復(fù)式Kohonen和改進(jìn)BP網(wǎng)絡(luò)的微網(wǎng)光伏發(fā)電預(yù)測(cè)

趙為光， 郝瑞華， 楊 瑩

(黑龍江科技大學(xué) 電氣與控制工程學(xué)院, 哈爾濱 150022)

復(fù)式Kohonen和改進(jìn)BP網(wǎng)絡(luò)的微網(wǎng)光伏發(fā)電預(yù)測(cè)

趙為光， 郝瑞華， 楊 瑩

(黑龍江科技大學(xué) 電氣與控制工程學(xué)院, 哈爾濱 150022)

針對(duì)微電網(wǎng)光伏發(fā)電波動(dòng)性和間歇性問(wèn)題，提出一種基于復(fù)式Kohonen和改進(jìn)BP網(wǎng)絡(luò)的微網(wǎng)光伏發(fā)電預(yù)測(cè)方法。利用首層有監(jiān)督Kohonen網(wǎng)絡(luò)進(jìn)行天氣聚類，分化復(fù)雜天氣因素的非線性度，減小對(duì)二層預(yù)測(cè)模型的影響。由天氣類別而采用改進(jìn)的BP網(wǎng)絡(luò)模型，提高模型預(yù)測(cè)精度，增強(qiáng)模型的在線實(shí)時(shí)性能。利用現(xiàn)場(chǎng)數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和預(yù)測(cè)，仿真結(jié)果有效，復(fù)現(xiàn)了光伏輸出功率變化。

光伏發(fā)電； 功率預(yù)測(cè)； 有監(jiān)督Kohonen網(wǎng)絡(luò)； 改進(jìn)BP； 天氣類型

隨著全球能源保障和環(huán)境污染等問(wèn)題的日益突出，各國(guó)政府將目光投向清潔可再生能源。近年來(lái)，光伏發(fā)電發(fā)展迅速，但光伏發(fā)電受太陽(yáng)輻射和溫度等因素影響，具有較強(qiáng)的間歇性和波動(dòng)性，嚴(yán)重影響電網(wǎng)及負(fù)荷的安全、可靠和經(jīng)濟(jì)運(yùn)行。對(duì)光伏發(fā)電功率進(jìn)行有效預(yù)測(cè)，提高電網(wǎng)中可再生能源發(fā)電的滲透水平，是新能源微電網(wǎng)發(fā)電技術(shù)中亟待解決的關(guān)鍵問(wèn)題[1]。

目前，對(duì)光伏功率預(yù)測(cè)方法多為確定性預(yù)測(cè)，即利用統(tǒng)計(jì)學(xué)原理，根據(jù)影響光伏發(fā)電功率的環(huán)境因素和歷史發(fā)電數(shù)據(jù)，建立各種數(shù)學(xué)預(yù)測(cè)模型，實(shí)現(xiàn)對(duì)光伏發(fā)電系統(tǒng)的短期功率預(yù)測(cè)。文獻(xiàn)[2-8]分別采用時(shí)間序列預(yù)測(cè)法、人工神經(jīng)網(wǎng)絡(luò)法、回歸模型預(yù)測(cè)法、灰色預(yù)測(cè)等方法預(yù)測(cè)光伏電源發(fā)電功率。光伏發(fā)電量受限于天氣因素影響，存在隨機(jī)性和間歇性[9]，氣象因素顯著變化時(shí)，光伏電源輸出功率波動(dòng)明顯，具有較強(qiáng)的非線性特性，限制了確定性單點(diǎn)預(yù)測(cè)功率的準(zhǔn)確性[10]。此外，針對(duì)當(dāng)前應(yīng)用廣泛的BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)，由于存在局部搜索能力易陷入局部最小值、收斂時(shí)間長(zhǎng)、泛化能力弱的局限，相關(guān)研究表明多種方法組合的方式利于提高預(yù)測(cè)精度[11]。

鑒于此，筆者提出采用基于Kohomen和改進(jìn)BP雙層復(fù)式網(wǎng)絡(luò)的微電網(wǎng)光伏發(fā)電預(yù)測(cè)方法。利用第一層自組織競(jìng)爭(zhēng)有監(jiān)督Kohonen神經(jīng)網(wǎng)絡(luò)，識(shí)別天氣特征并自動(dòng)聚類，分類情況將氣象非線性因素歸類為晴天、多云、陰天。通過(guò)具體分類數(shù)據(jù)訓(xùn)練BP網(wǎng)絡(luò)模型，建立黑箱預(yù)測(cè)模型，據(jù)此對(duì)光伏電源輸出功率進(jìn)行第二層預(yù)測(cè)。利用MATLAB仿真軟件結(jié)合光伏電站現(xiàn)場(chǎng)數(shù)據(jù)驗(yàn)證所提方法的有效性。

1 光伏發(fā)電影響因素

光伏電源的輸出功率受氣象因素和環(huán)境因素的影響，不同條件下，光伏發(fā)電系統(tǒng)的輸出有著較大的差別[12]。根據(jù)數(shù)據(jù)分析不同氣象、環(huán)境因素對(duì)光伏發(fā)電系統(tǒng)的影響規(guī)律，提取網(wǎng)絡(luò)訓(xùn)練和預(yù)測(cè)的有效特征數(shù)據(jù)?，F(xiàn)場(chǎng)獲取的光伏發(fā)電系統(tǒng)和氣象因素各類數(shù)據(jù)類型包括：有功功率、性能比/綜合效率系數(shù)、風(fēng)速、天氣溫度、相對(duì)濕度、水平面太陽(yáng)總輻射、散射輻射、風(fēng)向、日降雨量。

對(duì)數(shù)據(jù)進(jìn)行直觀分析，通過(guò)數(shù)據(jù)曲線觀察時(shí)變情況下光伏發(fā)電系統(tǒng)日輸出功率與氣象數(shù)據(jù)的關(guān)系。由于直接的日輸出功率與氣象數(shù)據(jù)不具有可比性，故采用歸一化值進(jìn)行相關(guān)分析。

,

經(jīng)曲線比較分析發(fā)現(xiàn)：太陽(yáng)輻射強(qiáng)度與光伏輸出功率正比變化，具有較大相關(guān)性；大氣溫度與光伏功率變化趨勢(shì)基本相似，相關(guān)度較好；相對(duì)濕度與光伏功率變化趨勢(shì)相反；風(fēng)速影響光伏電源的表面溫度和積灰情況，間接影響到光伏功率輸出。進(jìn)一步利用距離分析法確定對(duì)光伏功率影響最大的因素：

結(jié)果表明，太陽(yáng)輻射強(qiáng)度是影響光伏電源輸出功率的主要因素。由此，文中提取光伏電站現(xiàn)場(chǎng)輸出功率、總輻射、散射、溫度、濕度、風(fēng)速特征量作為訓(xùn)練、預(yù)測(cè)的有效數(shù)據(jù)。其中，光伏輸出功率作為預(yù)測(cè)系統(tǒng)輸出量，其他特征量作為輸入量。

2 光伏發(fā)電功率預(yù)測(cè)的復(fù)式結(jié)構(gòu)

光伏發(fā)電與氣象因素關(guān)聯(lián)緊密，大氣氣象條件復(fù)雜多變，具有較強(qiáng)的非線性特征。在氣象條件變化比較劇烈時(shí)，光伏發(fā)電預(yù)測(cè)模型的精度較差，甚至可以出現(xiàn)預(yù)測(cè)模型失效的可能。因此，提出的復(fù)式雙層網(wǎng)絡(luò)預(yù)測(cè)的方法見(jiàn)圖1，第一層網(wǎng)絡(luò)，采用有監(jiān)督Kohonen網(wǎng)絡(luò)進(jìn)行氣象識(shí)別，識(shí)別出天氣類型，即將天氣非線性因素按類型分區(qū)，從而分化了整體非線性特征。第二層利用改進(jìn)BP網(wǎng)絡(luò)，針對(duì)每種天氣類別，分別建立黑箱光伏功率預(yù)測(cè)模型，克服BP網(wǎng)絡(luò)的局限，對(duì)輸出功率進(jìn)行有效預(yù)測(cè)的同時(shí)，增強(qiáng)模型運(yùn)行的實(shí)時(shí)性能。

圖1 光伏電源輸出功率分層預(yù)測(cè)原理

Fig. 1 Support beam spacing effects on stress and deformation strain

3 有監(jiān)督Kohonen網(wǎng)絡(luò)氣象類型識(shí)別

有監(jiān)督Kohonen網(wǎng)絡(luò)作用是天氣類型進(jìn)行分類，見(jiàn)圖2，輸入輸出節(jié)點(diǎn)之間通過(guò)可調(diào)整的權(quán)值連接。有監(jiān)督Kohonen網(wǎng)絡(luò)在競(jìng)爭(zhēng)層后增加了輸出層，輸出節(jié)點(diǎn)個(gè)數(shù)同天氣類別相同，每個(gè)節(jié)點(diǎn)代表一種天氣類別，輸入層節(jié)點(diǎn)和競(jìng)爭(zhēng)層節(jié)點(diǎn)通過(guò)權(quán)值相連，在權(quán)值調(diào)整時(shí)不僅調(diào)整輸入層同競(jìng)爭(zhēng)層優(yōu)勝節(jié)點(diǎn)領(lǐng)域內(nèi)節(jié)點(diǎn)權(quán)值，同時(shí)調(diào)整競(jìng)爭(zhēng)層優(yōu)勝節(jié)點(diǎn)領(lǐng)域內(nèi)節(jié)點(diǎn)同輸出層節(jié)點(diǎn)權(quán)值。

圖2 Kohonen網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

3.1 有監(jiān)督Kohonen網(wǎng)絡(luò)設(shè)計(jì)

(1)初始化網(wǎng)絡(luò)權(quán)值ωjk；

(2)距離計(jì)算：計(jì)算輸入量X=[x1,x2,…，xn]與競(jìng)爭(zhēng)層神經(jīng)元j之間的距離dj,

;

(3)選擇神經(jīng)元：將與輸入向量X距離最小的競(jìng)爭(zhēng)神經(jīng)元c作為最優(yōu)匹配輸出神經(jīng)元；

(4)調(diào)整權(quán)值：調(diào)整節(jié)點(diǎn)及在其領(lǐng)域Nc(t)內(nèi)包含的節(jié)點(diǎn)權(quán)系數(shù)，即

Nc(t)=t|f(norm(pt,pc))

輸入層與競(jìng)爭(zhēng)層優(yōu)勝節(jié)點(diǎn)領(lǐng)域內(nèi)節(jié)點(diǎn)權(quán)值：

ωij=ωij+η1×(xi-ωij)，

競(jìng)爭(zhēng)層優(yōu)勝節(jié)點(diǎn)領(lǐng)域內(nèi)節(jié)點(diǎn)同輸出層節(jié)點(diǎn)權(quán)值：

ωjk=ωjk+η2×(Yk-ωik),

式中:pc、pt——神經(jīng)元c和t的位置；

norm——計(jì)算兩種神經(jīng)元之間的歐幾里德距離；

r——鄰域半徑；

η——學(xué)習(xí)速率；

η2——學(xué)習(xí)概率；

Yk——樣本所屬類別。

r與η1一般隨進(jìn)化次數(shù)的增加而線性下降。

(5)判斷算法是否結(jié)束，若為滿足結(jié)束要求，返回步驟2繼續(xù)執(zhí)行。

在Kohonen學(xué)習(xí)算法中，初始權(quán)值向量設(shè)置不合理，會(huì)導(dǎo)致權(quán)向量無(wú)法得到充分訓(xùn)練，限制訓(xùn)練過(guò)程中的優(yōu)化性能，因此，采用最大最小距離法確定初始權(quán)值代替隨機(jī)權(quán)值，以達(dá)到激活不同天氣類型目的。

3.2 天氣類型分類

太陽(yáng)能光伏出力對(duì)輻照強(qiáng)度變化較為敏感，太陽(yáng)輻射隨時(shí)間變化，一般情況下，將到達(dá)水平地面的輻照強(qiáng)度稱為水平面太陽(yáng)總輻射，水平面太陽(yáng)總輻射與最終到達(dá)光伏組件傾斜面上的輻照強(qiáng)度成正比?？紤]到大氣層對(duì)輻照強(qiáng)度的衰減作用，以及大氣質(zhì)量數(shù)、大氣透明度等因素的影響，輻照強(qiáng)度可分為直射輻射與散射輻射。根據(jù)歷史數(shù)據(jù)統(tǒng)計(jì)，天氣類型同散射輻射與太陽(yáng)總輻射的比值ξ間有以下規(guī)律：晴天時(shí)以直接輻射為主，散射輻射約占總輻射的15%，陰天、雨天輻照主要由散射輻射部分組成[9]。根據(jù)輻射因素，具體天氣分類見(jiàn)表1。

表1 天氣類別化分

3.3 氣象類型識(shí)別

Kohonen網(wǎng)絡(luò)分為三層，第一層為輸入層，第二層為競(jìng)爭(zhēng)層，第三層為輸出層。輸入層神經(jīng)元個(gè)數(shù)等于輸入樣本的維數(shù)，課題中Kohonen網(wǎng)絡(luò)輸入樣本為散射輻射量和太陽(yáng)總輻射量，輸入節(jié)點(diǎn)數(shù)為2。競(jìng)爭(zhēng)層節(jié)點(diǎn)代表的是輸入數(shù)據(jù)潛在的分類類別，競(jìng)爭(zhēng)層節(jié)點(diǎn)個(gè)數(shù)沒(méi)有具體精確的確定方法，文中采用仿真實(shí)驗(yàn)方法，將節(jié)點(diǎn)從6個(gè)逐漸調(diào)整到20個(gè)，此時(shí)準(zhǔn)確率較高，因此將競(jìng)爭(zhēng)層節(jié)點(diǎn)排列在一個(gè) 矩陣中；輸出層節(jié)點(diǎn)數(shù)與天氣類別相同，每個(gè)節(jié)點(diǎn)表示一類數(shù)據(jù)，文中輸出層節(jié)點(diǎn)數(shù)為3，對(duì)應(yīng)晴天、多云、陰天三種天氣類型。

訓(xùn)練數(shù)據(jù)取用現(xiàn)場(chǎng)一個(gè)月的8 923組采樣數(shù)據(jù)，采樣周期5 min，考慮天氣變化特征合理減小計(jì)算量和誤差干擾因素，對(duì)數(shù)據(jù)二次取樣周期定為30 min，提取訓(xùn)練樣本數(shù)據(jù)1 487組。將樣本統(tǒng)一歸一化后，利用Kononen網(wǎng)絡(luò)對(duì)訓(xùn)練樣本進(jìn)行聚類，通過(guò)迭代計(jì)算神經(jīng)元的權(quán)系數(shù)，將數(shù)據(jù)間的相似性反應(yīng)到各類的神經(jīng)元上。

另外取用現(xiàn)場(chǎng)采樣數(shù)據(jù)8 352組，同樣方法提取1 392組作為驗(yàn)證測(cè)試數(shù)據(jù)。進(jìn)而，利用Kohonen網(wǎng)絡(luò)識(shí)別天氣類型。仿真結(jié)果見(jiàn)圖3，從圖3中明顯看出，Kohonen網(wǎng)絡(luò)有效識(shí)別出天氣類型，在1 392組測(cè)試樣本中，有效識(shí)別樣本數(shù)1 331組，聚類識(shí)別成功率達(dá)到95.62%，Kohonen網(wǎng)絡(luò)聚類識(shí)別效果較好，為下一層光伏輸出功率分區(qū)預(yù)測(cè)建模奠定了良好基礎(chǔ)。

a 仿真結(jié)果

b 曲線局部放大

Fig. 3 Kohonen neural network weather classification result

4 區(qū)域內(nèi)光伏功率預(yù)測(cè)模型

太陽(yáng)能光伏電站實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)經(jīng)上一層Kohonen神經(jīng)網(wǎng)絡(luò)識(shí)別分類劃分區(qū)域后，每一區(qū)域內(nèi)天氣變化情況非線性度相對(duì)弱化。針對(duì)每一天氣類別，建立黑箱式模型預(yù)測(cè)光伏功率輸出，同時(shí)為克服常規(guī)BP網(wǎng)絡(luò)易陷入局部最小點(diǎn)、收斂時(shí)間長(zhǎng)、泛化能力弱的局限，采用改進(jìn)的BP網(wǎng)絡(luò)進(jìn)行建模。

4.1 改進(jìn)BP神經(jīng)網(wǎng)絡(luò)

BP網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)分為三層，分為輸入層、隱藏層和輸出層。解誤差函數(shù)的最小值是BP算法的實(shí)質(zhì)，利用最速下降法，按負(fù)梯度方向調(diào)整權(quán)值是BP網(wǎng)絡(luò)存在上述局限的原因。采用附加動(dòng)量法調(diào)整隱層和輸出層之間的權(quán)值和閾值，利用L-M算法調(diào)整輸入層到隱層的權(quán)值和閾值，從而改進(jìn)BP網(wǎng)絡(luò)性能。

4.1.1 信號(hào)前向傳播

隱含層第i個(gè)節(jié)點(diǎn)輸入值：

隱含層第i個(gè)節(jié)點(diǎn)輸出值：

輸出層第k個(gè)節(jié)點(diǎn)輸入值：

輸出層第k節(jié)點(diǎn)的輸出值：

從輸入層到隱層的傳播函數(shù)為線性函數(shù)，從隱含層到輸出層的傳播函數(shù)為Sigmoid函數(shù):

ψ(x)=1/(1+e-x),

該函數(shù)連續(xù)可導(dǎo)，且有

式中:ω——權(quán)值；θ和α——隱層及輸出層閾值；φ、ψ——隱層及輸出層激勵(lì)函數(shù)；o——節(jié)點(diǎn)輸出值。

4.1.2 誤差反向傳播

系統(tǒng)P個(gè)訓(xùn)練樣本的總誤差函數(shù)為

(1)輸出層參數(shù)調(diào)整。網(wǎng)絡(luò)權(quán)值調(diào)整時(shí)，不僅需要考慮梯度誤差，還需要考慮曲面的變化趨勢(shì)，因此利用附加動(dòng)量法避免網(wǎng)絡(luò)陷入局部最小點(diǎn)。則權(quán)值調(diào)整函數(shù)為

Δωij(k+1)=(1-mc)ηδipj+mcΔωij(k)，

閾值調(diào)整函數(shù)為

Δbi(k+1)=(1-mc)ηδi+mcΔbi(k)，

其中，k為訓(xùn)練次數(shù)，mc為動(dòng)量因子，約為0.95。

(2)隱層參數(shù)調(diào)整。隱含層權(quán)值調(diào)整函數(shù)：

隱含層閾值調(diào)整函數(shù)：

對(duì)于非最優(yōu)奇異值問(wèn)題，目標(biāo)函數(shù)迭代到近最優(yōu)解時(shí)，極值點(diǎn)附近的函數(shù)特性近似二次性，為加快尋找目標(biāo)函數(shù)的最優(yōu)解，在系數(shù)矩陣JTJ主對(duì)角線元素中引入無(wú)窮小正數(shù)μ，即

(JTJ+μE)p=-JTe,

ωk+1=ωk+ap

式中:p——搜索前進(jìn)方向；e——網(wǎng)絡(luò)誤差；ω——權(quán)值；J——誤差函數(shù)對(duì)權(quán)值的導(dǎo)數(shù)；α——自適應(yīng)調(diào)節(jié)最優(yōu)步長(zhǎng)；μ——阻尼因子；E——單位陣。

4.2 光伏功率預(yù)測(cè)

改進(jìn)BP網(wǎng)絡(luò)光伏發(fā)電預(yù)測(cè)模型中，輸入層節(jié)點(diǎn)數(shù)為5，對(duì)應(yīng)五類主要天氣因素輸入量，即風(fēng)速、溫度、相對(duì)濕度、水平面太陽(yáng)總輻射和散射輻射。參照經(jīng)驗(yàn)公式，經(jīng)仿真實(shí)驗(yàn)調(diào)整確定隱層節(jié)點(diǎn)數(shù)為11。與光伏電源預(yù)測(cè)功率相對(duì)應(yīng)，輸出節(jié)點(diǎn)數(shù)確定為1。

根據(jù)第一層Kohonen網(wǎng)絡(luò)的天氣分類，針對(duì)晴天類型，預(yù)測(cè)光伏功率輸出。選取三天782組有效晴天數(shù)據(jù)，作為訓(xùn)練學(xué)習(xí)數(shù)據(jù)，由圖4知，訓(xùn)練樣本權(quán)值收斂。進(jìn)一步選取某一晴天268組有效數(shù)據(jù)進(jìn)行光伏功率預(yù)測(cè)，由圖5的仿真曲線中明顯看出，預(yù)測(cè)曲線較好復(fù)現(xiàn)了現(xiàn)場(chǎng)光伏輸出功率測(cè)量數(shù)據(jù)，由圖6可知，預(yù)測(cè)值與真實(shí)值的誤差帶小于 滿足現(xiàn)場(chǎng)應(yīng)用要求，達(dá)到了較好的預(yù)測(cè)效果。

圖4 樣本訓(xùn)練的收斂過(guò)程曲線

圖5 光伏輸出功率預(yù)測(cè)曲線

圖6 光伏預(yù)測(cè)誤差曲線

5 結(jié)束語(yǔ)

筆者提出一種基于復(fù)式Kohomen和改進(jìn)BP網(wǎng)絡(luò)的微電網(wǎng)光伏發(fā)電預(yù)測(cè)方法。根據(jù)光伏發(fā)電與氣象因素緊密關(guān)聯(lián)的特點(diǎn)，首先利用首層有監(jiān)督Kohonen網(wǎng)絡(luò)進(jìn)行氣象識(shí)別，將天氣情況化分為晴天、多云、陰天三類，目的是分化復(fù)雜天氣因素的非線性度，減小對(duì)下層黑箱預(yù)測(cè)模型的影響。針對(duì)每種天氣類別，二層設(shè)計(jì)分別采用改進(jìn)BP網(wǎng)絡(luò)進(jìn)行建模，提高模型預(yù)測(cè)精度的同時(shí)增強(qiáng)了模型運(yùn)行的實(shí)時(shí)性能。然后，利用現(xiàn)場(chǎng)數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和預(yù)測(cè)，仿真結(jié)果與實(shí)測(cè)數(shù)據(jù)比較表明，該文方法對(duì)光伏功率具有較好的預(yù)測(cè)效果。預(yù)測(cè)方法不僅可為微電網(wǎng)和光伏出力的優(yōu)化調(diào)度提供實(shí)用的參考，也在微電網(wǎng)的能量管理和分層控制方面具有一定價(jià)值。

[1] 李春來(lái)，張海寧，弓建榮，等. 大規(guī)模光伏發(fā)電系統(tǒng)及并網(wǎng)技術(shù)[M]. 北京： 中國(guó)電力出版社，2016.

[2] 陳志寶, 丁 杰, 周 海, 等. 地基云圖結(jié)合徑向基函數(shù)人工神經(jīng)網(wǎng)絡(luò)的光伏功率超短期預(yù)測(cè)模型[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2015, 35(3): 561-567.

[3] 單英浩, 付 青, 耿 炫, 等. 基于改進(jìn)BP-SVM-ELM與粒子群化SOM-LSF的微電網(wǎng)光伏發(fā)電組合預(yù)測(cè)方法[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2016, 36(12): 3334-3342.

[4] 郭旭陽(yáng), 謝開(kāi)貴, 胡 博，等. 計(jì)入光伏發(fā)電的電力系統(tǒng)分時(shí)段隨機(jī)生產(chǎn)模擬[J]. 電網(wǎng)技術(shù), 2013, 37(6): 1499-1505.

[5] 程 澤, 劉 沖, 劉 力. 基于相似時(shí)刻的光伏出力概率分布估計(jì)方法[J]. 電網(wǎng)技術(shù), 2017, 41(2): 448-454.

[6] 鄧 浩, 周念成, 王強(qiáng)鋼, 等. 光伏并網(wǎng)功率調(diào)節(jié)系統(tǒng)的建模與仿真[J]. 電力系統(tǒng)保護(hù)與控制, 2012(17): 62-66.

[7] 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(wú)輻照度發(fā)電預(yù)測(cè)模型研究[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2011, 31(34): 28-35.

[8] 王守相, 張 娜. 基于灰色神經(jīng)網(wǎng)絡(luò)組合模型的光伏短期出力預(yù)測(cè)[J]. 電力系統(tǒng)自動(dòng)化, 2012, 36(19): 37-41.

[9] 楊秀媛, 劉小河, 張 芳，等. 大型太陽(yáng)能并網(wǎng)發(fā)電模型及應(yīng)用[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2011, 31(s1): 19-22.

[10] 陳昌松. 光伏微網(wǎng)的發(fā)電預(yù)測(cè)與能量管理技術(shù)研究[D]. 華中科技大學(xué)，2011.

[11] 張艷霞, 趙 杰. 基于反饋型神經(jīng)網(wǎng)絡(luò)的光伏系統(tǒng)發(fā)電功率預(yù)測(cè)[J]. 電力系統(tǒng)保護(hù)與控制, 2011, 39(15): 75-78.

[12] 丁 明, 徐志成, 趙 波，等. 考慮云層影響的大型光伏發(fā)電系統(tǒng)輻照強(qiáng)度計(jì)算模型[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2015, 35(17): 4291-4299.

(編輯 晁曉筠 校對(duì) 王 冬)

Micro-grid photovoltaic power generation prediction based on compound Kohonen and improved BP neural network

ZhaoWeiguang，HaoRuihua，YangYing

(School of Electrical & Control Engineering, Heilongjiang University of Science & Technology, Harbin 150022, China)

This paper proposes a compound method for forecasting PV power based on Kohonen and improved BP neural network as a solution to the volatility and intermittency problem of photovoltaic power generation in micro-grid. This method functions by using the supervised Kohonen network on the first-level for weather clustering to weaken the nonlinearity behind complex weather factors, and reducing the impact on the second-layer prediction model; in the prediction layer, as is required by each weather category, adopting the correspondingly improved BP network modeling to improve the online real-time performance of the model while enhancing the prediction accuracy of the model; and ultimately train and forecast the network using photovoltaic power plant site data. The simulation provides an effective reproduction of the dynamic variation rule of PV output power.

photovoltaic power generation; power forecasting; supervised Kohonen neural network; improved BPNN; weather category

2017-04-03

趙為光(1972-)，男，吉林省吉林人，副教授，博士，研究方向：新能源電力系統(tǒng)建模與控制，E-mail：zwg_0711@163.com。

10.3969/j.issn.2095-7262.2017.03.019

TM615; TP183

2095-7262(2017)03-0297-06

A