光伏发电系统发电功率预测

光伏发电系统发电功率预测

谢晓天

新疆新能源新风投资开发有限公司 831500

摘要：太阳能是一种清洁的可再生能源，光伏发电是太阳能利用的主要方式之一。光伏发电能够减轻化石能源使用过程中产生的空气、水污染等环境问题。自20世纪80年代起，光伏发电量占不同国家总发电量的比例持续提升，世界主要发达国家均研究光伏发电技术，以提升光伏发电能力。光伏发电系统受太阳辐射强度与气象条件影响较大，导致系统发电功率存在较高随机性、波动性以及间歇性，这些均对电网稳定运行产生不利影响，因此预测光伏发电功率有重大意义。

关键词：光伏发电；发电率；预测

1 光伏发电系统发电功率预测方法

1.1 光伏发电系统结构

光伏发电系统由直流子系统、交流子系统以及升压并网子系统共同组成，其系统结构如图1所示。

图1 光伏发电系统结构图

直流子系统包括2级汇流过程：一级汇流指直流电缆将光伏电池产生的直流电传输至汇流箱中；二级汇流指固定数量的汇流箱并入直流配电柜。直流子系统将直流电传输至交流子系统内，经并网逆变器转变成低压交流电；交流电进入升压并网子系统内，经变压器升压后并入电网。

1.2 光伏发电系统发电功率影响因素

光伏发电系统可将太阳能转换为电能，但太阳能转换过程受外界环境因素影响较为严重。

单位面积光伏电池输出功率为

式中：η、S、I和T分别表示额定转换效率、光伏列阵面积、光伏组件倾斜面上太阳辐照强度和组件温度。根据上述各参数得到影响系统光电转换的各因素。太阳辐照强度受太阳辐照度和光伏组件清洁度影响，太阳辐照度受雨量、云量、空气湿度等因素影响，而光伏组件清洁度受雨量、雾霾指数、清洗频率等因素影响。组件温度受气温、风速、湿度与积灰等因素影响。

光伏发电系统实际运行过程中，影响太阳能光电转换的因素较多，且各因素间存在较为复杂的关联，考虑全部参数预测系统发电功率较为困难。光伏电站历史数据中已含太阳辐照度、光伏组件清洁度及组件温度等信息样本，依据这些样本可构建完整历史数据库。环境湿度对太阳辐照度、组件清洁度及温度都有一定影响，以季节和天气类型作为历史样本选取样本源，以太阳辐照度、环境湿度和环境温度作为历史样本选择依据，选取相似度较高的历史样本构建发电功率预测模型。

1.3 历史样本选取

1.3.1 相似度计算

根据整点气象特征信息确定历史样本相似点，光伏发电系统发电功率影响因素为

式中Y1、Y2和Y3分别为太阳辐照度、环境温度和环境湿度。

预测整点与历史整点的气象特征向量分别用YP和YN表示，则：

第n个历史整点在第i个气象因素上的差值Zn(i)为

差值归一化处理式(4)，得到

YP和YN在第i因素的关联系数N(i)为

式中表示分辨系数，通常取值为0.5。

汇总不同气象特征的关联系数，确定总体YP和YN的相似度，如式(7)所示：

式中：为缩减系数，通常取值0.95左右；t为历史数据与预测数据相距天数；0.7、0.2和0.1分别为太阳辐照度加权值、环境温度加权值和环境湿度加权值。

1.3.2 历史整点重组

排除显著异常数据，依照四季与晴天、阴天、雨天3种天气类型将历史数据分为12个子类型，将其作为选取预测整点相似点的数据集。

在季节与天气类型一致的条件下，以同预测日最相近的历史数据点为起始点，反向运算历史整点气象特征信息与预测日整点的一致度；以一致度最高的30个整点作为预测整点的相似点，根据时间顺序重新成为新的30个相似日，作为历史样本。

1.4 发电功率预测模型

1.4.1 预测模型的离线参数寻优

以历史样本选取过程获取的30个相似日构建离线参数寻优历史数据总集，利用式(8)构建所需的训练样本与验证样本:

式中：G、V和M分别表示历史数据总集、验证样本集以及训练样本集。V和M的表达式如下：

式中xi表示发电功率实际值。

确定不同训练样本同验证样本集的平均相似度为

式中：Sj和W分别表示第j个训练样本与测试样本集的平均相似度和样本属性的权重向量。

以比例系数为依据选取训练样本集M如下：

式中：为比例系数；m和Sg分别表示原始训练样本集的样本总数和选取训练样本集过程中清除的训练样本平均相似度。

根据属性值是否完全一致判断选取的训练样本集M内冗余属性f为

清除样本集M同V内的冗余属性，在保障算法有效性的基础上，降低计算维度。

采用核函数极限学习机(ELM＿k)算法构建发电功率预测模型F，利用样本集V验证模型F:

在离线参数寻优阶段将平均绝对百分比误差(mean absolute percent error,MAPE)作为预测精度的评价函数:

式中：E表示平均绝对百分比误差；xi、ˆix和Cap分别表示发电功率实际值、发电功率预测值和预测光伏列阵安装容量。

通过粒子群算法实施参数寻优：

式中：PSO为粒子群优化算法；W和取值范围分别为[0,1]和[0.1%,10%]，分别表示属性的重要程度和控制选取样本占总样本的比例。C和的表达式为

式中：Z1、Z2均为粒子群算法的实际寻优参数，两者浮点数取值范围为[-5,25]。

粒子群算法的更新函数为

式中：kip和kiv分别表示第i个粒子在第k次迭代时所处位置和第k次迭代更新前的粒子速度；kiv(10)1和w分别表示第k次迭代更新后的粒子速度和粒子沿原速度方向移动的趋势；c1和c2分别表示粒子的自我信任系数和群体信任系数；r1和r2均为随机数，取值范围为[0,1];kiq和kqg分别表示k次迭代时第i个粒子的历史最优位置和全部粒子的历史最优位置；因为需同c1和c2相除，所以(35)t表示的迭代时间步长不具备参数实意。设200和40分别为粒子群算法最大粒子群代数和粒子群大小，在50代预测精度提升持续低于1%的条件下，参数寻优过程结束。由此得到最优参数为Cb、b、Wb和b。

1.4.2 在线自动预测模型

用T和{T,AT-1}分别描述待预测时刻及其样本属性，T-1为当前运行时刻，由此得到在线历史样本：

式中：Mo与t(28)1分别表示在线历史样本总集和在线采样记录初始时刻。基于式(18)得到在线选取样本集Mo:

构建在线发电功率自动预测模型，预测T时刻发电功率为

式中：Fo分别表示在线发电功率自动预测模型和T时刻发电功率预测值。预测T(10)1时刻发电功率时，需在T时刻发电功率预测值基础上实施更新计算。

2 结论

光伏发电系统发电功率预测严重依赖气象信息，为此提出光伏发电功率自动预测方法，在全面分析影响光伏组件发电功率因素的基础上，将历史数据重新组合成为新的相似日作为历史样本，采用核函数极限学习机构建发电功率在线自动预测模型，实现光伏发电系统发电功率预测。所提方法在晴天和阴天条件下预测光伏发电系统发电功率的平均绝对百分比误差分别为1.47%和6.39%，在光伏组件综合异常条件下发电功率预测误差相对变化均低于1%。实验结果表明所提方法可在不同环境条件下预测光伏发电系统发电功率，满足实际预测要求。

参考文献

[1]王以笑，崔丽艳，雷振锋，等．分布式光伏电站区域智能调控系统的研究[J]．电力系统保护与控制，2016,44(4):118-122．