新能源功率预测算法优化研究

史洁，刘晓飞



新能源功率预测算法优化研究

史洁1，刘晓飞2

（1．济南大学物理科学与技术学院，山东省 济南市 250022； 2．济南市城市规划咨询服务中心，山东省 济南市 250099）

以风能和太阳能为代表的新能源具有随机性、间歇性和波动性，对新能源发电功率进行预测是有效解决以上问题的途径。在确定性预测中充分考虑风电出力和预测模型特性，提出分段支持向量机(piecewise support vector machine，PSVM)和神经网络(neural network，NN)预测算法；充分考虑天气特征对光伏出力的影响，提出基于气象特性分析的光伏出力预测算法。通过若干风电场的算例分析，证明了上述几种预测模型的实用性，为功率预测的可靠性分析提供支持。

风电；光伏；功率预测；支持向量机；神经网络；小波分析

0 引言

以风电、光伏为代表的新能源以其零排放、无污染的特点发展迅速，逐渐替代常规能源。然而，风能和太阳能具有的间歇性和波动性影响高效而安全地并网。对发电功率进行短期或长期预测是解决该问题的主要途径。对于并网的新能源电站，要求必须配备功率预测系统，预测精度需满足一定要求[1]。

高精度的功率预测对新能源发电企业的发展具有重要意义[2-3]。提高功率预测的精确度有助于提高新能源发电在电力交易市场中的竞争力。

若按照时间尺度，新能源发电功率预测可分为长期预测(预测次年)、中期预测(预测未来几周或几月)、短期预测(预测未来2天或3天)和超短期预测(预测未来若干分钟，常用15min)[4-5]。本文重点阐述短期及超短期统计模型在新能源发电功率预测上的应用。

1 风电功率预测算法及优化

1.1 基于数值气象预报的短期功率预测

1.1.1 分段支持向量机短期功率预测算法

如图1所示，风电功率预测过程包含数据输入、模型训练、功率预测和数据输出。在输入阶段，分别利用数据样本(预测时间尺度上风速的数值气象预报值、预测时间尺度上风向的数值气象预报值、风速和风向的实际测量值及风电场功率的实际测量值)建立模型输入样本。在分析了风速和功率变化关系后，建立基于支持向量机的风电功率预测模型。在功率输出阶段，输出预测时间尺度下的风电功率。

图1 风电场短期功率预测

按照风机的功率曲线，风电机组的功率随着风速的增加，以机组的额定风速附近为界，呈现出2种不同趋势。所以，根据不同的变化规律，提出利用2个相对独立的预测模型完成预测。模型A适用于实测风速大于风电机组额定风速时；模型B适用于小于额定风速的情况。在预测开始时，首先对相邻时刻风速的实测值做判断，确定其所在的风速区间(大于或者小于额定风速)，根据风速区间选择适合的分段模型，然后按照不同的预测模型输出预测功率。表1显示某算例风电场一年内预测未来15min的误差和计算时长。从表１可以看出，分段支持向量机(piecewise support vector machine，PSVM)的预测效果和时长均较最小二乘支持向量机模型(least square support vector machine，LSSVM)有提高。

表1 2种模型预测误差及计算时长统计表

支持向量机在全局寻优和运算速度上有较大优势[6]，但其核函数的参数在选择时尚没有较合理的方法。如果在支持向量机中应用其他自动寻参的算法，则对运算速度与预测精度的提高方面均具有很大的作用。为此，提出基于支持向量机预测模型优化算法[7]。

1.1.2 人工神经网络短期功率预测算法

前馈神经网络是应用较广泛的神经网络，具有代表性的是误差反向传播(back propagation，BP)神经网络和径向基核函数(radial basis function，RBF)神经网络。

分别建立基于BP神经网络和RBF神经网络的风电功率预测模型，以算例风电场I(WF1)中某一时间段的历史实测数据为模型输入样本。取2010年1月的前20天作为训练样本，后10天的数据(风速、风向和历史出力值)作为测试样本，构造预测模型，预测时间尺度为15 min的功率。图2所示为算例风电场I提前15 min的风电功率预测结果及误差分析。其中黑色表示风电场实际出力值，蓝色代表用BP神经网络做模型预测时同时期的预测值，红色代表用RBF神经网络建模的预测值。可以看出，2种预测算法得出的功率均与相同时刻下风电场的历史实测值变化规律相同，但RBF模型与实测值差别较小，尤其在峰值和谷值处。由此可见，RBF神经网络模型比BF模型在预测超短期风电功率方面具有优势。

图2 算例风电场I发电量预测(2010年1月)

风能具有波动性和间歇性，如何将风能从“随机的”变为“可利用的”是利用风能发电的重点。风电功率随时间的变化情况可当做一组信号，若将这组信号进行时频特征提取和分解，将会对研究风能产生积极的影响。因此，为提高预测精度提出基于希尔伯特黄变换的神经网络模型[8]。

1.2 基于历史数据的超短期功率预测

1.2.1 基于小波变换的功率预测优化模型

利用小波变换将随时间变化的风电输出功率分解为一个低频和几个高频。利用小波的多尺度差值特性和稀疏变化特性对预测模型优化，将2种优化方法表述如下。

方法①：侧重模型输入数据特性分析，进行小波特征提取。对模型输入样本中的风电功率进行小波分解，在每个频率区间分别建立径向基核函数模型，将结果利用小波重构输出。

方法②：将支持向量机预测算法中的核函数用小波核函数代替。

图3在模型输入中用小波分解风电场功率和同时刻的风速。以算例风电场II(WF2)2008年4月的实测功率值作为研究对象，运用双正交小波函数分解，将数据按频率划分为1个低频和4个高频，如图4所示。

图3 小波支持向量机预测模型流程图(方法①)

图4 模型输入序列小波分解图(方法②)

由图4可以看出，风电场出力序列被分解为4阶频率分量：低频分量a4和高频分量d1、d2、d3、d4。将风速、风向正弦余弦值分别与a4、d1、d2、d3、d4构成模型输入样本，经最小二乘支持向量机预测模型得到预测功率组分。将上述功率组分重构即得最终的预测功率值。

1.2.2 算例分析

为验证优化模型的精度，将优化模型与独立预测模型对比。3种预测模型预测1h、2h和3h的功率与历史实测的误差可以通过平均绝对百分比误差(mean absolute percent error，MAPE)和均方根误差(root mean square error，RMSE)表示，见表2[9]。

表2 3种时间尺度下的模型预测误差

由表2可以看出，方法①的预测精度在3个时间尺度下均比方法②及支持向量机模型高。故第1种小波–支持向量机模型预测精度高，且预测效果较稳定。风电场功率所具有的非稳定性和非线性等特征可被缓解，具体做法是通过小波变换将其分解为具有固定频率和周期的组分[10-11]。

2 基于气象特征分类的光伏电站功率预测算法优化

太阳能资源在我国广大区域有着重要的开发利用价值，且太阳能光伏发电技术已日趋成熟，国内光伏发电的市场发生着深刻变化，已由偏远无电地区的独立分布式发电系统转向规模化的并网发电系统发展。由于并网型发电系统具有结构简单、安装周期短等特点，故系统规模和发电量在优惠政策的带动下极易大规模快速增长。然而，光伏发电同风力发电一样受气象因素的影响较大，具有随机性和不可控等特点。当大规模的光伏发电接入电网，势必会给电网调度、调峰、安全等带来影响。准确及时的光伏发电出力预测可以有效降低光伏发电并网对电网产生的冲击，有效降低电网控制难度，提高电网电能质量，提升光伏并网状况下电网运行水平。本节在分析不同天气情况对光伏电站出力特性影响的基础上，利用支持向量机(support vector machine，SVM)原理建立光伏电站功率预测模型。

影响光伏出力的因素有很多，很难用某个确定性模型来准确描述。基于光伏发电系统出力的不连续性、不确定性和周期性的特点以及光伏系统的出力与其影响因子之间的非线性关系，本文运用支持向量回归法建立光伏系统的出力预测模型，将光伏系统的出力按照相对应的天气类型划分为晴、阴、多云和雨4种类型。将光伏出力类型相同的多个光伏出力的历史数据组成具有高度相似光伏出力特征的数据序列，以此数据序列作为SVM 的训练数据集。在对光伏系统的出力进行预测时，先根据天气预报了解待预测日的天气类型和气象特征，然后选择与预测日天气类型相对应的SVM 训练数据集，据此构建SVM 的预测模型。

对于确定的太阳能光伏电站，其辐射角度，摆放位置等已经固定，影响程度可以包含在历史发电量中，其明显特征就是光伏阵列发电量时间序列的本身高度自相关性，从而避免通过预测太阳辐射的直接预测方法。因此以过去时间段的历史发电数据作为模型输入进而预测未来的发电数据的预测方法比间接预测法在计算速度，模型复杂度上有明显优越性。本文以中国江西某地光伏示范电站为研究对象，选取2010.04.27—2010.05.02时间段，每天可用日照时间为6:00—19:00。图5所示为光伏电站发电量变化图，由于选取的一周都为晴天，太阳辐射强度基本相同，电站出力情况较一致，且每天光伏发电量的变化有高度相关性，本文利用前3个时间段的出力历史值预测下一时刻的光伏功率。

图5 太阳能光伏发电系统在不同天气下出力日变化曲线示意图

确定了辐射角度摆放位置等影响因素后，太阳辐射强度是影响光伏出力变化的主要因素。而云层量的多少直接影响太阳辐射强度[12-14]。图6显示了研究对象光伏电站在不同天气情况下，即不同太阳辐射强度下出力值的差异。而在相同天气情况下出力值的趋势相似。由此可以看出在天气情况相同的情况下，模型输入数据为前一时间段的出力历史值，针对不同天气情况分别建模对提高预测精度提供了一种新的思路。光伏预测流程见图7。

图6 太阳能光伏发电系统在不同天气下出力日变化曲线示意图

图7 光伏预测流程图

每个预测模型的输入数据包括预测日前一天历史光伏出力值(15min平均值)，预测日的天气预报所示气温最大值、最小值和平均值；模型输出数据是预测日的光伏出力值(15min平均值)。测试时段(2010.01.01—2010.10.31)的功率预测结果和预测误差见图8和表3。

从表3中可看出，4个预测模型提前一天的RMSE和平均相对误差(mean ralative error，MRE)的平均预测误差分别为2.10MW和8.64%，其中晴天模型表现最优。然而，在每个模型内部预测误差波动较大，具体情况请见图8。

从图8中可以看出，晴天模型和雾天模型的预测精度较高，误差的变化也跟算例数据的数值分布和数据量大小有关。在本文算例中，光伏电站位于中国南方某地，一年中以晴天和雾天为主，致使对应的预测模型获得较充分的数据训练样本，而支持向量机是一种非线性模型，需要对大量数据进行拟合和回归以得到预测模型，故晴天模型和雾天模型的预测精度较高。此外，预测模型的参数选择对预测精度也有影响，相关研究和分析是今后研究的重点。

图8 光伏功率预测模型相对误差

表3 预测模型误差对比

3 结论

新能源功率预测对电网合理制定调度计划和发电场站竞价上网、安排检修均有重要意义。本文以短期和超短期预测为例阐述了几种常用的预测算法，通过不同风电场及光伏电站实测数据算例分析，可得如下结论。

1）根据风电功率曲线的变化特点提出的PSVM预测优化模型能自动追踪预测不同线型下的预测规律，较SVM模型提高了预测精度；

2）小波支持向量机模型是对模型输入数据进行小波分解或将预测核函数进行小波函数替换，算例表明2种优化算法均对预测精度有提高；

3）光伏发电具有较强的周期性，针对4种典型的天气特点分别建模，优化了预测效果。

[1] 钟海欣．远景能源的“孔明”之道[EB/OL]．[2017-08- 22]．https://baijiahao.baidu.com/s?id=157641995557 3025496&wfr=spider&for=pc．

[2] 王国弟，翁彦，徐巍，等．上海某能源中心空调负荷预测[J]．发电与空调，2014，35(4)：67-70．

[3] 赵卫．电煤价格影响因素及预测分析[J]，发电与空调，2017，38(2)：1-6．

[4] Mario D，Daniel C，Jesus R，et al．Short-term wind power forecast based on ARX models[J]．Journal of Energy Engineering，2007，133(3)：172-180．

[5] 贺军，张锦文．灰色-马尔科夫模型在风电场风速预测中的应用[J]．发电与空调，2013，34(1)：14-16．

[6] Liu Y，Shi J，Yang Y，et al．Piecewise support vector machine model for short term wind power prediction [J]．International Journal of Green Energy，2009，6(5)： 479-489．

[7] Liu Y，Shi J，Yang Y，et al．Genetic algorithm- support vector machine model for short term wind power prediction[C]//Proceeding of IEEE 8th World Congress on Intelligent Control and Automation．Jinan，China，2010．

[8] Shi J，Lee W，Liu Y，etal．Short term wind power forecasting using Hilbert-Huang Transform and Artificial Neural Network[C]//Proceeding of IEEE 2011 4th International Conference on Electric Utility Deregulation and Restructuring and Power Technologies．Weihai，China，2011．

[9] 韩爽．风电场功率短期预测方法研究[D]．北京：华北电力大学，2008．

[10] Giebel G，Landberg L．Short-term(30min-72hrs) prediction for power output from wind farms [EB/OL]．http://powwow.risoe.dk/Bestpracticeworkshop.html．

[11] 史洁．风电场功率超短期预测算法优化研究[D]．北京：华北电力大学，2013．

[12] 张素宁，田胜元．太阳辐射逐时模型的建立[J]．太阳能学报，1997，18(03)：38-42．

[13] 李安定，吕全亚．太阳能光伏发电系统工程[M]2版．北京：化学工业出版社，2016：24-37．

[14] 张钟平，宣施超．分布式光伏设计要点分析[J]．发电与空调，2015，36(01)：26-28．

The Optimization Research Approaches for Renewable Energy Output Forecasting

SHI Jie1, LIU Xiaofei2

(1. School of Physics and Technology, University of Jinan, Jinan 250022, Shandong Province,China; 2. Jinan Urban Planning Advisory Service Center, Jinan 250099, Shandong Province,China)

Randomness, intermittence and fluctuation are features of new energy, which includes wind energy and solar energy, and power forecasting is an effective solution. The characteristics of wind power output and forecasting model are fully considered to propose piecewise support vector machine (PSVM) and neural network (NN) model; the effort of weather condition on photovoltaic is analyzed to optimize the forecasting model. The case studies from several wind farms and photovoltaic power stations prove that the proposed models have higher precision, which offer support for reliability analysis of power output forecasting.

wind power; photovoltaic; power forecasting; support vector machine; neural network; wavelet analysis

10.12096/j.2096-4528.pgt.18141

2018-08-05。

史洁(1984)，女，博士，讲师，研究方向为风电、光伏出力预测及优化，jeccie0921@163.com。

史洁

国家自然科学基金项目(51606085)。

Project Supported by National Natural Science Foundation of China (51606085).

(责任编辑 辛培裕)