基于EC細(xì)網(wǎng)格與BP算法的輻照度預(yù)報(bào)及檢驗(yàn)

張金滿，趙增保，楊琳晗，武輝芹，尹瑞

（1.河北省氣象服務(wù)中心，河北石家莊 050021；2.國網(wǎng)河北省電力公司，河北石家莊 050021）

隨著在全球變暖、減輕污染、能源結(jié)構(gòu)調(diào)整和緩解能源危機(jī)的大背景下，光伏發(fā)電已成為可再生能源發(fā)展的主要方向［1－2］。隨著光伏的大規(guī)模接入，光伏發(fā)電與生俱來的間歇性、不可控性，給電網(wǎng)計(jì)劃和調(diào)度增加了難度，電網(wǎng)運(yùn)行影響日益顯著［3－4］。因此，準(zhǔn)確的功率預(yù)測就顯得尤為重要，直接有助于減少棄光、合理安排檢修計(jì)劃，提高企業(yè)盈利，保障能源安全穩(wěn)定。

光伏發(fā)電能力的大小受太陽輻射、環(huán)境溫度等多種因素影響，其中到達(dá)地面的太陽輻射是影響光伏功率的主要因素，相關(guān)性達(dá)到0.8以上［5－6］。有研究表明，更準(zhǔn)確的光伏數(shù)值預(yù)報(bào)產(chǎn)品，可以提升10%左右的光伏發(fā)電功率預(yù)測精度［4］。目前，國內(nèi)外對輻照度相關(guān)研究進(jìn)展很多，國外如西班牙、日本、丹麥等已開展利用氣象要素進(jìn)行光伏發(fā)電的研究和應(yīng)用［7－8］，國內(nèi)學(xué)者太陽輻照度預(yù)報(bào)方法主要有數(shù)值預(yù)報(bào)模式和統(tǒng)計(jì)外推，統(tǒng)計(jì)外推主要超短期預(yù)報(bào)，太陽能短期預(yù)報(bào)需要依賴WRF、MM5等相關(guān)中尺度氣象模式［9－11］。早期的太陽輻射度預(yù)報(bào)主要是基于氣象實(shí)況數(shù)據(jù)的簡單線性統(tǒng)計(jì)預(yù)測模型，改進(jìn)后的自回歸滑動(dòng)平均模型法、馬爾可夫鏈等，受預(yù)測精度、預(yù)測時(shí)效的制約，難以滿足預(yù)測需求。而太陽輻照度是一種具有強(qiáng)周期性的變量，忽略數(shù)據(jù)間的聯(lián)系顯然會(huì)降低預(yù)測效果［1］，因此，更多的非線性模型被用于太陽輻照度預(yù)測［12］，其中人工神經(jīng)網(wǎng)絡(luò)［13－14］因其優(yōu)秀的學(xué)習(xí)能力及非線性建模等特點(diǎn)被廣泛應(yīng)用于太陽輻照度預(yù)測。

近3年來，河北南網(wǎng)以光伏發(fā)電為主的新能源電源發(fā)展迅猛，年度新增規(guī)模均超過200萬kW。截至2020年11月底，河北南網(wǎng)光伏裝機(jī)規(guī)模突破1 000萬kW，占河北南網(wǎng)總裝機(jī)容量的21.5%，2020年最大出力達(dá)614萬kW，占當(dāng)時(shí)河北南網(wǎng)用電負(fù)荷的26.7%。預(yù)計(jì)“十四五”期間，河北南網(wǎng)新能源裝機(jī)總?cè)萘繉⑼黄? 500萬kW，超過火電裝機(jī)規(guī)模。因此，為促進(jìn)新能源健康有序發(fā)展，保障電網(wǎng)的安全穩(wěn)定運(yùn)行，助力碳達(dá)峰、碳中和，研究如何利用預(yù)報(bào)趨勢較好的數(shù)值天氣預(yù)報(bào)，基于神經(jīng)網(wǎng)絡(luò)的優(yōu)勢，建立精準(zhǔn)、可靠的輻照度預(yù)報(bào)模型就顯得尤為重要。

1 研究區(qū)域及資料

河北中南部是河北光伏發(fā)電產(chǎn)業(yè)的集中地區(qū)，光伏電站往往位于復(fù)雜山區(qū)，太陽輻射尤其是水平面總輻射輻照度的數(shù)值預(yù)報(bào)急需提升。作為采用四維同化資料的EC細(xì)網(wǎng)格預(yù)報(bào)在氣溫、降水、濕度、云量等預(yù)測方面都具備先進(jìn)性，是世界當(dāng)前最具參考價(jià)值的數(shù)值預(yù)報(bào)。

研究資料包括：①來源于河北省氣象信息中心的易縣某光伏電站2019年12月1日—2020年12月8日逐15 min水平總輻射輻照度觀測資料及該光伏站周圍9個(gè)格點(diǎn)同期EC細(xì)網(wǎng)格預(yù)報(bào)資料，EC細(xì)網(wǎng)格數(shù)值預(yù)報(bào)來源于歐洲中期天氣預(yù)報(bào)中心（時(shí)間分辨率逐3 h，空間分辨率0.125°×0.125°），預(yù)報(bào)要素包括未來24～48 h的3 h累計(jì)降雨量、低云量、總云量和400、500、600、700、850、925、1 000 hPa濕度；②根據(jù)氣象季節(jié)劃分，為檢驗(yàn)預(yù)報(bào)在各季節(jié)適用情況，采用除2020年2、5、8、11月以外的資料作為訓(xùn)練數(shù)據(jù)集；③檢驗(yàn)數(shù)據(jù)集采用2020年2、5、8、11月資料；④觀測及預(yù)報(bào)數(shù)據(jù)連續(xù)性較好，無缺測缺報(bào)現(xiàn)象。

太陽輻射觀測站位于易縣西南裴山鎮(zhèn)太和莊自然村東北側(cè)裝機(jī)容量20 MW 的光伏場站內(nèi)，東經(jīng)115.50°，北緯39.35°，海拔高度55.0 m，年總輻射量5 083 MJ／m2，太陽能資源屬于二類“資源很豐富”區(qū)域，測站周圍500 m無高大凸起物，觀測環(huán)境符合標(biāo)準(zhǔn)要求。太陽輻射觀測站儀器規(guī)格型號為DZZ6，觀測要素包括總輻射量、直射輻射量、散射輻射量、氣溫、相對濕度、風(fēng)向、風(fēng)速、氣壓和降水量等，其中總輻射傳感器（光熱）型號為CMP11、總輻射傳感器（光電）型號為LI－200，測量范圍為0～4 000 W／m2，分辨率為1 W／m2，準(zhǔn)確度±0.5%。

2 模型和方法

2.1 系統(tǒng)訂正

光電產(chǎn)業(yè)中，以實(shí)況資料建模并以預(yù)報(bào)輻照度作為輸入來實(shí)現(xiàn)光伏功率預(yù)測，因此有必要首先降低輻照度預(yù)報(bào)的系統(tǒng)誤差。采用理論輻照度曲線作為標(biāo)準(zhǔn)曲線，與晴天實(shí)況之差作為系統(tǒng)誤差，考慮到不同時(shí)刻受太陽入射角、方位角等影響后系統(tǒng)誤差的差異性，以及如何剔除實(shí)況中晴天之外天氣現(xiàn)象，減少晴天數(shù)據(jù)的篩選工作，提出以下訂正方法：

（1）計(jì)算逐 15 min 理論輻照度P（W／m2）［15］：

其中，λ為日地距離訂正系數(shù)；Esc為太陽常數(shù)，一般取1 367 W／m2；δ為赤緯角（°）；φ為緯度（°）；τ為時(shí)角（°），其中正午時(shí)為0°；n為計(jì)算日在一年中序號；S0為時(shí)刻。

（2）提取i時(shí)刻的理論輻照度P，實(shí)際輻照度O，參數(shù)ai，建立以下正回歸關(guān)系：

（3）擬合值為Yi，j ＝ai×Pi，j，將i時(shí)刻的模型參數(shù)ai回代后，只保留O≥Y的點(diǎn)，即保留大值散點(diǎn)O作為去除部分非晴天天氣后的實(shí)況。

（4）利用剩余散點(diǎn)迭代更新式（1）回歸模型。

（5）當(dāng)剩余點(diǎn)滿足Omax－Omin≤0.9（Omax－Omin）后停止。

2.2 輻照度預(yù)報(bào)模型

假設(shè)實(shí)際輻照度由式（6）得到：

其中，a為式（5）中得到的系統(tǒng)訂正系數(shù)向量組，主要為系統(tǒng)影響部分；P為理論輻照度，O為實(shí)際輻照度；f為受云、雨、霧霾等天氣現(xiàn)象影響的主要變量，其范圍主要在［0，1］之間。

影響太陽輻照度的天氣現(xiàn)象又與降雨量、低云量、總云量，400、500、600、700、850、925、1 000 hPa濕度等存在較強(qiáng)非線性關(guān)系。多層BP神經(jīng)網(wǎng)絡(luò)，在每一隱含層中構(gòu)建多個(gè)（神經(jīng)元個(gè)數(shù)）二分類，通過構(gòu)建多個(gè)隱含層實(shí)現(xiàn)原始數(shù)據(jù)的非線性關(guān)系轉(zhuǎn)變?yōu)楦呔S線性可分，正適用于構(gòu)建該預(yù)報(bào)訂正模型。

輸入層設(shè)置為站點(diǎn)周圍9個(gè)格點(diǎn)EC細(xì)網(wǎng)格3 h累計(jì)降雨量、低云量、總云量、400、500、600、700、850、925、1 000 hPa濕度次日預(yù)報(bào)，不同格點(diǎn)同一預(yù)報(bào)量作為不同變量，共計(jì)90個(gè)變量；輸出層為f。

隱藏層設(shè)置4層，每個(gè)隱藏層的節(jié)點(diǎn)數(shù)參照n1＝log2n公式，由于f基本在［0，1］之間，因此激活函數(shù)均采用Sigmod函數(shù)，模型圖如圖1所示。

圖1 基于BP神經(jīng)網(wǎng)絡(luò)的太陽輻射預(yù)報(bào)流程模型

3 結(jié)果與分析及檢驗(yàn)

3.1 系統(tǒng)訂正分析

針對不同時(shí)刻（時(shí)間頻次15min）觀測與理論值分別建立誤差訂正模型。圖2為11：45（北京時(shí)，下同）系統(tǒng)誤差訂正回歸過程，可以看出訓(xùn)練樣本中11：45時(shí)刻不同日期觀測值在0～1 000 W／m2變化，不同季節(jié)的晴天值從450到1 000 W／m2變化，其中存在陰雨或雪天（實(shí)際輻照度＜200 W／m2）、多云天（實(shí)際輻照度在200～400 W／m2）、異常值（接近0）等各種實(shí)際觀測值。

圖2 11：45時(shí)刻的系統(tǒng)誤差訂正過程

從該方法的迭代過程來看，11：45時(shí)刻第1次迭代利用所有觀測值得到的訂正方程（圖2，迭代1直線），受陰雨／雪、多云天氣資料影響而偏低；經(jīng)第2次迭代后（迭代2直線），訂正模型已受陰雨／雪、多云天氣資料影響明顯低于回歸1結(jié)果，對近晴天數(shù)據(jù)有一定的代表性；經(jīng)過4次迭代后得到的訂正模型（迭代4直線），基本剔除了所有非晴天天氣實(shí)況值，對晴天天氣具有較好的代表性，即4次迭代后回歸模型作為最終模型在11：45時(shí)刻已基本代表實(shí)況晴天輻照度與理論輻照度間的關(guān)系，進(jìn)而實(shí)現(xiàn)了在該時(shí)刻的系統(tǒng)誤差訂正。

從各季節(jié)幾個(gè)接近晴天的代表日檢驗(yàn)（圖3）來看，在冬（1月，圖3a）、春（4月，圖3b）、夏（7月，圖3c）、秋（11月，圖3d）晴天天氣下，不同季節(jié)太陽輻射強(qiáng)度相差很大，最大值分別接近950、1 000、600、500 W／m2。經(jīng)系統(tǒng)訂正后結(jié)果較理論值有明顯提升，與實(shí)際曲線較為接近，在全天近晴天天氣下，冬季最大誤差97.5 W／m2，平均絕對誤差21.8 W／m2；春季最大誤差65.9 W／m2，平均絕對誤差18.2W／m2；夏季最大誤差147.2W／m2，平均絕對誤差36.5 W／m2；秋季最大誤差107.4 W／m2，平均絕對誤差17.1 W／m2，整體看不同季節(jié)其平均絕對誤差不超過該季節(jié)最大輻照度的5%。訂正結(jié)果仍有一些誤差及光滑性不完全理想，是由于觀測資料限制，導(dǎo)致選出的晴天代表日是資料中最接近晴天的觀測，但從光滑性上看只是接近晴天，較實(shí)際晴天仍稍偏小。

圖3 各季節(jié)輻照度代表日系統(tǒng)誤差訂正曲線

3.2 輻照度預(yù)報(bào)及檢驗(yàn)

利用BP神經(jīng)網(wǎng)絡(luò)，設(shè)置4個(gè)隱含層，神經(jīng)元個(gè)數(shù)設(shè)置為7，利用3.1節(jié)結(jié)果作為輸出層，EC逐3 h次日預(yù)報(bào)（24～48 h）通過分段線性內(nèi)插方法［16］，得到逐15 min的EC各氣象要素預(yù)報(bào)作為輸入層，若EC缺報(bào)數(shù)據(jù)則按晴天處理，建立逐15 min輻照度的次日預(yù)報(bào)模型。

對比不同季節(jié)檢驗(yàn)數(shù)據(jù)集（圖4）可以看出，對雨雪、陰、多云等天氣時(shí)，大部分時(shí)段EC細(xì)網(wǎng)格預(yù)報(bào)都有較好的預(yù)測。

圖4 2月（a）、5月（b）、8月（c）、11月（d）總輻照度預(yù)報(bào)與實(shí)況對比

冬季，最優(yōu)預(yù)報(bào)效果出現(xiàn)在2月4、12日兩個(gè)晴天，在2月1、13、21、24—26日等多云天氣中，預(yù)報(bào)輻照度曲線都對該類天氣有一定反映，在2月14日的降雪天氣中，預(yù)測結(jié)果非常理想，日均誤差為24.950 W／m2，最大誤差不超過50 W／m2，2月27、29日2個(gè)明顯降雪或陰的天氣出現(xiàn)漏報(bào)。春季，最優(yōu)預(yù)報(bào)效果出現(xiàn)在5月1日晴天，在5月3、9、21、22、25、29日等多云天氣中，預(yù)測值相較于晴天值都有所下降，對多云天氣的變化都有一定參考性，5月7、15日的陰雨天氣，預(yù)測較為理想，其中7日的最大誤差不超過80 W／m2，15日大部分時(shí)段最大誤差不超過100 W／m2，中午個(gè)別觀測值接近750 W／m2，應(yīng)是云層移動(dòng)出現(xiàn)短暫的太陽直射天氣所致，8日預(yù)報(bào)為多云，出現(xiàn)漏報(bào)。夏季，多出現(xiàn)難預(yù)測的短時(shí)強(qiáng)降水天氣，其中8月1、5、6、12、16、17、19、31日基本均出現(xiàn)陰雨天，從預(yù)測結(jié)果看，大部分預(yù)測都有很好的參考性，預(yù)測輻照度值較晴天預(yù)測均有下調(diào)，12、16日預(yù)測結(jié)果最為理想，其他幾個(gè)陰雨天預(yù)報(bào)天氣的強(qiáng)度不夠，預(yù)測結(jié)果偏大，1日預(yù)報(bào)為多云，出現(xiàn)漏報(bào)。秋季，最優(yōu)結(jié)果出現(xiàn)在11月11、14日，分別為晴天和降雨天氣，對11月16—19、21日的降雨天氣預(yù)報(bào)準(zhǔn)確，其中16—19日最大誤差不超過60 W／m2，21日略偏大，最大誤差不超過120W／m2。

按照晴天、多云、陰雨（雪）3種天氣類型來檢驗(yàn)2、5、8和11月的預(yù)報(bào)效果，從誤差統(tǒng)計(jì)結(jié)果（表1）來看，晴天的預(yù)報(bào)效果最好，均方根誤差為69.9W／m2，陰雨（雪）和多云天氣相對差一些，分別為123.3、126.9W／m2。2月均方根誤差平均值為68.5 W／m2，各日在14.9～183.9 W／m2之間，晴天、多云和陰雨（雪）天氣的均方根誤差平均值分別為51.4、94.4和101.5 W／m2。5月均方根誤差平均值為125.2W／m2，各日在34.5～253.2W／m2之間，晴天、多云和陰雨（雪）天氣的均方根誤差平均值分別為94.3、162.7和156.6W／m2。8月均方根誤差平均值為119.5 W／m2，各日在62.3～258.0W／m2之間，晴天、多云和陰雨（雪）天氣的均方根誤差平均值分別為93.1、154和129.9 W／m2。11月均方根誤差平均值為53.7 W／m2，各日在16.7～138.9 W／m2之間，晴天、多云和陰雨（雪）天氣的均方根誤差平均值分別為53.7、84.7和41.3W／m2。

表1 2、5、8、11月均方根誤差統(tǒng)計(jì)結(jié)果 W／m2

4 結(jié)論

針對光伏電站太陽水平面總輻照度的短期預(yù)報(bào)問題，提出了一種晴天時(shí)的系統(tǒng)誤差訂正方法，進(jìn)一步利用EC細(xì)網(wǎng)格未來24～48 h各氣象要素預(yù)報(bào)和BP神經(jīng)網(wǎng)絡(luò)模型，建立了一種不同天氣下光伏電站短期逐15 min輻照度預(yù)報(bào)的模型。

1）不同季節(jié)晴天天氣時(shí)，同一時(shí)刻太陽輻射強(qiáng)度相差很大，針對不同時(shí)刻觀測與理論值分別建立的系統(tǒng)誤差訂正模型結(jié)果與實(shí)際曲線均較為接近，不同季節(jié)其平均絕對誤差均不超過該季節(jié)最大輻照度的5%，該方法可有效自動(dòng)匹配晴天實(shí)況資料，降低人工數(shù)據(jù)篩選工作量，在光伏服務(wù)的實(shí)況數(shù)據(jù)集篩選、功率預(yù)測模型訓(xùn)練集異常數(shù)據(jù)剔除上都有很好的實(shí)用性。

2）基于EC細(xì)網(wǎng)格的次日逐15 min輻照度預(yù)報(bào)，在2、5、8、11月的檢驗(yàn)數(shù)據(jù)集中，對大部分陰雨、多云天氣都有所反映，預(yù)測天氣對輻照度的影響程度與實(shí)際情況有部分差異，均方根誤差分別為68.5、125.2、119.5、53.7 W／m2，對11月份的預(yù)報(bào)最為理想，具有一定的參考意義，可作為光伏數(shù)值預(yù)報(bào)的一種數(shù)據(jù)源。

雖然EC細(xì)網(wǎng)格預(yù)報(bào)產(chǎn)品是目前氣象中參考性較好的數(shù)值預(yù)報(bào)產(chǎn)品，但在個(gè)別天氣如2月29日、5月8日、8月1日的雨雪天氣，仍存在漏報(bào)情況，另外對晴天預(yù)報(bào)一般易出現(xiàn)偏低情況，同時(shí)也存在數(shù)值預(yù)報(bào)的常見問題，即對全天的整體趨勢預(yù)報(bào)有很好參考性，但對突變點(diǎn)的預(yù)報(bào)不夠精準(zhǔn)。后續(xù)工作可加入主觀訂正模型，對晴天天氣輻照度預(yù)測采用系統(tǒng)誤差訂正結(jié)果，可有效降低晴天預(yù)報(bào)偏低情況，對漏報(bào)或突變點(diǎn)預(yù)報(bào)，還需增加其他數(shù)值預(yù)報(bào)源和觀測數(shù)據(jù)集來優(yōu)化預(yù)報(bào)結(jié)果，對霧霾等當(dāng)前氣象預(yù)報(bào)精度不理想的天氣，今后也需進(jìn)一步研究。