基于多维环境数据的光伏功率预测

基于多维环境数据的光伏功率预测

刘中胜尚德华赵学臣

（天津天大求实电力新技术股份有限公司天津市300384）

摘要：针对光伏电源接入配电网，由于其出力的随机性会对电网造成影响，故基于多维环境数据对光伏出力进行预测。首先，通过主成分分析法将多维环境数据进行降维处理，选出三个对功率贡献率最大的成分；然后将主成分分析得到的结果作为输入层，利用BP神经网络进行功率预测；最后，通过算例验证所提方法的有效性和实用性。

关键词：功率预测；主成分分析；神经网络；分布式电源

0引言

随着全球资源问题愈演愈烈，合理利用清洁能源解决能源问题的有效手段。光伏发电是利用太阳能转换为电能，光伏发电作为分布式电源，是集中供电方式的一种有益补充。大力发展并网型光电，是我国缓解能源供需矛盾，减轻环境污染，调节能源结构，转变经济增长方式的重要战略举措。但是光电具有间歇性和随机性的固有缺点，随着大量光伏发电接入电网，势必会对电力系统的安全、稳定运行以及保证电能质量带来严峻的挑战。因此光伏发电输出功率预测成为解决这一问题的有效途径之一[1-4]。

由于气象条件多样，一方面面对大量的环境数据需要进行分析，一般说来，虽然每个变量都提供了一定的信息，但其重要性有所不同，而且在很多情况下，变量之间有一定的相关性，从而使得这些变量提供的信息在一定程度上有所重叠，因此希望用较少的变量反应绝大部分的信息，通过主成分分析法的降维处理，可以兼顾有效信息保留和减少数据变量，在简化计算的基础上提高收敛精度；另一方面，对气象条件的监测精度会直接功率预测，本文基于光纤力热复合测试仪，可以同时测量温度，风速，震动等多维数据，实现实时测量以及提高温度监测精度。

在统计方法中，神经网络的前向反馈(backpropagation，BP)网络模型应用最为广泛，其结构比较简单，操作性强。据通过神经网络模型，调整权重和阈值，对光伏出力进行预测。

本文基于光纤力热复合测试仪所测得的温度，风速，风向以及其他渠道搜集的环境数据进行整理。首先利用主成分分析法对数据进行了降维处理。然后，将主成分分析得到的结果作为BP神经网络分析的输入层，输出层为功率分析结果，通过调整阈值和权重，该方法可以起到一个误差较小的预测作用。最后，通过算例验证了所提方法的有效性和实用性。

1主成分分析方法

1.1主成分分析原理

在实际问题研究中，为了全面、系统的分析问题，我们需要考虑众多因素，但大规模的数据的处理颇具难度，因此需要进行科学简化，在保证科学精确地基础上对数据进行降维处理，本文采用的方法是主成分分析法。

主成分分析也称主分量分析[5]，其主要作用是进行多维数据的降维处理,把多指标转化为少数几个综合指标(即主成分)，其中每个主成分都能够反映原始变量的大部分信息，且所含信息互不重复，从而在保证精确反应原始的基础上实现数据简化处理。这种方法在综合多方面变量的同时将复杂因素归结为几个主成分，使问题简单化，保证研究精确度的前提下提高研究效率。

主成分分析方法的步骤如下:

1.2主成分分析结果

根据对影响光伏出力的环境数据评价指标选取的科学性、可操作性、简洁性等原则，将瞬时风速、两分钟内平均风速、风向、辐射日累计值、辐射瞬时值、光照强度、环境湿度、环境温度、透光率日累计值、透光率瞬时值、平均露点、日最高温度、日最低温度共计13维历史数据，通过主成分分析选取了3项影响光伏出力的的指标：

（1）光照强度

光伏板接收到的太阳辐射不是一个恒量，而是一个随着时间在不停变化的变量。在进行光伏发电时候，光照强度对光伏板出力有很大的影响，贡献率为55.996%。图1表示光伏阵列随光照强度的波动变化。

图3BP神经网络函数关系图

Fig.3BPneuralnetworkfunctiondiagram

2神经网络模型

人工神经网络由于具有强大的学习功能，可以逼近任意复杂的非线性函数，它不用事先假设数据间存在某种函数关系，信息利用率较高。采用BP算法的多层感知器是至今为止应用最为广泛的神经网络。故在此利用所得的模拟值和实测值通过BP神经网络建立非线性映射关系。BP神经网络主要包括3层，分别为输入层、隐含层、输出层。各层的函数关系如下所示：

它的特点是：各层神经元仅与相邻层神经元之间相互全连接，同层内神经元之间无连接，各层神经元之间无反馈连接，构成具有层次结构的前馈型神经网络系统。单计算层前馈神经网络只能求解线性可分问题，能够求解非线性问题的网络必须是具有隐含层的多层神经网络。

3光伏输出功率预测模型

功率预测有物理方法和统计方法2种，其中统计方法又有2种方式：一种是基于历史功率影响因素的直接预测；另一种是基于气象信息预测值和实测功率曲线的间接预测，即先预测气象信息，再结合功率曲线计算光伏板发电功率。本文采用直接预测方法。将主成分分析提取的成分作为神经网络的输入

BP算法的实质是将一组输入、输出问题转化成非线性映射问题，并通过梯度下降算法迭代求解权值。光伏输出功率预测中，对于输出层有

通过上表可以看到，通过BP神经网络预测模型和主成分BP神经网络预测模型得到结果与实际功率进行比较可以得到，主成分BP神经网络预测模型相对比于BP神经网络模型在训练误差和预测误差方面均减少，尤其在预测误差方面误差减少约25%，预测精度提高。在训练时间，即从收敛速度方面进行比较，主成分BP神经网络预测模型由于在输入时进行了主成分分析，所以输入层比直接进行预测变量少，从表格中看出，该方法可以大大提高训练时间，提高收敛速度，对于光伏出力的短期功率预测具有实用价值。

5结语

本文提出了一种基于大数据的光伏发电功率预测方法。针对数据采集问题，通过利用光纤探头可以同时测得多维数据并且保证测得的数据精度更高。面对采集到的关于气象信息的大数据，利用主成分分析法将数据降维处理，在最大限度地保留气象信息的基础上提高收敛速度。利用BP神经网络算法对光伏功率进行预测，通过算例知道该方法有效，可以提高预测精度。

分布式电源接入配电网是智能电网的特征之一，对分布式电源功率的准确预测可以有效减少分布式电源出力波动性对电网的影响，调整发电计划，以及分布式电源与储能装置的协调配合。

（本论文得到国家科技部重大仪器专项——光纤力热复合测试仪在电力新能源监测控制应用方法研究支持，编号：2013YQ03091510.）

参考文献

[1]陈思玉.风力发电超短期功率预测的研究[D].辽宁工业大学,2016

CHENSi-Yu.Studyonultra-short-termpowerforecastingofwindpower[D].LiaoningUniversityofTechnology,2016

[2]陈臻波.分布式电源的电网负荷预测和优化调度研究[D].浙江大学,2015.

ChenZhenBo.Distributionsofpowergridloadforecastingandoptimalscheduling[D].ZhejiangUniversity,2015.

[3]苗楠.风速风功率短期预测研究[D].山东大学,2014.

MiaoNanWindpowershort-termwindpowerprediction[D].ShandongUniversity,2014.

[4]刘瑞叶,黄磊.基于动态神经网络的风电场输出功率预测[J].电力系统自动化,2012,36(11):19-22+37.

LiuRuiye,HuangLei.Predictionofoutputpowerofwindfarmbasedondynamicneuralnetwork[J].AutomationofElectricPowerSystems,2012,36(11):19-22+37.

[5]张超.基于功率预测的微电网优化运行与能量管理策略的研究[D].华北电力大学,2012.

ZhangChao.PowerPredictionBasedOptimalOperationofMicro-gridandEnergyManagementStrategy[J].NorthChinaElectricPowerUniversity,2012.

[6]周飞燕,金林鹏,董军.卷积神经网络研究综述[J].计算机学报,2017,40(06):1229-1251.

ZhouFeiyan,JinLinpeng,DongJun.Reviewofconvolutionneuralnetworks[J].JournalofComputerChinese,2017,40(06):1229-1251.

[7]章毅,郭泉,王建勇.大数据分析的神经网络方法[J].工程科学与技术,2017,49(01):9-18.

ZhangYi,GuoQuan,WangJian-yong.NEGO-DATAANALYSISBASEDONNEURALNETWORKMETHOD[J].JournalofEngineeringScience,2017,49(01):9-18.

[8]林海明,杜子芳.主成分分析综合评价应该注意的问题[J].统计研究,2013,30(08):25-31.

LinHaiming,DuZifang.Problemsthatshouldbenoticedinthecomprehensiveevaluationofprincipalcomponentanalysis[J].StatisticalAnalysis,2013,30(08):25-31.