论文部分内容阅读
【摘 要】受天气状况、辐照度、温度、湿度等气象因素的影响，光伏系统的输出具有很强的非线性和非平稳性的特点，光伏发电量预测精度较低。本文根据某光伏电站的历史发电数据和实际气象数据，采用模糊理论改进气象条件的量化方式，与BP神经网络相结合，实现光伏系统发电量的短期预测。首先对影响预测结果的气象因素进行分析，找出可以获取的关键条件，然后按季节和天气类型进行分类，对不同的天气类型分别建立模型使用改进了量化方式的输入数据进行训练，最后利用此模型预测未来的光伏系统发电量，并通过实际数据验证。预测结果表明，该方法不但对各个季节和天气条件具有较好的适用性而且提高了预测的精度，使得网络收敛更快，具有一定实用价值。
【关键词】量化方式;模糊理论;发电量预测;光伏;神经网络
1 引言
作为新能源发电的主力，风能与太阳能发电受自然环境影响具有明显的波动性、间歇性与随机性，致使分布式电源的发电功率也呈现出同样的特性，从而为电网调度、能量管理、用电计划带来不利影响[1]。对分布式发电系统进行发电功率预测，可以有效缓解分布式能源在电网调度、能量管理、用电计划等方面的诸多不利影响，是分布式电源并网技术的关键点[2]。更加准确合理的分布式发电短期预测有利于配电系统的能量管理，根据分布式发电设备的未来发电出力，结合区域负荷量的变化趋势，对配电网络的用电计划进行调整;有利于配电系统的安全稳定运行，及时减小或规避由分布式发电设备的波动性带来的影响配网安全稳定运行的风险，降低分布式能源接入对电力系统电能质量的不良影响。基于以上原因，本文将对光伏发电系统的短期发电预测技术展开了深入研究。
现有对光伏发电功率预测的方法主要有间接预测法与直接预测法两种[3]。间接预测法主要是通过预测太阳辐射强度再对发电量进行预测，因此预测结果精度较低。直接预测法是一种依靠大量光伏系统运行的历史数据进行数学统计预测的方法，此方法具有较高的精度。目前对光伏发电预测的方法有多种，如支持向量机法、时间序列法、神经网络法、马尔科夫链等。文献先在历史数据库中挑选出与预测日类似的数据，利用支持向量机方法进行预测。文献[4]使用聚类的方式对历史数据进行分析，运用时间序列与模糊理论结合的方式进行预测。文献[5]通过相似日的选取，获得与预测日相关性最大的相似日，再将相似日的信息当作模型的输入来获得结果。但是，文献需要大量的数据来选择所需要的相似特征，对数据量要求很高;文献[6]由于突变因素的存在，需要进一步的提高其预测精度;文献[7]中提出的模型存在着系统误差，使得每一个预测值在对应的时间上均小于实际值。
本文基于BP神经网络，先从历史相关数据中找到影响光伏发电量的关键条件，并从辐照度曲线里找到辐照度的隐含信息，对于非数值条件通过模糊理论进行量化对应的数值，对历史数据按照季节和天气情况进行分类，对每一种天气类型建立一个预测子模型。将一个复杂度高的模型变成几个复杂度低的子模型，与普通量化方式相比，既加快了网络收敛速度，又提高预测的精度。
2 影响光伏发电量的条件选取及其模糊化
对于光伏来说，影响发电量的最重要因素是辐照度和环境温度，环境温度可以通过查询相应时刻的天气预报来获取，而辐照度的信息却较难预测，要想获取辐照度数据的信息可以通过历史数据中辐照度的变化曲线中的隐含信息来获取，由于当天之前的日期的辐照度数据对当天的发电量有所影响，本模型采用的条件为当天平均风速、平均温度、最高温度、最高温度时刻、最低温度、最低温度时刻、当日温度最大差、当天的前一天辐照度变化趋势、当天的前一天辐照度变化次数、前一天最高温度、当天和前一天天气情况。其中从曲线中得到的有用的隐含条件有：1.当天的前一天辐照度变化趋势，取为前一天辐照度与前两天辐照度的差值;2.当天的前一天辐照度变化（即上升或下降）次数，第1次上升记为+1，第2次上升记为+2，第1次下降记为-1，依此类推;3.当天和前一天天气情况，因为此条件是非数值条件，所以需要将本条件的每一种情况都量化为數值再加以利用，应用模糊理论把相关非数据条件量化为数值条件，并将简单量化和模糊量化后的数据分别作为该条件的数值代入到网络中进行训练，然后分别预测同一天的发电量，比较两者的误差。
中国气象局颁布的国家标准GB/T 22164-2008《公共气象服务一天气图形符号》结合当天的温度高低、晴朗程度以及降雨量情况等因素，将天气划分成30多种细分类型，其中，晴天、多云、阵雨以及大雨为典型天气类型，出现的概率相对较高。对于光伏发电而言，影响其功率输出的天气类型主要包括晴天、阴天以及雨雪天。常见的广义天气细分类型如表1所示。
因此，每天的天气情况在进行广义分析以后只有三种，即晴阴雨。对于最后一个条件——当天和前一天天气情况来说，对应的情况有9种：晴晴、阴晴、雨晴、晴阴、阴阴、雨阴、晴雨、阴雨、雨雨，必须将这些情况量化成数值才能加以利用，构造模糊隶属函数的量化方法是一种可行有效的方法。按照模糊理论，决定以与两天都是晴天（即晴晴）的相近程度来量化这9种类型。根据其中的几种取值确定隶属度函数的参数，其他的情况只需要将原始量化取值带入函数中就可以得到经过模糊量化之后该情况的量化值。取偏大型柯西分布和对数函数作为隶属函数：
当两天条件为“晴晴”时，隶属度为1，即f（9）=1;
当两天条件为“阴晴”时，隶属度为0.8，即f（8）=0.8;
当两天条件为“晴阴”时，隶属度为0.5，即f（6）=0.5;
当两天条件为“雨雨”时，隶属度为0.01，即f（1）=0.01;
计算得：
α=20.6116，β=1.46，a=1.698，b=-2.542。
则
将其初始量化值带入到隶属度函数中，即可求出模糊量化后的值，如表2所示。
3光伏发电量模糊神经网络预测模型
BP神经网络是一种单向传播的多层前向网络。除输入、输出节点外，还有一层或多层隐含节点。BP神经网络的学习过程包括工作信号的正向传播和误差信号的反向传播过程，即输入信号从输入层依次经隐层传到输出层，误差信号则由输出层开始逐层逆向传到输入层，同时由误差反馈调节网络权值。
BP神经网络的拓扑结构如图3所示。该网络由输入层、一个或多个隐含层和輸出层组成，x1，x2，…，x11为网络的输入特征;y为目标输出特征;h1，h2，…，hj分别为隐含层中间变量[5，6]。实际应用中，BP网络主要有3层和4层两种。研究表明，当隐含层的神经元足够大时，3层结构的网络可以实现任意复杂的映射。本模型选用3层的BP网络结构。
输入层含11个节点，每个节点对应1个条件，它们是当天平均风速、平均温度、最高温度、最高温度时刻、最低温度、最低温度时刻、当日温度最大差、当天的前一天辐照度变化趋势、当天的前一天辐照度变化次数、前一天最高温度、当天和前一天天气情况。
输出层含1个节点，对应于当天发电量。
隐层节点的数目可参照公式，其中n为隐层节点数目，n1为输入层节点个数，n0为输出层节点个数，a为1-10间常数;根据相关经验及实验情况，隐层节点数目定为11个。最后可由输出值得出预测的发电量。
网络训练Matlab包含的神经网络工具箱具有强大而灵活的功能，不需要复杂编程。因此，本文采用Matlab的神经网络工具箱作为训练环境，选取训练样本进行训练。训练样本数据取自高邮光伏电站历史数据。
4算例分析
数据来源于江苏省高邮市某光伏电站2016年的发电量运行数据，采集于发电系统的监控系统。因为光伏发电的出力时间为白天有光照条件下，所以数据采集的时间跨度为 6：00～18：00，时间间隔为1小时，将每个小时的发电量累加起来得到当天预测发电量，而每种天气类型用到的样本数量为该历史数据中按照季节和天气类型划分的相关数据除去预测日的所有天数，各个类型的样本数量如表3所示：
本文以某光伏电站2016年春夏秋冬4个季节3种天气共12天作为预测日，分别用初始量化值和模糊量化值预测当天的发电量，如表4所示。
预测模型选用的误差指标为绝对百分比误差（APE），参考公式如下：
APE =|Ppi-Pmi|/Pmi×100%
式中Ppi为某天的光伏预测发电量，Pmi为某天的光伏实际发电量。
从表4中可以看出，由于数值在0-1之间时比初始取值在0-9时网络实现机器学习时收敛更快，所以经过模糊量化后的天气情况的数值的模型预测结果比该条件简单量化的数值的模型的预测值的误差APE要小。说明使用本文所提出的预测方法，通过对天气条件模糊量化的数据对BPNN进行训练建模，光伏发电量预测结果的精度有进一步的提高。
5 结束语
文章采用模糊理论和神经网络对光伏输出功率进行短期预测。通过寻找历史数据中辐照度曲线和天气情况的相关信息并进行模糊量化，利用每个季节各自天气类型的历史数据作为训练样本创建BP神经网络预测模型。在考虑主要天气影响因素的基础上，采用模糊量化后的数据对网络进行训练，然后对光伏未来短期时刻的发电量进行预测。最后使用光伏系统运行数据对预测方法进行分析表明，该光伏功率预测方法所需数据量不大，网络收敛变得更快了，同时能够准确的预测光伏发电功率，较好的反映光伏发电系统的短时出力情况，能够满足实际应用要求，进而对短期功率预测起到一定的参考作用。
参考文献：
[1]郑建鄂，谭建军，鄂翔宇，邹蕾，宋池.基于人工蜂群算法改进BP神经网络的光伏发电量预测[J].湖北民族学院学报（自然科学版），2019，37（01）：90-95.
[2]李英姿，曾万昕，戴玉，郭俊杉，胡亚伟.基于D-S证据理论的光伏发电量预测[J].电气应用，2019，38（02）：102-107.
[3]杨洁，成珂.基于数据挖掘的神经网络光伏发电预测研究[J].激光杂志，2018，39（08）：59-62.
[4]刘明海.基于参数预测的“光雨互补”发电系统研究[J].铁道建筑技术，2018（08）：15-19.
[5]周慧，王进，顾翔.基于数据挖掘的光伏发电预测[J].计算机时代，2018（08）：36-39+42.
[6]任家铭.基于改进神经网络的光伏电站短期出力预测[D].西安理工大学，2018.
[7]陈国栋，罗素芹，刘文斌，朱翔鸥.基于改进相似日的光伏系统日发电量预测[J].照明工程学报，2018，29（03）：115-119.
（作者单位：武汉理工大学 自动化学院）
【关键词】量化方式;模糊理论;发电量预测;光伏;神经网络
1 引言
作为新能源发电的主力，风能与太阳能发电受自然环境影响具有明显的波动性、间歇性与随机性，致使分布式电源的发电功率也呈现出同样的特性，从而为电网调度、能量管理、用电计划带来不利影响[1]。对分布式发电系统进行发电功率预测，可以有效缓解分布式能源在电网调度、能量管理、用电计划等方面的诸多不利影响，是分布式电源并网技术的关键点[2]。更加准确合理的分布式发电短期预测有利于配电系统的能量管理，根据分布式发电设备的未来发电出力，结合区域负荷量的变化趋势，对配电网络的用电计划进行调整;有利于配电系统的安全稳定运行，及时减小或规避由分布式发电设备的波动性带来的影响配网安全稳定运行的风险，降低分布式能源接入对电力系统电能质量的不良影响。基于以上原因，本文将对光伏发电系统的短期发电预测技术展开了深入研究。
现有对光伏发电功率预测的方法主要有间接预测法与直接预测法两种[3]。间接预测法主要是通过预测太阳辐射强度再对发电量进行预测，因此预测结果精度较低。直接预测法是一种依靠大量光伏系统运行的历史数据进行数学统计预测的方法，此方法具有较高的精度。目前对光伏发电预测的方法有多种，如支持向量机法、时间序列法、神经网络法、马尔科夫链等。文献先在历史数据库中挑选出与预测日类似的数据，利用支持向量机方法进行预测。文献[4]使用聚类的方式对历史数据进行分析，运用时间序列与模糊理论结合的方式进行预测。文献[5]通过相似日的选取，获得与预测日相关性最大的相似日，再将相似日的信息当作模型的输入来获得结果。但是，文献需要大量的数据来选择所需要的相似特征，对数据量要求很高;文献[6]由于突变因素的存在，需要进一步的提高其预测精度;文献[7]中提出的模型存在着系统误差，使得每一个预测值在对应的时间上均小于实际值。
本文基于BP神经网络，先从历史相关数据中找到影响光伏发电量的关键条件，并从辐照度曲线里找到辐照度的隐含信息，对于非数值条件通过模糊理论进行量化对应的数值，对历史数据按照季节和天气情况进行分类，对每一种天气类型建立一个预测子模型。将一个复杂度高的模型变成几个复杂度低的子模型，与普通量化方式相比，既加快了网络收敛速度，又提高预测的精度。
2 影响光伏发电量的条件选取及其模糊化
对于光伏来说，影响发电量的最重要因素是辐照度和环境温度，环境温度可以通过查询相应时刻的天气预报来获取，而辐照度的信息却较难预测，要想获取辐照度数据的信息可以通过历史数据中辐照度的变化曲线中的隐含信息来获取，由于当天之前的日期的辐照度数据对当天的发电量有所影响，本模型采用的条件为当天平均风速、平均温度、最高温度、最高温度时刻、最低温度、最低温度时刻、当日温度最大差、当天的前一天辐照度变化趋势、当天的前一天辐照度变化次数、前一天最高温度、当天和前一天天气情况。其中从曲线中得到的有用的隐含条件有：1.当天的前一天辐照度变化趋势，取为前一天辐照度与前两天辐照度的差值;2.当天的前一天辐照度变化（即上升或下降）次数，第1次上升记为+1，第2次上升记为+2，第1次下降记为-1，依此类推;3.当天和前一天天气情况，因为此条件是非数值条件，所以需要将本条件的每一种情况都量化为數值再加以利用，应用模糊理论把相关非数据条件量化为数值条件，并将简单量化和模糊量化后的数据分别作为该条件的数值代入到网络中进行训练，然后分别预测同一天的发电量，比较两者的误差。
中国气象局颁布的国家标准GB/T 22164-2008《公共气象服务一天气图形符号》结合当天的温度高低、晴朗程度以及降雨量情况等因素，将天气划分成30多种细分类型，其中，晴天、多云、阵雨以及大雨为典型天气类型，出现的概率相对较高。对于光伏发电而言，影响其功率输出的天气类型主要包括晴天、阴天以及雨雪天。常见的广义天气细分类型如表1所示。
因此，每天的天气情况在进行广义分析以后只有三种，即晴阴雨。对于最后一个条件——当天和前一天天气情况来说，对应的情况有9种：晴晴、阴晴、雨晴、晴阴、阴阴、雨阴、晴雨、阴雨、雨雨，必须将这些情况量化成数值才能加以利用，构造模糊隶属函数的量化方法是一种可行有效的方法。按照模糊理论，决定以与两天都是晴天（即晴晴）的相近程度来量化这9种类型。根据其中的几种取值确定隶属度函数的参数，其他的情况只需要将原始量化取值带入函数中就可以得到经过模糊量化之后该情况的量化值。取偏大型柯西分布和对数函数作为隶属函数：
当两天条件为“晴晴”时，隶属度为1，即f（9）=1;
当两天条件为“阴晴”时，隶属度为0.8，即f（8）=0.8;
当两天条件为“晴阴”时，隶属度为0.5，即f（6）=0.5;
当两天条件为“雨雨”时，隶属度为0.01，即f（1）=0.01;
计算得：
α=20.6116，β=1.46，a=1.698，b=-2.542。
则
将其初始量化值带入到隶属度函数中，即可求出模糊量化后的值，如表2所示。
3光伏发电量模糊神经网络预测模型
BP神经网络是一种单向传播的多层前向网络。除输入、输出节点外，还有一层或多层隐含节点。BP神经网络的学习过程包括工作信号的正向传播和误差信号的反向传播过程，即输入信号从输入层依次经隐层传到输出层，误差信号则由输出层开始逐层逆向传到输入层，同时由误差反馈调节网络权值。
BP神经网络的拓扑结构如图3所示。该网络由输入层、一个或多个隐含层和輸出层组成，x1，x2，…，x11为网络的输入特征;y为目标输出特征;h1，h2，…，hj分别为隐含层中间变量[5，6]。实际应用中，BP网络主要有3层和4层两种。研究表明，当隐含层的神经元足够大时，3层结构的网络可以实现任意复杂的映射。本模型选用3层的BP网络结构。
输入层含11个节点，每个节点对应1个条件，它们是当天平均风速、平均温度、最高温度、最高温度时刻、最低温度、最低温度时刻、当日温度最大差、当天的前一天辐照度变化趋势、当天的前一天辐照度变化次数、前一天最高温度、当天和前一天天气情况。
输出层含1个节点，对应于当天发电量。
隐层节点的数目可参照公式，其中n为隐层节点数目，n1为输入层节点个数，n0为输出层节点个数，a为1-10间常数;根据相关经验及实验情况，隐层节点数目定为11个。最后可由输出值得出预测的发电量。
网络训练Matlab包含的神经网络工具箱具有强大而灵活的功能，不需要复杂编程。因此，本文采用Matlab的神经网络工具箱作为训练环境，选取训练样本进行训练。训练样本数据取自高邮光伏电站历史数据。
4算例分析
数据来源于江苏省高邮市某光伏电站2016年的发电量运行数据，采集于发电系统的监控系统。因为光伏发电的出力时间为白天有光照条件下，所以数据采集的时间跨度为 6：00～18：00，时间间隔为1小时，将每个小时的发电量累加起来得到当天预测发电量，而每种天气类型用到的样本数量为该历史数据中按照季节和天气类型划分的相关数据除去预测日的所有天数，各个类型的样本数量如表3所示：
本文以某光伏电站2016年春夏秋冬4个季节3种天气共12天作为预测日，分别用初始量化值和模糊量化值预测当天的发电量，如表4所示。
预测模型选用的误差指标为绝对百分比误差（APE），参考公式如下：
APE =|Ppi-Pmi|/Pmi×100%
式中Ppi为某天的光伏预测发电量，Pmi为某天的光伏实际发电量。
从表4中可以看出，由于数值在0-1之间时比初始取值在0-9时网络实现机器学习时收敛更快，所以经过模糊量化后的天气情况的数值的模型预测结果比该条件简单量化的数值的模型的预测值的误差APE要小。说明使用本文所提出的预测方法，通过对天气条件模糊量化的数据对BPNN进行训练建模，光伏发电量预测结果的精度有进一步的提高。
5 结束语
文章采用模糊理论和神经网络对光伏输出功率进行短期预测。通过寻找历史数据中辐照度曲线和天气情况的相关信息并进行模糊量化，利用每个季节各自天气类型的历史数据作为训练样本创建BP神经网络预测模型。在考虑主要天气影响因素的基础上，采用模糊量化后的数据对网络进行训练，然后对光伏未来短期时刻的发电量进行预测。最后使用光伏系统运行数据对预测方法进行分析表明，该光伏功率预测方法所需数据量不大，网络收敛变得更快了，同时能够准确的预测光伏发电功率，较好的反映光伏发电系统的短时出力情况，能够满足实际应用要求，进而对短期功率预测起到一定的参考作用。
参考文献：
[1]郑建鄂，谭建军，鄂翔宇，邹蕾，宋池.基于人工蜂群算法改进BP神经网络的光伏发电量预测[J].湖北民族学院学报（自然科学版），2019，37（01）：90-95.
[2]李英姿，曾万昕，戴玉，郭俊杉，胡亚伟.基于D-S证据理论的光伏发电量预测[J].电气应用，2019，38（02）：102-107.
[3]杨洁，成珂.基于数据挖掘的神经网络光伏发电预测研究[J].激光杂志，2018，39（08）：59-62.
[4]刘明海.基于参数预测的“光雨互补”发电系统研究[J].铁道建筑技术，2018（08）：15-19.
[5]周慧，王进，顾翔.基于数据挖掘的光伏发电预测[J].计算机时代，2018（08）：36-39+42.
[6]任家铭.基于改进神经网络的光伏电站短期出力预测[D].西安理工大学，2018.
[7]陈国栋，罗素芹，刘文斌，朱翔鸥.基于改进相似日的光伏系统日发电量预测[J].照明工程学报，2018，29（03）：115-119.
（作者单位：武汉理工大学 自动化学院）