大数据分析下太阳能发电优化模型研究

孙运志 蒋德玉 李沛东 张盛林 化晨冰

摘要：能源危机环境下太阳能发电有利于降低不可再生能源的使用量。然而太阳能发电系统中功率比较不稳定，容易造成一系列问题，对太阳能发电功率预测有助于降低问题发生，于是文章研究大数据分析下太阳能发电优化模型。首先利用偏相关方法分析影响太阳能发电功率的因子，然后将大数据分析技术中的多样式回归、混沌神经网络、鲁棒平滑和支持向量机等模型建立组合预测模型，将该模型用于太阳能发电功率预测中，研究结果表明组合预测模型具有更好的精确性。

关键词：大数据分析;太阳能;发电功率预测;优化模型

中图分类号：TM615

文献标识码：A

文章编号：1001-5922（2020）09-0086-04

太阳能属于一种清洁能源，利用太阳能发电有助于降低我国不可再生能源的消耗，而当前太阳能发电还存在一定的问题，因为太阳能发电系统具有较大的随意性，会造成电力系统出现安全稳定，还会出现电能质量不稳定等问题，于是对太阳能发电功率进行预测具有重要作用[1-2]。随着大数据分析技术的快速发展，已经有了很多较为成熟的理论，并且在很多领域中具有良好的应用效果[3]。电力系统的不断应用发展，其中存在各种较为复杂的数据，体现出了大数据的特点[4]。文章将通过利用大数据分析技术，对太阳能发电功率进行预测，其中建立了发电功率的组合预测模型。

1 太阳能发电功率受到气像因素的影响分析

1.1 发电功率的影响因素

一般情况下，地理环境和天气状况都会对发电功率造成很大影响，影响最大的是光照量，湿度、风况和温度也会对发电功率造成一定的影响;另外，太阳能发电系统的安装位置、安装角度等也会影响到发电功率[5-6]。通过某地区的一个太阳能发电系统的各个数据进行计算，得到如表1所示的气象因子和输出功率之间的Pearson相關系数。

从表中可以看出，光照和气温与太阳能功率有较大正相关系数，另外的湿度和功率有较大的负相关性。

1.2 偏相关分析

由于变量之间的关系非常复杂，仅仅只进行简单的相关系数分析，不能准确的反映出与功率之间的相关性。而通过使用偏相关分析，能够准确的放映出各个因素与功率之间的关系。

于是通过上述分析后，可以得到如表2所示的偏相关系数。从表中可以看出，气温和功率之间存在负相关性，于是可以验证得到前面所分析的Pearson相关系数结果不准确。从该表中，可见光照强度属于影响最大的因子，所以在建模过程中需要着重分析;气温和湿度具有较大的负相关性，于是在模型中也需要着重分析。而其它的影响因子与功率之间的相关系数比较小，所以可以将其忽略，即在建模过程中不需要考虑这些因子。

2 大数据分析下组合预测模型分析

组合预测就是将不同的预测模型进行组合，从而可以发挥每个模型的特点和优势，需要将对每个模型进行加权平均处理，从而实现模型的优势互补，提高模型的预测效果。

2.1 组合预测模型

选择两种以上的模型预测对象，然后按照一定的方式将每个模型进行综合处理形成一个组合模型，最后通过该模型进行预测。其数学模型如下所示：

图1是组合预测模型的结果，其中数据仓库中有太阳能发电系统的各种数据，方法仓库中就是不同的预测模型，通过确定加权系数之后，即可建立组合预测模型，然后对组合预测模型进行应用，最后将结果存放于预测结果库中。

2.2 加权系数确定方式

加权系数直接决定着组合预测模型的应用效果，文章通过使用混沌粒子群优化算法确定加权系数，其

3 大数据分析技术中单相模型

3.1 混沌神经网络模型

文章使用递归网络构造混沌神经网络。其中结构主要有三个部分，分别为输出层、输入向量和隐含成。在隐含层中存在一个反馈连接，其主要作用在于有利于网络表现出实时动态特征。图2即为混沌神经网络结构图。在隐含层和反馈层中需要有一个传递函数，于是分别使用的线性函数和Logistic函数。于是网络每层之间的传递函数如下所示：

3.3 其他单项模型的选择

通过运用多项式和鲁棒方法，可以将其作为跟踪因子和抑制因子，然后将这两者放到补偿系数中，从而可以构成组成预测模型，使得模型具有更好的稳定性。

4 算例分析

4.1 归一化处理

通过对太阳能发电系统的实测数据为例，训练样本选择的是历史发电功率和气象数据，目的在于对组合预测模型进行检验，是否具有较好的应用效果。其中功率预测时间是15min。然后对相关数据进行归一化处理，其处理公式如下所示：

4.2 预测结果

为了体现组合预测模型的优势，文章将其他单个模型也进行了预测分析。预测结果如图3所示。

4.3 误差分析

文章需要对5种模型进行误差比较，于是比较标准使用的为平均绝对百分比误差，简称MAPE，将其符号设置为SMAPE：

4.4 预测实例结果分析

表4即为5种预测模型的误差统计，从表中可以看出，组合预测模型其误差率更小，具有更好的精确性。另外，支持向量机模型和混沌神经网络模型的误差率也相对比较低，因为在该模型中将气象因子进行了考虑，于是其精度性比较好。组合预测模型因为将几种模型进行集中处理，然后合为一个模型，该模型将具有其他模型的优势，于是其抗突性变和跟踪能力将会很好，于是其精确度将会比其他单独的模型更高。

5 结语

大数据分析技术的性能广泛，在很多领域中具有重要作用。文章通过应用大数据分析中挖掘技术对太阳能发电功率进行预测，建立优化模型，将几种模型进行集合为一个模型，即所提的组合预测模型，在给模型中考虑了气象因子，相比于其他几种单独模型，在实际的应用过程中组合预测模型有更好的精确度和预测效果。

参考文献

[1]赵波，薛美东，葛晓慧，等，光伏发电系统输出功率计算方法研究[J].电网与清洁能源，2010，26（07）：19-24.

[2]彭恒，闰伟华.太阳能光热发电新技术工艺路线综述[J].电站系统工程，2020，36（03）：25-26+29.

[3]严英杰，盛戈唪，陈玉峰，等.基于大数据分析的输变电设备状态数据异常检测方法[J].中国电机工程学报，2015，35（01）：52-59.

[4]刘昕林，罗伟峰，黄萍，等.大数据环境下电力信息系统监控预判的智能分析[J].微型电脑应用，2019，35（07）：140-142+157.

[5]邓雅，胡书举，孟岩峰，等.光伏发电系统功率预测研究方法综述[J].电气制造，2013 （006）：50-53.

[6]杨光，光伏发电功率与气象影响因子关联关系的分析研究[D].北京：华北电力大学，2014.

[7]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（16）：71-75.

[8]赵丹，戚龙.支持向量机预测光伏发电系统最大功率的算法研究[J].吉林化工学院学报，2015，032（006）：89-94.

作者简介：孙运志（1970-），男，汉族，山东临沂人，硕士研究生，高级工程师，研究方向：能源规划综合研究。