光伏發(fā)電功率預(yù)測方法研究

侯濤

(青海省化工設(shè)計(jì)研究院有限公司, 西寧 810000)

0 緒論

相比較于國外，我國的光伏產(chǎn)業(yè)啟動較晚，遠(yuǎn)落后于國外發(fā)達(dá)國家。但近些年在功率預(yù)測技術(shù)方面，也有了一定的建樹。風(fēng)電及光伏發(fā)電的隨機(jī)性給電力系統(tǒng)的危害性越來越大，從2012年起國內(nèi)各省都將功率預(yù)測作為很重要的一部分。北京木聯(lián)能軟件股份優(yōu)化公司總結(jié)多年經(jīng)驗(yàn)，并與國內(nèi)外最優(yōu)的數(shù)值天氣預(yù)報(bào)廠家合作，研發(fā)出了新能源電站功率預(yù)測系統(tǒng)V6.0，提高了運(yùn)維效率。截止目前，木聯(lián)能光伏智能化解決方案市場占有量在同行業(yè)中也處于領(lǐng)先地位；東潤環(huán)能公司也針對功率預(yù)測進(jìn)行技術(shù)研討，并得到了一定的成就；將來，我國光伏產(chǎn)業(yè)將有廣闊的發(fā)展空間，會在國際光伏領(lǐng)域中發(fā)揮越來越重要的作用[1]。如今，功率預(yù)測的方法有很多，但沒有一種方法能普遍適用，所以，探究新的功率預(yù)測方法對于光伏發(fā)電系統(tǒng)來說至關(guān)重要。

1 研究內(nèi)容

光伏發(fā)電系統(tǒng)會受到太陽光照、環(huán)境溫度、天氣類型等氣象因素的影響，輸出功率具有很大的不確定性。光伏發(fā)電輸出功率的波動會加大發(fā)電和運(yùn)行規(guī)劃的控制難度，會影響電網(wǎng)的安全穩(wěn)定運(yùn)行[2]。如果能夠加強(qiáng)對光伏發(fā)電系統(tǒng)功率預(yù)測的分析，就能夠更加準(zhǔn)確地預(yù)測出光伏系統(tǒng)在某個(gè)時(shí)間段內(nèi)的功率，進(jìn)一步提高對電網(wǎng)安全性、穩(wěn)定性及經(jīng)濟(jì)性的控制。文章針對這一問題，對出力預(yù)測進(jìn)行研究，尋求能夠準(zhǔn)確預(yù)測光伏發(fā)電系統(tǒng)輸出功率的方法[3]。

本文以南昌紅谷灘光伏電站為研究對象并結(jié)合當(dāng)?shù)氐奶鞖忸A(yù)報(bào)，建立BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型對出力值進(jìn)行預(yù)測。本文主要的工作內(nèi)容：根據(jù)光伏出力不穩(wěn)定的特點(diǎn)及影響光伏出力的因素，建立系統(tǒng)的輸出功率預(yù)測模型，并用MATLAB軟件來編寫預(yù)測程序。分析影響光伏發(fā)電系統(tǒng)輸出功率的影響因素，選取相似度較高的因素作為預(yù)測模型的輸入。隨機(jī)選擇任意晴天作為預(yù)測日對其作預(yù)測出力值，并對預(yù)測值和實(shí)際值進(jìn)行誤差對照分析，驗(yàn)證所建立模型的可用性。

2 相似日選擇

首先分析影響太陽能光伏發(fā)電系統(tǒng)輸出功率的最主要的氣象因素，以南昌紅谷灘光伏電站為實(shí)例，使用該電站的歷史氣象數(shù)據(jù)來研究大氣溫度、天氣類型以及季節(jié)類型對光伏發(fā)電系統(tǒng)輸出功率的影響,如圖1所示。

由圖1可知天氣類型不同時(shí)，光伏發(fā)電系統(tǒng)的輸出功率值也不同。在相同的時(shí)間點(diǎn)，晴天天氣下，光伏發(fā)電系統(tǒng)的輸出功率值最大。而在陰雨天氣下，光伏發(fā)電系統(tǒng)的輸出功率值較小。不同的天氣類型，晴天下的光伏出力值波動最大，陰雨天氣下的光伏出力值波動較晴天小。如圖2所示。

陰天時(shí)，光伏發(fā)電系統(tǒng)輸出功率值為0，大雨、中雨及小雨天氣類型下，光伏發(fā)電系統(tǒng)輸出功率值比陰天時(shí)的大。陣雨及多云天氣下，光伏發(fā)電系統(tǒng)輸出功率值有所上升，出力波動也比陰雨天時(shí)大，但比晴天的小。所以，太陽輻射強(qiáng)度對晴天時(shí)的輸出功率影響很大，而對陰雨天氣下的輸出功率影響不大，影響陰雨天氣下輸出功率大小的因素可能為風(fēng)速、大氣壓、光伏組件的溫度等。

圖1 不同天氣類型下輸出功率對比圖

圖2 不同季節(jié)輸出功率對比圖

天氣類型都為晴天時(shí)，四個(gè)季節(jié)的出力值曲線變化趨勢相似，基本上都呈現(xiàn)上升-最值-下降的趨勢。但由于不同的季節(jié)，日出日落的時(shí)間、太陽的高度角、光照強(qiáng)度等因素的差別，所以，輸出的功率值不同?？傮w來說，由于春秋兩季氣候相近，所以，春秋季光伏出力值大致相近。

本文提出了一種利用相似日選擇算法[5]和BP網(wǎng)絡(luò)相結(jié)合的預(yù)測方式。即所選取的相似日、預(yù)測日及訓(xùn)練樣本具有相同的季節(jié)、相同的天氣類型、且溫度相近。這樣能在很大程度上提高預(yù)測精度，本文預(yù)測誤差擬控制在10%左右，若在10%左右，則認(rèn)為該預(yù)測模型具有一定的現(xiàn)實(shí)意義，可用到實(shí)際預(yù)測中。

4 算例分析

以南昌紅谷灘光伏電站實(shí)際出力值以及相關(guān)氣象數(shù)據(jù)為例子進(jìn)行預(yù)測仿真。選擇該電站2017年4月1日至2017年12月31日的出力值及氣象信息作為樣本數(shù)據(jù)，最后，隨機(jī)選取任意晴天作為預(yù)測日進(jìn)行驗(yàn)證。把預(yù)測日的氣象信息作為輸入變量輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，則輸出的就是預(yù)測日的預(yù)測值，再與該日的實(shí)際功率值對比，得出誤差。實(shí)際應(yīng)用中，可以提前通過天氣預(yù)報(bào)得知預(yù)測日的最高氣溫與最低氣溫，把數(shù)據(jù)導(dǎo)入訓(xùn)練好的模型中，就能得出預(yù)測日的功率值。

選取了2017年6月19日的氣象信息作為輸入變量來預(yù)測輸出的功率值，6月19日正好為一個(gè)晴天。程序所訓(xùn)練的最佳次數(shù)為9 550次,最小誤差為10e-3,如圖3所示。

圖3 20170619BP神經(jīng)網(wǎng)絡(luò)模型實(shí)際值與預(yù)測值對比圖

圖3中的數(shù)據(jù)采用的是2017年6月19日的氣象數(shù)據(jù)。圖3是BP神經(jīng)網(wǎng)絡(luò)模型實(shí)際值與預(yù)測值的對比圖。誤差百分比如圖4所示。

圖4 20170619神經(jīng)網(wǎng)絡(luò)模型預(yù)測值誤差百分比

考慮到實(shí)際情況的隨機(jī)性和波動性，神經(jīng)網(wǎng)絡(luò)模型參數(shù)無法精準(zhǔn)預(yù)測,如表1所示。

表1 不同時(shí)刻誤差百分表

如圖3和4可知：除16:00之后外，其余時(shí)間段預(yù)測值誤差約在6%左右?？梢宰C明本文所提出的預(yù)測模型可以較準(zhǔn)確的預(yù)測出光伏發(fā)電系統(tǒng)預(yù)測日的輸出功率值，具有一定的實(shí)用性。

5 總結(jié)

本文在預(yù)測模型中融入了相似日選擇算法。也就是說，從歷史氣象數(shù)據(jù)中選出和預(yù)測日天氣及季節(jié)類型相同，氣溫相近的日子作為訓(xùn)練樣本進(jìn)而來預(yù)測預(yù)測日的輸出功率

值[6]，使用相似的日期的數(shù)據(jù)對于太陽能光伏發(fā)電體系來說能夠大大提高其輸出功率的預(yù)測精度。本文以天氣類型、季節(jié)、大氣溫度為模型輸入量輸入，以BP神經(jīng)網(wǎng)絡(luò)來建立光伏電站的輸出功率的預(yù)測模型，使其預(yù)測達(dá)到一定的精度，預(yù)測誤差均在10%左右，具備實(shí)際的實(shí)用價(jià)值。

本文只根據(jù)天氣數(shù)據(jù)來選取相似日。在無法準(zhǔn)確判斷天氣時(shí)，若是超短期負(fù)荷預(yù)測，因其氣象變化緩慢，當(dāng)以負(fù)荷及負(fù)荷增量并設(shè)置其權(quán)重來選取相似日，此時(shí)相似日的選取能考慮到各種相關(guān)因素，包括天氣因素。但必須保證歷史數(shù)據(jù)范圍不應(yīng)太大。若方法是中長期預(yù)測，則可選擇其他預(yù)測方法，如組合預(yù)測法。

根據(jù)差異評價(jià)函數(shù)值的原則選擇一批比較相似的負(fù)荷日：首先將影響因素向量的各分量數(shù)值化，然后建立評價(jià)函數(shù)。評價(jià)函數(shù)中包含已知日的影響因子，預(yù)測日的影響因素向量，設(shè)定的偏離值，要根據(jù)不同地區(qū)的實(shí)際情況決定。所有滿足該評價(jià)函數(shù)的歷史數(shù)據(jù)都可放進(jìn)訓(xùn)練樣本。