常學飛，楊薏霏，王志煜，李德鑫，袁 野

（1.國網(wǎng)吉林省電力有限公司電力科學研究院，長春 130021；2.國網(wǎng)長春供電公司，長春 130021；3.國網(wǎng)通化供電公司，吉林 通化 134001）

隨著大型光伏電站的并網(wǎng)運行，光伏發(fā)電的間歇性和波動性等特性，給電力調(diào)度工作帶來了許多困難和挑戰(zhàn)［1］。建立光伏發(fā)電功率預測系統(tǒng)，對保持電力系統(tǒng)安全穩(wěn)定具有重要意義。

對于光伏發(fā)電功率的預報，目前大多數(shù)依靠衛(wèi)星圖片和氣象數(shù)據(jù)，預報主要依靠多年的太陽輻射的歷史數(shù)據(jù)以及精確計算地表太陽輻射。根據(jù)預測的時間尺度可分為超短期預測、短期（日前）預測、中長期預測。超短期預測［2-3］一般預報時效為0～4h，主要采用數(shù)理統(tǒng)計方法、物理統(tǒng)計綜合方法，用于修正日前計劃曲線；日前預測預報時效一般0～24h，以數(shù)值天氣預報方法為主，主要用于電力系統(tǒng)的功率平衡和經(jīng)濟調(diào)度、日前計劃制定、電力市場交易等；中長期預測主要用于系統(tǒng)的檢修安排，發(fā)電量的預測等。

針對超短期預測，采用的預測方式為間接預測法和直接預測法同時進行，采用統(tǒng)計建模方案［4］建立短期預測模型。間接預測法以光伏電站環(huán)境監(jiān)測站歷史氣象數(shù)據(jù)為基礎，運用BP－ANN（反向傳播－人工神經(jīng)網(wǎng)絡）統(tǒng)計法建立統(tǒng)計預測模型，輸入環(huán)境監(jiān)測站實時氣象數(shù)據(jù)獲得輻射超短期預報，然后通過光電能量轉換模型獲得超短期光伏功率預測。直接預測法以光伏電站歷史運行功率數(shù)據(jù)和環(huán)境監(jiān)測站歷史氣象數(shù)據(jù)為基礎，運用BP－ANN神經(jīng)網(wǎng)絡統(tǒng)計法建立統(tǒng)計預測模型，并以光伏電站實時功率數(shù)據(jù)和環(huán)境監(jiān)測站實時氣象數(shù)據(jù)為輸入，實現(xiàn)超短期光伏發(fā)電功率預測［5-7］。

1 BP－ANN法

BP－ANN是一種多層前饋神經(jīng)網(wǎng)絡，源于網(wǎng)絡權值的調(diào)整規(guī)則采用的是后向傳播學習算法，即BP學習算法。BP－ANN原理如圖1所示。網(wǎng)絡的信號傳送由正向傳播與反向傳播兩部分組成，在正向傳播階段，學習樣本送入輸入層，經(jīng)隱層逐層運算后，傳至輸出層，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)，如果在輸出層沒有得到期望的輸出結果，即網(wǎng)絡的實際輸出與期望輸出之間存在誤差，則計算輸出層的誤差變化值，然后進入誤差反向傳播階段，這時誤差信號沿著原來的連接從輸出層返回至輸入層，并逐層調(diào)整連接權值，以使誤差達到最小。

圖1 BP－ANN原理示意圖

2 基于BP－ANN的光伏功率預測模型

采用BP－ANN對光伏電站的輻射進行預測，再通過電站實際運行的功率曲線將輻射能轉化為電能，以實現(xiàn)對光伏電站輸出功率的預測。BP－ANN選取經(jīng)典的三層網(wǎng)絡結構，包括一個輸入層、一個隱層、一個輸出層，BP－ANN基本結構如圖2所示。

以各個光伏電站的輻射環(huán)境監(jiān)測站歷史數(shù)據(jù)為訓練樣本集，分季節(jié)天氣訓練分別建立BP－ANN模型；輸入信號歸一化處理，以歸一化后的環(huán)境監(jiān)測站實測數(shù)據(jù)作為輸入數(shù)據(jù)，經(jīng)BP－ANN模型模擬，獲得預測的輻射等氣象數(shù)據(jù)。

風速歸一化方法：

式中：vU為歸一化后的風速值；vt為數(shù)值天氣預報系統(tǒng)預測的風速值；vmax為氣象觀測的歷史最大風速。

風向歸一化方法：風向可能在0°～360°之間變化，取風向的正弦值或余弦值可實現(xiàn)0～1的映射，但是單一的正弦值或余弦值不能完全區(qū)分0°～360°的所有風向，風向的正弦值和余弦值結合在一起可以區(qū)分所有的風向，因此輸入神經(jīng)網(wǎng)絡的風向為兩個值，一個為風向的正弦值，一個為余弦值。

圖2 BP－ANN光伏功率預測結構圖

氣溫歸一化方法：氣溫有正有負，所以要取絕對值的最大值進行歸一化，如下式所示：

式中：Tt為歸一化后的氣溫值，為數(shù)值天氣預報預測的氣溫；｜Tt｜max為氣象觀測的氣溫絕對值的最大值。

氣壓、濕度、輻射的歸一化采用和風速歸一化類似的方法，取氣象觀測的最大值進行歸一化。

3 預測流程

采用統(tǒng)計方法實現(xiàn)光伏電站超短期輸出功率預測。首先，基于統(tǒng)計率定實現(xiàn)對光伏電站的地面短波輻射預測，通過光電能量轉化模型，實現(xiàn)光能與電能間的轉化，并最終實現(xiàn)光伏電站的輸出功率預測。間接預測法流程如圖3所示。

此外，對于暫不具備環(huán)境監(jiān)測站實時數(shù)據(jù)條件的光伏電站超短期預測功能需求，采用直接預測法，通過BP－ANN技術率定統(tǒng)計預測模型實現(xiàn)。直接預測法流程如圖4所示。

4 預測誤差評估

光伏發(fā)電功率預測誤差評估指標主要包括均方根誤差、平均相對誤差、相關性系數(shù)。均方根誤差nRMSE：

圖3 超短期間接預測法流程

圖4 超短期直接預測法流程

式中：PMi為i時刻的實際功率；PPi為i時刻的預測功率；Cap為光伏電站總裝機開機容量；n為所有樣本個數(shù)。

平均相對誤差nMRE：

5 實例應用

應用上述方法對某10MW光伏電站進行光電功率超短期預測，并與光伏電站實時在線監(jiān)測進行對比，預測曲線如圖5所示。可見，超短期預測結果與實測功率趨勢一致，一定程度上能夠捕捉功率的跳變。

表1給出了該光伏電站2012年7月1日至2012年8月1日之間的預測結果總體統(tǒng)計分析數(shù)據(jù)。該結果不包括對夜間光伏電站出力為零時段的統(tǒng)計?？梢?，超短期預測結果與實測數(shù)據(jù)的相關系數(shù)達到95.41%，超短期預測結果的均方根誤差為10.98%、平均相對誤差為7.49%，統(tǒng)計指標結果均較小，說明預測的合格率比較高，能夠滿足應用的要求。

圖5 超短期直接預測法預測曲線

6 結論

本文根據(jù)光伏電站并網(wǎng)調(diào)度運行工作的實際需求，研究了基于BP－ANN的光伏發(fā)電功率超短期預測方法，預測流程及預測誤差評估，并將方法實際應用，通過與實時監(jiān)測數(shù)據(jù)對比，表明所述光伏電站發(fā)電功率超短期預測方法誤差較小，合格率較高，能夠滿足應用的要求，體現(xiàn)了其在光伏電站并網(wǎng)調(diào)度運行中應用的可行性和有效性。

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

［2］丁明，徐寧舟.基于馬爾可夫鏈的光伏發(fā)電系統(tǒng)輸出功率短期預測方法［J］.電網(wǎng)技術，2011，35（1）：152－157.

［3］CAI Tao，DUAN Shan－xu，CHEN Chang－song.Forecasting power output for grid－connected photovoltaic power system without using solar radiation measurement［C］／／2ndInternational Symposium on Power Electronics for Distributed Generation Systems（PEDG 2010），Hefei，China，2010，274－278.

［4］杜曉寧，席裕庚，李少遠.分布式預測控制優(yōu)化算法［J］.控制理論與應用，2002，19（5）：793－796.

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

［6］張洋，李強，李朝暉，等.光伏－儲能聯(lián)合微網(wǎng)系統(tǒng)工程方案設計［J］.電力系統(tǒng)保護與控制，2010，38（23）：212－214.

［7］陳昌松，段善旭，殷進軍.基于神經(jīng)網(wǎng)絡的光伏陣列發(fā)電預測模型的設計［J］.電工技術學報，2009，24（9）：153－158.