數(shù)據(jù)挖掘下的光伏發(fā)電預(yù)測(cè)范文

本站小編為你精心準(zhǔn)備了數(shù)據(jù)挖掘下的光伏發(fā)電預(yù)測(cè)參考范文，愿這些范文能點(diǎn)燃您思維的火花，激發(fā)您的寫作靈感。歡迎深入閱讀并收藏。

摘要：外界環(huán)境和光照強(qiáng)度的不確定性決定了光伏發(fā)電出力的非平穩(wěn)性和隨機(jī)性，有效的光伏發(fā)電量預(yù)測(cè)不僅能保護(hù)接入電網(wǎng)的穩(wěn)健運(yùn)行，還有助于電網(wǎng)的調(diào)度安排和光伏電站的運(yùn)維決策。文章提出以周天氣特征因子和氣象因子為特征，結(jié)合歷史發(fā)電數(shù)據(jù)，建立起一個(gè)最小二乘支持向量機(jī)預(yù)測(cè)模型，進(jìn)行光伏發(fā)電量的超短期預(yù)測(cè)。通過實(shí)驗(yàn)對(duì)訓(xùn)練好的模型進(jìn)行預(yù)測(cè)精度的評(píng)估，結(jié)果表明，與未結(jié)合周天氣特征的預(yù)測(cè)模型相比，該模型的平均預(yù)測(cè)精度提高了30%左右。

關(guān)鍵詞：光伏發(fā)電量預(yù)測(cè)；最小二乘支持向量機(jī)；周天氣特征；超短期預(yù)測(cè)

0引言

太陽(yáng)能發(fā)電能夠有效緩解全球能源緊缺問題和傳統(tǒng)能源發(fā)電帶來(lái)的環(huán)境問題[1]。太陽(yáng)能發(fā)電中涉及光伏發(fā)電量預(yù)測(cè)，尤其是短期預(yù)測(cè)，對(duì)光伏電站運(yùn)維具有重要意義。高精確度的發(fā)電量預(yù)測(cè)，能夠有效避開光伏電站發(fā)電高峰期，進(jìn)行電站的運(yùn)維、清洗、檢修等工作，同時(shí)還能作為故障診斷的輔助手段。本文擬建立一套光伏電站發(fā)電量預(yù)測(cè)模型，旨在預(yù)測(cè)5分鐘超短期光伏發(fā)電量。預(yù)測(cè)一個(gè)光伏電站的發(fā)電量，可以幫助光伏業(yè)主避開發(fā)電高產(chǎn)時(shí)段，選擇在發(fā)電量較低的時(shí)段進(jìn)行光伏電站維護(hù)和清洗，減少發(fā)電經(jīng)濟(jì)效益的損失。目前已經(jīng)運(yùn)用到光伏發(fā)電量預(yù)測(cè)中的方法有線性回歸[2]、神經(jīng)網(wǎng)絡(luò)[3]、支持向量機(jī)[4]等。聞科偉等[5]利用氣象部門提供的預(yù)報(bào)數(shù)據(jù)和小型光伏電站的歷史數(shù)據(jù)建立氣象相似度與發(fā)電量相似度的過渡函數(shù)，分別通過分析三狀態(tài)馬爾科夫鏈和五狀態(tài)馬爾科夫鏈對(duì)預(yù)測(cè)結(jié)果進(jìn)行修正。利用神經(jīng)網(wǎng)絡(luò)方法進(jìn)行光伏發(fā)電預(yù)測(cè)方法。仿真結(jié)果具有較高的預(yù)測(cè)精度、實(shí)用性和良好的預(yù)測(cè)跟蹤性能。盧冬冬等[6]利用光伏發(fā)電系統(tǒng)歷史發(fā)電數(shù)據(jù)、太陽(yáng)輻照度數(shù)據(jù)和氣象數(shù)據(jù)建立了多元多項(xiàng)式回歸模型，對(duì)相同天氣類型下的輻照度進(jìn)行算術(shù)平均并代入多元多項(xiàng)式回歸模型，從而得到各種天氣類型下的只以溫度為輸入變量的預(yù)測(cè)模型。通過平均絕對(duì)百分比誤差對(duì)模型進(jìn)行評(píng)估，該預(yù)測(cè)模型的精度較高，具有一定的可靠性。李洪珠等[7]通過歷史發(fā)電量、太陽(yáng)能輻射量和溫度序列按照時(shí)間序列建模方案建立了基于魯棒學(xué)習(xí)的最小二乘支持向量機(jī)模型。本文基于最小二乘支持向量機(jī)建立一套光伏發(fā)電量預(yù)測(cè)模型。通過與其他的算法結(jié)果對(duì)比，該預(yù)測(cè)模型能準(zhǔn)確地預(yù)測(cè)出光伏發(fā)電陣列的發(fā)電功率，有效地解決光伏發(fā)電的隨機(jī)化問題。

1最小二乘支持向量機(jī)

標(biāo)準(zhǔn)的支持向量機(jī)（LSSVM）的損失函數(shù)為二次規(guī)劃問題，且約束條件為不等式約束，對(duì)于高維大樣本訓(xùn)練，計(jì)算速度慢。而SuyKens[8-9]提出的最小二乘支持向量機(jī)將標(biāo)準(zhǔn)支持向量機(jī)的不等式約束的二次規(guī)劃問題轉(zhuǎn)化為由等式約束的線性方程組求解問題，從而提高了求解的收斂速度，更適合高維度大樣本訓(xùn)練。

2最小二乘支持向量機(jī)

參數(shù)優(yōu)化針對(duì)最小二乘支持向量機(jī)模型中的和優(yōu)化組合問題，本文在標(biāo)準(zhǔn)量子粒子群（QPSO）優(yōu)化的基礎(chǔ)上，引入高斯-柯西變異數(shù)進(jìn)行優(yōu)化。綜合高斯變異的局部探索能力和柯西變異的全局探索能力，將高斯分布變異數(shù)和柯西分布變異數(shù)結(jié)合，代替標(biāo)準(zhǔn)量子粒子群算法中的隨機(jī)數(shù)操作，同時(shí)，增加對(duì)全局最優(yōu)位置和平均最優(yōu)位置的高斯-柯西變異操作，來(lái)避免收斂早熟。

3實(shí)驗(yàn)設(shè)計(jì)

3.1數(shù)據(jù)集獲取及特征的選取

本實(shí)驗(yàn)的數(shù)據(jù)集為電站真實(shí)數(shù)據(jù)。樣本來(lái)源于江蘇南通某光伏發(fā)電廠2016年7月1日到2017年6月20日的運(yùn)維數(shù)據(jù)。每日6:00-19:00之間，以5分鐘頻度采集的發(fā)電量作為因變量。自變量包括輻射、天氣、歷史數(shù)據(jù)、時(shí)間因素，其中天氣由互聯(lián)網(wǎng)歷史天氣數(shù)據(jù)獲取。天氣分為晴、多云、陰、小雨、大雨、轉(zhuǎn)變類天氣6種類型，其中轉(zhuǎn)變類天氣代表“陰轉(zhuǎn)多云”、“陰轉(zhuǎn)小雨”、“雷陣雨”等非單一類型天氣類型；另外由于多日內(nèi)若發(fā)生過大雨，對(duì)光伏面板表面積灰有沖刷，則光伏面板的發(fā)電效益應(yīng)當(dāng)?shù)玫教嵘７粗?日內(nèi)若大多為大風(fēng)日或者小雨日，則光伏面板積灰情況會(huì)較為嚴(yán)重，光伏面板發(fā)電量會(huì)相應(yīng)回落。因此通過統(tǒng)計(jì)手段，整合出7日內(nèi)大風(fēng)天數(shù)、大雨天數(shù)、小雨天數(shù)、無(wú)雨天數(shù)，作為自變量。其中大風(fēng)的界定，根據(jù)中國(guó)氣象局于2001年下發(fā)《臺(tái)風(fēng)業(yè)務(wù)和服務(wù)規(guī)定》規(guī)定，風(fēng)力4級(jí)可吹起塵土的標(biāo)準(zhǔn)，將風(fēng)力≥4級(jí)定為本模型的大風(fēng)日。考慮到季節(jié)因素和時(shí)間序列對(duì)發(fā)電量的影響，在自變量引入月份、時(shí)間和晝長(zhǎng)因素。

3.2數(shù)據(jù)清洗

原始數(shù)據(jù)中的臟數(shù)據(jù)會(huì)嚴(yán)重影響最終的擬合效果，對(duì)預(yù)測(cè)精度的影響更甚。由于本模型的數(shù)據(jù)采集粒度較小，且數(shù)據(jù)由光伏發(fā)電現(xiàn)場(chǎng)設(shè)備采集傳輸?shù)娇刂婆_(tái)后統(tǒng)一收集，因此不可避免會(huì)出現(xiàn)一些缺失值和錯(cuò)誤值等異常值，因此必須進(jìn)行數(shù)據(jù)的清洗工作。對(duì)于其中的缺失值，使用R語(yǔ)言的多重插補(bǔ)法進(jìn)行缺失值的補(bǔ)全處理。對(duì)于其他的異常值，利用離群點(diǎn)測(cè)試后進(jìn)行刪除處理。

4光伏發(fā)電量建模及預(yù)測(cè)分析

光伏出力受影響因素較多，最直接的影響是日照輻射度，其他影響因素還有天氣特征，如溫度、濕度、風(fēng)力等，光伏表面積灰程度對(duì)光伏發(fā)電也有較大影響。受以上因素的作用，光伏發(fā)電量預(yù)測(cè)是一個(gè)隨機(jī)的非平穩(wěn)的過程，因此，這也是光伏發(fā)電量準(zhǔn)確預(yù)測(cè)的難處所在。本文在已知天氣信息、發(fā)電量、輻射度、歷史數(shù)據(jù)的條件下，建立基于高斯-柯西變異算子優(yōu)化的最小二乘支持向量機(jī)模型進(jìn)行光伏發(fā)電量預(yù)測(cè)。實(shí)驗(yàn)使用的數(shù)據(jù)達(dá)到4萬(wàn)多條，在訓(xùn)練模型過程中，將數(shù)據(jù)的50%作為訓(xùn)練集，再取余下數(shù)據(jù)的30%作為測(cè)試集，其余的數(shù)據(jù)作為驗(yàn)證集。為了保證訓(xùn)練模型準(zhǔn)確性和泛化能力，對(duì)數(shù)據(jù)進(jìn)行三折交叉驗(yàn)證實(shí)驗(yàn)。由于數(shù)據(jù)采集粒度為5分鐘頻次采集，預(yù)測(cè)也以5分鐘為時(shí)間單位，實(shí)現(xiàn)光伏電站每5分鐘的超短期發(fā)電量預(yù)測(cè)。

4.1光伏發(fā)電量預(yù)測(cè)結(jié)果

針對(duì)一天內(nèi)某一時(shí)刻預(yù)測(cè)光伏電站的總發(fā)電量。抽取該電廠一年中的上午某一時(shí)刻的數(shù)據(jù)，基于GC-QPSO優(yōu)化方法訓(xùn)練LSSVM預(yù)測(cè)模型，并進(jìn)行發(fā)電量預(yù)測(cè)。以預(yù)測(cè)的均方根誤差值RMSE作為評(píng)價(jià)指標(biāo)。RMSE值越小，代表預(yù)測(cè)的精度越高。

4.2周天氣特征對(duì)預(yù)測(cè)模型的影響

基于積灰對(duì)光伏發(fā)電量的影響，提出利用周天氣特征作為光伏發(fā)電量預(yù)測(cè)模型的輸入來(lái)提高光伏發(fā)電量預(yù)測(cè)效果。因此本實(shí)驗(yàn)考察周天氣特征對(duì)該預(yù)測(cè)模型影響程度。該實(shí)驗(yàn)中，模型A代表引入周天氣特征的預(yù)測(cè)模型，模型B代表未引入周天氣特征的預(yù)測(cè)模型。實(shí)驗(yàn)結(jié)果顯示，模型A的預(yù)測(cè)精度高于模型B的預(yù)測(cè)精度。模型A的RMSE值為0.1849，模型B的RMSE值為0.3739。

5結(jié)束語(yǔ)

本文通過歷史發(fā)電量數(shù)據(jù)以及氣象信息數(shù)據(jù)，以日常可獲取的信息作為模型輸入，建立光伏電站發(fā)電量最小二乘支持向量機(jī)預(yù)測(cè)模型，該模型采用5分鐘的采集頻次，以較小的粒度水平進(jìn)行超短時(shí)的光伏陣列發(fā)電量預(yù)測(cè)，平均預(yù)測(cè)精度達(dá)到80%以上。與已有的發(fā)電量預(yù)測(cè)模型相比，本模型的預(yù)測(cè)精度保持在較好的水平。本模型具有其他模型不具有的優(yōu)勢(shì)：所有模型輸入值都是日常可獲取的，不需要輻射量的預(yù)測(cè)，也不需要云層、氣壓、降水量等難以獲取的信息，實(shí)用性更強(qiáng)；缺點(diǎn)在于輸入變量較多。與該發(fā)電廠目前使用的平均值預(yù)測(cè)方法相比，短時(shí)預(yù)測(cè)精度得到很大的提高。對(duì)于光伏業(yè)而言，具有較高的參考價(jià)值。

參考文獻(xiàn)(References):

[1]張伯泉,楊宜民.風(fēng)力和太陽(yáng)能光伏發(fā)電現(xiàn)狀及發(fā)展趨勢(shì)[J].中國(guó)電力,2006.39(6):65-69

[2]李光明,劉祖明,何京鴻等.基于多元線性回歸模型的并網(wǎng)光伏發(fā)電系統(tǒng)發(fā)電量預(yù)測(cè)研究[J].現(xiàn)代電力,2011.28(2):43-48

[3]栗然,李廣敏.基于支持向量機(jī)回歸的光伏發(fā)電出力預(yù)測(cè)[J].中國(guó)電力,2008.41(2):74-78

[4]張立影,孟令甲,王澤忠.基于雙層BP神經(jīng)網(wǎng)絡(luò)的光伏電站輸出功率預(yù)測(cè)[J].電測(cè)與儀表,2015.52(11):31-35

[5]海濤,聞科偉,周玲等.基于氣象相似度與馬爾科夫鏈的光伏發(fā)電預(yù)測(cè)方法[J].廣西大學(xué)學(xué)報(bào)(自然科學(xué)版),2015.40(6):1452-1460

[6]盧冬冬,鄭莆燕,袁言周等.基于天氣預(yù)報(bào)的光伏發(fā)電預(yù)測(cè)研究[J].硅谷,2014.15:43-44

[7]李洪珠,賈威,聶苓等.基于魯棒LS-SVM在光伏發(fā)電預(yù)測(cè)中的應(yīng)用[J].計(jì)算機(jī)測(cè)量與控制,2013.21(5):1166-1167

[10]張繼祥,劉克長(zhǎng),魏欽平等.氣象要素(氣溫、太陽(yáng)輻射、風(fēng)速和相對(duì)濕度)日變化進(jìn)程的數(shù)理模擬[J].山東農(nóng)業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版),2002.33(2):179-183

作者：周慧；王進(jìn)；顧翔 單位：南通大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院