基于时空相关性的光伏发电功率爬坡预测方法

2021-11-17李成良徐秀萍

计算机仿真 2021年8期

李成良，徐秀萍

(大连海洋大学应用技术学院，辽宁大连 116300)

1 引言

光伏发电作为近年来发展极为迅速的一种可再生资源，其具备明显的可变性特征[1]。光伏面板上的辐照度极大程度决定光伏发电功率的输出，云层的移动等原因会引起辐照度产生快速变化，导致不同程度的光伏输出功率产生变动[2]。因此，光伏发电功率爬坡是指在不同时间、不同波动强度中，在短时间内产生大幅度、短期的光伏功率变动情况。光伏发电功率爬坡，会对电网功率平衡造成破坏，频率波动较大，甚至造成重大经济损失[3]。传统的光伏发电功率爬坡预测方法仅通过单一的数据信息实行预测，具备一定局限性，忽略了电机组或电场之间的空间相关关系等因素的影响[4]。

唐振浩等人提出的基于小波深度置信网络的爬坡预测方法[5]，该方法通过小波对时间序列进行分解后，通过深度置信网络预测模型完成爬坡预测，该方法在多种气象条件下，预测结果的可靠性较低；李永馨等人研究的基于ISMC-PSO的爬坡预测方法[6]，该方法，通过基于粒子群算法的改进算法完成爬坡预测，但是，该方法的爬坡预测覆盖概率区间较大。

因此，为避免上述问题，本文基于时空相关性的光伏发电功率爬坡预测方法，该方法在进行预测时，将时间维度拓展到时间-空间维度，提高预测精度。

2 基于时空相关性的光伏发电功率爬坡预测方法

2.1 基于时空相关性的光伏发电序列生成

2.1.1 光伏发电理想出力归一化曲线生成

获取一个年周期中全部日序的光伏发电出力归一化曲线，是理想任意长度光伏序列的生成的基础[7]。理想光伏发电出力归一化曲线生成步骤如下所述：

1)典型日理想光伏发电出力归一化曲线提取：

全天光伏发电出力序列二阶差分的绝对值均小于一定阈值是典型日的选取标准，阈值用D表示，其标准公式为

max{|(wt+2-wt+1)-(wt+1-wt)|}

(1)

式中，第t个采样点的光伏发电出力功率用wt表示；D取值为0.05pu。如果典型日受实测数据较少等原因影响，导致其不存在时，合理增加D值调整选取标准[8]。

根据当天日间时长实行出力时刻压缩，其公式为

(2)

通过傅里叶变换对实现归一化曲线解析化处理。

2)非典型日的曲线的计算通过采用线性插值的方法完成，计算公式为

(3)

式中，某一非典型日为i；距离第i日最近的前后两个典型日为m和n(考虑光伏发电出力统计特性的年周期性，典型日的位置按年循环)。通过上述方法获取全年每日的理想光伏发电出力归一化曲线[9]。

(4)

2.1.2 光伏发电随机分量生成

采用蒙特卡洛法完成光伏发电随机分量部分抽样生成。随机分量的概率分布TLS拟合参数、平缓部分持续时间和波动部分持续时间的逆高斯拟合参数均通过实测数据分离得出[10]。依照流程图1，抽样生成指定长度的随机性成分序列。

图1 随机性成分生成流程图

在生成任意长度的随机分量序列之后，用0代替太阳升起前后的位置，得到整个随机分量序列。

2.1.3 光伏出力序列生成

根据理想出力归一化曲线和随机分量成分的统计特征，对2种成分分别进行随机序列生成，获取生成的光伏发电出力序列，生成公式为

Pi(t)WSi，Re guiar(t)+Pi，Random

(5)

式中：第i天的实际光伏发电出力为Pi(t)；当天的理想光伏发电出力归一化曲线中的太阳辐射变化为Si，Re guiar；随机分量中的局部云层短时扰动为Pi，Random。

2.2 基于信度网络的光伏发电功率爬坡事件预测

光伏功率爬坡事件的发生与所处地区的天气状况密切相关，环境温度用K表示，相对湿度用H表示；本文选取影响光伏功率爬坡的太阳辐照、Pi,Random、K、H4类因素。其中，主要因素是太阳辐照作为影响光伏发电功率，表示为太阳辐射度爬坡r1和Si,Reguiar两个量，因此，信度网的证据节点变量集为E={r1,Si,Reguiar,K,Pi,Random,H}。光伏发电功率爬坡状态用信度网络的根节点变量表示，根据其特点建立状态集R={R1,R2,R3}，其中，下爬坡、上爬坡和不爬破分别为R1、R3和R2。

信度网络结构学习通过贪婪搜索算法对光伏发电功率爬坡概率预测完成，获取样本数据最优网络结构后，实行信度网络结构分析。

设光伏发电功率爬坡信度网络的节点数量为N，N维随机变量为X={X1，X2，…，XN}，随机变量中任一组状态为x={x1，x2，…，xN}。通过常规贝叶斯网络推理方式，遍历联合概率质量函数，且该函数由信度集顶点组合形成，完成对信度网络的精确推理，计算属于根节点变量状态Ri出现的概率Pi，Random(Ri|xe)的最大和最小边界值，且出现概率是在气象证据变量的观察值xe下出现，计算公式为

(6)

(7)

式中：条件信度集为K(X)；Pi，Random(X)是从随机变量条件信度集顶点对应的概率质量函数上获取，并且其取值为Pi，Random(X)∈ext(K(X))；节点变量集合X{R，E}和XE分别属于XM1和XM2；XMj为节点变量集合，其全概率运算用∑XMj表示，其中j=1，2；Xi为节点，πi为其对应父节点集合的观察值集合。综上所述，预测步骤流程如图2所示。

图2 预测步骤流程

1)通过偏移爬坡率rRR及变量状态划分方法，在信度网络结构学习前构建信度网络节点变量和各节点变量的状态集。

2)采用贪婪搜索算法从已有变量集与状态集中获取最佳信度网络结构。

3)条件信度集K(X)建立在确定后的信度结构网络中，该建立是通过不同爬坡状态先验概率和各爬坡证据节点关联的非精确条件概率的统计和IDM估计完成。

3 实例分析

本文的实例测试对象为某地光伏电站数据，选取实例测试对象在连续两年内的电站实际运行功率数据和相应数值天气预报数据(6类气象场景如表1所示)，时间分辨率为5min，该光伏电站装机容量为50MW。采用合理性检验，对数据实行筛选后，将数据划分为训练集和验证集。

表1 天气场景

3.1 生成序列性能测试

为测试本文方法的序列生成性能，采用本文方法统计光伏发电出力序列的基本特征，并与原始序列作对比，判断本文方法的序列生成性能，结果如表2所示。光伏发电出力序列的基本统计特性包括均值、方差和零出力百分比。

表2 生成序列和原始序列基本统计特征对比结果

根据表2可得：本文方法生成的光伏发电出力序列的基本特征与原始序列基本相差较小，说明本文方法具备较好的序列的基本统计特性生成性能。

光伏发电出力分布是衡量光伏发电出力序列生成质量优劣的标准之一。为对比两组随机变量是否服从同一分布，采用KS(Kolmogorov-Smirnov test，柯尔莫哥洛夫-斯摩洛夫检验)检验。该检验通过对比两组累积概率密度函数曲线之间的最大垂直距离D，并与给定临界值比较，如果临界值大于D值，表示这两组随机变量服从同一分布。KS检验公式为

D=max{|S(xi)-F(xi)|}

(8)

式中：两组随机变量的累积概率密度函数分别为S(xi)和F(xi)。

原始序列及生成序列的随机分量序列的概率分布和累积概率密度函数对比结果如图3所示。

图3 累积概率密度函数和序列概率分布对比结果

根据图3可知，生成的序列累积概率密度函数和序列概率分布曲线与原始的几乎重合，说明本文方法生成序列的分布效果良好，进一步说明生成序列概率密度分布的有效性。

3.2 预测性能测试

根据表1中5类不同的气象因素状态，采用文献[5]方法和文献[6]方法，分别为基于小波深度置信网络的爬坡预测方法和基于ISMC-PSO的爬坡预测方法作为本文方法的对比方法，测试三种方法对不同气象状态组合下，光伏发电功率的各种爬坡状态发生覆盖概率区间的预测，结果如表3所示。

表3 三种方法的爬坡覆盖概率区间预测对比结果

分析表3可知，在E1、E2和E3的气象条件下，三种方法均可以完成爬坡状态预测真实概率的覆盖，但是，本文方法的覆盖区间小于两种对比方法，说明本文方法的预测效果更佳；在E4和E5的气象条件下，本文方法依旧可完成爬坡状态预测真实概率的覆盖，但是两种对比方法则无法准确地覆盖爬坡状态预测的真实概率。说明本文方法可在多种气象条件下，较好地实现对光伏发电功率爬坡状态的概率预测，并能实现对真实概率的覆盖，预测性能较好。

为进一步测试本文方法的预测性能，采用三种方法对5类气象状态组合的非精确概率预测结果进行统计，测试三种方法在验证集中，对真实概率的覆盖率和平均概率区间宽度，结果如图4所示，以此判断方法的可靠性。