基于历史数据的光伏发电量预测方式的组合应用

张凤珠

（西南石油大学 电气信息学院，四川 成都 610500）

0 引 言

自工业革命以来，科技因得到长足发展而日新月异，自然界中的传统能源消耗量也随之与日俱增。与此同时，传统能源储备面临着前所未有的枯竭危机。在这样的背景下，全世界都将目光聚焦在可再生能源的利用和开发上。太阳能具有低污染、可持续、安全可靠等优点，使得利用太阳能发电这一新方式脱颖而出[1]。光伏发电量的准确预测是实现能源最大化利用的重点要素，也是光伏电站实现电力合理调度的基础，更是电网实现经济规划的基本参考因素。

目前，已有的多种光伏发电量预测方法中，以聚类预测和人工智能算法预测两种预测方法应用最广泛。其中，聚类分析法具有精度不足、速度较慢、对历史数据准确度要求高等缺点；人工智能算法则存在对数据量要求大、对输入的数据库学习时间较长等缺点；组合预测方法则能避免上述缺点。

1 数据搜集与整理

以西南地区某10.5 kW 光伏电站过去3年的地区气象数据、湿度数据、历史发电数据为输入量和预测输出量，对3 种预测方式进行验证对比。

搜集的气象数据可分为晴天、阴天和雨天3 类；湿度数据分为30%以下、31%～70%、71%以上共3 个区段。为提高卷积神经网络的学习效率和预测精度，还需要对光伏发电量的历史数据进行归一化处理。归一化公式为[2]：

2 预测方法及结果的对比

2.1 FCM 相似日聚类预测法

FCM 算法是一种以隶属度来确定每个数据点属于某个聚类程度的算法。该聚类算法是传统硬聚类算法的一种改进。

设数据集X={x1,x2,…,xn}，它的模糊c划分可用模糊矩阵U=[uij]表示，矩阵U的元素uij表示第j(j=1,2,…,n)个数据点属于第i(i=1,2,…,c)类的隶属度，uij满足条件[3]：

目前，被广泛使用的聚类准则为取类内加权误差平方和的极小值，即[4]：

其中V为聚类中心，m为加权指数，dij(xj,vi)=||vi-xj||。

算法流程[5]：（1）标准化数据矩阵；（2）建立模糊相似矩阵，初始化隶属矩阵；（3）算法开始迭代，直到目标函数收敛到极小值；（4）根据迭代结果，由最后的隶属矩阵确定数据所属的类，显示最后的聚类结果。

算法预测结果如图1 所示。

图1 FCM 相似日聚类发电预测

2.2 卷积神经预测法

卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。该预测方法中，将归一化到[0，1]区间的光伏发电历史数据作为“时间-发电量”的二维数据输入[6-9]，经过深度学习预测出光伏电站的发电量。算法预测结果如图2 所示。

图2 卷积神经网络发电预测

2.3 组合预测方式

该方式是在卷积神经预测法的基础上，将FCM 相似日聚类结果作为卷积神经网络的二层数据输入，可得算法预测结果如图3 所示。

图3 组合法发电预测

3 结果分析

在进行10 次对比检验试验后，拾取误差点，将预测精度、时间作为综合考量[10]，可得：FCM 相似日聚类预测法效果最差；卷积神经预测法效果次之，但建立在历史数据量足够大的前提下；组合预测法效果最好且所需数据量相对更小，如表1 所示。

表1 3 种预测方式对比检验试验

可见，在光伏发电大力发展的今天，该组合预测方式有着巨大的应用前景。