許繼電氣股份有限公司的研究人員李貞、崔麗豔、陶潁軍、邱俊宏、陳斌, 在2017年第5期《電氣技術》雜誌上撰文, 針對單一預測方法的局限性, 採用物理方法和統計方法相結合的組合預測方法, 建立光伏發電功率組合預測模型, 並在預測模型中考慮電站的限電及檢修計畫。 採用理論功率法、基於改進相似日的BP神經網路法、基於改進相似日的支援向量機對預測日的光伏功率分別進行預測, 通過提出的博弈論組合賦權法來計算各模型的權重。
通過某光伏電站的實際資料驗證, 計算分析了預測誤差,
隨著國家審批權下放和各項政策的出臺, 以清潔、環保、無污染為特點的光伏產業迎來了新一輪的快速發展期。 但光伏出力的不穩定性不但加大了電網的功率平衡難度, 而且也給電網的調度工作帶來很大的困難[1-3], 對光伏發電輸出功率進行準確預測可為電網調度提供有益的參考。
目前光伏發電功率預測的研究主要基於物理預測和統計預測方法[4]。 文獻[5]提出了一種採用BP神經網路演算法進行光伏發電功率預測的方案;文獻[6]根據相似日的輸出功率具有較強的相似性,
組合預測方法結合多種單一預測模型的優點, 得到了越來越多的應用。 文獻[8]提出了一種基於EMD和人工蜂群演算法優化支援向量機的光伏輸出功率預測模型;文獻[9]提出了一種基於灰色神經網路組合模型的方法對光伏出力進行預測。
組合預測方法雖然與單一預測方法相比可在一定程度上提高預測精度, 但有些組合預測方法在確定單一預測方法權重時過於客觀或主觀、片面,
針對當前組合預測模型確定權重不夠全面的問題, 本文首先提出了基於物理方法的理論功率預測方法、改進相似日的選取方法、基於改進相似日的BP網路預測方法、基於改進相似日的支援向量機預測方法;然後利用博弈論組合賦權法確定各單一預測模型的組合權重, 建立光伏發電功率的組合預測模型, 並在模型中考慮電站的限電計畫及設備故障等因素;最後通過實例驗證了本文所述的組合預測模型在天氣預報資料不准或電站處於限電的情況下仍具有高的預測精度, 具有廣泛的工程應用價值。
圖3 各種預測方法的光伏功率輸出曲線
結論
本文提出了改進相似日的選取方法、基於改進相似日的BP網路預測方法、基於改進相似日的SVM預測方法, 並在模型中考慮了限電及檢修計畫。 使用層次分析法確定各模型的主觀權重、採用熵值法確定客觀權重,
最後經實例驗證分析, 本文所述的基於博弈論賦權的組合預測模型即使在天氣預報資料嚴重不准的陰天或電站處於限電的情況下仍具有較高的預測精度, 完全滿足調度考核要求, 具有廣泛的工程應用價值。