段培永，张洁珏，崔冲，张震，邹明君，吕东岳

(山东建筑大学 信息与电气工程学院，山东 济南 250101)



太阳能光伏发电功率短期智能预测方法

段培永，张洁珏，崔冲，张震，邹明君，吕东岳

(山东建筑大学 信息与电气工程学院，山东 济南 250101)

随着能源危机的加剧，太阳能光伏产业日益受到关注。而太阳能光伏发电功率存在波动性和随机性的特点，为减轻其对电网的影响，进行光伏出力预测是解决这一问题的基本途径。文章针对短期光伏预测中存在的计算量大、预测精确度低等难题，在对现场数据进行采集、处理与定量分析的基础上，基于改进的超闭球神经网络(Improved hyperball CMAC，IHCMAC)理论，提出了短期智能预测算法并对其加以改进，利用采集的气象参数、光伏发电数据，构建了光伏发电功率预测模型，并通过性能评价验证了该算法的有效性。

光伏发电；短期功率预测；超闭球神经网络；短期智能预测算法

0　引言

为缓解能源危机，新能源的开发和利用引起了人们的广泛重视。洁净、无噪音、可靠的太阳能资源可作为煤、石油等化石燃料的最佳替代品。发达国家目前正在把太阳能的开发利用作为能源革命的主要内容和长期规划。我国76%的国土光照充沛，光能资源分布较为均匀，光伏产业有很好的发展前景。国家鼓励开展多种形式的分布式光伏发电应用。重点支持屋顶面积大、用电负荷大、电网供电价格高的工业园区和大型工商企业开展光伏应用，使具备条件的大屋顶资源得到充分利用。到2020年，中国光伏总装机将达到150～200 GW，平均每年装机达20 GW，2030年达到25 GW，2030年以后每年装机达到80 GW。光伏产业在新能源发展中的地位日益突出，研究其功率预测问题迫在眉睫[1]。光伏功率预测能够有效的帮助电网调度部门做好各类电源的调度计划，准确的光伏预测可以减小光伏并网给电网的安全运行带来的影响，还可以使电网减少光伏限电，大大提高了电网消纳光能的能力，减少了由于限电给光伏业主带来的经济损失，增加了光伏电站投资回报率[2]。

目前光伏功率预测主要有三种方法：(1) 物理方法利用数值天气预报信息(NWP)数据作为输入，研究光伏阵列模型的特性，搭建光伏发电输出功率与NWP数据的数学模型[3-5]，作为光伏发电输出功率的预测模型。(2) 统计方法通过挖掘历史数据内在规律，采用时间序列法、时间序列外推法和点预测法等构建历史数据与光伏发电输出功率的函数映射关系[6-7]。(3) 学习方法利用人工神经元网络、模糊逻辑系统等输入输出的非线性映射能力，建立光伏发电预测智能化模型[8]。物理方法模型构建复杂、参数选取及建模过程复杂、运算量较大，预测精度较差，但优点在于不需要大量的数据支撑。统计方法预测精度虽略高于物理方法但需要大量的历史数据[9]，学习方法模型具有算法简单、计算量小等特点。张立影等提出了双层BP神经网络的学习方法来预测光伏电站输出功率，由于利用太阳辐射量理论计算值不能真实反映实际辐射情况导致预测精度降低[10]。朱永强等利用支持向量机作为预测方法并按照天气类型建立预测模型，但实验数据由软件仿真得出，不能反映实际系统的复杂运行情况及功率波动[11]。王守相等提出了一种基于灰色神经网络组合模型进行短期光伏出力预测方法，虽然预测精度较高，但模型复杂、运算量大[12]。针对上述问题采用基于模糊聚类的IHCMAC神经网络学习方法作为光伏发电功率预测方法。其具有很强的非线性拟合能力，可映射任意复杂的非线性关系，学习规则简单，便于计算机实现。

CMAC具备良好的特性，如快速学习，良好的泛化能力和计算能力[13-14]，传统HCMAC神经网络输入空间采用等网格量化方式划分，而学习数据在学习空间里分布不均匀，会导致一部分节点无效，而数据集中的点则因承担的信息量过大其学习精度反而下降[15-16]。因此,学者提出了一种改进算法IHCMAC (Improved hyperball CMAC)[17],但是该算法聚类终止条件是人为给出且根据聚类准则函数的收敛速度来判断聚类数目并不准确可靠，IHCMAC聚类网络节点是聚类子集中所有数据的中心点，并没有均衡反映该聚类子集内的所有数据而聚类中心应该映射出该子集中所有数据的均值。由此提出一种改进的基于模糊聚类的IHCMAC神经网络短期光伏发电功率预测方法，采用K-平均(K-MEANS)聚类算法来确定聚类中心以及聚类数目。通过光伏发电功率与气象因素的相关性分析，确定神经网络输入因素，利用上述改进模型训练出预测结果。预测结果表明，该方法能够达到较好的预测精度，为光伏发电功率预测提供有效的方法。

1　光伏发电现场数据采集、处理与分析

1.1数据采集

以山东某企业科技开发建筑供电的20 kW光伏电站为研究对象，利用现场安装的微型气象站采集温度、湿度等气象数据；利用光伏发电显示器采集光伏电站的实时功率。图1为本实验的光伏系统实验平台和本地微型气象站，可以提供温度、湿度、辐射强度、风速、气压、海拔数据。设定采样周期10 min，采集温度、湿度、风速、辐射强度数据。

图1　光伏发电系统和微型气象站图

1.2数据处理

(1)

将归一化后的数据利用平均值法进行缺失数据修补，再用拉依达准则剔除异常值。由式(2)确定为

Δxi>3σ

(2)

1.3相关性分析

利用本单位历史实测发电数据与气象数据为参考，分析不同气象因素对光伏发电系统输出功率的影响因素，确定出预测模型的输入。

1.3.1太阳辐射强度对光伏发电的影响

一般来说，辐射量与发电量成正比，一定时间段内的辐射量累计量再乘以光伏发电系统转换效率即可估算相应时段的发电量。因此，理论上讲，太阳辐射是光伏输出的最直接影响因素。随机抽取一天的太阳辐射强度和气象因素，并归一化后与光伏功率进行相关性验证。

图2是利用本实验实测数据进行的光伏发电功率与辐射相关性对比图，从图中可以看出，功率曲线的走势基本和辐射曲线吻合，太阳辐射强度与光伏输出功率关联性极大。

图2　光伏发电功率与辐射相关性图

1.3.2气象因素对光伏发电的影响

光伏发电出力除了太阳辐射强度影响外，还受温度、湿度、风速等气象条件的影响。太阳能光伏发电受温度的影响主要表现在太阳能电池电性能随温度的变化而变化。太阳能电池工作在温度较高情况下,开路电压随温度的升高而大幅下降,同时导致充电工作点的严重偏移,易使系统充电不足而损坏。湿度和风速对光伏发电功率的直接影响很小，但是其分别影响光伏电池板吸收太阳辐射的强度和光伏电池板表面的温度，从而影响光伏出力。

如图3所示，在一定的温度范围内光伏发电功率随着温度的升高而增大，当温度过高时发电功率反而下降。功率的变化和风速的变化趋势大体相同，但是相关性不大，但是，风速会影响光伏电池板表面的温度，因此风速也是电其中一个影响因素。与其他气象因素不同的是当湿度增大，功率则下降，湿度与功率呈现负相关。

2　基于IHCMAC的短期智能预测算法及其改进

2.1IHCMAC算法

(3)

式中：Ni为属于第i个聚类中心的数据对数；聚类中心所对应的权值记做qj。则以输入xk为超闭球中心，Rb为超闭球半径，来定义超闭球由式(4)确定为

(4)

定义在超闭球内的点被激活，假设有l个节点被激活，基函数的高斯正态分布函数由式(5)确定为

‖xk-pj‖≤Rb

(5)

未被激活节点的高斯基函数为0。高斯基函数参数σ由式(6)确定为

(6)

图3　光伏发电功率与气象因素相关性图

(7)

权值学习采用改进的C-L算法由式(8)确定为

(8)

式中：α、β是常数，当0<α<2、β>0时，算法收敛。针对不同的样本，仅需局部调整权系数。 q0是神经网络权系数初始值向量，根据模糊聚类算法将学习数据划分为L组，假设第m组数据包括个数据对，其聚类中心为pm，每组对应的权值由式(9)为

(9)

修正权系数q由式(10)确定为

(10)

IHCMAC神经网络是在聚类子集中选取中心点作为网络节点，不能够反映该聚类子集中所有数据的平均情况从而影响可靠性和精度。聚类终止条件ε是人为给出，并且根据聚类准则函数的收敛速度来判断聚类数目不但加大了运算量而且使聚类数目并不精确。若能给出一个根据聚类准则函数值是否为0或接近于0来判断聚类数目的方法，同时利用聚类子集中数据的平均值作为网络节点，则会减少运算量并使神经网络模型的精度有所提高。

2.2IHCMAC神经网络算法的改进

K-平均聚类算法对于处理大数据集聚类问题时，是相对可伸缩和高效的，其通过迭代过程把数据集划分为不同类型的具有一定数量的组，即形成聚类子集。各个聚类子集内的所有数据样本的均值作为聚类中心点，经过观察聚类准则函数是否为0或接近于0来确定聚类数目。

算法的具体步骤如下：

(1) 先随机选取K个对象作为初始的聚类中心。

(2) 将样本集中的样本xi按照最小距离原则分配到最邻近聚类zj由式(11)确定为

(11)

(3) 使用每个聚类中的样本均值作为新的聚类中心。

(4) 重复步骤2、3直到聚类中心不再变化。

(5) 结束，得到K个聚类。

这样经过迭代可以获得K个聚类中心即网络节点，聚类准则函数由式(12)确定为

(12)

当J最小的时候，函数对于每个聚类中心的偏导数为0,即式(13)表示为

(13)

得到聚类中心由式(14)确定为

(14)

这说明取类内样本均值为聚类中心可以使得聚类准则函数最小。

通过上述步骤，获取聚类数目K和聚类中心Z。高斯基函数参数σ由式(15)确定为

σi=δmin‖zi-zj‖i≠j,j=1,2…l

(16)

得到神经网络输出由式(17)确定为

(17)

3　光伏发电功率预测模型的构建及性能评价

3.1预测模型结构

光伏功率预测的系统流程如图4所示。首先，输入层是通过历史数据进行相关性分析，确定模型的输入。然后，通过内部逻辑层对输入数据进行归一化处理、缺失数据修补和异常值剔除，以消除数量级和提高数据质量。再根据K-平均聚类确定出网络节点和节点数目，构建IHCMAC预测模型。最后，通过输出层得到学习误差、泛化误差和功率预测值。

其中，Pt-1、Pt-2、Pt-3和Wt-1、Wt-2、Wt-3分别为验证样本的功率历史数据和气象历史数据；Pt-4、Pt-5、Pt-6和Wt-4、Wt-5、Wt-6分别为学习样本的功率历史数据和气象历史数据；Pt、Pt+1和Wt、Wt+1分别为预测样本的功率历史数据和气象历史数据。气象参数W中包含有温度(T)、湿度(H)、辐射(R)、风速(V)。

图4　HCMAC神经网络光伏功率预测结构流程图

3.2发电预测模型建立

利用上述IHCMAC神经网络预测模型和改进的IHCMAC神经网络预测模型来实现光伏的功率预测，样本取自山东某单位20 kW分布式光伏电站的实测数据。前文分析可知，光伏电站的输出功率受温度、湿度等气象因素的影响。通过相关性分析，确定了神经网络输入样本为光伏电站历史实测数据中的太阳辐射强度Rt、温度Tt、风速Wt、湿度Ht。通过归一化处理输入样本以消除数量级对仿真效果的影响，将缺失数据修补和异常数据剔除提高数据质量，对改进后的IHCMAC神经网络进行学习，并将预测值与实际值比较。文章利用实测的样本数据建立IHCMAC神经网络预测模型，并通过Matlab平台实现。

3.2.1评价准则

随机抽取三天的数据作为学习样本，以均方根误差RMSE作为训练模型评价标准。另取三天的数据作为验证样本，以泛化误差GMSE作为检验样本的评价标准。

(18)

(19)

表1　学习样本和验证样本部分数据

3.2.2算法结果及分析

从表2所示的预测结果可以看出，在网络节点个数均为40个时，改进的神经网络算法学习误差和验证误差均比IHCMAC小。根据验证样本均方根误差曲线图 5可以看出改进的神经网络误差小于IHCMAC神经网络的误差，改进的神经网络模型的精度有所提高。表3列出其中一天的实测值与预测值的数据。

为了使预测结果更加清晰、直观，本实验选取2016年4月8日(晴天)、4月9日(阴天)作为预测样本，来分析晴天和阴天两种模型的预测精度。如图6所示，IHCMAC算法在功率峰值时刻预测精度差，晴天预测精度比阴天高。改进后的算法无论在晴天还是阴天其功率预测曲线与实际曲线拟合的更好，该算法对晴天、阴天都具有较高的预测精度。

图5　学习误差曲线图

算法迭代次数学习误差验证误差IHCMAC910.1250.069改进IHCMAC50.0890.053

表3　实际值与两种算法预测值比较/kW

4　结语

为了使预测效果更好，数据更具真实性。本文利用微型气象站采集太阳辐照度和温度、湿度等气象因素，分析其对光伏系统发电功率的影响，确定了模型的输入，采用基于模糊聚类的IHCMAC改进算法设计一种光伏发电短期预测模型预测光伏系统发电功率。预测结果表明，改进算法的平均相对误差与IHCMAC算法相比预测误差小、运算量低、精度高。除此之外，该模型普适性较高，无论对于晴天还是阴天都有较高的预测精度，为光伏发电功率预测提供了一种新方法。

[1]钱振，蔡世波，顾宇庆，等．光伏发电功率预测方法综述[J]．机电工程，2015，32(5)：651-659．

[2]Chine W., Mellit A., Pavan A. M.,etal.. Fault detection method for grid-connected photovoltaic plants[J]. Renewable Energy, 2014, 66(10):99-110.

[3]Peng H., Liu F., Yang X.. A hybrid strategy of short term wing power prediction[J]. Renewable Energy, 2013, 50(2): 590-595.

[4]Zeng J., Qiao W.. Short-term solar power prediction using a support vector machine[J]. Renewable Energy, 2013, 52(4): 118-127.

[5]Khatib T., Sopian K., Kazem H. A.. Actual performance and characteristic of a grid connected photovoltaic power system in the tropics: A short term evaluation[J]. Energy Conversion and Management, 2013, 71(1): 115-119.

[6]陈昌松，段善旭，殷进军．基于神经网络的光伏阵列发电预测模型的设计[J]．电工技术学报，2009，24(9)：153-158．

[7]Almonacid F., Rus C., Higueras P. P.,etal.. Calculation of the energy provided by a PV generator comparative study:Convertional methods vsartificial neuralnetworks[J]. Energy, 2011, 36(1): 375-384.

[8]高阳，钟宏宇，许傲然，等．功率预测技术在光伏发电中的应用研究[J]．电器与能效管理技术，2015，17(17)：38-43, 58．

[9]崔洋，孙银川，常俾林．短期太阳能光伏发电预测方法研究进展[J]．资源科学，2013，35(7)：1474-1481．

[10]张立影，孟令甲，王泽忠．基于双层 BP 神经网络的光伏电站输出功率预测[J]．电测与仪表，2015，52(11)：31-35．

[11]朱永强，田军．最小二乘支持向量机在光伏功率预测中的应用[J]．电网技术，2011，35(7)：54-59．

[12]王守相，张娜．基于灰色神经网络组合模型的光伏短期出力预测[J]．电力系统自动化，2012，36(19)：37-41．

[13] Kim Y. H., Lewis F. L.. Optimal design of CMAC neural-network controller for robot manipulators [J]. IEEE Transactions on Systems, 2000, 30(1) :22-31.

[14] Lin C., Peng Y.. Adaptive CMAC-based supervisory control for uncertain nonlinear systems [J]. IEEE Transactions on Systems, 2004, 34(2) :1248-1260.

[15]段培永，邵惠鹤．一种CMAC超闭球结构及其学习算法[J]．自动化学报，1999，25(6)：816-819．

[16]段培永，任化芝，邵惠鹤．超闭球CMAC的性能分析及多CMAC结构[J]．自动化学报，2000，26(4)：563-567．

[17]李慧，段培永，张庆范．基于聚类的超闭球CMAC神经网络改进算法[J]．吉林大学学报(工学版)，2012，42(1)：170-175．

(学科责编：李雪蕾)

A smart forecasting method for short-term solar photovoltaic generation power

Duan Peiyong，Zhang Jiejue，Cui Chong,etal.

(School of Information and Electrical Engineering,Shandong Jianzhu University,Jinan 250101,China)

With the intensification of the energy crisis, the solar photovoltaic industry is becoming more and more attention. However, the solar photovoltaic power volatility and randomness characteristics, in order to mitigate the negative impact on power grid, photovoltaic output forecast is the basic way to solve this problem. Aiming at short term photovoltaic forecast that exists in the large amount of calculation and low prediction accuracy problem, on the basis of field data acquisition, processing and quantitative analysis, and based on improved hyperball neural network (IHCMAC) theory, the paper proposed a short-term intelligent prediction algorithm and its improvement, Through the use of meteorological parameters collection, and photovoltaic power generation data, the paper builds photovoltaic power prediction model and validate the performance evaluation by effectiveness of the algorithm.

PV power generation; short-term power prediction; HCMAC neural network; short-term intelligent calculation

2016-3-11

国家自然科学基金项目(61374187)

段培永(1968-),男,教授，博士,主要从事智能控制，智能建筑环境及分布式能源系统整体动态优化与调度等方面的研究.

E-mail：duanpeiyong@ sdjzu. edu. cn

1673-7644(2016)03-0205-07

TU996

A