摘要在分布式光伏电源大规模接入的情况下，发电功率的预测问题受到越来越多的重视。本文在全面统计分析影响光伏电源发电功率的因素的基础上，提出可针对气象部门提供的预测日分时气象数据分别寻找相似数据点，并将历史数据重新组合成为新的相似日，再进行预测。本文以某区域分布式电源智能管控平台的实测数据为样本，运用算法进行训练和预测，取得了较好效果，尤其在天气突变时优势更为明显。
关键词：分布式光伏 相似日重组 发电功率
Power generation of distributed photovoltaic power generation based on similar days of restructuring
Abtract:In the case of large-scale distributed PV power supply, the problem of power generation is becoming more and more important. On the basis of analyzing the factors that influence the power generation of photovoltaic power generation, the paper puts forward that the meteorological data can be used to predict the daily meteorological data. In this paper, we use the BP algorithm to train and predict the measured data of a regional distributed power supply intelligent control platform.
Key words:distributed PV, Similar day restructuring, power generation
1、引言
随着全球能源形势越来越严峻，分布式光伏受到越来越多的关注。但因为光伏发电出力的波动性和不确定性，为防止对电网造成较大冲击，对电网安全造成不利影响，有必要对光伏电源发电功率进行准确预测。目前多数成果在考虑光伏电源发电功率预测中因为实际条件的限制，主要侧重在大面积建设的光伏电站的发电功率的研究，或者实验室条件下少量电池板的研究，而对于大规模接入的分布式光伏电源发电功率预测的研究较少。本文基于嘉兴区域分布式电源智能管控系统，它是浙江省乃至全国首套新能源区域调控系统（如下图所示），实现嘉兴地区（包括五个县市）分布式电源信息全接入，累计接入个站点，总装机容量，并与气象局气象系统实现数据接口，可接收嘉兴区域内的天气类型、最高气温、最低气温、相对湿度、降水量等实时气象信息和次日整点的天气类型、气温、相对湿度、辐照强度、云量等预测气象信息。图1 嘉兴分布式电源智能管控平台
国内外已有通过改进相似日预测光伏发电功率的论文，但在相似日的选取上不够精细，基本上根据预测日与历史日的天气类型、温度、湿度等条件确定历史的某天为相似日，亦有直接采用前一天作为相似日进行预测的，在这种情况下，一方面受限于样本容量，难以找到符合条件的相似日样本，另一方面，由于天气变化情况随机性较大，导致相似日（分时气象参数）与预测日气象条件（数值和变化趋势）相似度不够，增加算法复杂度的同时还影响预测效果，尤其对多变天气（晴转多云、晴有雨）等的预测结果很不理想。本文在全面统计分析影响光伏电源发电功率的因素的基础上，提出可针对预测日的分时气象数据分别寻找相似数据点，并将历史数据重新组合成为新的相似日，再进行预测。在模型的构建上，以实测数据为样本，按季节和天气类型分别建立子模型；在算法的选择上，选用神经网络进行训练和预测，取得了较好效果，尤其在天气突变的情况下优势更为明显。、影响光伏发电功率的因素
文献[1]中，给出单位面积的光伏阵列输出功率为
（1）
其中，为额定转换效率；为光伏阵列面积，单位是 ；为光伏组件倾斜面上的太阳辐照强度，单位是 ；为组件温度，单位是摄氏度。
依据式（1）各参数，对各因素分析如下：
天气类型、降雨量、雾霾指数、云量、气溶胶浓度、湿度、气压等因素主要对太阳辐照度产生影响，而气象部门随着预测水平的不断提升，已经能够提供历史资料更全面、预测手段更专业的太阳辐照度预测数据，因此在光伏预测系统里对太阳辐照度进行建模并间接预测方法是不必要的。
太阳辐照度并不能完全反映式（1）中的，还需要考虑光伏组件清洁度，它主要受降水量、风速、雾霾指数、清洗频次等因素的影响，但从工程的角度，除去清洗前后区别较大以外，可以近似认为光伏组件清洁度在短期内保持不变。
气温、风速、湿度、阴影、积灰和热斑等因素主要对光伏组件温度产生影响，其中气温、湿度为主要影响因素，阴影、积灰和热斑等是量的缓慢变化，可以近似认为在短期内保持不变。
组件材料、转换效率、安装位置、阵列面积、安装角度、老化程度等可以认为是光伏电源的固有因素，可以近似认为在短期内恒定不变。
文献[6]证明了天气类型、季节等对光伏电源发电功率的影响，可归为其它因素。
在实际运行环境中，光伏发电功率的影响因素很多，相互之间关系也是错综复杂，所以通过考虑所有参数进行建模并预测的难度很大，效果未必最优。而对于分布式光伏站点而言，历史数据中已经囊括了转换效率、组件清洁度、固有因素等信息[7]。而嘉兴区域分布式电源智能调控系统，自2014年上线运行以来，已积累了各区域、各季节、多种天气类型的数据样本，形成较为完整的样本库。
同时，环境湿度对太阳辐照度和光伏组件温度均有一定影响，暂无证据表明在BP算法中湿度的影响可以通过其它因素体现出来，因此选用季节、天气类型作为相似日选择的样本源，以太阳辐照度、环境温度、环境湿度作为选取相似日的依据，同时计及短期内恒定的各因素。
3、相似日重组
相似日重组表述的是在季节和天气类型均相同的前提下，按点找出气象参数高度相似的历史值，并重新组合为相似日，是对传统相似日的进一步细化。光伏发电功率预测，一般分为两个过程：1)选取相似点；2) 根据相似点的光伏发电功率以及待预测日的分时天气数据分别预测待预测日的光伏分时发电功率[8]。
1） 相似度的计算
利用气象局提供的整点气象特征信息（本文选取太阳辐照度、温度、湿度）来挑选相似点。光伏发电功率的影响因素构成如下向量：
（2）
式中：为太阳辐照度，为环境温度，为环境湿度。
设和(N=1,2，……)分别为预测整点和历史整点的气象因素特征向量，于是有：
第n个历史点在第i个气象因素上的差值可表述为：
（i=1, 2, 3）
差值归一化为
与 在第i个因素的关联系数为
式中： 是分辨系数，其值一般取0.5。综合各特征的关联系数，定义整个 与 的相似度为
式中，为缩减系数，范围为0.9-0.98，表示历史数据点与预测点每增加一周的缩减比例；t表示历史数据与预测数据相距天数，int表示取整；太阳辐照度对发电功率影响最大，加权0.7，温度次之，加权0.2，湿度加权0.1。
2） 相似日的重组
剔除明显异常的数据，并按照春、夏、秋、冬四季和晴天、多云、雨天三种天气类型划分为12种子类型，以此作为相似点选择的数据集[9]。
在季节和天气类型相同的情况下，从最临近预测日的历史数据点开始，逆向计算历史整点气象特征信息与预测日整点的相似度值；选取相似度最高的3点作为预测点的相似点，并按照时间先后顺序重新组合为新的3个相似日。
4、BP神经网络算法
BP(Back Propagation)网络是一种非线性、多层前馈型神经网络，具有很强的非线性映射能力、自学习自适应能力、容错能力和泛化能力[10]，主要由输入层、隐含层、输出层和各层间的传递函数构成。算法原理是先通过输入输出数据训练BP神经网络，使网络能够表达该未知函数,然后就可以用训练好的BP神经网络预测系统输出。
1、输入层和输出层节点的确定
嘉兴地区的太阳能资源并非全天均可用，考虑夏季光照时长较长，全天需预测5时至18时的发电功率，其余时段基本为0。因此输入节点包括42个变量，分别为5时至18时对应的气象信息：太阳辐照度、温度、湿度。输出节点(目标向量)即为预测日5时至18时整点的发电功率，共14个。
2、隐含层及隐节点数的确定：
隐含层只能根据经验获得，在考虑时间和精度的基础上，通过对发电功率数据库样本的反复训练和试凑，最终隐含层选择一层，隐节点数选择22。
网络的隐含层和输出层的神经元激励函数均采用S 型正切函数tansig[10]：
3、数据归一化处理
神经网络的隐含层选取 sigmoid 函数作为转移函数，输出被限制为[0,1]或者[-1,1]之间。而气象参数不在此范围，因此要对辐照度、温度和湿度等数据同样进行归一化处理。归一化公式为：
式中： ，分别表示原始输入和归一化数据；
,分别表示的最小值和最大值；
4、模型的训练与评估
以重组历史日的气象数据作为输入，以重组历史日对应的实际发电功率作为输出，对重组历史日的数据样本进行BP神经网络训练。通过2组重组历史日的样本数据进行学习后，再以第3组数据进行测试,满足要求后即可用于预测。
为保证模型预测误差的平稳性，采用平均绝对百分比误差作为模型评估方法；
式中： 为数据的个数； 为预测值； 为实际值。
5、算例及结果
本文以嘉兴市区某光伏站点(接线图如图2所示)在6月12日（晴）和6月24日（阴转多云）两日的功率预测值、实际值和气象预测信息、实际信息进行分析。
图2 嘉兴某光伏电站接线图
考虑光伏发电功率短期内恒定的影响因素，选取近一个月的数据为样本，相似度大于0.9的前三个数据完成相似日的重组，并以3组重组相似日的气象数据和历史数据分别作为输入和输出进行网络训练。最后以预测日的气象信息作为输入，得出预测日的整点发电功率。
6月12日的预测曲线如下图3所示：
图3 某光伏电站6月12日实际发电与预测发电对比
经计算，各时间点的平均绝对百分比误差如下，说明在天气类型为晴天的情况下，得到了较好的预测效果。清晨和傍晚时段的预测误差相对较大，因为此段时间光伏系统在处于起动或即将停止状态，环境温度已不能完全反应组件温度。该日的平均绝对百分比误差为7.05%，已经满足实际应用的要求。
表1 某光伏电站实际发电与预测发电误差百分比
|
时间
|
实际发电
|
预测发电
|
百分比误差
|
|
5:00
|
0
|
0
|
0.00%
|
|
6:00
|
548.948
|
479.8
|
-12.60%
|
|
7:00
|
1186.573
|
1139.3
|
-3.98%
|
|
8:00
|
3530.161
|
3313.5
|
-6.14%
|
|
9:00
|
4750.516
|
4879.4
|
2.71%
|
|
10:00
|
5599.274
|
5270.1
|
-5.88%
|
|
11:00
|
5768.182
|
5499.2
|
-4.66%
|
|
12:00
|
5979.315
|
5824.1
|
-2.60%
|
|
13:00
|
5810.408
|
5653.6
|
-2.70%
|
|
14:00
|
5586.606
|
5110.4
|
-8.52%
|
|
15:00
|
4163.563
|
4181.7
|
0.44%
|
|
16:00
|
3542.829
|
2983.1
|
-15.80%
|
|
17:00
|
1718.631
|
1458.7
|
-15.12%
|
|
18:00
|
358.928
|
273.1
|
-23.91%
|
6月24日（阴转多云）的预测曲线如下图4所示：
图4 某光伏电站6月24日实际发电与预测发电对比
经计算，各时间点平均绝对百分比误差如下表2所示。
表2某光伏电站6月24日实际与预测发电误差百分比
|
时间
|
实际发电
|
预测发电
|
百分比误差
|
|
5:00
|
0
|
0
|
0.00%
|
|
6:00
|
97.122
|
129.8
|
33.65%
|
|
7:00
|
249.138
|
339.3
|
36.19%
|
|
8:00
|
810.755
|
1013.5
|
25.01%
|
|
9:00
|
907.876
|
1079.4
|
18.89%
|
|
10:00
|
802.309
|
1270.1
|
58.31%
|
|
11:00
|
4953.204
|
4299.2
|
13.20%
|
|
12:00
|
5084.107
|
4924.1
|
3.15%
|
|
13:00
|
4927.868
|
4653.6
|
5.57%
|
|
14:00
|
2558.944
|
3110.4
|
21.55%
|
|
15:00
|
1921.319
|
2181.7
|
13.55%
|
|
16:00
|
1659.513
|
1983.1
|
19.50%
|
|
17:00
|
194.243
|
258.7
|
33.18%
|
|
18:00
|
0
|
0
|
0.00%
|
可见，在天气多变时，预测误差会迅速扩大，此时的均方根误差为24%，一方面因为天气变化很快，（尤其多云大风天气），具体情况不易把握；另一方面，天气突变引起温度、湿度等一系列变化，引起光伏发电功率波动较大。不过预测曲线与实际在趋势较为吻合，在一定程度上反映了光伏实际的发电情况。
6、结语
光伏发电功率预测对气象信息的依赖程度较高，而嘉兴地区易受台风、雷雨等恶劣天气的影响，要实现准确的气象预报难度很大，因此会引起光伏发电功率预测的结果偏差较大。
目前仅能对夏季进行了预测，其它季度未能仔细考量，但夏季天气多变、极端，而在夏季的结果已能说明基于重组相似日的神经网络算法有效，能在天气剧烈变化时提升分布式光伏站点发电功率的预测精度。
参考文献
[1] YONA A，SENJYU T，FUNABASHI T. Application of recurrent neural network to short-term-ahead generating power forecasting for photovoltaic system [A]. IEEE Power Engineering Society General Meeting. Tampa[C]. USA L:IEEE， 2007．
[2] 丁明,王磊,毕锐.基于改进BP神经网络的光伏发电系统输出功率短期预测模型[J]. 电力系统保护与控制,2012,40(11):93-99.
[3] 陈昌松,段善旭,殷进军.基于神经网络的光伏阵列发电预测模型的设计[J]. 电工技术学报,2009,24(9):153-158.
[4] 吴雪莲,都洪基. 基于BP神经网络-马尔科s夫链的光伏发电预测[J]. 电工电气, 2014, 3,22-27.
[5] 诸华宇,高志强,盛四清.计及雾霾影响的光伏功率预测方法[J].河北电力技术,2014,33(5):23-26。
[6] 东海光.光伏并网发电系统的发电预测研究:[硕士学位论文].天津大学,2011.
[7] 王清龙.光伏发电系统发电功率预测研究: [硕士学位论文].天津大学,2013.
[8] 傅美平,马红伟,毛建容.基于相似日和最小二乘支持向量机的光伏发电短期预测[J]. 电力系统保护与控制，2012,40(16):65-69.
[9] 林辉,刘晶,郝志峰等.基于相似日负荷修正的节假日短期负荷预测[J].电力系统保护与控制, 2010,38(7):47-51.