楊延勇， 孟祥劍， 高 峰， 王華瑩， 程曉艷

(1.國網(wǎng)聊城供電公司，山東 聊城 252000； 2.山東大學(xué) 電氣工程學(xué)院，山東 濟(jì)南 250061)

0 引 言

隨著新能源技術(shù)的發(fā)展，光伏發(fā)電在電網(wǎng)中的滲透率不斷提高。然而光伏電站的輸出功率高度依賴于氣象參數(shù)，由氣象參數(shù)突變所帶來的光伏電站出力波動(dòng)將會(huì)對(duì)電力系統(tǒng)的穩(wěn)定經(jīng)濟(jì)運(yùn)行帶來負(fù)面影響。為此，預(yù)測光伏系統(tǒng)的輸出功率可以為電網(wǎng)調(diào)度提供決策支持以合理安排備用容量，提高電力系統(tǒng)運(yùn)行的經(jīng)濟(jì)性和穩(wěn)定性[1-3]。此外，開展分鐘級(jí)區(qū)域功率預(yù)測有助于調(diào)度中心向各電廠發(fā)出更準(zhǔn)確的指令以響應(yīng)頻率的變化，能夠?qū)﹄娏ο到y(tǒng)的穩(wěn)定運(yùn)行提供及時(shí)支撐。

然而，在城市配網(wǎng)中各類規(guī)格不一的光伏電站密集接入，如我國東部某地級(jí)市已有12 000多座分布式光伏電站，其中具有短時(shí)間尺度數(shù)據(jù)采集功能的光伏電站僅占少數(shù)，導(dǎo)致區(qū)域內(nèi)所有光伏電站的超短期出力信息難以掌握，給電網(wǎng)的精準(zhǔn)調(diào)度帶來極大挑戰(zhàn)。目前，電網(wǎng)調(diào)度部門以新能源的超短期功率預(yù)測結(jié)果作為參考來制定發(fā)電計(jì)劃，其預(yù)測時(shí)間分辨率為15 min[4]。對(duì)光伏發(fā)電系統(tǒng)開展更小時(shí)間分辨率的功率預(yù)測將有助于調(diào)度中心更準(zhǔn)確地響應(yīng)電網(wǎng)頻率的變化。

但是區(qū)域內(nèi)的光伏電站存在著信息盲區(qū)，且單一電站的預(yù)測方法和結(jié)果難以應(yīng)用到區(qū)域電網(wǎng)。目前區(qū)域功率預(yù)測方法大體可以分為三類，第一類為累加法，即對(duì)區(qū)域內(nèi)全部光伏電站進(jìn)行出力預(yù)測，然后將預(yù)測結(jié)果累加求和最終得到區(qū)域預(yù)測結(jié)果[5-6]。然而此類方法對(duì)電站數(shù)據(jù)量需求極大，且并非全部光伏電站都具有精度較高的出力數(shù)據(jù)采集系統(tǒng)，因此很難實(shí)現(xiàn)工程應(yīng)用。第二類為外推法，即首先對(duì)區(qū)域進(jìn)行片區(qū)劃分，通過對(duì)不同片區(qū)進(jìn)行出力預(yù)測，進(jìn)而累加全部片區(qū)的出力預(yù)測結(jié)果得到區(qū)域出力預(yù)測結(jié)果[7-9]。文獻(xiàn)[7]將馬薩諸塞州東南部分為15個(gè)片區(qū)，通過分析歷史開源氣象數(shù)據(jù)及光伏電站歷史出力數(shù)據(jù)并構(gòu)建氣象參數(shù)-輸出功率的轉(zhuǎn)化模型，最終實(shí)現(xiàn)了預(yù)測時(shí)間分辨率為1小時(shí)的區(qū)域日前出力預(yù)測。文獻(xiàn)[8]依據(jù)多維參量，包含氣象參數(shù)、經(jīng)緯度以及光伏陣列安裝傾斜角等，對(duì)整個(gè)歐洲地區(qū)進(jìn)行了片區(qū)劃分并建立了不同片區(qū)的區(qū)域光伏發(fā)電模型，對(duì)整個(gè)歐洲地區(qū)的光伏出力實(shí)現(xiàn)了時(shí)間分辨率為1小時(shí)的預(yù)測。然而此類方法預(yù)測時(shí)間分辨率受制于氣象數(shù)據(jù)的時(shí)間分辨率，無法實(shí)現(xiàn)超短期區(qū)域功率預(yù)測，且某些地區(qū)氣象數(shù)據(jù)獲取難度較大，因此存在一定的局限性。第三類方法為統(tǒng)計(jì)升尺度法，即首先選取與區(qū)域出力相關(guān)性較高的基準(zhǔn)光伏電站，并基于基準(zhǔn)光伏電站的功率預(yù)測結(jié)果實(shí)現(xiàn)整個(gè)區(qū)域的出力預(yù)測[9]。此類方法基于少量電站的出力數(shù)據(jù)對(duì)區(qū)域出力進(jìn)行預(yù)測，極大地減少了數(shù)據(jù)需求量。文獻(xiàn)[10]提出選擇與區(qū)域出力具有高度相關(guān)性及自身功率預(yù)測精度較高的電站作為基準(zhǔn)光伏電站，然而缺乏電站自身預(yù)測精度對(duì)區(qū)域功率預(yù)測精度影響的詳細(xì)分析。此外，當(dāng)基準(zhǔn)光伏電站受到外界因素?cái)_動(dòng)，例如云團(tuán)遮擋或電網(wǎng)故障時(shí)，區(qū)域功率預(yù)測結(jié)果會(huì)產(chǎn)生嚴(yán)重偏差，目前已提出的區(qū)域功率預(yù)測方法缺乏對(duì)此問題的分析與解決方案。

本文針對(duì)統(tǒng)計(jì)升尺度法提出了一種基于雙層人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)的多時(shí)間尺度區(qū)域光伏功率預(yù)測方法，無需對(duì)區(qū)域內(nèi)全部光伏電站的運(yùn)行數(shù)據(jù)進(jìn)行采集，基于少量基準(zhǔn)光伏電站的出力數(shù)據(jù)就能夠?qū)崿F(xiàn)區(qū)域總出力的預(yù)測。在選擇基準(zhǔn)光伏電站時(shí)，對(duì)于數(shù)據(jù)缺失或失準(zhǔn)嚴(yán)重的電站加以剔除，以解決部分光伏電站因設(shè)施不完善導(dǎo)致的數(shù)據(jù)缺失問題，并展示了預(yù)測時(shí)間分辨率為1 min、5min和15 min時(shí)基準(zhǔn)光伏電站的選擇結(jié)果及區(qū)域功率預(yù)測結(jié)果。本方法基于第一層人工神經(jīng)網(wǎng)絡(luò)預(yù)測精度優(yōu)化了基準(zhǔn)光伏電站選取規(guī)則，利用第二層人工神經(jīng)網(wǎng)絡(luò)建立基準(zhǔn)光伏電站歷史出力數(shù)據(jù)與區(qū)域光伏出力的映射關(guān)系，將第一層人工神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果輸入至第二層人工神經(jīng)網(wǎng)絡(luò)中，實(shí)現(xiàn)多時(shí)間尺度區(qū)域光伏出力預(yù)測；并針對(duì)基準(zhǔn)光伏電站受外界因素?cái)_動(dòng)時(shí)區(qū)域出力預(yù)測精度低的難題，選取合適的非基準(zhǔn)電站出力實(shí)時(shí)校正預(yù)測過程中基準(zhǔn)電站的出力預(yù)測結(jié)果，進(jìn)而弱化云團(tuán)、線路故障等帶來的影響。本文通過我國東部某地市的實(shí)際光伏電站出力數(shù)據(jù)對(duì)所提方法進(jìn)行了驗(yàn)證。

1 基于雙層人工神經(jīng)網(wǎng)絡(luò)的區(qū)域出力預(yù)測算法原理

本文所提預(yù)測方法的實(shí)施流程如圖1所示。整個(gè)系統(tǒng)分為離線訓(xùn)練模塊和在線預(yù)測模塊。離線訓(xùn)練模塊包括歷史出力數(shù)據(jù)、人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練及基準(zhǔn)光伏電站的選取。首先構(gòu)建訓(xùn)練集對(duì)第一層人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，基于各個(gè)光伏電站的歷史出力數(shù)據(jù)實(shí)現(xiàn)未來時(shí)刻的出力預(yù)測；其次計(jì)算各光伏電站歷史出力數(shù)據(jù)與區(qū)域光伏歷史總出力之間的相關(guān)系數(shù)，結(jié)合各個(gè)電站自身的出力預(yù)測精度選擇基準(zhǔn)光伏電站；基于基準(zhǔn)光伏電站歷史出力構(gòu)建第二層人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練集。離線訓(xùn)練好的兩層人工神經(jīng)網(wǎng)絡(luò)可幫助實(shí)現(xiàn)區(qū)域總光伏出力在不同時(shí)間尺度下的預(yù)測。

圖1 基于雙層人工神經(jīng)網(wǎng)絡(luò)的多時(shí)間尺度區(qū)域光伏出力預(yù)測概覽Fig.1 Overview of multiple-time-scale regional photovoltaic power forecasting based on double-layer ANN

在線預(yù)測模塊通過實(shí)時(shí)采集基準(zhǔn)光伏電站的出力數(shù)據(jù)，對(duì)基準(zhǔn)電站功率進(jìn)行預(yù)測及修正，將修正后的基準(zhǔn)電站預(yù)測出力輸入至第二層人工神經(jīng)網(wǎng)絡(luò)中，最終得到區(qū)域功率預(yù)測結(jié)果。本文所提方法的具體實(shí)施細(xì)節(jié)將在下述章節(jié)里詳述。

2 基準(zhǔn)光伏電站選取與光伏電站出力預(yù)測方法

針對(duì)某一區(qū)域開展光伏出力預(yù)測時(shí)，由于區(qū)域光伏總出力與各個(gè)分布式光伏電站的出力呈近似的線性關(guān)系，因此可對(duì)分布式光伏電站進(jìn)行篩選，選擇最能夠反映區(qū)域光伏總出力的基準(zhǔn)光伏電站，在大大減少數(shù)據(jù)處理量的同時(shí)可保證較高的預(yù)測精度。本文引入皮爾遜相關(guān)系數(shù)(Pearson correlation coefficient)作為基準(zhǔn)光伏電站選取的指標(biāo)之一。皮爾遜相關(guān)系數(shù)能夠描述隨機(jī)變量間線性相關(guān)程度[11]，兩個(gè)隨機(jī)變量X和Y的相關(guān)系數(shù)rXY的表達(dá)式為

(1)

本文采用人工神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)各個(gè)電站的出力預(yù)測。人工神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的建立參量間非線性映射關(guān)系的能力，被廣泛應(yīng)用于參數(shù)預(yù)測、非線性控制器設(shè)計(jì)、光纖物理狀態(tài)檢測及故障定位等領(lǐng)域[12-16]。人工神經(jīng)網(wǎng)絡(luò)在求解復(fù)雜非線性問題時(shí)具有較高的實(shí)用性，能夠通過處理已知數(shù)據(jù)對(duì)未知結(jié)果進(jìn)行預(yù)測。在眾多影響光伏系統(tǒng)出力的參數(shù)中，輻照度起到了決定性的作用。輻照度的變化具有時(shí)序上的高度相關(guān)性，這也決定了光伏電站出力在時(shí)序上具有高度的相關(guān)性。因此，可以基于光伏電站過去幾個(gè)時(shí)間節(jié)點(diǎn)的歷史出力對(duì)未來時(shí)間節(jié)點(diǎn)的出力進(jìn)行預(yù)測。在進(jìn)行訓(xùn)練集構(gòu)建時(shí)，可以依據(jù)不同時(shí)間尺度的預(yù)測需求構(gòu)建不同預(yù)測步長的人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練集。對(duì)所有出力數(shù)據(jù)進(jìn)行如式2所示歸一化處理，對(duì)原始數(shù)據(jù)進(jìn)行線性變換，將其全部壓縮于(0,1)的范圍之內(nèi)。

(2)

式中：x為待歸一化數(shù)據(jù)；xmax為數(shù)據(jù)最大值；xmin為數(shù)據(jù)最小值。訓(xùn)練集輸入?yún)⒘繛槎鄠€(gè)過去時(shí)間節(jié)點(diǎn)的光伏電站出力，輸出參量為未來時(shí)刻光伏電站出力值。本文使用基于誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)光伏電站出力的預(yù)測，功率預(yù)測結(jié)果可表示為

PT=f(PT-1,PT-2…PT-n)

(3)

式中：f代表基于人工神經(jīng)網(wǎng)絡(luò)建立的映射關(guān)系；PT-n代表T-n時(shí)刻光伏電站輸出功率。

本文所使用的人工神經(jīng)網(wǎng)絡(luò)隱藏層和輸出層的激活函數(shù)為sigmod，隱藏層層數(shù)為2個(gè)，每層包含20個(gè)神經(jīng)元，損失函數(shù)定義為

(4)

(5)

(6)

式中：N為訓(xùn)練集中所包含的樣本個(gè)數(shù)；en為預(yù)測出力結(jié)果與實(shí)測出力的誤差；yn為實(shí)測出力。由于光伏電站容量不同，本文采用MAPE作為評(píng)估指標(biāo)，其能夠反映預(yù)測誤差與實(shí)際值的偏離百分比，能夠更為精確地描述光伏電站自身出力預(yù)測精度。本文以相關(guān)系數(shù)與第一層人工神經(jīng)網(wǎng)絡(luò)的精度作為基準(zhǔn)光伏電站的選取指標(biāo)，可表示為

μ=rXY×(1-MAPE)

(7)

μ越大，說明光伏電站自身出力預(yù)測精度較高且與區(qū)域總出力相關(guān)性較大，因此選擇μ較大的光伏電站作為基準(zhǔn)光伏電站。此外，當(dāng)區(qū)域內(nèi)光伏電站的布局具有較為明顯的分布區(qū)塊時(shí)，為了能夠?qū)^(qū)域局部出力變化造成的總出力變化進(jìn)行有效地預(yù)測，應(yīng)優(yōu)先保證每個(gè)區(qū)塊的電站群至少擁有一個(gè)基準(zhǔn)光伏電站。

3 基于兩層人工神經(jīng)網(wǎng)絡(luò)的統(tǒng)計(jì)升尺度區(qū)域光伏功率預(yù)測方法

根據(jù)計(jì)算得到的各個(gè)光伏電站出力與區(qū)域光伏總出力之間的相關(guān)系數(shù)以及各電站自身的功率預(yù)測精度，能夠篩選出基準(zhǔn)光伏電站，并基于基準(zhǔn)光伏電站歷史出力數(shù)據(jù)構(gòu)建第二層ANN訓(xùn)練集。訓(xùn)練集輸入?yún)⒘堪祟A(yù)測的某一時(shí)刻各基準(zhǔn)光伏電站的輸出功率，輸出參量包含了相同時(shí)刻區(qū)域光伏總出力。區(qū)域總出力預(yù)測結(jié)果可表示為

Pregion=f(Pref1,Pref2,PrefN)

(8)

式中：PrefN為第N個(gè)基準(zhǔn)光伏電站的輸出功率；Pregion為同時(shí)刻區(qū)域光伏總出力。

當(dāng)基準(zhǔn)光伏電站由于云團(tuán)遮擋或電網(wǎng)故障導(dǎo)致出現(xiàn)大范圍功率波動(dòng)而非基準(zhǔn)光伏電站未受到影響時(shí)，會(huì)嚴(yán)重影響其功率預(yù)測結(jié)果。由于第二層人工神經(jīng)網(wǎng)絡(luò)的輸入?yún)⒘績H包含基準(zhǔn)光伏電站的預(yù)測功率值，因此會(huì)導(dǎo)致區(qū)域出力預(yù)測結(jié)果出現(xiàn)較大偏差。為此，當(dāng)基準(zhǔn)電站功率受擾動(dòng)發(fā)生較大波動(dòng)而其余電站功率未發(fā)生明顯波動(dòng)時(shí)，第二層人工神經(jīng)網(wǎng)絡(luò)輸入?yún)⒘繎?yīng)使用未發(fā)生擾動(dòng)時(shí)基準(zhǔn)光伏電站的期望功率預(yù)測值。文獻(xiàn)[17]指出，當(dāng)光伏發(fā)電系統(tǒng)出力波動(dòng)超過5%時(shí)，可判定為其受到了外界因素的擾動(dòng)。因此，本文將功率波動(dòng)閾值設(shè)置為光伏電站實(shí)時(shí)功率的5%。當(dāng)基準(zhǔn)電站在一分鐘內(nèi)的功率波動(dòng)超過功率波動(dòng)閾值時(shí)，將其相鄰電站功率與其進(jìn)行對(duì)比，當(dāng)基準(zhǔn)電站功率波動(dòng)比例與相鄰電站類似時(shí)，無需對(duì)基準(zhǔn)電站出力進(jìn)行修正。當(dāng)相鄰電站功率未發(fā)生波動(dòng)時(shí)，則觸發(fā)修正機(jī)制，對(duì)基準(zhǔn)電站出力進(jìn)行修正。本文通過容量比依據(jù)其相鄰3個(gè)光伏電站出力對(duì)基準(zhǔn)光伏電站未發(fā)生擾動(dòng)時(shí)的期望功率進(jìn)行推導(dǎo)：

(9)

(10)

4 算例分析

本文所使用的15個(gè)光伏電站歷史出力數(shù)據(jù)時(shí)間精度為1 min，根據(jù)不同功率預(yù)測時(shí)間尺度構(gòu)建數(shù)據(jù)集，例如當(dāng)時(shí)間尺度為15 min時(shí)，每個(gè)數(shù)據(jù)點(diǎn)取15個(gè)時(shí)間尺度為1 min的數(shù)據(jù)點(diǎn)的平均值。選取5月1日至5月21日的出力數(shù)據(jù)進(jìn)行相關(guān)系數(shù)計(jì)算，當(dāng)時(shí)間分辨率為1 min時(shí)，一共包含21×10×60=12 600個(gè)數(shù)據(jù)點(diǎn)；當(dāng)時(shí)間分辨率為5 min時(shí)，一共包含21×10×12=2 520個(gè)數(shù)據(jù)；當(dāng)時(shí)間分辨率為15 min時(shí)，一共包含21×10×4=840個(gè)數(shù)據(jù)點(diǎn)。各光伏電站出力與區(qū)域總出力之間在不同時(shí)間尺度下的皮爾遜相關(guān)系數(shù)如表1所示，若只選擇相關(guān)系數(shù)高于0.95的電站作為基準(zhǔn)光伏電站，當(dāng)預(yù)測時(shí)間分辨率為1 min時(shí)，應(yīng)選擇光伏電站2、光伏電站3、光伏電站11和和光伏電站13作為基準(zhǔn)光伏電站；當(dāng)預(yù)測時(shí)間分辨率為5 min時(shí)，應(yīng)選擇光伏電站2、光伏電站7、光伏電站11、光伏電站12和光伏電站13作為基準(zhǔn)光伏電站；當(dāng)預(yù)測時(shí)間分辨率為15 min時(shí)，應(yīng)選擇光伏電站7、光伏電站8和光伏電站9作為基準(zhǔn)光伏電站。從選取結(jié)果來看，不同預(yù)測時(shí)間分辨率下基準(zhǔn)光伏電站的選取結(jié)果有一定的差異，當(dāng)進(jìn)行不同時(shí)間尺度的區(qū)域出力預(yù)測時(shí)，應(yīng)重新對(duì)基準(zhǔn)光伏電站進(jìn)行選取。此外，區(qū)域功率預(yù)測精度同樣與各個(gè)電站自身的功率預(yù)測精度高度相關(guān)，除了考慮相關(guān)系數(shù)之外，還需要對(duì)各光伏電站自身的功率預(yù)測精度進(jìn)行評(píng)估。

表1 光伏電站歷史出力與區(qū)域總出力之間的相關(guān)系數(shù)

本文建立了基于MATLAB的功率預(yù)測模型?；谖覈鴸|部某地級(jí)市15座如圖2所示分布的光伏電站在2019年5月1日至5月31日的歷史實(shí)測出力數(shù)據(jù)，利用雙層人工神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)步長為1 min、5min和15 min的區(qū)域光伏出力預(yù)測。

圖2 光伏電站分布圖Fig.2 Distribution diagram of PV power plants

4.1 基準(zhǔn)光伏電站的選取

基于各個(gè)光伏電站自身的歷史出力數(shù)據(jù)分別建立人工神經(jīng)網(wǎng)絡(luò)模型對(duì)各電站出力進(jìn)行預(yù)測。人工神經(jīng)網(wǎng)絡(luò)輸入?yún)⒘繛?維，分別為前三個(gè)時(shí)刻光伏電站出力；輸出參量為1維，即第四個(gè)時(shí)刻光伏電站的出力；隱藏層為2層。選取5月1日至5月21日的出力數(shù)據(jù)作為人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集，5月22日至5月31日的出力數(shù)據(jù)(當(dāng)預(yù)測時(shí)間分辨率為1 min時(shí)，包含6 000組數(shù)據(jù)，當(dāng)預(yù)測時(shí)間分辨率為5 min時(shí)，包含1200組數(shù)據(jù)，當(dāng)預(yù)測時(shí)間分辨率為15 min時(shí)，包含400組數(shù)據(jù))作為驗(yàn)證人工神經(jīng)網(wǎng)絡(luò)精度的驗(yàn)證集。表2展示了15個(gè)光伏電站在不同預(yù)測步長下的RMSE和MAPE值。引入第一層人工神經(jīng)網(wǎng)絡(luò)預(yù)測精度后基準(zhǔn)光伏電站的選取結(jié)果將發(fā)生變化。在保持基準(zhǔn)光伏電站數(shù)量不變的前提下，當(dāng)預(yù)測分辨率為1 min時(shí)，基準(zhǔn)光伏電站由光伏電站2、3、11和13變?yōu)楣夥娬?、7、11和12；當(dāng)預(yù)測分辨率為5 min時(shí)，基準(zhǔn)光伏電站由光伏電站2、7、11、12和13變?yōu)楣夥娬?、3、5、11和12；當(dāng)預(yù)測分辨率為15 min時(shí)，基準(zhǔn)光伏不變，仍然為光伏電站7、8、9。同時(shí)，基準(zhǔn)光伏電站的選擇結(jié)果滿足每個(gè)電站群至少包含一個(gè)基準(zhǔn)光伏電站的要求，因此無需對(duì)基準(zhǔn)光伏電站選取結(jié)果進(jìn)行修正。

4.2 基于雙層ANN的區(qū)域總出力預(yù)測

基于預(yù)測時(shí)間尺度為1 min、5min和15 min時(shí)選取的基準(zhǔn)光伏電站的歷史出力數(shù)據(jù)與區(qū)域歷史出力數(shù)據(jù)能夠建立區(qū)域光伏出力預(yù)測訓(xùn)練集，對(duì)第二層人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。訓(xùn)練集輸入為某一時(shí)刻基準(zhǔn)光伏電站的輸出功率，輸出為同一時(shí)刻區(qū)域總出力，其中當(dāng)預(yù)測時(shí)間分辨率為1 min時(shí)，人工神經(jīng)網(wǎng)絡(luò)輸入?yún)⒘繛?維，當(dāng)預(yù)測時(shí)間分辨率為5 min時(shí)，人工神經(jīng)網(wǎng)絡(luò)輸入?yún)⒘繛?維，當(dāng)預(yù)測時(shí)間分辨率為15 min時(shí)，人工神經(jīng)網(wǎng)絡(luò)輸入?yún)⒘繛?維，三種預(yù)測分辨率下的隱藏層為2層。

表2 第一層人工神經(jīng)網(wǎng)絡(luò)精度評(píng)估指標(biāo)值及μ的計(jì)算結(jié)果

利用訓(xùn)練好的兩層人工神經(jīng)網(wǎng)絡(luò)，以第一層人工神經(jīng)網(wǎng)絡(luò)模型的輸出作為第二層人工神經(jīng)網(wǎng)絡(luò)模型的輸入?yún)⒘?，能夠?qū)崿F(xiàn)基于基準(zhǔn)光伏電站出力數(shù)據(jù)的區(qū)域出力預(yù)測。圖3和圖4展示了在不同預(yù)測時(shí)間尺度下5月31日的區(qū)域出力預(yù)測結(jié)果，其中圖3展示的預(yù)測結(jié)果是由基于相關(guān)系數(shù)選取的基準(zhǔn)光伏電站得到的，圖4展示的預(yù)測結(jié)果是由基于相關(guān)系數(shù)和第一層人工神經(jīng)網(wǎng)絡(luò)的MAPE共同選取的基準(zhǔn)光伏電站得到的。對(duì)應(yīng)的預(yù)測精度評(píng)估指標(biāo)如表3和表4所示，結(jié)果表明通過引入第一層人工神經(jīng)網(wǎng)絡(luò)預(yù)測精度作為選擇基準(zhǔn)光伏電站的參考參量能夠提高區(qū)域功率預(yù)測精度，將預(yù)測時(shí)間分辨率為1 min、5 min的區(qū)域出力單步預(yù)測精度從93.59%、96.29%提升到了95.62%、96.68%。

圖3 基于通過相關(guān)系數(shù)選取的基準(zhǔn)光伏電站歷史出力在不同時(shí)間分辨率下的區(qū)域光伏電站功率預(yù)測結(jié)果Fig.3 Power forecasting results of regional power output with different correlation coefficients from reference PV plant selected by correlation coefficients

圖4 基于通過相關(guān)系數(shù)和ANN精度選取的基準(zhǔn)光伏電站歷史出力在多時(shí)間分辨率下的區(qū)域光伏電站功率預(yù)測結(jié)果Fig.4 Power forecasting results of regional power output with different correlation coefficients from reference PV plant selected by correlation coefficients and prediction accuracy of ANN.

表3 基于通過相關(guān)系數(shù)選取的基準(zhǔn)光伏電站歷史出力在不同時(shí)間分辨率下的區(qū)域光伏電站功率預(yù)測評(píng)估指標(biāo)

表4 基于通過相關(guān)系數(shù)與第一層人工神經(jīng)網(wǎng)絡(luò)精度選取的基準(zhǔn)光伏電站歷史出力在不同時(shí)間分辨率下的區(qū)域光伏電站功率預(yù)測評(píng)估指標(biāo)

4.3 區(qū)域功率預(yù)測結(jié)果修正

基準(zhǔn)電站的功率預(yù)測結(jié)果決定著區(qū)域功率預(yù)測結(jié)果的精度，當(dāng)基準(zhǔn)光伏電站的功率受云團(tuán)或電網(wǎng)故障等因素發(fā)生較大波動(dòng)而無法代表區(qū)域功率變化趨勢時(shí)，若將其功率預(yù)測結(jié)果直接輸入至第二層人工神經(jīng)網(wǎng)絡(luò)會(huì)造成區(qū)域出力預(yù)測結(jié)果與實(shí)際值存在較大偏差，嚴(yán)重影響預(yù)測精度。本文通過對(duì)比分析基準(zhǔn)光伏電站與其相鄰的光伏電站在多云工況下的功率預(yù)測值，推導(dǎo)出基準(zhǔn)光伏電站在未發(fā)生擾動(dòng)時(shí)的功率期望預(yù)測值并以此作為第二層人工神經(jīng)網(wǎng)絡(luò)的輸入?yún)⒘窟M(jìn)行區(qū)域出力的預(yù)測。依據(jù)公式(9)，以光伏電站13為參考電站，光伏電站3、4、15作為鄰近光伏電站進(jìn)行功率推導(dǎo)。推導(dǎo)結(jié)果如圖5所示，推導(dǎo)的功率精度達(dá)到96.56%。圖6展示了在多云天氣下修正前和修正后的步長為一分鐘的區(qū)域功率預(yù)測結(jié)果，對(duì)應(yīng)的預(yù)測精度分別71.54%和93.14%。從預(yù)測結(jié)果來看，當(dāng)基準(zhǔn)光伏電站發(fā)生遮擋時(shí)，對(duì)其出力數(shù)據(jù)進(jìn)行推導(dǎo)并修正第二層人工神經(jīng)網(wǎng)絡(luò)的輸入?yún)⒘磕軌蝻@著提高區(qū)域功率預(yù)測精度。

圖5 基于鄰近光伏電站出力的基準(zhǔn)電站出力推導(dǎo)值與實(shí)際值的比較Fig.5 Comparisons between deduced output power of reference PV power plant and its actual output power.

圖6 多云工況下基準(zhǔn)光伏電站功率發(fā)生波動(dòng)時(shí)區(qū)域功率預(yù)測結(jié)果.Fig.6 Regional power forecasting results under cloudy condition when the power output of selected reference PV plant is fluctuating

5 結(jié) 論

本文提出了一種基于雙層人工神經(jīng)網(wǎng)絡(luò)的區(qū)域總出力預(yù)測方法，無需對(duì)區(qū)域內(nèi)全部光伏電站數(shù)據(jù)進(jìn)行獲取，僅通過少量選取的基準(zhǔn)光伏電站歷史出力數(shù)據(jù)就能夠?qū)崿F(xiàn)區(qū)域總出力的預(yù)測。本文在選擇基準(zhǔn)光伏電站時(shí)引入人工神經(jīng)網(wǎng)絡(luò)精度作為參考量，提高了區(qū)域出力預(yù)測精度，并通過實(shí)測數(shù)據(jù)進(jìn)行了驗(yàn)證。同時(shí)本文對(duì)多云或故障工況下基準(zhǔn)光伏電站受到影響而非基準(zhǔn)光伏電站未受影響時(shí)的區(qū)域功率預(yù)測結(jié)果進(jìn)行了修正，顯著提高了多云或線路故障工況下區(qū)域總出力的預(yù)測精度。