王大虎+賈倩+林紅陽

摘要：光伏電站的發(fā)電功率高度依賴于不同的天氣條件，其變化無規(guī)律可循，從而給電網(wǎng)管理帶來挑戰(zhàn)。因此，對(duì)光伏發(fā)電功率進(jìn)行預(yù)測(cè)研究，以確保電網(wǎng)安全、穩(wěn)定運(yùn)行。首先，按季節(jié)和天氣類型劃分歷史發(fā)電數(shù)據(jù)，經(jīng)數(shù)據(jù)分析后，將溫度與歷史發(fā)電功率作為輸入，構(gòu)建了ANFIS與模糊聚類-ESN兩個(gè)光伏發(fā)電功率預(yù)測(cè)模型。利用Matlab模糊邏輯工具箱構(gòu)建ANFIS模型，而對(duì)于模糊聚類-ESN模型的構(gòu)建，先采用模糊聚類處理輸入數(shù)據(jù)，再利用ESN進(jìn)行訓(xùn)練與預(yù)測(cè)。通過對(duì)兩個(gè)預(yù)測(cè)結(jié)果的比較，模糊聚類-ESN模型的預(yù)測(cè)精度高于ANFIS模型。

關(guān)鍵詞：自適應(yīng)神經(jīng)模糊推理系統(tǒng)；模糊聚類；回聲狀態(tài)網(wǎng)絡(luò)；光伏發(fā)電功率預(yù)測(cè)

DOIDOI：10.11907/rjdk.172090

中圖分類號(hào)：TP319

文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)文章編號(hào)：1672-7800（2018）001-0157-05

Abstract：Power generation output of a PV plant is highly dependent on different weather conditions， but its changes are irregular， which pose a challenge to grid management. For this， scholars to predict the photovoltaic power generation to ensure that the grid safe and stable operation. In this paper， the historical power generation data is divided directly by season and weather type. After the data analysis， take the temperature and historical power generation as input. Two photovoltaic power generation models， the adaptive neural fuzzy reasoning system （ANFIS） and the fuzzy clustering-ESN， are constructed. ANFIS model is constructed by Matlab fuzzy logic toolbox. The construction of fuzzy clustering-ESN model is used to process the input data with fuzzy clustering， and then ESN is used to train and predict. Comparing the two prediction results， the fuzzy clustering-ESN model has higher prediction accuracy than ANFIS model.

Key Words：adaptive neuro-fuzzy inference system（ANFIS）； fuzzy clustering； echo state network（ESN）； photo-voltaic power generation prediction

0引言

環(huán)境污染與資源短缺帶來的壓力，迫使全球范圍內(nèi)進(jìn)入可持續(xù)發(fā)展時(shí)代，環(huán)境友好型的可再生能源利用受到各國(guó)政府的高度重視。光伏發(fā)電作為繼水力發(fā)電、風(fēng)力發(fā)電等可再生能源的一種形式，其發(fā)展對(duì)經(jīng)濟(jì)、社會(huì)和環(huán)境都具有積極影響。目前，國(guó)內(nèi)外已經(jīng)建立了大量大規(guī)模的光伏發(fā)電系統(tǒng)，但因光伏發(fā)電系統(tǒng)的輸出易受太陽輻射強(qiáng)度和天氣等不確定因素影響，使其具有隨機(jī)性和間接性，導(dǎo)致光伏發(fā)電系統(tǒng)無法穩(wěn)定運(yùn)行[1-3]。近年來，隨著兆瓦級(jí)光伏發(fā)電系統(tǒng)并網(wǎng)運(yùn)行的增加，電網(wǎng)的安全、穩(wěn)定運(yùn)行更加受到重視。因此，對(duì)光伏發(fā)電系統(tǒng)輸出功率的隨機(jī)性進(jìn)行準(zhǔn)確預(yù)測(cè)，進(jìn)而對(duì)電網(wǎng)調(diào)度進(jìn)行合理安排顯得尤為重要。

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，ANN）已被廣泛應(yīng)用于光伏發(fā)電功率預(yù)測(cè)中。回聲狀態(tài)網(wǎng)絡(luò)是基于儲(chǔ)蓄池的計(jì)算網(wǎng)絡(luò)，是ANN的一種類型，在光伏發(fā)電功率預(yù)測(cè)方面也取得了一定成果[4-6]。光伏發(fā)電功率數(shù)據(jù)是不確定、無規(guī)律可循的，為得到更準(zhǔn)確的預(yù)測(cè)結(jié)果，需在預(yù)測(cè)前對(duì)數(shù)據(jù)進(jìn)行處理，使其具有一定規(guī)律。文獻(xiàn)[5]、[7-9]通過經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）方法對(duì)歷史數(shù)據(jù)進(jìn)行處理，得到不同尺度的模態(tài)分量和趨勢(shì)分量數(shù)據(jù)后，對(duì)數(shù)據(jù)建立預(yù)測(cè)模型；文獻(xiàn)[6]、[10-12]通過聚類算法將光伏發(fā)電功率歷史數(shù)據(jù)劃分為若干類，再通過分類識(shí)別找出與預(yù)測(cè)日最相似的一類歷史數(shù)據(jù)集進(jìn)行預(yù)測(cè)。利用以上的數(shù)據(jù)處理方法都得到了較準(zhǔn)確的功率預(yù)測(cè)值。ANFIS是神經(jīng)網(wǎng)絡(luò)自適應(yīng)能力和模糊系統(tǒng)推理能力的集成，可從數(shù)據(jù)集中開發(fā)出模糊推理系統(tǒng)，再通過神經(jīng)網(wǎng)絡(luò)建立相應(yīng)模型。采用ANFIS對(duì)光伏發(fā)電功率進(jìn)行預(yù)測(cè)是一個(gè)合適的方法[13-14]。

本文將構(gòu)建ANFIS和聚類-ESN兩個(gè)預(yù)測(cè)模型，通過分析歷史光伏發(fā)電功率的影響因素，可直接將數(shù)據(jù)按季節(jié)和天氣類型進(jìn)行劃分，最終將溫度作為變量與歷史數(shù)據(jù)一同輸入?？芍苯永肕atlab模糊邏輯工具箱實(shí)現(xiàn)ANFIS預(yù)測(cè)模型，而對(duì)于聚類-ESN預(yù)測(cè)模型，采用模糊聚類算法處理輸入數(shù)據(jù)后，利用回聲狀態(tài)網(wǎng)絡(luò)對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練與預(yù)測(cè)。通過比較兩個(gè)模型的預(yù)測(cè)值，選擇出預(yù)測(cè)精度更高的預(yù)測(cè)模型。

1光伏發(fā)電功率輸入變量確定

光伏發(fā)電的核心是通過光伏電池組件，將光能直接轉(zhuǎn)換成電能，其輸出功率為：

其中，Ps為單位面積的光伏系統(tǒng)輸出功率，η為光伏陣列的轉(zhuǎn)換效率，S為光伏陣列的總面積，Ir為光伏陣列接收的太陽輻射強(qiáng)度，Tc為光伏組件板溫度。endprint

在某光伏電站中光伏陣列的轉(zhuǎn)換效率、總面積等是確定的，由上式可知，影響光伏發(fā)電功率的主要變量因素為太陽輻射強(qiáng)度和光伏組件溫度，其中光伏組件溫度主要受環(huán)境溫度影響。

1.1光伏發(fā)電功率太陽輻射強(qiáng)度影響

太陽輻射強(qiáng)度的變化對(duì)光伏發(fā)電功率的影響十分顯著，如圖1所示。

由圖1可知，光伏發(fā)電功率隨著太陽輻射強(qiáng)度的增加而增大，呈現(xiàn)對(duì)應(yīng)關(guān)系。因此，需將太陽輻射強(qiáng)度作為光伏發(fā)電功率的一個(gè)輸入變量。但因我國(guó)輻照觀測(cè)點(diǎn)較少，獲取輻射強(qiáng)度數(shù)據(jù)較為困難，為解決這一難題，考慮天氣類型與太陽輻射強(qiáng)度的相應(yīng)關(guān)系，文獻(xiàn)[15]、[16]采用天氣類型代替太陽輻射強(qiáng)度。圖2為不同天氣類型下太陽輻射強(qiáng)度的相關(guān)曲線。

由圖2得出，不同天氣類型下，太陽輻射強(qiáng)度差異較大。天氣類型為晴天時(shí)，太陽輻射強(qiáng)度曲線波動(dòng)平穩(wěn)，有明顯規(guī)律；在其它天氣類型時(shí)，太陽輻射強(qiáng)度曲線波動(dòng)較大，無明確規(guī)律。因此，可將歷史數(shù)據(jù)按天氣類型進(jìn)行篩選作為輸入變量，以取代太陽輻射強(qiáng)度的變化。

1.2光伏發(fā)電功率溫度影響

環(huán)境溫度的變化對(duì)光伏發(fā)電功率也存在影響，如圖3所示。

由圖可知，當(dāng)環(huán)境溫度在一定范圍內(nèi)變化時(shí)，光伏發(fā)電功率隨著環(huán)境溫度發(fā)生相應(yīng)變化，但當(dāng)環(huán)境溫度達(dá)到某一臨界點(diǎn)時(shí)，溫度繼續(xù)升高，光伏發(fā)電功率反而下降。這是因?yàn)榄h(huán)境溫度會(huì)直接影響光伏陣列板的溫度，環(huán)境溫度越高，光伏陣列板的溫度也越高，導(dǎo)致發(fā)電性能下降[17]。

綜合以上影響光伏發(fā)電功率的因素，將環(huán)境溫度和天氣類型作為預(yù)測(cè)光伏發(fā)電功率的變量，又因天氣類型可通過天氣預(yù)報(bào)得出，在變量輸入前可直接對(duì)其分類，則本文的預(yù)測(cè)輸入變量為環(huán)境溫度，其包括最高溫度Tmax、最低溫度Tmin與平均溫度Tmean。

2ANFIS預(yù)測(cè)模型

2.1自適應(yīng)模糊推理系統(tǒng)

自適應(yīng)網(wǎng)絡(luò)模糊推理系統(tǒng)（ANFIS）是將神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)機(jī)制和模糊系統(tǒng)的推理能力相結(jié)合的自適應(yīng)系統(tǒng)，由Sugeno[18]最早提出。ANFIS利用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力，從輸入輸出數(shù)據(jù)集中開發(fā)模糊推理系統(tǒng)。學(xué)習(xí)模糊系統(tǒng)的隸屬函數(shù)參數(shù)，可準(zhǔn)確跟蹤給定的輸入和輸出集合[19]。為確定模糊系統(tǒng)的最優(yōu)隸屬函數(shù)形狀，ANFIS建立了一個(gè)模糊推理系統(tǒng)（Fuzzy Inference System，F(xiàn)IS），其隸屬函數(shù)參數(shù)通過訓(xùn)練數(shù)據(jù)在已建立的模糊規(guī)則上不斷學(xué)習(xí)、調(diào)整，構(gòu)造出最佳的輸入—輸出映射[20-21]。

2.2ANFIS預(yù)測(cè)模型

本文以福建某30MW光伏電站為例，以夏季一天中7：00～19：00每1小時(shí)的時(shí)間間隔溫度為輸入變量，包括最高溫度Tmax、最低溫度Tmin與平均溫度Tmean，以預(yù)測(cè)發(fā)電功率P。本節(jié)使用Matlab模糊邏輯工具箱實(shí)現(xiàn)ANFIS系統(tǒng)，基于其自學(xué)習(xí)過程，使用混合學(xué)習(xí)算法調(diào)整并獲得ANFIS模塊的最優(yōu)隸屬函數(shù)。算法包括最小二乘法與梯度下降的反向傳播法的組合。表1給出了通過訓(xùn)練ANFIS獲得的輸入/輸出變量范圍、隸屬函數(shù)類型和隸屬函數(shù)。表2為基于規(guī)則的模糊推理系統(tǒng)，含有8個(gè)規(guī)則，3個(gè)輸入變量的2個(gè)隸屬函數(shù)和1個(gè)輸出變量的8個(gè)隸屬函數(shù)，輸出隸屬函數(shù)被命名為P1-P8。

圖4給出了本節(jié)對(duì)應(yīng)的ANFIS結(jié)構(gòu)圖。由圖可知，ANFIS結(jié)構(gòu)分為5層，且同一層網(wǎng)絡(luò)的每個(gè)節(jié)點(diǎn)具有相似功能，用O1，i表示第一層第i個(gè)節(jié)點(diǎn)的輸出，依此類推。該模糊推理系統(tǒng)有3個(gè)輸入x、y、z分別表示Tmax、Tmin、Tmean，以及一個(gè)輸出f。

第一層：對(duì)輸入?yún)?shù)進(jìn)行模糊化，確定對(duì)應(yīng)模糊集的隸屬度：

其中，i由{m，n，l}的相應(yīng)組合構(gòu)成，且i=1，2，…，8；Am、Bn和Cl為模糊集，文中表示的模糊意義為溫度的“低”和“高”；μAm（x）、μBn（y）和μCl（z）為模糊集的隸屬函數(shù)，表示x、y、z屬于模糊集Am、Bn、Cl的程度。隸屬度函數(shù)包括：鐘形函數(shù)、三角形函數(shù)、梯形函數(shù)及高斯型函數(shù)等。

3模糊聚類-ESN預(yù)測(cè)模型

3.1模糊聚類

聚類是根據(jù)“最小化類間相似性，最大化類內(nèi)相似性”原則，將數(shù)據(jù)集分類成不同類或簇的過程，即由聚類生成的同一簇中的數(shù)據(jù)具有很大的相似性，而不同簇間的對(duì)象有很大的相異性。聚類分析是研究樣品或指標(biāo)分類問題的一種統(tǒng)計(jì)分析方法，同時(shí)也是數(shù)據(jù)挖掘的一個(gè)重要算法。聚類分析內(nèi)容非常豐富，模糊聚類法即是其中一種。

模糊聚類指根據(jù)研究對(duì)象自身屬性構(gòu)造模糊矩陣，并根據(jù)一定隸屬度確定聚類關(guān)系，即通過模糊數(shù)學(xué)方法定量確定樣本間的模糊關(guān)系，從而客觀且準(zhǔn)確地進(jìn)行聚類。

通過對(duì)光伏發(fā)電功率進(jìn)行分析，將光伏發(fā)電功率的歷史數(shù)據(jù)V和溫度數(shù)據(jù)T作為輸入樣本，表示如下：

其中，P為發(fā)電站輸出功率的實(shí)際值，為預(yù)測(cè)模型得到的預(yù)測(cè)值，n為預(yù)測(cè)樣本個(gè)數(shù)，i為第i個(gè)數(shù)據(jù)點(diǎn)。

圖6顯示了利用ANFIS和模糊聚類-ESN預(yù)測(cè)模型獲得的連續(xù)4天的功率預(yù)測(cè)結(jié)果。表3比較了兩種預(yù)測(cè)模型的準(zhǔn)確性。

由圖6可以看出，不同天氣類型下，ANFIS和模糊聚類-ESN預(yù)測(cè)模型的預(yù)測(cè)值相對(duì)于實(shí)際值的偏差波動(dòng)大小存在差異。當(dāng)天氣類型處于平穩(wěn)波動(dòng)時(shí)（如：晴天），偏差較小；當(dāng)處于波動(dòng)較大的天氣類型時(shí)（如：陰、雨、多云），偏差也較大。模糊聚類-ESN模型的功率預(yù)測(cè)曲線更接近實(shí)際功率曲線，明顯優(yōu)于ANFIS預(yù)測(cè)模型。通過表3的誤差對(duì)比可知，本文構(gòu)建的兩個(gè)預(yù)測(cè)模型中，ANFIS模型MAE和RMSE的預(yù)測(cè)誤差值約為模糊聚類-ESN模型的兩倍，且模糊聚類-ESN模型與ANFIS模型相比，其預(yù)測(cè)精度提高了47.46%，即得出模糊聚類-ESN模型相比于ANFIS模型具有更高的預(yù)測(cè)精度。

5結(jié)語

本文構(gòu)建了ANFIS與模糊聚類-ESN的光伏發(fā)電功率預(yù)測(cè)模型，兩種預(yù)測(cè)模型均先對(duì)輸入數(shù)據(jù)進(jìn)行模糊化處理后，傳入各自的訓(xùn)練網(wǎng)絡(luò)中。本文按季節(jié)和天氣類型對(duì)歷史光伏發(fā)電功率數(shù)據(jù)進(jìn)行直接劃分，并將溫度與劃分的數(shù)據(jù)一同作為預(yù)測(cè)模型的輸入，對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練與預(yù)測(cè)。最后，將ANFIS的預(yù)測(cè)結(jié)果與聚類-ESN進(jìn)行比較，得出模糊聚類-ESN預(yù)測(cè)模型具有更高的預(yù)測(cè)精度。endprint

參考文獻(xiàn)：

[1]P Y LIM， FARRAH WONG. Photovoltaic power predictions using modified adaptive response rate exponential smoothing method[C]. IEEE International Conference on Sustainable Energy Technologies，2016.

[2]L BIRD， M MILIGAN， D LEW. Integrating variable renewable energy： challenges and solutions[R]. Office of Scientific & Technical Information Technical Reports，2013.

[3]陳亞博，盛戈皞，黎建，等.含光伏和風(fēng)電的電力系統(tǒng)隨即生產(chǎn)模擬[J].電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，2015，27（5）：1-6.

[4]I JAYAWARDENE， G K VENAYAGAMOORTHY. Comparison of adaptive neuro-fuzzy inference systems and echo state networks for pv power prediction[J]. Procedia Computer Science，2015，53：92-102.

[5]李多，董海鷹，楊麗霞.基于EMD與ELM的光伏電站短期功率預(yù)測(cè)[J].可再生資源，2016，34（2）：173-177.

[6]李樂，劉天琪.基于近鄰傳播聚類和回聲狀態(tài)子網(wǎng)絡(luò)的光伏預(yù)測(cè)[J].電力自動(dòng)化設(shè)備，2016，36（7）：41-46.

[7]高相銘，楊世鳳，潘三博.基于EMD和ABC-SVM的光伏并網(wǎng)系統(tǒng)輸出功率預(yù)測(cè)研究[J].電力系統(tǒng)與控制，2015，43（21）：86-92.

[8]陽霜，羅滇生，何洪英，等.基于EMD-LSSVM的光伏發(fā)電系統(tǒng)功率預(yù)測(cè)方法研究[J].太陽能學(xué)報(bào)，2016，37（6）：1387-1395.

[9]徐敏姣，徐青山，袁曉冬.基于改進(jìn)EMD及Elman算法的短期光伏功率預(yù)測(cè)研究[J].現(xiàn)代電力，2016，33（3）：8-13.

[10]代倩，段善旭，蔡濤，等.基于天氣類型識(shí)別的光伏系統(tǒng)短期無輻照度發(fā)電預(yù)測(cè)模型研究[J].中國(guó)電機(jī)工程學(xué)報(bào)，2011，31（34）：28-35.

[11]陳昌松，段善旭，蔡濤，等.基于模糊識(shí)別的光伏發(fā)電短期預(yù)測(cè)系統(tǒng)[J].電工技術(shù)學(xué)報(bào)，2011，26（7）：83-89.

[12]于秋玲，許長(zhǎng)清，李珊，等.基于模糊聚類和支持向量機(jī)的短期光伏功率預(yù)測(cè)[J].電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，2016，28（12）：115-118.

[13]YUAN-KANG WU， CHAO-RONG CHEN， HASIMAH ABDUL RAHMAN. A novel hybrid model for short-term forecasting in PV power generation[J]. International Journal of Photoenergy，2014（29）：1-9.

[14]鄭凌蔚，劉士榮，毛軍科，等.一種綜合ANFIS和PCA的光伏發(fā)電功率預(yù)測(cè)新方法[J].太陽能學(xué)報(bào)，2012，33（6）：993-1000.

[15]王守相，王亞旻，劉巖，等.基于經(jīng)驗(yàn)?zāi)B(tài)分解和ELM神經(jīng)網(wǎng)絡(luò)的逐時(shí)太陽能輻照量預(yù)測(cè)[J].電力自動(dòng)化設(shè)備，2014，34（8）：7-12.

[16]李樂，劉天琪.基于近鄰傳播聚類和回聲狀態(tài)網(wǎng)絡(luò)的光伏預(yù)測(cè)[J].電力自動(dòng)化設(shè)備，2016，36（7）：41-46.

[17]陳紅兵，陳希琳，王起，等.冷卻肋片對(duì)光伏板發(fā)電性能的影響研究[J].可再生能源，2015，33（3）：346-350.

[18]SUGENO M， KANG G T. Structure identification of fuzzy model[J]. Fuzzy Sets and System，1988，28（1）：15-33.

[19]JYH-SHING， ROGER JANG. Anfis： adaptive-network-based fuzzy inference system[J].IEEE Transactions on systems， Man and Cybernetics，1993，23：665-685.

[20]I JAYAWARDENE， G K VENAYAGAMOORTHY. Comparison of adaptive neuro-fuzzy inference systems and echo state networks for PV power prediction[J]. Procedia Computer Science，2015，53：92-102.

[21]李鵬程，陳國(guó)華，張力，等.基于ANFIS的人因失誤風(fēng)險(xiǎn)嚴(yán)重度識(shí)別[J].中國(guó)安全科學(xué)學(xué)報(bào)，2014，24（1）：72-77.

[22]ALI DEIHIMI， HEMEN SHOWKATI. Application of echo state networks in short-term electric load forecasting[J]. Energy，2012，39（1）：327-340.

[23]張晉雁，陶宏才.回聲狀態(tài)網(wǎng)絡(luò)研究[J].成都信息工程學(xué)院學(xué)報(bào)，2015，30（6）：546-550.

（責(zé)任編輯：黃?。〆ndprint