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

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 development 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 seasons 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 spotted 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 powerstation 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 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，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（principal 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 DaysSONG 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 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：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：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 optimiz