基于ELM-k光伏功率协调效果分析

山西泽霈路桥工程有限公司 杨佳宝

光伏功率协调控制是一项复杂度较高的工作，若仅考虑天气对协调效果的影响而忽略非平稳行为的作用，难以保证光伏功率协调控制的有效性。因此，需要兼顾各项影响因素，采取科学可行的光伏功率协调控制策略，本文提出基于ELM_k 的光伏功率协调控制算法，构建协调控制模型，将气象变量与工程造价联系起来，减少冗余数据量，更加精准地控制短期光伏功率，取得良好的功率协调效果。本文重点研究基于ELM_k 的光伏功率协调策略，以供参考。

1 光伏功率协调效果的影响因素

1.1 太阳辐照情况

气象条件是引起光伏功率变化的重要因素，例如光伏输出功率随着太阳辐照情况、温度的变化而发生改变[1]。光电流与太阳辐照存在线性关系，恒温条件且辐照度稳定在100～1000W/m2时，光电流将随着太阳辐照度的增加而提高，开路电压相对稳定。因此，在光伏功率协调控制中，需要将输出功率对应的太阳辐照度作为重点控制指标，根据两者的关系采取控制措施。太阳辐照度与输出功率的关系如图1所示。

图1 太阳辐照度与光伏输出功率的关系

1.2 辐照度

理论分析中，考虑日实时辐照度和辐照度均值之差对时间的三阶导数，尽可能使理论分析结果与实际辐照度值保持一致。考虑太阳辐照度三阶导数的最大值及每日最高温度Tmax、湿度最大值Hmax、整体最大能见度Wmax、太阳最大辐照度Gmax、日实时风速及平均风速之差三阶导数，确定最大值，进行气象种类顶层分类，关系如下：

天气种类识别可采用导数的最大值进行，此方式下的识别准确性较高。在此处底层分类中，经过对比分析后，选择的是Gmax及特征因子、能见度差三阶导数的最大值、Wmax，具体如下：

2 基于ELM_k 的光伏功率协调策略

2.1 ELM-KNN 算法

2.1.1 KNN 算法

各样本用n维空间中的某点表示，样本的类别可根据与待分类样本最接近的k个已知类别标签予以确定。相邻样本的数量以欧几里得距离为准做出判断，记为k个。例如，按照如下公式确定元组X1=(x11,x12,…,x1n)和X2=(x21,x22,…,x2n)的距离：

KNN 算法的应用流程为：确定未知样本与训练样本的距离dist，对比分析各距离计算结果，进行排序，筛选出最临近未知样本的k个样本，确定此部分样本中各类别出现的次数，根据次数的不同筛选出频率最高的类别，最终将该类别作为未知样本的类别。

2.1.2 极限学习机

极限学习机在无须调整参数的前提下即可进行训练，随机生成隐含层权重及偏差，采用最小二乘法确定的权重较为可靠。相比传统前馈神经网络，极限学习机具有训练效率高、泛化能力强的优势，因此本次研究采用的是极限学习机。

给定N个训练样本集{（xi，ti）Ixi∈Rd，如∈Rm，i=1，…，N}，激活函数为g（x）的sLFNs 且隐层神经元数量为L个时的输出为：

ELM 算法随机生成的权重向量为ω=[ωil，…，ωid]T、β=[βil，…，βim]T，其中ω、β分别为输入神经元、输出神经元的权重，bi是第i个隐含层神经元的偏差。设定变量为t，激活函数采用signloid 函数，则有：

提出式（6），目的在于使激活函数为g（x）=（ωi×xi+bi）的SLFNs 零误差逼近N个样品：

进一步得到：

根据式（7）进行转化，有：

H为隐含层输出矩阵，如下：

基于前述分析，在激活函数为g（x）、L个隐层神经元、N个训练样本的前提下，可按照如下流程运行单隐层前馈神经网络算法：

随机生成ωi和偏置bi（i取1，…，L）；计算矩阵H。

计算β，方法如下：

式中：H+为矩阵H的广义逆；T=[t1，…，tN]。

2.2 光伏功率序列分析

分析方法采用经验模态分解法，分解相对复杂的信号函数，获取有限本征模态函数IMF。通过IMF 进行Hilbert 变换，确定各时间条件下IMF 的瞬时幅值和频率，从而判断非平稳信号时频情况。

原始信号函数用x（t）表示，具体见式（13）。经过EMD 经验模态分解后，将产生n个IMF 分量ci（t）和剩余趋势量r（t）相加值，排列顺序为由大到小。

IMF 的优势在于直观地展现原始数据的局部特征，以便根据特征信息摸索历史数据的变化规律，整个过程效率高，结果准确性较好[2]。IMF 互为影响被隔离，在减小彼此间的影响后，有利于顺利进行短期光伏功率协调控制，以免由于非平稳行为的存在而导致控制效果变差。根据历史功率做EMD操作，确定IMF 分量，便于技术人员识别趋势项，判断分析对象在过去某阶段内的功率特征，以便制定短期光伏功率的控制方案，保障最终的控制效果。

2.3 基于ELM_k 的光伏功率协调方式

2.3.1 建立光伏功率样本

见式（14）：

式中：St、xt分别为t时刻光伏功率的样本、采样结果；At-1为气象记录值。

2.3.2 确定最优值

历史功率细节和趋势项采用的是离线参数寻优总集合，涵盖的是过去连续7～8个月的历史样本，并基于十倍交叉验证法建立验证样本集合V和训练样本集合M，以便有效进行参数寻优，具体如下：

式中：G为影响因素的历史数据总集合。

对V、M两个样本集合构成做如下假设：

基于式（16）的样本构成，计算两个样本集合的相似度均值Pj：

式中：ω为样本属性权重值。

在构建训练样本后，根据比例系数从中筛选训练样本并构建集合MC，方式如下：

式中：TH为筛选比例系数；Pg为样本相似度均值（被筛选掉的部分）。

按照式（19）判断MC中冗余属性f，主要基于属性值是否一致进行，如下：

根据式（19）的要求判断冗余属性后将该部分删除，可以排除部分算法运行过程中无须考虑在内的因素，降低计算难度，提升计算结果的准确性。

通过样本集合V 验证基于ELM_k 算法构建的协调控制模型，如下：

光伏功率协调控制精确度的评估函数采用的是平均误差MAPE，则：

式中，xi、分别为光伏功率的实际值、协调控制值；Cap 为光伏安装容量值，采用MAPE 优化预测参数，保证数据的有效性。

2.3.3 光伏功率协调控制

式中，M°为在线历史样本的总集合。经过筛选后的样本集合MC°为：

构建光伏功率协调控制模型F°，如下：

以队列的方式持续更新在线历史样本的总集合，通过模型F°灵活控制某时刻的光伏功率，同时可根据当前时刻协调控制值更新运算，以便协调控制下一时刻的光伏功率。

3 实验结果及分析

根据相关性测试结果评价基于ELM_k 的光伏功率协调控制算法的应用效果。以某光伏系统为例，采用基于ELM_k 的光伏功率协调控制算法控制某日的光伏系统功率[3]。每间隔10min 采集一次实验所需的数据，采样点数量为75个。历史功率数据波动变化，如图2所示；采样点辐照度、温度、输出功率信息，分别如图3、图4、图5所示。采样时间从当日6时开始，持续至当日18时结束，利用采集到的数据分析基于ELM_k 的光伏功率协调控制效果。

图2 历史功率数据统计

图3 辐照度数据统计

图4 温度数据统计

图5 输出功率数据统计

本次分析中需要统计的数据体量较大，人工统计和处理的方法缺乏可行性。经分析，数据整合采用PSCAD/EMTDC 软件，保证数据整合精度，提高效率。模拟整定控制系统参数及该日实际监测到的辐照度、温度、输出功率等参数。将工程造价作为评价光伏功率协调控制效果的重要指标，按如下公式计算工程造价：

式中，Hit为用户用电行为；Si为负载、输出功率等数据的应用函数；k为历史相似日。

参考其他文献的光伏功率协调控制造价成本，将本文研究的基于ELM_k 的光伏功率协调控制算法的造价成本与之进行对比，结果如图6所示。

图6 光伏功率协调控制的造价成本对比图

根据图6可知，本文提及的基于ELM_k 的光伏功率协调控制算法的工程造价成本明显低于粒子群算法和MPPT 算法的工程造价成本，虽然起始点和结尾点的成本无过大的差异，但总体来看本文所提控制方法的工程造价成本更低。根据验算结果可知，曲线波动可维持在相对稳定的状态，说明了本次研究采用的光伏功率协调控制算法具有可行性，可以满足稳定、高精度多方面的要求。主要原因在于本文研究的算法充分考虑到对光伏功率协调控制产生影响的各项气象因素，并将其与影响成本的指标相关联，考虑对象丰富，协调控制精度高。具体而言，第一，分析了对光伏功率输出产生影响的因素，根据影响程度的不同，确定气象因素属于较为重要的影响因素；第二，基于EMD 预处理光伏功率序列，为消除各项因素之间的相互影响而使分量间互为隔离，短期光伏功率协调控制受非平稳性的影响相对较小 ，有利于提高短期光伏功率的控制水平；第三，优化参数，以科学可行的方法控制光伏功率，在保证光伏功率协调控制效果的同时降低成本，提高光伏电站的经济效益。

4 结语

综上所述，光伏发电是主流的发电方式，光伏系统运行中可能因气象条件或其他因素的影响而出现光伏功率协调控制效果差的问题。针对该问题，本文提出基于ELM_k 的光伏功率协调控制策略，辨识主要的影响因素，基于ELM_k 构建功率协调控制模型，检验该控制策略的应用效果。研究表明，基于ELM_k 的光伏功率协调控制算法能够高效协调控制光伏功率，在保障光伏电站正常运行的同时节约工程造价，提高经济效益，该算法具有可行性，可为同人提供参考。在后续的研究中，相关人员需要进一步考虑该算法在各类特殊气象条件下的应用效果，优化模型参数，持续提高光伏功率协调控制水平。