基于非線性SRUKF的光伏發電功率預測研究

李世紀 楊婷 吳巧鑫 呂高宇 盧長易

摘 要：光伏發電輸出功率具有間歇性和波動性的典型特性，現從統計分布與物理學方法相結合的角度，建立了光伏發電預測功率物理模型，提出了適用于動態非線性系統預測的SRUKF算法。仿真結果表明，該方法用于光伏功率預測時均方誤差較小，對光伏發電短期功率預測的實時性較好，準確性較高。

關鍵詞：光伏發電;功率預測;非線性;SRUKF

0 引言

光伏發電具有間歇性和波動性的典型特征，隨著光伏電站并網滲透率的不斷增加，電網對其調度、管理難度也進一步加大，對電力系統的安全穩定運行將產生不可忽視的影響。因此，準確預測光伏電站的發電功率，促進光伏電站的友好接入，對高效消納清潔能源、提高光伏電站可調度性以及保障電力系統的安全穩定運行，均具有非常積極的意義。

提高光伏發電功率預測的準確度是解決現有光伏電站并入電網問題的關鍵。針對光伏發電功率預測精確性與快速性的技術需求，文獻[1]基于機器學習算法構建了光伏功率預測模型，該模型利用長短期記憶機器學習算法對光伏發電量進行預測，可在較少量數據下得到比較準確的模型，但該模型缺乏明確的物理意義，存在適用性較差的缺點。經典卡爾曼濾波（KF）算法適用于動態變化狀態量的預測估計，為了能更好地適應非線性應用場景，文獻[2-5]針對非線性KF算法開展了系列研究，文獻[6-8]提出通過KF算法與其他算法構成的復合算法，來解決不同時間尺度下光伏或風電功率實時預測的相關問題，但其模型不關注物理過程，主要依賴歷史數據，同樣存在模型適用性較差的缺陷。

梳理現有文獻可總結得出，研究光伏發電功率預測一般分為統計分布與物理學兩種方法。在此基礎上，本文提出了一種適用于動態非線性系統的SRUKF算法，并通過仿真分析驗證了所提算法的有效性。

1 光伏發電功率預測模型

選取輻照強度和溫度作為光伏發電輸出功率的關鍵因素，建立如式（1）所示的光伏發電功率預測物理模型。

Ph=ηSEth[1-0.005（T-25）]（1）

式中：η為額定轉換功率;S為光伏列陣面積;Eth為光伏組件傾斜面上的太陽輻照強度;T為組件溫度。

2 非線性SRUKF算法原理

2.1 ? ?經典KF算法基礎理論

運用經典KF算法可以在含有不確定信息的動態系統中，對系統下一步變化作出包含先驗概率的最優預測，其對連續變化系統有著非常高的適用性。經典KF算法本質上是基于觀測值與估計值二者的數據，對真實值進行估計的過程，根據觀測值與估計值的相對時間關系，KF算法既可以實現濾波，又可以實現預測。KF算法模型為標準離散化狀態方程，如式（2）（3）所示。

基于最小二乘算法，結合采集數據對光伏發電功率進行預測并計算其準確率，將其與SRUKF算法得到的準確率進行匯總，結果如表1所示。由表1數據可知，基于SRUKF算法的光伏發電功率預測模型的準確率明顯高于最小二乘算法的準確率。

繪制RMSE的變化曲線圖，如圖2所示，隨著采樣次數的增加，預測均方根誤差隨之減小，表明預測值逐漸趨近真實值，該模型在預測過程中后期表現越來越好。

4 結語

本文從統計分布與物理學相結合角度，選取輻照強度和溫度作為影響光伏發電功率預測的關鍵環境因素，建立光伏發電功率預測物理模型。通過對經典KF算法優缺點的分析，提出一種基于非線性SRUKF算法的光伏發電功率預測模型，并給出具體實現流程。基于MATLAB建立仿真模型，以江蘇省宜興市某地戶用光伏發電設備真實數據為算例，首先指出數據采樣時間間隔將直接影響所提算法預測過程的快速性;然后對所提算法預測結果的準確性進行分析，結果證明了所提算法的預測結果具有較好的準確性。

[參考文獻]

[1] MAITANOVA N，TELLE J S，HANKE B，et al.A Machine Learning Approach to Low-Cost Photovoltaic Power Prediction Based on Publicly Available Weather Reports[J].Energies，2020，13（3）：735.

[2] 張玉峰，周奇勛，周勇，等.非線性自適應平方根無跡卡爾曼濾波方法研究[J].計算機工程與應用，2016，52（16）：36-40.

[3] 衛志農，孫國強，龐博.無跡卡爾曼濾波及其平方根形式在電力系統動態狀態估計中的應用[J].中國電機工程學報，2011，31（16）：74-80.

[4] BHAUMIK S，SWATI.Cubature quadrature Kalman filter[J].IET Signal Processing，2013，7（7）：533-541.

[5] PEKSA J.Prediction Framework with Kalman Filter Algorithm[J].Information（Switzerland），2020，11（7）：358.

[6] 周志兵.基于改進分數階卡爾曼濾波的光伏發電功率預測算法[J].電器與能效管理技術，2017（4）：41-45.

[7] 楊茂，黃賓陽，江博，等.基于卡爾曼濾波和支持向量機的風電功率實時預測研究[J].東北電力大學學報，2017，37（2）：45-51.

[8] 李春來，張海寧，楊立濱，等.基于無跡卡爾曼濾波神經網絡的光伏發電預測[J].重慶大學學報，2017，40（4）：54-61.

收稿日期：2020-11-17

作者簡介：李世紀（2000—），男，河南駐馬店人，研究方向：電氣工程與智能控制。