考虑信息时移的分布式光伏接入配电网功率预测方法

尚庆功 ,杭舟 ,尚暖

(1.国网江苏省电力有限公司连云港市赣榆区供电分公司,连云港 222100;2.国网江苏省电力有限公司东海县供电分公司,连云港 222300;3.国网江苏省电力有限公司连云港供电分公司,连云港 222000)

0 引言

国家能源结构转型的深入、双碳发展战略的实施,加快了可再生能源的发展,其利用率呈连年增高发展态势变化[1-3]。太阳能是自然界中的天然能源,对其进行高效利用可满足碳中和背景下的碳排放要求,因此光伏发电在各个国家均受到高度关注。分布式光伏的应用对国家能源产业化发展起到了积极促进作用[4-6]。但分布式光伏发电会随着气象条件的改变而不断发生变化,具有稳定性低的特点,将其接入配电网,可能会造成配电网电压的波动、电能质量的下降等[7,8]。

时珉等人针对分布式光伏入网功率预测问题,采用随机森林算法确定光伏出力特征参数后,将其作为自适应神经模糊推理算法的输入,实现模型的离线训练[9];赵滨滨等人为提高配电网的协同优化控制效果,研究了分布式光伏预测方法,利用基于ARIMA 的预测模型,来获得分布式光伏功率预测结果[10]。以上方法均未考虑地理位置差异带来的气象信息时移问题,导致光伏出力预测结果并不够准确。

在实际应用中,受成本等因素的影响,各分布式光伏站点并不完全具有数值天气预报(NWP)数据,存在气象数据缺失问题[11]。依据各分布式光伏站点间的空间关联性,利用区域内光伏基站的完备NWP 数据进行目标光伏站点出力预测,是存在预测误差的,这主要是分布式光伏站点地理位置差异导致的气象信息时移引起的[12]。为解决预测误差问题,提出考虑信息时移的分布式光伏接入配电网功率预测方法,通过确定最佳时移量完成分布式光伏站点气象数据存在的偏移修正,在对分布式光伏出力数据特征进行选择后,输入到基于注意力机制卷积双向GRU 预测模型中,以实现其功率的准确预测。

1 分布式光伏接入配电网功率预测

1.1 气象信息时移分析

在分布式光伏接入配电网中,各光伏电站输出功率具有空间关联性,将具有NWP 的集中式光伏电站作为基站,可实现目标光伏电站功率的预测,但由于各光伏电站地理位置的差异,使得各光伏电站气象数据具有时间偏移性。考虑地理位置差异引发的信息时移,修正目标光伏电站的气象信息,是实现分布式光伏接入配电网功率精准预测的重要途径。理想情况下,在已知基站与目标光伏电站的地理位置后,即可完成时间偏移量的计算,但在实际工作中,可能存在分布式光伏电站经纬度数据缺失问题,故在获取集中式光伏电站的历史气象数据后,绘制其气象曲线,再对其作平移处理,以使目标光伏电站输出功率曲线与其具有最大关联性,实现时移量的获取。具体为:采用皮尔逊相关系数分析气象数据中的关键气象因子、光伏输出功率之间的关联关系,获取与光伏输出功率具有最大关联的气象因子,将其视为对照变量,完成最优时移的确定。经研究发现,影响光伏输出功率变化的重要气象因子为总辐照度,因此,将其视为变量实现最优时移的求取。

将原时间点作为起点,沿左右方向完成总辐照度历史信息数据的移动处理后,对此刻的总辐照度大小进行运算,同时确定各目标光伏电站历史出力皮尔逊相关系数,从中筛选出最大皮尔逊相关系数(PCC),与之对应的平移量即为目标光伏电站的最佳气象时移量。将15 min 作为分布式光伏接入配电网功率预测周期ΔT,由于最佳时移量可能存在非整数倍ΔT的情况,通过三次样条差值处理总辐照度变量,经加密后,可获取周期为Δt=15 min 的密集气象数据。最佳时移量的确定过程为:

第一步:获取历史气象数据,通过运算确定总辐照度序列,表示为R={rT1,rT2,…,rTn},P={pT1,pT2,…,pTn}为与之相对应的光伏出力序列。对于历史气象数据,其时间序列通过T1,T2,…,Tn表示,其数量表示为n。

第二步:对R进行三次样条差值处理,加密后的总辐照度序列通过Rnew=表示,t1,t2,…tq,…,t3n-2为处理后的时间序列。

第三步:设定q为1。

第四步:将Rnew中的元素q作为起始点,选择n-4 个点,ΔT表示时间周期,对Rnew进行校正处理,获得R′new,对R′new与P的皮尔逊相关系数进行求取,并保存在集合A中。

第五步:令q=q+1,当q＞3n-2,则跳转至步骤六,反之,返回步骤四。

第六步:对A中的皮尔逊相关系数进行降序排列,确定最大系数对应的平移量,确定最佳时移量。

1.2 基于随机森林的特征选择

采用随机森林算法对分布式光伏原始数据特征进行重要度分析,以完成高贡献特征的选择,从而提高功率预测模型的预测效果。该算法原理是将B作为分布式光伏原始数据集,以反复抽样方式对B数据集进行处理,获得若干个样本后,完成新样本子集的确定,由此构建决策树,获得的数量为k的决策树构成了决策森林。该算法通过对构造的若干决策树的排列分布,使得分布式光伏原始数据的特征选择能力获得显著提升。

在通常状况下,各决策树的分布概率具有一致性,不同决策树的学习率大小对随机森林算法的拟合误差起决定性作用。对于样本数据集B,其子集表示为C;对B进行抽取时,未被采样到的样本定义为树外样本,通过B-表示,其子集表示为C-。分布式光伏原始数据特征的贡献度可通过拟合误差值来确定,如式(1)所示

式中:gx(i)——将B作为预测原始数据集时得到的拟合属性参数,及x经过置换处理后确定的拟合属性参数;x——分布式光伏原始数据特征参数;I——对于树外样本的误差函数;yi——第i个数据的拟合属性参数。

选择S(xj)值高的分布式光伏原始数据特征,用以作为后续功率预测模型的输入。

1.3 分布式光伏接入配电网功率预测模型

1.3.1 双向门控循环控制网络

GRU 是在循环神经网络(RNN)结构基础上发展而来,其优势是避免了传统RNN 网络训练过程中梯度下降等问题[13]。GRU 网络基本结构如图1所示,在t时间的时间序列输入信息通过Xt表示。重置门、更新门是其重要组成部分,分别表示为Rt、Zt,其中,Rt是t时刻输入Xt的函数,可对t-1 时刻历史状态信息的输入量进行控制,以便获取Xt中的短期依赖关系;Zt为t-1 时刻隐含状态Ht-1的函数,用于反映t时刻隐含状态中所含历史信息的多少,对输入Xt中长期依赖关系的确定产生有利影响。利用sigmoid 函数对门限区间进行控制,使其满足(0,1);隐含、候选隐含状态分别通过Ht表示。

图1 GRU 网络基本结构图Fig.1 Basic structure of GRU network

基于GRU 网络结构,可确定式(2)至式(5)。

式中:σ——激活函数;Wxr,Whr,Wxz,Whz,Wxh,Whh——GRU 网络涉及的权值矩阵;br,bz,bh——Rt、Zt的偏置量。单向GRU 网络仅能通过获取历史输入信息以实现当前时刻输出结果的预估,具有单方向传播性,容易发生遗忘问题,使得关键时序信息发生缺失。为此,构建双向GRU 网络模型,将目标光伏电站的时间序列特征数据作为模型输入,分别通过正向、逆向学习实现双GRU 模型的训练,对正、逆向学习过程中的最终状态向量作拼接处理,实现分布式光伏接入配电网功率预测结果的确定。双向GRU网络模型能够兼顾历史数据以及未来信息的学习,准确获取分布式光伏的动态变化趋势,提高了预测模型的预测性能。

1.3.2 注意力机制(Attention)

注意力机制是模仿人类视觉观察事物的特点,以获取高价值信息的过程,在时序预测等领域受到广泛关注。注意力机制原理是在已知时间序列输入信息的基础上,获取其特征权值以实现输入的加权求和处理,通过重要特征赋予的权值大、非重要特征赋予的权值小的方式实现输入信息重要部分的学习,以达到预测精度提升目标[14,15]。将Attention 机制引入到双向GRU 模型中,以获取目标光伏电站与配电网内邻近气象信息时间位点间的联系,以实现分布式光伏接入配电网功率预测模型的气象时移量的修正。采用卷积神经网络对输入时间序列的各个时间步进行捕捉,经过滑动窗内隐含层矩阵的若干次一维卷积操作后,实现若干时间模式的确定,如式(6)所示

式中:Qi——对于双向GRU 模型,其隐含层矩阵的第i个行向量;Dj——第j个卷积核。

利用激活函数确定与评分对应的第i个行向量注意力权值,表示为αi,再计算αi与QD i的乘积,并作加和处理后,可获得上下文向量,如式(8)所示

式中:m——对于时间模式矩阵总行数。

利用全连接层对vt与qt作融合处理,即可完成时间步输出结果的确定,如式(9)所示

式中:Wh——该层权值;[·]——两向量间的融合处理。

1.3.3 基于注意力机制的卷积双向GRU 的功率预测模型

为实现分布式光伏接入配电网功率的精准预测,构建了基于注意力机制的卷积双向GRU 网络,利用卷积神经网络对输入时间序列的各个时间步进行捕捉,通过Attention 机制降低地理位置差异引起的气象信息时移问题,实现分布式光伏接入配电网功率预测模型的气象时移量的修正。基于注意力机制的卷积双向GRU 的功率预测模型具体为:

该功率预测模型采用随机森林算法对特征贡献度进行计算,以此确定光伏出力数据特征,将其输入到功率预测模型中,以T为时间步滑动窗口,在对其作预处理的基础上,可得到X=[xT1,xT2,…,xTn]的时间序列。通过双向GRU 网络对获取的时间序列特征进行学习,利用卷积神经网络对其各个时间步进行捕捉,其结构中由卷积、池化层构成,数量分别为2、1,卷积核均设定为1 ×1。利用注意力机制对功率预测模型中的气象时移进行修正,再利用全连接层对分布式光伏接入配电网功率进行预测,如式(10)所示

式中:yt——在t时间点,分布式光伏接入配电网功率预测;WO,bo——权值矩阵及偏置。

最后通过输出层对其进行输出。

2 输出功率预测试验

以某地区分布式光伏接入配电网为研究对象,利用Matlab 工具进行模拟分析,该区域配电网内含有的分布式光伏站点数量为6,标记为Ⅰ-Ⅵ,对应容量为22.5 kW、110.6 kW、137 kW、98 kW、148 kW、64 kW。获取该区域各光伏站点2020 年5 月1 日-10 月30 日出力数据,由功率计量表以15 min 为一个采样周期对其实际功率值进行96 点采集,从区域气象站获取同期NWP 数据,构建原始数据集。将2020 年10 月27 日前的光伏出力及气象数据作为预测模型训练样本,采用本方法对后三天的分布式光伏输出功率进行预测,分析预测效果。

2.1 总辐照度、分布式光伏出力曲线分析

基于原始数据集获取各分布式光伏出力曲线,将其与气象总辐照度曲线进行对比,分析两曲线的变化特点,试验结果如图2 所示。

图2 总辐照度、分布式光伏出力曲线分析图Fig.2 Analysis of total irradiance and distributed photovoltaic output curve

分析图2 可知,各分布式光伏出力曲线变化趋势相近,只在曲线峰值与外形上存在不同,这是由于各分布式光伏装机容量等因素差异造成的;气象总辐照度曲线的运行趋势与之大体相同,表明可通过对总辐照度曲线进行平移处理,实现气象数据信息的修正。试验结果表明,通过气象站的NWP 数据进行分布式光伏接入配电网功率预测是可取的。

2.2 分布式光伏接入配电网功率预测结果分析

各分布式光伏站点地理位置存在差异,利用相同气象数据对分布式光伏接入配电网功率进行预测,将会产生较大误差,因此,确定最佳时移量实现气象信息数据的偏移纠正显得十分必要。通过计算不同时移量下的总辐照度与各分布式光伏站点出力的皮尔逊相关系数(PCC)的变化,实现最佳时移量的确定,试验结果如表1 所示。

表1 总辐照度与各光伏站点出力的PCC 计算结果分析Tab.1 PCC calculation results analysis of total irradiance and output of each photovoltaic station

分析表1 可知,采用本方法对各光伏站点的最佳时移量进行确定,能够获得PCC 值计算结果,确定最大PCC 值对应的时移量,Ⅰ-Ⅵ各分布式光伏站点的最佳时移量分别为-10、-10、-10、5、-5、-15,将光伏出力曲线作为参照,当总辐照度曲线移向其左侧时,时移量即标记为负数,反之则用正数标记。

以Ⅰ分布式光伏站点为例,采用本方法对该站点2020 年10 月28～30 日(典型日)的输出功率进行预测,并与未考虑信息时移的预测结果与Ⅰ的实际出力值进行对比,通过分析预测误差验证文章方法的功率预测性能,试验结果如图3 至图5 所示。

图3 10 月28 日(晴天)功率预测结果分析图Fig.3 Analysis of power prediction results on October 28th (clear day)

分析图3 可知,10 月28 日为晴天,光照充足,分布式光伏发电运行期间气象条件波动幅度很小,在未考虑信息时移时,预测结果也未存在大幅度偏差;预测结果与实际功率值基本一致,二者间误差极小。由图4 可知,10 月29 日为阴天,日照强度变化较大,分布式光伏发电的波动幅度随之增大,功率曲线不平滑,功率预测较为精准,误差虽比晴天时有所提升,但仍在允许范围之内;不考虑信息时移的预测结果误差较大,明显偏离实际功率值。图5 中,该日为晴转小雨天气,6 点以后随着太阳光照强度的增加,光伏出力不断上升,13 点左右天气开始转阴,光照强度大幅开始减弱,光伏输出功率值大幅度下滑,16 时左右雨停,但此刻日照强度不足,Ⅰ分布式光伏输出功率仅有小幅度增高,18 点后功率值不断减小,直至Ⅰ分布式光伏停止运行,输出功率降低至0。预测曲线仍可以与实际功率曲线保持一致的走势规律,未有大幅度误差波动,但未考虑信息时移的预测结果则偏离实际功率值,预测误差过大。试验结果表明,本方法因考虑信息时移,对气象数据进行修正,有效提升了功率预测效果。

图4 10 月29 日(多云)功率预测结果分析图Fig.4 Analysis of power prediction results on October 29th (cloudy)

图5 10 月30 日(晴转小雨)功率预测结果分析图Fig.5 Analysis of power forecast results on October 30th (clear to light rain)

3 结束语

应用本方法对某地区分布式光伏接入配电网功率进行预测,利用最佳时移量纠正地理差异造成的气象数据偏移造成的误差,通过对不同气象条件下的分布式光伏功率预测结果验证文章方法的应用效果。试验结果表明:本方法可对各分布式光伏的最佳时移量进行确定,完成气象信息时移的修正;能够对三种不同气象条件下的分布式光伏输出功率进行预测,预测误差低。