误差修正的光伏发电预测分析范文

摘要:

为了提高光伏发电预测的精度，在传统BP神经网络预测模型的基础上，利用相似日算法和马尔科夫链理论对预测模型进行改进。其方法以得到的相似日数据作为预测模型的输入量，通过BP神经网络进行训练，得到初步的预测值，然后根据马尔科夫链模型得到的误差状态转移概率矩阵对预测误差进行修正，根据修正后的误差得到新的预测值。最后通过与传统算法得到的预测结果进行误差对比分析，结果表明，改进算法的预测精度高于传统算法，验证了该模型的有效性。

关键词:

光伏发电;相似日算法;BP神经网络;马尔科夫链

随着能源和环境问题的日益突显，光伏太阳能作为一种重要的清洁可再生能源发电形式，越来越受到世界各国的关注［1-2］。由于受到环境和气象因素的影响，光伏发电功率具有一定的波动性和随机性，因此，影响电力系统的安全、稳定运行。对光伏发电系统发电量进行预测研究，可以预先得到发电量曲线，协调调度部门安排常规机组出力，并可以根据预测结果进行光伏出力平滑控制，从而减小大规模光伏系统的接入对电网造成的影响［3-5］。光伏发电量预测分为直接预测和间接预测两种［6-7］。目前多采用历史气象和发电数据进行预测的直接法(统计法)，其中基于神经网络的光伏预测方法研究较为普遍［8-9］。其中文献［8］提出了一种结合历史数据和天气预报信息的BP神经网络预测模型。文献［9］对不同的天气状况做出了划分，利用不同的天气状况子模型进行预测。由于相同的天气类型条件下光伏发电功率有着很好的相似性，文献［10］提出了相似日的选取方法。在传统BP神经网络的基础上，采用相似日算法筛选出与预测日特征更为相似的历史数据作为模型输入，提高了预测结果的精度。考虑到光伏发电受到环境因素的影响会产生较大波动，为了进一步减小预测误差，在文献［10］的基础上，本文提出一种基于马尔科夫链修正的预测模型，利用本模型适应性强的特点，通过其状态转移概率矩阵对基于相似日算法的BP神经网络的误差修正，得到新的预测值，从而提高预测的准确性。

1相似日算法

1．1不同日类型的光伏出力影响光伏发电的因素有很多，其中最主要的是太阳辐照度和温度。太阳辐照度越大，光伏发电功率也越大。温度对光伏发电的影响体现在随着温度的变化太阳能电池的性能也跟着变化，从而影响光伏发电功率的变化。日类型可以分为晴天、多云、雨天三类。同一季节的不同日类型某光伏电站的发电量如图1～3所示。从图1～3可以看出，不同的天气类型对光伏电站效率有很大影响。

1．2相似度计算日相似度是指两日中各个气象因素的相似程度。其中气象差异主要体现在太阳辐照度、最高温度、平均温度、最低温度、降雨量等气象因素。在日相似度高的两天光伏电站的输出功率曲线有很好的相似性［11］。因此，根据相似日的历史气象和发电数据，通过BP神经网络预测模型可以比传统的方法更好预测出待预测日的光伏功率输出。由于气象部门提供的信息中缺乏太阳辐照强度，可以采用天气类型反映太阳辐照度，并根据Chen提出的方法对天气类型进行分级量化［12］。通过分析选取太阳辐照度(天气类型量化值)、最高温度、最低温度作为光伏阵列输出功率的主要气象因素。然后通过灰色关联分析法利用气象因素构成日特征向量计算相似度因子，选取相似度高的历史日作为BP神经网络预测模型的输入样本。

2基于相似日算法的BP神经网络

2．1BP神经网络BP神经网络是一种单向传播的多层前向网络，由于其具有很强的非线性映射能力、自适应能力和实用性而被广泛应用。BP神经网络包含输入、隐含和输出三层网络结构如图4所示。网络的上、下层之间是全连接，而各层的神经元之间彼此没有连接。wij是输入层与隐含层节点与节点间连接的权值，wjk是隐含层和输出层神经元节点与节点间连接的权值，隐含层和输出层的输入分别为输入层和隐含层节点的输出的加权和。一般选取常用的S型函数作为传递函数来限制各个节点的输出。若采用某一固定样本的输入XP和输出dPk对网络进行训练。

2．2基于相似日的BP神经网络预测模型文献［8］所采用的BP神经网络模型的输入量采用的是预测日前一天的发电数据，本文在相似日算法基础上，使用相似日数据和预测日气象特征量作为输入层节点的输入量从而提高训练的效果。输入层节点对应输入变量，选取相似日6:00到19:00的14个时间序列的发电量，以及相似日和预测日的气温和日类型共18个量。

3马尔科夫链误差修正模型

3．1马尔科夫模型马尔科夫链预测是通过初始状态概率向量和状态概率转移矩阵预测变量在将来某时刻所处状态的预测方法，马尔科夫过程是其理论基础。马尔科夫过程是随机时间序列动态变化的一个过程。

3．2基于马尔科夫链修正的预测算法流程通过相似日算法选取的相似日作为BP神经网络的输入量，从而优化了传统BP神经模型训练样本，然后通过神经网络训练得到基于相似日的BP神经网络预测值。根据此预测值利用马尔科夫链模型对预测误差进行修正，通过状态转移矩阵得到修正误差，然后利用修正误差得到修正后的光伏发电预测量。改进预测模型算法流程如图6所示。

4实例分析

根据上述改进预测模型，以某地光伏发电站的历史气象数据和发电数据进行仿真计算。为了验证算法的可行性，以2013年7月11日的预测数据和实际数据为例分析。采用传统BP神经网络，基于相似日算法的BP神经网络和本文改进模型的实测和相对误差结果对比如表1和图7所示。

5结论

(1)利用马尔科夫链误差修正模型，通过状态转移矩阵的修正使得预测误差有了进一步降低。(2)由于受到天气不确定因素的影响，通过对比三种算法相对误差分析可知，在19:00的预测误差都比较大，可能是出现天气突变或者其他因素的影响，但改进模型的平均绝度百分比误差仅为5．93，满足工程实际需要，在工程应用中具有一定的可行性。

作者：段俊东 薛静杰 栗维冰 单位：河南理工大学 电气工程与自动化学院