光伏發電短期功率預測模型與電站監控系統設計

林　嵩浙江工業職業技術學院，浙江紹興312000

?

光伏發電短期功率預測模型與電站監控系統設計

林嵩
浙江工業職業技術學院，浙江紹興312000

摘要：目前大規模光伏并網發電系統的輸出功率波動大、隨機性強，為準確預測光伏電站的輸出功率以解決大規模光伏并網發電給電網造成的調峰、調度等難題。通過開發能實時監測環境輻照強度、溫度、濕度、風向、風速等環境參數的低成本小型氣象站和光伏電站監控系統來監測光伏電站的運行狀況和采集氣象與電站輸出功率的數據，并應用于氣象條件聚類識別和小波神經網絡光伏發電系統短期發電功率預測模型上，以實現大規模光伏并網發電系統輸出功率的精確預測，對大規模光伏并網發電系統的推廣應用具有重要意義。

關鍵詞：光伏發電系統；功率預測模型；電站監控系統

近年來光伏發電技術較為發達的國家，已經開發出了用于光伏發電系統輸出功率預測的系統[1-3]。日本Ryukyus大學通過遞歸神經網絡和前饋神經網絡對太陽輻照強度進行預測，然后利用發電功率與輻照強度的函數關系得到輸出功率，預測結果較為準確。德國Oldenburg大學通過將天氣預報數據與多個光伏電站的歷史發電功率相結合建立了功率預測模型也取得了較好效果。而我國太陽輻照觀測點數量較少且尚無太陽輻照預報業務，所以在光伏發電系統輸出功率預測方面尚無較有效的預測模型[4，5]。針對上述問題，在研究了基于小波神經網絡的光伏發電系統短期發電功率預測模型和基于氣象條件聚類識別的光伏發電系統短期發電功率預測模型的基礎上，提出了將二者結合的基于氣象條件聚類識別和小波神經網絡的光伏發電系統短期發電功率預測模型，提高了預測的精確度。

1　預測模型研究與監控系統實現

1.1基于小波神經網絡的預測模型研究

本文采用的小波神經網絡[6，7]以常用的BP神經網絡拓撲結構作為其網絡結構，隱含層節點的傳遞函數采用小波基函數，網絡中信號前向傳播的同時誤差向后傳播。網絡預測模型的訓練樣本為該電站半年的歷史功率數據，功率采集點間隔為15 min，然后用完成訓練的小波神經網絡模型預測該電站第5 d的輸出功率，預測模型的輸入數據為預測日前4 d的早5:30到18:00的各時刻的輸出功率Mi（t-1）、Mi（t-2）、Mi（t-3）、Mi（t-4），模型的輸出數據為預測日各時刻的輸出功率，網絡拓撲結構如圖1所示。

在小波神經網絡拓撲結構中，Mi（t-1）、Mi（t-2）、Mi（t-3）和Mi（t-4）為網絡的輸入參數，Mi（t）為網絡的輸出參數，ωij表示輸出層與隱含層的連接權值，ωik表示隱含層與輸出層的連接權值，h（j）表示隱含層第j個節點的輸出值，y（k）表示輸出層第k個節點的輸出值，bj表示小波基函數hj的平移因子，aj表示小波基函數hj的伸縮因子，hj表示Morlet母小波基函數。以序列Xi代表輸入參數，則隱含層第j各節點的輸出值和輸出層第k個節點的輸出值如式1、式2所示：

圖1　小波神經網絡拓撲結構Fig.1　Topological structure of wavelet neural network

圖2　光伏系統短期發電功率預測基本結構Fig.2　The basic architecture of short-term power prediction for the photovoltaic system

1.2氣象條件聚類識別的預測模型

不同的氣象條件會對光伏系統的發電功率產生顯著的影響，為了提高預測模型的準確度，需對不同的氣象條件進行聚類，然后在此基礎上建立預測模型。首先根據不同季節將氣象條件歷史數據進行預分類，然后采用SOM網絡在預分類中按照輻照強度、溫度、濕度、風向、風速五個方面進行聚類，選出與待預測日氣象條件相似的歷史數據，作為建立預測模型用的訓練樣本。最后利用聚類后的相似樣本建立預測模型，以與預測日氣象條件相似的預測輸出功率作為輸入，預測日的實際輸出功率作為輸出，經過訓練后得到光伏發電功率短期預測模型，其基本架構如圖2所示。

1.3小型氣象站設計

本文所設計的小型氣象站，能實時掌握光伏電站所處環境的輻照強度、溫度、濕度、風向、風速等環境因素。

在系統的硬件設計中，選用SM3560M型號的輻照強度傳感器測量環境的輻照強度，選用SHT11型號的溫濕度傳感器測量環境的溫度、濕度，選用JL-FX2型號的風向傳感器測量環境的風向，選用JL-FS2型號的風速傳感器測量環境的風速，選用56F8013型號的DSP主控芯片進行數據的處理。

輻照強度傳感器、溫濕度傳感器、風向傳感器能夠將采集到的環境參數值轉變為4～20 mA的電信號并能夠將電流信號轉換為電壓信號，同時將電壓穩幅在0～3.3 V之間，然后輸入到DSP的ADC模塊進行A/D轉換。為了避免對采集到的模擬信號產生干擾，需要非常大的調理電路輸入阻抗；但為了提高傳感器所采集模擬信號的精度，必須使DSP的ADC模塊的內部阻抗遠遠大于外圍ADC輸入調理電路的阻抗，故本文所采用的輻照強度傳感器、風向傳感器和溫濕度傳感器的調理電路分別如圖3、圖4、圖5所示。

圖3　輻照強度信號調理電路Fig.3　The regulation circuit of the irradiation intensity signal

圖4　風向傳感器信號調理電路Fig.4　The regulation circuit of the wind direction sensor signal

風速傳感器輸出的脈沖信號，風速隨著單位時間內脈沖個數的增加線性增加，其調理電路如圖6所示。

圖5　溫濕度傳感器信號調理電路Fig.5　The regulation circuit of the temperature and humidity sensorsignal

圖6　風速傳感器信號調理電路Fig.6　The regulation circuit of the windspeed sensorsignal

系統的軟件總體上由主程序和實時中斷程序兩部分組成，主程序主要完成系統各外設模塊和其寄存器的初始化設置、變量的初始化賦值等工作；中斷程序主要完成輻照強度、溫度、濕度、風向、風速等氣象參數的采集，采樣周期為100 m/μs，與DSP主控芯片的通訊時間間隔為1 s。軟件的具體功能可通過Labview編寫實現，將傳感器采集的具體氣象數據存儲在SQL Server數據庫中，并可在相應上位機軟件界面展示。

1.4光伏電站監控系統設計

掌握大量的光伏電站運行數據是進行光伏電站發電功率預測的前提，所以需要建立光伏電站監控系統。為了降低成本并減少系統維護與升級的工作量，采用B/S系統體系結構。光伏電站監控系統能夠采集光伏電站運行的各種參數，系統軟件層面通過TCP/IP協議與電站逆變器連接并取得逆變器的實時工作參數，然后服務器將取得的數據存儲到數據庫，同時進行數據的分析、統計生成歷史數據報表、日報數據報表和年報數據報表等。客戶端可通過瀏取得實時取得電站的工作參數、歷史數據、年報數據等各類報表。

2　結果與分析

2.1小波神經網絡預測模型與BP神經網絡預測模型對比實驗

預測模型的輸入數據為預測日前4 d的某時刻的實測功率值，小波神經網絡預測模型與BP神經網絡預測模型的預測結果如圖7所示，絕對誤差百分比和均方根誤差如表1所示。

從圖7中可以看出，小波神經網絡模型的預測值與實際值趨勢基本相同，且部分點的預測值等于實際值；而BP神經網絡模型的預測值與實際值的吻合程度明顯低于小波神經網絡模型，尤其在波谷波峰處。由此說明小波神經網絡模型的預測精度高于BP神經網絡模型的預測精度，證明了小波神經網絡處理局部問題的優勢。

表1　預測結果評估表Table 1 Evaluation on the prediction results

表1為小波神經網絡模型與BP神經網絡模型4 d的預測值誤差對比，從表中可以看出，在絕對誤差百分比方面，小波神經網絡模型比BP神經網絡的均值降低了9.01%；在均方根誤差方面，小波神經網絡模型比BP神經網絡的均值降低了9.49%。證明了小波神經網絡在光伏發電功率預測方面的優勢，大大提高了預測精度。

2.2氣象條件聚類識別的小波神經網絡模型與其它模型的對比實驗

氣象條件聚類分析訓練樣本共m個，每個訓練樣本的變量為輻照強度、溫度、濕度、風向、風速，網絡訓練總的輸入變量為x（m×5）個，完成訓練后，特征上相似的模式類別在幾何上表現為相互接近，可將幾何上互相接近的點其劃分為一類。為驗證天氣突變情況下氣象條件聚類識別預測時的優勢，選擇的預測日氣象類型均為天氣突變日。此實驗共采用四種類型的預測模型，其中，A1代表BP神經網絡預測模型，A2代表小波神經網絡預測模型，B1代表氣象條件聚類識別的BP神經網絡預測模型，B2代表氣象條件聚類識別的小波神經網絡預測模型。

從圖8中可以看出，A2的預測值與實際值無法保持相同趨勢，但B2的預測值與實際能夠基本保持趨勢一致，且部分點的預測值與實際值重合。說明在天氣突變情況下，氣象條件聚類識別的預測模型有很大的優勢。這是由于經過氣象條件聚類識別后，能夠選取與預測日的氣象類型相同的預測子模型，而氣象類型相同其功率變化規律也就基本一致。

從圖9中可以看出，B2的預測值與實際能夠基本保持趨勢一致，且部分點的預測值與實際值重合，而B1的預測值與實際值的吻合程度略低于B2，但局部區域的點預測值與實際值差別較大。說明經過氣象聚類識別后，功率的預測值基本與實際值一致，但BP神經網絡模型在局部區域點的預測能力不如小波神經網絡模型，尤其是在波峰、波谷等發生突變的點，該結果進一步驗證了小波神經網絡在處理局部問題的優越性。

圖8　B2與A2的功率預測對比曲線Fig.8　Contrsative curves of the prediction forA2, B2 powers

圖9　B2與B1功率預測對比曲線Fig.9　Contrastive curves of the prediction for B2, B1 powers

表2為A1、A2、B1和B2模型的預測結果評估，從表中可以看出，各模型絕對誤差百分比的均值排列順序為：B2＜A2＜B1＜A1；各模型的均方根誤差均值排列順序為：B2＜A2＜B1＜A1。其中，B1的絕對誤差百分比均值較A1降低了5.75%，均方根誤差均值降低了7.74%，B2的絕對誤差百分比均值較A2降低了2.18%，均方根誤差均值降低了2.16%，證明了氣象條件聚類識別對模型的預測精度有提高，可以用于光伏發電功率預測模型；A2的絕對誤差百分比均值較A1降低了9.01%，均方根誤差均值降低了9.49%；B2的絕對誤差百分比均值較B1降低了5.44%，均方根誤差均值降低了3.91%，再次證明了小波神經網絡對預測的精度有提高，也可用于光伏發電功率預測模型。綜上，將天氣聚類識別和小波神經網絡同時應用于預測模型對預測精度的提高最大。

表2　預測結果評估表Table 2 Evaluation on the prediction results

2.3小型氣象站的測試實驗

在傳感器、DSP芯片和所有電路組裝完成小型氣象站后，將編寫的軟件植入小型氣象站DSP。然后對其進行測試實驗，經過較長時間的測試，氣象站數據采集準確、傳輸穩定，具體實驗結果如表3所示，能夠滿足光伏電站對氣象數據的需求。說明所設計的小型氣象站能夠完成對電站氣象數據的監測。

表3　小型氣象站實驗結果Table 3 Experimental results in small meteorological stations

2.4光伏電站監控系統功能實驗

本文設計的光伏電站監控系統可以完成電站數據的日報檢索、歷史數據查詢、下發數據、基站管理和用戶管理等功能，此處僅針核心功能的日報檢索、歷史數據的查詢功能進行驗證。

日報檢索功能實現通過起始日期、終止日期和基站三個條件檢索日報數據，日報數據可以通過用戶自定義曲線界面生成相應曲線或者導出到Excel，通過實驗驗證，其功能正常。

歷史數據查詢功能可實現對各逆變器定期、定時上傳到服務器的消息進行查詢，同時允許用戶將查詢到的數據導出到Excel。查詢某日的幾個逆變器到處的數據如表4所示：

表4　歷史數據查詢報表Table 4 The historical data query statements

3　討論

本文采用直接預測模型研究了光伏電站功率短期預測問題，但電站的歷史數據會受人為因素的影響（如電網限電或電網檢修等），在模型建立前必須對無效數據進行剔除。隨著以后太陽輻照觀測點數量的不斷增加[8]，可以通過太陽輻照強度與發電功率之間的函數關系，對光伏發電功率進行間接預測。待條件成熟時，可將對光伏發電功率的直接預測和間接預測方法結合起來，實現對光伏發電功率的更精準預測，從而解決大規模光伏并網發電給電網造成的調峰、調度等難題，對大規模光伏并網發電的推廣應用具有重要的經濟意義。

4　結論

4.1光伏發電短期功率預測模型研究

本文從理論方面研究了小波神經網絡和氣象條件聚類識別在光伏發電短期功率預測方面的可行性，然后通過對比實驗證明了小波神經網絡和氣象條件聚類識別對預測的精確度都有所提高。最后提出了同時將小波神經網絡和氣象條件聚類識別應用到光伏發電短期功率的預測模型中，能夠大大的提高預測精度。

4.2小型氣象站與電站監控系統的設計

本文所設計的小型氣象站能夠滿足光伏電站預測模型對氣象條件的精確度要求，設計的電站監控系統所采集的數據能夠滿足小波神經網絡和氣象條件聚類識別對訓練樣本的要求。通過上述系統結合小波神經網絡和氣象條件聚類識別預測模型，就能夠對光伏發電短期功率進行較為準確的預測。

參考文獻

[1] Kudo M，Nozaki Y，Endo H，et al. Forecasting electric power generation in a photovoltaic power system for an energy network [J]. Electrical Engineering in Japan，2012，167（4）:16-23

[2] Lorenz E，Hurka J，Heinemann D，et al. Irradiance Forecasting for the Power Prediction of Grid-connected Photovoltaic Systems [J]. IEEE Journal of SelectedTopics in Applied Earth Observations and Remote Sensing，2012，2（1）:2-10

[3] Yona A，Senjyu T，Funabash IT. Application of recurrent neural network to short term ahead generating power forecasting for photovoltaic system[C]. IEEE Power Engineering Society General Meeting，2013

[4]馬寧.太陽能光伏發電概述及發展前景[J].智能建筑電氣技術，2013，5（2）:25-28

[5]沈芍，梁雪春.大力支持太陽能產業的可行性分析[J].生態經濟，2012，11（1）:105-107

[6]賀琳，李英姿.改進GM（1，1）殘差修正模型在光伏發電量短期預測中的應用[J].北京建筑工程學院學報，2011，24（12）:61-65

[7]李國勇.神經模糊控制理論及應用[M].北京:電子工業出版社，2009

[8]李雷，郭眾.中國光伏產業發展現狀及若干問題的思考[J].中外能源，2014，15（9）:38-41

The Short-term Prediction Model of Photovoltaic Grid Power Generation and the Design for Monitoring System of a Power Station

LIN Song
Zhejiang Industry Polytechnic College, Shaoxing 312000，China

Abstract:At present，there is a large fluctuation and randomicity in output power of the large-scale photovoltaic（pv）grid power generation system. To accurately predict the output power in order to solve problems of peak regulation and schedule in photovoltaic grid，this paper set up a low cost small meteorological station real-time monitoring the environment parameters such as radiation intensity，temperature，humidity，wind direction，wind speed etc. and a monitoring system to monitor the operation condition of the photovoltaic power station and gather the data of meteorology to apply to the identification of the meteorological conditions and the prediction model of a short-term power in the photovoltaic power generation system of wavelet neural network so as to realize the accurate prediction for an output power in the large-scale photovoltaic（pv）grid power system and it could have an important significance to generate and apply in a large-scale photovoltaic（pv）grid power generation system.

Keywords:Photovoltaic power generation system；power prediction model；photovoltaic power station monitoring system

作者簡介：林嵩（1969-），男，浙江遂昌人，本科，高級實驗師，主要研究方向:電氣自動化、智能家居. E-mail:linsong077@163.com

收稿日期：2015-01-05修回日期：2015-03-06

中圖法分類號：TM615

文獻標識碼：A

文章編號：1000-2324（2016）01-0083-05