新能源功率預(yù)測(cè)算法優(yōu)化研究

史潔，劉曉飛

?

新能源功率預(yù)測(cè)算法優(yōu)化研究

史潔1，劉曉飛2

（1．濟(jì)南大學(xué)物理科學(xué)與技術(shù)學(xué)院，山東省 濟(jì)南市 250022； 2．濟(jì)南市城市規(guī)劃咨詢服務(wù)中心，山東省 濟(jì)南市 250099）

以風(fēng)能和太陽(yáng)能為代表的新能源具有隨機(jī)性、間歇性和波動(dòng)性，對(duì)新能源發(fā)電功率進(jìn)行預(yù)測(cè)是有效解決以上問(wèn)題的途徑。在確定性預(yù)測(cè)中充分考慮風(fēng)電出力和預(yù)測(cè)模型特性，提出分段支持向量機(jī)(piecewise support vector machine，PSVM)和神經(jīng)網(wǎng)絡(luò)(neural network，NN)預(yù)測(cè)算法；充分考慮天氣特征對(duì)光伏出力的影響，提出基于氣象特性分析的光伏出力預(yù)測(cè)算法。通過(guò)若干風(fēng)電場(chǎng)的算例分析，證明了上述幾種預(yù)測(cè)模型的實(shí)用性，為功率預(yù)測(cè)的可靠性分析提供支持。

風(fēng)電；光伏；功率預(yù)測(cè)；支持向量機(jī)；神經(jīng)網(wǎng)絡(luò)；小波分析

0 引言

以風(fēng)電、光伏為代表的新能源以其零排放、無(wú)污染的特點(diǎn)發(fā)展迅速，逐漸替代常規(guī)能源。然而，風(fēng)能和太陽(yáng)能具有的間歇性和波動(dòng)性影響高效而安全地并網(wǎng)。對(duì)發(fā)電功率進(jìn)行短期或長(zhǎng)期預(yù)測(cè)是解決該問(wèn)題的主要途徑。對(duì)于并網(wǎng)的新能源電站，要求必須配備功率預(yù)測(cè)系統(tǒng)，預(yù)測(cè)精度需滿足一定要求[1]。

高精度的功率預(yù)測(cè)對(duì)新能源發(fā)電企業(yè)的發(fā)展具有重要意義[2-3]。提高功率預(yù)測(cè)的精確度有助于提高新能源發(fā)電在電力交易市場(chǎng)中的競(jìng)爭(zhēng)力。

若按照時(shí)間尺度，新能源發(fā)電功率預(yù)測(cè)可分為長(zhǎng)期預(yù)測(cè)(預(yù)測(cè)次年)、中期預(yù)測(cè)(預(yù)測(cè)未來(lái)幾周或幾月)、短期預(yù)測(cè)(預(yù)測(cè)未來(lái)2天或3天)和超短期預(yù)測(cè)(預(yù)測(cè)未來(lái)若干分鐘，常用15min)[4-5]。本文重點(diǎn)闡述短期及超短期統(tǒng)計(jì)模型在新能源發(fā)電功率預(yù)測(cè)上的應(yīng)用。

1 風(fēng)電功率預(yù)測(cè)算法及優(yōu)化

1.1 基于數(shù)值氣象預(yù)報(bào)的短期功率預(yù)測(cè)

1.1.1 分段支持向量機(jī)短期功率預(yù)測(cè)算法

如圖1所示，風(fēng)電功率預(yù)測(cè)過(guò)程包含數(shù)據(jù)輸入、模型訓(xùn)練、功率預(yù)測(cè)和數(shù)據(jù)輸出。在輸入階段，分別利用數(shù)據(jù)樣本(預(yù)測(cè)時(shí)間尺度上風(fēng)速的數(shù)值氣象預(yù)報(bào)值、預(yù)測(cè)時(shí)間尺度上風(fēng)向的數(shù)值氣象預(yù)報(bào)值、風(fēng)速和風(fēng)向的實(shí)際測(cè)量值及風(fēng)電場(chǎng)功率的實(shí)際測(cè)量值)建立模型輸入樣本。在分析了風(fēng)速和功率變化關(guān)系后，建立基于支持向量機(jī)的風(fēng)電功率預(yù)測(cè)模型。在功率輸出階段，輸出預(yù)測(cè)時(shí)間尺度下的風(fēng)電功率。

圖1 風(fēng)電場(chǎng)短期功率預(yù)測(cè)

按照風(fēng)機(jī)的功率曲線，風(fēng)電機(jī)組的功率隨著風(fēng)速的增加，以機(jī)組的額定風(fēng)速附近為界，呈現(xiàn)出2種不同趨勢(shì)。所以，根據(jù)不同的變化規(guī)律，提出利用2個(gè)相對(duì)獨(dú)立的預(yù)測(cè)模型完成預(yù)測(cè)。模型A適用于實(shí)測(cè)風(fēng)速大于風(fēng)電機(jī)組額定風(fēng)速時(shí)；模型B適用于小于額定風(fēng)速的情況。在預(yù)測(cè)開始時(shí)，首先對(duì)相鄰時(shí)刻風(fēng)速的實(shí)測(cè)值做判斷，確定其所在的風(fēng)速區(qū)間(大于或者小于額定風(fēng)速)，根據(jù)風(fēng)速區(qū)間選擇適合的分段模型，然后按照不同的預(yù)測(cè)模型輸出預(yù)測(cè)功率。表1顯示某算例風(fēng)電場(chǎng)一年內(nèi)預(yù)測(cè)未來(lái)15min的誤差和計(jì)算時(shí)長(zhǎng)。從表１可以看出，分段支持向量機(jī)(piecewise support vector machine，PSVM)的預(yù)測(cè)效果和時(shí)長(zhǎng)均較最小二乘支持向量機(jī)模型(least square support vector machine，LSSVM)有提高。

表1 2種模型預(yù)測(cè)誤差及計(jì)算時(shí)長(zhǎng)統(tǒng)計(jì)表

支持向量機(jī)在全局尋優(yōu)和運(yùn)算速度上有較大優(yōu)勢(shì)[6]，但其核函數(shù)的參數(shù)在選擇時(shí)尚沒有較合理的方法。如果在支持向量機(jī)中應(yīng)用其他自動(dòng)尋參的算法，則對(duì)運(yùn)算速度與預(yù)測(cè)精度的提高方面均具有很大的作用。為此，提出基于支持向量機(jī)預(yù)測(cè)模型優(yōu)化算法[7]。

1.1.2 人工神經(jīng)網(wǎng)絡(luò)短期功率預(yù)測(cè)算法

前饋神經(jīng)網(wǎng)絡(luò)是應(yīng)用較廣泛的神經(jīng)網(wǎng)絡(luò)，具有代表性的是誤差反向傳播(back propagation，BP)神經(jīng)網(wǎng)絡(luò)和徑向基核函數(shù)(radial basis function，RBF)神經(jīng)網(wǎng)絡(luò)。

分別建立基于BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測(cè)模型，以算例風(fēng)電場(chǎng)I(WF1)中某一時(shí)間段的歷史實(shí)測(cè)數(shù)據(jù)為模型輸入樣本。取2010年1月的前20天作為訓(xùn)練樣本，后10天的數(shù)據(jù)(風(fēng)速、風(fēng)向和歷史出力值)作為測(cè)試樣本，構(gòu)造預(yù)測(cè)模型，預(yù)測(cè)時(shí)間尺度為15 min的功率。圖2所示為算例風(fēng)電場(chǎng)I提前15 min的風(fēng)電功率預(yù)測(cè)結(jié)果及誤差分析。其中黑色表示風(fēng)電場(chǎng)實(shí)際出力值，藍(lán)色代表用BP神經(jīng)網(wǎng)絡(luò)做模型預(yù)測(cè)時(shí)同時(shí)期的預(yù)測(cè)值，紅色代表用RBF神經(jīng)網(wǎng)絡(luò)建模的預(yù)測(cè)值。可以看出，2種預(yù)測(cè)算法得出的功率均與相同時(shí)刻下風(fēng)電場(chǎng)的歷史實(shí)測(cè)值變化規(guī)律相同，但RBF模型與實(shí)測(cè)值差別較小，尤其在峰值和谷值處。由此可見，RBF神經(jīng)網(wǎng)絡(luò)模型比BF模型在預(yù)測(cè)超短期風(fēng)電功率方面具有優(yōu)勢(shì)。

圖2 算例風(fēng)電場(chǎng)I發(fā)電量預(yù)測(cè)(2010年1月)

風(fēng)能具有波動(dòng)性和間歇性，如何將風(fēng)能從“隨機(jī)的”變?yōu)椤翱衫玫摹笔抢蔑L(fēng)能發(fā)電的重點(diǎn)。風(fēng)電功率隨時(shí)間的變化情況可當(dāng)做一組信號(hào)，若將這組信號(hào)進(jìn)行時(shí)頻特征提取和分解，將會(huì)對(duì)研究風(fēng)能產(chǎn)生積極的影響。因此，為提高預(yù)測(cè)精度提出基于希爾伯特黃變換的神經(jīng)網(wǎng)絡(luò)模型[8]。

1.2 基于歷史數(shù)據(jù)的超短期功率預(yù)測(cè)

1.2.1 基于小波變換的功率預(yù)測(cè)優(yōu)化模型

利用小波變換將隨時(shí)間變化的風(fēng)電輸出功率分解為一個(gè)低頻和幾個(gè)高頻。利用小波的多尺度差值特性和稀疏變化特性對(duì)預(yù)測(cè)模型優(yōu)化，將2種優(yōu)化方法表述如下。

方法①：側(cè)重模型輸入數(shù)據(jù)特性分析，進(jìn)行小波特征提取。對(duì)模型輸入樣本中的風(fēng)電功率進(jìn)行小波分解，在每個(gè)頻率區(qū)間分別建立徑向基核函數(shù)模型，將結(jié)果利用小波重構(gòu)輸出。

方法②：將支持向量機(jī)預(yù)測(cè)算法中的核函數(shù)用小波核函數(shù)代替。

圖3在模型輸入中用小波分解風(fēng)電場(chǎng)功率和同時(shí)刻的風(fēng)速。以算例風(fēng)電場(chǎng)II(WF2)2008年4月的實(shí)測(cè)功率值作為研究對(duì)象，運(yùn)用雙正交小波函數(shù)分解，將數(shù)據(jù)按頻率劃分為1個(gè)低頻和4個(gè)高頻，如圖4所示。

圖3 小波支持向量機(jī)預(yù)測(cè)模型流程圖(方法①)

圖4 模型輸入序列小波分解圖(方法②)

由圖4可以看出，風(fēng)電場(chǎng)出力序列被分解為4階頻率分量：低頻分量a4和高頻分量d1、d2、d3、d4。將風(fēng)速、風(fēng)向正弦余弦值分別與a4、d1、d2、d3、d4構(gòu)成模型輸入樣本，經(jīng)最小二乘支持向量機(jī)預(yù)測(cè)模型得到預(yù)測(cè)功率組分。將上述功率組分重構(gòu)即得最終的預(yù)測(cè)功率值。

1.2.2 算例分析

為驗(yàn)證優(yōu)化模型的精度，將優(yōu)化模型與獨(dú)立預(yù)測(cè)模型對(duì)比。3種預(yù)測(cè)模型預(yù)測(cè)1h、2h和3h的功率與歷史實(shí)測(cè)的誤差可以通過(guò)平均絕對(duì)百分比誤差(mean absolute percent error，MAPE)和均方根誤差(root mean square error，RMSE)表示，見表2[9]。

表2 3種時(shí)間尺度下的模型預(yù)測(cè)誤差

由表2可以看出，方法①的預(yù)測(cè)精度在3個(gè)時(shí)間尺度下均比方法②及支持向量機(jī)模型高。故第1種小波–支持向量機(jī)模型預(yù)測(cè)精度高，且預(yù)測(cè)效果較穩(wěn)定。風(fēng)電場(chǎng)功率所具有的非穩(wěn)定性和非線性等特征可被緩解，具體做法是通過(guò)小波變換將其分解為具有固定頻率和周期的組分[10-11]。

2 基于氣象特征分類的光伏電站功率預(yù)測(cè)算法優(yōu)化

太陽(yáng)能資源在我國(guó)廣大區(qū)域有著重要的開發(fā)利用價(jià)值，且太陽(yáng)能光伏發(fā)電技術(shù)已日趨成熟，國(guó)內(nèi)光伏發(fā)電的市場(chǎng)發(fā)生著深刻變化，已由偏遠(yuǎn)無(wú)電地區(qū)的獨(dú)立分布式發(fā)電系統(tǒng)轉(zhuǎn)向規(guī)模化的并網(wǎng)發(fā)電系統(tǒng)發(fā)展。由于并網(wǎng)型發(fā)電系統(tǒng)具有結(jié)構(gòu)簡(jiǎn)單、安裝周期短等特點(diǎn)，故系統(tǒng)規(guī)模和發(fā)電量在優(yōu)惠政策的帶動(dòng)下極易大規(guī)模快速增長(zhǎng)。然而，光伏發(fā)電同風(fēng)力發(fā)電一樣受氣象因素的影響較大，具有隨機(jī)性和不可控等特點(diǎn)。當(dāng)大規(guī)模的光伏發(fā)電接入電網(wǎng)，勢(shì)必會(huì)給電網(wǎng)調(diào)度、調(diào)峰、安全等帶來(lái)影響。準(zhǔn)確及時(shí)的光伏發(fā)電出力預(yù)測(cè)可以有效降低光伏發(fā)電并網(wǎng)對(duì)電網(wǎng)產(chǎn)生的沖擊，有效降低電網(wǎng)控制難度，提高電網(wǎng)電能質(zhì)量，提升光伏并網(wǎng)狀況下電網(wǎng)運(yùn)行水平。本節(jié)在分析不同天氣情況對(duì)光伏電站出力特性影響的基礎(chǔ)上，利用支持向量機(jī)(support vector machine，SVM)原理建立光伏電站功率預(yù)測(cè)模型。

影響光伏出力的因素有很多，很難用某個(gè)確定性模型來(lái)準(zhǔn)確描述。基于光伏發(fā)電系統(tǒng)出力的不連續(xù)性、不確定性和周期性的特點(diǎn)以及光伏系統(tǒng)的出力與其影響因子之間的非線性關(guān)系，本文運(yùn)用支持向量回歸法建立光伏系統(tǒng)的出力預(yù)測(cè)模型，將光伏系統(tǒng)的出力按照相對(duì)應(yīng)的天氣類型劃分為晴、陰、多云和雨4種類型。將光伏出力類型相同的多個(gè)光伏出力的歷史數(shù)據(jù)組成具有高度相似光伏出力特征的數(shù)據(jù)序列，以此數(shù)據(jù)序列作為SVM 的訓(xùn)練數(shù)據(jù)集。在對(duì)光伏系統(tǒng)的出力進(jìn)行預(yù)測(cè)時(shí)，先根據(jù)天氣預(yù)報(bào)了解待預(yù)測(cè)日的天氣類型和氣象特征，然后選擇與預(yù)測(cè)日天氣類型相對(duì)應(yīng)的SVM 訓(xùn)練數(shù)據(jù)集，據(jù)此構(gòu)建SVM 的預(yù)測(cè)模型。

對(duì)于確定的太陽(yáng)能光伏電站，其輻射角度，擺放位置等已經(jīng)固定，影響程度可以包含在歷史發(fā)電量中，其明顯特征就是光伏陣列發(fā)電量時(shí)間序列的本身高度自相關(guān)性，從而避免通過(guò)預(yù)測(cè)太陽(yáng)輻射的直接預(yù)測(cè)方法。因此以過(guò)去時(shí)間段的歷史發(fā)電數(shù)據(jù)作為模型輸入進(jìn)而預(yù)測(cè)未來(lái)的發(fā)電數(shù)據(jù)的預(yù)測(cè)方法比間接預(yù)測(cè)法在計(jì)算速度，模型復(fù)雜度上有明顯優(yōu)越性。本文以中國(guó)江西某地光伏示范電站為研究對(duì)象，選取2010.04.27—2010.05.02時(shí)間段，每天可用日照時(shí)間為6:00—19:00。圖5所示為光伏電站發(fā)電量變化圖，由于選取的一周都為晴天，太陽(yáng)輻射強(qiáng)度基本相同，電站出力情況較一致，且每天光伏發(fā)電量的變化有高度相關(guān)性，本文利用前3個(gè)時(shí)間段的出力歷史值預(yù)測(cè)下一時(shí)刻的光伏功率。

圖5 太陽(yáng)能光伏發(fā)電系統(tǒng)在不同天氣下出力日變化曲線示意圖

確定了輻射角度擺放位置等影響因素后，太陽(yáng)輻射強(qiáng)度是影響光伏出力變化的主要因素。而云層量的多少直接影響太陽(yáng)輻射強(qiáng)度[12-14]。圖6顯示了研究對(duì)象光伏電站在不同天氣情況下，即不同太陽(yáng)輻射強(qiáng)度下出力值的差異。而在相同天氣情況下出力值的趨勢(shì)相似。由此可以看出在天氣情況相同的情況下，模型輸入數(shù)據(jù)為前一時(shí)間段的出力歷史值，針對(duì)不同天氣情況分別建模對(duì)提高預(yù)測(cè)精度提供了一種新的思路。光伏預(yù)測(cè)流程見圖7。

圖6 太陽(yáng)能光伏發(fā)電系統(tǒng)在不同天氣下出力日變化曲線示意圖

圖7 光伏預(yù)測(cè)流程圖

每個(gè)預(yù)測(cè)模型的輸入數(shù)據(jù)包括預(yù)測(cè)日前一天歷史光伏出力值(15min平均值)，預(yù)測(cè)日的天氣預(yù)報(bào)所示氣溫最大值、最小值和平均值；模型輸出數(shù)據(jù)是預(yù)測(cè)日的光伏出力值(15min平均值)。測(cè)試時(shí)段(2010.01.01—2010.10.31)的功率預(yù)測(cè)結(jié)果和預(yù)測(cè)誤差見圖8和表3。

從表3中可看出，4個(gè)預(yù)測(cè)模型提前一天的RMSE和平均相對(duì)誤差(mean ralative error，MRE)的平均預(yù)測(cè)誤差分別為2.10MW和8.64%，其中晴天模型表現(xiàn)最優(yōu)。然而，在每個(gè)模型內(nèi)部預(yù)測(cè)誤差波動(dòng)較大，具體情況請(qǐng)見圖8。

從圖8中可以看出，晴天模型和霧天模型的預(yù)測(cè)精度較高，誤差的變化也跟算例數(shù)據(jù)的數(shù)值分布和數(shù)據(jù)量大小有關(guān)。在本文算例中，光伏電站位于中國(guó)南方某地，一年中以晴天和霧天為主，致使對(duì)應(yīng)的預(yù)測(cè)模型獲得較充分的數(shù)據(jù)訓(xùn)練樣本，而支持向量機(jī)是一種非線性模型，需要對(duì)大量數(shù)據(jù)進(jìn)行擬合和回歸以得到預(yù)測(cè)模型，故晴天模型和霧天模型的預(yù)測(cè)精度較高。此外，預(yù)測(cè)模型的參數(shù)選擇對(duì)預(yù)測(cè)精度也有影響，相關(guān)研究和分析是今后研究的重點(diǎn)。

圖8 光伏功率預(yù)測(cè)模型相對(duì)誤差

表3 預(yù)測(cè)模型誤差對(duì)比

3 結(jié)論

新能源功率預(yù)測(cè)對(duì)電網(wǎng)合理制定調(diào)度計(jì)劃和發(fā)電場(chǎng)站競(jìng)價(jià)上網(wǎng)、安排檢修均有重要意義。本文以短期和超短期預(yù)測(cè)為例闡述了幾種常用的預(yù)測(cè)算法，通過(guò)不同風(fēng)電場(chǎng)及光伏電站實(shí)測(cè)數(shù)據(jù)算例分析，可得如下結(jié)論。

1）根據(jù)風(fēng)電功率曲線的變化特點(diǎn)提出的PSVM預(yù)測(cè)優(yōu)化模型能自動(dòng)追蹤預(yù)測(cè)不同線型下的預(yù)測(cè)規(guī)律，較SVM模型提高了預(yù)測(cè)精度；

2）小波支持向量機(jī)模型是對(duì)模型輸入數(shù)據(jù)進(jìn)行小波分解或?qū)㈩A(yù)測(cè)核函數(shù)進(jìn)行小波函數(shù)替換，算例表明2種優(yōu)化算法均對(duì)預(yù)測(cè)精度有提高；

3）光伏發(fā)電具有較強(qiáng)的周期性，針對(duì)4種典型的天氣特點(diǎn)分別建模，優(yōu)化了預(yù)測(cè)效果。

[1] 鐘海欣．遠(yuǎn)景能源的“孔明”之道[EB/OL]．[2017-08- 22]．https://baijiahao.baidu.com/s?id=157641995557 3025496&wfr=spider&for=pc．

[2] 王國(guó)弟，翁彥，徐巍，等．上海某能源中心空調(diào)負(fù)荷預(yù)測(cè)[J]．發(fā)電與空調(diào)，2014，35(4)：67-70．

[3] 趙衛(wèi)．電煤價(jià)格影響因素及預(yù)測(cè)分析[J]，發(fā)電與空調(diào)，2017，38(2)：1-6．

[4] Mario D，Daniel C，Jesus R，et al．Short-term wind power forecast based on ARX models[J]．Journal of Energy Engineering，2007，133(3)：172-180．

[5] 賀軍，張錦文．灰色-馬爾科夫模型在風(fēng)電場(chǎng)風(fēng)速預(yù)測(cè)中的應(yīng)用[J]．發(fā)電與空調(diào)，2013，34(1)：14-16．

[6] Liu Y，Shi J，Yang Y，et al．Piecewise support vector machine model for short term wind power prediction [J]．International Journal of Green Energy，2009，6(5)： 479-489．

[7] Liu Y，Shi J，Yang Y，et al．Genetic algorithm- support vector machine model for short term wind power prediction[C]//Proceeding of IEEE 8th World Congress on Intelligent Control and Automation．Jinan，China，2010．

[8] Shi J，Lee W，Liu Y，etal．Short term wind power forecasting using Hilbert-Huang Transform and Artificial Neural Network[C]//Proceeding of IEEE 2011 4th International Conference on Electric Utility Deregulation and Restructuring and Power Technologies．Weihai，China，2011．

[9] 韓爽．風(fēng)電場(chǎng)功率短期預(yù)測(cè)方法研究[D]．北京：華北電力大學(xué)，2008．

[10] Giebel G，Landberg L．Short-term(30min-72hrs) prediction for power output from wind farms [EB/OL]．http://powwow.risoe.dk/Bestpracticeworkshop.html．

[11] 史潔．風(fēng)電場(chǎng)功率超短期預(yù)測(cè)算法優(yōu)化研究[D]．北京：華北電力大學(xué)，2013．

[12] 張素寧，田勝元．太陽(yáng)輻射逐時(shí)模型的建立[J]．太陽(yáng)能學(xué)報(bào)，1997，18(03)：38-42．

[13] 李安定，呂全亞．太陽(yáng)能光伏發(fā)電系統(tǒng)工程[M]2版．北京：化學(xué)工業(yè)出版社，2016：24-37．

[14] 張鐘平，宣施超．分布式光伏設(shè)計(jì)要點(diǎn)分析[J]．發(fā)電與空調(diào)，2015，36(01)：26-28．

The Optimization Research Approaches for Renewable Energy Output Forecasting

SHI Jie1, LIU Xiaofei2

(1. School of Physics and Technology, University of Jinan, Jinan 250022, Shandong Province,China; 2. Jinan Urban Planning Advisory Service Center, Jinan 250099, Shandong Province,China)

Randomness, intermittence and fluctuation are features of new energy, which includes wind energy and solar energy, and power forecasting is an effective solution. The characteristics of wind power output and forecasting model are fully considered to propose piecewise support vector machine (PSVM) and neural network (NN) model; the effort of weather condition on photovoltaic is analyzed to optimize the forecasting model. The case studies from several wind farms and photovoltaic power stations prove that the proposed models have higher precision, which offer support for reliability analysis of power output forecasting.

wind power; photovoltaic; power forecasting; support vector machine; neural network; wavelet analysis

10.12096/j.2096-4528.pgt.18141

2018-08-05。

史潔(1984)，女，博士，講師，研究方向?yàn)轱L(fēng)電、光伏出力預(yù)測(cè)及優(yōu)化，jeccie0921@163.com。

史潔

國(guó)家自然科學(xué)基金項(xiàng)目(51606085)。

Project Supported by National Natural Science Foundation of China (51606085).

(責(zé)任編輯 辛培裕)