張士禮

摘要：自第二次工業(yè)革命之后，能源在經(jīng)濟(jì)增長中的關(guān)鍵作用受到高度重視。而伴隨著化石能源的廣泛應(yīng)用，氣候變化等環(huán)境問題日益突出，人類重視的不僅僅是能源帶來的經(jīng)濟(jì)效益，如何為經(jīng)濟(jì)增長提供安全可持續(xù)的能源供應(yīng)、平衡經(jīng)濟(jì)與環(huán)境的關(guān)系成為發(fā)展中的新課題。因此，需要加強(qiáng)發(fā)展和應(yīng)用風(fēng)光發(fā)電預(yù)測技術(shù)。

關(guān)鍵詞：風(fēng)光發(fā)電;預(yù)測技術(shù);新能源技術(shù);發(fā)展與應(yīng)用

截至2019年底，全球可再生能源裝機(jī)容量達(dá)25.7億kw，在電力總裝機(jī)中占34.7%。其中風(fēng)電、太陽能發(fā)電發(fā)展最為迅速，以89%的裝機(jī)比例成為可再生能源中電力增量主體。我國伴隨著“十三五”“十四五”對(duì)能源轉(zhuǎn)型的總要求，能源消費(fèi)結(jié)構(gòu)逐步向清潔低碳型推進(jìn)。與全球趨勢相似，我國的可再生能源發(fā)展呈現(xiàn)中以風(fēng)電、太陽能為主穩(wěn)步發(fā)展的基本態(tài)勢。

光伏發(fā)電作為太陽能發(fā)展中的一個(gè)分支，在過去10年經(jīng)歷了巨大增長。而且由于政府和國際組織的政策支持，以及光伏技術(shù)的既有優(yōu)勢，未來光伏系統(tǒng)的數(shù)量將以更高的速度增加。風(fēng)電、光伏發(fā)電的大規(guī)模普及可以緩解能源短缺問題，而且由于釋放SO2和NOx等污染氣體較少，因此在保護(hù)環(huán)境上更具優(yōu)勢。但是，由于這些新能源具有不確定性且難以操控，給電力系統(tǒng)的運(yùn)行帶來巨大的挑戰(zhàn)。因此研究新技術(shù)、新方法對(duì)風(fēng)光系統(tǒng)進(jìn)行有效控制，不斷提升預(yù)測精度，仍然是未來一段時(shí)間的重要課題。

一、風(fēng)力發(fā)電預(yù)測技術(shù)研究現(xiàn)狀

在電網(wǎng)整體運(yùn)行過程中，實(shí)現(xiàn)風(fēng)力發(fā)電過程對(duì)風(fēng)功率的準(zhǔn)確預(yù)測及盡可能減少風(fēng)俗變化帶來的不確定性，對(duì)于整個(gè)電網(wǎng)平穩(wěn)運(yùn)行具有重要作用。近年來，大量學(xué)者對(duì)此進(jìn)行深入研究并取得許多重要成果。在時(shí)間維度上，學(xué)者們通常將風(fēng)電功率預(yù)測分為四類：超短期功率預(yù)測（幾分鐘-1小時(shí)）、短期功率預(yù)測、中期功率預(yù)測、長期功率預(yù)測，而根據(jù)使用方法的不同，主要可以分為以下六種預(yù)測方法。

1.持續(xù)性方法：持續(xù)性方法本質(zhì)上就是一種簡單假設(shè)，即未來某一時(shí)刻的風(fēng)速或風(fēng)力與預(yù)報(bào)時(shí)的風(fēng)速或風(fēng)力相同。但隨著預(yù)測時(shí)間尺度的增大，持續(xù)性方法的精度會(huì)迅速下降。持續(xù)性方法是最簡單的，而且是最經(jīng)濟(jì)的風(fēng)速功率預(yù)測方法。電力公司經(jīng)常使用持續(xù)性方法進(jìn)行超短期預(yù)測。

2.物理方法：物理方法指的是通過低大氣層或者數(shù)值進(jìn)行天氣預(yù)報(bào)（NWP），使用溫度、壓力或者地表粗糙度等完成預(yù)測。NWP模式是氣象學(xué)家開發(fā)的用于大規(guī)模區(qū)域天氣預(yù)報(bào)的模式。一般情況下，由當(dāng)?shù)貧庀蠓?wù)獲得的風(fēng)速，可以通過風(fēng)力渦輪機(jī)轉(zhuǎn)換為風(fēng)電。物理方法可以增加NWP模型的真實(shí)分辨率，以實(shí)現(xiàn)對(duì)天氣的準(zhǔn)確預(yù)報(bào)。由于物理方法需要大量的計(jì)算，所以要在超級(jí)計(jì)算機(jī)上渲染。物理系統(tǒng)使用的參數(shù)化是基于對(duì)大氣詳細(xì)的物理描述，以達(dá)到最佳預(yù)測精度。現(xiàn)有的商業(yè)風(fēng)電功率預(yù)測方法均通過NWP風(fēng)力預(yù)測來進(jìn)行數(shù)據(jù)輸入。物理系統(tǒng)可以利用來自NWP的輸入數(shù)據(jù)，通過基于低層大氣邊界層的方法，根據(jù)現(xiàn)場條件將這些輸出數(shù)據(jù)（風(fēng)速預(yù)報(bào)）進(jìn)行必要的精進(jìn)。

3.統(tǒng)計(jì)方法：統(tǒng)計(jì)方法的目的就是找到在線測量風(fēng)力數(shù)據(jù)間的關(guān)聯(lián)。統(tǒng)計(jì)模型能夠借鑒風(fēng)力發(fā)電之前的數(shù)據(jù)。與其他模型相比，統(tǒng)計(jì)模型易于建模，開發(fā)成本也更低。統(tǒng)計(jì)方法基本適用于短時(shí)期內(nèi)，這種方法的缺點(diǎn)是預(yù)測誤差隨著預(yù)測時(shí)間的增加而增加。統(tǒng)計(jì)方法可以用來解決工程、經(jīng)濟(jì)學(xué)和自然科學(xué)中的問題，這些問題通常擁有大量的數(shù)據(jù)，而且觀測結(jié)果具有相互依賴性。

4.空間相關(guān)性方法：空間相關(guān)模型主要是通過對(duì)不同的場地風(fēng)速間的空間關(guān)系。這種模型的預(yù)測風(fēng)速的主要原理就是通過預(yù)測點(diǎn)及鄰近點(diǎn)之間的風(fēng)速時(shí)間序列來進(jìn)行判斷?？臻g相關(guān)模型的判斷可以從另一個(gè)地點(diǎn)的測量數(shù)據(jù)，來對(duì)某一地點(diǎn)的風(fēng)速進(jìn)行預(yù)測，并且經(jīng)過多年的數(shù)據(jù)驗(yàn)證，這種方法可以達(dá)到令人滿意的效果。

5.人工智能方法：近年來，隨著人工智能（AI）技術(shù)的發(fā)展，出現(xiàn)了各種新的人工智能風(fēng)速和功率預(yù)測方法。新發(fā)展的方法包括人工神經(jīng)網(wǎng)絡(luò)（ANN）、自適應(yīng)神經(jīng)模糊推理系統(tǒng)（ANFIS）、模糊邏輯方法、支持向量機(jī)（SVM）、神經(jīng)模糊網(wǎng)絡(luò)和進(jìn)化優(yōu)化算法?；谏窠?jīng)網(wǎng)絡(luò)的方法是一種適合應(yīng)用于風(fēng)力發(fā)電預(yù)測的方法。

6.混合方法：混合方法的主要目標(biāo)是充分結(jié)合各種方法的優(yōu)點(diǎn)，以獲得全局最優(yōu)的預(yù)測性能。因?yàn)閱畏N預(yù)測方法所獲得信息非常有限，而混合方法可以將所獲得的信息最大化利用，通過整合各種預(yù)測方法所獲得的的信息，充分結(jié)合多種預(yù)測方法的優(yōu)勢，從而提高預(yù)測精度。

二、光伏發(fā)電預(yù)測技術(shù)研究現(xiàn)狀

研究人員會(huì)根據(jù)不同的因素，例如預(yù)測時(shí)間范圍、太陽輻照度等歷史數(shù)據(jù)和其它模式對(duì)光伏發(fā)電的功率進(jìn)行預(yù)測。與風(fēng)電功率預(yù)測相似，依據(jù)預(yù)測時(shí)間范圍，研究人員將光伏發(fā)電分為短期預(yù)測（Short-term forecast）和中期預(yù)測（Medium-term forecast）以及長期預(yù)測（Long-term forecast）。依據(jù)光伏發(fā)電歷史數(shù)據(jù)和相關(guān)的氣象變量可以將預(yù)測方式分為四大模式：（1）持續(xù)型（Persistence）;（2）統(tǒng)計(jì)型（Statistical）;（3）機(jī)器學(xué)習(xí)型（Machine-Learning，）和（4）混合型（Hybrid Method）。

準(zhǔn)確性是光伏發(fā)電預(yù)測模型發(fā)展的關(guān)鍵。研究顯示，為了更好地預(yù)測性能，應(yīng)該結(jié)合兩個(gè)或多個(gè)模型的優(yōu)越屬性來開發(fā)混合模型。而在混合體系結(jié)構(gòu)中，單一模型的性能較差，可能會(huì)導(dǎo)致較高的預(yù)測誤差。

三、風(fēng)光發(fā)電預(yù)測技術(shù)的新發(fā)展——基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)光功率預(yù)測模型

人工神經(jīng)網(wǎng)絡(luò)預(yù)測方法是風(fēng)光功率預(yù)測非線性方法的代表，它是一種模擬人腦的結(jié)構(gòu)和功能的算法，由許多通過特定拓?fù)浣Y(jié)構(gòu)連接的簡單處理元素組成，因此解決更復(fù)雜的問題更為有效，特別是非線性關(guān)系問題。其中BP神經(jīng)網(wǎng)絡(luò)算法（Back Propagation Neural Network）是在對(duì)神經(jīng)網(wǎng)絡(luò)算法進(jìn)行改進(jìn)的基礎(chǔ)上提出的，在風(fēng)電和光伏發(fā)電預(yù)測領(lǐng)域，BP神經(jīng)網(wǎng)絡(luò)算法被證明是最成熟的算法，應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)。同時(shí)，該網(wǎng)絡(luò)還具有良好的通用性，解決了傳統(tǒng)方法收斂速度慢，局部極小的問題。結(jié)合神經(jīng)網(wǎng)絡(luò)的這些優(yōu)點(diǎn)，本章將對(duì)風(fēng)電和光伏發(fā)電功率進(jìn)行預(yù)測，基于BP神經(jīng)網(wǎng)絡(luò)并使用社交粒子群優(yōu)化算法來優(yōu)化神經(jīng)網(wǎng)絡(luò)的原始值。最后建立預(yù)測模型，來驗(yàn)證預(yù)測模型的預(yù)測效果。

（1）輸入數(shù)據(jù)：對(duì)訓(xùn)練樣本數(shù)據(jù)進(jìn)行篩選，篩除錯(cuò)誤數(shù)據(jù)，并進(jìn)行數(shù)據(jù)捆綁和歸一化處理，將此組數(shù)據(jù)作為輸入數(shù)據(jù)。

（2）模型優(yōu)化：計(jì)算樣本數(shù)據(jù)和預(yù)測數(shù)據(jù)之間的特征矢量相似度，并利用社會(huì)粒子群優(yōu)化算法對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)重系數(shù)和閾值進(jìn)行連續(xù)優(yōu)化。通過長時(shí)期的網(wǎng)絡(luò)學(xué)習(xí)，建立起精度更優(yōu)和匹配度更強(qiáng)的預(yù)測模型。

（3）得出結(jié)果：將預(yù)測日時(shí)的數(shù)據(jù)輸入到對(duì)應(yīng)的模型中，同時(shí)進(jìn)行方向歸一化計(jì)算，獲取風(fēng)能和太陽能發(fā)電功率預(yù)測值最后的結(jié)果。

結(jié)束語

綜上所述，電力資源作為人類的必須能源，一直在人類社會(huì)的生產(chǎn)生活中起著絕對(duì)的主導(dǎo)作用，尤其是近年來，隨著我國社會(huì)現(xiàn)代化迅速發(fā)展，與之同步增長的，是對(duì)電力的需求。傳統(tǒng)電力系統(tǒng)雖然積累了大量經(jīng)驗(yàn)，并且能帶來高效優(yōu)質(zhì)的服務(wù)，然而傳統(tǒng)電力系統(tǒng)對(duì)環(huán)境的不良影響和帶來的能源安全問題，使得這種模式難以為繼?？紤]到發(fā)電資源的清潔性和經(jīng)濟(jì)性，可再生能源近年來在現(xiàn)代電力系統(tǒng)中迅速普及。而對(duì)于風(fēng)光發(fā)電預(yù)測技術(shù)的發(fā)展與研究則有利于風(fēng)光發(fā)電技術(shù)的進(jìn)步。

參考文獻(xiàn)：

[1]賴昌偉，黎靜華，陳博，黃玉金，韋善陽.光伏發(fā)電出力預(yù)測技術(shù)研究綜述[J]. 電工技術(shù)學(xué)報(bào)，2019（6）.

[2]王美玲，王念平，李曉.BP神經(jīng)網(wǎng)絡(luò)算法的改進(jìn)及應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用，2006，45（35）：47-48.