基于小波神经网络的分布式光伏发电出力预测研究

李浩铭

摘  要：对于分布式光伏发电出力情况进行预测是设计光伏电站的必须参考数据，为光伏电源的接入和电力系统的优化提供可靠的依据。本文分析了分布式光伏发电出力的特性和预测方法，简述了小波神经网络的结构和预测原理，并在最后以厚田沙漠光伏生态园5MWp光伏电站的发电出力数据为主要研究对象，研究了小波神经网络对分布式光伏发电出力的预测情况。

关键词：小波神经网络;分布式光伏;发电出力预测

前言：

我国是太阳能资源较丰富的国家，非常适合光伏发电的发展，国家也对此实施大力的扶持政策，光伏发电也因此迎来高速发展时期。但是要想有效地实现光伏并网，对于电站的出力情况进行准确的预测是十分必要的，然而目前针对这一方向的研究较少，也因此在一定程度上阻碍了光伏发电的发展。

一、分布式光伏发电出力特性

分布式光伏发电出力会受到气候、光照等外界客观因素的影响较大，具有一定的随机性和间歇性，并且具有概率分布的典型特点，除了易受自然因素的影响，还会受到邻近的电力负荷和光伏的制约影响。根据分布式光伏发电出力的间歇性和随机性的特性，国内外产生不少研究，通过不同气候光伏出力分布的实验，去除夜间光伏未发电出力的时间，分别对在晴天、多云、雨天、雨转阴几种气候下的特性进行研究，表明分布式光伏发电出力会受到光照等气候因素影响，同时还会受到时间、地理等因素的影响。间接法的特性是通过利用气象、光照等数据条件对光伏发电出力建造模型，根据光伏发电出力原理，得到分布式的间接特性[1]。

二、分布式光伏发电出力预测方法

对于分布式光伏发电出力的预测方法一般分为直接预测法和间接预测法，直接预测法通常都是根据数据的规律进行预测，也称为数据统计预测法，在这一预测方法中，通常先找出光伏发电出力的历史数据，在其中寻找规律，通过规律确定理论再建立模型，在建模环节中主要使用的方法有时间序列预测法、灰色理论预测法等，数据统计预测法也在实验中得到了很好的证明。随着人工智能的发展，人工智能预测方法在分布式发电出力预测的方法中也较为常见，由于在统计发电出力的过程中需要用到大量的数据，数据范围较广，并且需要准确获取，存在一定难度，但使用人工智能预测方法可以通过人工神经网络、多层感知器神经网络等进行预测，以这种人工智能方法算出的数据会更加精确，提高了整体预测的准确度。间接预测法主要是指在预测过程中不需要历史数据的统计，而是直接根据天气预报的数据就可以进行预测的方法，可以减少数据的统计难度，在间接预测法中常用数值天气预报和基地云图法，对于数值运算能力有很大的要求，通过设置边界条件和初值，计算天气演变的过程，进而预测未来的天气状况，从而实现预测分布式发电出力的目的。

三、小波神经网络的结构和预测原理

小波神经网络是小波变换和神经网络的结合，通常称之为松散型结合，由小波变换和神经网络构成整个系统，主要结构为：在某一特定时域输入信号，通过小波分解到小波域进行信号处理，再在小波域进行小波重构，经过特定时域进入神经网络，最后输出信号，整个结构中小波变换和神经网络是相对独立但又紧密相连的。小波变换和神经网络的融合也被称之为紧致型结合，在结构中紧致型小波神经网络组合模型是由小波函数构构造神经网络多形成的小波网络，在这一结构中，可以自行调整小波函数的形状以适应实际，可以实现小波变换。在小波神经网络光伏出力预测中，以小波变换原理为基础，将小波分解和重构的方法作为前置的手段，根据预测时的天气等自然情况，选择合适的样本，构建小波神经网络光伏出力预测模型，根据实验得出的数据求得预测的情况。以晴天为例，在晴天条件下对模型进行预测研究，先输入历史数据，在晴天下降小波变换得到的样本进行分解，再进行小波重构，通过不同的处理方式得到不同的小波神经网络预测结果，将得到的结构序列进行叠加，得到最终结果，以此得到预测情况[2]。

四、基于小波神经网络在分布式光伏发电出力预测的应用

分布式光伏发电出力具有较强的随机性和波动性，在对其进行预测时难度较大，如果没有选择正确的预测方法，预测结果会大打折扣。小波神经网络是将小波变换和神经网络两种特点相结合形成的，在使用其预测时会更加的灵活，具有更强的容错能力，所以小波神经网络更适用于分布式光伏发电出力的预测。但在小波神经网使用的过程中较为复杂，由于复杂的情况下得到的结果也具有一定不准确性，所以为了更好地达到预测效果，可以使用简化模型的办法，根据不同的季节、月份甚至日期建立不同的预测模型，简化操作的同时，提高预测的准确度。

在此以厚田沙漠光伏生态园为主要研究地点，5MWp光伏电站的发电出力数据为主要研究对象，对于进行预测研究，在此光伏电站中采用的光伏组件有2WMp的多晶硅和3WMp的薄膜，多晶硅组件的功率峰值为180Wp，开路电压为44.9V，短路电流为5.46A，工作电压为36.2V，工作电流为4.98A;薄膜电池组件的功率峰值为484Wp，开路电压为291V，短路电流为2.56A，工作电压为222V，工作电流为2.18A。整个的布置中，薄膜固定系统为3049.2kWp，多晶硅固定系统1695.24kWp，将组件的安装方向固定位正南方向，安装的倾斜角按照当地的25度最佳的倾斜角设置，使薄膜光伏组件的单列组件按照前后间隔2米放置，多晶硅的组件按照前后间隔2.5米放置单列组件，确保在9点至15点这一时间段内组件可以全年不被遮挡。

在进行预测的过程中，采用简化模型的方式，主要采取2012年第一季度一、二月份的数据，将其分成晴天、阴天、多云转阴和雨这四种典型的 天气进行分别建立模型操作，根据不同的天气情况，对应不同的发电出力数据，采用上面介绍过的小波神经网络结构，以厚田沙漠光伏生态园的5MWp光伏电站的历史数据为基础，先将历史数据进行分解，提取出光伏发电出力的系数，并且在分解的过程中注意做好消噪处理，并将分解后的单支信号进行重构，再将重构后的数据通过模型预测出发电出力值，结合不同的天气情况和实际情况，采取合适的预测模型，争取将预测结果最优化。由于分布式光伏发电出力的特性，其受气候条件的影响最为明显，所以在实验过程中要注意光照的不同影响，特别是采取的实验对象厚田沙漠光伏生态园5MWp光伏电站处在四季分明的位置，光照情况好太阳的辐射角度都会随着时间的变化而变化，各个月份的光照情况和光照时间不同，所以在样本选择中通常要选取8点到17点的10个光伏发电出力的数据，在模型中要输入13个数据，包括日期、最高温度、最低温度和选取的10个发电出力值，以此得到准确完整的预测结果[3]。

通过预测结果对小波神经网络在分布式光伏发电出力预测中的应用进行总结，在晴天气候条件下，由于傍晚的气候变化较大、温度较低，对于预测的精准度较低，使用小波神经网络预测时可以将局部特性较好的拟合，得到的预测结果精确度也较高，误差也相对较小。在相同情況下的阴天样本中，采用小波神经网络进行预测的误差就较高，在8点和17点这两个时间点的误差尤为高，所以在阴天条件下小波神经网络在进行分布式光伏发电出力预测中发挥的作用就不是很大了。对于多云转阴天气下的样本预测结果与在阴天下结果相似，由于在8点和17点数据较差过大，并且在高频部分也存在较大误差，造成整体预测结果不是很准确，在发电出力的预测中的参考意义不大。在中雨情况下产生的预测结果与多云转阴是相近的，所以，根据整体实验情况分析，在晴天情况下的小波神经网络对于分布式发电出力的预测准确度较高，在阴天、多云转阴以及中雨情况下预测结果准确度较低，但能基本满足发电系统规划，具有一定参考价值。

结论：综上所述，对于分布式光伏发电出力预测具有很重要的作用，既能够有效降低光伏并网对电力系统造成的不良影响，又可以通过有效地预测提高电力系统的可靠性，为整个电力系统的发展和优化提供科学、可靠的依据，并且通过对太阳能的使用，有效地达到可持续发展、节能环保的效果，促进整个社会的发展。

参考文献：

[1]张浩，李树金.分布式光伏发电的特性分析与预测方法综述[J].科技风，2020（03）：182-183.

[2]丁明，刘志，毕锐，朱卫平.基于灰色系统校正-小波神经网络的光伏功率预测[J].电网技术，2015，39（09）：2438-2443.

[3]姜强鑫.基于小波神经网络的分布式光伏发电出力预测[D].南昌大学，2012.