基于RBF神經(jīng)網(wǎng)絡(luò)的太陽光輻照度預(yù)測

海 濤，王 路，陳春華，梁挺興，林 波，李朝偉

(1.廣西大學(xué)電氣工程學(xué)院， 廣西南寧530004；2.廣西比迪光電科技工程有限責(zé)任公司， 廣西南寧530004；)

?

基于RBF神經(jīng)網(wǎng)絡(luò)的太陽光輻照度預(yù)測

海 濤1，王 路1，陳春華1，梁挺興1，林 波2，李朝偉1

(1.廣西大學(xué)電氣工程學(xué)院， 廣西南寧530004；2.廣西比迪光電科技工程有限責(zé)任公司， 廣西南寧530004；)

針對目前太陽光輻照度預(yù)測模型簡單、氣象要素利用不充分和預(yù)測精度較低等現(xiàn)象，提出一種基于RBF神經(jīng)網(wǎng)絡(luò)的太陽光輻照度預(yù)測模型。利用紫外線指數(shù)序列、地外理論輻照度序列、大氣溫度序列、天氣類型序列和歷史太陽光輻照度序列作為輸入向量建立RBF神經(jīng)網(wǎng)絡(luò)預(yù)測模型，預(yù)測未來一段時間的太陽光輻照度，并采用GP-RBF算法進(jìn)行網(wǎng)絡(luò)訓(xùn)練。在氣象臺預(yù)測準(zhǔn)確、較不準(zhǔn)確和不準(zhǔn)確等3種情況下分析該模型的預(yù)測情況。實(shí)驗(yàn)結(jié)果表明：前二種情況下太陽光輻照度的預(yù)測曲線基本與真實(shí)曲線基本吻合；在氣象臺預(yù)測不準(zhǔn)確情況下預(yù)測曲線偏離不大?？梢娫擃A(yù)測模型具有實(shí)用、預(yù)測精度高等特點(diǎn)。

太陽光輻照度；神經(jīng)網(wǎng)絡(luò)；紫外線指數(shù)

隨著對能源需求的日益增加以及化石能源危機(jī)的日益加劇，可再生能源，尤其是太陽能倍受關(guān)注。光伏發(fā)電成為利用可再生能源的重要方向，而影響光伏發(fā)電的主要因素就是太陽光輻照度，太陽輻照的不穩(wěn)定和隨機(jī)性以及大規(guī)模光伏并網(wǎng)給電力系統(tǒng)的管理以及安全帶來了難題[1]。所以，預(yù)測太陽光輻照度對于預(yù)測光伏發(fā)電量及其規(guī)劃、控制與運(yùn)行具有極其重要的意義。

目前，國內(nèi)外短期預(yù)測太陽光輻照度的研究方法主要有回歸分析、時間序列和神經(jīng)網(wǎng)絡(luò)等。其中，神經(jīng)網(wǎng)絡(luò)預(yù)測模型有較好的預(yù)測能力[2]，但無法直接或很難預(yù)測短期的太陽光輻照度。因此，本研究提出一種實(shí)用的、間接的、基于RBF神經(jīng)網(wǎng)絡(luò)和逐時序列輸入的太陽光輻照度預(yù)測模型，旨在充分利用氣象等要素來預(yù)測未來一段時間的太陽光輻照度，較大程度地提高太陽光輻照度模型的預(yù)測精度和實(shí)用性。

1 太陽光輻照度預(yù)測的總體思路

紫外線是太陽輻射的一部分，通常太陽輻射強(qiáng)時紫外線也強(qiáng)，而不同的天氣類型也能反應(yīng)出不同的太陽輻射強(qiáng)度。從紫外線指數(shù)和天氣類型的預(yù)報數(shù)據(jù)中能體現(xiàn)不同時段、不同氣候的太陽光輻照度，故使用預(yù)報的紫外線指數(shù)、天氣類型等要素可間接預(yù)測太陽光輻照度[3]。

地外理論太陽光輻照度反映了地球公轉(zhuǎn)和自傳的信息，還可作為輸入的限制條件，而逐時天氣預(yù)報能獲取未來一天預(yù)測的天氣類型序列、氣溫序列和紫外線指數(shù)序列，故無需分季節(jié)、分天氣類型建立預(yù)測模型。逐時天氣預(yù)報數(shù)據(jù)可在中國氣象網(wǎng)獲取，由于晚上太陽光輻照度都是0，為減小計(jì)算量，只考慮當(dāng)?shù)孛刻?時到19時的預(yù)測序列[4]。

地外理論太陽光輻照度E0是指太陽輻射不經(jīng)任何遮擋和反射而直接到達(dá)地球表面的理論強(qiáng)度，精確計(jì)算預(yù)測日6點(diǎn)到19點(diǎn)的地外理論太陽光輻照度是保證太陽光輻照度預(yù)測精度的前提[5]。地外理論太陽光輻照度E0如式(1)所示[2,11]，即：

(1)

2 太陽光輻照度預(yù)測模型的建立

本研究選擇紫外線指數(shù)序列、地外理論輻照度序列、大氣溫度序列、天氣類型序列和歷史太陽光輻照度序列作為輸入向量建立RBF神經(jīng)網(wǎng)絡(luò)預(yù)測模型，并采用GP-RBF算法進(jìn)行網(wǎng)絡(luò)訓(xùn)練。

2.1 RBF神經(jīng)網(wǎng)絡(luò)

圖1 RBF人工神經(jīng)網(wǎng)絡(luò)圖Fig.1 Model of RBF artificial neural network

為了克服BP神經(jīng)網(wǎng)絡(luò)收斂速度慢并存在局部最小值的缺點(diǎn)，在20世紀(jì)80年代末，學(xué)者們提出了一種多維空間插值徑向基函數(shù)，即RBF神經(jīng)網(wǎng)絡(luò)。RBF網(wǎng)絡(luò)由輸入層、隱含層和輸出層構(gòu)成，擁有較好的全局逼近能力。其結(jié)構(gòu)示意圖如圖1所示。

實(shí)現(xiàn)該網(wǎng)絡(luò)的基本思想是采用高斯函數(shù)作為徑向基函數(shù)，如式(2)所示，即：

(2)

式中，φj為第j個隱層節(jié)點(diǎn)的輸出；cj為高斯函數(shù)的中心；x=[x1,x2,…,xn]T為模型輸入樣本；Nh為隱層節(jié)點(diǎn)數(shù)；σj為高斯函數(shù)的寬度。

每一個高斯徑向?qū)ΨQ函數(shù)會被校準(zhǔn)響應(yīng)為一個特定的局部特征空間，從而組建隱藏層空間。RBF人工神經(jīng)網(wǎng)絡(luò)的輸出隱層節(jié)點(diǎn)的線性疊加如式(3)所示，即：

(3)

2.2 確定模型的輸入和輸出

現(xiàn)階段很多太陽光輻照度的神經(jīng)網(wǎng)絡(luò)預(yù)測模型如圖2所示，在選擇輸入變量時，大多只是考慮到了歷史太陽光輻照度序列、預(yù)測日溫度、預(yù)測日季節(jié)、預(yù)測日天氣類型，并沒考慮到與太陽光輻照度最直接相關(guān)的參數(shù)[6-7]。其不足主要是氣象數(shù)據(jù)的輸入為單值，而非逐時序列輸入且沒有限制條件，因此，需分季節(jié)、分天氣類型建立預(yù)測子模型。這種模型簡單，預(yù)測精度不高，而且僅僅以季節(jié)和天氣類型反映太陽光輻照度的變化等。

針對非逐時序列輸入預(yù)測模型的不足，本研究提出一種實(shí)用的逐時序列輸入預(yù)測模型，如圖3所示。在選擇輸入變量時，加入預(yù)測日氣溫序列、預(yù)測日天氣類型序列，預(yù)測日紫外線指數(shù)序列、預(yù)測日地外理論太陽光輻照度，因此，這種模型能有效預(yù)測未來一段時間的太陽光輻照度。

圖2 非逐時序列太陽光輻照度預(yù)測模型

Fig.2 Forecasting model for non-hourly series solar irradiance

圖3 逐時序列太陽光輻照度預(yù)測模型

Fig.3 Forecasting model for hourly series solar irradiance

3 GP-RBF算法訓(xùn)練網(wǎng)絡(luò)

本研究采用GP-RBF算法完成RBF網(wǎng)絡(luò)的訓(xùn)練，如圖4所示。GP-RBF算法是一種RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)的在線監(jiān)督學(xué)習(xí)算法。RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)是將超球體聚類和神經(jīng)元靈敏度概念相結(jié)合，同時，通過定義節(jié)點(diǎn)靈敏度來確定是否增加或刪除隱層節(jié)點(diǎn)的方式來修改RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)[13-14]。

RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練是不斷地改變相應(yīng)網(wǎng)絡(luò)參數(shù)，使期望輸出和網(wǎng)絡(luò)輸出兩者之間誤差范圍很小[15]。RBF網(wǎng)絡(luò)訓(xùn)練過程主要有兩個步驟：第一步驟是通過獲取的輸入樣本值得到各隱層節(jié)點(diǎn)函數(shù)的中心和寬度；第二步驟是由上一步驟獲取的各隱層參數(shù)和樣本值，利用最小二乘法計(jì)算輸出權(quán)值。需要求解RBF 神經(jīng)網(wǎng)絡(luò)的參數(shù)分別為 RBF 網(wǎng)絡(luò)中心cj、寬度σj、權(quán)值Wi[8]。本研究采用Matlab提供的神經(jīng)網(wǎng)絡(luò)工具箱分別建立RBF網(wǎng)絡(luò)和訓(xùn)練RBF網(wǎng)絡(luò)。

圖4 GP-RBF算法流程圖

4 太陽光輻照度預(yù)測分析

常采用MAPE值評價太陽光輻射度模型的預(yù)測精度，MAPE值能反應(yīng)預(yù)測曲線和真實(shí)曲線平均的偏離程度[9-10]，MAPE值計(jì)算公式如式(4)所示，即：

(4)

分別在氣象臺天氣預(yù)報準(zhǔn)確、較不準(zhǔn)確和不準(zhǔn)確3種情況下，以逐時序列輸入預(yù)測模型進(jìn)行太陽光輻照度預(yù)測，并與真實(shí)太陽光輻照度曲線對比來分析該模型預(yù)測結(jié)果。以6時至19時時段中至少8個以上時段天氣預(yù)報準(zhǔn)確定義為準(zhǔn)確； 只有5～8個時段天氣預(yù)報準(zhǔn)確定義為較不準(zhǔn)確；4個或4個以下時段天氣預(yù)報準(zhǔn)確定義為不準(zhǔn)確。

①氣象臺預(yù)測準(zhǔn)確情況下

以預(yù)測日期為2015年8月5日的太陽光輻照度為例，當(dāng)天預(yù)測的太陽光輻照度曲線與真實(shí)的太陽光輻照度曲線如圖5所示，MAPE=5.6%。

②氣象臺預(yù)測較不準(zhǔn)確情況下

以預(yù)測日期為2015年8月1日的太陽光輻照度為例，當(dāng)天預(yù)測的太陽光輻照度曲線與真實(shí)的太陽光輻照度曲線如圖6所示，MAPE=13.8%。

圖5 預(yù)測準(zhǔn)確的太陽光輻照度對比曲線

Fig.5 Accurate prediction of solar irradiance contrast curve

圖6 預(yù)測教不準(zhǔn)確太陽光輻照度對比曲線

Fig.6 Little accurate prediction of solar irradiance contrast curve

圖7 預(yù)測不準(zhǔn)確的太陽光輻照度對比曲線Fig.7 Inaccurate prediction of solar irradiance contrast curve

③氣象臺預(yù)測不準(zhǔn)確情況下

以預(yù)測日期為2015年8月3日的太陽光輻照度為例，當(dāng)天預(yù)測的太陽光輻照度曲線與真實(shí)的太陽光輻照度曲線如圖7所示，MAPE=21.7%。

如圖5、圖6所示，在氣象臺預(yù)報準(zhǔn)確、較不準(zhǔn)確的情況下，太陽光輻照度預(yù)測曲線基本與真實(shí)的太陽光輻照度曲線吻合；在個別時段的氣象臺預(yù)測不準(zhǔn)確的情況下，太陽光輻照度預(yù)測值偏離較小。如圖7所示，在天氣預(yù)報不準(zhǔn)確的情況下，預(yù)測曲線與真實(shí)的太陽光輻照度曲線偏離并不遠(yuǎn)，說明地外理論值輻照度很好地起到了限制作用，利用紫外線指數(shù)與天氣類型組合參數(shù)能更好地體現(xiàn)真實(shí)的太陽光輻照度。

5 結(jié) 語

本研究充分利用氣象等要素和歷史太陽光輻照度，基于RBF神經(jīng)網(wǎng)絡(luò)和逐時序列輸入建立太陽光輻照度預(yù)測模型。利用GP-RBF算法訓(xùn)練網(wǎng)絡(luò)可以預(yù)測未來一段時間的太陽光輻照度。通過仿真模擬，在氣象預(yù)測準(zhǔn)確和較不準(zhǔn)確的情況下，太陽光輻照度預(yù)測MAPE值都小于20%，且在個別時段的氣象預(yù)測不準(zhǔn)確的情況下預(yù)測值偏離不大。說明該模型具有較高的預(yù)測精度和實(shí)用性。

[1] 司楊,張海峰.基于神經(jīng)網(wǎng)絡(luò)的太陽輻照度預(yù)測方法研究[J]. 青海大學(xué)學(xué)報(自然科學(xué)版)，2013,31(1)：15-16.

[2] 海濤, 聞科偉, 周玲,等.基于氣象相似度與馬爾科夫鏈的光伏發(fā)電預(yù)測方法[J]. 廣西大學(xué)學(xué)報(自然科學(xué)版), 2015, 40(6):1452-1460.

[3] 楚雙俠,劉林華.太陽直射光譜輻射分析[J]. 中國電機(jī)工程學(xué)報，2009，29(14):99-103.

[4] 米增強(qiáng),王飛,楊光.光伏電站輻照度ANN預(yù)測及其兩維變尺度修正方法[J]. 太陽能學(xué)報,2013,34(2):251-254.

[5] 盧冬冬,鄭莆燕,袁言周.基于天氣預(yù)報的光伏發(fā)電預(yù)測研究[J]. 硅谷,2014,15(2):43-45.

[6] 邱東,戴文娟.基于RBF神經(jīng)網(wǎng)絡(luò)的AOD爐冶煉中低碳鉻鐵終點(diǎn)磷含量預(yù)報模型的研究[J]. 計(jì)算機(jī)測量與控制,2014,22(9):3020-3023.

[7] 海濤, 朱浩, 石磊,等.一種帶MPPT的車載太陽能充電系統(tǒng)設(shè)計(jì)[J]. 可再生能源, 2015, 33(1):21-26.

[8] 胡慧,劉國榮.機(jī)械手的在線魯棒自適應(yīng)神經(jīng)網(wǎng)絡(luò)跟蹤控制[J]. 控制理論與應(yīng)用,2009,26(3):337-338.

[9] 蔣傳進(jìn).組合預(yù)測中的預(yù)測精度與預(yù)測風(fēng)險分析[J]. 統(tǒng)計(jì)與決策, 2015(3):78-80.

[10]徐浩然, 楊華, 劉超, 等.不同湍流模型對MEXICO風(fēng)力機(jī)氣動性能預(yù)測精度的研究[J]. 中國電機(jī)工程學(xué)報, 2013,33(35):95-101.

[11]丁紅，楊杰.小波變換集遺傳算法神經(jīng)網(wǎng)絡(luò)的徑流預(yù)測建模[J]. 廣西大學(xué)學(xué)報(自然科學(xué)版)，2012，37(3):581-587.

[12]王哲.基于ANN和時間周期性的光伏電站輻照度預(yù)測研究[D]. 北京：華北電力大學(xué)，2012.

[13]DIAGNE D, DAVID M, BOLAND J,et al. Post-processing of solar irradiance forecasts from WRF modelat Reunion Island[J]. Solar Energy，2014,105：100-107.

[14]PEREZ R, LORENZ E, PELLAND S, et al. Comparison of numerical weather prediction solar irradianceforecasts in the US, Canada and Europ[J]. Solar Energy，2013,94(4)：305-326.

[15]EGAWA E Y, KITAMURA N, NAKAI R, et al. A DNA hybridization system for labeling of neural stem cells with SPIO nanoparticles for MRI monitoring post-transplantation[J]. Biomaterials, 2015,54(6)：158-167.

(責(zé)任編輯 裴潤梅)

Solar irradiance forecasting based on RBF neural network

HAI Tao1，WANG Lu1，CHEN Chun-hua1，LIANG Ting-xin1，LIN Bo2，LI Chao-wei1

(1.College of Electrical Engineering,Guangxi University,Nanning 530004，China; 2.Guangxi Bidi Photoelectric Technology Engineering Co.,Ltd,Nanning 530031，China)

Due to the problems of meteorological elements underutilized and low prediction accuracy of current solar irradiance forecasting model, this paper presents a RBF neural network model to predict solar irradiance. By using the sequences of UV index, extraterrestrial theory irradiance, air temperature and weather type solar irradiance history as the input vector sequences, a RBF neural network prediction model is set up to predict solar irradiance while using GP-RBF network training algorithm. In the three cases of meteorological forecast is accurate, less accurate and inaccurate the analysis of prediction accuracy is made. The results showed that the prediction curves of solar irradiance at the first two cases basically consistent with the real curves while in the case of meteorological forecasting inaccurate the deviation of prediction curve is not large. So the forecast model is practical and accurate.

solar irradiance; neural network; UV index

2016-05-20；

2016-06-12

國家自然科學(xué)基金資助項(xiàng)目( 51267001)

海 濤(1963—)，男(回族)，廣西桂林人，廣西大學(xué)教授級高級工程師； E-mail: haitao5913@163. com。

海濤，王路，陳春華，等.基于RBF神經(jīng)網(wǎng)絡(luò)的太陽光輻照度預(yù)測[J].廣西大學(xué)學(xué)報(自然科學(xué)版)，2016，41(5)：1508-1513.

10.13624/j.cnki.issn.1001-7445.2016.1508

TM615；TK514

A

1001-7445(2016)05-1508-06