基于AdaBoost算法的光伏电站中长期发电预测_王晓东.pdf

收稿日期:2022 11 28第一作者:王晓东(1983)，男，山东即墨人，硕士，高级工程师，研究方向为油田节能技术。E mail:upcll163 com基于 AdaBoost 算法的光伏电站中长期发电预测王晓东1，盛庆博1，孙立群2，刘绍鹏1，王新燕1，刘杰1(1 中国石化胜利油田有限公司技术检测中心，山东 东营 257000;2 中国石油大学(华东)控制科学与工程学院，山东 青岛 266580)摘要:该文提出了一种基于 AdaBoost 算法的拟建光伏电站发电量预测方法。根据现有光伏电站的历史气象数据与发电量数据，在利用 AdaBoost 集成学习算法对传统 SVM 优化的基础上，对气象因素的天气类型进行分类与识别，进而得到 4 种天气状态下气象因素与发电量之间的对应关系;利用拟建电站所在地的历史气象数据，根据天气类型自动选择对应的 LSTM 模型，对拟建光伏电站的发电量进行预测。实验结果表明，与采用单一 LSTM 模型相比，该文方法预测精度有明显的提高，具有一定的推广价值。关键词:发电量预测;光伏电站;AdaBoost 算法中图分类号:TP273文章编号:1000 0682(2023)02 0065 05文献标识码:ADOI:10 19950/j cnki cn61 1121/th 2023 02 013Medium and long term generation capacity prediction of photovoltaic plantsbased on AdaBoost algorithmWANG Xiaodong1，SHENG Qingbo1，SUN Liqun2，LIU Shaopeng1，WANG Xinyan1，LIU Jie1(1 Technology Testing Center，Shengli Oilfield CO，LTD，Sinopec，Shandong Dongying 257000，China;2 College of Control and Science Engineering，China University of Petroleum(East China)，Shandong Qingdao 266580，China)Abstract:This paper proposes a method for forecasting the generation of photovoltaic power plants tobe built based on AdaBoost algorithm According to the historical meteorological data and power genera-tion data of existing photovoltaic power stations，and based on the optimization of traditional SVM usingAdaBoost integrated learning algorithm，the method classifies and identifies the weather types of meteoro-logical factors，and then obtains the corresponding relationship between meteorological factors and powergeneration under four weather conditions Using the historical meteorological data of the place where thepower station to be built is located，the corresponding LSTM model is automatically selected according tothe weather type to predict the power generation of the photovoltaic power station to be built The experi-mental results show that the prediction accuracy of this method is significantly improved compared withthat of single LSTM model，and it has certain popularization valueKeywords:power generation prediction;photovoltaic power plant;AdaBoost algorithm0引言近年来，因为化石燃料的不断消耗以及其对环境的不利影响，人类对可再生能源的需求量与日俱增，所以建设更多的光伏电站被列入到生产计划中。根据标准 GB 507972012光伏发电站设计规范，在电站设计阶段，需要对拟建光伏电站发电量进行1 个月至 1 年的长期预测1 2。对拟建光伏电站的长期发电能力进行预测，对于提高光伏发电系统的经济效益、发电利用率和投资回报，减轻并网后的不利影响具有重要意义3。传统的光伏发电站电量预测采用灰色理论、时562023 年第 2 期工业仪表与自动化装置间序列法和回归分析法4 等统计学方法，利用参数估计和曲线拟合等得到历史气象数据和发电量之间的对应关系，实现对光伏电站发电量的预测;但进行发电量预测时需要大量完备的实际气象数据对模型进行训练，数据获取和处理的难度较大。随着智能算法的不断发展，机器学习也广泛运用于光伏电站发电量预测中。利用机器学习对样本数据进行训练，进而得到拟建光伏电站所处地址的气象数据与未来发电量之间的关系成为可能。常见的机器学习方法有神经网络、支持向量机、粒子群算法和遗传算法5 等，由于光伏电站发电量随着天气状态的变化会产生较大波动，如果采用单一预测模型可能会出现过拟合的问题。针对传统机器学习方法采用单一预测模型，不能区分天气类型而难以保证预测精度的问题，该文提出一种基于 AdaBoost(Adaptive Boosting)算法的光伏电站发电量预测方法。利用 AdaBoost 集成学习算法优化传统 SVM(Support Vector Machine)，根据太阳辐照度、风速、风向、大气湿度以及环境温度5 种影响光伏电站发电量的气象因素，将天气状态划分为晴天、多云、阴天和雨雪 4 种类型。针对 4 种天气类型分别建立基于 LSTM(Long Short TermMemory)网络的光伏电站发电量预测模型，通过判断气象数据所对应的天气类型，自动选择相应的预测模型对发电量进行预测，解决了应用单一 LSTM模型对光伏电站发电量进行预测时不能很好的适应不同天气状态的问题6 7。通过实际数据的预测实验与误差对比，验证了该方法能够有效提高光伏电站发电量长期预测的精度。1基于 AdaBoost SVM 的天气状态分类方法AdaBoost 算法是建立在 Boosting 算法框架基础上的集成学习算法，其核心思想为通过对多个 SVM弱分类器进行迭代训练，根据误差调整权重，减小误差较大的分类器权重同时增大误差较小的分类器权重，最终将弱分类器加权集成得到一个强分类器。SVM 是一种有监督机器学习算法，在处理非线性及高维数据空间模式识别问题时具有一定的优势8 9，在天气状态模式识别与分类方面具有较好的效果。由于传统 SVM 的训练参数对分类效果影响较大，导致 SVM 分类器在对天气状态进行分类过程中分类精度不稳定。通过 AdaBoost 算法加权组合多个弱分类器得到强分类器实现对样本的分类，有效地解决了 SVM 在分类过程中精度不稳定的问题。因此，通过 AdaBoost 算法对 SVM 进行优化，构建 AdaBoost SVM 天气状态分类器，可以有效提高其整体的分类准确度。根据国家标准 GB/T 221642017公众气象服务天气图形符号，将气象状态定义为 33 种不同的天气类型18。通过对不同天气状态下光伏电站发电量的统计分析与对比研究，表明晴天、多云、阴天和雨雪这 4 种天气类型下光伏电站日发电量的变化规律具有明显区别，并且这 4 种天气类型在全年时间中出现频率较高，包括了全年大多数日期所对应的天气类型。因此，最终将多种天气状态划分为晴天、多云、阴天和雨雪这 4 种天气类型。AdaBoost SVM 天气状态分类器训练过程如下:(1)选取现有电站的太阳辐照度、风速、风向、大气湿度与环境温度 5 种气象因素的历史数据作为样本，构建 5 种气象因素样本训练集 K。K=(x1，y1)，(x2，y2)，(xn，yn)(1)式中:xi=ai，bi，ci，di，ei 为气象因素样本所对应的实例空间，ai，bi，ci，di和 ei分别对应 5 种气象因素;y 为天气类型标签，yi 1，1。在针对不同天气类型训练分类器时，需要先将样本分为 2 组，属于分类器对应的天气类型的样本标签为 1，不属于分类器对应的天气类型的样本标签为 1。经训练最终得到的强分类器为 H(x)，选取SVM 作为弱分类器 ht(x)。对样本进行权重初始化有:D1=(11，12，1 i);1 i=1/n(i=1，2，n)(2)式中:1 i为第 i 个样本所占的权重。对气象因素样本进行迭代训练，确定由 SVM 构成的弱分类器 ht(x)，其中 ht(x):x1，1。(2)计算在 t 次迭代训练过程后弱分类器 ht(x)的分类误差率与弱分类器权重，其表达式如下:t=P htx()t y()t=ni=1tiI htx()t y()t(3)t=12ln1 tt(4)式中:t为在 t 次迭代训练过程后的分类误差率;t为弱分类器权重。根据分类结果的误差率以及弱分类器权重，更新训练样本的权重，增加误差率较高的样本权重，减66工业仪表与自动化装置2023 年第 2 期小误差率较小的样本权重，则经过 t 次迭代训练过程后更新得到的训练样本权重为:t+1，i=tiZtexp tythtx()()t(5)式中:Zt为规范化因子。Zt=ni=1tiexp tythtx()()t(6)最终经过 T 次迭代，将 T 个 SVM 弱分类器进行加权集成，得到强分类器为:H()x=signTi=1tht()()x(7)AdaBoost SVM 天气状态分类器构建流程如图1 所示。根据历史气象数据与历史数据所对应的天气类型训练得到的 AdaBoost SVM 天气状态分类器，可对气象数据样本进行天气状态的分类与识别。图 1AdaBoost SVM 天气状态分类器构建流程图由图 1 可以看出，AdaBoost SVM 天气状态分类器针对二分类问题具有较好的分类效果;但在光伏电站发电量预测过程中，天气状态模式分类属于多分类问题，因此将天气模式分类问题转换为 4 个二分类问题，依次用一个 AdaBoost SVM 分类器将每一类天气类型与其他类型区分开来，得到 4 个AdaBoost SVM 分类器。基于 AdaBoost 算法的拟建电站天气状态分类流程如图 2 所示。图 2拟建电站 AdaBoost SVM 天气状态分类流程图2基于 LSTM 的光伏发电量分类预测方法在光伏发电量分类预测方法的训练过程中，首先需要将现有光伏电站的历史发电量数据与历史气象数据作为训练样本，通过 AdaBoost SVM 天气状态分类器依据所对应的天气状态将训练样本分为 4组，再用每种天气类型下的训练样本分别训练光伏电站发电量预测模型，最终训练得到 4 种 LSTM 预测模型。长短期记忆人工神经网络 LSTM 是一种以循环神经网络(ecurrent Neural Network，NN)结构为基础并加以改进的时间循环神经网络，其核心思想是将数值为小数的梯度由连乘形式变为累加形式。LSTM 模型作为加入记忆能力的 NN