基于气候相似度光伏系统发电功率的预测.docVIP

基于气候相似度光伏系统发电功率的预测 摘要: 对光伏发电系统功率进行预测可以帮助提高电力系统运行的安全性和稳定性，具有现实意义。本文分析了影响光伏发电功率的各项因素，采用了一种加入气象数据信息的神经网络发电预测模型，计算了历史气象数据与预测日的相似度，用相似度较高日的发电数据代入BP神经网络预测模型进行了预测和评估。预测结果表明，预测模型有较高的精度，能够提高系统的稳定运行能力。 关键词: 光伏功率预测；神经网络；气象数据；相似度 1 引言 光伏发电具有波动性和间歇性，大规模光伏电站并网运行会影响电力系统的安全稳定经济运行。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。因此，需要一种好的光伏发电功率预测方法对光伏系统发电功率进行预测[1]。 目前，光伏功率预测从预测方法上可以分为统计方法和物理方法。统计方法是对历史数据进行统计分析，找出其内在规律并用于预测。物理方法需对光伏电站所在地进行物理建模，将平均温度、最高气温、最低气温、日类型等气象预测数据作为输入，采用物理方程进行预测。实际应用中是将两者结合起来[2]。从预测方式上可分为直接预测和间接预测。直接预测方式是直接对光伏电站的输出功率进行预测。间接预测方式首先对地表辐照强度进行预测，然后根据光伏电站出力模型得到光伏电站的输出功率[3]；从时间尺度上可以分为超短期功率预测和短期功率预测。超短期功率预测的时间尺度为30min～6h，短期功率预测的时间尺度一般为1～2d[4]。 2 光伏发电系统相似日的计算 2.1 影响光伏发电功率的因素 在光伏系统发电功率的预测模型中，影响预测精度的因素很多，如当前的发电状态、光伏电池温度、太阳辐射强度、天气因素以及其他一些随机因素都会对未来的发电状态产生影响[5]。天气因素对于光伏阵列发电的影响是相当显著的,天气状态包括气温、湿度、阴天、降雨、降雪、冰雹、风速等诸多因素，对发电量影响较明显的一个因素是气温。此外，降雨、阴天、降雪等日类型对光伏阵列影响也不容忽视。阴天通常会降低该地区的辐射强度，而降雨则会使辐射强度显著下降，因而会对发电量产生影响。季节性因素对于光伏阵列发电量影响也是非常清晰的，这种影响源于太阳辐射强度的差异，发电功率随着辐射强度的变化而变化，季节性的发电量差异是一个具体表现。此外，由于地理位置的不同，各地的气候状况千差万别，季节性因素对于发电量特性影响的程度也是不同的[6]。 因此，本文选取日平均温度、最高气温、最低气温及日类型作为影响光伏发电功率的因素。这些大致决定全天气象状况的局部信息，可由气象部门提供得到。 2.2 相似度的计算 对于光伏阵列来说，一个明显的特征就是发电量时间序列本身高度自相关，所以，短期发电量预测模型中都将发电量时间序列作为输入变量。由于受到诸多因素的影响，发电量的变化是一个非平稳的随机过程，但同时又呈现出明显的周期性变化。在部分时间点，或者某些条件下，发电功率有一定的相似性[7]。 因此提出了将相似度用于发电功率短期预测的模型，该模型首先计算气象数据与预测日的相似度，并确定相似度的阈值来筛选与预测日相似的气象数据，然后利用神经网络进行发电功率的计算，从而完成对发电功率的预测。 光伏发电功率的影响因素构成如下向量： (1) 式中：为平均温度，、分别为最低温度和最高温度，为日类型。 将神经网络应用于系统发电功率的预测问题时，训练网络的原始数据中，不同的变量通常以不同的单位变量，数量级的差异也比较大，如发电量量的变化范围在0到100之间，然而气温通常的变化范围则在-10到40之间。我们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。研究表明：以恰当的方式对数据进行归一化处理可以加速神经网络的收敛。 归一化可以在模型的单个输入变量通道上独立进行，也可以对所有的输入通道一起进行。输入变量常用的归一化方法有以下几种：(1)简单归一化；(2)线性变换到[0，1]区间；(3)线性变换到区间[a，b]上。 当需要输入和目标数据落入[0，1]区间时，归一化公式为