基于神经网络的光伏短期出力预测

燕林滋YAN Lin-zi

（银川能源学院，银川 750000）

0 引言

在光伏发电技术中，光伏系统的输出具有不确定性和不连续性，目前有大量的用户使用光伏系统作为电源，这将对电网产生重大影响。出力预报属于短期预报，其时间范围为1～2 天，因此可以提前1～2 天获取天气预报信息，结合预报结果对太阳辐射进行预报，再根据预报的太阳辐射值估算PV 功率，根据长期的电力供应的预测，通常以年做为单位去预测某项目在光伏电站的一些可行性[1]。在时间上，短期电力预测可以更快地估计出光伏发电的功率。这样，在规划光伏发电系统的并网连接时，就可以对光伏发电的短期出力进行预测，以此作为调度部门工作的基础，使常规能源能够更好地与光伏发电相结合，最小化对电网的冲击，从而实现稳定和经济的运行[2-3]。

1 光伏发电出力的影响因素分析

①季节类型对光伏输出功率的影响：在四季的变化中，太阳的入射角和日照的持续时间以及光的强度都会有所不同。

②天气类型对于光伏输出功率的重要影响：排除了可以影响到光伏发电系统输出的季节性类型外，还有不同的天气类型也会有影响。而光伏输出功率曲线的变化反而不是很明显。

③风速对光伏输出功率的影响：风速的表现在空中的变化特别不规则，以至于光伏系统的输出功率与风速变化之间没有明显差异[4]。

④太阳辐照强度对于输出功率的影响：太阳辐射的强度是影响光伏传输性能因素的关键，直接决定输出功率的趋势为辐照强度，在其他条件的干扰下，当太阳辐照强度增加或减少时，光伏输出也会将相应地增加或者减少[5]。除了以上原因还有温度、电气属性、电池寿命等对光伏输出功率有影响。

2 基于小波神经网络的光伏电站短期功率预测原理

2.1 小波分析原理

小波神经网络如图1 所示。

图1 小波神经网络

在图1 中，Y1，Y2，…，Yk是小波神经网络的输出向量，X1，X2，…，Xi是网络的输入向量。隐藏层所用的函数为Mort 小波函数：γ（x）=cos（1.75x），e 为自然常数。

对输入序列为Xi（i=1，2，…，k），隐藏层的输出计算见式（1），输出层计算见式（2）：

式中：η 为学习速率。直接使用原始数据将导致神经元饱和，并在测试过程中导致模型错误。所以数据样本应在网络训练之前进行标准化，将样本数据值转化为[0，1]区间内[6-7]。本文用下式进行处理：

输入数据处理结束后，其通过以下算法步骤进行预测，预测流程如图2。

图2 小波神经网络算法的预测流程图

2.2 样本数据的预处理

为了保护训练模式的数据，防止由不同尺寸的样本引起神经元饱和而出现的错误，必须对样本数据进行标准化[8]。

仍采用归一化公式：

输入数据处理后，仍然使用如图2 所示的步骤执行预测。

3 案例分析

3.1 相似度特征量的选取

在充分了解到设计数据后，根据光伏电站的现实状态，考虑到温度对于设计影响的情况下，以天气的类型去表示光强度。最终确定特征向量，假设每天的特征向量为X（X1，X2，…，X6），具体表示含义如表1 所示。用天气类型、温度和风速信息能大致表示出此类天气的气象情况。

表1 所选择的气象特征向量

3.2 基于灰色关联分析的相似日选取方法

灰色关联度的分析方法是一种比较各个因素的“大小”之间的相关程度的方法。要使同步变化的程度更高，则系统中各个因素之间的发展趋势和变化趋势就要一致[9]。

灰色关联度由以下七步详细计算组成。

第一步：去获取系统的行为序列

X0为参考序列，其余的序列称作比较序列。

第二步：对初值像/均值像进行无量纲化

第三步：求等差序列

第四步：求两极最大差和最小差

第五步：求关联系数

第六步：计算关联度

第七步：按照关联序去比较各个序列的关联度的大小关系，从而判断出各个序列同参考序列的距离大小。

为了提高预报的准确性，本章根据两个标准选择相似的日，晴天的理想条件和多云天气的非理想条件。

本文中每日的气象特征向量为：

其中出现最大和最小环境温度的时刻为t3和t4，而Shi和Sli是最大和最小风量第一天的速度（米/秒）。

通过下式得到预测日与第i 日的总关联度为：

本文选取相似日序列中前5 个历史相似日数据用于模型的训练，相似日为预测日之前的一个月之内[10]。

3.3 基于相似日和小波神经网络光伏功率预测模型的建立

本文中选择相似日期的方法是：灰色关联分析方法。例如，在2022 年夏季7 月29 日，时间跨度是从上午7 点到下午8 点的13 小时，并且以15 分钟的时间间隔进行数据采样。然后，在此示例中将气象特征向量选择为：

气象特征向量指示出2022 年7 月29 日上午7 点一直到晚上8 点之间，得到的最大辐照度为996.42W/m2，而最小辐照度为683W/m2（最大值）。相应的最大辐照时间为14:15，最小辐照时间为7:45，当日的辐照时间为14.5 小时，得到的最高显示温度为21°C，得到的最低显示温度为13°C，最高温度在下午5:30，最低温度在上午8:00，最低实测风速为1.68m/s，最高实测风速为9.58m/s。

本文中选择相似日期的时间间隔不应太长，以降低选择相似日期的复杂性，仅选择特定预测日期的十个历史日内与预测日期的相似日内具有最大相关度。

为了把相似的时间节点的历史数据能够完全引入模型的效果，本文在输入层总共进行两组实验，一组介绍相似日的历史数据，另一组使用相邻日的历史数据作比较，具体请参见表2 比较组差异。

表2 输入层的变化

当前没有针对隐藏层中的节点进行统一标准。本文首先选择一个特定区域，然后使用特定数量的历史数据反复调试网络模型以获取适当的值，用作网络训练的训练集，然后选择一个特定的测试集以使用训练后的网络测试。测试的评估指标是训练网络的次数和相关系数R。表3 显示了各种网络的测试结果。隐藏层21 个节点中17-21-13 网络具有最佳性能，因此选择具有此结构的网络。

表3 不同网络结构的测试结果

在知道神经网络的模型结构之后，对网络进行训练。因为变量的单位顺序之间的一些差异，所以将原始输入数据转换为-1 和1 之间的值。输出的数据则按照相反的方向去进行处理。

4 预测结果分析与评估

4.1 数据的分析及选取

本文中的实验数据出自我国的总装机容量为100MW的并网光伏电站。依照相似日选择的方法以光伏电站的历史天气信息去确定气象特征向量，之后在距预测日十天的位置找到相似日。依照预测日为例，数据采样的周期从上午7:00 至下午7:00 间隔一小时，总共有13 个数据点。气象数据严格按照电厂监控系统收到的本地测量记录为准。为了检查在引入相似日后使用小波网络算法预测短期发电量的有效性，本文以2022 年夏季6 月至8 月的输出功率数据和气象数据为例，其中包括无限制的能源计划和相对完整的数据集。示例数据如表4 所示。

表4 部分样本数据

从表5 中可以得出在2022 年7 月4 日这个预测日，选择在相邻十日内的相似日，即2022 年7 月1 日；于2022 年8 月22 日这个预测日去选取的相似日为2022 年8 月16 日。

表5 两预测日的相邻日的灰关联度明细

4.2 预测结果分析

按照两个已经选定的预测日，为避免单次网络训练对预测结果发生干扰，选择Matlab 软件去重复训练和预测网络。最终预测结果如图3、图4 和表6、表7、表8 所示。图中，介绍了相似天数的曲线是实验组，没有相似天数的曲线则是对照组。

表6 实验组两日逐时刻预测偏差表

表7 对照组两日逐时刻预测偏差表

表8 两组预测误差指标表

图3 7 月4 日的功率预测曲线图

图4 8 月22 日的功率预测曲线图

观察以上预测曲线可以清楚知道：在7 月4 日和8 月22 日两种不同的天气条件下，引入类似的未来网络模型，得到的预测结果表示分散程度较小比对照组更为精确。从预测误差表中可以看到，在7 月4 日晴天条件下，实验组的MAE预测误差指数为3.693MW，RMSE 为4.98MW，在（8 月22日）多云条件下，MAE 预测误差指数为8942MW。RMSE 为11,116MW，与对照组相比，两者的预测效果得到改善。

5 结束语

光伏电站实时输出功率受气象数据、设计方案及施工水平、运行维护质量等多因素的影响，其中太阳辐射、温度、风速是影响输出的主要因素。预测结果表明：在相同天气条件下，小波神经网络预测模型训练样本采用实测气象数据，其预测效果整体优于采用数值天气预报数据，预测精度较高，对实际工程有参考价值。