宋啟軍，胡翔奎，王騰飛，胡 超

(1.上海電力學(xué)院電氣工程學(xué)院，上海200090；2.河南送變電工程公司，河南鄭州450051；3.國(guó)家電投河南電力有限公司平頂山發(fā)電分公司，河南平頂山467312)

基于GRA-SVM的光伏發(fā)電功率預(yù)測(cè)

宋啟軍1，胡翔奎2，王騰飛3，胡 超1

(1.上海電力學(xué)院電氣工程學(xué)院，上海200090；2.河南送變電工程公司，河南鄭州450051；3.國(guó)家電投河南電力有限公司平頂山發(fā)電分公司，河南平頂山467312)

針對(duì)目前影響光伏輸出功率的氣象變量多、復(fù)雜等問(wèn)題，提出基于灰色關(guān)聯(lián)分析結(jié)合支持向量機(jī)的光伏功率預(yù)測(cè)模型。利用灰色關(guān)聯(lián)分析理論篩選出5個(gè)氣象變量作為支持向量機(jī)模型的輸入。實(shí)驗(yàn)結(jié)果證明了該方法的可行性，對(duì)短期光伏發(fā)電功率的預(yù)測(cè)具有一定的參考價(jià)值。

灰色關(guān)聯(lián)分析；支持向量機(jī)；清晰度指數(shù)；功率預(yù)測(cè)；氣象變量

0 引 言

光伏發(fā)電[1-2]是一個(gè)受氣象、輻射和環(huán)境地理位置等多變量影響的非線性隨機(jī)過(guò)程，由于氣象的周期性、隨機(jī)性的變化，這也使得光伏電站輸出發(fā)電量(或功率)具有間歇性、不可控性和時(shí)空不確定性等缺點(diǎn)。隨著近年來(lái)我國(guó)光伏發(fā)電并網(wǎng)滲透率的提高[3]，光伏電站發(fā)電量的不確定性等缺點(diǎn)會(huì)對(duì)電力系統(tǒng)的安全、經(jīng)濟(jì)、穩(wěn)定運(yùn)行產(chǎn)生重大影響[4-6]，對(duì)光伏電站功率進(jìn)行預(yù)測(cè)，有助于電力調(diào)度部門的合理規(guī)劃，減少棄光率。

目前，國(guó)內(nèi)外許多學(xué)者對(duì)光伏發(fā)電預(yù)測(cè)技術(shù)進(jìn)行了相應(yīng)的研究，并取得了一系列成果[7-14]。按照預(yù)測(cè)方式進(jìn)行分類，大體可分為兩種方法：①間接預(yù)測(cè)，間接預(yù)測(cè)技術(shù)需要首先對(duì)光伏電站所在地理位置的太陽(yáng)輻照強(qiáng)度進(jìn)行預(yù)測(cè)，再將所預(yù)測(cè)輻照強(qiáng)度值作為已知輸入光伏發(fā)電預(yù)測(cè)模型。間接預(yù)測(cè)需進(jìn)行兩次預(yù)測(cè)，這也增加了模型的預(yù)測(cè)誤差。②直接預(yù)測(cè)，直接預(yù)測(cè)無(wú)需預(yù)測(cè)太陽(yáng)輻照度，只需光伏系統(tǒng)的歷史發(fā)電量數(shù)據(jù)和公眾天氣信息即可預(yù)測(cè)未來(lái)一段時(shí)間內(nèi)的光伏發(fā)電輸出情況，但是這種預(yù)測(cè)模型需要提前獲得電站發(fā)電量的歷史數(shù)據(jù)和大量的氣象數(shù)據(jù)。有研究表明，氣象因素對(duì)光伏并網(wǎng)系統(tǒng)輸出功率的影響是非常明顯的，尋找影響光伏發(fā)電量的關(guān)鍵氣象要素，簡(jiǎn)化原有預(yù)測(cè)模型的輸入變量成為亟待解決的問(wèn)題。

本文依據(jù)灰色關(guān)聯(lián)理論分析方法，尋找影響光伏發(fā)電的氣象因子，篩選出對(duì)光伏發(fā)電影響較大的因子，并提出將清晰度指數(shù)作為模型的輸入變量，在此基礎(chǔ)上建立支持向量機(jī)模型進(jìn)行功率預(yù)測(cè)，這也解決了小樣本條件下傳統(tǒng)模型預(yù)測(cè)精度差、模型復(fù)雜等問(wèn)題。

1 灰色關(guān)聯(lián)分析

灰色關(guān)聯(lián)分析滿足對(duì)多種因素?cái)?shù)據(jù)樣本進(jìn)行統(tǒng)計(jì)分析。該分析方法能夠通過(guò)各要素間發(fā)展態(tài)勢(shì)的相似程度來(lái)衡量彼此間的接近程度。與傳統(tǒng)回歸分析、主成分分析、相關(guān)系數(shù)分析等方法相比較，灰色關(guān)聯(lián)分析具有不追求大量樣本、不要求數(shù)據(jù)有特殊分布、計(jì)算量比回歸分析小等優(yōu)點(diǎn)，目前該方法已在光伏功率預(yù)測(cè)領(lǐng)域得到廣泛應(yīng)用?；疑P(guān)聯(lián)分析具體步驟共分3步。

(2)灰色關(guān)聯(lián)系數(shù)。利用式(1)計(jì)算比較序列的各要素指標(biāo)與參考序列指標(biāo)的關(guān)聯(lián)系數(shù)

(1)

式中，ρ為分辨系數(shù)，在0～1之間變化，一般取ρ為0.5[15]。

(3)灰色關(guān)聯(lián)度計(jì)算。由于關(guān)聯(lián)系數(shù)ξi(K)數(shù)目較多，信息不集中，不便于比較。因此，需要計(jì)算比較數(shù)列Xi與參考序列X0各點(diǎn)的關(guān)聯(lián)系數(shù)的平均值ri作為比較序列與參考序列之間的灰色關(guān)聯(lián)度

(2)

計(jì)算所得各參考序列的ri依次排成的數(shù)列為關(guān)聯(lián)序列，根據(jù)排位次序即可確定比較序列對(duì)參考序列影響程度的重要性。

2 氣象變量分析

2.1 光伏電站

光伏電站功率數(shù)據(jù)資料來(lái)自我國(guó)某屋頂并網(wǎng)光伏電站，所選數(shù)據(jù)資料為2011年4月8日～2011年5月8日逐小時(shí)輸出功率。同期輻射資料、逐時(shí)的水平面太陽(yáng)總輻射、日照時(shí)數(shù)等觀測(cè)數(shù)據(jù)取自同地區(qū)輻射觀測(cè)站。同期常規(guī)氣象要素資料也來(lái)自國(guó)家基準(zhǔn)觀測(cè)站，主要包括逐時(shí)平均氣溫、小時(shí)最高氣溫、小時(shí)最低氣溫、空氣相對(duì)濕度、小時(shí)平均氣壓、日照時(shí)數(shù)、風(fēng)速，以及由此計(jì)算出的小時(shí)溫差。

2.2 氣象變量分析

由于影響光伏電站輸出功率的氣象變量眾多，如果將其全部作為預(yù)測(cè)模型的輸入，會(huì)增加模型的復(fù)雜性，且由于各氣象變量之間存在耦合關(guān)系會(huì)降低模型的預(yù)測(cè)精度。所以本文利用灰色關(guān)聯(lián)分析來(lái)衡量與光伏輸出功率具有較強(qiáng)相關(guān)關(guān)系的氣象因子，以識(shí)別各個(gè)不同氣象影響因子的重要性，定量選擇模型輸入氣象變量。

在考慮太陽(yáng)輻射、氣溫等因子的基礎(chǔ)上，引入清晰度指數(shù)Kt作為模型的因子變量。清晰度指數(shù)，定義為到達(dá)地表水平面的太陽(yáng)總輻射與大氣層上界水平面太陽(yáng)輻射(天文輻射)之比。

表1 灰色關(guān)聯(lián)度計(jì)算結(jié)果

氣象變量與電站出力間的灰色關(guān)聯(lián)度如表1所示，按照由大到小的順序?qū)﹃P(guān)聯(lián)序列進(jìn)行排序有：總輻射量、清晰度指數(shù)、風(fēng)速、日照時(shí)數(shù)、小時(shí)平均溫度、小時(shí)溫差、本站氣壓、相對(duì)濕度；文中選取與電站出力關(guān)聯(lián)度較大的前5個(gè)氣象變量作為支持向量機(jī)模型的輸入。

3 支持向量機(jī)建模

利用IBM公司的SPSS軟件，建立支持向量機(jī)模型。將由灰色關(guān)聯(lián)分析提取的5個(gè)氣象變量作為模型的輸入，選取電站2011年4月8日至2011年5月7日的氣象數(shù)據(jù)資料及電站歷史發(fā)電數(shù)據(jù)作為模型的訓(xùn)練樣本進(jìn)行模型的訓(xùn)練建模。

經(jīng)過(guò)訓(xùn)練學(xué)習(xí)之后，模型輸出擬合值與觀測(cè)值間的散點(diǎn)如圖1所示。

圖1 2011年4月～2011年5月模型擬合值與實(shí)際值散點(diǎn)

從圖1中可見模型輸出擬合值與觀測(cè)值間有較強(qiáng)的線性相關(guān)性，且擬合值與觀測(cè)值間通過(guò)了0.01水平(雙側(cè))上的顯著性檢驗(yàn)，表明模型擬合輸出能較好地跟隨實(shí)際輸出，說(shuō)明該模型方法可用于光伏電站輸出功率的預(yù)測(cè)。

4 算例分析

4.1 誤差分析指標(biāo)

為了對(duì)預(yù)測(cè)模型進(jìn)行準(zhǔn)確的評(píng)估，需要采用一定的評(píng)估指標(biāo)，本文模型的指標(biāo)評(píng)估采用均方根值誤差(RMSE)、平均絕對(duì)百分比誤差(MAPE)。均方根值誤差用來(lái)評(píng)估整個(gè)系統(tǒng)預(yù)測(cè)值的離散程度，平均絕對(duì)百分比誤差評(píng)估整個(gè)系統(tǒng)的預(yù)測(cè)能力。

(3)

(4)

式中，Pi為第i天模型預(yù)測(cè)發(fā)電量；Po為實(shí)際發(fā)電量；N為樣本天數(shù)。

4.2 模型預(yù)測(cè)

對(duì)上述所建立的模型進(jìn)行預(yù)測(cè)檢驗(yàn)，為滿足《中華人民共和國(guó)氣象行業(yè)標(biāo)準(zhǔn)》關(guān)于“太陽(yáng)能光伏發(fā)電功率短期預(yù)報(bào)方法” 需對(duì)未來(lái)3 d逐時(shí)光伏發(fā)電功率預(yù)報(bào)的要求。選擇對(duì)2011年5月8日～2011年5月10日連續(xù)3 d電站輸出功率進(jìn)行預(yù)測(cè)，模型輸入量為同期歷史氣象實(shí)況數(shù)據(jù)，模型輸出則為5月8日～10日7∶00～18∶00的功率，由于18∶00至次日7∶00期間太陽(yáng)輻射度較弱，光伏電站出力小，故不計(jì)入內(nèi)。預(yù)測(cè)日8日和9日的天氣類型為晴天，5月10日為雨天。模型預(yù)測(cè)結(jié)果如圖2所示，從圖2中可以看出GRA-SVM模型預(yù)測(cè)功率曲線與電站實(shí)際觀測(cè)功率曲線基本重合，這表明本文所提模型應(yīng)用于光伏功率預(yù)測(cè)的正確性。

圖2 預(yù)測(cè)結(jié)果

對(duì)模型預(yù)測(cè)值與觀測(cè)值間的相對(duì)誤差進(jìn)行分析如圖3所示。5月8日和9日的誤差曲線，在早晨7∶00～8∶00和傍晚17∶00～18∶00時(shí)模型預(yù)測(cè)結(jié)果的相對(duì)誤差均大于30%，較大的誤差主要是與早晚太陽(yáng)輻射弱，光伏電池的光電轉(zhuǎn)換效率低有關(guān)；模型在9∶00～17∶00區(qū)間的預(yù)測(cè)精度比早晚精度都高，主要是這段時(shí)間內(nèi)，清晰度指數(shù)大，云層對(duì)太陽(yáng)輻射的衰減作用弱有關(guān)；結(jié)合圖2、3可見預(yù)測(cè)前兩日中午12∶00左右預(yù)測(cè)值與觀測(cè)值存在較大偏差，這主要是由于在正午時(shí)太陽(yáng)輻射較強(qiáng)，大氣清晰度高，云層對(duì)太陽(yáng)輻射的衰減弱，使得光伏電池的實(shí)際轉(zhuǎn)換效率高，且此時(shí)空氣溫度高，致使模型的預(yù)測(cè)值偏低于觀測(cè)值；模型在5月10日的預(yù)測(cè)值相對(duì)誤差比前兩日預(yù)測(cè)誤差偏大，且誤差曲線具有明顯的波動(dòng)性，主要由于當(dāng)日天氣類型為雨天，天氣變化情況較復(fù)雜，且此時(shí)電站出力低，使得模型預(yù)測(cè)值稍有偏差，便會(huì)產(chǎn)生較大的誤差值。從模型預(yù)測(cè)值與觀測(cè)值關(guān)系曲線及誤差分析可見，模型的預(yù)測(cè)結(jié)果具有一定的參考價(jià)值，可應(yīng)用于工程實(shí)際。

圖3 相對(duì)誤差曲線

由誤差分析指標(biāo)式可得，模型預(yù)測(cè)結(jié)果的均方根值誤差為0.178 kW，平均絕對(duì)百分比誤差為22.65%，綜合圖2、3及模型誤差指標(biāo)值的大小，說(shuō)明模型具有較好的預(yù)測(cè)能力，且所需考慮氣象要素少，模型結(jié)構(gòu)簡(jiǎn)單，能基本滿足工程實(shí)際應(yīng)用要求，對(duì)于配合電力系統(tǒng)調(diào)度部門制定發(fā)電計(jì)劃有較高的參考價(jià)值，但是對(duì)于天氣類型為陰雨天時(shí)預(yù)測(cè)誤差相對(duì)較大，所以對(duì)于預(yù)測(cè)模型后續(xù)的研究可以進(jìn)一步的改善。

5 結(jié) 語(yǔ)

本文提出灰色關(guān)聯(lián)分析結(jié)合支持向量機(jī)模型來(lái)實(shí)現(xiàn)光伏功率的預(yù)測(cè)。將清晰度指數(shù)作為模型的輸入變量，有助于提高模型的預(yù)測(cè)精度，減少云層遮擋對(duì)模型預(yù)測(cè)結(jié)果的影響，利用灰色關(guān)聯(lián)分析理論有依據(jù)的科學(xué)分析選擇與光伏輸出功率影響較大的氣象變量，作為支持向量機(jī)模型的輸入，使得模型結(jié)構(gòu)簡(jiǎn)單，同時(shí)減少了因輸入氣象變量間冗余度較高造成的對(duì)輸出結(jié)果的影響。實(shí)驗(yàn)結(jié)果表明模型預(yù)測(cè)結(jié)果誤差較低，模型預(yù)測(cè)精度高等特點(diǎn)，證明了對(duì)模型理論分析的正確性。

[1]丁明， 王偉勝， 王秀麗， 等. 大規(guī)模光伏發(fā)電對(duì)電力系統(tǒng)影響綜述[J]. 中國(guó)電機(jī)工程學(xué)報(bào)， 2014， 34(1)： 1-14．

[2]崔洋， 孫銀川， 常倬林. 短期太陽(yáng)能光伏發(fā)電預(yù)測(cè)方法研究進(jìn)展[J]. 資源科學(xué)， 2013， 35(7)： 1474-1481．

[3]劉東冉， 陳樹勇， 馬敏， 等. 光伏發(fā)電系統(tǒng)模型綜述[J]. 電網(wǎng)技術(shù)， 2011， 35(8)： 47-52．

[4]RIKOS E， TSELEPIS E， HOYER KLICK C， et a1. Stability and power quality issues in microgrids under weather disturbances study of photovoltaic integration[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2008， 1(3)： 170-180．

[5]PAATERO J V， LUND P D. Effects of large-scale photovoltaic power integration on electricity distribution networks[J]. Renewable Energy， 2007， 32(10)： 216-234．

[6]林少伯， 韓民曉， 趙國(guó)鵬， 等. 基于隨機(jī)預(yù)測(cè)誤差的分布式光伏配網(wǎng)儲(chǔ)能系統(tǒng)容量配置方法[J]. 中國(guó)電機(jī)工程學(xué)報(bào)， 2013， 33(4)： 25-33．

[7]陳昌松， 段善旭， 蔡濤. 基于模糊識(shí)別的光伏發(fā)電短期預(yù)測(cè)系統(tǒng)[J]. 電工技術(shù)學(xué)報(bào)， 2011， 26(7)： 83-89．

[8]代倩， 段善旭， 蔡濤， 等. 基于天氣類型聚類識(shí)別的光伏系統(tǒng)短期無(wú)輻照度發(fā)電預(yù)測(cè)模型研究[J]. 中國(guó)電機(jī)工程學(xué)報(bào)， 2011， 31(34)： 28-35．

[9]張華彬， 楊明玉. 基于天氣類型聚類和LS-SVM的光伏出力預(yù)測(cè)[J]. 電力科學(xué)與工程， 2014， 30(10)： 42-47．

[10]程澤， 韓麗潔， 李思宇， 等. 光伏發(fā)電功率的智能預(yù)測(cè)算法[J]. 電力建設(shè)， 2014， 35(7)： 34-39．

[11]ABUELLA M， CHOWDHURY B. Solar power probabilistic forecasting by using multiple linear regression analysis[C]∥Southeast Conference， Fort Lauderdale， FL, 1-5， 2015．

[12]LORENZ E， SCHEIDSTEGER T， HURKA J， et al. Regional PV power prediction for improved grid integration[J]. Progress in Photovoltaics： Research and Applications， 2011， 19(7)： 757-771．

[13]劉文穎， 門德月， 梁紀(jì)峰， 等. 基于灰色關(guān)聯(lián)度與LSSVM組合的月度負(fù)荷預(yù)測(cè)[J]. 電網(wǎng)技術(shù)， 2012， 36(8)： 228-232．

[14]李星， 晁勤， 任娟， 等. 基于BP神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電功率預(yù)測(cè)模型研究[J]. 水力發(fā)電， 2013， 39(7)： 100-102．

[15]臧冬偉， 陸寶宏， 朱從飛， 等. 基于灰色關(guān)聯(lián)分析的GA-BP網(wǎng)絡(luò)需水預(yù)測(cè)模型研究[J]. 水電能源科學(xué)， 2015(7)： 39-42．

(責(zé)任編輯 高 瑜)

湖南平江抽水蓄能電站可行性研究報(bào)告通過(guò)審查

2016年9月26日至28日，湖南平江抽水蓄能電站可行性研究報(bào)告審查會(huì)議在長(zhǎng)沙召開。會(huì)議由水電水利規(guī)劃設(shè)計(jì)總院孫保平副總工主持。參加會(huì)議的有湖南省人民政府辦公廳、發(fā)展和改革委員會(huì)能源局、重點(diǎn)項(xiàng)目建設(shè)辦公室、國(guó)土資源廳、住房和城鄉(xiāng)建設(shè)廳、水利廳、環(huán)境保護(hù)廳、林業(yè)廳、水庫(kù)移民開發(fā)管理局、安全生產(chǎn)監(jiān)督管理局、文物局，國(guó)網(wǎng)湖南省電力公司，岳陽(yáng)市人民政府及有關(guān)部門，平江縣人民政府及有關(guān)部門，國(guó)網(wǎng)新源控股有限公司，國(guó)網(wǎng)新源控股有限公司技術(shù)中心，湖南平江抽水蓄能有限公司籌建處，中國(guó)電建集團(tuán)中南勘測(cè)設(shè)計(jì)研究院有限公司等單位的領(lǐng)導(dǎo)、專家和代表。

會(huì)前，部分專家和代表查勘了工程現(xiàn)場(chǎng)。會(huì)議聽取了中國(guó)電建集團(tuán)中南勘測(cè)設(shè)計(jì)研究院有限公司關(guān)于可研報(bào)告主要設(shè)計(jì)成果的匯報(bào)，并分專業(yè)組進(jìn)行了討論和審議。會(huì)議審查認(rèn)為，報(bào)告達(dá)到了可行性研究階段勘測(cè)設(shè)計(jì)工作內(nèi)容和深度的要求，基本同意該報(bào)告。會(huì)議形成并通過(guò)了審查意見初稿。

湖南平江抽水蓄能電站工程位于湖南省平江縣福壽山鎮(zhèn)境內(nèi)，地處湖南東北部，距離長(zhǎng)沙市75 km，距平江縣城39 km。工程裝機(jī)容量1 400 MW，安裝4臺(tái)350 MW的單級(jí)立軸單轉(zhuǎn)速混流可逆式水泵水輪機(jī)、發(fā)電電動(dòng)機(jī)組。電站建成后，在電網(wǎng)中承擔(dān)調(diào)峰、填谷、調(diào)頻、調(diào)相和緊急事故備用等任務(wù)。工程為一等(1)型工程，樞紐建筑主要包括上水庫(kù)、下水庫(kù)、輸水系統(tǒng)、地下廠房洞室群和地面開關(guān)站等。本工程上水庫(kù)正常蓄水位1062.00 m，死水位1 041.00 m，調(diào)節(jié)庫(kù)容556.80萬(wàn)m3，最大壩高51.5 m。下水庫(kù)正常蓄水位415.50 m，死水位387.00 m，調(diào)節(jié)庫(kù)容568.10萬(wàn)m3，最大壩高70.5 m。電站最大發(fā)電水頭675.00 m，最大抽水揚(yáng)程685.00 m。上、下水庫(kù)進(jìn)/出水口水平距離約為2 910 m，額定水頭637.00 m，距高比4.57。電站設(shè)計(jì)年發(fā)電量為23.43億kW·h，抽水電量為31.24億kW·h。工程靜態(tài)投資為61.03億元，單位容量投資為4 359元/kW。

2013年7月，湖南平江抽水蓄能電站預(yù)可行性研究報(bào)告通過(guò)審查?？尚行匝芯侩A段中南勘測(cè)設(shè)計(jì)研究院繼續(xù)深入開展勘察、試驗(yàn)和設(shè)計(jì)研究工作，先后完成了大量專題設(shè)計(jì)研究報(bào)告，其中正常蓄水位選擇、施工總布置、水土保持方案、環(huán)境影響報(bào)告書、移民安置規(guī)劃等專題報(bào)告先后通過(guò)有關(guān)主管部門的審查和批復(fù)。在上述勘測(cè)設(shè)計(jì)科研成果基礎(chǔ)上，2016年9月，中南勘測(cè)設(shè)計(jì)研究院編制完成了《湖南平江抽水蓄能電站可行性研究報(bào)告(送審稿)》供本次會(huì)議審查。

(水電水利規(guī)劃設(shè)計(jì)總院)

Photovoltaic Power Forecasting Based on GRA-SVM Model

SONG Qijun1, HU Xiangkui2, WANG Tengfei3, HU Chao1

(1. College of Electrical engineering, Shanghai University of Electric Power, Shanghai 200090, China;2. Henan Electric Power Transmission and Transformation Engineering Company, Zhengzhou 450051, Henan, China;3. Pingdingshan Power Generation Branch, SPIC Henan Electric Power, Ltd., Pingdingshan 467312, Henan, China)

For solving the problem of numerous and complex meteorological variables in photovoltaic power forecasting, the Gray Relation Analysis and Support Vector Machine model is proposed to forecast photovoltaic power. Five meteorological variables chosen by Gray Relation Analysis are as the input of Support Vector Machine. The experimental results prove that the model is feasible in short-term prediction of photovoltaic power output.

grey relational analysis; support vector machine; clearness index; power forecasting; meteorological variable

2016-06-23

宋啟軍(1990—)，男，山東臨沂人，碩士研究生，研究方向?yàn)楣夥l(fā)電功率預(yù)測(cè)及其在微電網(wǎng)中的應(yīng)用．

TM615

A

0559-9342(2016)11-0110-04