灰色關(guān)聯(lián)與麻雀優(yōu)化算法預測光伏發(fā)電量研究

成 珂，張 璐，楊力人，勞志軍

(1.西北工業(yè)大學動力與能源學院，陜西西安 710072；2.西安博威新能源科技有限公司，陜西西安 710000)

由于外界環(huán)境變化，光伏發(fā)電存在波動性與間歇性，并入電網(wǎng)后會對電力系統(tǒng)的運行產(chǎn)生影響。準確地對發(fā)電量進行預測，有助于電力調(diào)度部門提前做好安排，降低對電網(wǎng)的沖擊。多數(shù)學者針對光伏發(fā)電量預測進行了相應研究，選擇出相關(guān)性最大的因素及合適的預測模型是提高預測精度的關(guān)鍵。

關(guān)于光伏發(fā)電的影響因素，何旻[1]針對影響光伏發(fā)電的主要因素提取不當及數(shù)據(jù)質(zhì)量不高的問題，提出了基于copula 函數(shù)的相關(guān)性分析方法。Long Huan 等[2]提出一種參數(shù)選擇方法用于選擇光伏預測的重要參數(shù)。Khan Idris 等[3]基于霧霾特殊天氣下光伏預測精度低的情況，引入空氣質(zhì)量指數(shù)(AQI)及溫度、風速、濕度等常規(guī)參數(shù)作為預測模型的輸入量。陸爽等[4]基于Pearson 相關(guān)系數(shù)分析輻照強度、氣溫等與光伏發(fā)電量的相關(guān)性。

同時需建立合適的預測模型，目前在光伏發(fā)電量預測中應用較多的有馬爾科夫鏈、支持向量機、人工神經(jīng)網(wǎng)絡(luò)等[5]。Sharadga Hussein 等[6]對比了不同的時間序列預測方法，結(jié)果表明神經(jīng)網(wǎng)絡(luò)用于光伏發(fā)電量的預測比統(tǒng)計模型更準確。Gao Yang 等[7]依據(jù)歷史光伏出力數(shù)據(jù)提出一種基于機器學習的自適應超短期直接預測模型。王晨陽等[8]提出利用遺傳算法對卷積長短記憶混合神經(jīng)網(wǎng)絡(luò)模型(CNN-LSTM)參數(shù)進行優(yōu)化，在預測精度及運行時間方面表現(xiàn)良好。

近年來城鄉(xiāng)建筑屋頂建設(shè)的小型分布式光伏電站，一般不收集氣象數(shù)據(jù)，采用上述方法預測較困難。因此本文利用公開的天氣資料，依據(jù)8.16 kW 屋頂光伏電站2016―2021 年1 744 d 的實際運行數(shù)據(jù)，開展光伏發(fā)電量預測研究。研究首先基于聚類劃分天氣數(shù)據(jù)，采用灰色關(guān)聯(lián)法分析各氣象因素與光伏發(fā)電量之間的相關(guān)性，接著采用麻雀搜索算法優(yōu)化預測模型，并與常規(guī)及采用粒子群優(yōu)化的模型進行了對比。

1 研究理論

1.1 氣象因素優(yōu)化

不同天氣類型下的太陽輻射、溫度等氣象因素有不一樣的規(guī)律變化，導致光伏發(fā)電存在較大的差異。相關(guān)性分析方法對氣象因素進行篩選，可以提高不同天氣類型的預測精度。其中灰色關(guān)聯(lián)度是一種多因素分析方法，通過計算能得到某個量受其他因素影響相對強弱，可獲得多個不同因素之間的關(guān)聯(lián)程度。由于對樣本數(shù)量要求不高、計算量小等特點[9]，故本文選擇灰色關(guān)聯(lián)分析作為篩選氣象因素的方法，得到研究對象與各影響因素之間的關(guān)聯(lián)度后，通過比較各個關(guān)聯(lián)度的大小對二者的關(guān)聯(lián)程度進行分析，進而得到與研究對象關(guān)聯(lián)性較大的因素。

1.2 預測算法優(yōu)化

光伏發(fā)電量預測常采用誤差反向傳播神經(jīng)網(wǎng)絡(luò)(error back propagation neural network，BP)，即通過梯度下降法將誤差反向傳播更新權(quán)重w和偏差b完成訓練進而進行預測，是目前預測技術(shù)中有效的神經(jīng)網(wǎng)絡(luò)算法之一。本文選擇典型的3 層神經(jīng)元網(wǎng)絡(luò)結(jié)構(gòu)，通過對數(shù)據(jù)的處理，確定以西安馬王鎮(zhèn)2016―2021 年的有效數(shù)據(jù)作為研究樣本，其中輸入量為2016―2021 年對應的溫度、相對濕度等氣象因素，輸出量為采集的日發(fā)電量數(shù)據(jù)。

三層的BP 網(wǎng)絡(luò)應用廣泛，但因其收斂速度慢、易陷入局部極值等缺點，需要對BP 網(wǎng)絡(luò)進行改進。常見的群智能優(yōu)化算法有遺傳算法、粒子群算法、蝙蝠算法及灰狼算法等，因其在適用性、收斂性及穩(wěn)定性等方面的優(yōu)勢，在組合算法中應用較廣泛。本文基于天氣聚類及灰色關(guān)聯(lián)的結(jié)果，采用麻雀搜索算法(sparrow search algorithm，SSA)優(yōu)化BP 預測模型的權(quán)重及偏差值，實現(xiàn)提高預測精度的目的，并與常規(guī)及采用粒子群優(yōu)化算法(partical swarm optimization，PSOBP)的模型進行了對比。

1.2.1 麻雀優(yōu)化模型

麻雀搜索算法是Xue 等[10]依據(jù)麻雀覓食行為及反捕食行為提出的一種群體優(yōu)化算法，具有搜索能力強且調(diào)節(jié)參數(shù)少的優(yōu)點。算法本身依托于麻雀的生物行為，麻雀種群中具有較高適應度、能夠提供覓食區(qū)域及方向的是發(fā)現(xiàn)者；跟隨發(fā)現(xiàn)者能夠搜索到食物豐富的區(qū)域的是加入者；同時部分加入者為增加捕食率會監(jiān)視發(fā)現(xiàn)者并搶奪食物；當監(jiān)測到捕食者時，通過鳴叫報警引導加入者進入安全區(qū)域。其流程圖及優(yōu)化過程如圖1 所示。

圖1 麻雀搜索及優(yōu)化算法流程圖

麻雀搜索優(yōu)化算法首先確定BP 及麻雀網(wǎng)絡(luò)結(jié)構(gòu)及參數(shù)，通過計算初始種群適應度值并進行排序，對發(fā)現(xiàn)者、加入者及預警者的位置進行更新，得到當前最優(yōu)解。通過對比判斷是否滿足更新操作的要求，得到全局最優(yōu)解并傳遞給BP 網(wǎng)絡(luò)進行優(yōu)化。

其發(fā)現(xiàn)者位置更新公式為：

式中：Xij為第i只麻雀在第j維中的位置，j=1,2,3...d；t為迭代次數(shù)；maxiter為最大迭代次數(shù)；α∈(0,1]的隨機數(shù)；Q為服從正態(tài)分布的隨機數(shù)；L為1×d的矩陣，矩陣內(nèi)全部元素均為1；R2∈[0,1]為預警值；ST∈[0.5,1]為安全值。

加入者位置更新公式為：

式中：Xp為當前發(fā)現(xiàn)者占據(jù)的最優(yōu)位置；Xworst為當前全局最差位置；A為1×d的矩陣，矩陣內(nèi)的元素隨機賦值為1 或－1。

預警者位置更新公式為：

式中：Xbest為當前全局最優(yōu)位置；b為步長控制參數(shù)，值為服從均值為0、方差為1 的正態(tài)分布隨機數(shù)；K為[－1,1]之間的隨機數(shù)；fi為第i只麻雀的適應度值；fg為當前全局最優(yōu)適應度值；fw為當前全局最差適應度值。

1.2.2 粒子群優(yōu)化模型

PSO 是一種群體智能優(yōu)化算法，通過各粒子之間的相互作用，對特定的區(qū)域進行智能搜索。基本思想是初始化一群包含BP 網(wǎng)絡(luò)權(quán)值及偏差的粒子，并用位置、速度及適應度來表征粒子屬性，通過跟蹤個體最佳位置及群體最佳位置得到BP 網(wǎng)絡(luò)最佳的初始化權(quán)值及偏差值，達到優(yōu)化的目的，具體流程如圖2 所示。

圖2 PSO-BP算法流程圖

2 小型光伏電站

研究以陜西省西安市馬王鎮(zhèn)小型光伏電站為例，采用2016―2021 年的光伏發(fā)電量實際運行數(shù)據(jù)，以及對應時間序列的公開氣象數(shù)據(jù)。該電站處于北緯34.194°，東經(jīng)108.707°，屬太陽能資源III 類地區(qū)，年總輻射量45.74×108MJ/m2，平均每天約有5.43～6.21 h 的日照，全年約有1 983.4～2 267.3 h 的日照時長。圖3 為光伏電站。

圖3 光伏電站

該電站為建筑屋頂安裝的分布式小型光伏電站，裝機容量為8.16 kW。光伏組件正南方向排列，安裝傾角為23°。光伏組件選型為HH255(30)P，單個容量為255 W，單塊尺寸1 650 mm×992 mm×40 mm，工作電壓為30.10 V，工作電流8.47 A，組件效率15.67%，方陣排列方式為16 塊串聯(lián)為一個單元，2 個單元并聯(lián)。并網(wǎng)逆變器型號為suntree8000TL，數(shù)量1 臺，最大直流(DC)輸入電壓9 000 V，最大效率98%，三相輸出，具有防孤島、過欠電壓關(guān)機等功能。

3 研究過程

3.1 數(shù)據(jù)處理

整理電站記錄的數(shù)據(jù)得到光伏發(fā)電數(shù)據(jù)1 789 d，為提高數(shù)據(jù)的可靠性，將整理的數(shù)據(jù)進行初步清洗，結(jié)果表明缺失及無效值有7 d，由于數(shù)據(jù)較少，直接簡單篩除，故得到有效的光伏發(fā)電及氣象數(shù)據(jù)1 782 d。接著以輻射量與發(fā)電量作為篩選參數(shù)，二者擬合后選擇95%置信將遠離樣本主體的離群值剔除，得到1 744 d 有效數(shù)據(jù)，具體如圖4 所示。

圖4 剔除離群值

3.2 天氣聚類

5 年的數(shù)據(jù)中包含不同的天氣類型，從數(shù)據(jù)中選取連續(xù)一周的光伏輸出功率數(shù)據(jù)，曲線變化如圖5 所示，明顯可見不同天氣下的光伏發(fā)電有較大差異。為減少類型數(shù)對預測精度的影響，需要對天氣類型進行分類處理。

圖5 不同天氣下光伏輸出功率曲線

分類過多時，預測需要大量的數(shù)據(jù)樣本；分類過少時，每一類天氣類型復雜導致預測精度低。因此本文基于初次劃分的天氣類型利用SPSS 進行二次聚類劃分，具體如圖6 所示。根據(jù)聚類結(jié)果，將復雜的天氣類型進行分類合并，考慮到樣本數(shù)據(jù)有限，當分類數(shù)過多可能對預測精度產(chǎn)生的影響，本文選擇相對距離為3.5 將其分為6 類，其中A 類樣本330，B 類樣本299，C 類樣本588，D 類樣本269，E 類樣本179，F(xiàn) 類樣本79。

圖6 使用平均聯(lián)接(組間)的譜系圖

3.3 灰色關(guān)聯(lián)度分析

基于1.1 節(jié)的內(nèi)容，本文選擇太陽輻射、晴空指數(shù)及相對濕度等10 個參數(shù)作為灰色關(guān)聯(lián)度計算的比較序列，實際光伏發(fā)電量作為參考序列。以A 類樣本為例，根據(jù)計算得到各個氣象因子與光伏發(fā)電量的相關(guān)度如表1 所示。

表1 A 類灰色關(guān)聯(lián)度

結(jié)果表明，選取的各氣象因素的灰色關(guān)聯(lián)度均大于0.6，表明各氣象因子與發(fā)電量之間有一定的關(guān)聯(lián)性，A 類樣本選擇太陽輻射、晴空指數(shù)等大于0.8 的9 個參數(shù)作為輸入特征進行發(fā)電量預測。同理B-F 類樣本取10、9、8、8 及9 個參數(shù)依次作為輸入量。

3.4 預測模型實現(xiàn)

借助MATLAB 平臺，結(jié)合1.2 及3.3 節(jié)的內(nèi)容，確定預測模型的輸入量為溫度、相對濕度等各種氣象因素，但由于包含不同天氣類型的研究樣本基于灰色關(guān)聯(lián)分析導致A、B 及C等6 類樣本的輸入量有差異，輸出量為電站實際的光伏發(fā)電量，隱含層節(jié)點數(shù)采用經(jīng)驗公式來確定。

為與粒子群優(yōu)化算法進行對比，麻雀優(yōu)化算法與粒子群優(yōu)化參數(shù)設(shè)置保持一致，種群數(shù)為20，最大迭代數(shù)為100，依據(jù)各分類樣本下的輸入量及隱含層個數(shù)，得到種群維度為M=輸入層神經(jīng)元數(shù)×隱含層神經(jīng)元數(shù)+隱含層神經(jīng)元數(shù)×輸出層神經(jīng)元數(shù)+隱含層神經(jīng)元數(shù)+輸出層神經(jīng)元數(shù)，隨機生成M個包含神經(jīng)網(wǎng)絡(luò)權(quán)值及偏差信息的粒子，通過迭代尋優(yōu)將最優(yōu)的權(quán)值及偏差值賦給BP 網(wǎng)絡(luò)，進行后續(xù)訓練預測。

4 研究結(jié)果與分析

4.1 評價指標

為準確評價預測模型的性能，本文選擇了平均絕對誤差(MAE)、平均平方根誤差(RMSE)及平均絕對百分比誤差(MAPE)三個參數(shù)作為評價指標，其中ti為預測值，yi為實際值，n為樣本數(shù)。具體的計算方法如下：

4.2 預測結(jié)果及分析

結(jié)合3.2～3.4 節(jié)的內(nèi)容，將經(jīng)過灰色關(guān)聯(lián)篩選后的數(shù)據(jù)分別基于天氣聚類輸入到BP、粒子群優(yōu)化BP(PSOBP)及麻雀優(yōu)化BP(SSABP)模型中進行分析。具體結(jié)果如圖7 所示。

圖7 所示依次為A-F 等6 類天氣下的預測結(jié)果對比，A、B、D 及E 類的曲線更貼近真實曲線；而C 及F 類天氣下受到云層、雨水等的影響較大，復雜的天氣變化情況使光伏發(fā)電波動性更強，導致預測誤差較大。

根據(jù)表2 進一步對預測結(jié)果進行分析，從各項評價指標可見優(yōu)化后的算法比BP 算法性能更好，且麻雀優(yōu)化算法比粒子群優(yōu)化算法預測誤差更小。如A 類天氣下相比常規(guī)BP 預測，PSOBP 預測平均絕對誤差可降低0.131 4 kWh，平均平方根誤差可降低0.115 8 kWh，平均絕對百分比誤差可降低0.120 4。SSABP 預測平均絕對誤差可降低0.303 1 kWh，平均平方根誤差可降低0.345 6 kWh，平均絕對百分比誤差可降低0.133 0。通過比較，SSABP 比常規(guī)方法平均絕對誤差可降低0.419 7 kWh，平均平方根誤差可降低0.412 6 kWh，平均絕對百分比誤差可降低0.082 9；比PSOBP 平均絕對誤差可降低0.209 8 kWh，平均平方根誤差可降低0.235 5 kWh，平均絕對百分比誤差可降低0.052 5。

表2 預測結(jié)果評價

5 結(jié)論

本文以實際小型光伏電站為研究對象，為提高不同天氣類型下的預測精度，基于聚類劃分天氣數(shù)據(jù)，并采用灰色關(guān)聯(lián)法分析氣象因素與光伏發(fā)電量之間的相關(guān)性，結(jié)合優(yōu)化算法實現(xiàn)了日光伏發(fā)電量預測。結(jié)果表明：

(1)對天氣類型進行統(tǒng)計、劃分得到6 類不同的子天氣樣本，為降低因輸入量冗余度較大導致預測精度低的不利影響，每一類采用灰色關(guān)聯(lián)法篩選出與發(fā)電量關(guān)聯(lián)性較大的氣象因素，劃分的A、B 及C 等6 類樣本下模型的輸入量個數(shù)依次為9、10、9、8、8 及9。

(2)基于上述的結(jié)果，采用麻雀搜索算法優(yōu)化BP 網(wǎng)絡(luò)的權(quán)值及偏差值，并建立了BP、粒子群優(yōu)化BP(PSOBP)及麻雀優(yōu)化BP(SSABP)預測模型。

(3)每一類樣本分別采用三種算法進行預測對比，預測結(jié)果可知優(yōu)化后的算法預測精度更高，相比傳統(tǒng)及粒子群優(yōu)化算法，麻雀優(yōu)化算法誤差更小。

以上研究結(jié)果可為電力能源規(guī)劃及可行性分析等提供支持，對于提高電網(wǎng)接納光伏及電力系統(tǒng)的安全穩(wěn)定運行有實際作用。本文將出現(xiàn)次數(shù)較少的天氣歸類到相近的天氣類型中，對預測精度的提高有一定的影響，后續(xù)在增加樣本的前提下，可細分天氣類型，進一步提高預測精度。