南疆某光伏电站动态功率预测模型的分析＊

邹梦丽，吴 宪，郭 续

（塔里木大学机械电气化工程学院，新疆 阿拉尔843300）

分布式光伏发电系统功率是根据负荷实时变化的，具有一定的动态特性，且光伏发电容易受地理位置、气象条件、太阳总辐射等环境的影响。由于整个发电系统存在周期性、间歇性、随机性和波动性等，都会对分布式光伏发电系统动态功率预测造成影响。当光伏发电系统发出的电进行并入电网时，会对大电网造成波动。电力调度部门需要对这种波动进行调整，减少对整个电网的影响。因此，研究分布式光伏发电系统动态功率来预测生产生活中的实际发电量具有很重要的意义。本文主要研究分布式光伏发电系统动态功率在新疆地区，特别是在环塔里木河流域塔克拉玛干沙漠边缘的南疆地区，以阿拉尔光伏电站为测试对象。通过研究分布式光伏发电系统所具有的特点，将阿拉尔积累的长期发电量和气象环境的条件等数据收集提取出来。对所有的有效数据进行标准化处理，在处理数据方面，首先要剔除不良数据，分析并筛选有效的历史数据，利用优化后的数据进行统计分析。以年动态发电量为中心构建灰色预测模型，预测下一年的发电量；以历年的数据作为训练神经网络模型。两种模型通过实测数据进行预测，最后选较优模型。

1 光伏发电系统动态预测模型的研究

1.1 灰色预测模型

1.1.1 灰色预测模型的定义

灰色预测的定义是根据系统行为中具有的特征值发展变化而对未来的数据进行的预测。通过已知的数据分析运算，寻找内在关联以及发展变化的趋势，对未来不确定的数据进行预测。灰色预测本质是指根据在一定范围内变化的数据或者时间序列有关变量存在不确定的过程进行预测。

灰色预测模型通过分析整个系统中影响因素之间相关性和趋向趋势进行关联分析。采取对原始数据分析处理来寻找这个系统数据变化的内在规律性，导出并生成有较强规律性的数据序列，绘制图像以及建立相适应的微分方程模型，从而预测数据未来发展趋势。

针对预测类的问题，普遍采用灰色预测模型进行预测。这个模型相较其他模型来说，基于一定范围的的时间序列的数据变化。研究按时间累加后关于数列变量的波动，建立GM（1.1）模型。一般采用一阶线性微分方程的解来预测数据的结果。

1.1.2 GM（1.1）模型

GM 的微分方程为：

式（1）中：x（1）为经过一次累加生成的数列；t 为时间；a为发展灰度；u 为内生控制灰数。

建立一次累加生成数列，设原始数列为x（1）={x（0）（1），x（0）（2），x（0）（3），…，x（0）（n）}，i=1，2，…，n。

按照以下方式进行累加计算，重新生成数列，n 为样本空间：

利用最小二乘法求参数a，u：

参数辨识：

求出GM（1.1）的模型：

对模型精度的检验，计算原始数列x（0）（i）的均方差S0：

计算残差数列的均方差S1：

计算方差比c：

计算小误差概率：

模型精度等级如表1 所示。

表1 模型精度等级

1.1.3 灰色预测的结果

灰色预测2017年一期项目发电量如图1 所示。

图1 灰色预测2017年一期项目发电量

从图1 中可以看出，由于2014年的数据与历年数据出现了较大差值，对预测结果造成严重影响，在2017年将达到4 821.518 6 万kW·h。远远超过了阿拉尔光伏电站的实际的发电量，脱离了实际的生产生活。因此本文将2014年的数据进行修正，从而达到在一般光照资源条件下的准确预测。

灰色预测如表2 所示。

表2 灰色预测表

为了对2014年的数据进行修正，通过提取2015年和2016年两年的相关数据，对每个月数据分析，剔除不良数据，筛选具有一般性质的数据，得出2015年和2016年的平均年发电量。同理，计算2013年和2015年的相关数据，对每个月数据进行分析，剔除不良数据，筛选代表性数据，得出2013年和2015年的平均年发电量；再将平均平均年发电量汇总分析，得出2014年的虚拟年发电量为3 893.74万kW·h，来替换3 058.88 万kW·h。通过数据分析得出的新结果进一步代入灰色预测模型中，对2017年阿拉尔光伏电站一期项目的发电量实现预测。

1.1.4 灰色预测的修正

灰色预测2017年一期项目发电量图（处理后）如图2所示。

图2 灰色预测2017年一期项目发电量图（处理后）

本文将重点研究阿拉尔光伏电站一期项目，通过选取2013年、2014年（修正后）、2015年、2016年的年发电量，预测2017年的发电量。阿拉尔光伏电站的数据分析可知多年平均发电量为4 140.7 万kW·h，根据灰色预测模型可以得出预测值为4 191.231 9 万kW·h。灰色预测（处理后）如表3 所示。

表3 灰色预测表（处理后）

阿拉尔光伏电站一期项目的发电量数据显示，全年发电量为4 219.21 万kW·h，预测值与实际生产生活的数值较为接近，属于可接受范围内。

1.2 PB 神经网络模型

BP 神经网络算法是一种按照误差进行反向传播并建立的前反馈网络特性的算法，适用于多输入、多输出的模型。本算法依靠已有的历史数据，通过输入和输出数据之间的映射关系进行学习，寻找数据与数据之间的关联，将数据的特性抽象化/模拟化，形成一种网络算法。可以将BP 神经网络划分为输入层、隐含层、输出层。

输入层是调取数据的输入模型，既能研究单一变量的影响，也可以研究多个变量的影响。

隐含层采用的是激活函数，不同的函数会对输入和输出产生影响。灰神经网络结构如图3 所示。

图3 灰神经网络结构图

1.2.1 BP 神经网络算法流程

BP 神经网络算法流程如下：①提取历史对应的数据，然后用编程调取函数对数据进行预处理，即数据归一化。②使用适当的函数建立神经网络，确定输入层参数、输出层参数和隐含层节点数。③利用数据训练网络。首先设置参数，设置最大训练次数、中间结果间隔次数、学习率、训练的目标误差。在训练过程中，不断地对设置的参数进行修改，以求达到最优的效果。④使用网络。应用训练网络，对2017年12 个月份的发电量进行预测，并且得到模型预测值。

1.2.2 BP 神经训练过程

BP 神经训练过程如下：①确定BP 网络的层数，网络层数的增加或者减少都会影响模型的精度，同时会影响训练的时间和网络的复杂程度，经过各个方面的综合考虑来确定网络层数，一般情况下会选择三层网络结构。②确定隐含层的神经元的个数，神经元的个数也影响网络的复杂程度。根据不同的唤醒下，先给定一个值，在训练的过程中再进一步改进，通过对不分析选出最合适的数目。③网络初始化运算，将神经网络权值和阈值赋值。在设定权值和阈值时注意，数值选取适中。可以先预设值，再不断改变参数，达到最佳状态。 -通常情况下，初始权值阈值多在（ 1，1）区间选择，在这个范围区间内保证每个神经元的权值都可以在激活函数变化最大处调节。④确定学习的速度，学习的速度应该保持相对稳定，速度过大或者过小都会产生影响。⑤确定神经网络的输入量和输出量。从而根据出输入和输出计算隐含层的输入输出量，得到预测值。⑥由BP 神经网络的误差反向传播特性，将误差进行反向传播，并修正权值。⑦选取新的训练数据集，继续重复以上步骤，直到误差降低到要求范围内或者学习次数达到要求值，则训练结束。

1.2.3 BP 神经网络的参数确定

本文将设置输入层为3 个，分别选取2013年、2014年和2015年每年的12 个月份作为作为原始数据的影响因素，构建数列，进行归一化处理。将2016年12 个月份的数据作为3 个影响因素的结果。设置输出层为1 个，即预测2017年的12 个月的数值。

在选取隐含层的节点时，需要同时了考虑输入层的参数和输出层的参数。层数参数如表4 所示。

表4 层数参数表

经过代入计算，确定l 为8 个：

训练参数表如表5 所示。

表5 训练参数表

采用logsig 函数神经元的输入（范围是整个实数集）映射到区间（- 1，1）。

2017年一期项目全年预测和实际发电量图如图4 所示。

图4 2017年一期项目全年预测和实际发电量图

根据2013—2016年的实际发电量训练好的的BP 神经网络，以2017年的气象条件，尤其是综合光照资源的数值代入训练好的模型中预测2017年的每月发电数据，得到BP神经网络的预测值为4 200.34 万kW·h。据2017年阿拉尔光伏电站一期项目的发电量数据显示，全年发电量为4 219.21 万kW·h，预测值与实际生产生活的数值较为接近，处于可接受范围内。

2 模型对比分析

本文分别建立灰色预测和BP 神经网络模型，对于两个模型的结果都进行了预测。其预测值与光伏电站2017年实际数据发电量如表6 所示。

表6 预测值与实际值对比表

分析比对两者的优势和不足。在模型的理论分析和实际的数据预测中得出结论：BP 神经网络虽然具有优势，但是易受参数的波动，其隐含层中的参数需要多次调试，如果出现问题，将对整个模型造成影响，降低预测精度。灰色预测简单可靠，但是针对数据需要进一步处理，如果出现不良的数据会对预测产生较大误差，在实际的预测中，需要筛选数据，剔除不良的数据，使模型预测更加准确。

3 结论

光伏发电作为一种清洁能源，在代替传统用电的过程中发挥着重要作用，加强光伏功率的预测对电网安全运行具有重要意义。本文通过基于南疆某光伏电站的真实数据，建立灰色预测模型和BP 神经网络。通过对比分析，结果表明两种模型中BP 神经网络具有较好动态光伏发电功率的准确性。另外需要指出的是BP 算法是在梯度下降原理的基础上提出的，它的主要缺陷在于收敛耗时长、容易出现局部最优解、严重依赖于初始权值等。下一步将重点研究将神经网络与其他算法组合起来，比如粒子群算法、蚁群算法等，它们在优化神经网络方面比BP 算法效果会更好。