近年來，隨著社會經(jīng)濟(jì)的快速發(fā)展，大力開發(fā)綠色新能源已經(jīng)成為解決能源和環(huán)境問題的一種強(qiáng)有力手段。光伏發(fā)電以其清潔和永不枯竭的獨(dú)特優(yōu)勢成為傳統(tǒng)化石能源的最佳替代品。然而，鑒于天氣條件的不穩(wěn)定性，大規(guī)模光伏發(fā)電接入電網(wǎng)會給電網(wǎng)調(diào)度管理帶來巨大的挑戰(zhàn)，因此，對光伏發(fā)電功率進(jìn)行提前預(yù)測，可以有效降低高滲透率光伏并網(wǎng)對電網(wǎng)造成的影響，對光伏能源的有效利用和電網(wǎng)安全穩(wěn)定運(yùn)行具有重要意義。

目前，國內(nèi)外對光伏發(fā)電短期功率預(yù)測取得了一定的研究成果。根據(jù)所建立的預(yù)測模型可以分為物理建模法和統(tǒng)計(jì)分析法。

物理建模法是通過太陽輻射強(qiáng)度、氣溫、云量等天氣因素的最優(yōu)估計(jì)值，結(jié)合組件電氣特性和硬件損耗建立物理模型，對光伏發(fā)電功率進(jìn)行預(yù)測。然而，該方法需要獲取光伏電站的功率曲線、光電轉(zhuǎn)換參數(shù)等詳細(xì)數(shù)據(jù)，而且建模比較復(fù)雜。統(tǒng)計(jì)分析法能夠更好地映射光伏發(fā)電功率和歷史功率之間的統(tǒng)計(jì)關(guān)系，得到了更廣泛的應(yīng)用。

• 有學(xué)者以太陽輻射強(qiáng)度、風(fēng)速、溫度、濕度和大氣質(zhì)量指數(shù)為輸入屬性，采用BP（back propagation）神經(jīng)網(wǎng)絡(luò)模型對霧霾天氣下的光伏輸出功率進(jìn)行預(yù)測?；贐P神經(jīng)網(wǎng)絡(luò)的方法具有較好的逼近能力，但易陷入局部極小值的誤區(qū)。
• 有學(xué)者提出了一種基于螢火蟲算法-廣義回歸神經(jīng)網(wǎng)絡(luò)的變權(quán)重光伏短期組合預(yù)測模型。通過主成分分析法簡化模型的輸入變量維數(shù)，從相似日中提取出訓(xùn)練樣本，通過螢火蟲優(yōu)化的廣義回歸神經(jīng)網(wǎng)絡(luò)訓(xùn)練兩種單一模型的權(quán)重系數(shù)。
• 有學(xué)者采用相鄰日歷史數(shù)據(jù)結(jié)合Elman神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測。這種方法在天氣類型不變的情況下有較高的預(yù)測精度，但是選取的相鄰日數(shù)據(jù)具有局限性，當(dāng)前、后兩天的天氣類型發(fā)生改變時，其預(yù)測精度將會下降。

為此，本文將最佳相似日理論引入以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)所建立的預(yù)測模型當(dāng)中，提出了一種基于混合灰色關(guān)聯(lián)分析-廣義回歸神經(jīng)網(wǎng)絡(luò)（grey relational analysis-generalized regression neural network, GRA- GRNN）模型的預(yù)測方法。

通過灰色關(guān)聯(lián)分析（grey relational analysis, GRA）算法確定待預(yù)測日的最佳相似日，使之與待預(yù)測日的氣象條件相吻合。將最佳相似日的光伏輸出功率、氣象參數(shù)以及待預(yù)測日的相關(guān)氣象參數(shù)作為廣義回歸神經(jīng)網(wǎng)絡(luò)（generalized regression neural network, GRNN）模型的輸入?yún)?shù)，得到各個時刻的輸出功率預(yù)測值。該方法解決了天氣類型改變導(dǎo)致預(yù)測精度下降的問題，為光伏發(fā)電預(yù)測提供了一種較為準(zhǔn)確的預(yù)測方法。

圖6 基于GRA-GRNN的光伏電站短期功率預(yù)測流程

結(jié)論

本文提出了一種基于混合灰色關(guān)聯(lián)分析-廣義回歸神經(jīng)網(wǎng)絡(luò)（GRA-GRNN）的光伏電站短期功率的預(yù)測方法：將計(jì)算得到的皮爾遜相關(guān)系數(shù)較高的氣象因子作為建立預(yù)測模型的氣象輸入因子，利用待預(yù)測日的氣象特征參數(shù)，采用灰色關(guān)聯(lián)分析（GRA）算法確定其最佳相似日；對于最佳相似日的選取，既考慮了天氣參數(shù)的相似性，又盡量保證了時間的連續(xù)性；選取最佳相似日功率數(shù)據(jù)、氣象參數(shù)以及待預(yù)測日相關(guān)氣象參數(shù)作為測試樣本的輸入，結(jié)合廣義回歸神經(jīng)網(wǎng)絡(luò)（GRNN）模型，對待預(yù)測日各個時刻的功率進(jìn)行預(yù)測。

實(shí)驗(yàn)結(jié)果表明，本文所提出的GRA-GRNN預(yù)測模型預(yù)測精度較高，具有較好的預(yù)測性能。