孫志強(qiáng)，李東陽(yáng)

(中南大學(xué)能源科學(xué)與工程學(xué)院，湖南長(zhǎng)沙，410083)

光伏電站發(fā)電功率與發(fā)電量受太陽(yáng)輻射強(qiáng)度、溫度等不穩(wěn)定因素的影響會(huì)發(fā)生波動(dòng)，且波動(dòng)程度較大，隨機(jī)性強(qiáng)，并入電網(wǎng)后容易造成電網(wǎng)電壓不穩(wěn)定、諧波含量增加、調(diào)度管理不便等問(wèn)題[1-3]，為此，電網(wǎng)采取拉閘限電等措施避免光伏電站對(duì)電網(wǎng)安全和穩(wěn)定造成的影響，但這不利于清潔能源的發(fā)展，也會(huì)使光伏電站損失收益，因此，有必要對(duì)光伏電站發(fā)電功率進(jìn)行準(zhǔn)確預(yù)測(cè)，以便為電網(wǎng)合理調(diào)度及時(shí)消峰填谷，保證電網(wǎng)平滑功率輸出。目前，國(guó)內(nèi)外研究人員提出許多對(duì)光伏電站發(fā)電功率進(jìn)行預(yù)測(cè)的方法，如：冉成科等[4]提出一種基于日類型融合理論的BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)光伏發(fā)電功率的方法，求出影響光伏發(fā)電的主要5個(gè)因素與發(fā)電功率相關(guān)系數(shù)，融合成1個(gè)影響因子作為BP 網(wǎng)絡(luò)輸入；耿博等[5]結(jié)合相似日理論與GA-BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行光功率預(yù)測(cè)；NORDIN等[6]使用神經(jīng)網(wǎng)絡(luò)，采用不同輸入分別進(jìn)行預(yù)測(cè)，找出了與發(fā)電功率相關(guān)系數(shù)最高的影響因素；LORENZ等[7]提出一種改進(jìn)的歐洲中尺度天氣預(yù)報(bào)中心太陽(yáng)輻射預(yù)測(cè)模型，但需依賴準(zhǔn)確的天氣預(yù)報(bào)信息；代倩等[8]將氣溫、濕度等組合表征太陽(yáng)輻照度，對(duì)無(wú)太陽(yáng)輻照度的短期光伏發(fā)電功率進(jìn)行預(yù)測(cè)，但預(yù)測(cè)精度不高；茆美琴等[9]提出一種EEMD-SVM 光伏短期出力預(yù)測(cè)的模型并將天氣分為突變天氣與非突變天氣共2種類型，預(yù)測(cè)整點(diǎn)時(shí)刻的光伏發(fā)電功率；姚仲敏等[10]分別采用BP、遺傳算法和粒子群算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)算法構(gòu)建出晴天、雨天和多天這3種天氣條件下的短期光伏發(fā)電功率預(yù)測(cè)模型；于群等[11]將光伏發(fā)電功率歷史數(shù)據(jù)進(jìn)行集合經(jīng)驗(yàn)?zāi)B(tài)分解(ensemble empirical mode decomposition，EEMD)，各分量重構(gòu)后作為BP 神經(jīng)網(wǎng)絡(luò)的輸入，提高了預(yù)測(cè)精度，但氣象因素只考慮了氣溫且重構(gòu)后的分量，沒(méi)有進(jìn)一步分類處理發(fā)揮出其便捷性。本文提出一種基于時(shí)頻熵和神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電功率預(yù)測(cè)方法，選用BP神經(jīng)網(wǎng)絡(luò)作為預(yù)測(cè)工具，與時(shí)頻熵、EEMD 處理的發(fā)電功率歷史數(shù)據(jù)和氣象參數(shù)一起構(gòu)建預(yù)測(cè)模型。先將光伏電站發(fā)電功率歷史數(shù)據(jù)按晴天、雨天和多云天分類，由EEMD 分解后由游程檢測(cè)法重構(gòu)成含有超短期發(fā)電功率規(guī)律的高頻分量和含有短期發(fā)電功率規(guī)律的中頻分量，分別經(jīng)Hilbert變換得到各數(shù)據(jù)點(diǎn)的頻率與幅值，進(jìn)而在時(shí)頻域中構(gòu)建能量譜圖，提取3種天氣條件下的高頻、中頻分量對(duì)應(yīng)的時(shí)頻熵，與氣象數(shù)據(jù)輻射強(qiáng)度、溫度、相對(duì)濕度和風(fēng)速及由EEMD 解得到的高頻或中頻分量一起作為BP神經(jīng)網(wǎng)絡(luò)的輸入，分別進(jìn)行光伏發(fā)電功率超短期和短期預(yù)測(cè)，且由實(shí)例驗(yàn)證此方法的有效性。

1 光伏發(fā)電功率影響因素

1.1 不同天氣類型對(duì)光伏發(fā)電功率的影響

分析光伏發(fā)電功率的影響因素對(duì)有效進(jìn)行光功率預(yù)測(cè)及提高預(yù)測(cè)精度有重要意義。光伏電站發(fā)電功率受多種因素的影響，不同天氣條件下發(fā)電量不同，每個(gè)時(shí)刻發(fā)電功率也會(huì)發(fā)生變化。圖1所示為某13 MW 光伏電站在同一季度、不同天氣條件下的發(fā)電功率，時(shí)間從6:30 至17:30。從圖1可看出：晴天發(fā)電功率隨太陽(yáng)輻射強(qiáng)度的增大或減小而穩(wěn)定變化；雨天發(fā)電量最小，多云天氣發(fā)電功率波動(dòng)最大；不同天氣的發(fā)電功率曲線區(qū)別較大，但在相同天氣條件下發(fā)電功率曲線相似，周期性變化規(guī)律相近。據(jù)此將發(fā)電功率歷史數(shù)據(jù)按晴天、雨天、多云天氣分類后分別對(duì)光功率進(jìn)行預(yù)測(cè)。

圖1 不同天氣類型的光伏發(fā)電功率Fig.1 Photovoltaic power generation for different weather types

1.2 氣象因素對(duì)光伏發(fā)電功率的影響

光伏發(fā)電功率的工程計(jì)算式為[12]

式中：ηpv為光伏效率；S為光伏電池板總面積；Ir為太陽(yáng)輻射強(qiáng)度；Tc為光伏電池板溫度。進(jìn)行短期或超短期光功率預(yù)測(cè)時(shí)，光伏系統(tǒng)發(fā)電功率除了與上述因素有關(guān)外，還與風(fēng)速、相對(duì)濕度、環(huán)境溫度及電池板安裝角度等有關(guān)[4]，但對(duì)于特定電站，電池板安裝角度、光伏系統(tǒng)效率及總面積等電站自身因素是確定的，且對(duì)光功率預(yù)測(cè)的影響已經(jīng)隱含在歷史發(fā)電功率中，因此，進(jìn)行短期或超短期光功率預(yù)測(cè)時(shí)，只需考慮溫度、輻射強(qiáng)度、風(fēng)速、相對(duì)濕度這幾個(gè)對(duì)光伏發(fā)電功率預(yù)測(cè)影響較大的氣象因素。光伏發(fā)電功率短期預(yù)測(cè)一般指1～2 d 內(nèi)的功率預(yù)測(cè)，本文指1 d 內(nèi)的功率預(yù)測(cè)；超短期預(yù)測(cè)一般指0～4 h 內(nèi)的功率預(yù)測(cè)，文中指2 h的功率預(yù)測(cè)。

2 EEMD-Hilbert法提取時(shí)頻熵

2.1 EEMD數(shù)據(jù)處理

經(jīng)驗(yàn)?zāi)B(tài)分解(empirical mode decomposition，EMD)信號(hào)處理方法是根據(jù)信號(hào)局部特征，自適應(yīng)地將復(fù)雜的非線性信號(hào)按頻率層次逐級(jí)分解，形成一系列內(nèi)稟模態(tài)分量(intrinsic mode function，IMF)[13]。EMD 具有自適應(yīng)性、近似正交性及完備性，但當(dāng)信號(hào)極值點(diǎn)分布不均勻時(shí)，易出現(xiàn)模態(tài)混淆現(xiàn)象[14]，為此，WU等[15]提出EMD的改善方法EEMD，即在信號(hào)中加入頻率均勻分布的白噪聲，對(duì)信號(hào)進(jìn)行多次分解、集總平均后，由于噪聲的零均值特性，噪聲將相互抵消，集總均值即為EEMD的結(jié)果。EEMD具體步驟如下[16]。

1) 在原始信號(hào)x（t）中加入服從正態(tài)分布的白噪聲ei（t），加噪后信號(hào)為

式中：ei(t)為第i次加的白噪聲。

2)用EMD 方法對(duì)加噪信號(hào)xi(t)進(jìn)行分解，得到n個(gè)IMF分量cj(t)和1個(gè)剩余分量r0(t)：

式中：cj(t)為EEMD分解得到的第j個(gè)IMF分量。

3)再次加入新的白噪聲，重復(fù)步驟2)。

4)對(duì)所得IMF 分量進(jìn)行集總平均，則原信號(hào)的IMF分量ci（t）為

四是定責(zé)任。黨支部開(kāi)展主題黨日前3天將活動(dòng)方案（包括時(shí)間地點(diǎn)、活動(dòng)主題、參加人員等）報(bào)上級(jí)黨組織備案，提前1天通知到所有黨員，提高黨員參與率和積極性?；顒?dòng)后及時(shí)將活動(dòng)情況報(bào)上級(jí)黨組織，并對(duì)活動(dòng)開(kāi)展情況及活動(dòng)照片全程留痕紀(jì)實(shí)管理，作為基層黨建考核述職評(píng)議的重要內(nèi)容。把黨員參加主題黨日活動(dòng)情況納入黨員積分制管理，作為黨員民主評(píng)議、處置不合格黨員和黨員評(píng)先評(píng)優(yōu)的重要依據(jù)。

式中：N為加入白噪聲的次數(shù)。

5)原始信號(hào)x(t)分解為

用EEMD 方法按以上步驟分別處理晴天、雨天、多云天氣條件下的電站發(fā)電功率歷史值，得到一系列頻率由高到低的9個(gè)IMF分量，用游程檢驗(yàn)法將IMF分量重構(gòu)成高、中、低頻共3組分量。

游程檢驗(yàn)法常用于檢驗(yàn)樣本的隨機(jī)性，而在文中用于檢驗(yàn)由EEMD 分解光伏電站發(fā)電功率歷史數(shù)據(jù)得到的各項(xiàng)IMF 分量游程個(gè)數(shù)和最大游程長(zhǎng)度，將其作為IMF 分量重構(gòu)的依據(jù)。假設(shè)每個(gè)IMF分量對(duì)應(yīng)的時(shí)間序列為{T(t)}(t=1，2，…，n)，平均值為T(mén)a，則時(shí)序符號(hào)定義為

Yi是由0和1組成的總個(gè)數(shù)為n的數(shù)字串，連續(xù)的一段0 或1 都記為1 個(gè)游程，1 個(gè)游程內(nèi)0 或1 的個(gè)數(shù)為游程長(zhǎng)度，結(jié)合游程個(gè)數(shù)及最大游程長(zhǎng)度可以檢測(cè)出數(shù)據(jù)波動(dòng)程度，游程個(gè)數(shù)越大，則最大游程長(zhǎng)度越小，表示數(shù)據(jù)波動(dòng)越強(qiáng)，頻率越高。將游程數(shù)大于閾值的IMF 分量合并成1 個(gè)高頻分量，顯示出光伏發(fā)電功率的超短期規(guī)律；將游程數(shù)低于閾值但體現(xiàn)出短期周期性的IMF 分量合并成1個(gè)中頻分量，能呈現(xiàn)出光伏發(fā)電功率的短期規(guī)律；剩下的幾個(gè)游程數(shù)更小且周期很大，即最大游程長(zhǎng)度很長(zhǎng)的分量對(duì)數(shù)據(jù)波動(dòng)影響不大，合并為光伏發(fā)電功率的低頻分量，是光伏發(fā)電功率長(zhǎng)期趨勢(shì)項(xiàng)，而長(zhǎng)期預(yù)測(cè)準(zhǔn)確度太低且對(duì)電站意義不大，本文暫不考慮。表1所示為以晴天的發(fā)電功率歷史數(shù)據(jù)為例，分別列出EEMD 分解后的9 個(gè)IMF分量的游程數(shù)及最大游程長(zhǎng)度，依據(jù)游程檢測(cè)法將其中c1和c2合并為高頻分量，c3，c4和c5合并為中頻分量。

表1 游程數(shù)及最大游程長(zhǎng)度Table 1 Number of runs and the maximum run length

圖2 不同天氣的光伏發(fā)電功率歷史數(shù)據(jù)EEMD分量Fig.2 EEMD components of photoelectric power historical values in different weathers

圖2所示為晴天、雨天和多云天的光伏發(fā)電功率歷史數(shù)據(jù)經(jīng)EEMD 分解后根據(jù)游程檢測(cè)法取的前5個(gè)IMF分量，第1行x(t)是發(fā)電功率原始數(shù)據(jù)。與晴天一樣，雨天和多云天也由EEMD分解出的c1和c2分量重構(gòu)成高頻分量，再經(jīng)Hilbert 變換后提取時(shí)頻熵用于超短期功率預(yù)測(cè)；c3，c4和c5分量疊加重構(gòu)成中頻分量提取時(shí)頻熵用于短期功率預(yù)測(cè)。

2.2 Hilbert變換提取時(shí)頻熵

由Hilbert 變換可以求信號(hào)的瞬時(shí)頻率，平穩(wěn)信號(hào)的頻率是定值，但對(duì)于不平穩(wěn)信號(hào)，如由EEMD 分解光伏電站發(fā)電功率歷史數(shù)據(jù)得到的各項(xiàng)IMF分量cj(t)，頻率是關(guān)于時(shí)間的函數(shù)，用對(duì)應(yīng)時(shí)間點(diǎn)上信號(hào)的瞬時(shí)頻率表征信號(hào)特性[17]，對(duì)IMF分量cj(t)進(jìn)行Hilbert變換的步驟如下。

1) 對(duì)每個(gè)分解得到的IMF 分量進(jìn)行Hilbert變換：

2)解析信號(hào)zj（t）如下：

3)得到幅值函數(shù)aj(t)及相位函數(shù)φj(t)；

4)求出信號(hào)瞬時(shí)頻率：

5)得到的瞬時(shí)頻率與幅值(能量)呈現(xiàn)在時(shí)頻域中就是能量分布圖即Hilbert譜：

將晴天、雨天和多云天氣的光伏發(fā)電功率歷史數(shù)據(jù)由EEMD 分解后得到的高頻分量與中頻分量分別進(jìn)行Hilbert 變換，求解出各發(fā)電功率歷史數(shù)據(jù)記錄點(diǎn)的瞬時(shí)頻率與幅值。各點(diǎn)的頻率及幅值變化情況呈現(xiàn)在時(shí)頻域中的能量譜圖即Hilbert譜如圖3所示。各Hilbert譜圖的差異主要體現(xiàn)在不同頻率下能量的集中性及幅值上，圖3(a)，(c)和(e)所示分別為晴天、雨天和多云天的高頻分量，與對(duì)應(yīng)中頻分量的Hilbert譜圖3(b)，(d)和(f)相比，能量明顯更加分散，且雨天能量最低，3種天氣條件下的中頻分量都集中在約0.1 Hz 的較低頻區(qū)域，其中晴天能量最集中、強(qiáng)度高且波動(dòng)穩(wěn)定，雨天與多云天能量分布形式及范圍與晴天的相似，但輻射強(qiáng)度不穩(wěn)定等導(dǎo)致圖3(d)和(f)中能量分布波動(dòng)較大，但多云天能量較雨天更高。針對(duì)各Hilbert譜圖的差異性，可將其進(jìn)行能量塊劃分，提取含有數(shù)據(jù)時(shí)頻信息的特征參數(shù)時(shí)頻熵[18]作為功率預(yù)測(cè)模型的輸入，高頻分量提取的時(shí)頻熵作為超短期功率預(yù)測(cè)模型的輸入，中頻分量提取的時(shí)頻熵作為短期功率預(yù)測(cè)模型的輸入，輔助進(jìn)行不同天氣條件下短期與超短期的功率預(yù)測(cè)。時(shí)頻熵計(jì)算式為

設(shè)整個(gè)時(shí)頻譜平面的能量為W，將其均分成N塊，每塊平面上的能量為ki，則

按式(13)計(jì)算各Hilbert 譜的時(shí)頻熵，結(jié)果見(jiàn)表2。

3 預(yù)測(cè)模型構(gòu)建及結(jié)果分析

3.1 BP神經(jīng)網(wǎng)絡(luò)光伏發(fā)電功率預(yù)測(cè)模型

RUMELHANT 等[19]于1986年 提 出BP 神 經(jīng) 網(wǎng)絡(luò)，目前廣泛應(yīng)用于風(fēng)力發(fā)電功率預(yù)測(cè)及光伏發(fā)電功率預(yù)測(cè)領(lǐng)域，故采用BP神經(jīng)網(wǎng)絡(luò)作為驗(yàn)證此方法的預(yù)測(cè)工具，構(gòu)建出基于時(shí)頻熵和BP神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電功率預(yù)測(cè)模型。BP 神經(jīng)網(wǎng)絡(luò)是一種單向傳播的前饋神經(jīng)網(wǎng)絡(luò)，由輸入層、隱含層和輸出層組成，網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。輸入層和輸出層節(jié)點(diǎn)個(gè)數(shù)由要預(yù)測(cè)的數(shù)據(jù)點(diǎn)個(gè)數(shù)決定。隱含層可以是1個(gè)或多個(gè)，為簡(jiǎn)化計(jì)算設(shè)置為1個(gè)，其節(jié)點(diǎn)個(gè)數(shù)與輸入和輸出層節(jié)點(diǎn)個(gè)數(shù)相關(guān)，計(jì)算隱含層最佳節(jié)點(diǎn)個(gè)數(shù)常用公式有以下幾種：

表2 時(shí)頻熵統(tǒng)計(jì)Table 2 Time-frequency entropy statistics

圖3 不同天氣光伏發(fā)電功率歷史數(shù)據(jù)高頻與中頻分量Hilbert譜圖Fig.3 High-frequency and intermediate-frequency component Hilbert spectrums of historical values of photovoltaic power generation in different weathers

式中：l為隱含層節(jié)點(diǎn)數(shù)；n為輸入層節(jié)點(diǎn)數(shù)；m為輸出層節(jié)點(diǎn)數(shù)；C為調(diào)節(jié)常數(shù)，取值為1～10?？捎霉酱_定范圍再由試湊法選出使預(yù)測(cè)誤差最小的節(jié)點(diǎn)數(shù)。

圖4 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 Structure of BP neural network

采用湖北13 MW 光伏電站2017-09-25—2017-11-05 共45 d 的氣象數(shù)據(jù)及發(fā)電功率(晴天15 d，雨天15 d，多云12 d)，另3 d 為復(fù)雜天氣情況，不予考慮)，構(gòu)建2 個(gè)預(yù)測(cè)模型，分別進(jìn)行晴天、雨天和多云天氣下短期和超短期光伏發(fā)電功率預(yù)測(cè)。以晴天為例，采集每天7:45至16:45的發(fā)電功率，每15 min 記錄1 次，1 d 共37 個(gè)數(shù)據(jù)點(diǎn)，15 d 總共555 個(gè)數(shù)據(jù)點(diǎn)，將其按3.1 節(jié)的步驟進(jìn)行EEMD 分解，得到高頻分量與中頻分量。進(jìn)行短期功率預(yù)測(cè)時(shí)，BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型輸入層節(jié)點(diǎn)共42 個(gè)，其中第1～37 個(gè)是EEMD 分解得到的中頻分量某相似日內(nèi)7:45至16:45的37個(gè)數(shù)據(jù)點(diǎn)，第38～41 個(gè)是預(yù)測(cè)日氣象條件(溫度、輻射強(qiáng)度、風(fēng)速和相對(duì)濕度)，第42 個(gè)是表2中對(duì)應(yīng)時(shí)頻熵的均值，如晴天短期預(yù)測(cè)的均值取6.25，BP 神經(jīng)網(wǎng)絡(luò)輸出層節(jié)點(diǎn)37個(gè)，為預(yù)測(cè)日當(dāng)天7:45至16:45的37個(gè)發(fā)電功率數(shù)據(jù)點(diǎn)；隱含層采用單層，節(jié)點(diǎn)數(shù)根據(jù)式(16)至(18)取15～40，經(jīng)多次試湊選取使預(yù)測(cè)均方根誤差最小值25，則短期預(yù)測(cè)模型結(jié)構(gòu)為42-25-37。進(jìn)行超短期功率預(yù)測(cè)時(shí)，BP 神經(jīng)網(wǎng)絡(luò)輸入層節(jié)點(diǎn)為13，節(jié)點(diǎn)1～8 的輸入是EEMD 分解得到的高頻分量相似日某2 h 內(nèi)的8 個(gè)數(shù)據(jù)點(diǎn)，節(jié)點(diǎn)9～12的輸入為氣象數(shù)據(jù)，節(jié)點(diǎn)13的輸入為表2中對(duì)應(yīng)晴天超短期時(shí)頻熵。輸出層采用8個(gè)節(jié)點(diǎn)是為了預(yù)測(cè)某2 h 內(nèi)的發(fā)電功率，隱含層節(jié)點(diǎn)為5 時(shí)預(yù)測(cè)的均方根誤差最小，則超短期預(yù)測(cè)模型結(jié)構(gòu)為13-5-8，BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型其他參數(shù)設(shè)置見(jiàn)表3。圖5所示為時(shí)頻熵和BP神經(jīng)網(wǎng)絡(luò)光伏發(fā)電功率預(yù)測(cè)模型的預(yù)測(cè)流程圖。

3.2 預(yù)測(cè)結(jié)果分析

圖5 光伏發(fā)電功率預(yù)測(cè)流程Fig.5 Flow chart of photovoltaic power generation prediction

表3 BP神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置Table 3 BP neural network parameter setting

圖6 短期光伏發(fā)電功率預(yù)測(cè)驗(yàn)證Fig.6 Forecast verification of short-term photovoltaic power

設(shè)置BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型后分別對(duì)晴天、雨天和多云天的短期和超短期光伏發(fā)電功率進(jìn)行預(yù)測(cè)，從3 種天氣類型中分別隨機(jī)挑選1 d 來(lái)驗(yàn)證短期和超短期功率預(yù)測(cè)性能，其余數(shù)據(jù)按3:1分為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)。圖6所示為采用2017-10-30(晴天)、2017-10-04(雨天)、2017-10-22(多云天)進(jìn)行光伏發(fā)電功率短期預(yù)測(cè)驗(yàn)證的情況，圖中直接預(yù)測(cè)曲線是僅使用氣象數(shù)據(jù)的預(yù)測(cè)結(jié)果，作為文中加入時(shí)頻熵和EEMD 分解后的分量進(jìn)行預(yù)測(cè)的對(duì)比項(xiàng)，能明顯看出用文中預(yù)測(cè)方法得出的預(yù)測(cè)曲線與實(shí)際值曲線更加吻合，預(yù)測(cè)效果更好。超短期預(yù)測(cè)時(shí)間為2 h，共8個(gè)預(yù)測(cè)點(diǎn)，圖7所示為采用2017-10-26(晴天)、2017-09-26日(雨天)、2017-10-02(多云)隨機(jī)挑選不同時(shí)間段的2 h進(jìn)行光伏發(fā)電功率超短期預(yù)測(cè)驗(yàn)證的情況。

圖7 超短期光伏發(fā)電功率預(yù)測(cè)驗(yàn)證Fig.7 Forecast verification of ultra-short-term photovoltaic power generation

表4 不同天氣情況下短期與超短期光伏發(fā)電功率預(yù)測(cè)誤差Table 4 Errors of shirt-term and ultra-short-term photovoltaic power generation forcasts in different weathers

檢驗(yàn)預(yù)測(cè)模型的優(yōu)劣需要進(jìn)行誤差分析，常用均方根誤差s計(jì)算預(yù)測(cè)誤差及相關(guān)系數(shù)R2計(jì)算預(yù)測(cè)精度，R2越接近于1，表明預(yù)測(cè)的準(zhǔn)確率越高。s與R2的計(jì)算公式分別為：

式中：m(i)為光伏發(fā)電功率實(shí)際值；k(i)為光伏發(fā)電功率預(yù)測(cè)值。將圖5與圖6中預(yù)測(cè)曲線的誤差按式(19)和(20)計(jì)算后進(jìn)行統(tǒng)計(jì)，結(jié)果見(jiàn)表4。采用時(shí)頻熵和BP 神經(jīng)網(wǎng)絡(luò)對(duì)3 種天氣短期與超短期發(fā)電功率進(jìn)行預(yù)測(cè)，其均方根誤差均比直接預(yù)測(cè)的小，預(yù)測(cè)準(zhǔn)確率均相對(duì)更高。對(duì)比3 種天氣情況，晴天預(yù)測(cè)準(zhǔn)確率最高，短期與超短期的預(yù)測(cè)準(zhǔn)確率都達(dá)到99%，因?yàn)榕c雨天和多云的發(fā)電功率歷史值相比，晴天的規(guī)律性最強(qiáng)，波動(dòng)最平穩(wěn)，雨天與多云天發(fā)電功率在1 d 內(nèi)波動(dòng)大，變化不平穩(wěn)，影響了預(yù)測(cè)準(zhǔn)確率。

4 結(jié)論

1)提出一種基于EEMD-Hilbert 變換提取光伏發(fā)電功率歷史數(shù)據(jù)時(shí)頻熵，與EEMD 分解后的高頻或中頻分量結(jié)合進(jìn)行光伏發(fā)電功率預(yù)測(cè)的新方法。用此方法進(jìn)行BP神經(jīng)網(wǎng)絡(luò)短期和超短期光伏發(fā)電功率預(yù)測(cè)，得到較好的預(yù)測(cè)結(jié)果，得到的預(yù)測(cè)曲線能預(yù)知光伏電站發(fā)電功率，為電網(wǎng)合理分配電能、消峰填谷提供參考。

2)用此方法對(duì)晴天、雨天和多云天的光伏發(fā)電功率進(jìn)行預(yù)測(cè)，超短期預(yù)測(cè)準(zhǔn)確率分別為0.996，0.984 和0.991，短期預(yù)測(cè)準(zhǔn)確率分別為0.995，0.944和0.931，均高于由氣象數(shù)據(jù)直接預(yù)測(cè)的超短期準(zhǔn)確率(0.987，0.967和0.964)、短期預(yù)測(cè)準(zhǔn)確率(0.986，0.931和0.926)。

3) 雨天和多云天發(fā)電功率較晴天波動(dòng)更大，短期預(yù)測(cè)準(zhǔn)確率較晴天低很多，但超短期預(yù)測(cè)準(zhǔn)確率相差不大，即它們的超短期預(yù)測(cè)準(zhǔn)確率比短期預(yù)測(cè)準(zhǔn)確率增加幅度遠(yuǎn)比晴天的大，預(yù)測(cè)準(zhǔn)確率越高越有利于電網(wǎng)合理調(diào)度，提高光伏發(fā)電系統(tǒng)并網(wǎng)的優(yōu)越性，故當(dāng)雨天和多云天預(yù)測(cè)準(zhǔn)確率不滿足需要時(shí)，可適當(dāng)縮短預(yù)測(cè)時(shí)間，以提高預(yù)測(cè)準(zhǔn)確率。