微电网光伏发电的Adaboost天气聚类超短期预测方法

谭 津, 邓长虹, 杨 威, 梁 宁, 李丰君

(武汉大学电气工程学院, 湖北省武汉市 430072)

微电网光伏发电的Adaboost天气聚类超短期预测方法

谭 津, 邓长虹, 杨 威, 梁 宁, 李丰君

(武汉大学电气工程学院, 湖北省武汉市 430072)

微电网光伏发电预测精度与天气状态呈高度相关性,非晴空条件下气象因素的随机波动使得超短期预测精度较低。对此,文中提出一种改进Adaboost天气聚类和马尔可夫链的组合预测方法。首先采用滑动平均法提取辐照度特征变量,设计并训练Adaboost改进的K近邻(KNN)分类器,实现历史样本的分类;为进一步提高多云和阴雨天的预测精度,引入天气类型衰减系数对Hottel太阳辐射模型进行校正,形成完整描述各天气类型的辐照度基准模型;建立多阶加权马尔可夫链模型输出辐照度预测值;最后由光电转换模型实现间隔5 min的微电网光伏超短期预测。仿真结果表明,所述预测方法提高了各天气类型下的预测精度,对提高微电网经济调度水平具有重要意义。

光伏发电; 微电网; 超短期预测; 衰减系数; Adaboost

0 引言

光伏输出功率具有间歇性,且受多种天气因素影响而表现出较强的随机波动性[1-2],因此大规模光伏电站并网将对电力系统安全运行带来严重的冲击。作为连接分布式电源与配电网的桥梁,微电网是实现可再生能源高渗透率接入的主要途径之一[3-4]。准确的微电网光伏发电超短期预测有助于实时修正日前计划、平衡功率波动,从而降低光伏并网对电网运行的影响。

光伏发电预测方法主要包括基于输出功率历史数据的直接预测[5-7]和基于太阳辐照度的间接预测[8-12]。不同天气类型下太阳辐照度、光伏发电功率均有不同的变化规律,无论是直接预测还是间接预测都应考虑天气状态对预测精度的影响。文献[11]基于欧洲中尺度预报中心(ECMWF)提供的辐照度数据建立了光伏发电物理预测模型;文献 [12-14]分别利用地基云图、天空成像仪和多个邻近点测量仪分析了云层遮挡引起的辐照度突降现象,建立了光伏发电间接预测模型。文献[15-16]分别引入了不同天气类型下的天气指数和气溶胶指数,将其输入神经网络预测模型;文献[17]计算了各天气类型下光伏发电实际值与理想值的偏差,并对小波神经网络预测模型进行校正,提高了非理想条件下的预测精度;文献[18]提出光伏输出功率由确定变量和波动变量叠加而成,确定变量采用辐照度模型进行建模,波动变量引入遮挡因子描述天气状态的影响。文献[19]采用支持向量机(SVM)等多种数据挖掘方法对天气类型进行分类,最终得到辐照度预测值;文献[20-22]分别提出根据辐照度变化特征参数和云量信息对天气类型进行聚类识别并分别建模完成输出功率预测。上述文献中,物理建模采用的地基云图等方法对云层预报信息有限,且云图图像处理技术对算法速度要求高,因此目前国内工程应用较少。文献[15-18]有效地提高了预测精度,但在不同天气类型和天气状态突变情况下均采用单一预测模型,预测精度有待提高。文献[19-22]根据天气类型建立了多个预测模型,较单一模型预测精度有所提高,但未能准确地跟踪预测光伏出力的随机波动。

为加强对不平衡数据集的分类,本文提出一种改进Adaboost天气聚类和马尔可夫链的间接预测方法,通过提高辐照度超短期预测精度进一步提升光伏发电预测精度。首先采用Adaboost改进的K近邻(KNN)方法实现典型天气分类;定义天气类型衰减系数反映各天气类型下辐照度的变化差异,并将其引入基于误差序列的多阶加权马尔可夫链(Markov chain)预测子模型;然后利用光电转换模型输出预测功率;最后以实际微电网平台运行数据为算例,验证本文所提预测方法在微电网光伏发电系统中的有效性。

1 微电网光伏发电特性分析

1.1 典型天气类型

中国气象局制订的国家标准GB/T 22164—2008将天气状态分为33种不同的类型[22],分别对各基础天气类型建模必然增大预测工作量。统计历史实测数据可知,光伏发电在晴、多云、雨、阴、极端恶劣天气情况下的变化规律差异明显,具有代表意义,因此本文将基础天气类型归类整合为典型天气类型。其中,极端恶劣天气发生概率极小且其发电量几乎接近于零,本文基于前4类典型天气类型分别建立预测子模型。根据武汉某微电网光伏发电系统2015年冬季历史记录数据,4类典型天气类型下光伏输出功率实测曲线如附录A图A1所示。图中显示,晴天情况下光伏输出功率变化非常平稳,这是因为空中可遮挡的因素较少、气象条件稳定,地表辐照度与标准晴天模型值基本保持一致;多云情况下遮挡因素的增加削弱了地表辐照度,使得光伏输出功率有所衰减并存在严重的随机波动;阴雨情况下,由于空中基本布满云层,太阳辐照度被大大削弱,光伏发电甚至出现零输出现象。

1.2 聚类特征变量提取

太阳辐照度能直接反映天气状态的波动情况,其变化趋势能反映天气类型对光伏输出功率的影响,因此本文选取辐照度趋势分量和温度作为聚类特征变量。考虑辐照度时间序列随机波动大,为滤除噪音及毛刺,本文选择滑动平均法对其进行平滑处理,提取其趋势分量Lt。对于采样间隔为5 min的原始实测辐照度序列{Ij,j=1,2,…,N},其中N为一日内总采样点数,平滑处理后的滑动平均值为:

(1)

式中:h为正整数。

滑动平均时间窗口为H=(2h+1)×5 min,考虑时间窗口H分别取15,25,65 min进行平滑处理,发现h取值过小时不能很好地滤除波动噪音,而h取值过大时平滑作用过大,将削弱趋势分量。为反映辐照度的平均变化趋势,本文选择25 min的时间窗口进行平滑处理。以实际数据为例,得到趋势分量如附录A图A2所示。

1.3 天气类型衰减系数

本文选择国际通用的Hottel太阳辐射模型[23]计算的水平面上瞬时辐照度Istd作为模型基准值。

Istd=Icb+Icd

(2)

式中:Icb和Icd分别为地表瞬时直射和散射太阳辐照度。

由于多云和阴雨情况下辐照度水平大幅下降,严重偏离模型基准值,马尔可夫链转移状态长期处于高误差区间,降低了对细节误差变化的敏感度。针对此问题,本文引入天气类型衰减系数对Hottel模型基准值进行修正,形成描述各天气类型的辐照度基准模型,从而提高非晴空条件下的预测精度。气象站历史数据显示,晴、多云、阴、雨天类型下的辐照度衰减幅值依次增加,第i时刻地表辐照度Imea(i)与Hottel模型基准值Istd(i)之间存在不同的倍率关系,记为衰减系数α。

(3)

式中:αi为第i时刻辐照度衰减值。

引入衰减系数后,得到各天气类型下辐照度修正值为最终模型基准值:

ISTD=αIstd

(4)

2 光伏发电组合预测方法

微电网光伏发电系统不采用高成本、高精度数值天气预报,可利用的气象数据有限[24],仅根据气象软件提供的天气预报信息难以准确地对历史样本进行天气类型分类。为提高各天气类型下的预测精度,本文提出一种基于Adaboost聚类和马尔可夫链的组合预测方法。该方法包括分类器的离线训练和输出功率的在线预测。分类器的离线训练首先提取光伏系统历史数据聚类特征变量,采用Adaboost改进的KNN分类器对样本进行分类,进而引入天气类型衰减系数修正Hottel太阳辐射模型;输出功率的在线预测基于典型天气分类训练数据,根据预测日天气类型预报信息选择预测子模型,利用多阶加权马尔可夫链预测地表辐照度,并由光电转换模型输出预测功率。图1所示为本文提出的光伏发电超短期分类分步预测方法流程。

2.1 Adaboost改进的分类算法

KNN算法[25]属于监督学习算法,通过距离计算公式,将未知样本归类至距离最近的聚类中心。Adaboost算法[26]是一种迭代的机器学习算法,每次将不同权值分布的样本数据输入分类器,得到不同的基本分类器,最后将基本分类器组合得到一个强分类器。Adaboost改进的聚类算法将KNN作为基本分类器,通过迭代加强了对不平衡数据集的分类效果,具体流程如下。

图1 光伏发电预测方法流程Fig.1 Flow chart of PV generation forecasting method

步骤1:批量输入q个训练数据构成样本空间Z={(x1,y1),(x2,y2),…,(xq,yq)},确定KNN为基本分类器,记Adaboost学习过程中第m次迭代得到的基本分类器为Cm(x)。

步骤2:初始化训练样本的权重。假设样本初始状态为均匀分布,记权重为w1i。

W1={w11,w12,…,w1q}

(5)

式中:w1i=1/q,i=1,2,…,q。

步骤3:用具有权值分布的样本数据训练KNN分类器,并对所有样本进行分类,计算分类误差率em和分类器Cm(x)在最终分类器中的重要系数dm。

(6)

(7)

由上式可知,em<0.5时,dm随着em的增大而减小,说明当误差率越大,该分类器Cm(x)的重要系数就越大。

步骤4:更新下一轮迭代中训练样本的权重wm。

(8)

(9)

式中:Zm为使∑wmi=1的单位化因子。得到新的训练子集后返回步骤3进行下一轮迭代,直到迭代次数或误差率达到设定值,输出样本最终分类结果。

2.2 多阶加权马尔可夫链

马尔可夫理论[27-28]将系统划分为多个状态,分别用S1,S2,…,Sn表示,结合目前系统所处状态,使用转移概率矩阵预测系统下一时刻的状态,适用于对随机离散时间序列的跟踪预测。多阶加权马尔可夫链考虑了不同历史状态对未来状态的影响程度。

(10)

式中:X(t)为马尔可夫链中的随机变量;Si为系统状态;Pr{ }为括号内事件发生的概率。

得到当前时刻n状态之间转移概率集合构成的k步状态转移概率矩阵如下:

(11)

计算各步长自相关系数rk,再通过规范化自相关系数得到各步长对应的影响权重uk,其计算公式分别如下所示:

(12)

(13)

已知系统k步状态转移概率分布矩阵P(t-k)(k),由下式计算可得预测时刻系统所处状态的概率分布矩阵P(t)。

(14)

3 预测模型的训练及评估

3.1 改进分类器的离线训练

本文采用Adaboost改进的KNN算法对2015年10月至2016年2月辐照度历史数据进行特征提取和数据挖掘,相比于其他分类算法更简单有效,能加强弱分类器对不平衡数据的分类效果。首先采用K-means聚类方法得到聚类中心,其输入特征变量F为

F=[L1L2…L144T]

(15)

式中:L为每日06:00—18:00时间段内间隔5 min的辐照度滑动平均值;T为每日平均温度。得到典型天气(晴天、多云、雨天、阴天)聚类中心日平均温度分别为10.9,9.6,7.6,10.5 ℃;辐照度分布如附录A图A3所示。

利用Adaboost改进的KNN算法将辐照度历史序列依次归类至对应的4类典型天气类型,本文选择欧氏距离D作为分类选择标准:

(16)

式中:F(i)为第i时刻待分类样本的特征元素;f(i)为第i时刻各聚类中心的特征元素;M为特征元素个数。

基于以上分类结果,可统计4类典型天气类型衰减值的频率分布如附录A图A4所示。分布区间分别为[0,0.3),[0.3,0.6),[0.6,0.8),[0.8,1],根据式(3)计算可得晴天类、多云类、阴天类、雨天类等典型天气类型下的衰减系数α分别为0.83,0.69,0.35,0.12。

3.2 光伏发电的在线预测

根据预测日的天气类型预报信息选择对应的预测子模型,采用基于误差序列的多阶加权马尔可夫链模型进行预测。模型中,ISTD(i)表示预测时刻i辐照度模型基准值,Imeas(i)表示辐照度实际值,定义系统绝对误差为ISTD(i)-Imeas(i)。本文以第i时刻误差百分数e(i)为研究对象,其计算公式如下:

(17)

[29],统计误差百分数实际分布情况,以误差样本均值为中心,将其均匀划分为若干区间。状态分布如附录A表A1所示。

计算历史样本集中各步长(k阶)状态变化的转移概率矩阵及各步长对应的权重uk。选择概率矩阵中转移概率最大的状态作为下一预测时刻计算用的误差百分数epred(i),由下式完成辐照度的预测:

Ipred(i)=ISTD(i)(1-epred(i))

(18)

式中:Ipred(i)为预测时刻i的辐照度预测值。

本文采用基于太阳辐照度的间接预测方法,由以下光伏工程模型[6]计算光伏板输出功率Ps。

Ps=ηSI[1-0.005(t0+25)]

(19)

式中:η为光电转换效率;S为用于光伏发电的有效面积;I为接收的辐照度;t0为环境温度。

3.3 光伏发电预测效果评估

为定量评估预测模型的准确度,本文选取适合全局评价模型预测效果的平均绝对百分比误差(MAPE)和衡量预测系统误差分散度的均方根误差(RMSE)作为评价指标[30]。计算公式如下:

(20)

(21)

式中:Pmeas(i)为第i时刻光伏功率实测值;Ppred(i)为第i时刻光伏功率预测值;Pcap为光伏装机容量。

4 算例仿真及分析

以湖北武汉某微电网光伏发电系统为研究对象,其装机容量为10 kW,太阳能电池板转换效率为13.1%,有效面积约为65 m2。结合气象软件采样数据和光伏监控系统历史发电数据,采用MATLAB编程对光伏出力进行预测。

4.1 改进分类方法仿真

选取2015年10月至2016年2月气象软件的历史采样数据,实际有效数据量为130 d,其中晴天、多云、阴天和雨天实际天数分别为38,35,30,27 d。采用交叉验证方法,对数据进行训练集合和验证集合的分类,每次训练与验证集合比例约为4∶1,总共进行5次分类测试。验证集合的分类结果如表1所示,可以看出改进前(不使用Adaboost)算法的分类精度明显低于改进后(使用Adaboost)的算法,样本数据容易偏离到其他聚类中心,结果表明了改进天气分类算法的有效性。

表1 改进前后的分类结果Table 1 Classification results before and after improvement

基于以上典型天气类型分类,引入上文的衰减系数α对辐照度原始序列进行修正,得到修正后的最终辐照度模型基准值,修正结果见附录A图A5。

4.2 预测结果分析

将辐照度预测值代入式(18)计算得到对应输出功率预测值。为验证本文所述预测模型能有效提高非晴空条件下的预测精度,选取2011年1月光伏监控系统记录的功率实测值作为验证样本,同时增加了反向传播(BP)神经网络和传统马尔可夫链模型作为对比模型。表2列出了3种模型预测误差MAPE和均方根误差RMSE的对比结果,图2为各种天气类型下3种模型预测结果的曲线图。

表2 不同模型预测误差MAPE/RMSE比较值Table 2 Comparison of MAPE/RMSE among different models

图2 典型天气类型预测结果Fig.2 Forecasting results of typical weathers

1)BP神经网络模型(简称模型1):仅根据天气预报信息划分天气类型;利用对应天气类型样本的辐照度序列和日平均温度作为输入变量,隐含层节点为34个,采用增加动量及自适应学习速率的BP算法(traingdx算法)进行训练。

2)传统马尔可夫链模型(简称模型2):仅根据天气预报信息划分天气类型;建立基于误差序列的多阶加权马尔可夫链模型完成预测。

3)本文组合模型(简称模型3):采用改进的天气分类算法划分天气类型,同时引入衰减系数α依次为0.83,0.69,0.35,0.12校正Hottel模型;建立基于误差序列的多阶加权马尔可夫链模型完成预测。

比较模型2(传统马尔可夫链)和模型3(本文组合模型)的预测结果可知,模型3预测效果精度整体优于模型2。晴天类型下3种模型预测效果均较理想;阴、雨天类型下,模型3的均方根误差较模型2减少约100 W,这是由于阴雨天辐照度整体下降、严重偏离模型基准值,马尔可夫链转移状态长期处于高误差区间,相比于直接根据天气预报信息分类的模型2,采用改进天气分类算法并引入衰减系数的模型3对误差的细节变化更敏感,更能准确地跟踪辐照度的跌落,进而提高光伏输出功率预测精度。此外,对比表2中模型1(BP神经网络)和模型2预测结果可知,在波动较大的多云、阴天类型下,多阶加权马尔可夫链模型能更好地预测随机波动序列。

5 结语

本文分析了天气状态对光伏发电的影响,提出一种基于Adaboost聚类和马尔可夫链的组合预测方法。采用Adaboost改进的KNN算法实现天气类型分类并引入天气类型衰减系数,提高了微电网光伏发电系统在非晴空条件下的超短期预测精度,有助于系统制定储能控制策略及调度部门调整运行计划,降低光伏并网时功率波动对配电网的影响并保证电网的安全稳定运行。同时,改进的分类算法简单方便,不使用高成本数值天气预报,减少了微电网光伏系统的经济运行成本,更适用于光伏微电网工程应用。

附录见本刊网络版(http://www.aeps-info.com/aeps/ch/index.aspx)。

参考文献

[1] ANTONANZAS J, OSORIO N, ESCOBAR R, et al. Review of photovoltaic power forecasting[J]. Solar Energy, 2016, 136: 78-111.

[2] 龚莺飞,鲁宗相,乔颖,等.光伏功率预测技术[J].电力系统自动化,2016,40(4):140-151.DOI:10.7500/AEPS20150711003.

GONG Yingfei, LU Zongxiang, QIAO Ying, et al. An overview of photovoltaic energy system output forecasting technology[J]. Automation of Electric Power Systems, 2016, 40(4): 140-151. DOI: 10.7500/AEPS20150711003.

[3] 王成山,李鹏.分布式发电、微网与智能配电网的发展与挑战[J].电力系统自动化,2010,34(2):10-14.

WANG Chengshan, LI Peng. Development and challenges of distributed generation, the micro-grid and smart distribution system[J]. Automation of Electric Power Systems, 2010, 34(2): 10-14.

[4] ZHAO H, WU Qiuwei, WANG C, et al. Fuzzy logic based coordinated control of battery energy storage system and dispatchable distributed generation for microgrid[J]. Journal of Modern Power Systems and Clean Energy, 2015, 3(3): 422-428.

[5] 王守相,张娜.基于灰色神经网络组合模型的光伏短期出力预测[J].电力系统自动化,2012,36(19):37-41.

WANG Shouxiang, ZHANG Na. Short-term output power forecast of photovoltaic based on a grey and neural network hybrid model[J]. Automation of Electric Power Systems, 2012, 36(19): 37-41.

[6] 陈昌松,段善旭,殷进军.基于神经网络的光伏阵列发电预测模型的设计[J].电工技术学报,2009,24(9):153-158.

CHEN Changsong, DUAN Shanxu, YIN Jinjun. Design of photovoltaic array power forecasting model based on neutral network[J]. Transactions of China Electrotechnical Society, 2009, 24(9): 153-158.

[7] 高阳,张碧玲,毛京丽,等.基于机器学习的自适应光伏超短期出力预测模型[J].电网技术,2015,39(2):307-311.

GAO Yang, ZHANG Biling, MAO Jingli, et al. Machine learning-based adaptive very-short-term forecast model for photovoltaic power[J]. Power System Technology, 2015, 39(2): 307-311.

[8] LARSON D P, NONNENMACHER L, COIMBRA C F M, et al. Day-ahead forecasting of solar power output from photovoltaic plants in the American Southwest[J]. Renewable Energy, 2016, 91: 11-20.

[9] ZHANG X Y, DENG C H, CHEN T T. Ultra-short-term ahead generating power forecasting for PV system based on Markov chain for error series[J]. Advanced Materials Research, 2011, 347: 1498-1505.

[10] 朱永强,田军.最小二乘支持向量机在光伏功率预测中的应用[J].电网技术,2011,35(7):54-59.

ZHU Yongqiang, TIAN Jun. Application of least square suppose vector machine in photovoltaic power forecasting[J]. Power System Technology, 2011, 35(7): 54-59.

[11] LORENZ E, HURKA J, HEINEMANN D, et al. Irradiance forecasting for the power prediction of grid-connected photovoltaic systems[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2009, 2(1): 2-10.

[12] 朱想,居蓉蓉,程序,等.组合数值天气预报与地基云图的光伏超短期功率预测模型[J].电力系统自动化,2015,39(6):4-10.DOI:10.7500/AEPS20140409004.

ZHU Xiang, JU Rongrong, CHENG Xu, et al. A very short-term prediction model for photovoltaic power based on numerical weather prediction and ground-based cloud images[J]. Automation of Electric Power Systems, 2015, 39(6): 4-10. DOI: 10.7500/AEPS20140409004.

[13] CHU Y, PEDRO H T C, LI M, et al. Real-time forecasting of solar irradiance ramps with smart image processing[J]. Solar Energy, 2015, 114: 91-104.

[14] KOBAYASHI H, ARAI J. Short-term forecast for photovoltaic power generation and development of measuring equipment[C]// IEEE International Conference on Information and Automation for Sustainability, December 22-24, 2015, Colombo, Sri Lanka: 6p.

[15] 袁晓玲,施俊华,徐杰彦.计及天气类型指数的光伏发电短期出力预测[J].中国电机工程学报,2013,33(34):57-64.

YUAN Xiaoling, SHI Junhua, XU Jieyan. Short-term power forecasting for photovoltaic generation considering weather type index[J]. Proceedings of the CSEE, 2013, 33(34): 57-64.

[16] LIU J, FANG W, ZHANG X, et al. An improved photovoltaic power forecasting model with the assistance of aerosol index data[J]. IEEE Trans on Sustainable Energy, 2015, 6(2): 1-9.

[17] 丁明,刘志,毕锐,等.基于灰色系统校正-小波神经网络的光伏功率预测[J].电网技术,2015,39(9):2438-2443.

DING Ming, LIU Zhi, BI Rui, et al. Photovoltaic output prediction based on grey system correction-wavelet neural network[J]. Power System Technology, 2015, 39(9): 2438-2443.

[18] 张曦,康重庆,张宁,等.太阳能光伏发电的中长期随机特性分析[J].电力系统自动化,2014,38(6):6-13.DOI:10.7500/AEPS20131009012.

ZHANG Xi, KANG Chongqing, ZHANG Ning, et al. Analysis of mid/long term random characteristics of photovoltaic power generation[J]. Automatic of Electric Power Systems, 2014, 38(6): 6-13. DOI: 10.7500/AEPS20131009012.

[19] JIMÉNEZ-PÉREZ P F, MORA-LPEZ L. Modeling and forecasting hourly global solar radiation using clustering and classification techniques[J]. Solar Energy, 2016, 135: 682-691.

[20] YANG H T, HUANG C M, HUANG Y C, et al. A weather-based hybrid method for 1-day ahead hourly forecasting of PV power output[J]. IEEE Trans on Sustainable Energy, 2014, 5(3): 917-926.

[21] 代倩,段善旭,蔡涛,等.基于天气类型聚类识别的光伏系统短期无辐照度发电预测模型研究[J].中国电机工程学报,2011,31(34):28-35.

DAI Qian, DUAN Shanxu, CAI Tao, et al. Short-term PV generation system forecasting model without irradiation based on weather type clustering[J]. Proceedings of the CSEE, 2011, 31(34): 28-35.

[22] 王飞,米增强,甄钊,等.基于天气状态模式识别的光伏电站发电功率分类预测方法[J].中国电机工程学报,2013,33(34):75-82.

WANG Fei, MI Zengqiang, ZHEN Zhao, et al. A classified forecasting approach of power generation for photovoltaic plants based on weather condition pattern recognition[J]. Proceedings of the CSEE, 2013, 33(34): 75-82.

[23] 徐青山,臧海祥,卞海红.太阳辐射实用模型的建立与可行性研究[J].太阳能学报,2011,32(8):1180-1185.

XU Qingshan, ZANG Haixiang, BIAN Haihong. Establishment and feasibility researches of practical solar radiation model[J]. Acta Energiae Solaris Sinica, 2011, 32(8): 1180-1185.

[24] 李乐,刘天琪.基于近邻传播聚类和回声状态网络的光伏预测[J].电力自动化设备,2016,36(7):41-46.

LI Le, LIU Tianqi. PV power forecasting based on AP-ESN[J]. Electric Power Automation Equipment, 2016, 36(7): 41-46.

[25] 张红艳,李茵茵,万伟.改进K近邻和支持向量机相融合的天气识别[J].计算机工程与应用,2014,50(14):148-151.

ZHANG Hongyan, LI Yinyin, WAN Wei. Weather identification based on improvedKnearest neighbor and support vector machine[J]. Computer Engineering and Applications, 2014, 50(14): 148-151.

[26] 卢婷.基于AdaBoost的分类器学习算法比较研究[D].上海:华东理工大学,2014.

[27] 丁明,徐宁舟.基于马尔可夫链的光伏发电系统输出功率短期预测方法[J].电网技术,2011,35(1):152-157.

DING Ming, XU Ningzhou. A method to forecast short-term output power of photovoltaic generation system based on Markov chain[J]. Power System Technology, 2011, 35(1): 152-157.

[28] LI Y Z, NIU J C. Forecast of power generation for grid-connected photovoltaic system based on Markov chain[C]// IEEE Conference on Industrial Electronics and Applications, March 27-31, 2009, Wuhan, China: 1729-1733.

[29] 夏乐天.马尔可夫链预测方法及其在水文序列中的应用研究[D].南京:河海大学,2005.

[30] RAZA M Q, NADARAJAH M, EKANAYAKE C. On recent advances in PV output power forecast[J]. Solar Energy, 2016, 136: 125-144.

Ultra-short-termPhotovoltaicPowerForecastinginMicrogridBasedonAdaboostClustering

TANJin,DENGChanghong,YANGWei,LIANGNing,LIFengjun

(School of Electrical Engineering, Wuhan University, Wuhan 430072, China)

The accuracy of photovoltaic (PV) power generation prediction in the microgrid has high relativity with the weather condition. Under cloudy and rainy conditions, random fluctuations of meteorological factors result in low precision of the ultra-short-term power prediction. For this reason, a modified model based on combination of Adaboost clustering and Markov chain is proposed. First, an improvedK-nearest neighbor (KNN) classifier is trained with the characteristic variables extracted from solar radiation using the moving average method. To improve the prediction accuracy of cloudy and rainy days, the attenuation coefficient of solar radiation is introduced to modify the Hottel model. A weighted Markov chain model is developed to predict the microgrid PV generation subsequently. The simulation results indicate that the proposed model can appreciably improve the precision of power prediction under different weather conditions and is of great significance to real-time economical dispatch.

This work is supported by National Key Research and Development Program of China (No. 2017YFB0903700, No. 2017YFB0903705) and Science and Technology Project of Wuhan City (No. 2013072304020824).

photovoltaic power generation; microgrid; ultra-short-term power output forecasting; attenuation coefficient; Adaboost

2017-02-17;

2017-05-19。

上网日期: 2017-07-21。

国家重点研发计划资助项目(2017YFB0903700,2017YFB0903705);武汉市科技创新计划资助项目(2013072304020824)。

谭 津(1993—),女,硕士研究生,主要研究方向:电力系统运行与控制、光伏发电功率预测。E-mail： tanjin93@163.com

邓长虹(1963—),女,通信作者,教授,博士生导师,主要研究方向:新能源接入及电网智能控制、分布式发电与微电网。E-mail: dengch-whu@163.com

杨 威(1983—),男,博士研究生,主要研究方向:电力系统运行与控制。E-mail: craig_yang@163.com

(编辑章黎)