学术简报︱同时思量统计和物理变量的光伏电站短期功率预测模型

福州大学物理与信息工程学院微纳器件与太阳能电池研究所的研究人员彭周宁、林培杰、赖云锋、程树英、陈志聪，在2019年第10期《电气技术》杂志上撰文指出（论文标题为“基于混淆灰色关联分析-广义回归神经网络的光伏电站短期功率预测”），随着大规模的光伏发电接入电网，其输出的随机性和颠簸性给电网调理治理带来庞大的挑战。基于此，本文提出了一种同时思量统计（历史光伏输出功率）和物理（历史和未来的气象信息）变量的混淆灰色关联分析-广义回归神经网络预测模型。首先，盘算多元气象因子与光伏发电功率的皮尔逊相关系数，将相关系数较高的气象因子确定为建设预测模型的气象输入因子；然后，接纳灰色关联分析算法盘算历史日与待预测日的关联度确定最佳相似日，选取最佳相似日的光伏输出功率和气象输入因子以及待预测日的相关气象参数作为广义回归神经网络模型的输入参数，获得待预测日各个时刻输出功率的预测值；最后，使用澳大利亚DKA太阳能中心网站所提供的光伏电站历史气象数据和功率数据对所设计的模型举行训练和测试，验证模型在差别季节下的预测效果。

效果讲明，与所选择的对比模型相比，本文所建模型具有较好的预测性能。近年来，随着社会经济的快速生长，鼎力大举开发绿色新能源已经成为解决能源和情况问题的一种强有力手段。光伏发电以其清洁和永不枯竭的奇特优势成为传统化石能源的最佳替代品。然而，鉴于天气条件的不稳定性，大规模光伏发电接入电网会给电网调理治理带来庞大的挑战，因此，对光伏发电功率举行提前预测，可以有效降低高渗透率光伏并网对电网造成的影响，对光伏能源的有效使用和电网宁静稳定运行具有重要意义。

现在，海内外对光伏发电短期功率预测取得了一定的研究结果。凭据所建设的预测模型可以分为物理建模法和统计分析法。物理建模法是通过太阳辐射强度、气温、云量等天气因素的最优预计值，联合组件电气特性和硬件损耗建设物理模型，对光伏发电功率举行预测。然而，该方法需要获取光伏电站的功率曲线、光电转换参数等详细数据，而且建模比力庞大。

统计分析法能够更好地映射光伏发电功率和历史功率之间的统计关系，获得了更广泛的应用。有学者以太阳辐射强度、风速、温度、湿度和大气质量指数为输入属性，接纳BP（back propagation）神经网络模型对雾霾天气下的光伏输出功率举行预测。

基于BP神经网络的方法具有较好的迫近能力，但易陷入局部极小值的误区。有学者提出了一种基于萤火虫算法-广义回归神经网络的变权重光伏短期组合预测模型。通过主身分分析法简化模型的输入变量维数，从相似日中提取出训练样本，通过萤火虫优化的广义回归神经网络训练两种单一模型的权重系数。

有学者接纳相邻日历史数据联合Elman神经网络模型举行预测。这种方法在天气类型稳定的情况下有较高的预测精度，可是选取的相邻日数据具有局限性，当前、后两天的天气类型发生改变时，其预测精度将会下降。为此，本文将最佳相似日理论引入以神经网络为基础所建设的预测模型当中，提出了一种基于混淆灰色关联分析-广义回归神经网络（grey relational analysis-generalized regression neural network, GRA- GRNN）模型的预测方法。

通过灰色关联分析（grey relational analysis, GRA）算法确定待预测日的最佳相似日，使之与待预测日的气象条件相吻合。将最佳相似日的光伏输出功率、气象参数以及待预测日的相关气象参数作为广义回归神经网络（generalized regression neural network, GRNN）模型的输入参数，获得各个时刻的输出功率预测值。

该方法解决了天气类型改变导致预测精度下降的问题，为光伏发电预测提供了一种较为准确的预测方法。图6 基于GRA-GRNN的光伏电站短期功率预测流程结论本文提出了一种基于混淆灰色关联分析-广义回归神经网络（GRA-GRNN）的光伏电站短期功率的预测方法：将盘算获得的皮尔逊相关系数较高的气象因子作为建设预测模型的气象输入因子，使用待预测日的气象特征参数，接纳灰色关联分析（GRA）算法确定其最佳相似日；对于最佳相似日的选取，既思量了天气参数的相似性，又只管保证了时间的一连性；选取最佳相似日功率数据、气象参数以及待预测日相关气象参数作为测试样本的输入，联合广义回归神经网络（GRNN）模型，看待预测日各个时刻的功率举行预测。

实验效果讲明，本文所提出的GRA-GRNN预测模型预测精度较高，具有较好的预测性能。

本文来源：威尼斯wnsr888-www.ahzxxl.com