基于非线性SRUKF的光伏发电功率预测研究

来源：核心期刊咨询网时间：12

摘要：摘 要：光伏发电输出功率具有间歇性和波动性的典型特性，现从统计分布与物理学方法相结合的角度，建立了光伏发电预测功率物理模型，提出了适用于动态非线性系统预测的SRUKF算法。仿真结果表明，该方法用于光伏功率预测时均方误差较小，对光伏发电短期功率预

　　摘 要：光伏发电输出功率具有间歇性和波动性的典型特性，现从统计分布与物理学方法相结合的角度，建立了光伏发电预测功率物理模型，提出了适用于动态非线性系统预测的SRUKF算法。仿真结果表明，该方法用于光伏功率预测时均方误差较小，对光伏发电短期功率预测的实时性较好，准确性较高。

　　关键词：光伏发电;功率预测;非线性;SRUKF

　　0 引言

　　光伏发电具有间歇性和波动性的典型特征，随着光伏电站并网渗透率的不断增加，电网对其调度、管理难度也进一步加大，对电力系统的安全稳定运行将产生不可忽视的影响。因此，准确预测光伏电站的发电功率，促进光伏电站的友好接入，对高效消纳清洁能源、提高光伏电站可调度性以及保障电力系统的安全稳定运行，均具有非常积极的意义。

　　提高光伏发电功率预测的准确度是解决现有光伏电站并入电网问题的关键。针对光伏发电功率预测精确性与快速性的技术需求，文献[1]基于机器学习算法构建了光伏功率预测模型，该模型利用长短期记忆机器学习算法对光伏发电量进行预测，可在较少量数据下得到比较准确的模型，但该模型缺乏明确的物理意义，存在适用性较差的缺点。经典卡尔曼滤波(KF)算法适用于动态变化状态量的预测估计，为了能更好地适应非线性应用场景，文献[2-5]针对非线性KF算法开展了系列研究，文献[6-8]提出通过KF算法与其他算法构成的复合算法，来解决不同时间尺度下光伏或风电功率实时预测的相关问题，但其模型不关注物理过程，主要依赖历史数据，同样存在模型适用性较差的缺陷。

　　梳理现有文献可总结得出，研究光伏发电功率预测一般分为统计分布与物理学两种方法。在此基础上，本文提出了一种适用于动态非线性系统的SRUKF算法，并通过仿真分析验证了所提算法的有效性。

　　1 光伏发电功率预测模型

　　选取辐照强度和温度作为光伏发电输出功率的关键因素，建立如式(1)所示的光伏發电功率预测物理模型。

　　Ph=ηSEth[1-0.005(T-25)](1)

　　式中：η为额定转换功率;S为光伏列阵面积;Eth为光伏组件倾斜面上的太阳辐照强度;T为组件温度。

　　2 非线性SRUKF算法原理

　　2.1 经典KF算法基础理论

　　运用经典KF算法可以在含有不确定信息的动态系统中，对系统下一步变化作出包含先验概率的最优预测，其对连续变化系统有着非常高的适用性。经典KF算法本质上是基于观测值与估计值二者的数据，对真实值进行估计的过程，根据观测值与估计值的相对时间关系，KF算法既可以实现滤波，又可以实现预测。KF算法模型为标准离散化状态方程，如式(2)(3)所示。

　　基于最小二乘算法，结合采集数据对光伏发电功率进行预测并计算其准确率，将其与SRUKF算法得到的准确率进行汇总，结果如表1所示。由表1数据可知，基于SRUKF算法的光伏发电功率预测模型的准确率明显高于最小二乘算法的准确率。

　　绘制RMSE的变化曲线图，如图2所示，随着采样次数的增加，预测均方根误差随之减小，表明预测值逐渐趋近真实值，该模型在预测过程中后期表现越来越好。

　　4 结语

　　本文从统计分布与物理学相结合角度，选取辐照强度和温度作为影响光伏发电功率预测的关键环境因素，建立光伏发电功率预测物理模型。通过对经典KF算法优缺点的分析，提出一种基于非线性SRUKF算法的光伏发电功率预测模型，并给出具体实现流程。基于MATLAB建立仿真模型，以江苏省宜兴市某地户用光伏发电设备真实数据为算例，首先指出数据采样时间间隔将直接影响所提算法预测过程的快速性;然后对所提算法预测结果的准确性进行分析，结果证明了所提算法的预测结果具有较好的准确性。

　　[参考文献]

　　[1] MAITANOVA N，TELLE J S，HANKE B，et al.A Machine Learning Approach to Low-Cost Photovoltaic Power Prediction Based on Publicly Available Weather Reports[J].Energies，2020，13(3)：735.

　　[2] 张玉峰，周奇勋，周勇，等.非线性自适应平方根无迹卡尔曼滤波方法研究[J].计算机工程与应用，2016，52(16)：36-40.

　　[3] 卫志农，孙国强，庞博.无迹卡尔曼滤波及其平方根形式在电力系统动态状态估计中的应用[J].中国电机工程学报，2011，31(16)：74-80.

　　[4] BHAUMIK S，SWATI.Cubature quadrature Kalman filter[J].IET Signal Processing，2013，7(7)：533-541.

　　[5] PEKSA J.Prediction Framework with Kalman Filter Algorithm[J].Information(Switzerland)，2020，11(7)：358.

　　[6] 周志兵.基于改进分数阶卡尔曼滤波的光伏发电功率预测算法[J].电器与能效管理技术，2017(4)：41-45.

　　[7] 杨茂，黄宾阳，江博，等.基于卡尔曼滤波和支持向量机的风电功率实时预测研究[J].东北电力大学学报，2017，37(2)：45-51.

　　[8] 李春来，张海宁，杨立滨，等.基于无迹卡尔曼滤波神经网络的光伏发电预测[J].重庆大学学报，2017，40(4)：54-61.

　　作者：李世纪

　　推荐阅读：《四川水力发电》杂志是由中华人民共和国新闻出版总署、正式批准公开发行的优秀期刊，四川水力发电杂志具有正规的双刊号。

转载请注明来自：http://www.qikan2017.com/lunwen/lig/18463.html