新能源風光發電預測技術的發展及應用(1)

張士禮

摘要：自第二次工業革命之后，能源在經濟增長中的關鍵作用受到高度重視。而伴隨著化石能源的廣泛應用，氣候變化等環境問題日益突出，人類重視的不僅僅是能源帶來的經濟效益，如何為經濟增長提供安全可持續的能源供應、平衡經濟與環境的關系成為發展中的新課題。因此，需要加強發展和應用風光發電預測技術。

關鍵詞：風光發電;預測技術;新能源技術;發展與應用

截至2019年底，全球可再生能源裝機容量達25.7億kw，在電力總裝機中占34.7%。其中風電、太陽能發電發展最為迅速，以89%的裝機比例成為可再生能源中電力增量主體。我國伴隨著“十三五”“十四五”對能源轉型的總要求，能源消費結構逐步向清潔低碳型推進。與全球趨勢相似，我國的可再生能源發展呈現中以風電、太陽能為主穩步發展的基本態勢。

光伏發電作為太陽能發展中的一個分支，在過去10年經歷了巨大增長。而且由于政府和國際組織的政策支持，以及光伏技術的既有優勢，未來光伏系統的數量將以更高的速度增加。風電、光伏發電的大規模普及可以緩解能源短缺問題，而且由于釋放SO2和NOx等污染氣體較少，因此在保護環境上更具優勢。但是，由于這些新能源具有不確定性且難以操控，給電力系統的運行帶來巨大的挑戰。因此研究新技術、新方法對風光系統進行有效控制，不斷提升預測精度，仍然是未來一段時間的重要課題。

一、風力發電預測技術研究現狀

在電網整體運行過程中，實現風力發電過程對風功率的準確預測及盡可能減少風俗變化帶來的不確定性，對于整個電網平穩運行具有重要作用。近年來，大量學者對此進行深入研究并取得許多重要成果。在時間維度上，學者們通常將風電功率預測分為四類：超短期功率預測（幾分鐘-1小時）、短期功率預測、中期功率預測、長期功率預測，而根據使用方法的不同，主要可以分為以下六種預測方法。

1.持續性方法：持續性方法本質上就是一種簡單假設，即未來某一時刻的風速或風力與預報時的風速或風力相同。但隨著預測時間尺度的增大，持續性方法的精度會迅速下降。持續性方法是最簡單的，而且是最經濟的風速功率預測方法。電力公司經常使用持續性方法進行超短期預測。

2.物理方法：物理方法指的是通過低大氣層或者數值進行天氣預報（NWP），使用溫度、壓力或者地表粗糙度等完成預測。NWP模式是氣象學家開發的用于大規模區域天氣預報的模式。一般情況下，由當地氣象服務獲得的風速，可以通過風力渦輪機轉換為風電。物理方法可以增加NWP模型的真實分辨率，以實現對天氣的準確預報。由于物理方法需要大量的計算，所以要在超級計算機上渲染。物理系統使用的參數化是基于對大氣詳細的物理描述，以達到最佳預測精度。現有的商業風電功率預測方法均通過NWP風力預測來進行數據輸入。物理系統可以利用來自NWP的輸入數據，通過基于低層大氣邊界層的方法，根據現場條件將這些輸出數據（風速預報）進行必要的精進。

3.統計方法：統計方法的目的就是找到在線測量風力數據間的關聯。統計模型能夠借鑒風力發電之前的數據。與其他模型相比，統計模型易于建模，開發成本也更低。統計方法基本適用于短時期內，這種方法的缺點是預測誤差隨著預測時間的增加而增加。統計方法可以用來解決工程、經濟學和自然科學中的問題，這些問題通常擁有大量的數據，而且觀測結果具有相互依賴性。

4.空間相關性方法：空間相關模型主要是通過對不同的場地風速間的空間關系。這種模型的預測風速的主要原理就是通過預測點及鄰近點之間的風速時間序列來進行判斷。空間相關模型的判斷可以從另一個地點的測量數據，來對某一地點的風速進行預測，并且經過多年的數據驗證，這種方法可以達到令人滿意的效果。

5.人工智能方法：近年來，隨著人工智能（AI）技術的發展，出現了各種新的人工智能風速和功率預測方法。新發展的方法包括人工神經網絡（ANN）、自適應神經模糊推理系統（ANFIS）、模糊邏輯方法、支持向量機（SVM）、神經模糊網絡和進化優化算法。基于神經網絡的方法是一種適合應用于風力發電預測的方法。

6.混合方法：混合方法的主要目標是充分結合各種方法的優點，以獲得全局最優的預測性能。因為單種預測方法所獲得信息非常有限，而混合方法可以將所獲得的信息最大化利用，通過整合各種預測方法所獲得的的信息，充分結合多種預測方法的優勢，從而提高預測精度。

二、光伏發電預測技術研究現狀

研究人員會根據不同的因素，例如預測時間范圍、太陽輻照度等歷史數據和其它模式對光伏發電的功率進行預測。與風電功率預測相似，依據預測時間范圍，研究人員將光伏發電分為短期預測（Short-term forecast）和中期預測（Medium-term forecast）以及長期預測（Long-term forecast）。依據光伏發電歷史數據和相關的氣象變量可以將預測方式分為四大模式：（1）持續型（Persistence）;（2）統計型（Statistical）;（3）機器學習型（Machine-Learning，）和（4）混合型（Hybrid Method）。

準確性是光伏發電預測模型發展的關鍵。研究顯示，為了更好地預測性能，應該結合兩個或多個模型的優越屬性來開發混合模型。而在混合體系結構中，單一模型的性能較差，可能會導致較高的預測誤差。

三、風光發電預測技術的新發展——基于BP神經網絡的風光功率預測模型

人工神經網絡預測方法是風光功率預測非線性方法的代表，它是一種模擬人腦的結構和功能的算法，由許多通過特定拓撲結構連接的簡單處理元素組成，因此解決更復雜的問題更為有效，特別是非線性關系問題。其中BP神經網絡算法（Back Propagation Neural Network）是在對神經網絡算法進行改進的基礎上提出的，在風電和光伏發電預測領域，BP神經網絡算法被證明是最成熟的算法，應用最廣泛的神經網絡。同時，該網絡還具有良好的通用性，解決了傳統方法收斂速度慢，局部極小的問題。結合神經網絡的這些優點，本章將對風電和光伏發電功率進行預測，基于BP神經網絡并使用社交粒子群優化算法來優化神經網絡的原始值。最后建立預測模型，來驗證預測模型的預測效果。

（1）輸入數據：對訓練樣本數據進行篩選，篩除錯誤數據，并進行數據捆綁和歸一化處理，將此組數據作為輸入數據。

（2）模型優化：計算樣本數據和預測數據之間的特征矢量相似度，并利用社會粒子群優化算法對神經網絡的權重系數和閾值進行連續優化。通過長時期的網絡學習，建立起精度更優和匹配度更強的預測模型。

（3）得出結果：將預測日時的數據輸入到對應的模型中，同時進行方向歸一化計算，獲取風能和太陽能發電功率預測值最后的結果。

結束語

綜上所述，電力資源作為人類的必須能源，一直在人類社會的生產生活中起著絕對的主導作用，尤其是近年來，隨著我國社會現代化迅速發展，與之同步增長的，是對電力的需求。傳統電力系統雖然積累了大量經驗，并且能帶來高效優質的服務，然而傳統電力系統對環境的不良影響和帶來的能源安全問題，使得這種模式難以為繼。考慮到發電資源的清潔性和經濟性，可再生能源近年來在現代電力系統中迅速普及。而對于風光發電預測技術的發展與研究則有利于風光發電技術的進步。

參考文獻：

[1]賴昌偉，黎靜華，陳博，黃玉金，韋善陽.光伏發電出力預測技術研究綜述[J]. 電工技術學報，2019（6）.

[2]王美玲，王念平，李曉.BP神經網絡算法的改進及應用[J].計算機工程與應用，2006，45（35）：47-48.