優(yōu)化粒子群算法的神經(jīng)網(wǎng)絡光伏發(fā)電預測

李松威++王勝輝++鄭洪

摘 要：隨著我國近些年大力的發(fā)展可再生新能源，光伏發(fā)電系統(tǒng)的裝機容量持續(xù)增加。然而其發(fā)電功率由于受到氣象因素變化的影響，具有很大的間歇性和隨機性。由此看來光伏發(fā)電系統(tǒng)的并網(wǎng)接入會增加電網(wǎng)系統(tǒng)的復雜度，影響電網(wǎng)系統(tǒng)現(xiàn)有的裕度和發(fā)電計劃，進而可能導致系統(tǒng)崩潰。提高光伏系統(tǒng)的預測精度，有助于提高電力系統(tǒng)的運行穩(wěn)定性。本文通過對粒子群算法進行改進，提高粒子群算法的全局收斂性，用改進的粒子群算法優(yōu)化了神經(jīng)網(wǎng)絡光伏發(fā)電預測模型。最后通過預測數(shù)據(jù)與實測數(shù)據(jù)的比較，驗證本文所提方法的有效性。

關鍵詞：光伏功率預測；改進粒子群；神經(jīng)網(wǎng)絡

DOI：10.16640/j.cnki.37-1222/t.2017.06.129

1 引言

隨著石油、煤炭等一次能源面臨枯竭，能源短缺和全球環(huán)境惡化逐步成為限制全球經(jīng)濟發(fā)展的瓶頸。保護人類生存環(huán)境、發(fā)展可再生清潔能源，進而擺脫能源緊缺的局面，已經(jīng)成為世界各地可持續(xù)發(fā)展的重要難題。地球上主要的可再生能源有太陽能、風能、水能、海洋能、生物能、地熱能等，而其中大部分能源都是經(jīng)過太陽能間接轉化過來的。太陽能又被稱作是永不會枯竭的能源，而且不會對環(huán)境造成污染，是環(huán)境友好能源，因而太陽能被認為是21世紀代替石油、煤炭等傳統(tǒng)化石能源的最好選擇之一。全面利用清潔新能源是21世紀加快經(jīng)濟發(fā)展的重要因素，充分開發(fā)利用太陽能已經(jīng)成為世界各國政府可持續(xù)發(fā)展的能源戰(zhàn)略決策[1]。太陽能光伏發(fā)電在此背景下受到很大關注，全球太陽能光伏發(fā)電具有大規(guī)模的發(fā)展趨勢，不僅產(chǎn)量增長速度穩(wěn)定，而且制造成本和市場價格慢慢在下降。

在電力系統(tǒng)中，光伏系統(tǒng)發(fā)電功率的波動會對電力系統(tǒng)造成一定的沖擊[2]。此外，當某個電力系統(tǒng)接入了較大規(guī)模的光伏發(fā)電系統(tǒng)時，該電網(wǎng)區(qū)域的原有負荷模型必將改變，并且加大了對該區(qū)域負荷增長及分布情況的預測難度。為減少光伏系統(tǒng)發(fā)電功率的波動對電網(wǎng)造成的影響，建立光伏發(fā)電預測系統(tǒng)是非常必要的。目前有很多學者研究了光伏發(fā)電功率預測技術，不斷提高光伏發(fā)電功率預測精度，但在提高光伏發(fā)電出力預測精度方面的研究仍然具有較大的進步空間。本文主要分析影響光伏發(fā)電功率的因素，對粒子群算法進行改進，結合神經(jīng)網(wǎng)絡算法對光伏發(fā)電功率進行預測，提高光伏發(fā)電功率的預測精度。

2 光伏發(fā)電功率影響因素分析

本文采用華能營口熱電有限責任公司光伏發(fā)電系統(tǒng)測得的日光伏發(fā)電功率數(shù)據(jù)。圖2.1為同一季節(jié)不同天氣類型的分時段光伏發(fā)電功率對比。從圖2.1可看出，光伏發(fā)電在夜晚不能發(fā)出功率，白天的發(fā)電功率在正午時最大。晴天時光伏發(fā)電功率的波動較為平滑，而晴轉多云和霧天的光伏發(fā)電功率波動較大，大雨天由于陽光不充足，光伏發(fā)電功率較低而且波動也不平滑。

圖2.2為不同季節(jié)的晴天日光伏發(fā)電功率曲線。隨著季節(jié)變換，晴天時的光照強度也會有所區(qū)別。由于該項目在2016年6月末剛剛建成，所以沒有春天數(shù)據(jù)。從圖片可看出，冬天的日照時間相對夏天要少3小時以上。因此，預測光伏發(fā)電功率時需要考慮不同季節(jié)的日照情況，通過不同季節(jié)的典型日功率可以更為準確的預測光伏發(fā)電功率。

通過以上可知，外界溫度和日照強度均會影響光伏發(fā)電的輸出功率，不同季節(jié)、不同天氣類型同樣對光伏發(fā)電功率有著顯著的影響。

3 光伏發(fā)電功率預測研究

3.1 BP神經(jīng)網(wǎng)絡

BP神經(jīng)網(wǎng)絡是最普及和最廣泛應用的網(wǎng)絡，具有工作良好、容易學習的優(yōu)點[3]。神經(jīng)元控制著人類大腦信息的傳遞，它們之間有著密切的聯(lián)系，構成了人類大腦的神經(jīng)網(wǎng)絡。一個神經(jīng)元會先對其他神經(jīng)元傳遞過來的刺激進行積累，累計到一定程度后，它會將刺激傳遞給其他相鄰的神經(jīng)元。人腦對刺激的反應就是由數(shù)百億個按照這樣規(guī)律工作的神經(jīng)元構成的。通過調(diào)節(jié)這些神經(jīng)元之間的聯(lián)系和強度，人腦逐漸形成了對外界刺激的學習機制。基于這一特性把這種生物模型推廣應用到信息處理的數(shù)學模型，并把它描述成人工神經(jīng)網(wǎng)絡。BP神經(jīng)網(wǎng)絡是人工神經(jīng)網(wǎng)絡的一種。BP神經(jīng)網(wǎng)絡中的神經(jīng)元的積累刺激是由其他神經(jīng)元傳遞過來的刺激乘以對應權重后求和所得，神經(jīng)元所受到的刺激可以表示為：

其中，為刺激的個數(shù)；為第個神經(jīng)元傳過來的刺激量；為的權重。當積累完開始對周圍神經(jīng)元刺激，通過激活函數(shù)處理。

一般BP神經(jīng)網(wǎng)絡有輸入層、隱含層和輸出層三個部分，如圖3.1所示，網(wǎng)絡的權重和閥值通過誤差的變化不斷進行調(diào)節(jié)，最后誤差平方和達到最小值不再進行調(diào)節(jié)。

BP神經(jīng)網(wǎng)絡是目前使用范圍最廣的網(wǎng)絡類型之一，在很多領域等均有大量應用，其主要優(yōu)點[4]有很好的容錯能力、良好的泛化能力和良好的非線性映射能力。然而，BP神經(jīng)網(wǎng)絡也有一定的不足： 一是由于神經(jīng)網(wǎng)絡算法的學習速率固定，因此神經(jīng)網(wǎng)絡完成收斂的時間比較長。尤其是較為復雜的問題，所花費的訓練時間可能會很長，主要原因是其學習速率太小。二是BP算法采用的梯度下降法有可能會使算法收斂到局部極小值，而不是全局最小值。三是對于BP神經(jīng)網(wǎng)絡隱含層的層數(shù)和神經(jīng)元的數(shù)量的選擇缺乏理論上指導，目前比較依賴一些經(jīng)驗公式，或者根據(jù)多次試驗來確定。這樣一方面可能會造成網(wǎng)絡結構的冗余從而加重學習負擔，另一方面也可能造成網(wǎng)絡的非線性映射能力不足。

3.2 粒子群算法的改進

粒子群算法（PSO）是根據(jù)鳥類捕食的行為來尋找最優(yōu)解的算法。在整個算法中，種群中的粒子數(shù)代表著所求問題解的個數(shù)。解決問題時，先定義一組隨機的初始解，每個個體粒子是通過記憶群體的最優(yōu)位置及自身的最優(yōu)位置來迭代搜索最優(yōu)解，在這個過程中，粒子的速度向量決定了粒子的運動方向及距離，最終由適應度來評判粒子的優(yōu)劣。粒子群算法在尋找最優(yōu)解過程中，每一個粒子都會根據(jù)其他粒子來調(diào)整自身的速度和方向，逐步向最優(yōu)值逼近，但如果該粒子尋找的位置為局部最優(yōu)解，而并非全局最優(yōu)解，可能會導致粒子群優(yōu)化“早熟”，不能找到準確的全局最優(yōu)解[5]。

式（3.2）中的慣性權重如果過大會導致收斂性變差，但越大會使全局搜索能力越強。為提高算法的收斂性，又兼顧全局搜索能力，將粒子群速度改為：

其中：為所有粒子所經(jīng)歷的最好位置；為學習因子。

從式（3.3）可以看出，粒子速度沒有了慣性權重，提高了收斂性，此外，通過增加全局最優(yōu)隨機學習，使粒子速度提高了全局搜索能力。

3.3 基于改進粒子群算法的神經(jīng)網(wǎng)絡

本文采用改進粒子群優(yōu)化神經(jīng)網(wǎng)絡的權值，旨在提高尋找最優(yōu)權值的全局收斂性。

首先，構建光伏發(fā)電功率預測系統(tǒng)的神經(jīng)網(wǎng)絡結構，設定輸入層、隱含層、輸出層，將所有神經(jīng)元所連接的權重和閥值作為粒子群的個體。

其次，設置粒子群初始權重、位置、速度、速度因子和訓練次數(shù)等。初始化局部最優(yōu)值和全局最優(yōu)值。

網(wǎng)絡權重優(yōu)化過程是一個反復迭代的過程，通常是為了保證所訓練的神經(jīng)網(wǎng)絡具有較強的泛化能力。在網(wǎng)絡的訓練過程中，往往將給定的樣本空間分成兩部分，一部分為訓練樣本，另一部分為測試樣本。在權重優(yōu)化過程中，每次訓練，都要對給定樣本進行分類，保證訓練時采用的訓練集不同。計算每一個網(wǎng)絡在訓練集上產(chǎn)生的均方差，以此作為目標函數(shù)，并構造粒子適應度函數(shù)，可以用均方差表示：

其中，和分別為樣本數(shù)量和神經(jīng)元數(shù)量；和分別為第個樣本的次輸出期望值和實際值。

通過公示（3.3）對粒子的速度和位置進行修正，如果粒子和速度超出控制范圍則重新計算粒子適應度，改變權重，當達到最大訓練次數(shù)時，優(yōu)化結束。

圖3.2為改進算法的流程圖。

4 基于實測數(shù)據(jù)分析

本文采用改進粒子群算法優(yōu)化神經(jīng)網(wǎng)絡模型預測光伏發(fā)電功率，根據(jù)之前的光伏發(fā)電功率影響因素分析，將根據(jù)四個不同季節(jié)建立四個子模型。為簡化計算，建立了晴天、云天和雨雪天的三種典型天氣模型，針對不同季節(jié)不同天氣，輸入變量將相應調(diào)整。

在不同季節(jié)中，神經(jīng)網(wǎng)絡的輸入量也不同，輸入量包括：預測日的相似日最高溫度、平均濕度；預測日的最高氣溫平均相對濕度；預測日的相似日的發(fā)電功率。輸出量為預測日的各時段發(fā)電功率。改進的粒子群算法中取消了慣性權重，從而可以充分提高全局搜索能力。設置最大迭代次數(shù)為300，誤差精度為0.001?；谌A能營口熱電光伏項目的數(shù)據(jù)，驗證本文提出方法的有效性。采用本文提出的改進PSO-BP神經(jīng)網(wǎng)絡的方法，預測2016年8月8日的光伏發(fā)電功率。2016年8月8日光伏監(jiān)測中心為晴天天氣，當天的預測結果與實際測量數(shù)據(jù)對比如圖4.1所示。從圖4.1可以看出，采用本文方法預測的功率與實測數(shù)據(jù)接近。

如表3.1為該基地光伏發(fā)電實際值與預測值的統(tǒng)計，并且有相應的絕對百分比誤差，該表詳細記錄了在晴朗的天氣情況下6：00-19：00的每一個時間段的真實值、預測值以及絕對百分比無差。從表3.1可看出，該天氣類型下的預測精度相對較高，即該光伏發(fā)電功率預測模型是比較有效的，其絕對誤差百分比在0-5%之間。

5 結論

本文通過分析影響光伏發(fā)電功率因素的分析，用改進的粒子群算法優(yōu)化神經(jīng)網(wǎng)絡算法的參數(shù)，達到了神經(jīng)網(wǎng)絡優(yōu)化速度變快的同時解決了傳統(tǒng)粒子群算法可能存在的局部極小值的問題。最后通過實測數(shù)據(jù)與預測數(shù)據(jù)的分析對比，驗證了該方法可以較為準確的實現(xiàn)對光伏系統(tǒng)輸出功率的預測，具有較大的工程應用價值。

參考文獻：

[1]陳昌松，段善旭，蔡濤等.基于模糊識別的光伏發(fā)電短期預測系統(tǒng)[J].電工技術學報，2016，26（07）：83-89

[2]李徐輝.光伏發(fā)電系統(tǒng)監(jiān)控與發(fā)電預測模型研究[D].碩士學位論文，上海：東華大學，2012.

[3]方方.基于改進BP神經(jīng)網(wǎng)絡的電力負荷預測研究[D].哈爾濱工業(yè)大學，2011.

[4]戚克軍，張志鵬.變壓器油中多組分故障氣體的光纖檢測[J]. 華中理工大學學報，1996，24（10）：36-39.

[5]陽帥.混沌編碼的粒子群神經(jīng)網(wǎng)絡研究[D].江西理工大學，2012.