考虑天气类型和历史相似日的短期光伏输出功率预测_宋玮琼.pdf
《考虑天气类型和历史相似日的短期光伏输出功率预测_宋玮琼.pdf》由会员分享,可在线阅读,更多相关《考虑天气类型和历史相似日的短期光伏输出功率预测_宋玮琼.pdf(8页珍藏版)》请在咨信网上搜索。
1、第39卷 第2期2023年2月电网与清洁能源Power System and Clean EnergyVol.39No.2Feb.2023清洁能源Clean Energy基金项目:国家自然科学基金项目(61876097)。Project Supported by the National Natural Science Foundation ofChina(61876097).ABSTRACT:The randomness and uncertainty of photovoltaicpower generation are the main restraints to the develop
2、ment ofphotovoltaic.In order to improve the accuracy of short-termprediction of photovoltaic power,a short-term photovoltaicoutput power prediction method considering weather types andhistorical similar days is proposed in this paper.Firstly,thehistorical data are divided according to different seas
3、ons andweather types,and the similar days are determined according tothe calculation results of gray correlation degree.Secondly,chaos initialization,nonlinear adjustment of control factors,Levy flight and other strategies are used to improve the spottedhyena optimization algorithm.The improved spot
4、ted hyenaalgorithm is used to optimize the kernel extreme learningmachine and a short-term photovoltaic output power predictionmodel based on the improved spotted hyena algorithm isestablished to optimize the kernel extreme learning machine.Finally,the monitoring data of an actual photovoltaic power
5、station is used for simulation analysis.The results show that theshort-term photovoltaic output power prediction model based onISHO-KELM can reduce the volatility in the photovoltaic outputpower prediction process,improve the prediction accuracy,andthus had verified the correctness and practicality
6、of thephotovoltaic prediction method proposed in this paper.KEY WORDS:photovoltaic output power;improved spottedhyena optimizer algorithm;kernel extreme learning machine;weather type;historical similar day摘要:光伏发电的随机性和不确定性是制约光伏发展的主要原因。为了提高短期光伏发电功率预测精度,提出了一种考虑天气类型和历史相似日的短期光伏输出功率预测方法。针对不同季节和天气类型划分历史数据,
7、根据灰色关联度计算结果确定相似日。采用混沌初始化、控制因子非线性调整和莱维飞行等策略对斑点鬣狗优化(spotted hyena optimizer)算法进行改进,采用改进斑点鬣狗算法(improved spottedhyena optimizer)对核极限学习机进行优化,建立基于改进斑点鬣狗算法优化(kernel extreme learning machine,KELM)的短期光伏输出功率预测模型。利用实际光伏电站监测数据进行仿真分析,结果表明,基于 ISHO-KELM 的短期光伏输出功率预测模型能够降低光伏输出功率预测过程中的波动性,提高预测精度,验证了所提光伏预测方法的正确性和实用性。关
8、键词:光伏输出功率;改进斑点鬣狗算法;核极限学习机;天气类型;历史相似日2022 年两会上,碳达峰、碳中和首次被写入政府工作报告。加快能源转型,降低 CO2排放量是未来工作的重点,清洁能源比重将大幅增加1-3。太阳能属于取之不尽的清洁能源,光伏发电具有广阔的应用前景4-5。但光伏发电随机波动性较大,光伏输出功率无法准确估计,这是目前造成光伏并网容量较低的主要原因6-7。因此,开展光伏输出功率预测对于提高光伏并网容量,减少光伏发电不确定性对电力系统的冲击,减少碳排放具有重要意义。为了提高光伏输出功率预测精度,国内外专家学者进行了大量研究。文献8对光伏发电功率的关键影响因子进行主成分分析(prin
9、cipal componentanalysis,PCA),采用经验模态分解(empirical mode文章编号:1674-3814(2023)02-0075-08中图分类号:TM714文献标志码:A考虑天气类型和历史相似日的短期光伏输出功率预测宋玮琼1,赵成1,郭帅1,刘士峰1,潘全成1,邹红波2(1.国网北京电科院,北京100075;2.三峡大学电气与新能源学院,湖北 宜昌443000)Short-Term Forecasting of Photovoltaic Output Power Considering WeatherType and Historical Similar Days
10、SONG Weiqiong1,ZHAO Cheng1,GUO Shuai1,LIU Shifeng1,PAN Quancheng1,ZOU Hongbo2(1.State Grid Beijing Electric Power Research Institute,Beijing 100075,China;2.College of Electrical and New Energy,Three Gorges University,Yichang 443000,Hubei,China)清洁能源Clean Energydecomposition,EMD)对样本数据进行处理,并利用长 短 期 记 忆
11、 神 经 网 络(long short memory term,LSTM)对处理后的样本数据进行回归,建立基于EMD-PCA-LSTM 的光伏功率预测模型。由于没有考虑历史相似数据的影响,该模型有待进一步完善。文献9利用 K-means+聚类方法对历史数据集进行分类,采用混合卷积神经网络和长短期记忆网络建立了光伏输出功率预测模型,该模型虽然取得了较高的预测精度,但只针对晴朗天气,并没有考虑其他天气类型。文献10将变分模态分解(variational modal decomposition,VMD)、灰狼优化(grey wolf optimization,GWO)算法和 Elman 神经网络进行
12、组合,建立了基于 VMD-GWO-Elman 神经网络的光伏发电组合预测模型。由于 Elman 神经网络的泛化能力有限,模型的预测精度有待进一步提高。除了上述预测方法,BP 神经网络11和支持向量机12也被应用于光伏发电功率预测,但这 2 种算法在训练过程中容易陷入局部最优13-14。针对现有光伏输出功率预测方法中存在的不足,根据不同季节和天气类型划分训练集,通过计算灰色关联度筛选相似日。采用改进斑点鬣狗算法对核极限学习机的惩罚系数和核参数进行优化,建立基于 ISHO-KELM 的短期光伏输出功率预测模型,并用实际光伏电站监测数据对模型的实用性和优越性进行验证。1相似日选取光伏输出功率与光照时
13、长密切相关,按照光照时长可将全年划分为夏季、春秋季和冬季 3 个季节15。在同一季节,光伏输出功率受天气类型影响较大,因此可将同一季节的天气类型划分为晴天、多云和阴雨 3 种天气类型,这样有利于获得更准确的样本训练集,提高光伏输出功率预测精度。对于已建成的光伏电站,其光伏电板的面积、安装角度和转换效率均已确定,光伏输出功率主要受辐照度、温度、风速和相对湿度等气象因素的影响16。因此,在预测日所在季节和天气类型确定的情况下,本文选取相似日的特征向量如下:Xi=Iimax,Iimin,-Ii,Timax,Timin,-Ti,vimax,vimin,-vi,Himax,Himin,-Hi(1)式中:
14、Iimax,Iimin,-Ii分别为第 i 日的最大辐照度、最小辐照度和平均辐照度;Timax,Timin,-Ti分别为第 i 日的最高温度、最低温度和平均温度;vimax,vimin,-vi分别为第 i 日的最大风速、最小风速和平均风速;Himax,Himin,-Hi分别为第 i 日的最大相对湿度、最小相对湿度和平均相对湿度。本文采用灰色关联度17来量化预测日与相似日的相似程度,其计算公式为Ri=1nk=1ni(k)(2)式中:Ri为灰色关联度,其值越接近 1,表示二者相似程度越高;n 为特征向量的个数;i(k)为第 i 个相似日的第 k 个特征向量与相似日的关联系数;i(k)的计算公式如下
15、:i(k)=minimink|X0(k)-Xi(k)+maximink|X0(k)-Xi(k)|X0(k)-Xi(k)+maximaxk|X0(k)-Xi(k)(3)式中:X0(k)为预测日第 k 个特征向量归一化后的值;Xi(k)为第 i 个相似日的第 k 个特征向量归一化后的值;为分辨系数,取值为 0.5。2KELM及其优化2.1核极限学习机极限学习机(extreme learning machine,ELM)是一种性能良好的单隐含层前馈神经网络18,其优点是训练速度快,拟合精度较高,目前广泛应用于非线性回归问题。然而,ELM 也存在隐含层节点数、权值难以确定以及过拟合等问题19。为此,文
16、献20在 ELM 中引入核函数以提高 ELM 的稳定性和泛化能力,形成核极限学习机(kernel extreme learningmachine,KELM),其相关原理可参考文献20,在此不再赘述。KELM 的模型如下:f(x)=h(x)HT(I/C+HHT)-1T=|K(x,x1)K(x,xN)(I/C+ELM)-1T(4)式中:C 为惩罚系数;I为对角矩阵;ELM为核矩阵;K(x,xN)为核函数。核函数通常采用泛化性能良好的 RBF 核函数,其表达式为K(,)=exp-(-2/)(5)宋玮琼,等:考虑天气类型和历史相似日的短期光伏输出功率预测Vol.39No.276第39卷第2期电网与清洁
17、能源清洁能源Clean Energy式中:为核参数。研究表明,KELM 解决了 ELM 隐含层节点数、权值难以确定等问题,提高了算法的泛化性能,但KELM 的拟合效果受惩罚系数 C 和核参数影响较大,因此本文选择改进斑点鬣狗算法对参数 C 和进行寻优。2.2改进斑点鬣狗算法2018 年,印度 Gaurav Dhiman 提出了一种新型智能算法斑点鬣狗优化(spotted hyena optimizer,SHO)算法21,它是根据斑点鬣狗种群围捕猎物的行为提出的,其原理简单、稳定性好,目前已在计算机、能源等领域得到了广泛应用。SHO 算法的寻优原理可参考文献21。SHO 算法的寻优精度受种群初始
18、解、控制因子和摇摆因子等参数影响较大,为了避免 SHO 算法在寻优过程中陷入局部最优、提高算法的求解精度,采用如下策略对 SHO 算法进行改进。2.2.1混沌初始化策略混沌理论具有强大的普适性和非重复性,因而被广泛应用于增强智能算法的种群多样性,有利于算法在解空间内进行彻底搜索。本文在 SHO 算法的迭代初期引入混沌初始化原则,利用 Tent 映射22对斑点鬣狗种群的初始位置进行混沌初始化,使其能够在搜索空间中均匀分布,增加个体多样性,提高求解质量和效率。Tent映射的表达式如下:yt+1=2yt0yt0.52(1-yt)0.5yt1(6)采用伯努利变换后可以得到:yt+1=(2yt)mod1
19、(7)式中,mod 表示同余。2.2.2控制因子非线性调整SHO 算法在迭代时,控制因子 h 通常采用线性递减的策略进行变化,但在迭代过程中,h 实际是非线性变化的,为了更好地体现 h 的变化过程,引入下列非线性调整策略:h(t)=5-5|1e-1(etNI-1)Q(8)式中:e 为自然对数;t 为当前迭代次数;NI为最大迭代次数;Q 为衰减系数,QZ且Q0,10。引入非线性调整策略后,控制因子 h 实现了非线性递减,在迭代初期,控制因子递减较慢,有利于算法展开全局搜索。在迭代后期,控制因子加快衰减,使斑点鬣狗种群向最优解靠拢,便于进行局部搜索,提高找到最优解的可能性23。2.2.3莱维飞行策
20、略研究发现,在优化算法中引入莱维飞行策略,不仅有助于增加种群多样性,还能够加快算法收敛24。为了增强 SHO 算法的优化性能,将莱维飞行策略引入斑点鬣狗算法中,用于控制斑点鬣狗算法的摇摆因子和收敛因子。具体如下:B=2Levyr1(9)E=2hLevyr2-h(10)式中:B 和 E 分别为摇摆因子和收敛因子;Levy 为莱维搜索路径;r1,r2均为随机因子。3光伏输出功率预测模型本文采用改进斑点鬣狗算法(improved spottedhyena optimizer,ISHO)对 KELM 的C和进行寻优,建立基于 ISHO-KELM 的短期光伏输出功率预测模型。根据相似日选取原则,关联度越
21、高的历史样本越有利于建模,关联度不高的历史样本会影响模型的训练效果。参考文献25中相似日的选取原则,本文训练集选择同季节前一个月内 5 个关联度最高的相似日数据,测试集为预测日数据。模型输入量为光伏电站实际记录的辐照度、温度、风速和相对湿度,输出量为光伏输出功率。3.1模型的建立基于 ISHO-KELM 的短期光伏输出功率预测模型建模步骤如下,建模流程如图 1 所示。Step1根据相似日关联度计算结果确定训练集,并将数据归一化:xi=xi-ximinximax-ximin(11)式中:xi为特征量 i 的原始值;ximax和ximin分别为特征量 i 的最大值和最小值;xi为特征量 i 归一化
22、后的值。Step2初始化 KELM,并设置相关参数,将C和作为寻优目标,设置C和的初始值和搜索范围。Step3混沌初始化斑点鬣狗种群,设置斑点鬣狗的种群规模、最大迭代次数及迭代终止误差,将参数 h、B、E 和斑点鬣狗种群位置初始化。Step4设置训练集的均方根误差为适应度函77清洁能源Clean Energy数,计算斑点鬣狗种群中的个体适应度值,具体如下:()=1Ni=1N(yi-y*i)2(12)式中:N 为样本容量;yk为第 i 个光伏输出功率的实际值;yk为第 i 个光伏输出功率的预测值。Step5计算当前斑点鬣狗最佳位置,并检查是否有超出给定搜索空间边界的斑点鬣狗个体,若有,则进行调整
23、。Step6计算位置更新后的斑点鬣狗个体适应度值,并与上一代适应度值进行比较,保留斑点鬣狗最佳位置。Step7更新斑点鬣狗种群位置,并搜索到个体最优的适应度值下的斑点鬣狗位置。Step8判断算法达到终止条件,则输出最佳斑鬣狗位置,即 C 和的最优解;否则重复 Step5Step7。Step9将 C 和最优值赋给 KELM,对测试集数据进行预测。图1建模流程图Fig.1Modeling flow chart3.2模型的评价根据 光伏发电站功率预测系统技术要求,采用相对误差、平均相对误差、均方根误差和全局最大误差 4 种误差对光伏输出功率预测模型的预测效果进行综合评价,其计算公式分别为MAE=yi
24、-yi*yi(13)MAPE=1Mi=1M|yi-yi*yi100%(14)RMSE=1Mi=1M(yi-yi*)2(15)MAX=max|yi-yi*yi100%(16)式中,M 为测试集样本容量。4实例分析采用甘肃省某 300 kW 分布式光伏电站 2019年实测数据对短期(24 h)光伏输出功率预测进行实例分析,考虑到不同季节光照时间的不同,均选用 07:0019:00 时段内的数据,数据采样频率为15 min/次,故输入输出变量共有 49 组,按照时间顺序依次编号为 1-49。利用模型对夏季晴天光伏输出功率预测效果进行分析,2019 年 6 月 28 日为晴天,当日气象参数(辐照度、温
25、度、风速和相对湿度)和光伏输出功率组成的部分数据如表 1 所示。表1部分样本数据Table 1Partial sample data样本编号12345678910414243444546474849辐射度/(Jm-2)0.3990.4110.4320.4400.4690.4800.5040.5330.5460.5640.5580.5400.5210.4960.4830.4620.4380.4050.248温度/22.823.224.024.524.825.626.025.926.527.030.629.929.628.127.627.326.525.624.8风速/(ms-1)1.51.41.
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 考虑 天气 类型 历史 相似 短期 输出功率 预测 宋玮琼
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。