基于遺傳算法優(yōu)化神經網絡的光伏發(fā)電預測

黃敏敏，顏文俊

(浙江大學電氣工程學院，浙江杭州310027)

0 引言

提高短期光伏發(fā)電預測水平是光伏發(fā)電站并入電網系統關鍵問題，對提高太陽能光伏發(fā)電開發(fā)利用、保證并網安全也具有重要意義。

短期光伏功率預測方法可分為兩大類:①首先對太陽輻射進行預測，然后根據光電轉換效率得到輸出功率的間接預測法(物理法);②直接預測輸出功率的直接預測法(數學統計法)。對于間接預測，文獻［1-2］通過地基云圖分析云團對太陽的遮擋情況，提高對光照強度的預測準確度，進而預測光伏電站功率輸出。對于直接預測法，文獻［3］提出基于馬爾可夫鏈預測光伏電站出力的模型和實現方法。文獻［4］利用自回歸滑動模型(ARMA)預測并網光伏發(fā)電站的晴天出力。文獻［5-7］主要運用神經網絡及其改進算法對光伏發(fā)電功率進行短期預測。

基于以上研究，本研究以浙江大學臺州研究院光伏并網發(fā)電實驗平臺為研究對象，通過分析光伏發(fā)電量與光照強度、氣溫、天氣類型因子之間的相關性，建立基于遺傳算法優(yōu)化BP 神經網絡的光伏發(fā)電功率預測模型，提前一天預測光伏輸出功率。利用遺傳算法對BP 神經網絡進行優(yōu)化，改善BP 神經網絡收斂速度慢以及易陷于局部最優(yōu)問題，提高預測模型精確度。文章最后將所建立預測模型與兩種光伏輸出功率工程計算模型進行比較，評價預測精度。

1 影響光伏發(fā)電因素

筆者研究的光伏并網發(fā)電系統實驗平臺位于浙江大學臺州研究院(東經121.26°，北緯28.40°)，系統在最大功率點處輸出功率4 kW。雖然系統輸出功率處于不斷波動中，但是當系統安裝完成后，其發(fā)電量有一定分布規(guī)律性。因此歷史氣候數據與發(fā)電量數據對于光伏預測具有重要作用。

1.1 光照強度影響

光伏系統的電能來自于太陽光照，因此光照強度是系統出力大小的決定因素。2015年4月1日8:00～17:00 逐時光照強度與系統輸出功率之間關系圖如圖1所示。光照強度與光伏發(fā)電功率有顯著的對應關系如圖2所示。早上和傍晚光照強度低，功率小;10:00 ～14:00 光照強度高，輸出功率明顯增大。

圖1 光照強度與系統輸出功率圖

1.2 溫度影響

光伏發(fā)電系統受溫度的影響主要表現在太陽能電池電性能隨溫度的變化而變化。因此必須考慮溫度的影響。

1.3 天氣類型

影響光伏出力的因素還有大氣濕度、云團、日出日落時間、日照長短等，可以將這些因素歸為天氣類型因素。大致分為晴天、陰天(多云)、雨天3 種類型。在本研究中將天氣類型數值化，晴天天氣類型因子設為0.9，陰天(多云)設為0.3，雨天設為0.1。

為進一步確定氣象因素對光伏出力的影響，筆者利用Matlab 多元線性回歸函數分析光照、溫度、天氣因子對輸出功率的權重，設回歸方程為:

式中:y—光伏輸出功率;［x1，x2，x3］—光照強度、氣溫、天氣類型因子;(α0，α1，α2，α3)—回歸系數。

筆者選取2015年3月至4月間156 組數據，在顯著性水平0.05 下運行得到回歸系數b =(α0，α1，α2，α3)=(499.03，3.51，－6.09，－253.51)，R2=0.93，F=635.42，P=0.00［8］。結果表明因變量輸出功率與光照強度、溫度以及天氣因子之間的相關性較強。

2 光伏預測模型

基于對影響光伏發(fā)電功率因素的統計分析，本研究確定光照、氣溫、天氣類型因子為影響系統功率預測的主要因素，擬采用遺傳算法優(yōu)化的BP 神經網絡預測光伏功率。

2.1 神經網絡與遺傳算法

BP(Error Back-Propagation)神經網絡，即誤差反向傳播神經網絡，它通過誤差反向傳播實現了對網絡權重的調整。但該模型有兩個明顯的缺點:一是容易于陷入局部極小值;二是收斂速度慢。而遺傳算法(Genetic Algorithm)具有全局尋優(yōu)的能力［9-10］，因此本研究將遺傳算法與BP 神經網絡相結合，在BP 神經網絡運行過程實現遺傳算法對權重和閾值尋優(yōu)方法。GA+BP 算法流程如圖2所示。

圖2 GA+BP 算法流程圖

2.2 預測模型

本研究建立光伏系統輸出功率提前一天預測模型。首先筆者從歷史樣本中選取7:00 ～18:00 逐時光照強度、溫度、天氣類型、發(fā)電功率數據，訓練并建立預測模型。然后將預測日天氣類型、逐時太陽輻強度和溫度預測數據作為模型的輸入變量，輸出變量為對應的預測日7:00 ～18:00 光伏陣列逐時預測發(fā)電量。發(fā)電預測系統結構如圖3所示。

圖3 光伏發(fā)電預測結構圖

光照強度預測量采用與預測日類型相同的近5 個工作日光照強度每小時平均值。預測日類型因子和預測日溫度實時數據可直接從氣象預報網站獲得，目前對于次日的溫度預測已經可以做到逐時預報。

3 算例與結果分析

3.1 算例驗證

本研究在Matlab 中運用遺傳算法、神經網絡算法工具箱函數建立預測模型。實驗樣本來自于浙江大學臺州研究院4 kW 光伏系統觀測數據。筆者選取2015年3月、4月每日樣本數據:7:00 ～18:00 逐時光照強度、溫度、天氣類型、發(fā)電量數據。

靜態(tài)神經網絡模型用于在線時間序列的預報時具有局限性，即網絡的泛化能力有限，且模型不能不斷地適應新增樣本的變化。為了進一步提高模型準確度，在預測中運用在線動態(tài)修正方法［11］。在獲得新增樣本數據之后，通過比較預報值與實際值之差的絕對值是否大于敏感因子ε，決定模型是否需要修正。在本研究中，考慮光伏系統的容量大小及誤差允許范圍，設置ε=100 w。

圖4 優(yōu)化神經網絡測試結果圖

運用GA+BP 算法訓練的光伏模型測試結果如圖4所示，誤差最大百分比為16.1%，平均誤差百分比MAPE［12］為5.43%。傳統BP 網絡模型測試結果圖如圖5所示，誤差最大百分比為－ 57.2%，MAPE 為19.01%。結果表明利用遺傳算法對BP 神經網絡進行優(yōu)化，可有效提高預測模型準確度。

圖5 傳統BP 神經網絡測試結果圖

本研究運用優(yōu)化模型對2015年4月30日進行逐時功率預測。該日白天為晴天，由氣象網站獲得逐時溫度預測數據。光照強度預測數據取4月15、16、17、21、22日5 個晴天日逐時數據平均值，結果如表1所示。最大相對誤差為23.88%，MAPE 為6.55%，其中早上7:00 與傍晚18:00 誤差較大。

表1 GA+BP 網絡預測結果

3.2 對比分析

為進一步比較模型預測精度，本研究將所建立基于歷史數據的神經網絡預測方法與基于氣象預報的光電轉換預測法進行對比，評估模型預測性能。工程上對于光伏輸出功率的光電轉換計算有模型1［13-14］:

式中:ηg—光伏陣列轉換效率;S—光伏板的有效面積，m2;I—太陽輻射強度，w/m2;t0—大氣溫度。以及模型2［15］:

式中:γ—光伏電池的功率溫度系數，相對于標準條件25 ℃，一般由廠家提供。

該實驗平臺所用光伏電池型號為ESPSA200(參數如表2所示)，數量為20。筆者分別運用這兩種模型對4月30日光伏發(fā)電功率逐時預測，采用表1 中光照強度與溫度數據，預測結果如表3所示。通過對比表1 與表3 數據，得出筆者提出的用遺傳算法優(yōu)化神經網絡模型對于光伏系統發(fā)電預測的準確度較高，優(yōu)于基于氣象預測的光電轉換預測模型。且通過比較表3 這兩種光電轉換計算模型發(fā)現，模型2 的準確度明顯高于模型1。因此在工程計算或者建模中模型2 優(yōu)于模型1。

表2 光伏板參數

表3 工程模型預測結果

4 結束語

為實現光伏系統輸出功率預測，本研究通過對實驗平臺歷史數據的分析，確定光照強度、溫度、天氣類型為主要影響因素。筆者對于提出的采用遺傳算法優(yōu)化神經網絡的光伏發(fā)電功率預測方法進行了詳細闡述，并且運用在線動態(tài)修正網絡進一步提高了預測模型的準確度。

本研究通過實際的實驗算例詳細闡明所提出的預測方法，實驗結果驗證了方案的合理與優(yōu)越性，為電網調度與安排光伏電站的運行方式提供了數值依據。最后對比分析兩種工程光電轉換模型的準確度，對于工程上光伏預測及建模有一定的實用意義。

［1］陳志寶，李秋水，程 序，等.基于地基云圖的光伏功率超短期預測模型［J］.電力系統自動化，2013，37(19):20-25.

［2］陳志寶，丁 杰，周 海，等.地基云圖結合徑向基函數人工神經網絡的光伏功率超短期預測模型［J］.中國電機工程學報，2015，35(03):561-567.

［3］丁 明，徐寧舟.基于馬爾可夫鏈的光伏發(fā)電系統輸出功率短期預測方法［J］.電網技術，2011，35(1):152-157.

［4］蘭 華，廖志民，趙 陽.基于ARMA 模型的光伏電站出力預測［J］.電測與儀表，2011，48(2):31-35.

［5］ALMONACID F，RUS C，PEREZ P J，et al.Estimation of the energy of a PV generator using artificial neural network［J］.RENEWABLE ENERGY，2009，34(12):2743-2750.

［6］HIYAMA T，KITABAYASHI K.Neural network based estimation of maximum power generation from PV module using environmental information［J］.IEEE TRANSACTIONS ON ENERGY CONVERSION，1997，12(3):241-246.

［7］陳昌松，段善旭，殷進軍.基于神經網絡的光伏陣列發(fā)電預測模型的設計［J］.電工技術學報，2009，24(9):153-158.

［8］李光明，劉祖明，何京鴻，等.基于多元線性回歸模型的并網光伏發(fā)電系統發(fā)電量預測研究［J］.現代電力，2011，28(2):43-48.

［9］段侯峰.基于遺傳算法優(yōu)化BP 神經網絡的變壓器故障診斷［D］.北京:北京交通大學電氣工程學院，2008.

［10］任謝楠.基于遺傳算法的BP 神經網絡的優(yōu)化研究及Matlab 仿真［D］.天津:天津師范大學計算機與信息工程學院，2014.

［11］鄧興升，王新洲.動態(tài)神經網絡在變形預報中的應用［J］.武漢大學學報:信息科學版，2008，33(1):93-96.

［12］朱永強，田 軍.最小二乘支持向量機在光伏功率預測中的應用［J］.電網技術，2011，35(7):54-59.

［13］樓海星，姚 維.基于無差拍的光伏并網系流電流控制策略［J］.輕工機械，2015，33(1):68-72.

［14］王守相，張 娜.基于灰色神經網絡組合模型的光伏短期出力預測［J］.電力系統自動化，2012，39(19):37-41.

［15］ALMONACID F，RUS C，PEREZ P J，et al.Estimation of the energy of a PV generator using artificial neural network［J］.RENEWABLE ENERGY，2009，34(12):2743-2750.