光伏发电出力预测技术研究综述

★中国电工技术学会出品★

面向能源互联网的智能配电系统与装备

阅读会议通知,请戳下面标题

会议通知︱2019智能配电技术研讨会

分析智能配电系统发展趋势

研讨配电物联网对装备制造业的挑战和机遇

参会注册,请识别下方二维码

摘要

广西电力系统最优化与节能技术重点实验室(广西大学电气工程学院)的研究人员赖昌伟、黎静华、陈博、黄玉金、韦善阳,在2019年第6期《电工技术学报》上撰文指出,准确的光伏发电出力预测对于保障高比例光伏接入后系统的安全稳定与经济运行具有重要意义。

目前我国对于光伏发电出力预测技术的研究尚处于广泛研究阶段,本文对光伏发电出力预测技术的研究成果进行归纳总结。首先,分析光伏发电系统的发展及预测现状;然后,从点预测、区间预测和概率预测三个方面,分别对当前的预测方法及技术、预测效果的衡量指标等进行了梳理、归类、总结和评述;最后,根据目前我国光伏产业的现状及发展趋势,探讨未来光伏发展及出力预测的研究方向。

近年来,太阳能开发利用已成为全球能源转型的重要领域,光伏发电全面进入规模化发展阶段,呈现出良好的发展前景。图1为2005~2017年我国及全球光伏装机容量和装机容量增速百分比。截止2017年,全球光伏发电装机容量达到403.47GW,较2016年增长33.8%,我国光伏发电装机容量达到137.62GW,较2016年增长76.3%。

由于光伏发电出力受气象等因素影响较大,具有较强的间歇性和波动性,这些特性使得高比例光伏接入后给电力系统造成巨大的冲击与挑战。若能准确进行光伏发电出力预测,不仅可以提高光伏电站运营效率,而且可以帮助调度部门调整运行方式,确保高比例光伏接入后电力系统的安全稳定与经济运行。

图1  我国及全球光伏装机容量和增速百分比

目前光伏发电出力预测理论研究尚处于广泛研究阶段,现有预测水平如下:

①对于点预测,文献常采用平均绝对误差百分比(Mean Absolute Percentile Error, MAPE)和方均根误差(Root Mean Square Error, RMSE)等指标对预测结果进行评价。针对不同数据和不同模型的预测结果有所差异,统计发现:对于短期预测,误差基本上在5%~25%,且多集中在10%~20%,晴天的预测精度较高,雨天和多云天的预测精度较低。

②对于区间预测,常采用预测区间覆盖率(Prediction Interval Coverage Probability, PICP)、预测区间平均宽度(Prediction Interval Normalized Average, PINAW)和区间分数(Interval Score, IS)等指标对预测结果进行评价。统计发现:PICP都能满足额定置信水平的要求,PINAW在15%~25%,IS在2%~5%。

③对于概率预测,常用秩概率评分(Ranked Probability Score, RPS)、分位数评分(Quantile Scoring, QS)和Theil系数等指标来衡量预测水平。统计发现:RPS、QS和Theil系数分别在1~5、0.01~0.05和0.1~0.6之间。

在光伏发电出力预测系统方面,目前国内外已有不少机构提供光伏发电出力预测和光资源评估服务,见表1。我国在光伏发电出力预测领域已开展了大量研究,但是在预测技术方面仍稍滞后于欧美发达国家,处于探索阶段。

本文对光伏发电出力预测技术进行了全面的梳理、归纳和总结。评述了光伏发电系统的发展及预测现状、当前的预测方法、预测效果的衡量指标、未来光伏发展及出力预测方法的研究方向,旨在为我国光伏发电出力预测技术的研究及应用提供有价值的参考。

表1  国内外光伏发电出力预测系统

1  光伏发电出力预测技术的分类

光伏发电出力预测的方法多样,根据不同的分类标准有不同的预测方法。光伏发电预测方法分类如图2所示,根据预测过程的不同,可分为直接预测和间接预测;按照预测空间尺度的不同,可分为单场预测和区域预测;按照预测时间尺度的不同,可分为超短期预测(0~4h)、短期预测(0~72h)以及中长期预测(1月~1年);按照不同预测形式,光伏发电出力的预测主要分为点预测、区间预测和概率预测。

对于不同预测过程、不同时间尺度和不同空间尺度下的光伏发电出力预测,均可以从点预测、区间预测和概率预测等不同的形式进行预测研究。本文将重点从不同预测形式的角度对光伏发电出力预测技术进行全面地梳理、概括和评述。

图2  光伏发电出力预测方法的分类

点预测属于确定性预测,用于调度计划的制定,区间预测和概率预测统称为不确定性预测。其中,区间预测可以得到不同置信水平下光伏发电出力的区间上、下限,其主要用于辅助调度决策,为制定调度计划提供准确的光伏发电出力变化范围。概率预测利用预测时段之前的相关样本统计信息,得到未来不同时刻光伏出力的期望值以及出力的概率分布信息,其主要用于电能分析、电网调度和风险评估,预防不确定性因素带来的不利影响。

2  光伏发电出力的点预测

2.1  点预测的概述

点预测得到的结果是某一预测时刻的一个确定的值,目前大多数的研究集中在点预测上。点预测得到的预测结果很直观,但由于光伏发电出力具有较强的不确定性,确定性的点预测所包含的信息有限,难以表达预测结果的概率可信度。

2.2  点预测的分类

根据光伏发电出力预测模型的不同,点预测主要分为物理方法、统计学方法、元启发式学习方法和组合方法等四类。图3为点预测方法的分类,图中列举了每一类方法中几种常见的预测方法。

2.2.1  物理方法

物理方法是参照光伏电池的发电原理,利用数值天气预报(Numerical Weather Prediction, NWP)得到的太阳辐射、温度、云量、雨量和风速等数据,并结合光伏系统安装角度、光伏阵列转换效率等参数,建立物理模型直接计算得到光伏发电出力。

图3  光伏发电出力的点预测方法分类

基于物理方法的预测原理如图4所示。文献[17-18]通过物理方法直接构建了光伏发电近似物理模型。

图4  基于物理方法的光伏发电出力预测原理图

根据图4可知,物理模型的输入信息包括以下两部分:①动态信息,由气象部门提供的NWP数据和用于模型输出统计(Model Output Statistics, MOS)来减小残差的在线实测数据组成。②静态信息,光伏电站的系统数据,如光伏组件安装的地理位置、光电转换效率等。关于物理模型,目前比较完善的有晴天ASHRAE模型、HOTTEL模型、REST模型、有云天气Nielsen模型及云遮系数模型等。

物理方法虽然不需要详细的历史数据来训练预测模型,但是依赖详细的电站地理信息和准确的气象数据,并且物理公式本身存在一定的误差,模型抗干扰能力差,鲁棒性不强。

2.2.2  统计学方法

基于统计学方法的光伏发电出力预测的基本原理如图5所示。统计学方法是输入太阳辐射、光伏发电出力等历史数据,通过曲线拟合、参数估计等方法,建立输入与输出的映射模型,实现对未来光伏发电出力预测的输出。常见的统计学方法有时间序列法、回归分析法、灰色理论、模糊理论和时空关联法等。

图5  基于统计学方法的光伏发电出力预测原理图

统计学方法在预测时不需要考虑光伏系统参数和复杂的光电转换模型,所以相比于物理方法,其具有建模简单等优势。但是,统计类方法往往需要收集和处理大量的历史数据,所以增加了数据获取和处理的难度。

2.2.3  元启发式学习方法

元启发式学习方法是对生物活动进行模拟,采用某种算法对样本数据进行训练而得到输入量与输出量即预测条件与待预测量之间的关系。常见的元启发式方法有神经网络、支持向量机、卡尔曼滤波算法、马尔科夫链、粒子群算法和遗传算法等。

元启发式算法属于人工智能算法的范畴,鉴于目前没有通用的原理图,本节以最常见的元启发式学习方法——径向基函数(Radial Basis Function, RBF)神经网络为例对其原理进行介绍。

图6  RBF神经网络原理图

文献[43]提出一种径向基函数神经网络,其方法简单、学习过程收敛速度快,但是预测精度不高,不适用于所有天气类型。此外,还有学者采用BP神经网络、反馈型神经网络、小波神经网络、自组织神经网络等对光伏发电出力进行预测。

元启发式学习方法不需要获得输入与输出之间的具体表达式,而是通过对历史数据的训练得到光伏发电出力的预测模型。该类方法需要大量的历史数据,操作简单,易于实现,但是存在过学习和易陷入局部最优解的缺陷。

2.2.4  组合方法

图7为组合方法的基本原理图,目前组合预测方法主要分为两大类:第一类是采用不同预测方法分别进行预测,然后通过动态权值分配组合出预测结果;第二类是将历史光伏数据分解成多个子序列,然后采用不同的预测方法对子序列分别进行预测,最后将子序列预测值叠加得到光伏发电出力预测值。

图7  基于组合方法的光伏发电出力预测原理图

其中,文献[4]采用思维进化算法优化BP神经网络、粒子群算法优化支持向量机和基于单隐层前馈网络的极限学习机分别进行预测,以方差-协方差权值动态分配法来组合预测结果,该方法互补性强、预测精度较高。文献[41]构建了一个组合预测模型,该模型以模糊算法选择径向基中心,用遗传算法优化径向基神经网络参数,所得模型综合应对能力强,预测优势明显。

文献[57]将天气类型分为突变天气(如晴转雨)和非突变天气,首先采用集合经验模态分解和支持向量机的EEMD-SVM组合预测方法,该方法对突变天气和非突变天气均具有较好的预测能力。

组合预测方法可以挖掘各种预测方法的有用信息,比较并综合各种预测方法的优势,避免单一预测方法的缺陷,能够在一定程度上提高预测精度,因此具有较强的研究及应用价值。

2.2.5  点预测中不同方法的比较

表2为点预测中不同方法优缺点及数据需求的比较。其中,物理方法需要详细的地理信息和气象信息,对需求的数据要求较高,主要用于已运营较长时间的光伏电站;而统计学方法、元启发式学习方法和组合方法不需要考虑电站的系统参数,适用于已运营较长时间或新建的光伏电站,是目前在光伏预测领域采用较多的几种方法。随着大数据和人工智能技术的发展,元启发式学习方法将会得到广泛的青睐,组合方法因其在预测精度方面的优势也具有重要的研究价值。

表2  点预测中不同方法的比较

3  光伏发电出力的区间预测

3.1  区间预测的概述

所谓区间预测,是研究满足给定置信度水平下光伏发电出力的上、下界。准确预测光伏发电出力所在的区间,可以向决策者提供更多的信息,对于提高电力系统应对因光伏发电出力变化所带来的不利影响具有重要意义。

图8为光伏发电出力区间预测示意图,图中三条曲线分别表示光伏发电出力实际值、预测上界值和下界值。上、下界曲线所围成的区域即为光伏发电出力可能发生的区间。区间预测即是预测图中各个时刻光伏发电出力可能出现的上、下界。

3.2  区间预测的分类

目前国内外针对光伏发电出力区间预测的研究尚处于起步阶段,表3为区间预测的主要方法,主要分为两类:第一类是采用神经网络、极限学习机等方法训练历史数据,建立光伏发电出力的双输出模型,从而预测光伏发电出力可能发生的上界和下界;第二类是事先假设或估计光伏发电出力的概率分布函数,通过对概率分布函数进行逆运算,从而得到给定置信度水平下的光伏发电出力区间。

图8  光伏发电出力区间预测示意图

表3  区间预测的主要方法

其中,文献[61]基于分位数构造包含区间上、下界的线性规划模型,利用极限学习机求解线性规划模型从而以较快的速度获得光伏发电出力预测区间的上、下界。文献[65]通过非参数核密度估计获得光伏发电出力的概率分布,并利用Copula函数对光伏发电出力与点预测误差之间的相关性进行分析,从而获得预测分位点下精度较高的光伏发电出力区间。

区间预测能够给光伏发电出力提供对应某一期望值的区间预测结果,给出较确定性预测更为丰富的信息。尤其是在评估光伏不确定性和风险因素方面,电网工作人员可根据预测概率区间结果做出更为科学的决策。

4  光伏发电出力的概率预测

4.1  概率预测的概述

概率预测是不确定性预测的一种,相较于传统的点预测,概率预测不仅可以预测未来时刻的期望值,还可以得到其概率分布信息,即预测物理量的不确定信息,从而可以为电力系统的调度、运行提供更为全面的参考。基于概率预测的思路如图9所示。

图9  基于概率预测的光伏发电出力预测思路图

根据图9可知,概率预测首先分别采用不同的方法对光伏电站历史的实际出力值和预测出力值进行统计,得到历史预测误差统计的二维概率分布;在验证该概率分布对未来光伏发电出力的有效性后,对常规预测方法得到的确定性出力预测值进行分析;根据总结得出的预测误差概率分布,就可以得到概率性出力预测,并给出不同置信度下的出力预测的带状分布。

4.2  概率预测的分类

表4为常用的概率预测方法,目前国内外对光伏发电出力的概率预测的研究还处于起步阶段,研究主要致力于将不同的概率预测算法应用于光伏预测问题上,以及将多种方法结合而产生的组合方法。

表4  概率预测的主要方法

文献[39,61,70-77]开展了相关研究,其中文献[61,70,72-73]采用了分位数回归的方法进行建模。在模型中通过求解回归系数向量能够测算出不同分位点处待求变量所受到的相关因素的影响,当分位数在(0,1)上连续取值时即可得到待求变量的条件概率分布。文献[71]采用动态贝叶斯网络理论进行了建模预测。文献[39,76-77]采用马尔可夫链进行建模,通过历史数据计算当前时刻的发电出力的概率分布,然后利用转移概率矩阵计算下一时刻的出力概率分布,从而实现概率预测。

概率预测方法能够给出下一时刻所有可能的光伏发电出力的数值及其出现的概率,覆盖了较为全面的预测信息,在预测精度上具有显著的优势,为含有光伏电站电力系统的运行风险评估和风险决策提供重要参考。

5  衡量预测精度指标的分析(略)

对光伏发电出力的预测误差进行科学的评价,有利于分析各种预测技术的特点,挖掘其内在原因和规律,从而采取补充措施,进一步提高光伏发电出力的预测精度。下面分别对光伏发电出力点预测、区间预测和概率预测的评价指标进行归纳和梳理,并采用实际出力数据进行验证性分析。

6  未来研究的方向预测

6.1  未来光伏发展方向研究

在政策扶持下,我国光伏产业近年来发展持续向好,未来我国光伏市场将稳步增长,发展空间巨大,其中分布式光伏将迎来爆发式增长。未来以下方面将成为热点问题:

①分布式光伏发电和光伏+特色产业。因为分展性是光伏最大的特征,所以未来光伏产业的发展将呈现分散式、互联式、智能交互式和分享式的体系。因此,分布式光伏具有较好的研究前景,其中光伏+特色产业将迎来前所未有的发展机遇。

②提高光伏电站出力消纳水平。集中式光伏弃光高是一大难题,因此加速源-网-荷技术驱动、完善光伏市场的政策机制和打破省间壁垒、放开省间电量约束措施,提升光伏消纳水平也是重要的研究方向。

6.2  未来光伏发电出力预测方面研究

对于光伏发电出力预测,提高其预测水平是目前研究的热点。建议未来从以下几方面进行研究:

①加强数据预处理环节,剔除坏数据、还原残缺数据,确保输入数据的有效性和可信度。②深入挖掘光伏发电出力的潜在特性,对数据进行深入的聚类分析,提取精细化的模态,进行分类预测。③量化分析每种主要因素对出力预测结果的影响,对预测结果进行有针对性的修正。④针对不确定性预测,准确预测光伏发电出力的概率分布和提高算法的适用度,是提高出力预测精度的关键。⑤挖掘新的出力预测评价指标,采用相应的修正措施提高预测效果。⑥采用组合预测法,综合不同预测方法的优势进行预测。⑦研究更精细化、有针对化的软件,针对不同天气研究不同的光伏发电出力预测软件。

结论

本文简要介绍了目前我国光伏发电系统的发展现状、光伏发电出力的预测水平及国内外预测系统,从点预测、区间预测和概率预测对光伏发电出力预测技术文献资料进行了较为全面的梳理、归纳和评述,并对未来光伏发展及出力预测等方面进行展望,得出以下几点结论:

1)随着大数据和人工智能技术的发展,点预测中元启发式学习方法和组合方法将会受到更多学者的关注。

2)当前的研究主要集中在点预测,区间预测和概率预测将是未来光伏发电出力预测的重要研究方向之一。区间预测的关键是尽可能缩小光伏发电出力落入区间的范围,概率预测的关键是准确预测光伏发电出力的概率分布和提高算法的适用度。

3)对于预测精度评价方面,采用多种指标进行全面的评价是较为科学的。MAE、MAPE、RMS和RMSE是点预测常用的指标,PICP、PINAW和IS是区间预测常用的指标,RSS、Theil系数、RPS、QS和CPI是概率预测常用的指标。

4)光伏固有的间歇性和波动性等特征是提高预测水平的难点之一,深度挖掘光伏发电出力的特性和研究精细化、有针对性的预测软件是未来研究的重要内容。

(0)

相关推荐