APP下载

光伏发电预测中人工智能算法的应用研究综述

2020-09-01杨留锋

太阳能 2020年8期
关键词:辐照度电站发电

杨留锋

(协鑫新能源控股有限公司,徐州 221100)

0 引言

能源是人类生存和发展的重要基石。随着社会的飞速发展,人类对于能源的需求日益增多,且随着在能源经济中扮演重要角色的化石能源的日渐减少,越来越多的研究开始探讨可再生能源的应用前景。光伏发电作为一种新型清洁能源,其将太阳辐射转化为电能,降低了人类对于化石能源的依赖,减少了因为化石能源的燃烧等造成的污染排放,进而提供了一种安全可靠的清洁能源。

光伏电站的发电量不仅受到太阳辐照度和工作温度的影响,而且同四季、昼夜及阴晴等气象条件有较强的相关性。由于光伏发电具有间歇性和波动性的特点,导致了其在大规模并网发电的过程中存在不稳定性,由此提高了光伏电站规划设计和运行维护的难度。因此,如果能够准确预测未来短期内光伏发电的负荷及太阳辐照度情况,就可以提前做出相应的运行调度策略,这对于提升光伏电站的运行效率具有重要意义。

已有一些利用传统工程方法和统计方法[1-5]对光伏发电进行预测的研究,但是由于这些方法大多需要建立极其复杂的线性模型,难以应用到实际场景中;此外,光伏发电系统效率受外界因素(如太阳辐照度)的影响,是典型的外生变量的非线性模型[5]。因此,传统的工程方法和统计方法设计出的线性模型很难适用于这种多变的场景。

人工智能技术作为新一代模拟人脑工作来解决复杂问题的技术,正在越来越多的应用于生产和生活中。光伏发电由于自身间歇性和波动性造成的发电效率瓶颈也有望通过人工智能算法来解决,已经有一些研究尝试使用人工智能算法来完成对光伏发电过程中各个环节的预测,其中包括使用深度学习来预测光伏发电负荷及太阳辐照度[6-9],以及使用模糊逻辑[10]、遗传算法[11-12]等人工智能算法来完成对负荷的预测。

本文简述了人工智能算法在光伏发电预测的各个环节中的应用,并对这些算法进行了简单的对比和总结,最后对人工智能算法在光伏发电领域的深度应用进行了展望。

1 人工智能算法在光伏发电预测中的应用

在光伏发电过程中,为了进一步提升光伏电站的运行效率,需要更实时、更精细地把控复杂的能源供求关系。在能源的需求侧,准确的电力负荷预测是一项重要内容,可以通过控制AGC/AVC来经济合理地调节光伏电站的电力负荷,从而有效降低光伏电站的发电成本,提升运行效率。在能源供应侧,由于受到太阳辐照度和工作温度的影响,光伏电站在不同时段的输出功率也不相同。

因此,如果能够有效预测不同时段的太阳辐照度情况,可以根据预测出的电力负荷及太阳辐照度来制定合理的光伏电站调度策略,对于提升光伏电站的运行效率及降低运行成本具有重要意义。

2 电力负荷预测

电力负荷预测是指在充分考虑各种因素影响的情况下,运用一套数学方法来处理历史负荷值和未来负荷值之间的关系,从而预估将来某个时刻光伏电站的发电负荷值。提高光伏电站的电力负荷预测水平,有利于调度调节、优化制定区域内的光伏电站建设规划,可提高光伏电站的经济效益和社会效益。精准的电力负荷预测已成为实现光伏电站智能化建设管理运营的重要内容。

根据需要预测的未来某个时间段的长短,电力负荷预测可以分为:近期负荷预测(2周以内)、短期负荷预测(1~2年)、中期负荷预测(3~6年),以及长期负荷预测(7年以上)。其中,近期负荷预测主要是针对光伏电站的日常调度,其可决定每天甚至1天中某个时段内,哪些发电设备投入运行可以刚好满足用户的用电需求,从而降低光伏电站的发电成本,提升发电效率。因此,精准的近期负荷预测对于提升光伏电站的运行效率和降低运行成本具有重要意义,近几年,对于电力负荷预测的研究也主要集中在近期负荷预测上。传统的近期负荷预测方法包括时间序列法和回归分析法。

时间序列法是指按照一定的时间间隔对电力负荷进行采样,从而获取光伏电站的历史负荷数据,建立数学模型,以确定负荷随时间变化的数学表达式,可对未来某个特定时间点或时间段的负荷进行预测。例如在文献[13]中,研究人员使用了时间序列法来预测电站的未来电力负荷,该方案采用了温特线性和季节指数平滑法,包括3个基础公式和1个预测方程,如式(1)~式(4)所示。

总体平滑公式为:

式中,St为周期为t时的季节成分;α为平滑参数,根据经验值获取;xt为周期为t时的时间序列;It为周期为t时的趋势成分;St-1为周期为t-1时的季节成分;bt-1为周期为t-1时的局部成分。

趋势平滑公式为:

式中,γ为平滑参数,根据经验值获取;bt为周期为t时的局部成分。季节平滑公式为:

式中,It-L为周期为t-L时的趋势成分,其中,L为季节性的长度;β为平滑参数,根据经验值获取。

预测方程为:

式中,It+m-L为周期为t+m-L时的趋势成分;m为预测周期;Ft+m为周期为t+m时的预测值。

由式(1)~式(4)可以看出,时间序列法具有数据少、计算速度快、能反映负荷变化的连续性的优点。但该方法的缺点是对脏数据的处理要求高,原始时间序列要有平稳性,对天气因素不敏感,难以解决节假日、天气变化较大时近期负荷预测误差较大的问题。

回归分析法则是利用历史负荷数据找到变化规律,考虑其他可能影响负荷的因素,建立自变量(历史负荷数据和其他影响负荷的因素)和因变量(未来特定时刻的负荷)之间的回归模型,从而确定模型参数,最终推断未来时刻的负荷值。例如在文献[14]中,研究人员采用多变量时间序列线性回归的方法对电站的未来电力负荷进行了预测。

回归分析法的优点是操作简单、预测速度快,能很好地表达各个因素与负荷之间的关系,对于新情况有较好的拟合。回归分析法的缺点在于对分布规律和历史样本数据的准确度要求较高,因此对于建立回归方程比较复杂和困难,导致预测精度较低。

根据长期的电力系统运行经验,对电力负荷预测建立的数学模型是一个非常复杂的非线性系统,且影响负荷的因素极多,包括气温、节假日、电力事故等。若要获取较高的预测精度,则需要将更多的影响因素纳入模型之中,但是前文提到的时间序列法和回归分析法等传统方法很难精确描述负荷和影响因素之间的复杂关系,导致最终的预测结果和实际负荷之间会出现偏差。

人工智能算法具有较强的自适应、自学习能力,可以将采集到的历史负荷数据和影响负荷的因素的历史数据作为人工智能算法的输入,以此可以训练出负荷值的模型,而且并不需要明确的数学关系表达式。其中,神经网络作为人工智能算法的代表,已经开始应用于电力负荷预测中。

人工神经网络是一种在不同程度和层次上模仿人脑神经系统的信息处理功能的运算模型,对自然界某种算法或函数进行逼近。人工神经网络有大量的神经元,能够根据外部环境的变化对内部结构进行调整,即神经网络是一种具备自适应、自组织和实时学习能力的系统。

例如在文献[15]中,研究人员采用了基于LSTM神经网络的负荷预测方法,LSTM是一种时间递归神经网络。在该研究中,首先对历史负荷数据进行预处理,以识别和去除数据中的脏数据,然后选择合适的输入量和标签来利用神经网络进行训练。由于该研究主要是预测未来某几天的24 h全天候电力负荷值,根据电力负荷的历史数据得出工作日和休息日的电力负荷变化趋势,从而得出“每周休息日的用电负荷会下降”这一结论。该研究采用了迭代预测法,将7天作为1个周期,将7天的历史负荷数据作为特征向量滚动预测,最后确定神经网络的网格结构,此时确定神经网络输入、输出的节点个数尤为重要。该研究采用了单模型多变量预测方法,即设置24个输出节点,分别代表1天的24个小时,同时预测1天内各个小时的电力负荷。在传统方法中,若采用此种结构的网络,网络结构将会极为复杂,有上千个参数需要训练更新,将会极大地影响网络的运算速度和预测精度;但是采用LSTM这种时间递归神经网络,在合理的处理输入数据,并且确定了网络结构后,可以收到很好的效果。

此外还有一些人工智能算法是采用其他的神经网络对负荷进行预测,例如最基础的人工神经网络、BP神经网络、Elman神经网络、RBF神经网络,以及小波神经网络等,虽然名称和内部原理各有不同,但是整体处理逻辑与上述LSTM神经网络基本相同。还有一些研究采用的是仿生智能算法对负荷进行预测,例如遗传算法、蚁群算法等,同样可以得到不错的效果。

3 太阳辐照度预测

太阳辐照度是影响光伏电站发电效率的重要指标。在对光伏发电系统的性能进行分析时,太阳辐照度是非常重要的参数。太阳辐照度可以通过实地测量获得,也可以通过理论计算获取。如何精确可靠地预测太阳辐照度已成为太阳能发电领域的重要课题。与预测电力负荷类似,传统的预测太阳辐照度的数学模型有很多,如半正弦模型、Collars-Pereira & Rabl模型、Hottel Model和 Threlkeld&Jordan 模型[16-19]。但这些模型的建立都基于特定地区的太阳辐照度数据,所以地域性强,通用性较差;且在阴天时模型预测的太阳辐照度误差大,模型预测不能方便有效地完成从阴天向晴天的转换,预测效果波动较大。

神经网络同样被广泛地应用于太阳辐照度的预测中,例如在文献[6]中,研究人员采用了径向基函数(RBF)神经网络和多层感知器(MLP)神经网络对太阳辐照度进行预测,且这2种神经网络都收到了较好的效果。此外,为了减少特征集中的信息冗余,采取了长短时记忆网络进行训练和降低最优特征集维度的措施,提高了预测精度。

4 光伏发电与人工智能算法深度融合的展望

目前来看,人工智能算法在光伏发电领域的应用已经取得了一定的成果,包括对电力负荷、太阳辐照度及输出功率的预测在内,都达到了相对精确的程度[20-29]。

在光伏发电系统中,其运行管理工作还存在一些问题,如缺乏自动化、智能程度偏低等,且各项功能系统之间未能充分发挥协同作用。因此,如何有效归纳各类数据,提取其中的有效信息,深度建立它们之间的关系,需要人工智能算法发挥关键作用。人工智能算法能实现管理优化,可有效整合现有系统,发挥各系统彼此间的协同效用,极大化地发掘现有数据的潜在价值。

5 结论

本文对当前人工智能算法在光伏发电领域各个环节的负荷预测、太阳辐照度预测的应用研究进行了综述,由于人工智能算法具有传统算法不具备的优点,因此收到了良好效果。随着光伏发电规模在所有发电方式中的占比的扩大,人工智能算法将越来越广泛的应用于光伏发电领域的各项预测及管理中。

猜你喜欢

辐照度电站发电
“发电”
三峡电站再创新高
柠檬亦能发电?
含风光发电的互联电力系统自动发电控制论述
基于SeaWiFS对月观测数据的月球辐照度模型分析*
低影响开发(LID)在光伏电站中的应用
影响并网光伏电站发电量的因素
双轴追踪与固定式光伏系统运行特性对比研究
中国典型地区水平总辐射辐照度频次特征*