基于神经网络的光伏电站出力超短期预测研究

李光明，郑丽娜，范 威，吉 畅，刘 龙

(1.六盘水师范学院物理与电气工程学院，贵州六盘水 553004；2.国投新能源（红河）股份有限公司，云南红河 654300)

光伏电站输出功率呈现随机性强、波动性大、难预测等特点，大规模的光伏电站接入电网会给电网的安全稳定运行、调度和调峰带来极大的困难[1]。准确预测电站未来某一时段内各时刻点输出功率，对保障电网稳定运行、提高能源利用效率具有重要的意义[2]。目前，光伏出力预测方法整体上可分为两大类，一类是基于太阳辐射[3-4]和光伏电站物理模型，不需要电站运行历史数据的间接预测方法，太阳辐射的预测精度直接决定电站出力预测的精度；另一类是基于电站运行历史数据、太阳辐射量、气象数据，采用统计或智能算法建立光伏电站出力与输入变量间关系的直接预测方法，常采用的预测模型有回归统计分析模型[5]、马尔可夫链模型[6]、灰色理论模型[7]、支持向量机模型[8]、深度学习法[9]、神经网络模型[10-11]、多种模型组合应用[12]等。此类方法中回归统计分析法、马尔可夫链和灰色理论法，方法简单，运算量小，对随机变化的气象数据适应能力较弱，原始数据的准确性对预测精度影响较大，预测结果不稳定，但对于预测时间范围很短时，回归分析法在预测区间精度较高。支持向量机模型虽算法简单，运算量小，但在复杂天气条件下的预测精度较差。与之相比，基于神经网络、深度学习、多模型组合的智能预测算法，具有良好的非线性逼近能力，复杂天气条件下，光伏电站出力预测精度较高。本文基于BP 神经网络模型，分别以实测气象数据和中尺度数值天气预报数据为训练样本，对比研究了不同数据样本下神经网络模型对光伏电站同一天气情况下的出力预测效果。

1 光伏电站出力影响因素分析

1.1 气象环境因素

气象环境因素主要有太阳辐射、环境温度、风速、云量、降雨量、空气质量等[13]。太阳辐射直接决定太阳电池光生电流Iph，即Iph=G[Iphref-α(T-Tref)]/Gref，二者之间呈正比关系，具有基本相同的变化趋势；环境温度与太阳电池光生电流成正比、与输出电压和功率成反比，一天内各时段的环境温度变化较大受光照和风速的影响；风速能降低太阳电池运行工作温度，提高出力；云量、降雨量、空气质量会影响太阳电池接收到的太阳辐射强度，进而影响电站出力。

1.2 电站建设因素

不同的安装方式和安装倾角，光伏方阵接收的太阳辐射差异较大，选择不同型号的电气设备(组件、汇流箱、逆变器等)和不同的布置方案直接影响电站电缆用量和光电转换效率。因地制宜、科学合理的施工方案是保障电站质量的关键，如在组件搬运、安装时应选择避免导致组件产生隐裂的方案，以降低组件输出功率衰减、提高组件抗老化能力。在采用间接预测方法时，设计方案会影响光伏电站物理模型建立。

1.3 运行维护因素

电站在运行阶段，光伏组件在受到诸如杂草、树木、鸟粪、灰尘等遮挡物遮挡时，组件工作温度上升，太阳电池光生电流Iph减小，并联电阻Rsh和漏电流增大，降低了光伏组件输出功率。此外，组件隐裂、老化、故障停机等因素直接影响电站发电效率和电站并网实际容量的统计，进而影响预测结果。

2 光伏电站出力预测模型建立

BP 神经网络[14]是一种信号正向传播，误差反向传播调整的多层前向网络，基本结构如图1 所示。对解决随机性较强的非线性问题具有较强的适应能力，通过样本数据的刺激学习，使其在训练过程中反馈信号不断调整权值和阈值，不断重复训练，以达到期望输出，应用于光伏电站出力预测有较高的精度。

图1 BP神经网络基本结构

网络由输入层i、隐含层j和输出层k三层结构组成，设输入层i有n个神经元(i=1,2,…,n)，隐含层j有p个神经元(j=1,2,…,p)，输出层k有s个神经元(k=1,2,…,s)，则神经网络输入层输入和输出量为X=[x1,x2,…,xn]T，隐含层输入量和输出量分别为U=[u1,u2,…,up]T、V隐=[v1,v2,…,vp]T，输出层输入量和输出量分别为Z=[z1,z2,…,zs]T、Y=[y1,y2,…,ys]T。设隐含层j与输入层i间的权值和阀值分别为wji、θj，隐含层j与输出层k间的权值和阀值分别为wkj、θk，则隐含层输入量和输出层输入量可表示为：

隐含层j和输出层k各神经元的输入量与输出量由传递函数确定，即：

式中：a、b、c为常数，f(uj)、f(zk)被限定在[0,1]之间。

任意一组训练样本X均对应一组实际输出样本Y和期望输出样本D，即D=[d1,d2,…,dk]T，训练样本经M次迭代后，输出层的累积误差E(M)为：

用训练误差逐步调整各层间的输入权值和阀值，本文选取梯度下降算法作为调整依据，设隐层与输入层间的调整梯度为δj，输出层与隐层间的调整梯度为δk，训练样本经过M次迭代后，误差在逐渐传递过程中修正各层的权值和阀值，修正后的权值和阀值可表示为：

3 预测模型应用与分析

3.1 训练样本数据来源

样本数据来源于气象预报中心和电站实测，其中气象预报中心样本数据包括太阳总辐射、散辐射、直辐射、风速、风向、环境温度、相对湿度、气压8 个序列，每天8：00 和16：00 各获取一次预报数据，每次预报数据均为起报点至未来72 h 内的288 个数据点，时间分辨率为15 min。电站实测数据包括水平面太阳总辐射、散辐射、直辐射、斜面太阳总辐射、环境温度、组件温度、空气湿度、气压、雨量、风速、风向、电站运行容量和输出功率13 个序列，时间分辨率为5 min。

3.2 数据处理

(1)统一数据时段：为实现数据的统一性，选取每日8：00～18：30 时段数据，其余时段数据舍弃；

(2)变换数据时间分辨率：将样本数据时间分辨率全部变换为15 min，数据值取每15 min 内的加权平均值；

(3)数据剔除：剔除非选取时段的数据和选取时段内的异常数据，如辐射量、风速、输出功率、气压、湿度数据为负值的数据点，运行容量逐时变化超过5%、温度变化超过30%的数据点；

(4)数据插补：对8：00～18：30 时段内异常数据或缺失数据采用多重插补法补齐；

(5)数据归一化：因隐含层、输出层输入与输出间的激励函数取值被限制在[0～1]之间，且样本中各序列数据值大小差异较大，对模型输入数据进行归一化处理，即：

式中：、Pi、Pmin、Pmax分别为归一化后输入量、原始输入量、原始输入量最小值、原始输入量最大值，输出的预测值可通过反归一化还原。

3.3 应用与结果分析

建模预测模型应用于西南地区某300 MW 大型光伏电站，选取电站2020 年1 月31 天的有效数据，包括数值天气预报数据(辐射量、温度、风速、湿度)、实测气象数据(辐射量、温度、风速)和电站运行数据(运行容量、输出功率)。对数据处理后，迭代次数取5 000 次，学习效率取0.01，分别以实测气象数据、数值天气预报数据对模型进行训练，并将训练好的模型用于预测2020 年1 月1 日15 min 分辨率的输出功率，预测结果如图2所示，预测日太阳辐射量预报和实测值如图3 所示。

图2 2020年1月1日预测曲线

图3 2020年1月1日太阳辐射量

从图2 和图3 中可看出，采用实测气象数据作为训练样本，其预测结果比采用数值天气预报数据的效果要好，在10：00 之前13：00 之后，太阳辐射量预报值与实测值差距较小，二者的预测效果趋近。在10：00 至13：00 区间，输出功率实际值与预测值偏差较大，其主要原因是输入的天气预报数据误差太大所致。

选用平均绝对误差(MAE)、均方根误差(RMSE)、相关性系数(R)和合格率(Q)作为本光伏电站出力预测误差指标，进一步分析预测效果，MAE、RMSE、R和Q具体计算如下[15]：

式中：N为预测日15 min 时间间隔的预测数据点个数，本模型中N=42；PMi、Ppi分别为预测时段内第i个15 min 时间间隔内的实际输出功率和预测功率；Ci为第i时段内的电站运行容量，预测日各时段电站容量均为289.7 MW；分别为所有样本实际功率和预测功率的平均值。

对电站2020 年1 月1 日8：00～18：30 时段内15 min 间隔的输出功率预测效果如表1 和图4 所示。可以看出：与采用数值天气预报数据作为预测模型训练样本相比，实测气象数据样本训练的预测模型，MAE、RMSE、R和Q指标均较优、预测精度较高，其均方根误差指标更接近于国标(NB/T 32011-2013)要求，预测合格率达到了国标要求。

表1 2020 年1 月1 日不同样本数据的预测效果

图4 神经网络样本训练回归信号分布情况

4 结论

光伏电站实时输出功率受气象数据、设计方案及施工水平、运行维护质量等多因素的影响，其中太阳辐射、温度、风速是影响输出的主要因素。预测结果表明：在相同天气条件下，BP 神经网络预测模型训练样本采用实测气象数据，其预测效果整体优于采用数值天气预报数据，预测精度较高，其均方根误差、合格率等指标基本达到国标要求；采用数值天气预报数据训练BP 神经网络预测模型，其预测精度主要取决气象预报数据的预测精度，下一步可采用精度较高的小尺度天气预报数据，或将实测数据用于修正中尺度天气预报数据，将修正后的预报数据训练预测模型，进而提高预测质量。

致谢：感谢国投云南风电有限公司建水南庄电站提供训练样本数据。