基于BP－ANN的光伏发电功率超短期预测方法

常学飞，杨薏霏，王志煜，李德鑫，袁 野

（1.国网吉林省电力有限公司电力科学研究院，长春 130021；2.国网长春供电公司，长春 130021；3.国网通化供电公司，吉林 通化 134001）

随着大型光伏电站的并网运行，光伏发电的间歇性和波动性等特性，给电力调度工作带来了许多困难和挑战［1］。建立光伏发电功率预测系统，对保持电力系统安全稳定具有重要意义。

对于光伏发电功率的预报，目前大多数依靠卫星图片和气象数据，预报主要依靠多年的太阳辐射的历史数据以及精确计算地表太阳辐射。根据预测的时间尺度可分为超短期预测、短期（日前）预测、中长期预测。超短期预测［2-3］一般预报时效为0～4h，主要采用数理统计方法、物理统计综合方法，用于修正日前计划曲线；日前预测预报时效一般0～24h，以数值天气预报方法为主，主要用于电力系统的功率平衡和经济调度、日前计划制定、电力市场交易等；中长期预测主要用于系统的检修安排，发电量的预测等。

针对超短期预测，采用的预测方式为间接预测法和直接预测法同时进行，采用统计建模方案［4］建立短期预测模型。间接预测法以光伏电站环境监测站历史气象数据为基础，运用BP－ANN（反向传播－人工神经网络）统计法建立统计预测模型，输入环境监测站实时气象数据获得辐射超短期预报，然后通过光电能量转换模型获得超短期光伏功率预测。直接预测法以光伏电站历史运行功率数据和环境监测站历史气象数据为基础，运用BP－ANN神经网络统计法建立统计预测模型，并以光伏电站实时功率数据和环境监测站实时气象数据为输入，实现超短期光伏发电功率预测［5-7］。

1 BP－ANN法

BP－ANN是一种多层前馈神经网络，源于网络权值的调整规则采用的是后向传播学习算法，即BP学习算法。BP－ANN原理如图1所示。网络的信号传送由正向传播与反向传播两部分组成，在正向传播阶段，学习样本送入输入层，经隐层逐层运算后，传至输出层，每一层神经元的状态只影响下一层神经元的状态，如果在输出层没有得到期望的输出结果，即网络的实际输出与期望输出之间存在误差，则计算输出层的误差变化值，然后进入误差反向传播阶段，这时误差信号沿着原来的连接从输出层返回至输入层，并逐层调整连接权值，以使误差达到最小。

图1 BP－ANN原理示意图

2 基于BP－ANN的光伏功率预测模型

采用BP－ANN对光伏电站的辐射进行预测，再通过电站实际运行的功率曲线将辐射能转化为电能，以实现对光伏电站输出功率的预测。BP－ANN选取经典的三层网络结构，包括一个输入层、一个隐层、一个输出层，BP－ANN基本结构如图2所示。

以各个光伏电站的辐射环境监测站历史数据为训练样本集，分季节天气训练分别建立BP－ANN模型；输入信号归一化处理，以归一化后的环境监测站实测数据作为输入数据，经BP－ANN模型模拟，获得预测的辐射等气象数据。

风速归一化方法：

式中：vU为归一化后的风速值；vt为数值天气预报系统预测的风速值；vmax为气象观测的历史最大风速。

风向归一化方法：风向可能在0°～360°之间变化，取风向的正弦值或余弦值可实现0～1的映射，但是单一的正弦值或余弦值不能完全区分0°～360°的所有风向，风向的正弦值和余弦值结合在一起可以区分所有的风向，因此输入神经网络的风向为两个值，一个为风向的正弦值，一个为余弦值。

图2 BP－ANN光伏功率预测结构图

气温归一化方法：气温有正有负，所以要取绝对值的最大值进行归一化，如下式所示：

式中：Tt为归一化后的气温值，为数值天气预报预测的气温；｜Tt｜max为气象观测的气温绝对值的最大值。

气压、湿度、辐射的归一化采用和风速归一化类似的方法，取气象观测的最大值进行归一化。

3 预测流程

采用统计方法实现光伏电站超短期输出功率预测。首先，基于统计率定实现对光伏电站的地面短波辐射预测，通过光电能量转化模型，实现光能与电能间的转化，并最终实现光伏电站的输出功率预测。间接预测法流程如图3所示。

此外，对于暂不具备环境监测站实时数据条件的光伏电站超短期预测功能需求，采用直接预测法，通过BP－ANN技术率定统计预测模型实现。直接预测法流程如图4所示。

4 预测误差评估

光伏发电功率预测误差评估指标主要包括均方根误差、平均相对误差、相关性系数。均方根误差nRMSE：

图3 超短期间接预测法流程

图4 超短期直接预测法流程

式中：PMi为i时刻的实际功率；PPi为i时刻的预测功率；Cap为光伏电站总装机开机容量；n为所有样本个数。

平均相对误差nMRE：

5 实例应用

应用上述方法对某10MW光伏电站进行光电功率超短期预测，并与光伏电站实时在线监测进行对比，预测曲线如图5所示。可见，超短期预测结果与实测功率趋势一致，一定程度上能够捕捉功率的跳变。

表1给出了该光伏电站2012年7月1日至2012年8月1日之间的预测结果总体统计分析数据。该结果不包括对夜间光伏电站出力为零时段的统计。可见，超短期预测结果与实测数据的相关系数达到95.41%，超短期预测结果的均方根误差为10.98%、平均相对误差为7.49%，统计指标结果均较小，说明预测的合格率比较高，能够满足应用的要求。

图5 超短期直接预测法预测曲线

6 结论

本文根据光伏电站并网调度运行工作的实际需求，研究了基于BP－ANN的光伏发电功率超短期预测方法，预测流程及预测误差评估，并将方法实际应用，通过与实时监测数据对比，表明所述光伏电站发电功率超短期预测方法误差较小，合格率较高，能够满足应用的要求，体现了其在光伏电站并网调度运行中应用的可行性和有效性。

［1］李冬辉，王鹤雄，朱晓丹，等.光伏并网发电系统几个关键问题的研究［J］.电力系统保护与控制，2010，38（21）：208－214.

［2］丁明，徐宁舟.基于马尔可夫链的光伏发电系统输出功率短期预测方法［J］.电网技术，2011，35（1）：152－157.

［3］CAI Tao，DUAN Shan－xu，CHEN Chang－song.Forecasting power output for grid－connected photovoltaic power system without using solar radiation measurement［C］／／2ndInternational Symposium on Power Electronics for Distributed Generation Systems（PEDG 2010），Hefei，China，2010，274－278.

［4］杜晓宁，席裕庚，李少远.分布式预测控制优化算法［J］.控制理论与应用，2002，19（5）：793－796.

［5］徐维.并网光伏发电系统数学模型研究与分析［J］.电力系统保护与控制，2010，38（10）：17－21.

［6］张洋，李强，李朝晖，等.光伏－储能联合微网系统工程方案设计［J］.电力系统保护与控制，2010，38（23）：212－214.

［7］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.