人工智能算法在光伏發(fā)電量預(yù)測(cè)中的應(yīng)用

鄧呈格+鐘志峰

摘 要：隨著光電的大規(guī)模發(fā)展，準(zhǔn)確預(yù)測(cè)光伏發(fā)電量對(duì)于光伏電站的選址、大規(guī)模并網(wǎng)以及運(yùn)行具有重要作用。文中提出一種果蠅算法結(jié)合神經(jīng)網(wǎng)絡(luò)的人工智能混合算法（FOA-BP）來解決光伏發(fā)電量預(yù)測(cè)問題。以武漢某光伏發(fā)電站的發(fā)電數(shù)據(jù)為例，結(jié)合FOA-BP混合算法對(duì)模型進(jìn)行仿真求解，結(jié)果表明，F(xiàn)OA-BP混合算法具有較高的準(zhǔn)確性。

關(guān)鍵詞：光伏發(fā)電；發(fā)電量預(yù)測(cè)；BP神經(jīng)網(wǎng)絡(luò)；果蠅算法

中圖分類號(hào)：TM615；TP39 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-1302（2017）04-00-02

0 引 言

隨著全球經(jīng)濟(jì)的不斷發(fā)展，人類對(duì)能源需求不斷增長(zhǎng)，不可再生能源不斷減少，使得發(fā)展并利用新能源迫在眉睫。研究和實(shí)踐表明，太陽能是資源最豐富的可再生能源，是人類社會(huì)未來能源的基石。由于光伏發(fā)電具有較強(qiáng)的隨機(jī)性和波動(dòng)性，光伏電站并網(wǎng)勢(shì)必會(huì)造成電網(wǎng)的不穩(wěn)定，因此準(zhǔn)確預(yù)測(cè)光伏發(fā)電量具有重要意義。

目前，國(guó)內(nèi)外對(duì)光伏發(fā)電量預(yù)測(cè)已有相關(guān)研究，一些相關(guān)人工智能算法也被應(yīng)用到預(yù)測(cè)模型中，如馬爾科夫鏈，神經(jīng)網(wǎng)絡(luò)，灰色理論，粒子群，遺傳算法等?？紤]到神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的非線性擬合、學(xué)習(xí)規(guī)則簡(jiǎn)單，但收斂速度慢且易陷入局部最優(yōu)等缺點(diǎn)，同時(shí)考慮到果蠅算法與其他算法相比具有全局尋優(yōu)能力強(qiáng)、計(jì)算復(fù)雜度小、精度高、收斂速度快等優(yōu)點(diǎn)，故本文提出一種果蠅算法結(jié)合神經(jīng)網(wǎng)絡(luò)的混合算法。此混合算法能很好的結(jié)合兩者的優(yōu)點(diǎn)。

1 光伏發(fā)電量預(yù)測(cè)模型

1.1 BP神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)（Neural Network）是模擬人大腦學(xué)習(xí)知識(shí)的過程而提出的一種人工智能算法。神經(jīng)網(wǎng)絡(luò)分為單層前饋網(wǎng)絡(luò)（LMS學(xué)習(xí)算法）、多層前饋網(wǎng)絡(luò)（BP神經(jīng)網(wǎng)絡(luò)）、后饋網(wǎng)絡(luò)等。其中BP神經(jīng)網(wǎng)絡(luò)是目前研究最為成熟、廣泛的預(yù)測(cè)網(wǎng)絡(luò)模型之一。預(yù)測(cè)模型分為輸入層、隱含層以及輸出層，如圖1所示。

（1）輸入層

針對(duì)本文的預(yù)測(cè)模型，輸入變量為光伏發(fā)電系統(tǒng)各個(gè)時(shí)段的平均溫度、平均光照。

（2）隱含層

本文模型采用雙隱含層。多層前向網(wǎng)絡(luò)是單層感知器的推廣，解決了非線性可分問題。隱含層由神經(jīng)元組成，神經(jīng)元決定了各輸入變量權(quán)值以及各輸出變量權(quán)值。

（3）輸出層

本文預(yù)測(cè)模型的輸出變量為當(dāng)日各時(shí)段的光伏發(fā)電量。文中將光伏發(fā)電預(yù)測(cè)模型分為24小時(shí)/天，每一個(gè)小時(shí)為一個(gè)計(jì)算單位。輸入層中的每個(gè)結(jié)點(diǎn)作為激勵(lì)信號(hào)，組成下一層的輸入信號(hào)，而該層輸出信號(hào)又作為下層的輸入信號(hào)，以此類推。神經(jīng)網(wǎng)絡(luò)具有很好的非線性擬合性，學(xué)習(xí)規(guī)則簡(jiǎn)單。

1.2 果蠅算法

果蠅優(yōu)化算法（Fruit Fly Optimization Algorithm， FOA）是一種基于果蠅覓食行為的人工智能仿生算法，是由臺(tái)灣潘文超教授于2011年6月提出的。果蠅可以使用嗅覺和視覺來尋找食物及同伴，具有很好的群體智能性。

果蠅尋找食物時(shí)飛行線路具有一定的隨機(jī)性，為了尋找食物，果蠅會(huì)根據(jù)空間中的食物氣味濃度進(jìn)行判定，向濃度高的方向飛行。其算法流程如下所示：

（1）在搜索空間中隨機(jī)產(chǎn)生果蠅種群。隨機(jī)產(chǎn)生個(gè)體果蠅的位置及各自飛行方向向量。

（2）各果蠅分別沿預(yù)定方向移動(dòng)一定的步長(zhǎng)，計(jì)算各果蠅所在位置的濃度。

（3）找出種群中濃度最高的果蠅的位置，保存為Piter，然后所有果蠅飛向濃度最高的位置。

（4）計(jì)算移動(dòng)后各果蠅所處位置的濃度，若Piter，i比Piter濃度更高，則更新Piter，再轉(zhuǎn)到步驟（2），直到找到食物位置。

Piter表示第iter代的濃度最高的位置；Piter，i表示第i個(gè)果蠅第iter代的位置。

1.3 FOA-BP算法

為解決神經(jīng)網(wǎng)絡(luò)收斂速度慢以及容易陷入局部最優(yōu)的缺點(diǎn)，本文提出一種果蠅算法結(jié)合神經(jīng)網(wǎng)絡(luò)的混合算法，該混合算法具有較強(qiáng)的全局搜索能力、不易陷入局部最優(yōu)、收斂快等優(yōu)點(diǎn)。本文主要利用果蠅算法來優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)值以達(dá)到優(yōu)化的目的?；旌纤惴鞒倘缦滤荆?/p>

（1） 初始化。初始化種群規(guī)模S，最大迭代次數(shù)iter，隨機(jī)生成各果蠅的位置、移動(dòng)方向、移動(dòng)步長(zhǎng)及神經(jīng)元權(quán)值等。

（2） 讀取數(shù)據(jù)。讀取光伏發(fā)電系統(tǒng)訓(xùn)練樣本數(shù)據(jù)，包括各時(shí)段的平均溫度、平均光照強(qiáng)度以及光伏發(fā)電量，對(duì)樣本數(shù)據(jù)進(jìn)行歸一化處理。

（3）通過神經(jīng)網(wǎng)絡(luò)樣本進(jìn)行訓(xùn)練，得到相應(yīng)的權(quán)值，并利用果蠅算法對(duì)權(quán)值進(jìn)行修正與優(yōu)化。果蠅個(gè)體向預(yù)定方向移動(dòng)一定的步長(zhǎng)，計(jì)算濃度，此時(shí)濃度即預(yù)測(cè)值，若預(yù)測(cè)值Pbest更優(yōu)，則保留，繼續(xù)迭代，直到達(dá)到預(yù)測(cè)精度為止。

（4）輸出種群中果蠅所處濃度最高的位置，即神經(jīng)網(wǎng)絡(luò)的最優(yōu)權(quán)值。輸出預(yù)測(cè)結(jié)果。FOA-BP算法流程如圖2所示。

2 實(shí)驗(yàn)結(jié)果與分析

本模型采用武漢某發(fā)電企業(yè)發(fā)電機(jī)組1的發(fā)電數(shù)據(jù)進(jìn)行試驗(yàn)。時(shí)間段選取6：00-19：00。訓(xùn)練樣本選取6月份的數(shù)據(jù)120組，其中輸入量是各時(shí)段的平均光照強(qiáng)度、平均溫度，輸出量是各時(shí)段的發(fā)電量。預(yù)測(cè)樣本是6月6日6：00-19：00各時(shí)段的數(shù)據(jù)。神經(jīng)網(wǎng)絡(luò)激勵(lì)函數(shù)采用單極性sigmod激勵(lì)函數(shù)g（x）=1/（1+e-x），神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為雙隱含層，隱含層神經(jīng)元個(gè)數(shù)為25，預(yù)測(cè)樣本各時(shí)段的平均溫度以及平均光照，分別如圖3，圖4所示。

預(yù)測(cè)發(fā)電量與實(shí)際發(fā)電量的對(duì)比如圖5所示。預(yù)測(cè)誤差如圖6所示。

由圖6的預(yù)測(cè)曲線圖可知，大部分時(shí)段的預(yù)測(cè)誤差都在15%內(nèi)，在第6、第10時(shí)段誤差較大，總體來看發(fā)電量預(yù)測(cè)曲線能很好的與實(shí)際發(fā)電量曲線擬合。

3 結(jié) 語

本文提出的FOA-BP算法能應(yīng)用到光伏發(fā)電量預(yù)測(cè)模型，使得輸出結(jié)果具有較強(qiáng)的準(zhǔn)確性、收斂速度快以及尋優(yōu)能力強(qiáng)等特點(diǎn)。本模型算法可以有效為光伏發(fā)電廠的選址以及電廠維護(hù)提供理論依據(jù)，從而為發(fā)電企業(yè)帶來更多的利益。準(zhǔn)確的光伏發(fā)電量預(yù)測(cè)能夠?yàn)楣搽娋W(wǎng)的維護(hù)和電力的再分配提供有力的理論支持。

參考文獻(xiàn)

[1]李春鵬，張廷元，周封.太陽能光伏發(fā)電綜述[J].電工材料，2006（3）：45-48.

[2]孟杰，李庚銀.含風(fēng)光電站的電力系統(tǒng)動(dòng)態(tài)經(jīng)濟(jì)調(diào)度[J].電網(wǎng)與清潔能源，2013，29（11）：70-75.

[3]潘文超.果蠅最佳化演算法[M].臺(tái)北：滄海書局，2011.

[4]景亞平，張?chǎng)危_艷.基于灰色神經(jīng)網(wǎng)絡(luò)與馬爾科夫鏈的城市需組合預(yù)測(cè)水量[J].西北農(nóng)林科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2011，39（7）：229-234.

[5]陳勇，劉洲，李伏麟，等.人工神經(jīng)網(wǎng)絡(luò)在貨運(yùn)預(yù)測(cè)系統(tǒng)中的應(yīng)用[J].物聯(lián)網(wǎng)技術(shù)，2016，6（1）：42-43.

[6]劉瑞葉，黃磊.基于動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的風(fēng)電場(chǎng)輸出功率預(yù)測(cè)[J].電力系統(tǒng)自動(dòng)化，2012，36（11）：19-22.

[7]黃湘君.基于組成成分分析的BP神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)負(fù)荷預(yù)測(cè)中的應(yīng)用[J].科技信息，2008（16）：313-314.

[8]常鵬，李樹榮，葛玉磊，等.迭代步進(jìn)自適應(yīng)調(diào)整的果蠅優(yōu)化算法[J].計(jì)算機(jī)工程與應(yīng)用，2016，52（3）：32-36.