引用本文

范思远, 姚显双, 曹生现, 赵波. 基于延迟回声状态网的光伏电池板温度预测方法. 自动化学报, 2020, 46(12): 2701−2710 doi: 10.16383/j.aas.c200167

Fan Si-Yuan, Yao Xian-Shuang, Cao Sheng-Xian, Zhao Bo. Temperature prediction of photovoltaic panels based on delayed echo state network. Acta Automatica Sinica, 2020, 46(12): 2701−2710 doi: 10.16383/j.aas.c200167

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c200167

关键词

光伏，电池板温度，回声状态网，热迟滞效应，回声状态特性 

摘要

光伏电池温度变化影响光伏系统输出的稳定性, 精准地预测光伏电池板温度的变化趋势, 对光伏系统智能运行具有重要意义. 为了更好地预测温度的变化趋势, 本文考虑了光伏电池板温度的迟滞效应, 将先前的温度输出作为延迟项引入回声状态网中, 提出了一种基于延迟回声状态网的光伏电池板温度预测模型. 给出一个延迟回声状态网具有回声状态特性的判定条件, 使得预测模型能够稳定地预测光伏电池板温度. 同时, 建立了一套光伏多传感器监测系统, 利用该监测系统采集的数据, 训练和验证模型的准确性. 与回声状态网(Echo state network, ESN), Leaky ESN (Leaky-integrator ESN)和VML ESN (ESN with variable memory length)相比, 仿真结果表明, 本文所提出的延迟回声状态网具有更好的预测性能, 平均绝对百分比误差甚至达到3.45%.

文章导读

我国积极推行“清洁、低碳、安全、高效”的能源体系建设, 预计到2030年, 清洁能源发电总量将占装机发电总量的50%[1]. 光伏发电作为新能源发电的重要组成部分, 截至2019年底, 全国并网光伏总规模达204.68 GW, 且以平均每年10%的速率快速增长. 然而, 光伏发电的不稳定性给并网带来了严重的挑战. 当前在电网的日常运维调度中, 利用光伏发电短期预测, 统筹规划常规能源发电与光伏发电之间的关系(并网功率与调峰政策等), 然而, 在同等气象条件下, 光伏电池温度变化直接影响光伏系统输出稳定性. 因此, 精准地预测光伏电池板温度变化特性, 将有助于提高光伏功率预测精度, 提升光伏发电系统并网的安全.

光伏电池板温度作为光伏发电最相关的参数之一, 比环境温度更能直接体现外部因素对发电效率的影响. 根据光生伏特效应可知, 硅晶体的光伏电池板实际的光电转换效率只有15%～～20%, 未被利用的能量将会转化成热能, 积累的热量将会破坏光伏板的电气性能, 导致光伏板温度升高, 甚至会引起“热斑效应”, 造成系统输出功率降低, 给光伏系统的预测工作带来困难.

而在光伏系统实际发电过程中, 引起电池板温度变化的因素较多, 其变化机理复杂, 受气象条件、电池材料和晶体内部构造等影响. 早期工作多集中于稳态热模型(Steady state thermal model, SSTM)的研究, 即忽略温度变化过程中存在的热迟滞效应, 基于气象条件建立半经验模型[2]. 事实上, 光伏电池板温度的变化存在一定延迟, 热传导过程与时间具有强关联性, 如何能够在建立的模型中准确地描述热迟滞过程, 提高模型的预测精度, 变成了一个值得探讨的问题.

国内外学者就光伏电池板温度预测问题开展了广泛的研究, 提出了许多有效的模型. 赵志刚等[2]建立了基于粒子群优化支持向量机(Particle swarm optimization-support vector machine, PSO-SVM)的光伏电池温度预测热模型, 通过实验对比, 其模型的预测精度优于反向传播(Back propagation, BP)神经网络和稳态热模型. 徐瑞东等[3]分析了光伏电池板温度与环境温度和输出功率的关系, 提出了一种基于BP神经网络的光伏阵列电池板温度预测方法, 实现了利用前一天的数据来预测当天的温度. Xu等[4]分析了光伏电池板温度、环境温度与输出功率之间的关系, 提出了一种基于高斯过程的光伏电池板温度预测方法, 并通过实验验证了该方法的有效性. Ceylan等[5]利用测量的光照幅度和环境温度数据对神经网络进行训练, 建立了基于BP神经网络的光伏电池板温度预测模型. 彭飞等[6]提出了一种计及太阳能表面晶硅纹理结构的光热特性耦合预测模型, 并用于短、中期光伏电池温度变化预测. Sun等[7-8]提出了基于BP神经网络和基于SVM神经网络的光伏电池板温度短期逐级预测方法, 通过相关系数分析确定了影响电池板温度变化的主要因素, 并建立了各气候类型下逐级预测模型, 利用实际运行数据验证了模型的精度. Jakhrani等[9]研究了不同模型对光伏电池板温度预测的适用性, 并评估了环境温度和光照幅度对电池板温度的影响.

由于光伏电池板温度变化受多种因素影响, 具有非线性、迟滞性等特点, 而传统神经网络存在收敛速度慢、训练方法复杂等问题, 难以获得理想的结果. Jaeger等[10]在2001年提出了回声状态网 (Echo state network, ESN), 将储备池的概念引入传统的递归神经网络中, 能有效地克服神经网络中局部最小问题, 取得了良好的预测性能. 为了获得更好的泛化能力, 以适用不同的应用场景, 研究学者针对回声状态网络进行了多种优化改进. Gallicchio等[11-12]提出了深度回声状态网(Deep echo state network, DeepESN)和深度树型回声状态网(Deep tree echo state network, DeepTESN), 并证明了该方法的可行性和准确性. Chitsazan等[13]提出了一种具有非线性函数的回声状态网, 并应用于风速、风向的预测. Matino等[14-15]将改进回声状态网应用于高炉煤气生产预测, 减少了资源的损失和废气的排放. 伦淑娴等[16]提出了利用改进的小世界网络优化泄露积分型回声状态网(Leaky-integrator echo state network, Leaky ESN)的时间序列预测方法, 提高了时间序列的预测精度. 许美玲等[17]提出了一种改进差分进化法来优化回声状态网的预测模型, 具有能够适应不同时间序列的动力学特性, 提高了模型的预测精度和泛化性能. 刘颖等[18]针对高炉煤气发生量的预测问题, 提出了一种基于数据的改进回声状态网预测方法, 克服了线性回归算法出现的病态问题, 提高了模型的预测精度. 雷苗等[19]针对具有多周期特性的话务量序列预测问题, 提出了一种基于先验簇复杂回声状态网的移动通信话务量预测模型. 田中大等[20]针对网络流量预测控制问题, 提出了种基于混沌理论与改进回声状态网的网络流量预测方法. 姚显双等[21-23]对光伏发电系统特性及影响发电的因素进行分析, 提出了正弦回声状态网(Sinusoidal echo state network, SESN)和宽度回声状态网(Broad echo state network, Broad-ESN), 用于光伏发电量时序预测, 取得了良好的预测性能. Li等[24]提出了一种多簇回声状态网(Multiclustered echo state network, MCESN), 并应用于光伏发电预测. 通过数据挖掘方法定性地研究了实测和估算的光伏功率数据特征, 与自回归移动平均(Autoregressive moving average, ARMA)、BP神经网络相比, MCESN具有更高的预测精度.

通过总结上述文献, 这些方法都是对储备池状态或网络结构进行一定的改进, 但是, 针对光伏电池板温度预测问题, 这些方法都难以很好的适用. 光伏电池板温度变化常受前一个或几个时刻的影响, 本文结合温度变化的热迟滞效应, 将延迟输出项引入回声状态网中, 提出一种基于延迟回声状态网的光伏电池板温度预测方法, 使其能够充分地反映出温度变化特性.

同时, 为了保证所提出的延迟回声状态网能够稳定地应用于光伏电池板温度预测, 我们给出延迟回声状态网具有回声状态特性的一个充分条件. 此外, 为了反映出改进方法的有效性, 通过建立光伏多传感器监测系统, 获取历史数据信息, 以环境温度、光照幅度、风速、风向为输入变量, 光伏电池板温度为输出变量, 建立基于延迟回声状态网的光伏电池板温度预测模型, 与其他改进方法对比, 延迟回声状态网具有更高的预测性能.

图 1  回声状态网络的结构

图 2  延迟回声状态网络的结构

图 3  光伏电池板多传感器监测系统

光伏电池板温度变化机理复杂, 常受气象条件、电池片材料、内部构造等多重因素影响, 采用传统方法建立数学模型十分困难. 本文在分析温度变化特性的基础上, 提出了一种包含延迟输出项的改进回声状态网来预测光伏电池板温度. 这个方法克服了传统回声状态网预测中忽略输出反馈的问题, 能够更好地关联上一时刻的输出. 同时, 为了保证网络能够稳定地应用于光伏电池板温度预测, 给出了延迟回声状态网具有回声状态特性的一个充分条件. 此外, 建立了一套光伏电池板多传感器信息采集系统, 实时采集气象信息和板温信息, 训练并验证了延迟回声状态网络对电池板温度预测的适用性. 最后, 以光伏电站采集的数据开展了验证分析, 结果表明, 延迟回声状态网能够更准确预测光伏电池板温度变化.

作者简介

范思远

东北电力大学博士研究生. 2018年获得东北电力大学仪器科学与技术硕士学位. 主要研究方向为新能源发电系统检测及智能控制.E-mail: fans@neepu.edu.cn

姚显双

工学博士, 东北电力大学副教授. 主要研究方向为新能源发电系统建模与控制.E-mail: xianshuang_yao@163.com

曹生现

工学博士, 东北电力大学教授. 主要研究方向为新能源发电测控技术. 本文通信作者.E-mail: csxlb_jl@163.com

赵波

工学博士, 东北电力大学副教授. 主要研究方向为新能源发电检测技术与自动化装置, 表面污垢监测与控制.E-mail: zhaobo@neepu.edu.cn