孫 銳 湯義勤 馬紅偉 毛建容

（1.許繼集團(tuán)有限公司，北京 100085；2.臺州電業(yè)局，浙江 臨海 317000）

光伏發(fā)電作為清潔能源，既能滿足經(jīng)濟(jì)社會發(fā)展帶來的對能源的需求，又能減少化石燃料的污染，因此得到日益廣泛的應(yīng)用。但是光伏發(fā)電受外部天氣等因素影響較大，發(fā)電功率存在很大的不確定性，波動性較大[1-2]。對光伏發(fā)電系統(tǒng)發(fā)電量進(jìn)行預(yù)測，有助于含光伏發(fā)電的電力系統(tǒng)的安全、經(jīng)濟(jì)運行，并且光伏出力的預(yù)測結(jié)果可輔助電網(wǎng)的各種運行控制決策，提高含光伏發(fā)電電網(wǎng)的穩(wěn)定性[3-5]。

光伏發(fā)電功率與很多因素有關(guān)，包括光伏電池的型號、陣列的面積、表面污染程度、季節(jié)變化、氣象因素、太陽輻射等，這些因素與發(fā)電功率之間為復(fù)雜的非線形關(guān)系，且相互之前存在多種耦合，確定模型非常困難[6-7]。目前對于光伏發(fā)電超短期預(yù)測的研究很多，主要集中在非線性算法方面，包括神經(jīng)網(wǎng)絡(luò)法[8]、最小二乘相量機(jī)法[9]和智能法等?？紤]到在線計算的速度、效率，以及光伏電站建成后，其內(nèi)部特性基本穩(wěn)定，發(fā)電功率只與太陽輻射強(qiáng)度、溫度等氣象因素有關(guān)[10]，因此本文提出一種通過氣象因素找到歷史相似日，然后根據(jù)相似日的歷史數(shù)據(jù)取得光伏發(fā)電功率的典型變化趨勢，從而求取預(yù)測功率的方法。

1 超短期功率預(yù)測算法

在當(dāng)前時刻功率值已知的情況下，求預(yù)測時刻功率的變化，就得到預(yù)測結(jié)果。

式中，P(t+i)為ti+時刻的發(fā)電功率預(yù)測值；P(t+i)為t時刻的實際發(fā)電功率值；ΔP(t+i)為t+i+時刻相對t時刻的預(yù)測功率變化值；P′(t+i)為t時刻到t+i+時刻的變化率

由于P(t+i)已知，預(yù)測關(guān)鍵是獲得P′(t+i)。由相似日的樣本數(shù)據(jù)，得到相似日P′typ(t+i)，從而求得預(yù)測功率。因此求取相似日，并由相似日得到典型變化趨勢P′typ(t+i)是關(guān)鍵。

2 相似日模型

得到典型變化趨勢首先要選定相似日。相似日采用相關(guān)度的大小進(jìn)行選取[11]。由氣象部門或者專業(yè)的機(jī)構(gòu)獲取數(shù)值天氣預(yù)報，提供的天氣預(yù)測信息，基本包括天氣類型、輻射強(qiáng)度、溫度、濕度等。因此可先根據(jù)天氣類型篩選出一部分歷史日，結(jié)合就地氣象系統(tǒng)的采集數(shù)據(jù)，可以獲得歷史日準(zhǔn)確的天氣信息樣本。天氣類型分為晴天、雨天、陰天[12]。先選取出與預(yù)測日相同天氣類型的歷史日，然后通過計算相關(guān)度來確定相似日。

用x0(1)、x0(2)兩個向量分別表示待預(yù)測日的輻射強(qiáng)度和溫度。歷史數(shù)據(jù)中某一天的兩個影響因素構(gòu)成的向量為xj=[xj(1),xj(2)]。則x0與xj的溫度因素關(guān)聯(lián)系數(shù)為

式中，ρ是分辨系數(shù)，一般取值 0.5。定義x0與xj的相似度為

從臨近的歷史日開始，逐一計算與待預(yù)測日的相似度，并比較，相似度jδ最大的歷史日作為待預(yù)測日的相似日。根據(jù)區(qū)域間光伏發(fā)電特性不同，權(quán)重系數(shù)的設(shè)置不同，算法中的權(quán)重系數(shù)需要大量的實測數(shù)據(jù)，通過誤差分析反復(fù)調(diào)整得到相對穩(wěn)定的值。

選擇相關(guān)度最大的前k個數(shù)據(jù)記錄作為相似日來計算典型的曲線變化趨勢，即

3 數(shù)據(jù)預(yù)處理

歷史樣本數(shù)據(jù)的預(yù)處理包括兩個部分，一部分是壞數(shù)據(jù)的處理，包括奇異數(shù)據(jù)、毛刺等，這些壞數(shù)據(jù)如果參加計算必然會影響預(yù)測結(jié)果的準(zhǔn)確性；另一部分是因為系統(tǒng)的計劃、臨時的策略引起的數(shù)據(jù)“不一致性”，比如光伏電站的臨時限電措施、定時的檢修計劃等。辨識和修正這些數(shù)據(jù)才能確保預(yù)測的準(zhǔn)確性。

3.1 歷史壞數(shù)據(jù)的判別及處理

對樣本數(shù)據(jù)進(jìn)行處理，去除奇異的數(shù)據(jù)。

對于每個相似日的發(fā)電功率，根據(jù)預(yù)測間隔設(shè)置I個采樣點，設(shè)第n個相似日樣本第i點數(shù)據(jù)P(i,n)，其中，i=1，2，…，I；n=1，2，…，M。

首先用中位數(shù)法獲得M個樣本典型發(fā)電功率數(shù)據(jù)Ptyp(i)，i=1，2，…，I。即將P(i,n)對每點M個相似日樣本排序得到Psort(i,M)，則

樣本壞數(shù)據(jù)計算方法有：

即功率變化過大則判定為奇異數(shù)據(jù)，其中δ為功率變化的上限。

針對判定出來的壞數(shù)據(jù)，進(jìn)行數(shù)據(jù)恢復(fù)：

3.2 限電及檢修計劃

選取歷史日的樣本數(shù)據(jù)時，首先要讀取限電及檢修計劃，判斷歷史日是否參與了限電或者檢修計劃。如果某歷史日采取了限電措施，則該日不能作為相似日的歷史樣本。如果某歷史日電站的部分陣列進(jìn)行檢修，應(yīng)當(dāng)將歷史數(shù)據(jù)按照檢修容量比例擴(kuò)大，計算出額定容量下的發(fā)電功率，公式為

式中，Pfac為樣本的實際發(fā)電功率，Ctotal為系統(tǒng)的額定容量，Cfact為歷史日實際投入的發(fā)電容量，考慮到樣本當(dāng)日實際的光伏發(fā)電投入容量，得到單位容量的發(fā)電功率。通過計算得到額定容量下的發(fā)電功率。

4 案例分析

將本文算法選用河南省某微電網(wǎng)示范工程的光伏系統(tǒng)中進(jìn)行驗證。該案例為380kW光伏系統(tǒng)，在實際應(yīng)用中以 15min作為超短期預(yù)測計算的步長，預(yù)測2011年8月9日的光伏發(fā)電超短時出力。

如圖1所示，超短時發(fā)電預(yù)測流程主體包括三大部分：相似日選取、發(fā)電功率預(yù)測、誤差分析。啟動后，首先判斷是否滿足相似日計算的條件，將預(yù)測日前的15天作為樣本選擇的范圍，在此范圍內(nèi)選擇與預(yù)測日相同天氣模型的歷史日作為相似日樣本，進(jìn)行加權(quán)距離的計算。將計算結(jié)果進(jìn)行排序，選擇加權(quán)距離最小的 3個歷史日作為超短時相似日樣本，獲取樣本的發(fā)電功率數(shù)據(jù)，先進(jìn)行數(shù)據(jù)預(yù)處理，然后根據(jù)算法得到典型變化趨勢P′typ(t+i)。

圖1 超短期預(yù)測流程圖

以15min為間隔進(jìn)行發(fā)電功率預(yù)測，由當(dāng)前時刻的發(fā)電功率，以及典型變化趨勢P′typ(t+i)，按照超短時算法，得到預(yù)測功率P。

圖2 預(yù)測結(jié)果及實際值

對于預(yù)測的結(jié)果進(jìn)行誤差分析，判斷誤差是否在允許的范圍內(nèi)，如果誤差超出允許范圍的連續(xù)次數(shù)超過配置要求，則重新選擇天氣模型進(jìn)行相似日計算。因為天氣模型是由該日從氣象中心獲得的預(yù)報天氣確定，可能不準(zhǔn)確，或者天氣發(fā)生劇烈變化。因此當(dāng)預(yù)測誤差偏大時，則調(diào)整天氣模型，選擇與預(yù)報天氣最相近的天氣模型進(jìn)行預(yù)測，調(diào)整天氣模型的順序：晴、多云、陰、雨。另外當(dāng)天氣發(fā)生突然變化時，進(jìn)行天氣模型的轉(zhuǎn)換也能夠提高預(yù)測的準(zhǔn)確度。

本文采用絕對百分比誤差（APE）和平均絕對百分比誤差（MAPE）對預(yù)測值進(jìn)行比較分析，則

由圖2可看出光伏有效出力的時間段為06：00－18：00，其余時間出力均為 0。因此僅針對該時間段內(nèi)的數(shù)據(jù)進(jìn)行誤差分析。

表1是每15min的預(yù)測結(jié)果。其中，預(yù)測值平均絕對誤差為11%。

圖2與圖3給出了實際值與算法預(yù)測值，及誤差分析。分析以上結(jié)果可知：

1）從平均絕對誤差值看，具有較高的預(yù)測精度；

2）08：00－14：00的預(yù)測精度較高，但06：00－07：00和15：00－16：00兩個時間段的預(yù)測誤差比較大。從實際結(jié)果分析可以推斷出，由于云量等偶然因素造成的短暫的天氣波動，使當(dāng)前發(fā)電功率與典型變化趨勢不一致時，使預(yù)測功率“隨波逐流”，上下波動，誤差偏大的情況。但平均絕對誤差在20%以下，還是具有一定的推廣和應(yīng)用價值。

表1 預(yù)測結(jié)果

圖3 誤差曲線

5 結(jié)論

本文提出了一種實用的基于相似日典型趨勢方法進(jìn)行超短期光伏發(fā)電預(yù)測，通過對實際發(fā)電數(shù)據(jù)進(jìn)行預(yù)測表明，該算法簡單、可靠、實用，運算速度快，精度高。但是對于數(shù)值天氣預(yù)測的精度要求較高。在天氣劇烈變化期間，天氣預(yù)測精度會有所下降，相應(yīng)的功率預(yù)測的精度也隨之降低。但是隨著數(shù)值氣象預(yù)報系統(tǒng)的發(fā)展，光伏電站就地氣象系統(tǒng)能夠采集到云層的厚度，并且通過對采集的數(shù)據(jù)進(jìn)行分析，能夠就地對天氣變化進(jìn)行預(yù)測，必然能夠大大提高在天氣劇烈變化期間算法的精確程度。

[1] 金煥,于化叢,葛亮.太陽能光伏發(fā)電應(yīng)用技術(shù)[M].北京電子工業(yè)出版社,2009:13-14.

[2] KIM I S,KIM M B,YOUN M J.New maximum power point tracker using sliding mode observer for estimation of solar array current in the grid-connected photovoltaic system[J].IEEE Transaction Industrial Electronics,2006,53(4) : 1027-1035.

[3] 李冬輝,王鶴雄,朱曉丹,等.光伏并網(wǎng)發(fā)電系統(tǒng)幾個關(guān)鍵問題的研究[J].電力系統(tǒng)保護(hù)與控制,2010,38(21):208-214.

[4] 周念成,閆立偉,王強(qiáng)鋼.光伏發(fā)電在微電網(wǎng)中接入及動態(tài)特性研究[J].電力系統(tǒng)保護(hù)與控制,2010,38(14):120-127..

[5] TSIKALAKIS A G,HATZIARGYRIOU N D.Centralized control for optimizing microgrids operation[J].IEEE Transactions on Energy Conversion,2008,23(1):241-248.

[6] 徐維.并網(wǎng)光伏發(fā)電系統(tǒng)數(shù)學(xué)模型研究與分析[J].電力系統(tǒng)保護(hù)與控制,2010,38(10):17-21.

[7] 李光明,廖華,李景天,等.并網(wǎng)光伏發(fā)電系統(tǒng)發(fā)電量預(yù)測方法的探討[J].云南師范大學(xué)學(xué)報,2011,31(2):33-38.

[8] 陳昌松,段善旭,殷進(jìn)軍.基于神經(jīng)網(wǎng)絡(luò)的光伏陣列發(fā)電預(yù)測模型的設(shè)計[J].電工技術(shù)學(xué)報,2009,24(9):153-158.

[9] 朱永強(qiáng),田軍.最小二乘支持向量機(jī)在光伏功率預(yù)測中的應(yīng)用[J].電網(wǎng)技術(shù),2011,35(7):54-59.

[10] 楊楊超,榑沼弘貴.光伏發(fā)電系統(tǒng)發(fā)電量的預(yù)測方法[J].智能建筑電氣技術(shù),2011,5(2):30-34.

[11] 黎燦兵,李曉輝,趙瑞,等.電力短期負(fù)荷預(yù)測相似日選取算法[J].電力系統(tǒng)自動化,2008,32(9):69-71.

[12] 李軍,許繼生,王生淵,等.一種并網(wǎng)型光伏電站光功率及發(fā)電量預(yù)測的方法[J].青海電力,2010,29(2).