基于svm的光伏发电系统出力建模与分析

基于svm的光伏发电系统出力建模与分析

0光伏并网发电能源光谱能源发电技术直接将能源光谱能源转换为能耗。光伏发电具有不消耗燃料、不受地域限制、规模灵活、无污染、安全可靠、维护简单等优点。并网光伏发电系统是光伏发电系统的主流趋势。大规模光伏并网发电是充分利用太阳能的一种有效方式,目前大规模的光伏并网系统已经得到大量应用。光伏发电系统并网后其功率的变化具有不确定性,大量的用户使用光伏发电系统为其提供电能,使得配电网规划人员更加难于准确预测负荷的增长情况,从而影响系统的调度和机组出力的计划。因此有必要对光伏系统的出力进行预测,以便了解大规模的太阳能光伏并网系统的发电运行特性以及与电网调度、电力负荷等的配合问题;有利于电力系统调度部门及时调整调度计划,有效地减轻光伏并网发电对电网的影响。本文在建立光伏并网发电系统模型基础上,采用支持向量机(SVM)回归算法建立光伏发电系统的功率预测模型,对光伏发电系统的输出功率进行比较准确的预测。1光伏发电系统并网对电网稳定影响的分析光伏发电系统的输出功率具有不连续性和不确定性的特点。影响光伏发电出力的因素有很多,其中气象因素对光伏发电出力具有很大的影响。太阳能光伏发电装置的实际输出功率随太阳辐照强度的变化而变化,太阳辐照强度的变化存在较大的随机性,这是因为它不仅受季节与地理位置的影响,而且与观测时刻的大气状况、太阳时角、观测日期、观测时间及云量等因素的影响密切相关。由于气象条件变化的不确定性,使得光伏发电出力的变化也具有一定的不确定性。同时光伏发电系统的输出功率还具有很强的变化周期,包括日变化周期和年变化周期,光伏发电系统主要是在每天8:00—17:00这段时间内输出电力,并且在大多数时间内它和电力负荷有较好的相重性,在上午的负荷高峰时段光伏发电系统能较好地提供相当数量的电力,起到调峰的作用。光伏发电系统并网运行以后,由于光伏发电输出功率的特殊性,即周期性地输出功率,所以并网以后会对电网产生周期性的冲击,光伏系统输出功率的扰动将有可能影响电网的稳定。据国外有关文献资料介绍,一个电网的发电容量中的光伏发电容量比例一般不宜超过10%~15%,否则整个电网将难以运行。2照明设备的数学模型2.1光伏组件转换效率的计算方法本文太阳能电池组件采用天威英利多晶硅,规格为1580×808,160Wp,效率为12.53%,电池列阵的倾角为38°。太阳电池组件的温度影响其本身的转换效率,太阳电池具有负的温度效率系数,即温度越高,转换效率越低。太阳电池温度一般比环境温度要高,在简化的条件下本文假定太阳电池的温度就是环境温度。设某时刻的温度值为TP,则太阳能光伏组件在已知温度下的转换效率:式中:Tγ为参考温度(298k);η0为参考温度下的组件效率;γ为光伏组件温度系数,本文光伏组件的温度系数为0.005。一般每块电池板组件的输出是按功率计量,太阳电池板的发电量与其接受的太阳辐射能成正比,可以进一步计算出每块组件在t时刻的输出功率:式中:A为单个组件的面积,单位是m2;η为电池组件的额定转换效率;I为光伏电池板倾斜面上的辐照强度,单位是kW/m2;设在t时刻阵列共有n块组件正常工作,则阵列输出的总功率为nP。2.2光伏系统并网运行的方法本文模拟的光伏列阵总峰瓦值为30MW,由187500块电池板组成。该光伏并网发电系统可采用集中安装建设,多支路上网的方法,各个光伏子方阵分布在保定市的公共场所、生活小区和旅游景区。太阳能光伏系统并网运行以后需要将光伏阵列产生的直流电经过并网逆变器转换成符合市电电网要求的交流电之后直接接入市电网络,因为逆变器效率的问题,还是会有部分的能量损失。本文假设光伏并网发电系统的逆变效率为90%。3照明设备系统输出数据的模拟计算3.1辐照强度的测定目前我国的太阳辐射观测站自成体系,只有极少数站点对太阳辐射进行逐时观测记录,因此很难得到全年8760h的每小时的太阳辐照度数据,本文通过模拟计算得到保定地区全年每小时的太阳辐照度。美国国家航空和宇航局(NASA)通过卫星可以测得以所指定地点为中心向东西南北各0.5经纬度的方形区域内多年辐射数据的统计值。本文首先根据NASA提供的数据,得到保定地区各月日总太阳辐射月均值的辐射数据,包括水平面的总辐射和倾斜面上的总辐射(见表1)。本文的光伏列阵的倾角为38°,根据NASA提供的数据得到光伏列阵倾角为38°时此列阵倾斜面上的日总太阳辐射月均值的辐射数据。然后再利用HOMER软件模拟得到每天各个小时的辐照强度数据。HOMER软件是美国可再生能源实验室开发的一个混合发电系统性能模拟软件。该软件可以预测从户用到兆瓦级的独立发电系统的长期性能,并可计算成本。在HOMER软件中的太阳能模块中输入保定地区的经纬度和全年各月日总太阳辐射月均值数据,就可以模拟得到保定地区全年每天各个小时光伏列阵倾斜面上的辐照强度。3.2光伏列阵容量的计算本文根据保定地区2004年全年每小时的气象资料,包括温度、相对湿度、气压、降水量、风向和风速,这样结合模拟的保定年平均每天各个小时的倾斜面上的辐照强度,利用式(1)、(2)就可以近似地模拟计算出光伏列阵每小时的出力。按照上述方法模拟计算得到的保定地区五月份各小时的光伏出力(见图1)。4支持向量机的实现支持向量机(SVM)方法是基于结构风险最小化原则,SVM可以尽量提高学习机的泛化能力,即使是由有限训练样本得到的解,在求解问题时仍能得到较小的误差。此外SVM算法是一个凸二次优化问题,能够保证找到的极值解就是全局最优解,上述特点使SVM方法成为一种优秀的学习算法。SVM最初是用来解决模式识别问题,用其分类算法实现较好的泛化功能,随着Vapnik的ε不敏感损失函数的引入,SVM已经扩展到解决非线性回归问题。给定样本容量{xi,yi}(i=1,2…m),m为样本容量;xi为输入向量;yi为目标函数输出数据。考虑到大多数情况下样本呈非线性关系,估计函数f可通过以下方法确定:将每一个样本点利用非线性函数!映像到高维特征空间,再在高维特征空间进行线性回归,从而取得在原空间进行线性回归的效果。函数f为:式中:w为权值向量;b为常数。系数w和b可由最小化下式来估计:在式(4)中给出的正则化风险泛函中,第1部分是经验风险,它由ε不敏感损失函数来衡量;损失函数的用途在于它能用稀疏点来表示决策函数,c是正常数,它决定损失函数和正则化部分之间的平衡;第2部分是正则化部分。为寻找系数w和b需要引入松弛变量ξi和ξi*,使下式最小化:其约束条件是:最后引入拉格朗日乘子,利用Wolf对偶技巧将上述问题转换为下面的对偶问题:则式(3)给出的回归表达式可写成:称K(x,xi)为核函数,一般有多项式核函数、RBF核函数等。式(8)中的函数f完全由αi和αi*决定。根据SVM回归函数的性质,只有少数的αi、αi*不为零,这些参数对应的向量即称之为支持向量机(SVM)。由于式(8)描述的是一个凸规划问题,其任一解均为全局最优解,故无局部极值问题。5光伏出力预测svm由于目前运行的大规模的光伏电站很少,资料和数据有限,所以有关光伏发电的文献主要关注于光伏系统建模与仿真,光伏系统的优化控制,光伏系统对电力系统稳定性的影响等方面,鲜有对光伏系统的出力进行预测的文献。影响光伏出力的因素有很多,很难用某个确定性模型来准确描述。基于光伏系统出力的不连续性、不确定性和周期性的特点,以及光伏系统的出力与其影响因子之间的非线性关系,本文尝试运用SVM回归法建立光伏系统的出力的预测模型。本文将光伏系统的出力按照相对应的天气类型划分为晴、阴、多云和雨4种类型,这样可以将光伏出力类型相同的多个光伏出力的历史数据组成具有高度相似光伏出力特征的数据序列,以此数据序列作为SVM的训练数据集。在对光伏系统的出力进行预测时,先根据天气预报了解待预测日的天气类型和气象特征,然后选择与预测日天气类型相对应的SVM训练数据集,据此构建SVM的预测模型。全年每天的日照时间不尽相同,因此光伏出力的时间也不尽相同。以保定地区为例,1月份光照时间为10h,而7月份为14h。为了统一光伏出力数据格式,本文规定每天的光伏出力数据的采样以最大可照时数为标准,对于小于标准的赋值为零将数据补齐。光伏系统出力的时间段为6:00—19:00,针对每个整点时刻的出力数据,分别建立14个SVM模型来分别预测光伏系统在对应整点时刻的光伏出力。SVM的输入为:与预测日天气类型相同的前5d的同一时刻的光伏出力值、与预测日天气类型相同的前一日该时刻前后2个时刻的出力值、预测日的最高气温、最低气温、平均气温,支持向量机的输出为预测日该时刻的光伏出力值。具体有以下3个步骤。(1)对光伏出力的历史数据进行平滑处理,消除其中的奇异数据。(2)建立训练样本集和预测样本集,同时对样本数据按下式进行归一化处理:式中:P(i)表示第i时刻(6≤i≤19)由样本组成的光伏出力序列;Pmin(i)和Pmax(i)为该序列中的光伏出力的最小值和最大值;P*(i)为归一化后的序列值。(3)采用公式(10)的RBF函数作为核函数,同时选取SVM的参数c、ε和δ进行训练,得到回归函数表达式后对未来某一时刻的光伏出力进行预测:6svm回归预测结果利用上述模型对本文的光伏系统的出力进行预测。取2004年3月1日—5月28日的光伏系统出力数据作为训练样本数据,以5月29日的光伏出力数据作为预测样本数据,对5月29日的光伏出力进行预测,预测结果如表2所示。分析以上结果可知:(1)从平均相对误差来看,SVM回归方法具有较高的预测精度;(2)6:00—8:00和17:00—19:00这2个时段的相对误差较大,这是因为在早晚这2个时段内会产生因空气中的水汽凝结而成的轻雾以及由城市和工矿区等排出大量烟粒而形成的烟幕,这样就会降低大气透明度,影响