基于时间序列模型的光伏电板发电量预测研究

2022-07-08金尚柱

重庆科技学院学报（自然科学版） 2022年3期

金尚柱薛润

(重庆科技学院智能技术与工程学院，重庆 401331)

0 前言

能源系统的碳减排对实现“碳达峰、碳中和”起着决定性作用[1]。电力作为当今城市生产生活的主要能源，因此通过技术手段实现电力节能减排是我们目前探索的主要方向。国外相关研究起步较早，美国与欧洲国家已形成强大的研究群体，研究内容覆盖了发电、输电、配电和售电等环节。我国目前正在深化电力体制改革，大力发展清洁能源，推进智慧电网建设。

太阳能是一种新兴的清洁能源。截至2020年底，我国风电装机、光伏发电装机规模皆已“双双”突破2亿千瓦，光伏发电系统主要由太阳能电池组件、控制器和逆变器等3部分组成[2]。首先，利用光伏效应将太阳能转化为直流电能；然后，太阳能发电厂采用光伏逆变器将直流电转化为交流电，以供消费者使用，太阳能发电原理如图1所示。

图1 太阳能发电原理

光伏发电功率预测技术对控制光伏发电、保障光伏发电站平稳运行起着重要作用，能有效地帮助电网调度部门做好电源调度计划，减少光伏限电，提高电网消纳能力，增加光伏电站的投资回报率。经过研究，国内外学者提出了一系列光伏发电功率预测方法。Malvoni等人基于天气变化因素，提出了基于数据降维计算的SVM预测模型，降低了计算复杂度，提高了预测精度[3]。徐一伦等人提出了基于改进狼群算法的IWPA-LSSVM模型，从考虑天气类型和相似日的角度对光伏发电功率进行预测[4]。马晓玲等人提出了一种模糊聚类理论与BP神经网络相结合的FCM-BP模型，将发电行为分为发电高峰期、上升期、下降期和低谷期等阶段，根据不同时间段的发电特征进行分段预测，提高了短期发电功率的预测速度和精度，降低了其对天气因素的依赖性[5]。卿会等人提出 SVM-LSTM-DBN模型，并对短期光伏发电功率进行了预测[6]。上述方法都是孤立地对数据本身进行预测，未考虑各种数据之间的关联性。本次研究利用时间序列模型来预测光伏发电功率，提高了模型的有效性和准确性。

1 时间序列模型

时间序列模型主要包括自回归滑动平均模型(auto regression moving average，ARMA)和自回归积分滑动平均模型(auto regressive integrated moving average，ARIMA)等。其中，ARIMA模型可用于非平稳时间序列的分析，而现实生活中的数据往往是非平稳的。与传统时间序列模型相比，2017年Facebook发布的时间序列预测框架Prophet灵活且测量数据不需等间距分布，不用对缺失值进行插值处理，拟合速度较快。基于时间序列模型的预测方法已广泛应用于电力预测、疫情预测[7-8]和交通客流量预测[9]等方面。

1.1 ARIMA模型

ARIMA模型由Box等人提出，又称为Box-Jenkins模型[10]。该模型将预测对象随时间推移而形成的数据序列视为一个随机序列，用数学模型进行近似描述，模型拟定后可通过现有数据来预测未来数据。

ARIMA(p,d,q)模型如式(1)所示：

d∈N*

(1)

式中：L表示滞后算子；p表示预测模型中时序数据的时间间隔；d表示保持时序数据稳定而进行差分处理的次数，差分的作用是使序列的均值和方差不发生明显变化；ψi表示预测值与第i天数据的自相关系数；Xt表示未来t时刻的预测值；q表示预测误差的滞后数；εt表示误差项；θi表示第i天误差项的自相关系数。

如果时间序列平稳，则d为0，p和q采用自相关函数(ACF)和偏自相关函数(PACF)来确定。ARIMA模型预测流程如图2所示。首先，根据时间序列的散点图、ACF图和PACF图，通过ADF单位根检验其方差、趋势和季节变化性规律，识别序列的平稳性，对非平稳序列进行差分处理；然后，建立模型进行参数估计和白噪声检验，利用已通过白噪声检验的模型进行预测分析。

图2 ARIMA模型预测流程

1.2 Prophet模型

Prophet模型几乎能全自动地预测时间序列未来走势[11]，对数据要求较低，只需提取时间戳和时间序列就可以完成模型的构建。通过Prophet模型可以计算出时间序列的预测值，以及预测值的上界和下界。时间序列的分解是时间序列分析领域中的一种常见方法，它将时间序列分为季节项s(t)、趋势项g(t)、假日项h(t)和误差项εt等4个部分。

Prophet模型如式(2)所示：

y(t)=g(t)+s(t)+h(t)+εt

(2)

g(t)包含2个重要函数，一个是逻辑回归函数，另一个是分段线性函数。

因为时间序列往往呈周期性变化，因此需要选择变点，并根据变点所对应的增长率变化量来实现预测。本次研究主要基于季节性趋势和节假日效应进行模拟拟合。

2 实验设计

2.1 样本数据及评估指标

本次实验使用某太阳能电厂2020年5月15 日 — 6月17日的工作数据，数据分为发电数据集和传感器数据集。发电数据集记录每15 min产生的电量，每天可产生96条记录；传感器数据集记录相同时刻的环境参数，包括环境温度、传感器温度和每15 min的照射量。由相关性矩阵图(见图3)可知，环境温度是产能的主要影响因素，这与初步预测结果相符。

图3 相关性矩阵图

图4 不同光伏模块平均单日产生的直流电能

图5 光伏模块每日产生的电能变化规律

本次研究选用回归模型，评价指标包括可决系数(R2)、平均绝对误差(AME)、均方根误差(SRME)。

R2取值为0～1，R2越大，模型拟合效果越好。对于AME，是先计算每个样本预测值和实际值间的绝对误差，然后求和再取平均值。对于SRME，是先计算每个样本实际值与预测值差的平方，然后求和取均值再开根号。各指标公式如式(3) — 式(5)所示：

(3)

(4)

(5)

2.2 结果分析

本次实验采用ARIMA[12]和Prophet[13]模型。传统ARIMA模型的建立需要通过观察ACF和PACF图来定阶；而从pmdarima库中直接调用ARIMA模型，只需要提供训练数据，即可通过自动化调整参数设置使模型性能达到最佳状态。在训练中，将stepwise参数设置为True，训练后的最佳模型为ARIMA(4,1,0)(0,1,1)[96]。由ARIMA模型预测曲线(见图6)可知，预测值和实际值的曲线近似重合，模型效果良好。