點與輸入層和輸出層節(jié)點之間的連接權(quán)值，輸入、輸出各節(jié)點所代表的含義如表2所示。

表2 輸入輸出節(jié)點含義Table 2 Meanings of input and output nodes

在表2中，依據(jù)歷史天氣信息(最高、最低、平均溫度)的相關(guān)程度來判斷的“相似日”的近相似時段，是對應(yīng)待預(yù)測日待測時段的相似日對應(yīng)時段。x1—x4即為近相似時段的4個光伏出力數(shù)據(jù)；x5為相似日近相似時段的天氣類型指數(shù)，在訓(xùn)練中或是預(yù)測時，相似日出力情況均為已知，所以x5可直接由歷史光伏出力數(shù)據(jù)計算得出；x6訓(xùn)練時為另一個相似日相似時段的天氣類型指數(shù)，預(yù)測時為待測日待測時段的天氣類型指數(shù)，但預(yù)測日光伏出力情況未知，因此x6無法直接由表1計算直接得出。根據(jù)文獻(xiàn)[6]取與光伏出力相關(guān)系數(shù)絕對值超過0.2的變量(時刻、相對濕度、溫度、地表輻照度變化率、地表熱輻射變化率、光伏組件節(jié)點輻照度)作為預(yù)測天氣類型指數(shù)的變量，根據(jù)相關(guān)系數(shù)計算出光伏出力，歸一化光伏出力得出待測日各時段的天氣類型指數(shù)。

預(yù)測過程中，將待預(yù)測日的出力時間同樣以1 h為單位分段，根據(jù)待預(yù)測日天氣預(yù)報，計算待預(yù)測各時段天氣類型指數(shù)，并找到相似日近相似時段的天氣類型指數(shù)，按附錄中圖A1所示流程輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型，最后按時間順序整合為完整的光伏出力序列。

圖5 分時段神經(jīng)網(wǎng)絡(luò)和相似時段結(jié)果對比Fig.5 Comparison of results between piecewise neural networks and similar period

由上述分析可知，在光伏出力波動較小時，上述2種方法都可達(dá)到較好的預(yù)測結(jié)果，但分時段神經(jīng)網(wǎng)絡(luò)預(yù)測方法由多個分時段神經(jīng)網(wǎng)絡(luò)模型組合而成，預(yù)測過程較為復(fù)雜繁瑣。

3 分時段綜合預(yù)測法

對具備氣象采集設(shè)備的新建光伏電站進(jìn)行出力預(yù)測時，對比分析前2節(jié)中提出的方法可以看出，當(dāng)光伏出力無較大波動時可直接將其相似時段出力作為預(yù)測結(jié)果，精確度較高且過程簡練。當(dāng)天氣狀況較為復(fù)雜導(dǎo)致光伏出力波動較大時，由于缺少足夠的相似樣本，由相似時段篩選的預(yù)測精確度較低，效果很差。利用相似電站的歷史出力數(shù)據(jù)可以對新建電站的數(shù)據(jù)進(jìn)行擴(kuò)充，通過大量歷史出力數(shù)據(jù)建立的分時段神經(jīng)網(wǎng)絡(luò)模型可以對出力的波動趨勢進(jìn)行較為精確的預(yù)測。綜上，本文提出一種相似時段篩選和分時段神經(jīng)網(wǎng)絡(luò)模型的光伏出力綜合預(yù)測方法。

3.1 方法選擇判據(jù)

分時段綜合預(yù)測法，首先要判斷在該時段內(nèi)使用哪種預(yù)測方法進(jìn)行光伏出力預(yù)測。

本文所述分時段綜合預(yù)測法針對不同氣象因素進(jìn)行訓(xùn)練，因此對于具體某一待預(yù)測時段，可以依據(jù)實時天氣預(yù)報數(shù)據(jù)得到未來時段的天氣狀況進(jìn)行判斷。顯然直接根據(jù)天氣預(yù)報來判斷使用哪種預(yù)測方法在工程中更為簡單實用。

3.2 分時段選擇預(yù)測方法

分時段綜合預(yù)測法組合相似時段篩選和神經(jīng)網(wǎng)絡(luò)2種預(yù)測方法。利用3.1節(jié)中所述判據(jù)判斷待預(yù)測時段應(yīng)采用哪一種預(yù)測方法，對待預(yù)測日進(jìn)行分時段預(yù)測，最后將各時段結(jié)果按照時間順序排列為完整的出力序列，該方法具體流程如圖6所示。

圖6 綜合預(yù)測方法流程圖Fig.6 Flowchart of comprehensive forecasting method

3.3 預(yù)測結(jié)果對比及誤差分析

為驗證本文所述分時段綜合預(yù)測法能夠在不同氣象條件下有效預(yù)測光伏出力，本文給出在多種氣象條件下分時段綜合預(yù)測法和相似時段篩選預(yù)測方法的對比。

根據(jù)光伏出力預(yù)測對比圖，并結(jié)合均方根差與最大標(biāo)準(zhǔn)差2個誤差指標(biāo)可對2種預(yù)測方法進(jìn)行誤差評定，計算公式如式(2)、(3)所示。

(2)

Eae=|zpro,i-zrea,i|

(3)

其中，N為1 h內(nèi)對光伏出力的預(yù)測次數(shù)；zpro,i為預(yù)測值；zrea,i為真值。

當(dāng)光伏出力波動較小時，相似時段的出力很大程度趨近待預(yù)測日的實際出力，晴天采用相似時段出力預(yù)測結(jié)果對比圖如圖7所示。

圖7 10月11日預(yù)測結(jié)果對比圖Fig.7 Comparison of forecasting results on Oct. 11

從圖7中可以看出，采用相似時段篩選法已達(dá)到較好的預(yù)測結(jié)果，而且相較于分時段綜合預(yù)測法更為簡便。由表3預(yù)測誤差分析可知，分時段綜合預(yù)測法誤差較小一些。

表3 相似時段和綜合預(yù)測方法預(yù)測誤差分析Table 3 Predictive error analysis between similar period and comprehensive forecasting method kW

附錄中圖A2為2種預(yù)測方法對2016年10月4日(陰天)、14日(多云)和15日(雨天)3個待預(yù)測日預(yù)測結(jié)果的對比。

圖A2(a)為陰天狀況下預(yù)測結(jié)果對比圖，進(jìn)一步說明了在天氣情況波動較小時，采用相似時段篩選法能夠得到很好的預(yù)測結(jié)果。由圖A2(b)和圖A2(c)的預(yù)測結(jié)果可知，天氣情況波動較大時，采用分時段綜合預(yù)測法可以有效預(yù)測光伏出力的波動情況。同時根據(jù)表A1預(yù)測誤差分析可知，10月14日與15日相較于10月4日天氣情況波動較大時，分時段綜合預(yù)測法能夠有效減小預(yù)測誤差。

圖8為2種預(yù)測方法對2016年9月9日(晴轉(zhuǎn)多云)光伏出力預(yù)測結(jié)果的對比。

圖8 9月9日預(yù)測結(jié)果對比圖Fig.8 Comparison of forecasting results on Sept. 9

由圖8可以看出，在天氣情況較為復(fù)雜時，相較于相似時段篩選法，采用分時段綜合預(yù)測法在預(yù)測精度上得到很大程度的提高且預(yù)測過程簡練。根據(jù)表4可知，采用分時段綜合預(yù)測法可以有效減小預(yù)測誤差。

表4 9月9日預(yù)測方法預(yù)測誤差分析Table 4 Predictive error analysis on Sept. 9 kW

綜上可知，不同天氣類型下，分時段綜合預(yù)測法與實際出力均更為接近，且對波動天氣預(yù)測誤差較小，但在一些極端天氣下仍會存在較大誤差，主要原因為本文所采集的訓(xùn)練樣本容量仍然較少，訓(xùn)練模型仍不夠精確。

4 結(jié)論

針對新建電站只擁有少量歷史氣象數(shù)據(jù)的情況，本文提出了一種分時段使用相似時段篩選法和神經(jīng)網(wǎng)絡(luò)預(yù)測法的綜合預(yù)測法，可以彌補(bǔ)2種方法的不足，適用于小樣本和多種天氣類型下出力的預(yù)測，對光伏出力的波動可以做出較準(zhǔn)確的預(yù)測且過程簡練，當(dāng)樣本容量增加時，該方法的預(yù)測精度可以得到進(jìn)一步的提高。3種方法優(yōu)缺點如下。

a. 平穩(wěn)天氣下，相似時段光伏出力差異不大，可直接將相似時段出力作為預(yù)測結(jié)果，過程簡練且精確度較高。但對天氣波動較大的時段，相似樣本的缺乏會導(dǎo)致相似時段篩選法預(yù)測結(jié)果較差。

b. 分時段神經(jīng)網(wǎng)絡(luò)法僅利用歷史出力數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，選取相似電站歷史數(shù)據(jù)擴(kuò)充樣本容量，提高了模型精確度。該方法由多個分時段神經(jīng)網(wǎng)絡(luò)模型組合而成，在光伏出力的波動較大時有很好的預(yù)測效果。

c. 分時段綜合預(yù)測法相較于相似時段篩選法能夠有效預(yù)測光伏出力的波動趨勢，但對于光伏出力的波動幅度變化大小的預(yù)測精度還有待進(jìn)一步提升。

附錄見本刊網(wǎng)絡(luò)版(http:∥www.epae.cn)。