摘    要：為了提高光伏發電功率預測精度，減少光伏發電功率預測誤差，提出考慮多因素影響的光伏發電功率智能預測方法。首先分析光伏發電功率預測研究進展，選擇光伏發電功率影響因素，并采用相關性分析法確定影響因素權重值，然后根據權重值對光伏發電功率樣本數據進行處理，采用最小二乘支持向量機對樣本進行學習，建立光伏發電功率預測模型，最后采用Matlab工具箱進行光伏發電功率預測的仿真對照測試，結果表明，所提方法可以科學、準確描述光伏發電功率變化趨勢，光伏發電功率預測精度高于當前經典方法，是一種性能優異的光伏發電功率預測建模技術。

關鍵詞：光伏發電;影響因素;功率預測;仿真測試;預測精度;

1 引言

當前能源消耗速度加快，世界各國均面臨能源不足問題，同時化石能源給環境帶來嚴重負面影響，嚴重干擾了人們的正常生活[1,2]。太陽能是一種通過光伏發電的潔凈能源，光伏發電要準確并入電網，必須對光伏發電功率進行準確預測，并根據預測結果進行合理調度，如光伏發電功率預測不準確，對電力系統造成很大的損害，因此光伏發電功率預測與建模具有重要的研究意義與價值[3,4,5]。

光伏發電功率與多種因素相關，如：氣象條件、太陽輻照強度等，變化十分復雜，這給光伏發電功率準確預測帶來了困難[6]。最初人們采用灰色模型建立光伏發電功率預測模型，該方法將光伏發電功率當作一個灰色系統，利用光伏發電功率歷史數據分析將來變化特點[7]，該方法局限性比較明顯，因為其假設將光伏發電功率是一種增長或者下降固定變化規律，這與光伏發電功率的實際變化規律不相符，導致光伏發電功率預測偏差比較大，預測結果沒有太多的實際應用價值[8]。隨后出現了基于各種神經網絡的光伏發電功率預測方法，神經網絡具有自我學習、訓練和聯系功能，可以不斷擬合光伏發電功率變化特點[9,10,11]，預測效果要明顯優于灰色系統，但是其存在建模時間長、易獲得局部最優的光伏發電功率預測結果等不足，影響了光伏發電功率預測可靠性[12]；近幾年，出現了支持向量機的光伏發電功率預測方法，其避免了神經網絡學習能力差的弊端[13,14]，但是其同樣存在學習時間長，使得光伏發電功率預測效率低。當前建模方法均認為所有因素對光伏發電功率預測結果均存在相同的影響程度進行建模，這與實際情況不相符，導致光伏發電功率預測結果有待進一步改善。

為了獲得更優的光伏發電功率預測結果，本文設計了考慮多因素影響的光伏發電功率智能預測方法，首先采用相關性分析法確定每一種影響因素對預測結果的貢獻率，即權重值，然后采用最小二乘支持向量機對光伏發電功率變化規律進行建模，最后通過具體光伏發電功率預測實例對其有效性進行測試和驗證。

2 考慮多因素影響的光伏發電功率智能預測方法

2.1 光伏發電原理

光伏發電原理具體為：首先太陽光對光伏電池板進行照射，然后光伏電池板將光能轉換為電能，最后將電能送到用電設備，具體如圖1所示。

圖1 光伏發電的原理  

2.2 光伏發電系統的基本結構

當前光伏發電系統通常劃分為3類，具體為：獨立型、并網型和混合型，它們均包含一個存能裝置，相對于獨立型、混合型的光伏發電系統，并網型的光伏發電系統使用更廣泛，基本結構可以描述如圖2所示。

圖2 光伏發電系統的基本結構 

2.3 光伏發電功率的影響因素分析

光伏發電功率與許多因素密切相關，可以將因素劃分為兩類：一類是固定因素，另一類為隨機因素，其中固定因素主要包括光伏組件自身因素，如電池板材料等，這些因素一般無法改變，因此本文不考慮固定因素對光伏發電功率預測結果的影響，而是只考慮隨機因素對光伏發電功率預測結果的影響。隨機因素主要為外界環境因素，如天氣、氣象因素等，下面對它們與光伏發電功率之間關系進行具體分析。

(1)太陽輻照度。設光電轉換效率為η，光伏面板面積為S，太陽輻照度與光伏發電功率之間可以采用式(1)進行描述。

式中，t0表示溫度，I表示太陽輻照度。

對式(1)進行分析可以發現，光伏發電功率與太陽輻照度之間是一種正相關關系，隨著太陽輻照度的增加，光伏發電功率也不斷變大，而隨著太陽輻照度減弱，光伏發電功率慢慢降低，它們之間有一種相同的變化趨勢[15];

(2)天氣類型。根據氣象局對天氣的劃分，可以將天氣劃分為很多類型，而影響光伏發電功率的天氣類型主要包括晴天、雨天、多云、陰天，因此對于某一個地區，天氣與光伏發電功率之間的變化關系如圖3所示。從圖3可知，晴天、雨天、多云、陰天均會影響光伏發電功率的波動，因此要進行高精度的光伏發電功率預測，需要考慮天氣類型；

圖3 光伏發電功率與天氣間關系的變化曲線

(3)溫度。溫度與輻照強度之間存在間接變化關系，同時影響光伏組件的光電轉換效率，溫度與光伏發電功率之間變化關系曲線如圖4所示。從圖4可以看出，溫度與光伏發電功率是一種正相關關系，具有一定線性相關性；

圖4 光伏發電功率與溫度間關系的變化曲線 

圖5 光伏發電功率與濕度間關系的變化曲線

(4)濕度。濕度主要指空氣中水蒸氣的占比，光伏發電功率與濕度之間變化關系曲線如圖5所示。從圖5可知，隨著空氣溫度不斷下降，光伏發電功率不斷變大，而隨著空氣溫度不斷增加，光伏發電功率慢慢降低，它們之間有一種負相關關系，這主要是因為水蒸氣會削弱太陽輻照度，因此，光伏發電功率預測要相對濕度因素影響；

(5)風速。風速與光伏發電功率之間無直接聯系，但是風速可以降低光伏組件溫度，并且可以吹掉光伏組件表面的灰塵，因此，風速對光伏發電功率影響比較弱，但是之間存在一定的關聯性。

2.4 相關性分析法確定影響因素的權重值

采用Pearson相關性分析法確定光伏發電功率與影響因素之間的相關系數，采用相關關系作為影響因素的權重值。設y表示光伏發電功率，x表示影響因素，相關系數的計算公式為：

式中，x和分別表示影響因素的平均值和協方差，y和分別表示光伏發電功率的平均值和協方差。

根據式(2)計算光伏發電功率與影響因素之間的相關系數，根據相關系數得到影響因素權重值，如表1所示。

表1 光伏發電功率影響因素的權重值 

2.5 最小二乘支持向量機

根據權重值對影響因素進行處理，建立光伏發電功率預測訓練樣本集合，通過映射函數φ()將訓練樣本進行空間變換，得到最小二乘支持向量機的光伏發電功率預測建模線性回歸形式為：

為了使光伏發電功率預測誤差(ei)盡可能最小，引入松弛因子ξ，并對條件進行相應的約束，可以得到：

式中，γ為最小二乘支持向量機的參數。

為了提升光伏發電功率預測效率，采用拉格朗日乘子αi建立拉格朗日函數：

分別對w,b，ξ，α求導，并且使它們求導結果為0，即：

從而得到式(3)w和b的計算公式：

由于光伏發電功率與影響因素之間存在一種復雜非線性關系，因此采用核函數替代內積操作，K(x,xi)=φ(x)Tφ(xi)，這樣光伏發電功率預測模型可以描述為：

式中，K(x,xi)具體為：

式中，σ表示核函數的參數。

2.6 考慮多因素的光伏發電功率預測步驟

(1)采集一些光伏發電功率影響因素數據以及相對應的光伏發電功率數據；

(2)由于光伏發電功率影響因素的單位不一樣，因此數值之間有時差別很大，對最小二乘支持向量機的學習過程產生干擾，因此對影響因素數據值進行歸一化處理，具體如下：

式中，x和x'分別表示光伏發電功率影響因素的原始值和歸一化后值，xmax和xmin分別表示光伏發電功率影響因素最大值和最小值；

(3)采用Pearson相關性分析法確定光伏發電功率與影響因素之間的相關系數，采用相關系數作為影響因素的權重值；

(4)根據權重值對光伏發電功率的建模數據進行處理，并根據一定的比例劃分為訓練樣本集和驗證樣本集合；

(5)確定最小二乘支持向量機的參數γ和核函數參數σ的最優值；

(6)最小二乘支持向量機根據γ和σ對光伏發電功率訓練樣本集合進行學習，構建光伏發電功率預測模型；

(7)采用驗證樣本對構建的光伏發電功率預測模型性能進行測試與分析。

綜合上述步驟可知，考慮多因素的光伏發電功率預測流程如圖6所示。

圖6 考慮多因素的光伏發電功率預測流程

3 光伏發電功率預測方法的性能測試與分析

3.1 測試對象

表2 光伏發電功率預測的仿真數據 

為了測試考慮多因素影響的光伏發電功率智能預測方法的有效性，選擇10個光伏電站一段時間的發電功率數據、天氣數據、氣象數據，將數據劃分為訓練樣本集和驗證樣本集合，其數量如表2所示。采用Matlab工具箱進行了光伏發電功率預測的仿真對照測試，為了體現本文方法的優越性，選擇BP神經網絡的光伏發電功率預測方法、支持向量機的光伏發電功率預測方法進行對比測試。

3.2 光伏發電功率預測擬合效果分析

采用建立的光伏發電功率預測模型對訓練樣本集合進行擬合，計算不同方法的光伏發電功率擬合精度，結果如圖7所示。對圖7的光伏發電功率擬合精度進行分析可以發現，本文方法的光伏發電功率擬合精度要高于BP神經網絡、支持向量機的光伏發電功率擬合精度，這表示本文方法可以更好地挖掘光伏發電功率歷史數據隱藏的變化特點，獲得了十分理想的光伏發電功率擬合結果，初步證明了本文設計的光伏發電功率預測方法的優越性。

圖7 不同方法的光伏發電功率擬合精度比較  

光伏發電功率預測與建模是對將來光伏發電功率變化規律進行描述，但擬合精度無法全面描述光伏發電功率建模效果，因此對驗證樣本集合進行預測，計算不同方法的光伏發電功率預測精度，結果如圖8所示。對圖8的光伏發電功率預測精度可以發現，本文方法的光伏發電功率預測精度平均值為90.89%,BP神經網絡、支持向量機的光伏發電功率預測精度平均值為83.62%和86.61%，由此可見，本文方法明顯改善了光伏發電功率預測效果，這主要是因為本文方法通過相關分析法確定了每一個影響因素對光伏發電功率預測結果的貢獻，同時引入最小二乘支持向量機跟蹤了光伏發電功率變化規律，提高了光伏發電功率預測精度，再一次證明了本文設計的光伏發電功率預測方法的優越性。

圖8 不同方法的光伏發電功率預測精度比較 

4 結束語

光伏發電功率受天氣、氣象等多種因素綜合影響，不同因素對光伏發電功率預測結果的作用不一樣，為了克服當前光伏發電功率預測方法存在的不足，本文采用相關分析法描述不同影響因素對光伏發電功率影響程度，采用最小二乘支持向量機描述光伏發電功率的隨機性、非線性變化特點，具體測試結果表明，本文方法的光伏發電功率預測結果要顯著強于當前經典光伏發電功率預測方法，為光伏發電功率建模提供了一種新的思路。

文章來源：自動化技術與應用