摘要：针对目前分布式光伏发电系统发电量的影响因素较多，不易预测，与其他发电系统之间运行优化策略不完善等问题。文章参考国内外光伏行业大数据应用的典型经验，基于光伏发电数据和用户的负荷需求数据，提出了一种基于 RBF 神经网络的光伏发电量预测和负荷预测模型，运用归一化处理方法对数据进行处理分析，再通过量化处理方法和相似度处理方法对天气因素进行处理分析，从而能够较高准确度的预测接下来几个阶段的光伏用电量；采用青岛市某光伏电站的实际数据进行学习和预测，取得较好效果，从而验证了模型的可行性。此外通过对负荷的预测和对发电量的预测数据，以经济性能最优为目标制定了运行优化策略，实现了光伏发电的有效利用，使发电侧和负荷侧功率平衡，大大降低了网损和线损，提升了分布式光伏用电可靠性和经济性。
关键词：分布式光伏；RBF 神经网络；发电量预测；运行优化
引言：近几年来中国分布式光伏发电总量日益增多，光伏发电系统已形成稳定的技术产业体系。光伏发电量的预测以及运行优化策略成为当前研究的热点问题，由于光伏发电量和天气因素密切相关，天气因素的多变性也使得光伏发电量的预测更为困难。提出了基于支持向量机的光伏发电量预测模型，基于光伏发电量历史数据和气象关系构成样本，这里应当用到多项式拟合高数的方法进行求解，在这之前，还需将光伏发电量历史数据和气象样本等数据映射出来，最终体现在多维空间，然后反解可以得到原始数据的拟合后结果，这种算法存在的问题是对原始数据的精确度要求太高，而实际情况下得到的数据精度较低。采用人工神经网络对太阳每小时的辐射强度进行了预测，而且还考虑到之外的一些天气因素，比如温度，风速和压力等，但影响因素的选取过于复杂。针对以上问题基于相似日原理提出了一种基于径向基（RBF）神经网络的光伏发电量及负荷预测算法，最后以最优经济性为优化目标，通过基于径向基（RBF）神经网络的光伏发电量及负荷预测算法给出用户最优策略，并且验证此种算法是否具有合理性、实用性。
1、基于 RBF 神经网络的光伏发电量预测
本文运用多种方法进行仿真训练，通过仿真训练数据的真实性、可靠性，验证了多目标优化的优越性，算法的原理是采用关联系数或相对距离找出与预测日的天气因素相类似的历史日，将差异量化，通过多目标优化的方法考虑日相似度这一变量，选取太阳辐射强度相似并且日天气因素也相似的样本作为样本集。最后必要的输入输出关系应当根据基于RBF 神经网络学习的样本集，从而进行更为精确的光伏发电量预测。
1.1 相似日及天气影响因素的选取
在对光伏发电量做短期预测时，可以假设太阳能光伏电池板的转化效率为恒定的。在转换效率一定的情况下，主要的影响因素是环境温度，其次是太阳辐射强度的高低，这两点因素是影响太阳能光伏板的输出功率的主要因素。此外太阳光照时间的长短也对输出功率有影响，在夏季太阳光照时间较长，所以太阳能光伏电池板的输出功率值自然比较高，相同道理下，冬季的输出功率值会显著降低。
1.2 光伏发电量预测
RBF 神经网络是一种能够进行多方位逼近的算法，可以对任意函数进行逼近，通过对神经网络中间环节和参数的调整，可以把相对复杂的规律进行简单化，现在已经广泛应用于数据处理，模式识别，数学建模等多个研究方向。RBF 神经网络一般具有三层结构，分别为输入层、隐含层、输出层。
许多个网络部分才能构成一个输入层，连接神经网络与外界；隐含层执行一种非线性变换用来对特征进行提取，然后利用参数或数据求解函数，使其在中间层产生响应。
2、基于 RBF 神经网络的负荷预测
光伏发电量预测和负荷预测均为运行优化及调度管理的必要部分，准确得到光伏发电量和负荷数据是运行优化的先决因素。由于负荷在一天 24 h 中变化规律有一定的周期性，除了考虑这种周期性外，负荷的增减和天气的变化密切相关，其中环境温度对负荷的变化最为明显，所以文中仅考虑环境温度的影响。按照第 1 节所述的 RBF 神经网络的算法，对负荷预测的影响因素进行处理，作为神经网络的输入。由于负荷的变化和天气类型有较大关联，所以按照上节所介绍的方法对天气类型进行量化处理。然而神经网络模型的输入需要考虑到不同时段负荷存在的内在联系，并且在天气类型进行处理的时候，考虑到天气具有连续性，所以将预测当天天气和前一天天气情况进行相似化处理后作为神经网络的输入，这样更为精确的表示了天气因素对负荷的影响。
3、运行优化调度策略
基于 RBF 神经网络预测出的光伏发电量和负荷大小。调度的目的是在满足用户负荷的需求下，尽可能有效地利用新能源所发出的电能，所以需要对电网进行智能控制和优化调度，电网的优化调度在很大程度上起到决定作用，它能够紧密关系到电网能否稳定运行；然而双向流动也是重要的能量传递方式，例如发电系统和整个系统之间，又或者电网和储能模块之间，这两种能量双向流动方式都会在分布式发电系统并网运行时发生。因此，需要采用一定的能量管理策略优化控制分布式发电系统的能量流，从而保障了系统的稳定性和经济性。
经常为了满足电网最优经济性的条件，使得在预测阶段内发电的总费用最小，同时还要满足电力系统的负荷需求，再满足多个分布式光伏发电系统的最小输出功率和最大输出功率约束，考虑到每个分布式光伏发电系统的发电量，并预测所在时段内的负荷，优化分配发电负荷，需要考虑的约束条件一般为：功率平衡约束、旋转备用约束、发电量约束等。按照约束条件进行运行优化，可以使经济性能达到最优，使发电侧和负荷侧实现功率平衡，有效降低损耗。
结语：
文章针对光伏发电量不易预测，造成不必要发电浪费等问题，分析了各种天气因素和光伏发电量与用户负荷的相关性，提出了一种基于 RBF 神经网络的光伏发电量预测和负荷预测模型。采用光伏发电量和用户的负荷数据归一化处理的方式，对各种气象因素采用量化方式以及相似度处理的方式，证明了基于 RBF 神经网络的光伏发电量预测算法是可靠的。最后以经济性能最优为优化目标，成功考虑到功率平衡等约束条件，实现了发电侧和负荷侧的功率平衡，有效地降低了系统网损和线损，大大提升了系统的可靠性。
参考文献：
[1]尹国龙. 基于分布式光伏发电量预测分析的运行优化策略研究[J/OL]. 电测与仪表:1-8[2020-07-17].
[2]吴盛军. 微电网中电动汽车储能优化控制及储能梯级利用研究[D].东南大学,2017.
[3]胡博. 分布式光伏接入的配电系统运行优化研究[D].沈阳农业大学,2017.