考虑多因素影响的光伏发电功率智能预测研究

摘    要：为了提高光伏发电功率预测精度，减少光伏发电功率预测误差，提出考虑多因素影响的光伏发电功率智能预测方法。首先分析光伏发电功率预测研究进展，选择光伏发电功率影响因素，并采用相关性分析法确定影响因素权重值，然后根据权重值对光伏发电功率样本数据进行处理，采用最小二乘支持向量机对样本进行学习，建立光伏发电功率预测模型，最后采用Matlab工具箱进行光伏发电功率预测的仿真对照测试，结果表明，所提方法可以科学、准确描述光伏发电功率变化趋势，光伏发电功率预测精度高于当前经典方法，是一种性能优异的光伏发电功率预测建模技术。

关键词：光伏发电;影响因素;功率预测;仿真测试;预测精度;

1 引言

当前能源消耗速度加快，世界各国均面临能源不足问题，同时化石能源给环境带来严重负面影响，严重干扰了人们的正常生活[1,2]。太阳能是一种通过光伏发电的洁净能源，光伏发电要准确并入电网，必须对光伏发电功率进行准确预测，并根据预测结果进行合理调度，如光伏发电功率预测不准确，对电力系统造成很大的损害，因此光伏发电功率预测与建模具有重要的研究意义与价值[3,4,5]。

光伏发电功率与多种因素相关，如：气象条件、太阳辐照强度等，变化十分复杂，这给光伏发电功率准确预测带来了困难[6]。最初人们采用灰色模型建立光伏发电功率预测模型，该方法将光伏发电功率当作一个灰色系统，利用光伏发电功率历史数据分析将来变化特点[7]，该方法局限性比较明显，因为其假设将光伏发电功率是一种增长或者下降固定变化规律，这与光伏发电功率的实际变化规律不相符，导致光伏发电功率预测偏差比较大，预测结果没有太多的实际应用价值[8]。随后出现了基于各种神经网络的光伏发电功率预测方法，神经网络具有自我学习、训练和联系功能，可以不断拟合光伏发电功率变化特点[9,10,11]，预测效果要明显优于灰色系统，但是其存在建模时间长、易获得局部最优的光伏发电功率预测结果等不足，影响了光伏发电功率预测可靠性[12]；近几年，出现了支持向量机的光伏发电功率预测方法，其避免了神经网络学习能力差的弊端[13,14]，但是其同样存在学习时间长，使得光伏发电功率预测效率低。当前建模方法均认为所有因素对光伏发电功率预测结果均存在相同的影响程度进行建模，这与实际情况不相符，导致光伏发电功率预测结果有待进一步改善。

为了获得更优的光伏发电功率预测结果，本文设计了考虑多因素影响的光伏发电功率智能预测方法，首先采用相关性分析法确定每一种影响因素对预测结果的贡献率，即权重值，然后采用最小二乘支持向量机对光伏发电功率变化规律进行建模，最后通过具体光伏发电功率预测实例对其有效性进行测试和验证。

2 考虑多因素影响的光伏发电功率智能预测方法

2.1 光伏发电原理

光伏发电原理具体为：首先太阳光对光伏电池板进行照射，然后光伏电池板将光能转换为电能，最后将电能送到用电设备，具体如图1所示。

图1 光伏发电的原理  

2.2 光伏发电系统的基本结构

当前光伏发电系统通常划分为3类，具体为：独立型、并网型和混合型，它们均包含一个存能装置，相对于独立型、混合型的光伏发电系统，并网型的光伏发电系统使用更广泛，基本结构可以描述如图2所示。

图2 光伏发电系统的基本结构 

2.3 光伏发电功率的影响因素分析

光伏发电功率与许多因素密切相关，可以将因素划分为两类：一类是固定因素，另一类为随机因素，其中固定因素主要包括光伏组件自身因素，如电池板材料等，这些因素一般无法改变，因此本文不考虑固定因素对光伏发电功率预测结果的影响，而是只考虑随机因素对光伏发电功率预测结果的影响。随机因素主要为外界环境因素，如天气、气象因素等，下面对它们与光伏发电功率之间关系进行具体分析。

(1)太阳辐照度。设光电转换效率为η，光伏面板面积为S，太阳辐照度与光伏发电功率之间可以采用式(1)进行描述。

式中，t0表示温度，I表示太阳辐照度。

对式(1)进行分析可以发现，光伏发电功率与太阳辐照度之间是一种正相关关系，随着太阳辐照度的增加，光伏发电功率也不断变大，而随着太阳辐照度减弱，光伏发电功率慢慢降低，它们之间有一种相同的变化趋势[15];

(2)天气类型。根据气象局对天气的划分，可以将天气划分为很多类型，而影响光伏发电功率的天气类型主要包括晴天、雨天、多云、阴天，因此对于某一个地区，天气与光伏发电功率之间的变化关系如图3所示。从图3可知，晴天、雨天、多云、阴天均会影响光伏发电功率的波动，因此要进行高精度的光伏发电功率预测，需要考虑天气类型；

图3 光伏发电功率与天气间关系的变化曲线

(3)温度。温度与辐照强度之间存在间接变化关系，同时影响光伏组件的光电转换效率，温度与光伏发电功率之间变化关系曲线如图4所示。从图4可以看出，温度与光伏发电功率是一种正相关关系，具有一定线性相关性；

图4 光伏发电功率与温度间关系的变化曲线 

图5 光伏发电功率与湿度间关系的变化曲线

(4)湿度。湿度主要指空气中水蒸气的占比，光伏发电功率与湿度之间变化关系曲线如图5所示。从图5可知，随着空气温度不断下降，光伏发电功率不断变大，而随着空气温度不断增加，光伏发电功率慢慢降低，它们之间有一种负相关关系，这主要是因为水蒸气会削弱太阳辐照度，因此，光伏发电功率预测要相对湿度因素影响；

(5)风速。风速与光伏发电功率之间无直接联系，但是风速可以降低光伏组件温度，并且可以吹掉光伏组件表面的灰尘，因此，风速对光伏发电功率影响比较弱，但是之间存在一定的关联性。

2.4 相关性分析法确定影响因素的权重值

采用Pearson相关性分析法确定光伏发电功率与影响因素之间的相关系数，采用相关关系作为影响因素的权重值。设y表示光伏发电功率，x表示影响因素，相关系数的计算公式为：

式中，x和分别表示影响因素的平均值和协方差，y和分别表示光伏发电功率的平均值和协方差。

根据式(2)计算光伏发电功率与影响因素之间的相关系数，根据相关系数得到影响因素权重值，如表1所示。

表1 光伏发电功率影响因素的权重值 

2.5 最小二乘支持向量机

根据权重值对影响因素进行处理，建立光伏发电功率预测训练样本集合，通过映射函数φ()将训练样本进行空间变换，得到最小二乘支持向量机的光伏发电功率预测建模线性回归形式为：

为了使光伏发电功率预测误差(ei)尽可能最小，引入松弛因子ξ，并对条件进行相应的约束，可以得到：

式中，γ为最小二乘支持向量机的参数。

为了提升光伏发电功率预测效率，采用拉格朗日乘子αi建立拉格朗日函数：

分别对w,b，ξ，α求导，并且使它们求导结果为0，即：

从而得到式(3)w和b的计算公式：

由于光伏发电功率与影响因素之间存在一种复杂非线性关系，因此采用核函数替代内积操作，K(x,xi)=φ(x)Tφ(xi)，这样光伏发电功率预测模型可以描述为：

式中，K(x,xi)具体为：

式中，σ表示核函数的参数。

2.6 考虑多因素的光伏发电功率预测步骤

(1)采集一些光伏发电功率影响因素数据以及相对应的光伏发电功率数据；

(2)由于光伏发电功率影响因素的单位不一样，因此数值之间有时差别很大，对最小二乘支持向量机的学习过程产生干扰，因此对影响因素数据值进行归一化处理，具体如下：

式中，x和x'分别表示光伏发电功率影响因素的原始值和归一化后值，xmax和xmin分别表示光伏发电功率影响因素最大值和最小值；

(3)采用Pearson相关性分析法确定光伏发电功率与影响因素之间的相关系数，采用相关系数作为影响因素的权重值；

(4)根据权重值对光伏发电功率的建模数据进行处理，并根据一定的比例划分为训练样本集和验证样本集合；

(5)确定最小二乘支持向量机的参数γ和核函数参数σ的最优值；

(6)最小二乘支持向量机根据γ和σ对光伏发电功率训练样本集合进行学习，构建光伏发电功率预测模型；

(7)采用验证样本对构建的光伏发电功率预测模型性能进行测试与分析。

综合上述步骤可知，考虑多因素的光伏发电功率预测流程如图6所示。

图6 考虑多因素的光伏发电功率预测流程

3 光伏发电功率预测方法的性能测试与分析

3.1 测试对象

表2 光伏发电功率预测的仿真数据 

为了测试考虑多因素影响的光伏发电功率智能预测方法的有效性，选择10个光伏电站一段时间的发电功率数据、天气数据、气象数据，将数据划分为训练样本集和验证样本集合，其数量如表2所示。采用Matlab工具箱进行了光伏发电功率预测的仿真对照测试，为了体现本文方法的优越性，选择BP神经网络的光伏发电功率预测方法、支持向量机的光伏发电功率预测方法进行对比测试。

3.2 光伏发电功率预测拟合效果分析

采用建立的光伏发电功率预测模型对训练样本集合进行拟合，计算不同方法的光伏发电功率拟合精度，结果如图7所示。对图7的光伏发电功率拟合精度进行分析可以发现，本文方法的光伏发电功率拟合精度要高于BP神经网络、支持向量机的光伏发电功率拟合精度，这表示本文方法可以更好地挖掘光伏发电功率历史数据隐藏的变化特点，获得了十分理想的光伏发电功率拟合结果，初步证明了本文设计的光伏发电功率预测方法的优越性。

图7 不同方法的光伏发电功率拟合精度比较  

光伏发电功率预测与建模是对将来光伏发电功率变化规律进行描述，但拟合精度无法全面描述光伏发电功率建模效果，因此对验证样本集合进行预测，计算不同方法的光伏发电功率预测精度，结果如图8所示。对图8的光伏发电功率预测精度可以发现，本文方法的光伏发电功率预测精度平均值为90.89%,BP神经网络、支持向量机的光伏发电功率预测精度平均值为83.62%和86.61%，由此可见，本文方法明显改善了光伏发电功率预测效果，这主要是因为本文方法通过相关分析法确定了每一个影响因素对光伏发电功率预测结果的贡献，同时引入最小二乘支持向量机跟踪了光伏发电功率变化规律，提高了光伏发电功率预测精度，再一次证明了本文设计的光伏发电功率预测方法的优越性。

图8 不同方法的光伏发电功率预测精度比较 

4 结束语

光伏发电功率受天气、气象等多种因素综合影响，不同因素对光伏发电功率预测结果的作用不一样，为了克服当前光伏发电功率预测方法存在的不足，本文采用相关分析法描述不同影响因素对光伏发电功率影响程度，采用最小二乘支持向量机描述光伏发电功率的随机性、非线性变化特点，具体测试结果表明，本文方法的光伏发电功率预测结果要显著强于当前经典光伏发电功率预测方法，为光伏发电功率建模提供了一种新的思路。

文章来源：自动化技术与应用