光伏充氣膜溫室發電系統短期功率預測研究*

杜 昕，李貴紅，李 祥，王 佳

（蘭州職業技術學院，甘肅 蘭州 730070）

0 引言

光伏充氣膜溫室發電是農業實現電氣化、智能化、綠色化的重要途徑之一。但是其系統輸出功率由于受太陽輻射強度、天氣、電池組件溫度以及一些隨機因素的影響而具有波動性大、隨機性強和不可控等缺陷，特別是在突變天氣中表現得尤為突出。因此，這種發電方式在接入溫室后必然會對溫室機電設備的安全性和穩定性造成沖擊，這成為光伏充氣膜溫室發電廣泛應用的阻礙因素之一[1-2]。因而，提高充氣膜溫室發電系統功率預測的精確度尤為重要，對充氣膜溫室的經濟、安全、穩定運行及維護具有重大意義，也為其合理調度用電提供依據。

光伏充氣膜溫室發電系統短期功率預測，文獻[3-4]先對太陽光的照射強度進行預測，然后借助計算模型或者神經網絡并考慮其他因素進行預測；文獻[5-6]利用BP神經網絡、支持向量機等建立了預測模型。但是以上預測方法，在早、晚以及突變天氣狀態下，普遍存在預測誤差較大等缺點。

本研究針對光伏充氣膜溫室發電系統短期功率預測，將集合經驗模態分解（EEMD）與支持向量機（SVM）相結合，提出了一種EEMD-SVM組合預測法。先根據氣象條件將天氣分為晴天、多云等5種類型，隨后將歷史輸出功率根據天氣類型進行歸類并篩選出和待測日氣象條件相似日期的數據作為歷史數據，利用EEMD將歷史數據分解成不同頻率的平穩固有模態分量（IMF），最后利用SVM分別建立模型并進行預測。

1 EEMD和SVM

1.1 EEMD

EEMD分析法是2005年Wu等[7]人為消除經驗模態分解法（EMD）中模態混疊現象而提出的一種能夠自適應地對非平穩復雜信號進行處理的噪聲輔助分析法，主要是在原信號序列中多次加入不同幅值但頻譜均勻分布的白噪聲，進行EMD分解，最終得到的固有模態函數分量（IMF）保持了物理上的特性，從而消除了模態混疊，具體分解步驟如下。

1）初始化M、k、i，并令i=1。M為EMD分解的總體平均次數，k為在原信號序列中加入的白噪聲幅值系數，i為迭代次數。

2）進行第i次EMD分解，按照如下步驟進行。

①將高斯白噪聲ni（t）加到原信號序列X（t）中，得到第i個新的發電系統功率序列：

式（1）中，ni（t）為高斯白噪聲、X（t）為歷史光伏發電系統功率序列。

②按照EMD的分解步驟對加噪后新的光伏發電系統功率序列進行分解，獲得J個IMF分量Ci,j（t）和一個殘差分量ri,J（t），即：

式（2）中，J為EMD分解獲得的IMF分量總數，Ci,j（t）表示第i次分解得到的第j（j=1,2,3…,J）個IMF分量，ri,J（t）為殘差分量。

③將不同幅值的白噪聲序列加入到歷史發電功率序列中，重復執行①、②步驟，直到進行M次為止。

以上步驟中，M和k是兩個非常重要的參數，極大地影響著預測的精度，目前并沒有任何可以參考的公式，結合經驗數據建議，M取100，k取0.2。

1.2 SVM

SVM是一種根據結構最小化原則（SRM）和VC維概念建立的適合小樣本、非線性、高維數等分類情況的模式識別方法。將其用于光伏發電功率預測模型時，先將原樣本空間映射到一個高維空間ψ中，通過線性回歸的方法進行分析，獲得回歸函數如下：

式（7）中，σ為核寬度。

2 EEMD-SVM預測模型

2.1 影響因素分析

如圖1所示，光伏充氣膜溫室發電系統輸出功率受到光伏陣列、光伏設備等本身相關因素的影響，也受到天氣、所處地理位置以及系統運行時間的影響。

圖1 影響光伏充氣膜溫室發電系統輸出功率的因素Fig.1 Factors affecting the output power of power generation system on inflatable membrane greenhouse attached photovoltaic

對于確定的發電系統來說，其歷史數據中本身就包含了地理位置、光伏陣列的安裝角度和方式、逆變器等光伏充氣膜溫室發電系統本身的相關信息。天氣因素中，主要用到日最高、最低溫度、日期等數據。由于天氣變化對光伏充氣膜溫室發電系統輸出功率影響很大，因此，本預測模型的基本思路是將天氣分為晴天、多云、陰天、雨（雪）天以及突變天氣等5種類型并分別建立預測模型[8-15]。

2.2 模型設計

分別選取上述5種類型的天氣各80 d，其中將前70 d的發電功率數據作為訓練樣本，后10 d的作為測試樣本，以建立陰天每天6：00到20：00時間段功率預測模型為例，每隔12 min進行一次數據采集，可得到71個數據點。在采集到的70 d、每天14 h、共4 970個歷史發電功率原始數據序列中添加50組、幅值為0.2的白噪聲，然后，運用EEMD方法自適應地將加噪后新的原始數據序列分解成如圖2所示的5個不同尺度的IMF分量和一個殘差分量。其中，第一行為原始數據序列，第二行至第七行分別為IMF1～IMF5分量和殘差分量，反映了輸出功率的波動特征，由圖2可以看出，其波動性相對于原始數據序列更為平穩。最后，對分解得到的不同尺度的IMF分量加入不同的氣象數據（包括預測日前1 d的輸出功率，最高、最低溫度以及預測日的最高、最低溫度）作為支持向量機的預測條件，最后輸出預測的當天發電功率。本研究中，對于波動較大的IMF1～IMF4分量，利用高斯核函數建立模型進行預測，如式（7）所示，而波動較小的IMF5分量，則采用線性核函數建立模型，如式（6）所示。

圖2 光伏充氣膜溫室發電系統輸出功率EEMD分解結果Fig.2 EEMD results of the output power of power generation system on inflatable Membrane greenhouse attached photovoltaic

3 結果分析

為了驗證所述的EEMD-SVM光伏充氣膜溫室發電系統功率預測模型的有效性，采用Matlab編程建立了晴天、多云、陰天、雨（雪）天、突變天氣等五種天氣狀況下的預測模型，并進行了預測。其歷史數據來源于某1 GW光伏充氣膜溫室發電系統2016年到2019年采樣的功率，相關氣象數據來源于項目組的實際采集。本研究選用2020年5種不同天氣狀況下的天氣作為待測日，按照預測步驟，預測待測日的發電系統輸出功率，然后利用如式（8）所示的均方根誤差（RMSE）和如式（9）所示的歸一化平均相對誤差（MRE），兩種評價指標來對預測模型的預測效果進行評價，結果如表1、表2、表3、表4、表5所示。

表1 晴天光伏充氣膜溫室發電系統輸出功率預測誤差統計Tab.1 Forecasting error statistics of the output power of power generation system on inflatable membrane greenhouse attached photovoltaic in sunny days

表2 多云天氣光伏充氣膜溫室發電系統輸出功率預測誤差統計Tab.2 Forecasting error statistics of the output power of power generation system on inflatable membrane greenhouse attached photovoltaic in cloudy days

表3 陰天光伏充氣膜溫室發電系統輸出功率預測誤差統計Tab.3 Forecasting error statistics of the output power of power generation system on inflatable membrane greenhouse attached photovoltaic in overcast days

表4 雨（雪）天光伏充氣膜溫室發電系統輸出功率預測誤差統計Tab.4 Forecasting error statistics of the output power of power generation system on inflatable membrane greenhouse attached photovoltaic in rain(snowy)days

表5 突變天氣光伏充氣膜溫室發電系統輸出功率預測誤差統計Tab.5 Forecasting error statistics of the output power of power generation system on inflatable membrane greenhouse attached photovoltaic in abnormal days

式中，pz為裝機總容量，Pf為待測值，Pt待測日功率真實值，N為預測樣本數。

由表1～表5可知，本研究所述的EEMD-SVM光伏充氣膜溫室發電功率預測法，其相對誤差和均方根誤差，都小于SVM和BP神經網絡等單一預測法，也小于小波-LSSVM預測法。綜上所述，本研究提出的EEMD-SVM預測法，可以較好地對平穩或者突變天氣的光伏充氣膜溫室發電功率進行預測，且預測誤差小，精度高。

4 結論

影響光伏充氣膜溫室發電系統功率的因素眾多，尤其是當天的天氣類型以及最高、最低氣溫，直接影響著發電功率。本課題先將天氣狀況進行分類，然后將發電系統每天相同時刻的功率，進行EEMD分解，隨后將分解得到的IMF分量，分別用不同的支持向量機建模，并加入對應的天氣信息進行預測，其預測結果和SVM、BP神經網絡法以及小波-LSSVM預測法相比，其預測精度得到了顯著的提高。因而，本研究提出的預測法，對于大規模光伏充氣膜溫室發電的應用及電力調度具有較好的參考意義和應用價值。