李伟;王冰;陈献慧;缪永来
【摘 要】基于相似日的短期功率预测是一种有效的光伏预测方法,而相似日选取的准确性直接影响预测结果的准确性.通过k均值聚类算法将天气类型聚类识别,并利用光伏功率与气象因子的相关性分析提取出主要气象因子,再根据灰关联度分析得出不同类别中气象因子对于发电功率的权重,并给出带权重的相似度计算公式,从而获得相似日样本训练集.然后根据训练集建立遗传算法优化的RBF-BP组合神经网络模型进行预测,通过与传统的相似日选择算法进行比较,证明该模型具有更高的精度和适用性. 【期刊名称】《广东电力》
【年(卷),期】2018(031)004
【总页数】6页(P59-64)
【关键词】相似日;聚类分析;RBF-BP组合神经网络;遗传算法;功率预测
【作 者】李伟;王冰;陈献慧;缪永来
【作者单位】河海大学能源与电气学院,江苏南京211100;河海大学能源与电气学院,江苏南京211100;河海大学能源与电气学院,江苏南京211100;河海大学能源与电气学院,江苏南京211100
【正文语种】中 文
【中图分类】TM615
光伏发电技术近些年来发展迅速，在可再生能源发电中占有重要地位。相较于传统的发电技术，光伏发电技术更加清洁环保，节能且易维护。但它的缺点也很显著，如具有波动性，受天气影响较大，这种低可控性会对电网调度产生负面影响。因此，光伏发电功率预测尤为重要[1-4]。光伏功率预测方法主要分为两类：直接预测[5]和间接预测[6]。直接预测是根据历史输出功率数据和历史气象数据直接预测输出功率；而间接预测则先建立日照强度预测模型，然后利用光伏出力模型得到输出功率。间接预测比较复杂，因为该方法需要建立更多的预测模型。目前我国大多数光伏电站尚不具备太阳辐照度预测能力，因此大多
采用直接预测法。文献[7]提出天气类型指数的计算方法，并采用反向传播(back propagation，BP)神经网络建立光伏发电短期功率预测模型，对不同天气均有较强的适用性。文献[8]提取光伏系统输出功率的主要气象因素来选择相似日，并提出基于径向基(radical basis function，RBF)神经网络的预测模型，但未考虑不同气象因子权重上的差异。文献[9]采用灰神经网络组合模型来进行光伏发电功率预测，将直接预测与间接预测相结合，有效提高了预测精度。文献[10-11]采用马尔可夫链方法对发电功率进行预测，但在阴雨天气该方法预测精度有待提高。
为了提高选取相似日的准确性，本文改进了相似日的选取方法，通过光伏功率与气象因子的相关性提取出主要影响因子，将温度、湿度和气压作为选取相似日的重要依据。先用k均值(k-means)聚类算法将历史日进行分类，然后分析不同天气情况下气象因子的权重，分类别建立基于遗传算法优化的RBF-BP组合神经网络预测模型。根据实际数据对模型进行检验并与传统选取相似日的方法进行比较，结果表明所提模型精度更高。
李伟，等：基于气象因子权重相似日的短期光伏功率预测
1 因子权重的相似日选取方法
1.1 光伏发电功率的影响因素分析
光伏发电功率的影响因子有很多，计算方法如下。
PPV=ηPV×SI[1-0.005({t0}℃+25)].
(1)
式中：ηPV为光伏阵列的转换效率；S为光伏阵列的面积；I为日照强度；t0为环境温度。在短期预测中，ηPV是恒定的，S也保持不变。因此光伏发电功率主要受日照强度和环境温度的影响，而日照强度主要受气象因素的影响。晴朗天气云层稀薄，太阳辐射度增强；阴天和雨天的云层比较厚重，日照强度减弱。因此，气象方面的主要影响因素有日照强度、温度、湿度、风速和气压。各个因素对结果的影响不同，选取主要影响因素既能提高准确度，又能简化预测模型。所以提取出较大的光伏出力影响因子有利于提高模型适用性。
本文利用Pearson系数法[12]分析各个气象因子与光伏功率之间的关系，分析结果见表1。
表1 Pearson相关系数分析结果
Tab. 1 Analysis results of Pearson correlation coefficient
变量相关系数PTIrHpavP1-0.4320.9630.3780.2740.175T-0.4321-0.412-0.715-0.1320.231Ir0.963-0.4121-0.270-0.42810.161H0.378-0.715-0.2701-0.139-0.052pa0.274-0.132-0.281-0.1391-0.354v0.1750.2310.161-0.052-0.3541
表1中，功率P与温度T的相关系数为0.432，与日照强度Ir的相关系数为0.963，与湿度H的相关系数为0.378，与大气压强pa的相关系数为0.274，与风速v的相关系数为0.175。由于目前国内大多数地区不具备太阳辐照度预测能力，因此选择温度、湿度、大气压强作为光伏功率的影响因子。
搜索改变生活1.2 基于k-means的历史日聚类分析
2009年高考作文题目天气因素对光伏功率有很大影响，不同天气类型的发电功率曲线有明显区别，出力水平和曲线形状均差别很大。天气预报的播报天气种类分为晴、多云、阴、雨等，区分比较模糊。部分多云天气的出力情况和晴天类似，呈抛物线形状，而部分阴天的出力与雨天类似；另外，晴转阴、多云转雨之类的变换型天气难以归类，因此对天气类型进行聚类分析
很有必要。本文将不同天气类型按照光伏出力水平和曲线形状进行聚类，避免了将气象因素相近而光伏出力差别较大的历史日分到同类别的情况，提高了分类的准确性。
第九届海峡两岸知识大赛k-means算法的目标是把数据分为k类，且各类别之间的相似程度不高，类别内各成员的相似度尽可能高。k-means算法的处理过程为：首先随机选择k个数据对象作为初始中点，然后计算其他数据对象按照距离中点的远近赋给最接近的类别；然后重新计算每个类别的平均值。这个过程不断重复，直到准则函数收敛[13]。
1.2.1 算法步骤
光通维持率
k-means聚类的优化目标可表示为
μk‖ .河北医药教育网
(2)
式中：xn为数据对象；μk为聚类中心；rnk在数据分配到第K类的时候为1，否则为0。整个算法不断迭代计算使J达到最小。然后，固定μk，更新rnk，将每个xn分配到距离它最近的类别中，使J值降到最小。最后，固定rnk，更新μk，令J对μk的倒数为0，得
热顶结晶器μk‖ .
(2)
(3)
通过这两个步骤不断迭代，使J值下降到一个极小值。
1.2.2 初始聚类中心选择
k-means初始聚类中心是随机选择的，这会使整个计算的迭代次数增加，运算时间更长，同时也易陷入局部极值。在对天气类型进行聚类时，将天气类型分为4类：主晴天、主多云天、主阴天和主雨天。初始聚类中心分别在4种类型天气中选择，这样可缩短运算时间，避免局部极值。
1.3 影响因子权重确定
在计算历史日的相似度时，统一各个影响因子间的权重会导致相似度大的因子直接决定总体相似度，从而造成误差。本文采用灰关联系数法求取各属性因子对于平均光伏功率的
权重。天气类型会对影响因子的权重造成一定影响，简单地对所有天气类型取同一组权值也会造成误差。因此本文分别对4种类别作权重分析，下面以主晴天类别为例，进行说明。
在主晴天类别选择30个历史日，对于最高温度Tmax、日平均温度Tavg、日最低温度Tmin、日相对湿度H、日平均大气压强pa，采用线性映射至[0，1]区间，分别构造5个30×1的属性因子向量z1—z5。以日平均功率作为参考向量，构造出30×1的功率向量z6，利用灰关联系数法求出5个因子向量与功率向量在第k个分量的关联系数
λj(k)=
，
k=1，2，…30，j=1，2，…，5 .
(4)
由于每日因素的值的权重都是相同的，因此zj与z6的关联度可以按下式计算：
λj(k) .
(5)
按照式(6)求解各因素的权重。
其他3个类别均采用此方法求出各因子权重，得到日特征相关因素对光伏功率的影响权重见表2。
表2 影响因子权重分析结果
Tab. 2 Analysis results of influence factor weights
天气类别影响因子权重TmaxTavgTminHpa主晴天0.2270.2730.1780.1960.126主多云0.2150.2520.1920.2040.137主阴天0.2040.2360.1850.2350.140主雨天0.1950.2280.1640.2690.144
1.4 相似日选取
传统方法选取相似日时每个影响因子的权重相同，但实际上天气变化也会影响属性因子的权重。比如高温天气，最高温度为主导气象因素，其权重显然大于其他气象因素。因此，
传统方法中的相同权重会造成较大误差。为了选择与预测日最相近的历史日，提出一种改善的相似度统计方法，考虑不同影响因子的权重，相比于直接计算日特征向量的关联度更加合理，计算式为：
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议