宋啟軍，胡翔奎，王騰飛，胡 超

(1.上海電力學院電氣工程學院，上海200090；2.河南送變電工程公司，河南鄭州450051；3.國家電投河南電力有限公司平頂山發(fā)電分公司，河南平頂山467312)

基于GRA-SVM的光伏發(fā)電功率預測

宋啟軍1，胡翔奎2，王騰飛3，胡 超1

(1.上海電力學院電氣工程學院，上海200090；2.河南送變電工程公司，河南鄭州450051；3.國家電投河南電力有限公司平頂山發(fā)電分公司，河南平頂山467312)

針對目前影響光伏輸出功率的氣象變量多、復雜等問題，提出基于灰色關聯(lián)分析結合支持向量機的光伏功率預測模型。利用灰色關聯(lián)分析理論篩選出5個氣象變量作為支持向量機模型的輸入。實驗結果證明了該方法的可行性，對短期光伏發(fā)電功率的預測具有一定的參考價值。

灰色關聯(lián)分析；支持向量機；清晰度指數(shù)；功率預測；氣象變量

0 引 言

光伏發(fā)電[1-2]是一個受氣象、輻射和環(huán)境地理位置等多變量影響的非線性隨機過程，由于氣象的周期性、隨機性的變化，這也使得光伏電站輸出發(fā)電量(或功率)具有間歇性、不可控性和時空不確定性等缺點。隨著近年來我國光伏發(fā)電并網(wǎng)滲透率的提高[3]，光伏電站發(fā)電量的不確定性等缺點會對電力系統(tǒng)的安全、經(jīng)濟、穩(wěn)定運行產(chǎn)生重大影響[4-6]，對光伏電站功率進行預測，有助于電力調度部門的合理規(guī)劃，減少棄光率。

目前，國內外許多學者對光伏發(fā)電預測技術進行了相應的研究，并取得了一系列成果[7-14]。按照預測方式進行分類，大體可分為兩種方法：①間接預測，間接預測技術需要首先對光伏電站所在地理位置的太陽輻照強度進行預測，再將所預測輻照強度值作為已知輸入光伏發(fā)電預測模型。間接預測需進行兩次預測，這也增加了模型的預測誤差。②直接預測，直接預測無需預測太陽輻照度，只需光伏系統(tǒng)的歷史發(fā)電量數(shù)據(jù)和公眾天氣信息即可預測未來一段時間內的光伏發(fā)電輸出情況，但是這種預測模型需要提前獲得電站發(fā)電量的歷史數(shù)據(jù)和大量的氣象數(shù)據(jù)。有研究表明，氣象因素對光伏并網(wǎng)系統(tǒng)輸出功率的影響是非常明顯的，尋找影響光伏發(fā)電量的關鍵氣象要素，簡化原有預測模型的輸入變量成為亟待解決的問題。

本文依據(jù)灰色關聯(lián)理論分析方法，尋找影響光伏發(fā)電的氣象因子，篩選出對光伏發(fā)電影響較大的因子，并提出將清晰度指數(shù)作為模型的輸入變量，在此基礎上建立支持向量機模型進行功率預測，這也解決了小樣本條件下傳統(tǒng)模型預測精度差、模型復雜等問題。

1 灰色關聯(lián)分析

灰色關聯(lián)分析滿足對多種因素數(shù)據(jù)樣本進行統(tǒng)計分析。該分析方法能夠通過各要素間發(fā)展態(tài)勢的相似程度來衡量彼此間的接近程度。與傳統(tǒng)回歸分析、主成分分析、相關系數(shù)分析等方法相比較，灰色關聯(lián)分析具有不追求大量樣本、不要求數(shù)據(jù)有特殊分布、計算量比回歸分析小等優(yōu)點，目前該方法已在光伏功率預測領域得到廣泛應用?；疑P聯(lián)分析具體步驟共分3步。

(2)灰色關聯(lián)系數(shù)。利用式(1)計算比較序列的各要素指標與參考序列指標的關聯(lián)系數(shù)

(1)

式中，ρ為分辨系數(shù)，在0～1之間變化，一般取ρ為0.5[15]。

(3)灰色關聯(lián)度計算。由于關聯(lián)系數(shù)ξi(K)數(shù)目較多，信息不集中，不便于比較。因此，需要計算比較數(shù)列Xi與參考序列X0各點的關聯(lián)系數(shù)的平均值ri作為比較序列與參考序列之間的灰色關聯(lián)度

(2)

計算所得各參考序列的ri依次排成的數(shù)列為關聯(lián)序列，根據(jù)排位次序即可確定比較序列對參考序列影響程度的重要性。

2 氣象變量分析

2.1 光伏電站

光伏電站功率數(shù)據(jù)資料來自我國某屋頂并網(wǎng)光伏電站，所選數(shù)據(jù)資料為2011年4月8日～2011年5月8日逐小時輸出功率。同期輻射資料、逐時的水平面太陽總輻射、日照時數(shù)等觀測數(shù)據(jù)取自同地區(qū)輻射觀測站。同期常規(guī)氣象要素資料也來自國家基準觀測站，主要包括逐時平均氣溫、小時最高氣溫、小時最低氣溫、空氣相對濕度、小時平均氣壓、日照時數(shù)、風速，以及由此計算出的小時溫差。

2.2 氣象變量分析

由于影響光伏電站輸出功率的氣象變量眾多，如果將其全部作為預測模型的輸入，會增加模型的復雜性，且由于各氣象變量之間存在耦合關系會降低模型的預測精度。所以本文利用灰色關聯(lián)分析來衡量與光伏輸出功率具有較強相關關系的氣象因子，以識別各個不同氣象影響因子的重要性，定量選擇模型輸入氣象變量。

在考慮太陽輻射、氣溫等因子的基礎上，引入清晰度指數(shù)Kt作為模型的因子變量。清晰度指數(shù)，定義為到達地表水平面的太陽總輻射與大氣層上界水平面太陽輻射(天文輻射)之比。

表1 灰色關聯(lián)度計算結果

氣象變量與電站出力間的灰色關聯(lián)度如表1所示，按照由大到小的順序對關聯(lián)序列進行排序有：總輻射量、清晰度指數(shù)、風速、日照時數(shù)、小時平均溫度、小時溫差、本站氣壓、相對濕度；文中選取與電站出力關聯(lián)度較大的前5個氣象變量作為支持向量機模型的輸入。

3 支持向量機建模

利用IBM公司的SPSS軟件，建立支持向量機模型。將由灰色關聯(lián)分析提取的5個氣象變量作為模型的輸入，選取電站2011年4月8日至2011年5月7日的氣象數(shù)據(jù)資料及電站歷史發(fā)電數(shù)據(jù)作為模型的訓練樣本進行模型的訓練建模。

經(jīng)過訓練學習之后，模型輸出擬合值與觀測值間的散點如圖1所示。

圖1 2011年4月～2011年5月模型擬合值與實際值散點

從圖1中可見模型輸出擬合值與觀測值間有較強的線性相關性，且擬合值與觀測值間通過了0.01水平(雙側)上的顯著性檢驗，表明模型擬合輸出能較好地跟隨實際輸出，說明該模型方法可用于光伏電站輸出功率的預測。

4 算例分析

4.1 誤差分析指標

為了對預測模型進行準確的評估，需要采用一定的評估指標，本文模型的指標評估采用均方根值誤差(RMSE)、平均絕對百分比誤差(MAPE)。均方根值誤差用來評估整個系統(tǒng)預測值的離散程度，平均絕對百分比誤差評估整個系統(tǒng)的預測能力。

(3)

(4)

式中，Pi為第i天模型預測發(fā)電量；Po為實際發(fā)電量；N為樣本天數(shù)。

4.2 模型預測

對上述所建立的模型進行預測檢驗，為滿足《中華人民共和國氣象行業(yè)標準》關于“太陽能光伏發(fā)電功率短期預報方法” 需對未來3 d逐時光伏發(fā)電功率預報的要求。選擇對2011年5月8日～2011年5月10日連續(xù)3 d電站輸出功率進行預測，模型輸入量為同期歷史氣象實況數(shù)據(jù)，模型輸出則為5月8日～10日7∶00～18∶00的功率，由于18∶00至次日7∶00期間太陽輻射度較弱，光伏電站出力小，故不計入內。預測日8日和9日的天氣類型為晴天，5月10日為雨天。模型預測結果如圖2所示，從圖2中可以看出GRA-SVM模型預測功率曲線與電站實際觀測功率曲線基本重合，這表明本文所提模型應用于光伏功率預測的正確性。

圖2 預測結果

對模型預測值與觀測值間的相對誤差進行分析如圖3所示。5月8日和9日的誤差曲線，在早晨7∶00～8∶00和傍晚17∶00～18∶00時模型預測結果的相對誤差均大于30%，較大的誤差主要是與早晚太陽輻射弱，光伏電池的光電轉換效率低有關；模型在9∶00～17∶00區(qū)間的預測精度比早晚精度都高，主要是這段時間內，清晰度指數(shù)大，云層對太陽輻射的衰減作用弱有關；結合圖2、3可見預測前兩日中午12∶00左右預測值與觀測值存在較大偏差，這主要是由于在正午時太陽輻射較強，大氣清晰度高，云層對太陽輻射的衰減弱，使得光伏電池的實際轉換效率高，且此時空氣溫度高，致使模型的預測值偏低于觀測值；模型在5月10日的預測值相對誤差比前兩日預測誤差偏大，且誤差曲線具有明顯的波動性，主要由于當日天氣類型為雨天，天氣變化情況較復雜，且此時電站出力低，使得模型預測值稍有偏差，便會產(chǎn)生較大的誤差值。從模型預測值與觀測值關系曲線及誤差分析可見，模型的預測結果具有一定的參考價值，可應用于工程實際。

圖3 相對誤差曲線

由誤差分析指標式可得，模型預測結果的均方根值誤差為0.178 kW，平均絕對百分比誤差為22.65%，綜合圖2、3及模型誤差指標值的大小，說明模型具有較好的預測能力，且所需考慮氣象要素少，模型結構簡單，能基本滿足工程實際應用要求，對于配合電力系統(tǒng)調度部門制定發(fā)電計劃有較高的參考價值，但是對于天氣類型為陰雨天時預測誤差相對較大，所以對于預測模型后續(xù)的研究可以進一步的改善。

5 結 語

本文提出灰色關聯(lián)分析結合支持向量機模型來實現(xiàn)光伏功率的預測。將清晰度指數(shù)作為模型的輸入變量，有助于提高模型的預測精度，減少云層遮擋對模型預測結果的影響，利用灰色關聯(lián)分析理論有依據(jù)的科學分析選擇與光伏輸出功率影響較大的氣象變量，作為支持向量機模型的輸入，使得模型結構簡單，同時減少了因輸入氣象變量間冗余度較高造成的對輸出結果的影響。實驗結果表明模型預測結果誤差較低，模型預測精度高等特點，證明了對模型理論分析的正確性。

[1]丁明， 王偉勝， 王秀麗， 等. 大規(guī)模光伏發(fā)電對電力系統(tǒng)影響綜述[J]. 中國電機工程學報， 2014， 34(1)： 1-14．

[2]崔洋， 孫銀川， 常倬林. 短期太陽能光伏發(fā)電預測方法研究進展[J]. 資源科學， 2013， 35(7)： 1474-1481．

[3]劉東冉， 陳樹勇， 馬敏， 等. 光伏發(fā)電系統(tǒng)模型綜述[J]. 電網(wǎng)技術， 2011， 35(8)： 47-52．

[4]RIKOS E， TSELEPIS E， HOYER KLICK C， et a1. Stability and power quality issues in microgrids under weather disturbances study of photovoltaic integration[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2008， 1(3)： 170-180．

[5]PAATERO J V， LUND P D. Effects of large-scale photovoltaic power integration on electricity distribution networks[J]. Renewable Energy， 2007， 32(10)： 216-234．

[6]林少伯， 韓民曉， 趙國鵬， 等. 基于隨機預測誤差的分布式光伏配網(wǎng)儲能系統(tǒng)容量配置方法[J]. 中國電機工程學報， 2013， 33(4)： 25-33．

[7]陳昌松， 段善旭， 蔡濤. 基于模糊識別的光伏發(fā)電短期預測系統(tǒng)[J]. 電工技術學報， 2011， 26(7)： 83-89．

[8]代倩， 段善旭， 蔡濤， 等. 基于天氣類型聚類識別的光伏系統(tǒng)短期無輻照度發(fā)電預測模型研究[J]. 中國電機工程學報， 2011， 31(34)： 28-35．

[9]張華彬， 楊明玉. 基于天氣類型聚類和LS-SVM的光伏出力預測[J]. 電力科學與工程， 2014， 30(10)： 42-47．

[10]程澤， 韓麗潔， 李思宇， 等. 光伏發(fā)電功率的智能預測算法[J]. 電力建設， 2014， 35(7)： 34-39．

[11]ABUELLA M， CHOWDHURY B. Solar power probabilistic forecasting by using multiple linear regression analysis[C]∥Southeast Conference， Fort Lauderdale， FL, 1-5， 2015．

[12]LORENZ E， SCHEIDSTEGER T， HURKA J， et al. Regional PV power prediction for improved grid integration[J]. Progress in Photovoltaics： Research and Applications， 2011， 19(7)： 757-771．

[13]劉文穎， 門德月， 梁紀峰， 等. 基于灰色關聯(lián)度與LSSVM組合的月度負荷預測[J]. 電網(wǎng)技術， 2012， 36(8)： 228-232．

[14]李星， 晁勤， 任娟， 等. 基于BP神經(jīng)網(wǎng)絡的光伏發(fā)電功率預測模型研究[J]. 水力發(fā)電， 2013， 39(7)： 100-102．

[15]臧冬偉， 陸寶宏， 朱從飛， 等. 基于灰色關聯(lián)分析的GA-BP網(wǎng)絡需水預測模型研究[J]. 水電能源科學， 2015(7)： 39-42．

(責任編輯 高 瑜)

湖南平江抽水蓄能電站可行性研究報告通過審查

2016年9月26日至28日，湖南平江抽水蓄能電站可行性研究報告審查會議在長沙召開。會議由水電水利規(guī)劃設計總院孫保平副總工主持。參加會議的有湖南省人民政府辦公廳、發(fā)展和改革委員會能源局、重點項目建設辦公室、國土資源廳、住房和城鄉(xiāng)建設廳、水利廳、環(huán)境保護廳、林業(yè)廳、水庫移民開發(fā)管理局、安全生產(chǎn)監(jiān)督管理局、文物局，國網(wǎng)湖南省電力公司，岳陽市人民政府及有關部門，平江縣人民政府及有關部門，國網(wǎng)新源控股有限公司，國網(wǎng)新源控股有限公司技術中心，湖南平江抽水蓄能有限公司籌建處，中國電建集團中南勘測設計研究院有限公司等單位的領導、專家和代表。

會前，部分專家和代表查勘了工程現(xiàn)場。會議聽取了中國電建集團中南勘測設計研究院有限公司關于可研報告主要設計成果的匯報，并分專業(yè)組進行了討論和審議。會議審查認為，報告達到了可行性研究階段勘測設計工作內容和深度的要求，基本同意該報告。會議形成并通過了審查意見初稿。

湖南平江抽水蓄能電站工程位于湖南省平江縣福壽山鎮(zhèn)境內，地處湖南東北部，距離長沙市75 km，距平江縣城39 km。工程裝機容量1 400 MW，安裝4臺350 MW的單級立軸單轉速混流可逆式水泵水輪機、發(fā)電電動機組。電站建成后，在電網(wǎng)中承擔調峰、填谷、調頻、調相和緊急事故備用等任務。工程為一等(1)型工程，樞紐建筑主要包括上水庫、下水庫、輸水系統(tǒng)、地下廠房洞室群和地面開關站等。本工程上水庫正常蓄水位1062.00 m，死水位1 041.00 m，調節(jié)庫容556.80萬m3，最大壩高51.5 m。下水庫正常蓄水位415.50 m，死水位387.00 m，調節(jié)庫容568.10萬m3，最大壩高70.5 m。電站最大發(fā)電水頭675.00 m，最大抽水揚程685.00 m。上、下水庫進/出水口水平距離約為2 910 m，額定水頭637.00 m，距高比4.57。電站設計年發(fā)電量為23.43億kW·h，抽水電量為31.24億kW·h。工程靜態(tài)投資為61.03億元，單位容量投資為4 359元/kW。

2013年7月，湖南平江抽水蓄能電站預可行性研究報告通過審查?？尚行匝芯侩A段中南勘測設計研究院繼續(xù)深入開展勘察、試驗和設計研究工作，先后完成了大量專題設計研究報告，其中正常蓄水位選擇、施工總布置、水土保持方案、環(huán)境影響報告書、移民安置規(guī)劃等專題報告先后通過有關主管部門的審查和批復。在上述勘測設計科研成果基礎上，2016年9月，中南勘測設計研究院編制完成了《湖南平江抽水蓄能電站可行性研究報告(送審稿)》供本次會議審查。

(水電水利規(guī)劃設計總院)

Photovoltaic Power Forecasting Based on GRA-SVM Model

SONG Qijun1, HU Xiangkui2, WANG Tengfei3, HU Chao1

(1. College of Electrical engineering, Shanghai University of Electric Power, Shanghai 200090, China;2. Henan Electric Power Transmission and Transformation Engineering Company, Zhengzhou 450051, Henan, China;3. Pingdingshan Power Generation Branch, SPIC Henan Electric Power, Ltd., Pingdingshan 467312, Henan, China)

For solving the problem of numerous and complex meteorological variables in photovoltaic power forecasting, the Gray Relation Analysis and Support Vector Machine model is proposed to forecast photovoltaic power. Five meteorological variables chosen by Gray Relation Analysis are as the input of Support Vector Machine. The experimental results prove that the model is feasible in short-term prediction of photovoltaic power output.

grey relational analysis; support vector machine; clearness index; power forecasting; meteorological variable

2016-06-23

宋啟軍(1990—)，男，山東臨沂人，碩士研究生，研究方向為光伏發(fā)電功率預測及其在微電網(wǎng)中的應用．

TM615

A

0559-9342(2016)11-0110-04