楊 茂，黃 鑫，蘇 欣

(1.東北電力大學(xué) 電氣工程學(xué)院，吉林 吉林 132012；2.東北電力大學(xué) 理學(xué)院，吉林 吉林 132012)

光伏發(fā)電已成為繼風(fēng)力發(fā)電后可再生能源發(fā)電的又一新增長(zhǎng)點(diǎn).2009年～2013年，中國(guó)光伏發(fā)電的裝機(jī)容量以平均每年超過(guò)1倍的速度增長(zhǎng).2014年我國(guó)裝機(jī)容量已達(dá)到28 GW，僅次于德國(guó)的38.2 GW，位居世界第二[1].2015年底，我國(guó)以43.18 GW光伏發(fā)電裝機(jī)容量躋身為世界上光伏發(fā)電裝機(jī)容量最大的國(guó)家[2].截至2016年底，我國(guó)累計(jì)裝機(jī)容量77.42 GW，光伏發(fā)電新增裝機(jī)容量為34.54 GW，新增和累計(jì)裝機(jī)容量均位列全球光伏產(chǎn)業(yè)的首位[3].

光伏功率受光照強(qiáng)度、濕度、電池板溫度等因素影響，具有較大的隨機(jī)性和波動(dòng)性.這種隨機(jī)性和波動(dòng)性導(dǎo)致光伏發(fā)電在大規(guī)模并網(wǎng)時(shí)對(duì)電網(wǎng)造成一定的不良影響.因此，準(zhǔn)確的光伏功率預(yù)測(cè)對(duì)于電力系統(tǒng)的安全經(jīng)濟(jì)運(yùn)行具有重要意義.

圖1 不同天氣類型下光伏輸出功率日曲線圖

光伏功率預(yù)測(cè)，即根據(jù)歷史數(shù)據(jù)，通過(guò)一定的建模方法，對(duì)未來(lái)一段時(shí)間的光伏功率進(jìn)行預(yù)測(cè)[4].文獻(xiàn)[5]利用BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)進(jìn)行短期光伏功率預(yù)測(cè)，將濕度、氣溫作為輸入量，根據(jù)自組織特征映射進(jìn)行天氣聚類識(shí)別，算法容易陷入局部最優(yōu)問(wèn)題.文獻(xiàn)[6]建立反向傳播神經(jīng)網(wǎng)絡(luò)的無(wú)輻照度光伏功率短期預(yù)測(cè)模型，分析光伏發(fā)電量與氣象因素的相關(guān)性，采用自組織特征映射對(duì)天氣類型聚類識(shí)別，利用云量進(jìn)行自適應(yīng)特征映射天氣類型聚類識(shí)別，預(yù)測(cè)精度有所提高，但算法復(fù)雜度過(guò)高，運(yùn)算時(shí)間長(zhǎng).文獻(xiàn)[7]建立基于相似日、支持向量機(jī)和持續(xù)法的組合預(yù)測(cè)模型，根據(jù)粗糙集理論決定屬性重要度的方法確定單一預(yù)測(cè)模型的組合權(quán)重，以日為單位確定權(quán)重值并不合理.文獻(xiàn)[8]對(duì)傳統(tǒng)灰色BP神經(jīng)網(wǎng)絡(luò)模型的光伏預(yù)測(cè)方法進(jìn)行了改進(jìn)，一定程度上提高了預(yù)測(cè)精度.文獻(xiàn)[9]提出一種基于滾動(dòng)的自回歸積分滑動(dòng)平滑模型(ARIMA)和支持向量機(jī)(SVM)相結(jié)合的卡爾曼融合預(yù)測(cè)模型，提高了預(yù)測(cè)精度.文獻(xiàn)[10]將優(yōu)化支持向量機(jī)(SVM)、人工分群算法(ABC)以及經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)有效地結(jié)合起來(lái)構(gòu)成了光伏并網(wǎng)系統(tǒng)輸出功率預(yù)測(cè)模型，該方法較單一預(yù)測(cè)方法具有一定的優(yōu)勢(shì)，在預(yù)測(cè)精度以及運(yùn)算速度上有進(jìn)一步地提高.

本文考慮氣候的復(fù)雜變化，將天氣劃分為晴天、多云、陰天和雨天4種類型，每隔15 min預(yù)測(cè)一次之后四小時(shí)的天氣類型，在各天氣類型下構(gòu)建特定的基于ANFIS模型的光伏功率超短期預(yù)測(cè)模型.在構(gòu)建模糊推理結(jié)構(gòu)時(shí)，采用減法聚類算法，此算法不需人為設(shè)定，有效避免在構(gòu)建結(jié)構(gòu)時(shí)的盲目性和主觀性.最后利用吉林省某高校光伏實(shí)驗(yàn)室實(shí)測(cè)數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，結(jié)果驗(yàn)證了本文方法的有效性.

1 光伏功率輸出特性分析

在不同天氣類型下典型的光伏發(fā)電輸出功率曲線，如圖1所示.從圖中可以看出，在晴天和雨天的情況下，光伏功率波動(dòng)較??；在多云和陰天的情況下，光伏功率波動(dòng)較大.不同天氣類型下，光伏功率輸出的差異性較大，為提高光伏功率預(yù)測(cè)精度，本文將在不同天氣類型下對(duì)光伏輸出功率進(jìn)行超短期預(yù)測(cè).

2 多步滾動(dòng)實(shí)時(shí)預(yù)測(cè)模式

進(jìn)行光伏功率超短期預(yù)測(cè)時(shí)，需進(jìn)行多步滾動(dòng)預(yù)測(cè)模式[10]：

，

(1)

根據(jù)國(guó)家能源局就光伏發(fā)電功率預(yù)測(cè)系統(tǒng)功能規(guī)范的有關(guān)規(guī)定[11]，超短期光伏功率預(yù)測(cè)應(yīng)每15 min自動(dòng)上報(bào)一次，上報(bào)時(shí)間為未來(lái)15分鐘至4小時(shí)的光伏功率預(yù)測(cè)數(shù)據(jù).

3 ANFIS預(yù)測(cè)模型

ANFIS模型，結(jié)合了神經(jīng)網(wǎng)絡(luò)模型和模糊推理系統(tǒng).其實(shí)質(zhì)是由Takagi等提出的一組基于語(yǔ)言規(guī)則推理模型.在進(jìn)行模糊推理系統(tǒng)推理時(shí)，需通過(guò)一系列的映射.在研究這些映射過(guò)程時(shí)，隸屬度函數(shù)的選取通常是通過(guò)以往經(jīng)驗(yàn)直接選取的，這樣導(dǎo)致模糊推理系統(tǒng)的模糊規(guī)則具有一定的隨機(jī)性和主觀性，這顯然是不合理的.

圖2 ANFIS模型結(jié)構(gòu)(2個(gè)輸入)

對(duì)于神經(jīng)網(wǎng)絡(luò)而言，其最大的優(yōu)點(diǎn)是自組織學(xué)習(xí)能力.ANFIS系統(tǒng)即能彌補(bǔ)傳統(tǒng)模糊推理系統(tǒng)的缺點(diǎn)，又可阻止人工神經(jīng)網(wǎng)絡(luò)在運(yùn)行時(shí)造成局部最優(yōu)的問(wèn)題.假設(shè)ANFIS模型的輸入數(shù)為2，則其結(jié)構(gòu)如圖2所示[12].

圖中，設(shè)Ok，i表示為第k層的第i個(gè)節(jié)點(diǎn)的輸出.

第1層：各節(jié)點(diǎn)i都由節(jié)點(diǎn)函數(shù)表示(參數(shù)具有可變性)如下：

(2)

式中：x1、x2為節(jié)點(diǎn)i的輸入量；Ai(或Bi-2)為與該節(jié)點(diǎn)函數(shù)值有關(guān)的信息量；A(A=A1，A2，B1，B2)為模糊集；O1，i表示隸屬度函數(shù)，選擇高斯函數(shù)作為隸屬度函數(shù).

第2層：該層節(jié)點(diǎn)為圖2中的Π，wi為模糊規(guī)則激勵(lì)強(qiáng)度：

O2，i=wi=μAi(x1)μBi(x2)，i=1，2

.

(3)

(4)

第4層：該層各節(jié)點(diǎn)均為自適應(yīng)節(jié)點(diǎn)，對(duì)每條規(guī)則的貢獻(xiàn)進(jìn)行計(jì)算，輸出結(jié)果為

(5)

式中：pi、qi以及ri均為結(jié)論參數(shù).

第5層：對(duì)所有規(guī)則的最終輸出進(jìn)行計(jì)算，即計(jì)算總輸出為：

(6)

本文采用減法聚類算法形成模糊推理系統(tǒng)結(jié)構(gòu)，該結(jié)構(gòu)能夠?qū)χ貜?fù)優(yōu)化過(guò)程的模糊辨識(shí)方法和模糊聚類進(jìn)行初始化，聚類所形成的規(guī)則也相對(duì)于人工設(shè)定結(jié)構(gòu)所得到的模糊規(guī)則更加符合數(shù)據(jù)之間對(duì)應(yīng)關(guān)系[13].

4 超短期光伏功率輸出預(yù)測(cè)評(píng)價(jià)指標(biāo)

本文采用的誤差評(píng)價(jià)指標(biāo)是國(guó)家能源局就光伏發(fā)電功率預(yù)測(cè)系統(tǒng)功能規(guī)范中提出的[11].

日平均預(yù)測(cè)合格率計(jì)算模型如下：

(7)

(8)

式中：r2i為第i次光伏輸出功率預(yù)測(cè)的合格率；r2為一天中預(yù)測(cè)的平均合格率.一天的光伏功率預(yù)測(cè)均方根誤差為r3，其求解模型為

(9)

5 算例分析

本文數(shù)據(jù)來(lái)自吉林省某高校光伏實(shí)驗(yàn)室光伏測(cè)試平臺(tái)，該平臺(tái)裝機(jī)容量為10 kW，采樣時(shí)間為2015年1月1日至1月31日的上午6點(diǎn)到下午5點(diǎn)，采樣間隔為15 min.

圖3 ANFIS模糊系統(tǒng)的結(jié)構(gòu)圖

天氣類型評(píng)價(jià)指標(biāo)合格率均方根誤差晴天方法10.80860.1066方法210.0505方法310.0551方法410.0202多云方法10.91720.1062方法20.86820.1626方法30.87320.1562方法40.91670.0979陰天方法10.83210.1532方法20.87540.1125方法30.83650.1342方法40.89470.1042雨天方法10.92310.0916方法20.95240.0605方法30.95350.0651方法40.97540.0502

不同天氣類型下，利用不同光伏功率預(yù)測(cè)方法進(jìn)行預(yù)測(cè)時(shí)的評(píng)價(jià)指標(biāo)統(tǒng)計(jì)表，如表1所示.其中，將BP神經(jīng)網(wǎng)絡(luò)[14]、多尺度持續(xù)法[15]、多尺度滑動(dòng)平均法[16]和ANFIS法分別記為方法1、方法2、方法3和方法4.將實(shí)測(cè)歷史氣象數(shù)據(jù)：輻照度、濕度、溫度作為BP神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù).在輸入各氣象數(shù)據(jù)前，需對(duì)各氣象數(shù)據(jù)進(jìn)行歸一化處理.歸一化模型為

(10)

式中：x為原始數(shù)據(jù)；x′為歸一化之后的數(shù)據(jù).多尺度持續(xù)法和多尺度滑動(dòng)平均法是根據(jù)光伏輸出的日周期性，在原始模型的基礎(chǔ)上，將尺度調(diào)整到以天為單位進(jìn)行建模求解.

采用方法4進(jìn)行光伏功率超短期預(yù)測(cè)時(shí)，參數(shù)的選取如下：隸屬函數(shù)為高斯函數(shù)；隸屬函數(shù)個(gè)數(shù)為3個(gè)；訓(xùn)練次數(shù)為2 000次；在特定天氣類型下，訓(xùn)練樣本選取光伏功率歷史實(shí)際值和歷史天氣數(shù)據(jù).對(duì)光伏功率利用ANFIS建模方法進(jìn)行預(yù)測(cè)時(shí)，所得初始化模糊系統(tǒng)結(jié)構(gòu)如圖3所示.

由表1可知，通過(guò)ANFIS模型對(duì)光伏功率進(jìn)行預(yù)測(cè)時(shí)，在不同的典型天氣類型下，其準(zhǔn)確率均高于其他預(yù)測(cè)方法，全天預(yù)測(cè)結(jié)果均方根誤差也均低于其他預(yù)測(cè)方法.由于各種典型天氣類型下光伏功率波動(dòng)性不同，即晴天與雨天所具備的規(guī)律性較大，陰天與多云天氣光伏功率具備的規(guī)律性不大，所以預(yù)測(cè)難度不同，在表1中的評(píng)價(jià)指標(biāo)也有所體現(xiàn)，ANFIS法的預(yù)測(cè)精度要高于另外三種預(yù)測(cè)方法，說(shuō)明了ANFIS預(yù)測(cè)模型的有效性.

列舉晴天與多云這兩種天氣類型下在某日11：45時(shí)進(jìn)行的預(yù)測(cè)，基于各預(yù)測(cè)方法下的預(yù)測(cè)值和真實(shí)值對(duì)比如圖4所示.其中圖4(a)為晴天，圖4(b)為多云天氣.在預(yù)測(cè)中，ANFIS預(yù)測(cè)模型的預(yù)測(cè)結(jié)果最接近真實(shí)值.

圖4 各模型預(yù)測(cè)結(jié)果(某日12：00到15：00)

6 結(jié) 論

本文分析了光伏功率預(yù)測(cè)中超短期多步滾動(dòng)預(yù)測(cè)模式，并提出了基于ANFIS的預(yù)測(cè)模型，由減法聚類形成初始模糊系統(tǒng)結(jié)構(gòu)，有效地避免了人工設(shè)定結(jié)構(gòu)法有可能產(chǎn)生組合爆炸的問(wèn)題.通過(guò)天氣預(yù)報(bào)確定待預(yù)測(cè)日的天氣類型，將天氣類型劃分為晴天、多云、陰天和雨天，分別進(jìn)行建模預(yù)測(cè).算例結(jié)果表明，在不同天氣類型下，本文所提出的ANFIS預(yù)測(cè)模型在進(jìn)行超短期光伏功率預(yù)測(cè)時(shí)，在晴天和雨天天氣下均方根誤差能在5%左右，在多云以及陰天天氣下均方根誤差在10%左右，預(yù)測(cè)精度較傳統(tǒng)預(yù)測(cè)方法均方根誤差平均下降5%左右，驗(yàn)證了本文方法的有效性.