光伏發電預測中人工智能算法的應用研究綜述

楊留鋒

(協鑫新能源控股有限公司，徐州 221100)

0 引言

能源是人類生存和發展的重要基石。隨著社會的飛速發展，人類對于能源的需求日益增多，且隨著在能源經濟中扮演重要角色的化石能源的日漸減少，越來越多的研究開始探討可再生能源的應用前景。光伏發電作為一種新型清潔能源，其將太陽輻射轉化為電能，降低了人類對于化石能源的依賴，減少了因為化石能源的燃燒等造成的污染排放，進而提供了一種安全可靠的清潔能源。

光伏電站的發電量不僅受到太陽輻照度和工作溫度的影響，而且同四季、晝夜及陰晴等氣象條件有較強的相關性。由于光伏發電具有間歇性和波動性的特點，導致了其在大規模并網發電的過程中存在不穩定性，由此提高了光伏電站規劃設計和運行維護的難度。因此，如果能夠準確預測未來短期內光伏發電的負荷及太陽輻照度情況，就可以提前做出相應的運行調度策略，這對于提升光伏電站的運行效率具有重要意義。

已有一些利用傳統工程方法和統計方法[1-5]對光伏發電進行預測的研究，但是由于這些方法大多需要建立極其復雜的線性模型，難以應用到實際場景中；此外，光伏發電系統效率受外界因素(如太陽輻照度)的影響，是典型的外生變量的非線性模型[5]。因此，傳統的工程方法和統計方法設計出的線性模型很難適用于這種多變的場景。

人工智能技術作為新一代模擬人腦工作來解決復雜問題的技術，正在越來越多的應用于生產和生活中。光伏發電由于自身間歇性和波動性造成的發電效率瓶頸也有望通過人工智能算法來解決，已經有一些研究嘗試使用人工智能算法來完成對光伏發電過程中各個環節的預測，其中包括使用深度學習來預測光伏發電負荷及太陽輻照度[6-9]，以及使用模糊邏輯[10]、遺傳算法[11-12]等人工智能算法來完成對負荷的預測。

本文簡述了人工智能算法在光伏發電預測的各個環節中的應用，并對這些算法進行了簡單的對比和總結，最后對人工智能算法在光伏發電領域的深度應用進行了展望。

1 人工智能算法在光伏發電預測中的應用

在光伏發電過程中，為了進一步提升光伏電站的運行效率，需要更實時、更精細地把控復雜的能源供求關系。在能源的需求側，準確的電力負荷預測是一項重要內容，可以通過控制AGC/AVC來經濟合理地調節光伏電站的電力負荷，從而有效降低光伏電站的發電成本，提升運行效率。在能源供應側，由于受到太陽輻照度和工作溫度的影響，光伏電站在不同時段的輸出功率也不相同。

因此，如果能夠有效預測不同時段的太陽輻照度情況，可以根據預測出的電力負荷及太陽輻照度來制定合理的光伏電站調度策略，對于提升光伏電站的運行效率及降低運行成本具有重要意義。

2 電力負荷預測

電力負荷預測是指在充分考慮各種因素影響的情況下，運用一套數學方法來處理歷史負荷值和未來負荷值之間的關系，從而預估將來某個時刻光伏電站的發電負荷值。提高光伏電站的電力負荷預測水平，有利于調度調節、優化制定區域內的光伏電站建設規劃，可提高光伏電站的經濟效益和社會效益。精準的電力負荷預測已成為實現光伏電站智能化建設管理運營的重要內容。

根據需要預測的未來某個時間段的長短，電力負荷預測可以分為：近期負荷預測(2周以內)、短期負荷預測(1～2年)、中期負荷預測(3～6年)，以及長期負荷預測(7年以上)。其中，近期負荷預測主要是針對光伏電站的日常調度，其可決定每天甚至1天中某個時段內，哪些發電設備投入運行可以剛好滿足用戶的用電需求，從而降低光伏電站的發電成本，提升發電效率。因此，精準的近期負荷預測對于提升光伏電站的運行效率和降低運行成本具有重要意義，近幾年，對于電力負荷預測的研究也主要集中在近期負荷預測上。傳統的近期負荷預測方法包括時間序列法和回歸分析法。

時間序列法是指按照一定的時間間隔對電力負荷進行采樣，從而獲取光伏電站的歷史負荷數據，建立數學模型，以確定負荷隨時間變化的數學表達式，可對未來某個特定時間點或時間段的負荷進行預測。例如在文獻[13]中，研究人員使用了時間序列法來預測電站的未來電力負荷，該方案采用了溫特線性和季節指數平滑法，包括3個基礎公式和1個預測方程，如式(1)～式(4)所示。

總體平滑公式為：

式中，St為周期為t時的季節成分；α為平滑參數，根據經驗值獲取；xt為周期為t時的時間序列；It為周期為t時的趨勢成分；St-1為周期為t-1時的季節成分；bt-1為周期為t-1時的局部成分。

趨勢平滑公式為：

式中，γ為平滑參數，根據經驗值獲取；bt為周期為t時的局部成分。季節平滑公式為：

式中，It-L為周期為t-L時的趨勢成分，其中，L為季節性的長度；β為平滑參數，根據經驗值獲取。

預測方程為：

式中，It+m-L為周期為t+m-L時的趨勢成分；m為預測周期；Ft+m為周期為t+m時的預測值。

由式(1)～式(4)可以看出，時間序列法具有數據少、計算速度快、能反映負荷變化的連續性的優點。但該方法的缺點是對臟數據的處理要求高，原始時間序列要有平穩性，對天氣因素不敏感，難以解決節假日、天氣變化較大時近期負荷預測誤差較大的問題。

回歸分析法則是利用歷史負荷數據找到變化規律，考慮其他可能影響負荷的因素，建立自變量(歷史負荷數據和其他影響負荷的因素)和因變量(未來特定時刻的負荷)之間的回歸模型，從而確定模型參數，最終推斷未來時刻的負荷值。例如在文獻[14]中，研究人員采用多變量時間序列線性回歸的方法對電站的未來電力負荷進行了預測。

回歸分析法的優點是操作簡單、預測速度快，能很好地表達各個因素與負荷之間的關系，對于新情況有較好的擬合。回歸分析法的缺點在于對分布規律和歷史樣本數據的準確度要求較高，因此對于建立回歸方程比較復雜和困難，導致預測精度較低。

根據長期的電力系統運行經驗，對電力負荷預測建立的數學模型是一個非常復雜的非線性系統，且影響負荷的因素極多，包括氣溫、節假日、電力事故等。若要獲取較高的預測精度，則需要將更多的影響因素納入模型之中，但是前文提到的時間序列法和回歸分析法等傳統方法很難精確描述負荷和影響因素之間的復雜關系，導致最終的預測結果和實際負荷之間會出現偏差。

人工智能算法具有較強的自適應、自學習能力，可以將采集到的歷史負荷數據和影響負荷的因素的歷史數據作為人工智能算法的輸入，以此可以訓練出負荷值的模型，而且并不需要明確的數學關系表達式。其中，神經網絡作為人工智能算法的代表，已經開始應用于電力負荷預測中。

人工神經網絡是一種在不同程度和層次上模仿人腦神經系統的信息處理功能的運算模型，對自然界某種算法或函數進行逼近。人工神經網絡有大量的神經元，能夠根據外部環境的變化對內部結構進行調整，即神經網絡是一種具備自適應、自組織和實時學習能力的系統。

例如在文獻[15]中，研究人員采用了基于LSTM神經網絡的負荷預測方法，LSTM是一種時間遞歸神經網絡。在該研究中，首先對歷史負荷數據進行預處理，以識別和去除數據中的臟數據，然后選擇合適的輸入量和標簽來利用神經網絡進行訓練。由于該研究主要是預測未來某幾天的24 h全天候電力負荷值，根據電力負荷的歷史數據得出工作日和休息日的電力負荷變化趨勢，從而得出“每周休息日的用電負荷會下降”這一結論。該研究采用了迭代預測法，將7天作為1個周期，將7天的歷史負荷數據作為特征向量滾動預測，最后確定神經網絡的網格結構，此時確定神經網絡輸入、輸出的節點個數尤為重要。該研究采用了單模型多變量預測方法，即設置24個輸出節點，分別代表1天的24個小時，同時預測1天內各個小時的電力負荷。在傳統方法中，若采用此種結構的網絡，網絡結構將會極為復雜，有上千個參數需要訓練更新，將會極大地影響網絡的運算速度和預測精度；但是采用LSTM這種時間遞歸神經網絡，在合理的處理輸入數據，并且確定了網絡結構后，可以收到很好的效果。

此外還有一些人工智能算法是采用其他的神經網絡對負荷進行預測，例如最基礎的人工神經網絡、BP神經網絡、Elman神經網絡、RBF神經網絡，以及小波神經網絡等，雖然名稱和內部原理各有不同，但是整體處理邏輯與上述LSTM神經網絡基本相同。還有一些研究采用的是仿生智能算法對負荷進行預測，例如遺傳算法、蟻群算法等，同樣可以得到不錯的效果。

3 太陽輻照度預測

太陽輻照度是影響光伏電站發電效率的重要指標。在對光伏發電系統的性能進行分析時，太陽輻照度是非常重要的參數。太陽輻照度可以通過實地測量獲得，也可以通過理論計算獲取。如何精確可靠地預測太陽輻照度已成為太陽能發電領域的重要課題。與預測電力負荷類似，傳統的預測太陽輻照度的數學模型有很多，如半正弦模型、Collars-Pereira & Rabl模型、Hottel Model和 Threlkeld&Jordan 模型[16-19]。但這些模型的建立都基于特定地區的太陽輻照度數據，所以地域性強，通用性較差；且在陰天時模型預測的太陽輻照度誤差大，模型預測不能方便有效地完成從陰天向晴天的轉換，預測效果波動較大。

神經網絡同樣被廣泛地應用于太陽輻照度的預測中，例如在文獻[6]中，研究人員采用了徑向基函數(RBF)神經網絡和多層感知器(MLP)神經網絡對太陽輻照度進行預測，且這2種神經網絡都收到了較好的效果。此外，為了減少特征集中的信息冗余，采取了長短時記憶網絡進行訓練和降低最優特征集維度的措施，提高了預測精度。

4 光伏發電與人工智能算法深度融合的展望

目前來看，人工智能算法在光伏發電領域的應用已經取得了一定的成果，包括對電力負荷、太陽輻照度及輸出功率的預測在內，都達到了相對精確的程度[20-29]。

在光伏發電系統中，其運行管理工作還存在一些問題，如缺乏自動化、智能程度偏低等，且各項功能系統之間未能充分發揮協同作用。因此，如何有效歸納各類數據，提取其中的有效信息，深度建立它們之間的關系，需要人工智能算法發揮關鍵作用。人工智能算法能實現管理優化，可有效整合現有系統，發揮各系統彼此間的協同效用，極大化地發掘現有數據的潛在價值。

5 結論

本文對當前人工智能算法在光伏發電領域各個環節的負荷預測、太陽輻照度預測的應用研究進行了綜述，由于人工智能算法具有傳統算法不具備的優點，因此收到了良好效果。隨著光伏發電規模在所有發電方式中的占比的擴大，人工智能算法將越來越廣泛的應用于光伏發電領域的各項預測及管理中。