CN102930358B - 一种光伏电站发电功率的神经网络预测方法 - Google Patents

Abstract

一种光伏电站发电功率的神经网络预测方法，该方法通过使用带动量的BP神经网络，能够根据气象历史数据中的温度和光照以及发电功率历史数据建立拟合相应函数关系的神经网络模型，并能根据最近两小时天气情况找寻到同时段最相似的历史情况，据此对对未来一段时间的光伏电站发电功率进行预测。对光伏电站的输出功率进行预测有助于电网调度部门统筹安排常规电源和光伏发电的协调配合,适时及时地调整调度计划,合理安排电网运行方式。

Description

一种光伏电站发电功率的神经网络预测方法

技术领域

本发明涉及一种光伏电站发电功率的神经网络预测方法，根据气象历史数据和发电功率历史数据建立拟合相应函数关系的神经网络模型，并由气象历史数据和建立的神经网络模型预测未来一段时间光伏电站的发电功率曲线。

背景技术

大规模光伏并网发电是利用太阳能的一种有效方式，但光伏发电系统受光照强度和环境温度等因素的影响，其输出功率的变化具有不确定性，不利于电网调度部门安排常规电源和光伏发电的协调配合。因此，需要对光伏系统的输出功率预测进行研究，预先获得其输出功率曲线，从而协调电网调度部门统筹安排，减少光伏发电随机性对电力系统的影响，提高系统安全性和稳定。对光伏电站的输出功率进行预测有助于电网调度部门统筹安排常规电源和光伏发电的协调配合,适时及时地调整调度计划,合理安排电网运行方式,一方面有效地减轻光伏接入对电网的不利影响,提高电力系统运行的安全性和稳定性,另一方面降低电力系统的旋转备用容量和运行成本,以充分利用太阳能资源,获得更大的经济效益和社会效益。

光伏系统的输出功率具有波动性和间歇性。在光伏发电功率预测中，需要考虑的因素很多，如太阳光照强度、太阳入射角度、光伏阵列的安装角度、转换效率、大气压、温度以及其他一些随机因素。对于既定的光伏系统来说，一个明显的特征就是光伏系统发电功率的时间序列本身具有高度自相关性，因为在光伏系统的历史发电功率时间序列中，所有光伏发电输出功率历史数据来自于同一套发电系统，数据自身就包含了光伏阵列的系统信息，解决了光伏阵列的安装位置、安装角度和光伏阵列的使用时间等对转换效率的影响。因此，采用历史发电功率数据训练神经网络预测模型，进而预测未来的光伏输出功率的预测方法，比光伏发电的间接预测法更加准确。

发明内容

本发明其目的就在于提供一种光伏电站发电功率的神经网络预测方法，解决了光伏电站发电功率在线实时预测的问题，具有快速准确直观简捷的特点。实现上述目的而采取的技术方案，包括步骤，

1)预测模型的建立

在发电功率预测模型中，仅采用预测日前一天的数据，去掉夜间的12小时，将每小时的发电功率作为输入变量共12个数据，通过计算得到对应每个小时的平均发电功率；

单位面积的光伏阵列输出功率为P＝nSI(1-0.005(t+25))，式中n是转换效率；S是阵列面积；I是太阳辐照强度；t是大气温度；

2)预测模型的设计

采用BP神经网络进行光伏阵列发电预测模型的设计，BP神经网络是一种单向传播的多层前向网络，输入层节点的输出等于其输入，wij是输入层和隐层节点之间的连接权值，wjk是隐层和输出层节点之间的连接权值，隐层和输出层节点的输入是前一层节点的输出的加权和，每一节点的激励程度由它的激励函数来决定；

3)预测模型的修正

修正过程为：从数据库找寻与最近两小时大气温度、光照强度同时段最相似的那一天，设当前日最近两个小时的大气温度为(X₁X₂...X_N)，光照强度为(Y₁Y₂...Y_N)，历史数据中的某天同时段对应数据为(X₁'X₂'...X_N')(Y₁'Y₂'...Y_N')，记 $f\left(day\right)=\underset{i=1}{\overset{N}{\Σ}}({\left(x_i-{x_i}^{\′}\right)}^2+{\left(y_i-{y_i}^{\′}\right)}^2),$ f(day)＝min(f),则day即为与当日同时段历史最相似的那一天，以那一天后续时间的历史数据为依据对有神经网络预测出的数据进行调整；

4)预测模型的训练与评估

a)训练样本的数据处理，采用归一化处理，当需要输入和目标数据落入[0，1]区间时，归一化公式为式中p_n为原始数据，Pn为归一化后的数据；

b)预测模型的评估，采用平均绝对百分比误差MAPE，

$MAPE=\frac{100}{N}\underset{i=1}{\overset{N}{\Σ}}\frac{\left|{P_f}^i-{P_a}^i\right|}{{P_a}^i}\%$

式中，N为数据总数，P_f为预测值，P_a为真实值，i为数据序号。

有益效果

与现有技术相比本发明具有以下优点。

解决了光伏电站发电功率在线实时预测的问题，具有快速准确直观简捷的特点。对光伏电站的输出功率进行预测有助于电网调度部门统筹安排常规电源和光伏发电的协调配合,适时及时地调整调度计划,合理安排电网运行方式,一方面有效地减轻光伏接入对电网的不利影响,提高电力系统运行的安全性和稳定性,另一方面降低电力系统的旋转备用容量和运行成本,以充分利用太阳能资源,获得更大的经济效益和社会效益。有效的对光伏发电系统进行监控，在提高发电效率方面有着明显的作用。

附图说明

下面结合附图对本发明作进一步详述。

图1为预测方法原理方框示意图；

图2为神经网络模型结构示意图；

图3为神经网络的训练过程方框示意图。

具体实施方式

如图1所示，包括步骤，

1)预测模型的建立

在发电功率预测模型中，仅采用预测日前一天的数据，去掉夜间的12小时，将每小时的发电功率作为输入变量共12个数据，通过计算得到对应每个小时的平均发电功率；

单位面积的光伏阵列输出功率为P＝nSI(1-0.005(t+25))，式中n是转换效率；S是阵列面积；I是太阳辐照强度；t是大气温度；

2)预测模型的设计

采用BP神经网络进行光伏阵列发电预测模型的设计，BP神经网络是一种单向传播的多层前向网络，输入层节点的输出等于其输入，wij是输入层和隐层节点之间的连接权值，wjk是隐层和输出层节点之间的连接权值，隐层和输出层节点的输入是前一层节点的输出的加权和，每一节点的激励程度由它的激励函数来决定；

3)预测模型的修正

修正过程为：从数据库找寻与最近两小时大气温度、光照强度同时段最相似的那一天，设当前日最近两个小时的大气温度为(X₁X₂...X_N)，光照强度为(Y₁Y₂...Y_N)，历史数据中的某天同时段对应数据为(X₁'X₂'...X_N')(Y₁'Y₂'...Y_N')，记 $f\left(day\right)=\underset{i=1}{\overset{N}{\Σ}}({\left(x_i-{x_i}^{\′}\right)}^2+{\left(y_i-{y_i}^{\′}\right)}^2),$ f(day)＝min(f),则day即为与当日同时段历史最相似的那一天，以那一天后续时间的历史数据为依据对有神经网络预测出的数据进行调整；

4)预测模型的训练与评估

a)训练样本的数据处理，采用归一化处理，当需要输入和目标数据落入[0，1]区间时，归一化公式为式中p_n为原始数据，Pn为归一化后的数据；

b)预测模型的评估，采用平均绝对百分比误差MAPE，

$MAPE=\frac{100}{N}\underset{i=1}{\overset{N}{\Σ}}\frac{\left|{P_f}^i-{P_a}^i\right|}{{P_a}^i}\%$

式中，N为数据总数，P_f为预测值，P_a为真实值，i为数据序号。

对于既定的光伏阵列来说，一个明显的特征就是光伏阵列发电功率时间序列的本身高度自相关性。因为在阵列的历史发电功率时间序列中，所有的发电功率时间序列来自于同一套发电系统，数据自身就包含了光伏阵列的系统信息，解决了光伏阵列的安装位置随机性和光伏阵列的使用时间等对转换效率的影响。因此，基于真实的历史数据建立的神经网络预测模型，能更准确预测出光伏电站的发电功率，掌握光伏发电的规律。

自动修正模型的方法

根据当前天最近一段时间采集到的气象数据，找出同时段情形最接近的那天，将那天的历史发电功率与由预测模型计算出的预测值进行整合，提高最终预测结果的准确度。

对当前日后续时间的发电功率进行预测，也可对下一天的发电功率进行预测。预测的时间精度为每小时一个预测值。

预测过程如附图1所示，描述为：

1)根据历史数据整理出足量的样本(预测日前一天和预测日共两天的最高气温、光照强度、每小时平均发电功率作为一个样本)，用这些样本数训练出神经网络模型，根据此模型得到预测值；

2)修正过程，找寻数据库中与最近两个小时温度光照同时段最相近的的历史情况，并根据同时段历史最相似那天的历史数据对预测值进行调整，得到最终预测值。

其具体方法如下：

1、预测模型的建立

在光伏阵列发电预测中，需要考虑的环境因素很多，如太阳辐射强度、阵列的转换效率、安装角度、大气压、温度以及其他一些随机因素都会对光伏阵列的输出特性产生影响，因此在选择预测模型的输入变量时考虑的是一些与光伏发电关联性较强的确定性因素。对于既定的光伏阵列来说，一个明显的特征就是光伏阵列发电功率时间序列的本身高度自相关性。因为在阵列的历史发电功率时间序列中，所有的发电功率时间序列来自于同一套发电系统，数据自身就包含了光伏阵列的系统信息，解决了光伏阵列的安装位置随机性和光伏阵列的使用时间等对转换效率的影响。因此，用历史发电数据训练神经网络预测模型，进而预测未来的发电量的预测方法，有着更好的准确性。尽管每天的发电功率不同，有一定的随机性，但在发电曲线的形状上是相似性的。通过对数据库历史发电数据的统计分析，如果最高光照强度和最高气温没有变化，预测日的发电功率是在前一段时间的发电功率基础上变化的。因此，在发电功率预测模型中，要将前一段时间的相关发电功率数据作为输入变量，由于考虑到输入变量数目的问题，预测模型仅采用预测日前一天的数据(去掉夜间的12小时)，将每小时的发电功率作为输入变量共12个数据(实际发电功率采集的时间间隔通常是几分钟(例如5分钟)，则通过计算得到对应每个小时的平均发电功率，适当减少输入变量的数目，让神经网络模型训练的更为快速和准确)。

单位面积的光伏阵列输出功率为P＝nSI(1-0.005(t+25))式中，n是转换效率；S是阵列面积；I是太阳辐照强度；t是大气温度。由于前述所有的发电功率时间序列来自于同一套发电系统，数据自身就包含了光伏阵列的系统信息，所以有历史发电功率数据作为输入变量的模型隐含了对转换效率的考虑，对另外的变量太阳辐照强度和大气温度这两个非常重要的影响因素当然不能排除在外，所以需要增加预测日的最高气温和太阳辐照强度(可根据经验由天气预报中的晴天、雨天等类型作转换得到)及预测日前一日的最高气温和太阳辐照强度四个值作为预测模型的输入。

2、预测模型的设计

采用BP神经网络进行光伏阵列发电预测模型的设计。BP神经网络是一种单向传播的多层前向网络，输入层节点的输出等于其输入。wij是输入层和隐层节点之间的连接权值，wjk是隐层和输出层节点之间的连接权值，隐层和输出层节点的输入是前一层节点的输出的加权和，每一节点的激励程度由它的激励函数来决定。

神经网络能够逼近任意复杂的非线性函数,但随着问题复杂程度的增加，训练一个复杂网络所需的样本量和学习时间都急剧增加，而且得到的复杂网络往往并不能揭示问题的层次和结构。一种有效的办法是分而治之，模块化网络是这种思想的一个体现：把一个复杂的模型分解成几个简单的子模型，分别用几个网络去模拟。用拆分的方式分别建模，一方面简化了模型，方便了网络的训练，另一方面也有利于提高模型的预测精度。由于每个季度温度、光照变化幅度范围较小，而相比之下，季度间气温光照强度差别较大，所以可以按季度将预测模型拆分成四个预测子模型，将除季度外的影响因素太阳辐照强度、气温和历史发电量作为预测子模型的输入变量。

采用BP神经网络进行光伏阵列发电功率预测模型的设计，除了输入变量的选择外，神经网络模型的精度还受到神经网络结构、样本的选取以及数据的预处理方式等诸多细节因素的影响，建模过程中需要对这些细节加以解决。最终确定的模型结构如附图2所示，每个模型的输入矢量为X＝(X1,X2,…,X16)，其中X1,X2,…,X12分别为预测日前一天的12个时间点的发电功率，X13、X14为前一天的最高气温、光照强度，X15、X16为预测日的最高气温、光照强度。输出变量Y1，Y2…Y12对应预测日的12个时间点的发电功率。

3、预测模型的修正

为了既能根据前一日数据预测未来一日的发电功率，又能实时地根据当前气象数据走势对当前日后续时间的预测数据进行调整，在这里添加了一个调整的过程，整个预测过程可参见附图1。具体描述为：在由上述的神经网络模型及16个输入变量预测出后一日的每小时发电功率共12个输出变量后，再充分考虑最近一段时间(设为两个小时)的大气温度、光照强度、发电功率等数据，对未来短时间内的预测数据进行微调。修正过程为：从数据库找寻与最近两小时大气温度、光照强度同时段最相似的那一天，设当前日最近两个小时的大气温度为(X₁X₂...X_N)，光照强度为(Y₁Y₂...Y_N)，历史数据中的某天同时段对应数据为(X₁'X₂'...X_N')(Y₁'Y₂'...Y_N')，记 $f\left(day\right)=\underset{i=1}{\overset{N}{\Σ}}({\left(x_i-{x_i}^{\′}\right)}^2+{\left(y_i-{y_i}^{\′}\right)}^2),$ f(day)＝min(f),则day即为与当日同时段历史最相似的那一天，以那一天后续时间的历史数据为依据对有神经网络预测出的数据进行调整，简单的方式即为历史数据与预测数据取平均值作为最终的预测数据。

4、预测模型的训练与评估

1)训练样本的数据处理。将神经网络应用于光伏阵列发电功率预测问题时，训练网络的原始数据中，不同的变量通常以不同的单位变化，数量级的差异也比较大。由神经元激活函数的特性可以知道，神经元的输出通常被限制在一定的范围内，大多数人工神经网络的应用中使用的非线性激活函数为S函数，其输出被限定在(0，1)或(-1，1)之间，原始数据，尤其是期望输出值通常在此区间之外，直接以原始数据对网络进行训练会引起神经元饱和，因此在对网络进行训练之前必须对数据进行预处理，以消除原始数据形式不同所带来的不利，通常的做法是归一化处理，当需要输入和目标数据落入[0，1]区间时，归一化公式为式中p_n为原始数据，Pn为归一化后的数据，神经网络训练过程如附图3示。

2)预测模型的评估。对神经网络发电预测模型的评估有很多方法，但最常用的还是平均绝对百分比误差MAPE，

$MAPE=\frac{100}{N}\underset{i=1}{\overset{N}{\Σ}}\frac{\left|{P_f}^i-{P_a}^i\right|}{{P_a}^i}\%$

式中，N为数据总数，P_f为预测值，P_a为真实值，i为数据序号。

Claims (1)

1.一种光伏电站发电功率的神经网络预测方法，其特征在于，包括步骤，

1)预测模型的建立

在发电功率预测模型中，仅采用预测日前一天的数据，去掉夜间的12小时，将每小时的发电功率作为输入变量共12个数据，通过计算得到对应每个小时的平均发电功率；

单位面积的光伏阵列输出功率为P＝nSI(1-0.005(t+25))，式中n是转换效率；S是阵列面积；I是太阳辐照强度；t是大气温度；

2)预测模型的设计

采用BP神经网络进行光伏阵列发电预测模型的设计，BP神经网络是一种单向传播的多层前向网络，输入层节点的输出等于其输入，wij是输入层和隐层节点之间的连接权值，wjk是隐层和输出层节点之间的连接权值，隐层和输出层节点的输入是前一层节点的输出的加权和，每一节点的激励程度由它的激励函数来决定；

3)预测模型的修正

修正过程为：从数据库找寻与最近两小时大气温度、光照强度同时段最相似的那一天，设当前日最近两个小时的大气温度为(X₁X₂...X_N)，光照强度为(Y₁Y₂...Y_N)，历史数据中的某天同时段对应数据为(X₁'X₂'...X_N')(Y₁'Y₂'...Y_N')，记f(day)＝min(f),则day即为与当日同时段历史最相似的那一天，以那一天后续时间的历史数据为依据对由神经网络预测出的数据进行调整，将历史数据与预测数据取平均值作为最终的预测数据；其中，神经网络预测方法为：每个模型的输入矢量为X＝(X1,X2,…,X16)，其中X1,X2,…,X12分别为预测日前一天的12个时间点的发电功率，X13、X14为前一天的最高气温、光照强度，X15、X16为预测日的最高气温、光照强度，输出变量Y1，Y2…Y12对应预测日的12个时间点的发电功率；

4)预测模型的训练与评估

a)训练样本的数据处理，采用归一化处理，当需要输入和目标数据落入[0，1]区间时，归一化公式为式中p_n为原始数据，Pn为归一化后的数据；

b)预测模型的评估，采用平均绝对百分比误差MAPE，

$MAPE=\frac{100}{N}\underset{i=1}{\overset{N}{\Σ}}\frac{|{P_f}^i-{P_a}^i|}{{P_a}^i}\%$

式中，N为数据总数，P_f为预测值，P_a为真实值，i为数据序号。