基于卷积神经网络的新能源光伏电站发电功率预测方法
时间：2023-06-03 20:35:25 来源：雅意学习网 本文已影响 人 
张 健
(国电投安徽生态能源有限公司，安徽 合肥 230001)
近年来，我国针对新能源光伏电站发电功率预测方面的研究颇多。刘军、刘海涛等[1-2]设计了光伏电站功率预测方法，结合神经网络推导出与预测日相关的相似日，并利用熵权法优化预测模型，但该方法仅适用于短期功率预测；
王继拓等[3]针对光伏电站发电功率预测方法进行研究，该方法结合自回归以及马尔科夫链构建预测模型，计算量较大且极为复杂；
姜铁骝等[4]利用移动Ad Hoc网络设计了发电功率预测方法，该方法不适用于预测雨天、雪天等特殊天气，存在一定的局限性。
鉴于卷积神经网络的构造较为精简且网络结构参数规模小，无需进行预训练，且具有一定的实时性，尤其在特征提取方面表现突出，将其应用在预测光伏电站发电功率方面能够获得较好的预测效果，因此本文提出一种基于卷积神经网络的新能源光伏电站发电功率预测方法，通过搭建卷积神经网络模型并结合小波分解技术精准预测光伏电站发电功率，以助力电力调度平稳运行，促进新能源长期可持续发展。
1.1 选取光伏电站发电功率预测因子
1.1.1选取预测因子基本原则
全面分析新能源光伏电站发电功率的波动情况，搭建新能源光伏电站发电功率预测模型(以下简称预测模型)之前需先确定预测因子，即预测模型的各个输入向量，选取预测因子至关重要，需综合以下几个角度考量：
1)高效挖掘现有数据。考虑预测模型直接受预测因子影响，因此预测因子数量需保证在一定量范围内，避免发电功率预测模型工作过程中丢失关键信息，需在现有数据中充分挖掘有效信息以达到建模需求。
2)防止信息过度冗余。鉴于各个预测因子间的关系错综复杂，若选取错误预测因子极易导致预测模型遭受过度冗余信息干扰，给预测精度带来一定程度的影响。
3)把控输入变量维数。预测因子数量过多会导致样本数据在高维空间中较为分散，使得预测模型训练难度加大。
1.1.2辐照度变化规律
辐照度包括地外以及地表辐照度两大类。地外辐照度为处于大气层之上的辐照度，大气层对其不产生丝毫影响，且不受当下天气状况影响，完全受制于地球的公转以及自转活动影响[5]。光伏电站的经纬度、日期以及太阳高度角等为影响地外辐照度的重点因素。
不考虑闰年、地轴移动等影响，地外辐照度的变化规律以年为单位进行周期改变，对于一个已知地点的光伏电站而言，充分考量各个日期及各个时刻的影响，通过太阳常数、时角及日地间距离等参数求解该地的地外辐照度。
相对于地外辐照度，地表辐照度的变化具有极强的随机不确定性，易受到大气扩散状态的影响。在从大气层之上返回地球表面的途中，受到大气散射、水气、云量以及大气吸收等因素影响，太阳辐射有所减弱，此时该地的地外辐照度要明显大于地表辐照度。此外，辐照度制约部分气象参数的变化，二者间具有极高的关联度，这部分气象参数也能够反映辐照度的变化趋势。
1.1.3选取预测因子
新能源光伏电站发电功率直接受天气因素影响，在各种类型天气下发电功率皆随之产生变化[6-7]，这是因为新能源光伏电站发电功率与太阳辐射强度密切相关，而太阳辐射强度又与季节变换、不同时刻同步变化，光伏发电站的发电功率具有时间段周期性的变化规律，因此预测模型的预测因子需从现有历史数据以及相应气象参数历史数据中选取。
从选取的数据以及数据引入方式两个角度分析，将一段时间内的多维度发电功率历史数据定义为输入数据，并依据嵌入维数及各个历史数据求解预测模型的输入向量。
由于太阳辐射过程具有随机不平稳特性，且在日落至日出时间段内不产生辐照度[8]，在日出至日落时间段内辐照度时刻发生变化，预测因子直接引入多维度辐照度历史数据可能导致预测模型产生大量重复信息，导致输入向量维度增大，加剧搭建预测模型难度，因此仅选取某段时间内的辐照度历史数据并将其视为预测因子，能够降低输入向量的维度，同时高效挖掘历史数据中的有效信息。
另外，地外辐照度以及地表辐照度二者间的差异代表各种类型的天气状况，选取适宜的方式将其导入视作预测模型的预测因子，使得预测模型能够得到较为精准的天气状况数据，预测模型预测精度得以提升。
受计算方式的影响，地表辐照度数据通过离散采样的形式获取，地外辐照度数据则通过真太阳时和太阳时角获取。为把控输入向量的维数，将辐照度差值中的一些数学参数作为预测模型预测因子引入。通过相关研究发现，地表辐照度历史数据平均数以及辐照度差值一阶差分方差、辐照度差值三阶差分最大值为比较恰当的衡量指标，可将其视为探索光伏电站辐照度变化规律的候选预测因子。考虑到实际采集气象参数的过程中受不确定性因素影响，不能获取所有气象参数的历史数据，且其中一些气象参数存在关联性[9]，综合考量，从中选择与辐照度有较高相关性的环境温度以及相对湿度变量，将其视为预测模型的预测因子。
对于未来24～48小时的短期预测，考量其输出时间范围，结合辐照度变化规律的周期性以及年度内各个日期间的相关性，可将年度内各个日期的序号视为预测模型的预测因子。
综上所述，本文决定将预测模型的预测因子输入向量定义为6项，分别为年度内各个日期的序号、辐照度平均数、环境温度平均数、相对湿度平均数、辐照度差值一阶差分方差值、辐照度差值三阶差分最大值。
1.2 基于卷积神经网络的光伏电站发电功率预测模型
1.2.1选取预测模型的相似日
新能源光伏电站发电功率受各天气类型的影响较大，依据现有研究结果分析得知，晴天时的光伏电站发电功率变化相对同步，在雨天、阴天时发电功率有一定程度的波动，发电功率预测模型在各种天气类型条件下需有足够样本数据支撑，否则会导致预测结果不够精准。
依据光伏电站光伏阵列面积大小以及光伏电池转换速度、环境温度等参数，求解单位面积的光伏阵列输出功率。在同一光伏电站内，历史发电数据中包括光伏阵列面积大小以及光伏电池转换速度等信息，因此不予过多考虑。
收集历史发电功率数据后，将其先按四季时节划分开来，再将四季中的历史发电功率数据依据晴天、雨天以及阴天天气进行二次划分，对分类后的历史数据利用灰色关联分析法从中选取一天最为贴合预测日温度的相似日，步骤如下：
步骤1，构建初始样本。
根据预测日所在季节以及当日的天气预报信息进行分析，在历史发电数据样本库内选取与预测日同一季节、同一天气类型的历史发电日，构建初始样本。
步骤2，定义整点时刻温度数据。
采集的历史发电数据为单日内8：00—17：00(与图4相应)整点时刻的发电功率数据，而提取单日气象特征向量时，需利用当前日整点时刻温度以及历史日的气象特征向量，求解初始样本内相应的日发电功率的整点时刻温度数据，以期提升选取相似日的精准性。
步骤3，归一化气象特征向量。
利用第i个历史日内第k个气象特征向量、第k个气象特征向量极小值以及极大值，计算归一化后的气象特征向量。
步骤4，求解预测日与第i个历史日内第k个气象特征向量二者间的关联系数，在归一化处理后对预测日等参数进行求解。
步骤5，通过气象特征向量的分量数值求解预测日与第i个历史日的总关联度Ri，选取总关联度满足Ri≥0.6条件的历史发电日，并将其根据日期先后顺序排列，从中选择与预测日温度最为接近的日期作为相似日。
1.2.2构建光伏电站发电功率预测模型
卷积神经网络(convolutional neural networks，CNN)于1989年提出，其包含卷积计算、具有深度结构的前馈神经网络，可作为典型的深度学习算法。卷积神经网络可视作由传统神经网络进化而来，为分层式的网络构造，主要包含输入层、卷积层、池化层、全连接层以及输出层。由于卷积神经网络构造较为精简，采用权值共享技术可使网络结构参数规模较小，且无需进行预训练，卷积神经网络拥有较强大的实时性，在特征提取和探索结构方面性能极其优秀，因此利用卷积神经网络预测光伏电站发电功率能够获取非常好的预测效果。
由于卷积神经网络输入层应为二维图像，而本文从与预测日温度最为贴近的相似日中获取6个预测因子值，将其作为输入向量，这些数据皆为一维时间序列数据，需先转换数据维度，因此在原有的网络构造中加入两个转换层，用于将输入向量转换为二维矩阵进行训练，并在训练后将二维图像形式的数据转换为一维时间序列数据传输至输出层。图1为该卷积神经网络模型。
图1 卷积神经网络模型构造
构建卷积神经网络模型最关键的环节是确定超参数。超参数可细分为激活函数、卷积核数目以及卷积核大小等。本文选取ReLU线性激活函数，能够提升卷积神经网络训练效率，同时避免出现梯度饱和现象。另外，初始权值同样影响网络训练效率，需额外拟定，卷积核数目及卷积核大小则选取默认的参数配置。
鉴于相似日的预测因子值具有较为突出的非线性特征，在序列波形中会发生巨大震荡，导致预测精度受到较大影响，采用小波分解技术将原始序列数据分解为具有不同频率的子信号，使各子信号的特征更突出，更易被卷积神经网络模型提取，从而提升模型预测精度，由于光伏电站发电功率问题为非连续性问题，故选取离散型小波分解函数，将离散小波P(n)分解为一个低频的近似信号A(n)以及若干个高频细节信号B(n)，输入至卷积神经网络模型中进行训练，用图2描述小波分解过程。
图2 小波分解过程
综上所述，新能源光伏电站发电功率预测过程如下：结合小波分解技术与卷积神经网络，首先确定预测日期以及当日天气预报情况，从搜集的历史数据中筛选出与预测日处于同一季节、同一天气类型的日期构建初始样本集，并采用灰色关联分析法从中选取最为贴近预测日温度的相似日，将该相似日的6项预测因子值作为训练样本，对输入的训练样本数据进行归一化处理，再采用小波分解技术将其分解为若干个子序列，有助于卷积神经网络模型进行特征提取，将子序列输入至卷积神经网络模型中训练后获取输出结果，此时需将输出结果进行小波重构，并进行反归一化处理，从而获取预测日发电功率预测值的最终结果。
选取我国西部某地级市新能源光伏电站作为本次实验对象，并搜集该电站2021年1月1日—2021年12月31日的历史发电功率数据以及相应的气象数据，采用本文方法随机对未来日子进行发电功率预测，分析本文方法的预测效果，并探析该新能源光伏电站的发电功率变化规律。
2.1 预测效果验证
为全面分析本文方法的预测效果，首先验证预测精度。以希尔不等系数TIC为指标，衡量光伏电站发电功率最终预测效果。TIC的计算过程如下：
(1)
式中：n为样本数量，n=1,2,3,…,i,…；
x为发电功率预测值；
x0为发电功率实际值。TIC的取值范围为0～1，数值越小代表预测精度越高。在3种天气类型下各选取14个预测日，依据本文方法的预测结果与这14天的实际发电功率，计算本文方法的TIC值。预测结果与TIC值计算结果见表1。
表1 预测结果与TIC值计算结果
通过分析表1可知，各类型天气下的TIC最大值不超过0.085，说明本文方法预测光伏电站发电功率具有较好的实际应用效果，即使在阴天、雨天等发电功率波动幅度较大的情况下依然能够较为精准地预测当日发电功率。
由于实验地区的经济发展较为落后且人口数量不多，据官方数据统计，该市2021年5月份每日用电负荷需求波动幅度不大，因此采用本文方法对该电站一个月内的发电功率进行预测，并采取相应的电力调度措施，电力调度详情如图3所示。
分析图3可知，在获取光伏电站发电功率预测曲线后，相关部门讨论并做出相应的电力调度决策，刚好能够满足该市每日用电负荷需求，且光伏电站发电功率实际值与预测功率相差不大，未发生电力资源过度浪费或缺口情况，证明本文方法可精准预测光伏电站发电功率，从而助力电力调度平稳运行。
图3 电力调度详情
2.2 发电功率变化规律分析
在上述性能验证的基础上，采用本文方法对该新能源光伏电站3月15日到20日连续6天的发电功率进行预测。其中，15日及19日为晴天，16日及18日为雨天，17日及20日为阴天。利用本文方法得到的新能源光伏电站发电功率预测结果见表2。
表2 光伏电站发电功率预测结果
通过分析表2实验结果可以看出，晴天的光伏电站发电功率比阴天及雨天的发电功率高2～3倍，相对而言，雨天的发电功率略高于阴天。这是因为这两日雨天多数为阵雨且雨量中等偏小，而阴天的17日与20日云层较厚且多数时间未见太阳。
为保证研究结果的普遍性和公平性，扩大分析范围，从搜集的历史发电功率数据及气象数据中随机选取晴天、阴天、雨天3种天气类型的历史日，且每种天气类型下各选取10天的历史发电功率数据，计算同类型天气情况下各个时刻的发电功率平均值，用于描绘各类型天气发电功率变化规律曲线，鉴于一天当中8：00—17：00发电功率具有较高参考价值，故横坐标时间选取在此期间内的整点时刻。各类型天气下光伏电站发电功率曲线如图4所示。
图4 各类型天气光伏电站发电功率曲线
分析图4可知，晴天条件下历史日的发电功率随太阳辐射强度的变化而同步变化，在10：00—15：00其发电功率较高且相对平稳，即正午时间段发电功率达到一天之最，雨天的发电功率则受降雨量、降雨时间段等因素影响产生较大程度波动，而阴天发电功率受到云量及环境温度等影响，整体呈现小幅度波动状态，受天气类型影响，每日发电功率具有相应的变化规律。
本文提出基于卷积神经网络的新能源光伏电站发电功率预测方法，综合分析辐照度变化规律并选取预测因子，通过历史发电功率数据及天气预报资料选取与预测日最为贴近的相似日，搭建卷积神经网络模型后将该相似日的预测因子作为输入向量，进行发电功率预测。实验结果表明，晴天发电功率为阴天及雨天的2～3倍，该方法具有较好的实际应用效果，可精准预测光伏电站的发电功率，助力电力调度平稳运行，日后可从其他方向继续探索新能源光伏电站发电功率预测方法，促使方法更加完善。
猜你喜欢 辐照度电站卷积 基于3D-Winograd的快速卷积算法设计及FPGA实现北京航空航天大学学报(2021年9期)2021-11-02一种并行不对称空洞卷积模块①计算机系统应用(2021年9期)2021-10-11发改委：加快新能源车充/换电站建设汽车维修与保养(2020年11期)2020-11-23低影响开发(LID)在光伏电站中的应用建材发展导向(2019年5期)2019-09-09从滤波器理解卷积电子制作(2019年11期)2019-07-04基于傅里叶域卷积表示的目标跟踪算法北京航空航天大学学报(2018年1期)2018-04-20影响并网光伏电站发电量的因素山东工业技术(2017年17期)2017-09-13双轴追踪与固定式光伏系统运行特性对比研究中国建筑科学(2017年6期)2017-07-20中国典型地区水平总辐射辐照度频次特征*风能(2016年8期)2016-12-12双轴追踪与固定式光伏系统运行特性对比研究中国建筑科学(2014年7期)2014-09-29
