光伏充气膜温室发电系统短期功率预测研究*

杜 昕，李贵红，李 祥，王 佳

（兰州职业技术学院，甘肃 兰州 730070）

0 引言

光伏充气膜温室发电是农业实现电气化、智能化、绿色化的重要途径之一。但是其系统输出功率由于受太阳辐射强度、天气、电池组件温度以及一些随机因素的影响而具有波动性大、随机性强和不可控等缺陷，特别是在突变天气中表现得尤为突出。因此，这种发电方式在接入温室后必然会对温室机电设备的安全性和稳定性造成冲击，这成为光伏充气膜温室发电广泛应用的阻碍因素之一[1-2]。因而，提高充气膜温室发电系统功率预测的精确度尤为重要，对充气膜温室的经济、安全、稳定运行及维护具有重大意义，也为其合理调度用电提供依据。

光伏充气膜温室发电系统短期功率预测，文献[3-4]先对太阳光的照射强度进行预测，然后借助计算模型或者神经网络并考虑其他因素进行预测；文献[5-6]利用BP神经网络、支持向量机等建立了预测模型。但是以上预测方法，在早、晚以及突变天气状态下，普遍存在预测误差较大等缺点。

本研究针对光伏充气膜温室发电系统短期功率预测，将集合经验模态分解（EEMD）与支持向量机（SVM）相结合，提出了一种EEMD-SVM组合预测法。先根据气象条件将天气分为晴天、多云等5种类型，随后将历史输出功率根据天气类型进行归类并筛选出和待测日气象条件相似日期的数据作为历史数据，利用EEMD将历史数据分解成不同频率的平稳固有模态分量（IMF），最后利用SVM分别建立模型并进行预测。

1 EEMD和SVM

1.1 EEMD

EEMD分析法是2005年Wu等[7]人为消除经验模态分解法（EMD）中模态混叠现象而提出的一种能够自适应地对非平稳复杂信号进行处理的噪声辅助分析法，主要是在原信号序列中多次加入不同幅值但频谱均匀分布的白噪声，进行EMD分解，最终得到的固有模态函数分量（IMF）保持了物理上的特性，从而消除了模态混叠，具体分解步骤如下。

1）初始化M、k、i，并令i=1。M为EMD分解的总体平均次数，k为在原信号序列中加入的白噪声幅值系数，i为迭代次数。

2）进行第i次EMD分解，按照如下步骤进行。

①将高斯白噪声ni（t）加到原信号序列X（t）中，得到第i个新的发电系统功率序列：

式（1）中，ni（t）为高斯白噪声、X（t）为历史光伏发电系统功率序列。

②按照EMD的分解步骤对加噪后新的光伏发电系统功率序列进行分解，获得J个IMF分量Ci,j（t）和一个残差分量ri,J（t），即：

式（2）中，J为EMD分解获得的IMF分量总数，Ci,j（t）表示第i次分解得到的第j（j=1,2,3…,J）个IMF分量，ri,J（t）为残差分量。

③将不同幅值的白噪声序列加入到历史发电功率序列中，重复执行①、②步骤，直到进行M次为止。

以上步骤中，M和k是两个非常重要的参数，极大地影响着预测的精度，目前并没有任何可以参考的公式，结合经验数据建议，M取100，k取0.2。

1.2 SVM

SVM是一种根据结构最小化原则（SRM）和VC维概念建立的适合小样本、非线性、高维数等分类情况的模式识别方法。将其用于光伏发电功率预测模型时，先将原样本空间映射到一个高维空间ψ中，通过线性回归的方法进行分析，获得回归函数如下：

式（7）中，σ为核宽度。

2 EEMD-SVM预测模型

2.1 影响因素分析

如图1所示，光伏充气膜温室发电系统输出功率受到光伏阵列、光伏设备等本身相关因素的影响，也受到天气、所处地理位置以及系统运行时间的影响。

图1 影响光伏充气膜温室发电系统输出功率的因素Fig.1 Factors affecting the output power of power generation system on inflatable membrane greenhouse attached photovoltaic

对于确定的发电系统来说，其历史数据中本身就包含了地理位置、光伏阵列的安装角度和方式、逆变器等光伏充气膜温室发电系统本身的相关信息。天气因素中，主要用到日最高、最低温度、日期等数据。由于天气变化对光伏充气膜温室发电系统输出功率影响很大，因此，本预测模型的基本思路是将天气分为晴天、多云、阴天、雨（雪）天以及突变天气等5种类型并分别建立预测模型[8-15]。

2.2 模型设计

分别选取上述5种类型的天气各80 d，其中将前70 d的发电功率数据作为训练样本，后10 d的作为测试样本，以建立阴天每天6：00到20：00时间段功率预测模型为例，每隔12 min进行一次数据采集，可得到71个数据点。在采集到的70 d、每天14 h、共4 970个历史发电功率原始数据序列中添加50组、幅值为0.2的白噪声，然后，运用EEMD方法自适应地将加噪后新的原始数据序列分解成如图2所示的5个不同尺度的IMF分量和一个残差分量。其中，第一行为原始数据序列，第二行至第七行分别为IMF1～IMF5分量和残差分量，反映了输出功率的波动特征，由图2可以看出，其波动性相对于原始数据序列更为平稳。最后，对分解得到的不同尺度的IMF分量加入不同的气象数据（包括预测日前1 d的输出功率，最高、最低温度以及预测日的最高、最低温度）作为支持向量机的预测条件，最后输出预测的当天发电功率。本研究中，对于波动较大的IMF1～IMF4分量，利用高斯核函数建立模型进行预测，如式（7）所示，而波动较小的IMF5分量，则采用线性核函数建立模型，如式（6）所示。

图2 光伏充气膜温室发电系统输出功率EEMD分解结果Fig.2 EEMD results of the output power of power generation system on inflatable Membrane greenhouse attached photovoltaic

3 结果分析

为了验证所述的EEMD-SVM光伏充气膜温室发电系统功率预测模型的有效性，采用Matlab编程建立了晴天、多云、阴天、雨（雪）天、突变天气等五种天气状况下的预测模型，并进行了预测。其历史数据来源于某1 GW光伏充气膜温室发电系统2016年到2019年采样的功率，相关气象数据来源于项目组的实际采集。本研究选用2020年5种不同天气状况下的天气作为待测日，按照预测步骤，预测待测日的发电系统输出功率，然后利用如式（8）所示的均方根误差（RMSE）和如式（9）所示的归一化平均相对误差（MRE），两种评价指标来对预测模型的预测效果进行评价，结果如表1、表2、表3、表4、表5所示。

表1 晴天光伏充气膜温室发电系统输出功率预测误差统计Tab.1 Forecasting error statistics of the output power of power generation system on inflatable membrane greenhouse attached photovoltaic in sunny days

表2 多云天气光伏充气膜温室发电系统输出功率预测误差统计Tab.2 Forecasting error statistics of the output power of power generation system on inflatable membrane greenhouse attached photovoltaic in cloudy days

表3 阴天光伏充气膜温室发电系统输出功率预测误差统计Tab.3 Forecasting error statistics of the output power of power generation system on inflatable membrane greenhouse attached photovoltaic in overcast days

表4 雨（雪）天光伏充气膜温室发电系统输出功率预测误差统计Tab.4 Forecasting error statistics of the output power of power generation system on inflatable membrane greenhouse attached photovoltaic in rain(snowy)days

表5 突变天气光伏充气膜温室发电系统输出功率预测误差统计Tab.5 Forecasting error statistics of the output power of power generation system on inflatable membrane greenhouse attached photovoltaic in abnormal days

式中，pz为装机总容量，Pf为待测值，Pt待测日功率真实值，N为预测样本数。

由表1～表5可知，本研究所述的EEMD-SVM光伏充气膜温室发电功率预测法，其相对误差和均方根误差，都小于SVM和BP神经网络等单一预测法，也小于小波-LSSVM预测法。综上所述，本研究提出的EEMD-SVM预测法，可以较好地对平稳或者突变天气的光伏充气膜温室发电功率进行预测，且预测误差小，精度高。

4 结论

影响光伏充气膜温室发电系统功率的因素众多，尤其是当天的天气类型以及最高、最低气温，直接影响着发电功率。本课题先将天气状况进行分类，然后将发电系统每天相同时刻的功率，进行EEMD分解，随后将分解得到的IMF分量，分别用不同的支持向量机建模，并加入对应的天气信息进行预测，其预测结果和SVM、BP神经网络法以及小波-LSSVM预测法相比，其预测精度得到了显著的提高。因而，本研究提出的预测法，对于大规模光伏充气膜温室发电的应用及电力调度具有较好的参考意义和应用价值。