基于GA-ELM神經(jīng)網(wǎng)絡(luò)的逐時(shí)太陽輻照量預(yù)測

徐靜，黃南天，王文婷，戚佳金，徐世兵，于志勇

（1.東北電力大學(xué)電氣工程學(xué)院，吉林吉林 132012；2.國網(wǎng)杭州市電力局，浙江杭州310009；3.河北師范大學(xué)，河北石家莊 050000；4.國網(wǎng)新疆電力公司經(jīng)濟(jì)技術(shù)研究院，新疆烏魯木齊 830011）

基于GA-ELM神經(jīng)網(wǎng)絡(luò)的逐時(shí)太陽輻照量預(yù)測

徐靜1，黃南天1，王文婷1，戚佳金2，徐世兵3，于志勇4

（1.東北電力大學(xué)電氣工程學(xué)院，吉林吉林 132012；2.國網(wǎng)杭州市電力局，浙江杭州310009；3.河北師范大學(xué)，河北石家莊 050000；4.國網(wǎng)新疆電力公司經(jīng)濟(jì)技術(shù)研究院，新疆烏魯木齊 830011）

太陽能輻照量是影響光伏發(fā)電的主要因素，準(zhǔn)確的太陽能輻照量預(yù)測對(duì)于光伏發(fā)電具有重要的作用。為提高預(yù)測模型對(duì)環(huán)境因素的敏感性與預(yù)測精度，提出基于遺傳算法（genetic algorithm，GA）改進(jìn)極限學(xué)習(xí)機(jī)（extreme learning machine，ELM）的太陽輻照量預(yù)測方法。首先，選取與太陽能輻照量相關(guān)的候選屬性因素，確定輸入變量；其次，以2009年到2014年與待預(yù)測日相同日期前后15 d范圍內(nèi)數(shù)據(jù)為訓(xùn)練集；再次，采用GA優(yōu)化ELM的隱含層輸入權(quán)值及偏置向量；最后，采用優(yōu)化后的GA-ELM模型，開展逐時(shí)太陽輻照預(yù)測模型。實(shí)測算例表明，相較ELM、BP神經(jīng)網(wǎng)絡(luò)，新方法具有更高的預(yù)測精度，能夠適應(yīng)外界氣象條件突變情況下的輻照預(yù)測需要。

太陽能；輻照量；GA-ELM；精度

大量光伏電源并網(wǎng)后，其輸出功率波動(dòng)性、隨機(jī)性為電力系統(tǒng)穩(wěn)定與經(jīng)濟(jì)運(yùn)行帶來了更大的挑戰(zhàn)。太陽能輻照量是影響光伏系統(tǒng)出力的最主要因素，由太陽能輻照量可以比較準(zhǔn)確地計(jì)算出集中式分布式光伏出力。但是，輻照易受云量、濕度、溫度等環(huán)境因素的影響，具有顯著的不穩(wěn)定性和隨機(jī)性。因此，國內(nèi)外廣泛開展太陽輻照預(yù)測研究，以提高光伏出力預(yù)測精度[1-4]。

目前，國內(nèi)外對(duì)于太陽能輻照量預(yù)測進(jìn)行了深入研究，常用預(yù)測方法可分為2類[5-6]。第1類方法基于詳盡的數(shù)值天氣預(yù)報(bào)（NWP），利用觀測的數(shù)值天氣信息與輻照量的物理計(jì)算模型，對(duì)超短期太陽能輻照量進(jìn)行預(yù)測。這一類方法雖然預(yù)測精度高，但是需要復(fù)雜的衛(wèi)星觀測信息及分析方法，對(duì)我國現(xiàn)階段來說實(shí)行比較困難。第2類方法通過對(duì)歷史數(shù)據(jù)建模，模擬出太陽能輻照量的變化規(guī)律，然后預(yù)測出未來輻照量。

人工智能方法如人工神經(jīng)網(wǎng)絡(luò)已在太陽能輻照量預(yù)測中廣泛應(yīng)用。此類方法雖可以綜合考慮各種環(huán)境因素，但通常具有訓(xùn)練速度慢、易陷入局部最優(yōu)解等缺點(diǎn)。傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)（如BP、SVM神經(jīng)網(wǎng)絡(luò)）收斂速度慢，參數(shù)設(shè)置復(fù)雜[7-8]。黃廣斌等在單隱含層前向神經(jīng)網(wǎng)絡(luò)（single-hidden layer feedforward neural networks，SLFNS）學(xué)習(xí)算法的基礎(chǔ)上，提出了極端學(xué)習(xí)機(jī)（extreme learning machine，ELM）。ELM隨機(jī)產(chǎn)生輸入層權(quán)值以及隱含層節(jié)點(diǎn)偏置等網(wǎng)絡(luò)參數(shù)，相對(duì)于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，結(jié)構(gòu)簡單，學(xué)習(xí)效率高，泛化能力強(qiáng)，但其輸入層至隱含層的偏置隨機(jī)產(chǎn)生，會(huì)影響太陽能輻照量預(yù)測的精度。

為提高采用ELM短期太陽能輻照量預(yù)測精度，提出了一種基于GA-ELM逐時(shí)太陽能輻照量預(yù)測方法。首先，對(duì)影響太陽能輻照量不同環(huán)境因素進(jìn)行分析，選出4種和太陽能輻照量最相關(guān)的屬性，包括歷史輻照量、溫度、云量、相對(duì)濕度；其次，經(jīng)GA優(yōu)化參數(shù)的ELM開展輻照預(yù)測；最后，采用該模型預(yù)測短期太陽能輻照量。采用BMS太陽輻射研究中心（Solar Radiation Research Laboratory BMS）中緯度39.74°，經(jīng)度105.18°，海拔1 829 m，時(shí)區(qū)GMT-7的數(shù)據(jù)開展實(shí)驗(yàn)，驗(yàn)證新方法的有效性。

1 影響太陽能輻照量因素的分析

為了提升太陽能輻照量預(yù)測精度，必須確定與輻照量關(guān)系緊密的氣象因素。在多環(huán)境并存的情況下找出對(duì)輻照量預(yù)測影響最大的氣象因素非常重要，同時(shí)在GA-ELM神經(jīng)網(wǎng)絡(luò)中，輸入變量的選擇也是首要的。輸入訓(xùn)練數(shù)據(jù)：溫度、云量、風(fēng)速、相對(duì)濕度、最低溫度、最高溫度、海拔、日照小時(shí)、緯度和經(jīng)度等。在變量選擇過程中，太陽輻照量預(yù)測最相關(guān)的輸入變量必須評(píng)估。

在分析現(xiàn)有神經(jīng)網(wǎng)絡(luò)模型的輸入輸出變量的基礎(chǔ)上，研究輸入變量的優(yōu)化組合，引入與輻照量直接相關(guān)的因素，如環(huán)境溫度、氣壓、風(fēng)速、積日、云量、相對(duì)濕度作為模型的輸入變量，對(duì)比不同輸入變量模型預(yù)測結(jié)果的誤差指標(biāo)，合理地確定輸入變量組合。最后確定利用歷史輻照量、溫度、云量、相對(duì)濕度作為輸入屬性[9-11]。

2 預(yù)測模型設(shè)計(jì)

2.1 ELM神經(jīng)網(wǎng)絡(luò)原理

極端學(xué)習(xí)機(jī)是由Huang等人在2004年提出的一種性能優(yōu)良的新型單隱層前向神經(jīng)網(wǎng)絡(luò)（singlehidden layer feed forward networks，SLFNs），稱為極端學(xué)習(xí)機(jī)（extreme learning machine，ELM）學(xué)習(xí)算法。ELM與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)相比，具有許多優(yōu)良的特性，比如學(xué)習(xí)速度快，泛化能力好，克服傳統(tǒng)梯度算法的局部極小、過擬合和學(xué)習(xí)率的選擇不合適等優(yōu)點(diǎn)[12]。

ELM實(shí)現(xiàn)的過程：對(duì)于N個(gè)任意的不同的樣本（xi，yi），其中

則一個(gè)激勵(lì)函數(shù)為g（x）、隱含層節(jié)點(diǎn)數(shù)為L的前饋神經(jīng)網(wǎng)絡(luò)的輸出可表示為：

式中：αi=[αi1，αi2，…，αin]T為輸入層到第i個(gè)隱含層節(jié)點(diǎn)的輸入權(quán)值；bi為第i個(gè)隱含層節(jié)點(diǎn)的閥值；βi= [βi1，βi2，…，βim]T為連接第i個(gè)隱含層節(jié)點(diǎn)的輸出權(quán)值；αixi為向量αi和xi的內(nèi)積，激勵(lì)函數(shù)g（x）可采用“sigmoid”等。

如這個(gè)具有L個(gè)隱含層節(jié)點(diǎn)的前饋神經(jīng)網(wǎng)絡(luò)能以0誤差逼近N個(gè)樣本，則αi，bi，βi存在以下關(guān)系：

式（3）可簡化為：

式（4）中：

H為隱含層的輸出矩陣。在ELM中隨機(jī)給定輸出權(quán)值和閥值，矩陣H就變成一個(gè)確定的矩陣，前饋神經(jīng)網(wǎng)絡(luò)的訓(xùn)練就可以轉(zhuǎn)化成一個(gè)求解輸出權(quán)值矩陣的最小二乘解的問題。輸出權(quán)值矩陣β可由下式得到:

H′表示隱含層輸出矩陣H的Moore-penrose廣義逆。

ELM預(yù)測算法流程如下：

1）隨機(jī)設(shè)置輸入隱含層權(quán)值αi以及閥值bi，i= 1，…，L；其中L為隱含層節(jié)點(diǎn)個(gè)數(shù)。

2）選擇一個(gè)無限可微的函數(shù)作為隱含層神經(jīng)元的激活函數(shù)，并計(jì)算隱含層輸出矩陣H。

2.2 基于GA改進(jìn)的ELM

根據(jù)ELM模型算法特點(diǎn)，ELM模型隱含層輸入權(quán)值αi以及偏置向量bi為隨機(jī)設(shè)定的，當(dāng)隨機(jī)設(shè)定值為0時(shí)，會(huì)使部分隱含層節(jié)點(diǎn)失效，降低其對(duì)樣本的預(yù)測精度。針對(duì)上述可能出現(xiàn)的問題，采用GA對(duì)ELM模型中隱含層節(jié)點(diǎn)數(shù)L、隱含層輸入權(quán)值αi及偏置向量bi進(jìn)行優(yōu)化選擇，以確定最優(yōu)的ELM模型[13-14]。訓(xùn)練步驟如下:

1）確定神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值和閥值編碼，得到初始種群。個(gè)體的維度D取取決于模型需要確定的參數(shù)的個(gè)數(shù)，即隱含層輸入權(quán)值矩陣和偏置向量。

式中：n為預(yù)測時(shí)刻點(diǎn)的個(gè)數(shù)；yi（k）為k時(shí)刻的真實(shí)值為k時(shí)刻的預(yù)測值。

4）確定適應(yīng)度函數(shù)、種群規(guī)模k以及進(jìn)化代數(shù)P。適應(yīng)度函數(shù)用于評(píng)價(jià)個(gè)體的優(yōu)劣程度，適應(yīng)度函數(shù)采用排序的適應(yīng)度分配函數(shù)：Fitness-V=ranking（obj），其中obj為目標(biāo)函數(shù)的輸出。

5）局部求解最優(yōu)適應(yīng)度函數(shù)Fitness-best。進(jìn)化

式中：Qγ為種群中第γ個(gè)個(gè)體，1≤γ≤k，αij、bj在區(qū)間[-1，1]中隨機(jī)取值。

2）解碼得到權(quán)值和閥值，將權(quán)值和閥值賦給新建的ELM網(wǎng)絡(luò)，使用訓(xùn)練和測試樣本測試網(wǎng)絡(luò)。對(duì)網(wǎng)絡(luò)設(shè)置目標(biāo)函數(shù)為：代數(shù)θ及種群個(gè)體γ的初始值設(shè)為0，逐個(gè)求解每個(gè)個(gè)體對(duì)應(yīng)的適應(yīng)度函數(shù)，直到γ=k時(shí)結(jié)束循環(huán)，求得Fitness-best值即從中選出最優(yōu)個(gè)體。

（6）全局求解最優(yōu)適應(yīng)度函數(shù)Fitness-best。每進(jìn)行一輪局部求解最優(yōu)適應(yīng)度函數(shù)后，利用交叉、變異對(duì)種群進(jìn)行進(jìn)化，并檢查進(jìn)化代數(shù)θ值。當(dāng)θ不大于P時(shí)，將γ值初始化為0，返回到第（5）步，直至θ大于P則結(jié)束運(yùn)算，此時(shí)計(jì)算出的Fitness-best即為最優(yōu)適應(yīng)度函數(shù)，根據(jù)其對(duì)應(yīng)的參數(shù)并解碼，即可得到最佳神經(jīng)網(wǎng)絡(luò)的權(quán)值和閥值，進(jìn)而確定優(yōu)化的ELM模型。

3 預(yù)測過程設(shè)計(jì)

在新方法中，確定GA-ELM模型的輸入為12個(gè)屬性，輸出為待預(yù)測時(shí)刻點(diǎn)太陽能輻照量，并采用單步預(yù)測，最終預(yù)測獲得未來24 h太陽能輻照量值。太陽能輻照量的預(yù)測流程如圖1所示，預(yù)測過程過程如下。

圖1 GA-ELM預(yù)測算法流程圖Fig.1 Flowchart of GA-ELM forecasting algorithm

1）選取輸入學(xué)習(xí)樣本。所有數(shù)據(jù)來自BMS太陽輻射研究中心（Solar Radiation Research Laboratory BMS）。從該數(shù)據(jù)庫可以免費(fèi)獲取2009年到2014年的輻照量和環(huán)境因素?cái)?shù)據(jù)。以緯度39.74°、經(jīng)度105.18°、海拔1 829 m、時(shí)區(qū)GMT-7的數(shù)據(jù)為研究對(duì)象，數(shù)據(jù)都為逐時(shí)數(shù)據(jù)，從2009年到2014年預(yù)測日前15 d和后15 d找出訓(xùn)練、測試和預(yù)測數(shù)據(jù)，將該數(shù)據(jù)分為兩部分，2009到2013的數(shù)據(jù)為訓(xùn)練、測試數(shù)據(jù)，2014年的數(shù)據(jù)為預(yù)測數(shù)據(jù)。

2）歸一化處理。輸入數(shù)據(jù)的數(shù)量級(jí)不同，會(huì)對(duì)網(wǎng)絡(luò)的訓(xùn)練造成影響，使輸出層的預(yù)測結(jié)果不準(zhǔn)確。使用Matlab軟件對(duì)輸入學(xué)習(xí)樣本進(jìn)行歸一化處理，把所有數(shù)據(jù)，如歷史輻照量、溫度、相對(duì)濕度、云量等歸一到[0，1]，防止輸入變量范圍不同而導(dǎo)致某些變量在映射被淹沒的現(xiàn)象。

歸一化公式為[15]：

式中：xi（t）為t時(shí)刻的原始數(shù)據(jù)；ximax為原始數(shù)據(jù)中的最大值；ximin為原始數(shù)據(jù)中的最小值；為歸一化后的數(shù)據(jù)。

3）向訓(xùn)練好的模型中，輸入待預(yù)測時(shí)段屬性因素的數(shù)據(jù)，得出未來24 h的太陽能輻照量預(yù)測值。

4）把預(yù)測的太陽能輻照量進(jìn)行反歸一處理，并采用均方差誤差和平均絕對(duì)百分誤差來評(píng)估太陽輻照量預(yù)測結(jié)果的準(zhǔn)確性和可行性。

4 GA-ELM預(yù)測效果分析

對(duì)2009年1月1日到2014年12月31日的太陽輻照量進(jìn)行研究分析，存在4種典型氣候條件下的太陽輻照情況。采用GA-ELM模型、ELM模型、BP模型3種預(yù)測模型分別對(duì)不同類型的太陽輻照量進(jìn)行預(yù)測。把歷史溫度輻照、溫度、云量、相對(duì)濕度作為模型的輸入，對(duì)未來一天的太陽輻照量進(jìn)行逐時(shí)預(yù)測。

建立GA-ELM預(yù)測模型進(jìn)行訓(xùn)練、測試，預(yù)測未來一天太陽能輻照量。考慮到太陽能輻照量和前2～3 h的輻照量關(guān)系大，GA-ELM神經(jīng)網(wǎng)絡(luò)的輸入為預(yù)測時(shí)刻前3 h的歷史輻照、溫度、云量、相對(duì)濕度，輸出為預(yù)測時(shí)刻的太陽輻照量值。采用GA-ELM模型1神經(jīng)網(wǎng)絡(luò)方法對(duì)4種特殊天氣類型的太陽輻照量進(jìn)行預(yù)測，并和ELM模型2、BP模型3進(jìn)行對(duì)比，預(yù)測時(shí)刻間隔為1 h，因?yàn)橐话闳粘鲋?、日落之后的輻照量為零。即選取06:00—20:00之間的15個(gè)整時(shí)點(diǎn)的天氣變量和輻照量作為每天的預(yù)測時(shí)刻。預(yù)測結(jié)果如圖2（a）、（b）、（c）、（d）所示。

選取平均絕對(duì)百分誤差和均方根誤差對(duì)預(yù)測結(jié)果進(jìn)行評(píng)估[16]。

圖2 3種模型對(duì)不同日期輻照量預(yù)測結(jié)果Fig.2 Radiation forecasting result of three models for different days

表1 不同預(yù)測方法效果比較Tab.1 Comparison of effects among different forecasting methods

5 結(jié)論

針對(duì)太陽能輻照量未來一天的逐時(shí)的預(yù)測，通過對(duì)太陽能輻照量相關(guān)的氣象數(shù)據(jù)如溫度、相對(duì)濕度、溫度等歷史數(shù)據(jù)的分析，將遺傳算法（GA）和ELM神經(jīng)網(wǎng)絡(luò)有機(jī)結(jié)合起來，建立了基于GAELM模型逐時(shí)太陽輻照量預(yù)測。仿真結(jié)果表明，該模型避免了輸入權(quán)值矩陣和隱含層偏差隨機(jī)性對(duì)ELM預(yù)測精度的影響，提高了預(yù)測精度，對(duì)提高光伏（特別是分布式光伏設(shè)備）發(fā)電量預(yù)測，具有重要意義。

[1]DONG Z，YANG D，REINDL T，et al．A novel hybrid approach based on self-organizing maps，support vector regression and particle swarm optimization to forecast solar irradiance[J]．Energy，2015，82（15）：570-577．

[2]王守相，王亞旻，劉巖，等.基于經(jīng)驗(yàn)?zāi)B(tài)分解和ELM神經(jīng)網(wǎng)絡(luò)的逐時(shí)太陽能輻照量預(yù)測[J].電力自動(dòng)化設(shè)備，2014，34（8）：7-12．WANG Shouxiang，WANG Yamin，LIU Yan，et al．Hourly solar radiation forecasting based on EMD and ELM neural network[J]．Electric Power Automation Equipment，2014，34（8）：7-12（in Chinese）．

[3]MANZANO A，MARTIN M L，VALERO F，et al．A single method to estimate the daily global solar radiation from monthly data[J]．Atmospheric Research，2015，166（1）：70-82．

[4]段雙明，郭陽，任俊，等．含分布式電源的低壓直流配電網(wǎng)研究綜述[J]．東北電力大學(xué)學(xué)報(bào)，2015，35（6）：1-7．DUAN Shuangming，GUO Yang，REN Jun，et al．Review of DG integrated low voltage DC distribution network[J]．Journal of Northeast Dianli University，2015，35（6）：1-7（in Chinese）．

[5]楊磊，譚涌波，強(qiáng)玉華．光伏建筑雷電災(zāi)害和預(yù)警措施研究[J]．電瓷避雷器，2014，246（2）：94-99．YANG Lei，TAN Yongbo，QIANG Yuhua．Research on the lightning disaster and lightning warning measures of building integrated photovoltaic[J]．Insulators and Surge Arresters，2014，246（2）：94-99（in Chinese）．

[6]施泉生，于文姝，謝品杰．能源互聯(lián)網(wǎng)背景下分布式光伏發(fā)電的經(jīng)濟(jì)效益研究[J]．電網(wǎng)與清潔能源，2016，32（1）：100-106．SHI Qunsheng，YU Wenshu，XIE Pinjie．Economic benefit analysis of distributed photovoltaic under the energy internet background[J]．Power System and Clean Energy，2016，32（1）：100-106（in Chinese）．

[7]劉琳．光伏電站有功功率優(yōu)化分配[J]．熱力發(fā)電，2015，44（11）：104-108．LIU Lin．Active power control in photovoltaic power plants[J]．Thermal Power Generation，2015，44（11）：104-108（in Chinese）．

[8]楊磊，譚涌波，強(qiáng)玉華，等．太陽能光伏發(fā)電系統(tǒng)雷電災(zāi)害及防御分析[J]．高壓電器，2015，51（6）：62-67．YANG Lei，TAN Yongbo，QIANG Yuhua，et al．Analysis on lightning disasters of solar photovoltaic power generation system and prevention scheme[J]．High Voltage Apparatus，2015，51（6）：62-67（in Chinese）．

[9]代倩，段善旭，蔡濤，等．基于天氣類型聚類識(shí)別的光伏系統(tǒng)短期無輻照度發(fā)電預(yù)測模型研究[J]．中國電機(jī)工程學(xué)報(bào)，2011，31（34）：28-35．DAI Qian，DUAN Shanxu，CAI Tao，et al．Short-term without irradiance photovoltaic of power generation forecasting model research based on weather type clustering recongnition[J]．Proceedings of the CSEE，2011，31（34）：28-35（in Chinese）．

[10]BEHRANG M A，ASSAREH E，GHANBARZADEH A，et al．The potential of different artificial neural network（ANN）techniques in daily global solar radiation modeling based on meteorological data[J]．Solar Energy，2010，84（8）：1468-1480．

[11]YADAV A K，CHANDEL S S．Solar radiation prediction using artificial neural network techniques：a review[J]．Renewable&Sustainable Energy Reviews，2014，33（2）：772-781．

[12]LAN Y，SOH Y C，HUANG G B．Ensemble of online sequential extrelearning machine[J]．Neurocomputing，2009，72（13-15）：3391-3395．

[13]CAO Z，XIA J，ZHANG M，et al．Optimization of gear blank preforms based on a new R-GPLVM model utilizing GA-ELM[J]．Knowledge-Based Systems，2015，83（1）：66-80．

[14]杜嚴(yán)行，李恒．光伏電站接入方式對(duì)局部電網(wǎng)影響及改進(jìn)方案的研究[J]．電力電容器與無功補(bǔ)償，2014，35（2）：9-13．DU Yanxing，LI Heng．Study on influence of connecting way of photovoltaic station to local power grid and on relative improving methods[J]．Power Capacitor&Reactive Power Compensation，2014，35（2）：9-13（in Chinese）．

[15]米增強(qiáng)，王飛，楊光，等．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(bào)，2013，34（2）：251-259．MI Zengqiang，WANG Fei，YANG Guang，et al．Photovoltaic power station irradiance of ANN prediction and its two dimensional variable scale correction method[J]．Acta Energiae Solaris Sinica，2013，34（2）：251-259（in Chinese）．

[16]YADAV A K，MALIK H，CHANDEL S S．Selection of most relevant input parameters using WEKA for artificialneural network based solar radiation prediction models[J]．Renewable&Sustainable Energy Reviews，2014，31（2）：509-519．

（編輯 馮露）

Hourly Solar Radiation Forecasting Based on GA-ELM Neural Network

XU Jing1，HUANG Nantian1，WANG Wenting1，QI Jiajin2，XU Shibing3，YU Zhiyong4
（1.College of Electrical Engineering，Northeast Dianli University，Jilin 132012，Jilin，China；2.State Grid Hangzhou Municipal Electric Power Bureau，Hangzhou 310009，Zhejiang，China；3.Hebei Normal University，Shijiazhuang 050000，Hebei，China；4.State Grid Xinjiang Institute of Economic Research Technology，Urumchi 830011，Xinjiang，China）

Solar radiation is a major factor influencing the photovoltaic.Accurate solar radiance forecastingplaysan important role on the photovoltaic power generation.In order to improve the prediction model of the sensitivity of the environmental factors and prediction accuracy，a solar radiation quantity prediction method is proposed based on GA（genetic algorithm）to improve the ELM（extreme learning machine）prediction model.First，candidate attribute factors associated with solar radiation exposure are selected and the input variables are determined.Then，the data within a range of 15 days before and after the date same to the date to be predicted from 2009 to 2014 are used as the training data set；furthermore，GA is used to optimize the hidden layer of ELM input weights and bias vector；Finally，the optimized GA-ELM model is used to carry out hourly solar radiation forecasting model.The real calculation example shows that compared with ELM，BP neural network，the new method has higher precision of prediction and can satisfy the solar radiation requirement under the external weather mutation conditions.

solar energy；radiation；GA-ELM；precision

國家高技術(shù)研究發(fā)展計(jì)劃（863計(jì)劃）項(xiàng)目（SS2014AA052502）；吉林省科技發(fā)展計(jì)劃項(xiàng)目（20160411003XH）。

Project Supported by National High Technology Research and Development Program of China（863 Program）（SS2014AA052502）；Jinlin Province Science and Technology Development Program（201604 11003XH）.

1674-3814（2016）08-0105-05

TM615

A

2016-03-24。

徐 靜（1990—），女，碩士研究生，從事新能源發(fā)電研究；

黃南天（1980—），男，副教授，博士，碩導(dǎo)，從事新能源規(guī)劃與主動(dòng)配電網(wǎng)、電力系統(tǒng)數(shù)據(jù)挖掘、電能質(zhì)量分析與控制、電力設(shè)備狀態(tài)檢測與故障診斷等研究；

王文婷（1994—），女，本科，從事電力系統(tǒng)數(shù)據(jù)分析與挖掘研究；

戚佳金（1979—），男，高級(jí)工程師，博士，從事電力系統(tǒng)通信、電動(dòng)汽車充電技術(shù)、新能源規(guī)劃與負(fù)荷預(yù)測、電力系統(tǒng)諧波分析等領(lǐng)域的研究；

徐世兵（1995—），男，本科，從事大數(shù)據(jù)分析與研究；

于志勇（1988—），男，助理工程師，電能質(zhì)量擾動(dòng)識(shí)別特征選擇。