深度森林与人工神经网络在光伏出力预测的比较

沈文博，孙荣霞，马少卿，王硕南

(河北大学 电子信息工程学院，河北 保定 071002)

0 引言

光伏发电受到光照辐射强度、环境温度等因素的影响，其发电功率具有随机波动特性，而规模化与分布式光伏的并网接入，对电网的规划、运行、调度和控制带来巨大挑战。因此，需要对光伏发电功率进行预测，获得其功率发展特性曲线，为电网调度预测行为提供依据，降低运转备用容量和运行成本，对保证系统的安全稳定、促进电网的优化运行具有重要意义[1]。目前，光伏功率预测建模包括物理方法和统计方法，物理方法是以光伏发电中的能量转化装置及控制系统各部分的数学模型进行预测，其预测的有效性取决于对光伏发电过程中对象结构及其遵循规律的把握程度和模型参数的精度，设计环节多，过程复杂，参数求解困难[2]。而统计方法的代表方法则是人工神经网络、支持向量机(Support Vector Machine，SVM)、马尔科夫链等[3-5]。其中，人工神经网络由于能够逼近任意复杂的非线性函数，具有较强的适应性和较好的预测能力，应用最为广泛[5-7]。但人工神经网络同样面临着学习速度慢、对训练样本要求高、调参复杂等缺点。针对这些缺点，采用一种多粒度级联森林(Multi-Grained Cascade Forest，gcForest)的预测模型对光伏发电数据样本进行训练和预测。将预测结果与电站实际数据做对比，结果表明所建立的预测模型的应用效果好，适应性强。

1 多粒度级联森林模型介绍

2 光伏出力影响因素分析

在不考虑光伏系统组件材料和安装结构以及摆放角度等内在因素的情况下，影响光伏出力的因素大致可分为两类：一类是光伏系统发电时的环境因素，另一类是光伏系统发电相关的气象因素[3]。

在第一类因素中，需要考虑光伏发电系统所处的温度、湿度等环境条件对组件的影响。这方面因素影响的是光伏系统的运行状态。当光伏组件温度较高时，工作效率下降。而随着太阳能电池温度的增加，开路电压减小，在20～100 ℃范围，大约每升高1 ℃，每片电池的电压减小2 mV；而光电流随温度的增加略有上升，大约每升高1 ℃，每片电池的光电流增加千分之一或0．03 mA/(℃·cm2)。图1是光伏发电系统日出力与日平均温度值的关系[9]。由图1可见，当日平均温度低时，光伏出力减小，而当日平均温度高时，光伏出力增大，因此，温度对光伏出力具有一定的影响。

图1 光伏功率与日均温度

而光伏系统发电相关的气象因素则会影响光伏发电的光照强度。其中对光照强度影响最直观的则是气象特点和天气情况。图2(a)、(b)分别是晴天和阵雨天时的发电功率。可以看出，晴天发电功率具有一定的时间规律，随着太阳的运动而产生规律性变化，在12：00到14：00的光伏发电效率最高，当太阳降落后发电效率为0；而阴雨天气则具有随机的不确定性，需要根据气象条件判断，发电功率较晴天是降低明显，在下雨时段发电功率接近与0。而针对光伏发电的特点，采用温度、湿度、风速以及当前的时刻来作为输入特征向量，湿度、风速、时刻和温度等多条件拟合来代替缺失的光照强度数据，而气象条件因素具有耦合性，各因素相互作用相互影响。

图2 晴天和阵雨天气的光伏功率出力

3 预测结果和分析

在光伏预测中输入特征的数值大小及单位不同，为了消除输入变量差异对模型的影响，需要对输入进行归一化处理，公式如下：

(1)

式中xi代表归一化处理后的数据，x为原始特征输入，xmin为原始输入特征中的最小值，xmax为原始输入特征中的最大值。本文中的输入数据特征为历史数据中的时间指数、温度、风速和湿度，输出数据为各时段的发电功率。为测试模型效果，将发电数据集随机分为测试集和训练集，用Python的Sklearn库的model_selection包中的train_test_spilt函数来对历史数据随机进行分类，分类比例是：训练集为历史数据的2/3，测试集为1/3。

(2)

(3)

(4)

算法效果如表1所示。

表1 算法效果对比 (%)

从预测结果来看，预测结果和实际值之间是存在误差的，主要是由两方面引起：第一，训练样本数量少；第二，未对天气类型和输入特征进行细化。如果加入更细化的天气类型，虽然会提高预测精度，但也会对实时天气预报提出更高的要求，增加预报数据获取的难度。目前所建立的预测模型效果好于传统的BP神经网络，同时也解决了神经网络需要调大量参数、隐含层设定不确定的问题，gcForest具有参数少、不用预先确定结构的优势。

4 结论

根据温度和天气因素对光伏发电的影响，建立了基于gcForest的光伏发电出力预测模型，通过与传统BP神经网络预测算法进行对比，并将预测结果与实际数据相比较，验证了算法的合理性，所建立的预测模型可以有效地预测各类天气情况下光伏发电的输出功率。

参考文献

[1] 李碧君,方勇杰,杨卫东,等. 光伏发电并网大电网面临的问题与对策[J]. 电网与清洁能源,2010,26(4):52-59.

[2] 王飞,米增强,甄钊,等. 基于天气状态模式识别的光伏电站发电功率分类预测方法[J]. 中国电机工程学报,2013,33(34):75-82,14.

[3] 龚莺飞,鲁宗相,乔颖,等. 光伏功率预测技术[J]. 电力系统自动化,2016,40(4):140-151.

[4] 傅美平,马红伟,毛建容. 基于相似日和最小二乘支持向量机的光伏发电短期预测[J]. 电力系统保护与控制,2012,40(16):65-69.

[5] 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.

[6] 张程熠,唐雅洁,李永杰,等. 适用于小样本的神经网络光伏预测方法[J]. 电力自动化设备,2017,37(1):101-106,111.

[7] 袁晓玲,施俊华,徐杰彦. 基于BP神经网络的光伏发电短期出力预测[J]. 可再生能源,2013,31(7):11-16.

[8] Zhou ZhiHua, Feng Ji. Deep forest: towards an alternative to deep neural networks[EB/OL].(2017-5-31)[2017-09-28].https://arxiv.org/abs/1702.08835.

[9] 张雪莉,刘其辉,马会萌,等. 光伏电站输出功率影响因素分析[J]. 电网与清洁能源,2012,28(5):75-81.