- 頭條同時考慮統計和物理變量的光伏電站短期功率預測模型2020-12-04 作者：彭周寧 林培杰 等 | 來源： | 點擊率：導語福州大學物理與信息工程學院微納器件與太陽能電池研究所的研究人員彭周寧、林培杰、賴云鋒、程樹英、陳志聰，在2019年第10期《電氣技術》雜志上撰文指出（論文標題為“基于混合灰色關聯分析-廣義回歸神經網絡的光伏電站短期功率預測”），隨著大規模的光伏發電接入電網，其輸出的隨機性和波動性給電網調度管理帶來巨大的挑戰。 基于此，本文提出了一種同時考慮統計（歷史光伏輸出功率）和物理（歷史和未來的氣象信息）變量的混合灰色關聯分析-廣義回歸神經網絡預測模型。 首先，計算多元氣象因子與光伏發電功率的皮爾遜相關系數，將相關系數較高的氣象因子確定為建立預測模型的氣象輸入因子；然后，采用灰色關聯分析算法計算歷史日與待預測日的關聯度確定最佳相似日，選取最佳相似日的光伏輸出功率和氣象輸入因子以及待預測日的相關氣象參數作為廣義回歸神經網絡模型的輸入參數，得到待預測日各個時刻輸出功率的預測值；最后，利用澳大利亞DKA太陽能中心網站所提供的光伏電站歷史氣象數據和功率數據對所設計的模型進行訓練和測試，驗證模型在不同季節下的預測效果。 結果表明，與所選擇的對比模型相比，本文所建模型具有較好的預測性能。
近年來，隨著社會經濟的快速發展，大力開發綠色新能源已經成為解決能源和環境問題的一種強有力手段。光伏發電以其清潔和永不枯竭的獨特優勢成為傳統化石能源的最佳替代品。然而，鑒于天氣條件的不穩定性，大規模光伏發電接入電網會給電網調度管理帶來巨大的挑戰，因此，對光伏發電功率進行提前預測，可以有效降低高滲透率光伏并網對電網造成的影響，對光伏能源的有效利用和電網安全穩定運行具有重要意義。
目前，國內外對光伏發電短期功率預測取得了一定的研究成果。根據所建立的預測模型可以分為物理建模法和統計分析法。
物理建模法是通過太陽輻射強度、氣溫、云量等天氣因素的最優估計值，結合組件電氣特性和硬件損耗建立物理模型，對光伏發電功率進行預測。然而，該方法需要獲取光伏電站的功率曲線、光電轉換參數等詳細數據，而且建模比較復雜。統計分析法能夠更好地映射光伏發電功率和歷史功率之間的統計關系，得到了更廣泛的應用。
- 有學者以太陽輻射強度、風速、溫度、濕度和大氣質量指數為輸入屬性，采用BP（back propagation）神經網絡模型對霧霾天氣下的光伏輸出功率進行預測。基于BP神經網絡的方法具有較好的逼近能力，但易陷入局部極小值的誤區。
- 有學者提出了一種基于螢火蟲算法-廣義回歸神經網絡的變權重光伏短期組合預測模型。通過主成分分析法簡化模型的輸入變量維數，從相似日中提取出訓練樣本，通過螢火蟲優化的廣義回歸神經網絡訓練兩種單一模型的權重系數。
- 有學者采用相鄰日歷史數據結合Elman神經網絡模型進行預測。這種方法在天氣類型不變的情況下有較高的預測精度，但是選取的相鄰日數據具有局限性，當前、后兩天的天氣類型發生改變時，其預測精度將會下降。
為此，本文將最佳相似日理論引入以神經網絡為基礎所建立的預測模型當中，提出了一種基于混合灰色關聯分析-廣義回歸神經網絡（grey relational analysis-generalized regression neural network, GRA- GRNN）模型的預測方法。
通過灰色關聯分析（grey relational analysis, GRA）算法確定待預測日的最佳相似日，使之與待預測日的氣象條件相吻合。將最佳相似日的光伏輸出功率、氣象參數以及待預測日的相關氣象參數作為廣義回歸神經網絡（generalized regression neural network, GRNN）模型的輸入參數，得到各個時刻的輸出功率預測值。該方法解決了天氣類型改變導致預測精度下降的問題，為光伏發電預測提供了一種較為準確的預測方法。
圖6 基于GRA-GRNN的光伏電站短期功率預測流程
結論
本文提出了一種基于混合灰色關聯分析-廣義回歸神經網絡（GRA-GRNN）的光伏電站短期功率的預測方法：將計算得到的皮爾遜相關系數較高的氣象因子作為建立預測模型的氣象輸入因子，利用待預測日的氣象特征參數，采用灰色關聯分析（GRA）算法確定其最佳相似日；對于最佳相似日的選取，既考慮了天氣參數的相似性，又盡量保證了時間的連續性；選取最佳相似日功率數據、氣象參數以及待預測日相關氣象參數作為測試樣本的輸入，結合廣義回歸神經網絡（GRNN）模型，對待預測日各個時刻的功率進行預測。
實驗結果表明，本文所提出的GRA-GRNN預測模型預測精度較高，具有較好的預測性能。
