基于BP神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電預(yù)測模型設(shè)計

王思睿，薛云燦，李 彬，鄧立華，顧 菁（河海大學物聯(lián)網(wǎng)工程學院，常州　213022）

?

基于BP神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電預(yù)測模型設(shè)計

王思睿，薛云燦，李 彬，鄧立華，顧 菁
（河海大學物聯(lián)網(wǎng)工程學院，常州213022）

摘 要：結(jié)合歷史發(fā)電量和氣象數(shù)據(jù)分析了影響光伏系統(tǒng)發(fā)電功率的各項因素，針對傳統(tǒng)光伏發(fā)電預(yù)測模型預(yù)測精度不高的問題，加入了電池板溫度信息作為光伏發(fā)電預(yù)測模型的輸入?yún)⒖剂?；針對傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)易陷入局部極值的缺陷，提出了基于改進學習率和權(quán)值的彈性自適應(yīng)規(guī)則的BP神經(jīng)網(wǎng)絡(luò)。采用光伏監(jiān)控系統(tǒng)歷史發(fā)電量和氣象數(shù)據(jù)建立了彈性自適應(yīng)BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，對訓練好的模型進行了測試和評估。預(yù)測結(jié)果表明，該預(yù)測方法較好地解決了傳統(tǒng)BP算法易陷入局部極值的問題，提高了系統(tǒng)預(yù)測結(jié)果精度。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；預(yù)測模型；氣象數(shù)據(jù)；電池板溫度；彈性自適應(yīng)；局部極值

1 引 言

太陽能作為一種可再生能源，已成為人類使用能源的重要組成部分，并得到不斷發(fā)展。大規(guī)模光伏發(fā)電是一種利用太陽能的有效方式，但太陽輻射強度、環(huán)境溫度和天氣類型等因素容易對光伏發(fā)電產(chǎn)生非線性影響。這種發(fā)電方式在接入電網(wǎng)后必會給電網(wǎng)的安全和管理帶來一系列問題。因此，太陽能發(fā)電量的預(yù)測對電力系統(tǒng)的安全穩(wěn)定運行有著重要意義。

針對如何建立光伏發(fā)電預(yù)測模型的問題，許多學者做了大量研究，提出了ARMA模型、多元線性回歸模型和神經(jīng)網(wǎng)絡(luò)模型等。其中，由于BP神經(jīng)網(wǎng)絡(luò)具有較好的自學習、自適應(yīng)、泛化性和魯棒性等特點，廣泛運用到光伏發(fā)電預(yù)測方面。文獻［1-3］提高了光伏發(fā)電預(yù)測模型預(yù)測精度，解決了光伏發(fā)電的隨機化問題。文獻［1］陳昌松，段善旭，殷進軍等人采用光伏陣列的發(fā)電量序列、日類型指數(shù)和氣溫

?數(shù)據(jù)建立了神經(jīng)網(wǎng)絡(luò)預(yù)測模型；文獻［2］采用每小時的太陽輻射強度、濕度、溫度、時間數(shù)據(jù)作為輸入序列構(gòu)建神經(jīng)網(wǎng)絡(luò)模型；文獻［3］采用歷史天氣數(shù)據(jù)對預(yù)測日的太陽輻射強度進行估計，然后由太陽輻射數(shù)據(jù)計算光伏陣列的輸出電能。

但是，這些預(yù)測方法沒有考慮到環(huán)境溫度對太陽能電池板轉(zhuǎn)化功率的影響，也沒有考慮BP神經(jīng)網(wǎng)絡(luò)本身存在的缺陷。

鑒于以上不足，基于BP神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電模型加入了電池板溫度信息參考量作為光伏發(fā)電預(yù)測模型的輸入?yún)?shù)，提高了光伏發(fā)電預(yù)測量的精度。提出了基于改進學習率和權(quán)值的彈性自適應(yīng)規(guī)則的BP神經(jīng)網(wǎng)絡(luò)，解決了傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)易陷入局部極值的問題。

2 光伏系統(tǒng)發(fā)電功率相關(guān)性因素分析

影響太陽能發(fā)電功率的因素很多，包括太陽能輻射強度、天氣類型、環(huán)境溫度和電池板溫度以及其它一些隨機因素。圖1為發(fā)電功率隨太陽能輻射強度變化曲線圖，圖2為發(fā)電功率隨天氣類型變化曲線圖，圖3為發(fā)電功率電壓隨溫度變化曲線圖?？梢钥闯觯夥到y(tǒng)的發(fā)電功率受太陽能輻射強度以及天氣類型、環(huán)境溫度的影響。太陽能輻射強度的增加使得光伏系統(tǒng)的發(fā)電功率產(chǎn)生增大的趨勢；天氣類型的不同使得發(fā)電量也產(chǎn)生了變化；環(huán)境溫度的升高也使得光伏系統(tǒng)的發(fā)電量產(chǎn)生減小的趨勢。光伏系統(tǒng)的實際發(fā)電量正是這些因素相互作用的結(jié)果。

圖1 發(fā)電功率隨太陽能輻射強度

變化曲線圖（a為發(fā)電功率，b為太陽輻射強度）

圖2 發(fā)電量隨天氣類型變化曲線圖

圖3 發(fā)電功率電壓隨環(huán)境溫度變化曲線圖

對于光伏陣列來說，一個明顯的特征就是發(fā)電量時間序列本身高度自相關(guān)［4］。針對光伏發(fā)電預(yù)測模型而言，預(yù)測日的發(fā)電量是在前一天發(fā)電量基礎(chǔ)上變化的。由于受到太陽輻射強度、天氣類型、環(huán)境溫度等因素的影響，發(fā)電量的變化是一個非線性隨機過程，但同時又呈現(xiàn)明顯的周期性變化。

3 基于BP神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電預(yù)測模型

3.1BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)具有很強的非線性映射能力，善于從輸入和輸出信號中尋找規(guī)律，不需要精確的數(shù)學模型，并且計算能力強［5］，其結(jié)構(gòu)如圖4所示。整個網(wǎng)絡(luò)過程分為輸入層、隱含層和輸出層。光伏發(fā)電的輸入信號從輸入節(jié)點傳到隱含層各節(jié)點，然后輸出到輸出層，每一層的節(jié)點輸出只影響下一層的輸入，但是下一層設(shè)置誤差進行反向?qū)W習，利用傳遞函數(shù)及相應(yīng)的權(quán)重值進行函數(shù)訓練，從而達到網(wǎng)絡(luò)訓練和模型構(gòu)造的目的［6］。

3.2基于彈性自適應(yīng)BP神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電預(yù)測模型

基于彈性自適應(yīng)BP神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電預(yù)測模型主要涉及輸入層節(jié)點、隱含層節(jié)點以及隱含層節(jié)點數(shù)、輸出層節(jié)點的確定。其中，輸入層節(jié)點主要為預(yù)測日前一天實際發(fā)電量、預(yù)測日太陽輻射強度、環(huán)境溫度、電池板溫度、預(yù)測日天氣類型；其中預(yù)測日電池板溫度Te由以下公式確定：

式中，Te為電池板溫度，T為環(huán)境溫度，G為太陽輻射強度；a1為氣溫回歸系數(shù)，a2為太陽輻射強度回歸系數(shù)，a3為常數(shù)。

圖4 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

隱含層節(jié)點數(shù)由以下公式確定：

式中，m為隱含層節(jié)點數(shù)，n為輸入層節(jié)點數(shù)，l為輸出層節(jié)點數(shù)，round（）為取整函數(shù)。輸出層節(jié)點為預(yù)測日的發(fā)電量。

傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)算法易導(dǎo)致局部最小值，固定的學習率在學習過程中易出現(xiàn)癱瘓現(xiàn)象并且導(dǎo)致學習時間過長［7］。針對這一缺陷，基于BP神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電預(yù)測模型設(shè)計提出了基于改進學習率和權(quán)值的彈性自適應(yīng)規(guī)則的BP神經(jīng)網(wǎng)絡(luò)模型，較好地解決了算法陷入局部極值的問題，提高了光伏發(fā)電量的預(yù)測精度。

在彈性自適應(yīng)規(guī)則中，最關(guān)鍵的一步就是調(diào)整學習率和權(quán)值大小，其具體步驟為：

式中，η（n）為第n次的學習率；a為大于1的常數(shù)；b為大于0小于1的常數(shù)；c為大于1的常數(shù)；E（n）為第n次的神經(jīng)元誤差，由以下公式求得：

其中：ek（n）為輸出層第k個神經(jīng)元經(jīng)過n次迭代后的誤差信號，求解公式為：

其中，dk（n）為輸出層第k個神經(jīng)元經(jīng)過n次迭代后的期望輸出；mk（n）為輸出層第k個神經(jīng)元經(jīng)過n次迭代后的實際輸出；eij（n +1）為第i層第j個神經(jīng)元第n +1次的權(quán)值；Δwijn為第i層第j個神經(jīng)元第n次的權(quán)值變化量，求解公式為：

4 彈性自適應(yīng)BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的預(yù)測結(jié)果分析

對神經(jīng)網(wǎng)絡(luò)發(fā)電預(yù)測模型的評估有很多方法，如平均絕對百分比誤差、平均絕對偏差、均反差［8］。最常用的還是平均絕對百分比誤差MAPE［9］。彈性自適應(yīng)BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型也采用平均絕對百分比誤差MAPE。

式中，N為數(shù)據(jù)總數(shù)；Pf為預(yù)測值；Pa為實測值；i為數(shù)據(jù)序號。

以某光伏發(fā)電站為研究對象建立預(yù)測模型，選取光伏監(jiān)控系統(tǒng)數(shù)據(jù)庫2014年秋季100組歷史發(fā)電量和氣象數(shù)據(jù)作為訓練樣本，利用Matlab實現(xiàn)彈性自適應(yīng)BP神經(jīng)網(wǎng)絡(luò)模型的訓練過程。采用兩組測試數(shù)據(jù)，第一組為隨機選取的10日未加入太陽能電池板溫度信息的測試數(shù)據(jù)，將其生成輸入向量并輸入到彈性自適應(yīng)BP神經(jīng)網(wǎng)絡(luò)光伏發(fā)電預(yù)測模型和傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)光伏發(fā)電預(yù)測模型，從而得到兩組不同模型的預(yù)測日發(fā)電量。圖5為預(yù)測模型結(jié)果圖。第二組為隨機選取的10日加入太陽能電池板溫度信息和未加入太陽能電池板溫度信息的測試數(shù)據(jù)，將其生成兩組輸入向量并將輸入到彈性自適應(yīng)BP神經(jīng)網(wǎng)絡(luò)光伏發(fā)電預(yù)測模型，得到兩組不同輸入數(shù)據(jù)的預(yù)測日發(fā)電量。

由圖5可以看出，彈性自適應(yīng)BP神經(jīng)網(wǎng)絡(luò)光伏發(fā)電預(yù)測模型的預(yù)測曲線與實際發(fā)電量趨勢大致相同，而傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)光伏發(fā)電預(yù)測模型的預(yù)測曲線在某些時段產(chǎn)生較大誤差波動。對預(yù)測結(jié)果分析后可得：彈性自適應(yīng)BP神經(jīng)網(wǎng)絡(luò)光伏發(fā)電預(yù)測模型和傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)光伏發(fā)電預(yù)測模型誤差MAPE分別為7.1108%和14.6768%。

圖5 預(yù)測模型結(jié)果圖（a為改進算法預(yù)測值；b為傳統(tǒng)算法預(yù)測值；c為實際值）

圖6為輸入因素不同時預(yù)測模型結(jié)果圖，由圖可以看出：與未加入電池板溫度信息的模型相比，加入電池板溫度信息的彈性自適應(yīng)BP神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電預(yù)測模型的預(yù)測結(jié)果更為精準，不會在某些時段產(chǎn)生較大誤差。對預(yù)測結(jié)果分析可得：未加入電池板溫度信息和加入電池板溫度信息的預(yù)測模型誤差MAPE分別為4.2962%和6.3556%。

圖6 輸入因素不同時預(yù)測模型結(jié)果圖（a為加入電池板溫度信息的改進算法預(yù)測值；b為未加入電池板溫度信息的改進算法預(yù)測值，c為實際值）

5 結(jié)束語

為提高光伏發(fā)電量預(yù)測精度，加入了電池板溫度信息作為光伏發(fā)電預(yù)測模型的輸入?yún)⒖剂?；針對BP神經(jīng)網(wǎng)絡(luò)易陷入局部極值的缺陷，提出了基于改進學習率和權(quán)值的彈性自適應(yīng)規(guī)則的BP神經(jīng)網(wǎng)絡(luò)，將影響光伏系統(tǒng)發(fā)電量的主要因素太陽能輻射強度、天氣類型、電池板溫度、環(huán)境溫度數(shù)據(jù)作為模型的輸入量。與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)光伏發(fā)電預(yù)測模型相比，彈性自適應(yīng)BP神經(jīng)網(wǎng)絡(luò)光伏預(yù)測模型契合光伏發(fā)電功率特點，兼具BP神經(jīng)網(wǎng)絡(luò)模型優(yōu)點，測試結(jié)果表明該模型預(yù)測精度高于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型。

參考文獻：

［1］陳昌松，段善旭，殷進軍，等.基于神經(jīng)網(wǎng)絡(luò)的光伏陣列發(fā)電預(yù)測模型的設(shè)計［J］.電工技術(shù)學報，2009，24 （9）：153-158.Chen Changsong，Duan Shanxu，Yin Jinjun，et al.Design of Photovoltaic Array Power Forecasting Model Based on Neutral Network［J］.Transaction of China Electrotechnical Society，2009，24（9）：153-158.

［2］Chakraborty S，Weiss M D，Simoes M G.Distributed intelligent energy management system for a single-phase high-frequency AC microgrid［J］.IEEE Transactions on Industrial Electronics，2007，54（1）：97-109.

［3］Yona A，Senjyu T，F(xiàn)unabashi T.Application of recurrent neural network to short-term-ahead generating power forecasting for photovoltaic system［C］.//IEEE Power Engineering Society General Meeting.Tampa，F(xiàn)L，USA：［s.n.］，2007.

［4］姜僑娜，陳中.BP-馬爾科夫組合預(yù)測方法在光伏發(fā)電量預(yù)測中的應(yīng)用［J］.電力需求側(cè)管理，2011，13 （6）：21-24.Jiang Qiaona，Chen Zhong.The Study of Solar Forecasting Based on BP-Markov Method［J］.Power Demand Side Management，2011，13（6）：21-24.

［5］李光明，廖華，李景天，等.并網(wǎng)光伏發(fā)電系統(tǒng)發(fā)電量預(yù)測方法的探討［J］.云南師范大學學報（自然科學版），2011，31（2）：33-38.Li Guangming，Liao Hua，Li Jingtian，et al.Discussion on The Method of Grid-Connected PV System Generation Forecasting［J］.Journal of YuNan Normal University （Natural Sciences Edition），2011，31（2）：33-38.

［6］蔣浩，洪麗，張國江，等.主成分分析結(jié)合神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電量預(yù)測［J］.電力系統(tǒng)及其自動化學報，2013，25（6）：101-105.Jiang Hao，Hong Li，Zhang Guojiang，et al.PV Generation System Forecasting Model Based on Neutral Network and Principal Components Analysis［J］.Proceeding of the CSU-EPSA，2013，25（6）：101-105.

［7］Tsikalakis A G，Hatziargyriou Nikos D.Centralized control for optimizing microgrids operation［J］.IEEE Transactions on Energy Conversion，2008，23（1）：241-248.

［8］Kem E C，Culachenski E M，Ken G A.Cloud effects on distributed photovoltaic generation：slow transients at the gardner，massachusetts photovoltaic experiment［J］.IEEE Transactions on Energy Conversion，1989，4（2）：184-190.

［9］Jewell W T，Unruh T D.Limits on cloud-induced fluctuation in photovoltaic generation［J］.IEEE Transactions on Energy Conversion，1999，5（1）：8-14.

Design of Photovoltaic Power Forecasting Model Based on BP Neutral Network

Wang Sirui，Xue Yuncan，Li Bin，Deng Lihua，Gu Jing
（College of Internet of Things Engineering，Hohai University，Changzhou 213022，China）

Abstract：Combined with historical power and weather data，all factors which influence the power generation of photovoltaic system are discussed，and the temperature information from the solar panels is added to the forecasting model as the reference input to solve the problems of low prediction accuracy of the traditional forecasting model.Aiming at the defects of the traditional BP neutral network into a local extreme value，this paper proposes the BP neutral network based on the improved learning rate and elastic adaptive rule.The BP neural network forecasting module of elastic adaptive method is trained by historical power and weather data of photovoltaic monitoring system.The trained module is tested and evaluated.The forecasted results show that the prediction method can effectively solve problems of the traditional BP algorithm into a local extreme value and improve the system precision of forecast results.

Key words：BP neutral network；Forecasting model；Weather data；Temperature of the solar panel；Elastic adaptive method；Local extreme value

DOI：10.3969/j.issn.1002-2279.2016.02.021

中圖分類號：TM7

文獻標識碼：A

文章編號：1002-2279（2016）02-0082-04

基金項目：?中央高校基本科研基金（2013B08914）；江蘇省輸配電裝備技術(shù)重點實驗室開放式基金（2011JSSPD13）

作者簡介：王思睿（1991-），女，陜西省渭南市人，碩士研究生，主研方向：光伏發(fā)電建模與優(yōu)化。

收稿日期：2015-06-25