深度森林與人工神經網絡在光伏出力預測的比較

沈文博，孫榮霞，馬少卿，王碩南

(河北大學 電子信息工程學院，河北 保定 071002)

0 引言

光伏發電受到光照輻射強度、環境溫度等因素的影響，其發電功率具有隨機波動特性，而規模化與分布式光伏的并網接入，對電網的規劃、運行、調度和控制帶來巨大挑戰。因此，需要對光伏發電功率進行預測，獲得其功率發展特性曲線，為電網調度預測行為提供依據，降低運轉備用容量和運行成本，對保證系統的安全穩定、促進電網的優化運行具有重要意義[1]。目前，光伏功率預測建模包括物理方法和統計方法，物理方法是以光伏發電中的能量轉化裝置及控制系統各部分的數學模型進行預測，其預測的有效性取決于對光伏發電過程中對象結構及其遵循規律的把握程度和模型參數的精度，設計環節多，過程復雜，參數求解困難[2]。而統計方法的代表方法則是人工神經網絡、支持向量機(Support Vector Machine，SVM)、馬爾科夫鏈等[3-5]。其中，人工神經網絡由于能夠逼近任意復雜的非線性函數，具有較強的適應性和較好的預測能力，應用最為廣泛[5-7]。但人工神經網絡同樣面臨著學習速度慢、對訓練樣本要求高、調參復雜等缺點。針對這些缺點，采用一種多粒度級聯森林(Multi-Grained Cascade Forest，gcForest)的預測模型對光伏發電數據樣本進行訓練和預測。將預測結果與電站實際數據做對比，結果表明所建立的預測模型的應用效果好，適應性強。

1 多粒度級聯森林模型介紹

2 光伏出力影響因素分析

在不考慮光伏系統組件材料和安裝結構以及擺放角度等內在因素的情況下，影響光伏出力的因素大致可分為兩類：一類是光伏系統發電時的環境因素，另一類是光伏系統發電相關的氣象因素[3]。

在第一類因素中，需要考慮光伏發電系統所處的溫度、濕度等環境條件對組件的影響。這方面因素影響的是光伏系統的運行狀態。當光伏組件溫度較高時，工作效率下降。而隨著太陽能電池溫度的增加，開路電壓減小，在20～100 ℃范圍，大約每升高1 ℃，每片電池的電壓減小2 mV；而光電流隨溫度的增加略有上升，大約每升高1 ℃，每片電池的光電流增加千分之一或0．03 mA/(℃·cm2)。圖1是光伏發電系統日出力與日平均溫度值的關系[9]。由圖1可見，當日平均溫度低時，光伏出力減小，而當日平均溫度高時，光伏出力增大，因此，溫度對光伏出力具有一定的影響。

圖1 光伏功率與日均溫度

而光伏系統發電相關的氣象因素則會影響光伏發電的光照強度。其中對光照強度影響最直觀的則是氣象特點和天氣情況。圖2(a)、(b)分別是晴天和陣雨天時的發電功率。可以看出，晴天發電功率具有一定的時間規律，隨著太陽的運動而產生規律性變化，在12：00到14：00的光伏發電效率最高，當太陽降落后發電效率為0；而陰雨天氣則具有隨機的不確定性，需要根據氣象條件判斷，發電功率較晴天是降低明顯，在下雨時段發電功率接近與0。而針對光伏發電的特點，采用溫度、濕度、風速以及當前的時刻來作為輸入特征向量，濕度、風速、時刻和溫度等多條件擬合來代替缺失的光照強度數據，而氣象條件因素具有耦合性，各因素相互作用相互影響。

圖2 晴天和陣雨天氣的光伏功率出力

3 預測結果和分析

在光伏預測中輸入特征的數值大小及單位不同，為了消除輸入變量差異對模型的影響，需要對輸入進行歸一化處理，公式如下：

(1)

式中xi代表歸一化處理后的數據，x為原始特征輸入，xmin為原始輸入特征中的最小值，xmax為原始輸入特征中的最大值。本文中的輸入數據特征為歷史數據中的時間指數、溫度、風速和濕度，輸出數據為各時段的發電功率。為測試模型效果，將發電數據集隨機分為測試集和訓練集，用Python的Sklearn庫的model_selection包中的train_test_spilt函數來對歷史數據隨機進行分類，分類比例是：訓練集為歷史數據的2/3，測試集為1/3。

(2)

(3)

(4)

算法效果如表1所示。

表1 算法效果對比 (%)

從預測結果來看，預測結果和實際值之間是存在誤差的，主要是由兩方面引起：第一，訓練樣本數量少；第二，未對天氣類型和輸入特征進行細化。如果加入更細化的天氣類型，雖然會提高預測精度，但也會對實時天氣預報提出更高的要求，增加預報數據獲取的難度。目前所建立的預測模型效果好于傳統的BP神經網絡，同時也解決了神經網絡需要調大量參數、隱含層設定不確定的問題，gcForest具有參數少、不用預先確定結構的優勢。

4 結論

根據溫度和天氣因素對光伏發電的影響，建立了基于gcForest的光伏發電出力預測模型，通過與傳統BP神經網絡預測算法進行對比，并將預測結果與實際數據相比較，驗證了算法的合理性，所建立的預測模型可以有效地預測各類天氣情況下光伏發電的輸出功率。

參考文獻

[1] 李碧君,方勇杰,楊衛東,等. 光伏發電并網大電網面臨的問題與對策[J]. 電網與清潔能源,2010,26(4):52-59.

[2] 王飛,米增強,甄釗,等. 基于天氣狀態模式識別的光伏電站發電功率分類預測方法[J]. 中國電機工程學報,2013,33(34):75-82,14.

[3] 龔鶯飛,魯宗相,喬穎,等. 光伏功率預測技術[J]. 電力系統自動化,2016,40(4):140-151.

[4] 傅美平,馬紅偉,毛建容. 基于相似日和最小二乘支持向量機的光伏發電短期預測[J]. 電力系統保護與控制,2012,40(16):65-69.

[5] 丁明,徐寧舟. 基于馬爾可夫鏈的光伏發電系統輸出功率短期預測方法[J]. 電網技術,2011,35(1):152-157.

[6] 張程熠,唐雅潔,李永杰,等. 適用于小樣本的神經網絡光伏預測方法[J]. 電力自動化設備,2017,37(1):101-106,111.

[7] 袁曉玲,施俊華,徐杰彥. 基于BP神經網絡的光伏發電短期出力預測[J]. 可再生能源,2013,31(7):11-16.

[8] Zhou ZhiHua, Feng Ji. Deep forest: towards an alternative to deep neural networks[EB/OL].(2017-5-31)[2017-09-28].https://arxiv.org/abs/1702.08835.

[9] 張雪莉,劉其輝,馬會萌,等. 光伏電站輸出功率影響因素分析[J]. 電網與清潔能源,2012,28(5):75-81.