光伏发电预测算法构建与优化论文

SCI论文（www.lunwensci.com）:
 
摘   要：光伏发电作为清洁能源，是目前国家鼓励发展的行业。作为分布式光伏发电大省，浙江省“十三五”规划纲要也 明确“将全面实施百万家庭屋顶光伏工程”，光伏也成为部分地区产业带动经济增长的新途径。随着分布式光伏客户呈爆发式增长，准确的预测光伏系统未来 1 ～ 2 年的发电数据，对保证电网的稳定运行和大规模光伏发电系统的发展有着重要意义。

关键词：光伏发电 ；清洁能源 ；算法构建 ；优化
             【Abstract】： As a clean energy, photovoltaic power generation is an industry encouraged by the state. As a large province of distributed photovoltaic power generation, the Thirteenth Five-year Plan of Zhejiang Province also clearly stated that the rooftop photovoltaic project of one million households will be fully implemented, photovoltaic has also become a new way for industries in some regions to drive economic growth. With the explosive growth of distributed photovoltaic customers, accurate prediction of power generation data of photovoltaic system in the next 1-2 years is of great significance to ensure the stable operation of power grid and the development of large-scale photovoltaic power generation system.
            【Key words】： photovoltaic power generation;clean energy;algorithm construction;optimization
0 引言

            随着世界经济的快速发展，能源消耗问题也日益变 大，而不可再生能源之一的化石燃料的也变得日渐短 缺，这就需要人类寻找化石燃料的替代品。而太阳能就 是最理想的可再生的能源之一逐渐走进人们的生活和企 业的生产，而光伏发电更是太阳能的应用中最重要的形 式之一 [1]。在光伏发电使用的形式中不管哪一种，光伏 发电率预测的问题都是必要解决的。而预测的光伏发电 数据不仅可以提高能源的有效利用，还可以保障电网内 部系统稳定安全的运行 [2]。本研究旨在采用 Boosting集成学习算法预测区域内光伏项目未来 5 年发电量、上 网电量，并精准测算沿海地区高湿度、高盐度条件下光 伏发电效率，通过 RGB 算法对本地区规划示意图进行 测算，得到短期内和中长期可安装屋顶光伏面积，进而精确计算分布式屋顶光伏未来发电量、上网电量，为光 伏项目投资落地提供数据支撑。

1 光伏发电预测算法构建

           光伏发电影响因素众多，包括地区气温、湿度、光 照强度、光照时间、投运年限、装机容量、光伏组件类 型、逆变器类型、伏组件衰减率等。分布式光伏企业设 备类型复杂，发电站分散， 因此，采用 Boosting 回归 算法，预测现有光伏电站未来 1-2 年的年发电量，根据 测算结果对光伏组件类型、逆变器类型测算适合当地的 最优解，同时结合规划图预测未来规划发展中光伏电站年度总发电量。

           本成果光伏发电预测算法采用的是 ARIMA 模型， ARIMA 模型实施需满足时间序列可视化、序列平稳化 处理（进行 d 阶差分处理）、绘制 ACF 与 PACF 图，寻找 ARIMA 模型最优 p 和 q 参数、建立 ARIMA 模型、 进行指定周期时间内数据的预测 5 个步骤。针对过程测 试某城区光伏发电的数据，选取时间区间为 2018 年 1 月 1 日到 2021 年 7 月 20 日，构建 ARIMA 时间序列预 测算法模型 [3]。（1）针对原始数据，首先要进行数据的 平稳化处理，经过测试，可以得到原始数据进过一阶差 分之后即可实现数据的平稳化，即 ARIMA 模型的 I 部 分的阶数 d 为 1。（2）绘制一阶差分数据的自相关图和偏相关图，根据自相关图和偏相关图可以得到 ARMA 模型的最佳 p 和 q。（3）根据 p,q,d，构建 ARIMA 时 间趋势变化算法模型，并进行模型的拟合和诊断。（4） 验证构建的模型，使用原始数据进行 ARIMA 算法模型 的验证，可有得到算法模型根据前面数据的预测值与真 实值的。（5）使用建立起的 ARIMA 模型对后续 18 个 月光伏发电量的变化进行预测，得到了未来 18 个月的 光伏发电数据。

2 光伏发电预测算法的使用流程

（1）创建数据 Data，创建要进行预测的原始数据 集，包包括地区气温、湿度、光照强度、光照时间、投 运年限、装机容量、光伏组件类型、逆变器类型、伏组 件衰减率等。（2）首先对数据集 Data 中的发电量和天 气数据非平稳时间序列进行时间序列的差分，找出适合 的差分次数 d 的值，对数据进行一阶差分，查看时间 序列的均值和方差是否平稳，然后对比二阶差分，选 择比较平稳的数据集。（3）分别用 ARMA(0,1) 模型、 ARMA(7,0) 模型、ARMA(7,1) 模型等来拟合找出最佳 模型。（4）进行模型检验，首先对 ARMA 模型所产生的 残差做自相关图 , 接着做德宾 - 沃森（D-W）检验，接着 观察是否符合正态分布，最后用 Ljung-Box 检验。（5） 模型预测，对未来 18 个月的光伏发电数据进行预测。

3 光伏发电预测算法的主要技术

3.1 ODPS 方式操作数据库

            ODPS（Open Data Processing Service），是阿里 巴巴通用计算平台提供的一种快速、完全托管数据仓库 解决方式， 现已改名为 MaxCompute，MaxCompute 为用户不仅提供了经典的计算模型和比较完善的导入方 案，它的存在，还为企业用户更加方便快捷的解决大数据的计算问题。MaxCompute 的使用不仅为企业用户 降低了生产成本还有效的保障了企业数据的安全。在企 业分析处理企业海量数据时，单个服务器的作用就显得 有些捉襟见肘了，这就需要企业采用分布式的方式来处 理数据，但是这种处理方式不仅对操作人员有着相当高 的要求，还及其的不易操作。而 MaxCompute 就很好的解决了这一问题，它为用户提供了一种比较方便快捷 的分析处理数据的手段，企业就无须关心分布式计算流 程来达到海量数据分析处理的目的。通过 ODPS 方式操 作了电价电量表和客户信息表以及天气状况表 [4]。

3.2 外部数据导入

            通过 Excel 表格导入外部电量和企业信息数据，结 合 Dataworks 数据库中已有的表数据做数据联查，得 到所需要的数据，然后把数据处理按年月分类处理后做图像化展示。

3.3 ARIMA 算法

             ARIMA 模型的全称叫做自回归移动平均模型，也 叫作 ARIMA(p,d,q)， 是统计模型 (Statistic Model) 中 最常见的一种用来进行时间序列预测的模型。优势在于 模型十分简单，只需要内生变量而不需要借助其他外生 变量。它的工作原理是去掉部分差异化数据，在剩下的 部门做差分处理，使其转变成平稳的时间序列，工作流程为将▽看作为差分算子，那么有 ：

 ∇2 yt  = ∇(yt  − yt −1 )= yt  − 2yt −1 +yt −2
对于延迟算子 B，有yt −p  = Bp yt , ∀p  ≥ 1
因此可以得出 ：∇k  = (1 − B)k
设有 d 阶其次非平稳时间序列 yt，那么有∇d yt 是
平稳时间序列，则可以设其为 ARMA(p,q) 模型，即 ：
λ(B)(∇d yt )=θ(B)εt
其中 ：λ(B)= 1 −λ1B −λ2B2  −  −λpBp
θ(B)= 1 −θ1B −θ2 B2  −  −θpBp

              分别为自回归系数多项式和滑动平均系数多项式。 εt 零均值白噪声序列。可以称所设模型为自回归求和滑 动平均模型，记为 ARIMA(p,d,q)。

              采用 ARIMA 模型对光伏发电进行预测，预测结果 进行层次聚合，采用更新颖的优化组合方法，此方法使 用层次结构中的所有可用信息 [5]。允许在层次结构的每 个级别上的系列之间进行关联和交互。可以对任何级别 的预测进行调整，并生成无偏的预测。通过时间序列 组的层次聚合计算调整得到光伏发电站未来 1-2 年发电 量，预测精度高，误差较小。

3.4 XGBoost

              XGBoost 一个优化的分布式梯度增强库，它的优点在于实现高效、灵活和便携。它在 Gradient Boosting 框架 下就可以完成机器学习算法。XGBoost 还提供并行树提 升，它可以快速准确地解决很多数据问题。一样的代码 在主要的分布式环境上运行，可以解决数十亿个示例之 外的问题 [6]。

              XGBoost 是改进了梯度提升算法的，它使用牛顿法将损失函数计算到 2 阶来求解损失函数，另外在损失的 函数中也使用了正则化项。训练时的目的函数是由两部 分组成，一部分是梯度提升算法损失，另一部分是正则 化项。损失的函数定义为 ：

              其中，y 和 λ 是人工设定的参数，w 为决策树上所 有叶子节点值所形成的向量， T 为叶子节点数。正则化项。

              Boosting ：通过改变训练数据的概率分布（训练数 据的权值分布），学习多个弱分类器，并将它们线性组 合，构成强分类器。Boosting 也是一个迭代搜索，且 最优的算法，它的搜索空间是学习器空间，或说函数 空间（Function Space）， 它的搜索方向是构造不断完 善的强学习器，以达到目标函数（或说误差函数）足 够小的目的。Boosting 是通过串行地不断迭加弱学习 器形成一个强学习器，是学习模型的提升过程。此外， Boosting 迭代在降低训练误差的同时，使模型预测的 确信度（Margin） 不断提高。 通过 Boosting 回归算 法对分布式光伏历史发电数据和光伏电站信息进行测 算。输入光伏电站数据、2018 年至今气象数据预测未 来 1 ～ 2 年内光伏电站日发电数据。


3.5 RGB 算法

              RGB 算法是一种颜色量化算法，是利用人眼对颜 色的惰性，将原图像中的不太重要的相似颜色归于一种 颜色，减少图像中颜色，而使量化前后的图像对于人眼 的认识误差最小，即量化误差最小。颜色量化是数字图 像处理的基本技术之一。

4 光伏发电预测算法预测结果

4.1 通过 Boosting 回归算法预测光伏发电企业未来发电量通过 Boosting 回归算法对分布式光伏历史发电数 据和光伏电站信息进行测算。输入光伏电站数据，包括 投运年限、装机容量、光伏组件类型、逆变器类型、光 伏组件衰减率、实际日发电量 ；2018 年至今气象数据，每日光照时间，平均温度、平均湿度等天气数据，预测 未来 1 ～ 2 年内光伏电站日发电数据。对沙门滨港工业 城 7 家光伏发电企业进行预测，预测截至 2022 年总发 电量，预计上网电量 , 测算工业城附近光伏发电效率。

4.2 通过 RGB 计算规划示意图内屋顶面积

             以某工业城为例，地图范围长 4KM, 宽 3.2KM，实际面积约为 12.8 平方公里，其中已标注蓝色代表已安装 光伏，红色代表现有未安装光伏屋顶，黄色代表中长期 规划。通过 rgb2ind 计算图像中标注颜色面积占比，根 据图像实际尺寸计算出已安装光伏面积，短期规划建设 面积，未来规划屋顶面积。将该图片换成其他地区规划 示意图通过算法可测算其他地区未来光伏项目安装面积。

4.3 根据规划进度预测未来光伏发电量

             根据算法 4.1Boosting 回归算法测算的发电效率，每平方米装机容量，装机面积为算法 4.2 计算的面积数 据，测算光伏年发电量。其中 ：光伏发电预测值是已投 产光伏电站根据 Boosting 算法预测已安装光伏项目年 发电量，M 表示一定范围内短期、中长期规划光伏电站 建设面积，单位面积装机容量为算法 4.2 测算的单位面 积装机容量，PRy 为发电效率。测算工业城短期规划建 设面积，短期内分布式屋顶光伏饱和容量，预测年发电 量，上网电量 ；根据中长期规划屋顶面积，饱和容量， 预计年发电量，预计上网电量。

             沙门滨港工业城规模以上企业 8 家，缺口巨大。随 着屋顶光伏发电、潮汐发电、风力发电等非化石能源项 目的逐步建成投产，以及淘汰落后产能、改进生产工艺 预计未来 10-12 年城地区达到供需平衡。

5 结语

              近年来，在光伏产业的发展过程中，产业链也是不 断的完善。从国家的政策体系方向看，大力扶持光伏企 业的发展。通过本课题的研究，在有效提升光伏企业收 益的同时，满足了企业用能需求，实现生产―消费平 衡，进一步探索可再生能源双边交易模式。在此基础 上，能够有效改变原有的可再生能源补贴机制，促进可 再生能源企业市场化运营。

参考文献

[1] 薛振宇,益西措姆,李敬如,等.扶贫光伏发电典型接入方式及 经济效益评估[J].供用电,2019(4):79-85.
[2] 刘铭.论大容量光伏电站对地区级电网运行的影响[J].电子 世界,2021(9):58-59.
[3] 马彬,张波,赵科巍.太阳能光伏发电技术与应用探析[J].能源 与节能,2017(8):89-90.
[4] 张利.基于时间序列ARIMA模型的分析预测算法研究及系 统实现[D].镇江:江苏大学,2008.
[5] 钱振,蔡世波,顾宇庆,等.光伏发电功率预测方法研究综述 [J].机电工程,2015(5):651-659.
[6] 曹莹,苗启广,刘家辰,等.具有Fisher一致性的代价敏感 Boosting算法[J].软件学报,2013(11):2584-2596.

关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！
 

文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/jisuanjilunwen/35489.html