新能源风光发电预测技术的发展及应用(1)

张士礼

摘要：自第二次工业革命之后，能源在经济增长中的关键作用受到高度重视。而伴随着化石能源的广泛应用，气候变化等环境问题日益突出，人类重视的不仅仅是能源带来的经济效益，如何为经济增长提供安全可持续的能源供應、平衡经济与环境的关系成为发展中的新课题。因此，需要加强发展和应用风光发电预测技术。

关键词：风光发电;预测技术;新能源技术;发展与应用

截至2019年底，全球可再生能源装机容量达25.7亿kw，在电力总装机中占34.7%。其中风电、太阳能发电发展最为迅速，以89%的装机比例成为可再生能源中电力增量主体。我国伴随着“十三五”“十四五”对能源转型的总要求，能源消费结构逐步向清洁低碳型推进。与全球趋势相似，我国的可再生能源发展呈现中以风电、太阳能为主稳步发展的基本态势。

光伏发电作为太阳能发展中的一个分支，在过去10年经历了巨大增长。而且由于政府和国际组织的政策支持，以及光伏技术的既有优势，未来光伏系统的数量将以更高的速度增加。风电、光伏发电的大规模普及可以缓解能源短缺问题，而且由于释放SO2和NOx等污染气体较少，因此在保护环境上更具优势。但是，由于这些新能源具有不确定性且难以操控，给电力系统的运行带来巨大的挑战。因此研究新技术、新方法对风光系统进行有效控制，不断提升预测精度，仍然是未来一段时间的重要课题。

一、风力发电预测技术研究现状

在电网整体运行过程中，实现风力发电过程对风功率的准确预测及尽可能减少风俗变化带来的不确定性，对于整个电网平稳运行具有重要作用。近年来，大量学者对此进行深入研究并取得许多重要成果。在时间维度上，学者们通常将风电功率预测分为四类：超短期功率预测（几分钟-1小时）、短期功率预测、中期功率预测、长期功率预测，而根据使用方法的不同，主要可以分为以下六种预测方法。

1.持续性方法：持续性方法本质上就是一种简单假设，即未来某一时刻的风速或风力与预报时的风速或风力相同。但随着预测时间尺度的增大，持续性方法的精度会迅速下降。持续性方法是最简单的，而且是最经济的风速功率预测方法。电力公司经常使用持续性方法进行超短期预测。

2.物理方法：物理方法指的是通过低大气层或者数值进行天气预报（NWP），使用温度、压力或者地表粗糙度等完成预测。NWP模式是气象学家开发的用于大规模区域天气预报的模式。一般情况下，由当地气象服务获得的风速，可以通过风力涡轮机转换为风电。物理方法可以增加NWP模型的真实分辨率，以实现对天气的准确预报。由于物理方法需要大量的计算，所以要在超级计算机上渲染。物理系统使用的参数化是基于对大气详细的物理描述，以达到最佳预测精度。现有的商业风电功率预测方法均通过NWP风力预测来进行数据输入。物理系统可以利用来自NWP的输入数据，通过基于低层大气边界层的方法，根据现场条件将这些输出数据（风速预报）进行必要的精进。

3.统计方法：统计方法的目的就是找到在线测量风力数据间的关联。统计模型能够借鉴风力发电之前的数据。与其他模型相比，统计模型易于建模，开发成本也更低。统计方法基本适用于短时期内，这种方法的缺点是预测误差随着预测时间的增加而增加。统计方法可以用来解决工程、经济学和自然科学中的问题，这些问题通常拥有大量的数据，而且观测结果具有相互依赖性。

4.空间相关性方法：空间相关模型主要是通过对不同的场地风速间的空间关系。这种模型的预测风速的主要原理就是通过预测点及邻近点之间的风速时间序列来进行判断。空间相关模型的判断可以从另一个地点的测量数据，来对某一地点的风速进行预测，并且经过多年的数据验证，这种方法可以达到令人满意的效果。

5.人工智能方法：近年来，随着人工智能（AI）技术的发展，出现了各种新的人工智能风速和功率预测方法。新发展的方法包括人工神经网络（ANN）、自适应神经模糊推理系统（ANFIS）、模糊逻辑方法、支持向量机（SVM）、神经模糊网络和进化优化算法。基于神经网络的方法是一种适合应用于风力发电预测的方法。

6.混合方法：混合方法的主要目标是充分结合各种方法的优点，以获得全局最优的预测性能。因为单种预测方法所获得信息非常有限，而混合方法可以将所获得的信息最大化利用，通过整合各种预测方法所获得的的信息，充分结合多种预测方法的优势，从而提高预测精度。

二、光伏发电预测技术研究现状

研究人员会根据不同的因素，例如预测时间范围、太阳辐照度等历史数据和其它模式对光伏发电的功率进行预测。与风电功率预测相似，依据预测时间范围，研究人员将光伏发电分为短期预测（Short-term forecast）和中期预测（Medium-term forecast）以及长期预测（Long-term forecast）。依据光伏发电历史数据和相关的气象变量可以将预测方式分为四大模式：（1）持续型（Persistence）;（2）统计型（Statistical）;（3）机器学习型（Machine-Learning，）和（4）混合型（Hybrid Method）。

准确性是光伏发电预测模型发展的关键。研究显示，为了更好地预测性能，应该结合两个或多个模型的优越属性来开发混合模型。而在混合体系结构中，单一模型的性能较差，可能会导致较高的预测误差。

三、风光发电预测技术的新发展——基于BP神经网络的风光功率预测模型

人工神经网络预测方法是风光功率预测非线性方法的代表，它是一种模拟人脑的结构和功能的算法，由许多通过特定拓扑结构连接的简单处理元素组成，因此解决更复杂的问题更为有效，特别是非线性关系问题。其中BP神经网络算法（Back Propagation Neural Network）是在对神经网络算法进行改进的基础上提出的，在风电和光伏发电预测领域，BP神经网络算法被证明是最成熟的算法，应用最广泛的神经网络。同时，该网络还具有良好的通用性，解决了传统方法收敛速度慢，局部极小的问题。结合神经网络的这些优点，本章将对风电和光伏发电功率进行预测，基于BP神经网络并使用社交粒子群优化算法来优化神经网络的原始值。最后建立预测模型，来验证预测模型的预测效果。

（1）输入数据：对训练样本数据进行筛选，筛除错误数据，并进行数据捆绑和归一化处理，将此组数据作为输入数据。

（2）模型优化：计算样本数据和预测数据之间的特征矢量相似度，并利用社会粒子群优化算法对神经网络的权重系数和阈值进行连续优化。通过长时期的网络学习，建立起精度更优和匹配度更强的预测模型。

（3）得出结果：将预测日时的数据输入到对应的模型中，同时进行方向归一化计算，获取风能和太阳能发电功率预测值最后的结果。

结束语

综上所述，电力资源作为人类的必须能源，一直在人类社会的生产生活中起着绝对的主导作用，尤其是近年来，随着我国社会现代化迅速发展，与之同步增长的，是对电力的需求。传统电力系统虽然积累了大量经验，并且能带来高效优质的服务，然而传统电力系统对环境的不良影响和带来的能源安全问题，使得这种模式难以为继。考虑到发电资源的清洁性和经济性，可再生能源近年来在现代电力系统中迅速普及。而对于风光发电预测技术的发展与研究则有利于风光发电技术的进步。

参考文献：

[1]赖昌伟，黎静华，陈博，黄玉金，韦善阳.光伏发电出力预测技术研究综述[J]. 电工技术学报，2019（6）.

[2]王美玲，王念平，李晓.BP神经网络算法的改进及应用[J].计算机工程与应用，2006，45（35）：47-48.