基于Elman神經(jīng)網(wǎng)絡模型的短期光伏發(fā)電功率預測

劉佳林李剛王騰飛

?

基于Elman神經(jīng)網(wǎng)絡模型的短期光伏發(fā)電功率預測

劉佳林1，李剛1，2，3，王騰飛1

（1.蘭州交通大學 機電技術研究所，甘肅 蘭州 730070；2.甘肅省物流及運輸裝備信息化工程技術研究中心，甘肅 蘭州 730070； 3.甘肅省物流與信息技術研究院，甘肅 蘭州 730070）

為提高光伏發(fā)電功率的預測精度，使電力行業(yè)充分、合理地利用太陽能資源，提出一種基于Elman神經(jīng)網(wǎng)絡模型的短期光伏發(fā)電功率預測方法。將歷史數(shù)據(jù)細分為不同季節(jié)、不同天氣類型的多個子集，通過計算氣象特征向量間的歐式距離選取相似日，建立Elman神經(jīng)網(wǎng)絡，對三種不同季節(jié)和天氣類型條件下的光伏發(fā)電功率分別進行預測。結果表明，預測模型在晴天條件下有較高預測精度，對提高光伏發(fā)電功率的預測效果有一定的參考價值。

光伏發(fā)電；功率預測；相似日；Elman神經(jīng)網(wǎng)絡

光伏發(fā)電功率預測一直是國內外研究的熱點，準確預測光伏功率，可以為電力調度提供重要的決策支持，有利于保障電網(wǎng)的安全運行，更能有效降低電力系統(tǒng)運營成本，使電力行業(yè)充分、合理利用太陽能資源，從而獲得更大的經(jīng)濟效益和社會效益[1]。文獻[1]選用雙層BP神經(jīng)網(wǎng)絡預測光伏發(fā)電功率，相比普通的BP神經(jīng)網(wǎng)絡有較好的預測精度，但仍然存在網(wǎng)絡收斂速度慢、無反饋調節(jié)和易陷入局部最優(yōu)等問題。文獻[2]選取太陽輻照強度、輻照時長、氣溫等指標作為相似日的氣象特征，然后對每一類相似日建立粒子群算法，以優(yōu)化Elman神經(jīng)網(wǎng)絡的模型進行光伏功率預測。該方法雖對氣象信息進行分類，但分類較為粗糙。文獻[3]通過組合權重系數(shù)計算相似日，預測日的輸出功率由相似日的輸出功率按不同權重系數(shù)加權而得。實例分析表明，該方法有較高的準確性，但無法適用于天氣狀況發(fā)生突變的情況。

文獻研究結果表明，在光伏發(fā)電功率的預測模型中，輸入不同天氣類型的樣本集神經(jīng)網(wǎng)絡的訓練誤差之間存在較大差別。相似日理論將不同天氣類型的樣本進行歸類細分，分類后的訓練樣本可以有效地提高模型的預測精度。Elman神經(jīng)網(wǎng)絡能夠在有限的時間內逼近任意函數(shù)，其動態(tài)記憶性能直接反映光伏輸出功率與影響因子的非線性、時變關系，且訓練速度高于BP 網(wǎng)絡。

1 相似日的選取

按當?shù)厝蛰椪諘r長將全年劃分為春秋季、夏季、冬季，在劃分好的3個季節(jié)類別中根據(jù)晴天、多云（陰）、雨（雪沙）三種典型天氣類型再細分，這樣就可以得到同季節(jié)同天氣類型的9個小樣本集[4]。

光伏發(fā)電功率受諸多氣象因素影響，本文選取對功率影響較大的因素，例如輻照度、輻照時長、氣溫、相對濕度來構建氣象特征向量，構建每日氣象因素特征向量，為

i=[i，i，i，i]. （1）

式（1）中：i為第日的平均輻照度，W/m2；i為第日的平均氣溫，℃；i為第日的平均相對濕度，%；i為第日的輻照時長。

根據(jù)預測日季節(jié)和天氣類型信息，在細分好的樣本集中根據(jù)歐氏距離0i來計算預測日與歷史日的氣象特征總體的差異度，為：

式（2）中：為特征向量的個數(shù)；0（）為預測日氣象特征向量；i（）為第個氣象特征向量。

通過式（2）的計算結果，選取與預測日相似度最高即歐氏距離最小的前10組歷史日數(shù)據(jù)作為相似日樣本集，在神經(jīng)網(wǎng)絡訓練時使用。

2 Elman神經(jīng)網(wǎng)絡

Elman神經(jīng)網(wǎng)絡在一般前饋式網(wǎng)絡的基礎增加了一個承接層，是一種動態(tài)遞歸神經(jīng)網(wǎng)絡。Elman神經(jīng)網(wǎng)絡結構一般分為四層，即輸入層、輸出層、隱含層和承接層，如圖1所示。其中，為輸入向量，輸出向量，為維隱含層單元向量，c為承接層的維反饋向量，1，2，3分別為承接層到隱含層、輸入層到隱含層、隱含層到輸出層的連接權值[5]。承接層相當于具有記憶特性的一步延時算子，使整個系統(tǒng)具有適應時變特性的能力，從而達到動態(tài)建模的目的。輸入層、輸出層、承接層的傳遞函數(shù)多為線性函數(shù)，例如purelin函數(shù)，隱含層的傳遞函數(shù)則多選用非線性函數(shù)，如Sigmoid函數(shù)。Elman神經(jīng)網(wǎng)絡采用與BP網(wǎng)絡相同的附加動量的梯度下降反向傳播算法來修正權值閾值[6]。

圖1 Elman神經(jīng)網(wǎng)絡結構

3 構建Elman神經(jīng)網(wǎng)絡預測模型及實例預測

原始數(shù)據(jù)基于甘肅省電力公司某光伏電站記錄的2014年歷史輸出功率和測光站采集的歷史實時氣象信息，結合中國氣象局網(wǎng)站的歷史氣象信息，對奇異或缺失數(shù)據(jù)加以綜合修正，并對數(shù)據(jù)作歸一化處理，消除量綱影響。

3.1 構建預測模型

Elman神經(jīng)網(wǎng)絡基本參數(shù)設定如下：①建立四層網(wǎng)絡結構。輸入層、輸出層和承接層函數(shù)為purelin函數(shù)，隱含層函數(shù)為tansig函數(shù)，訓練函數(shù)為traingdx函數(shù)，學習函數(shù)為learndm函數(shù)，學習率為0.05，最大迭代次數(shù)2 500，誤差容限0.000 1.②輸入層節(jié)點數(shù)。輸入變量為氣象數(shù)據(jù)，選取每日輻照度、溫度、相對濕度的平均值和日照時長共4個輸入節(jié)點。③輸出層節(jié)點數(shù)。輸出變量為功率數(shù)據(jù)，選用07：00—20：00時段每隔30 min的功率數(shù)據(jù)共27個輸出節(jié)點。④隱含層節(jié)點數(shù)。本文先根據(jù)經(jīng)驗公式取得估計值，再由網(wǎng)絡多次訓練，選取誤差最小的隱含層節(jié)點數(shù)[7]，選取最終隱含層節(jié)點數(shù)為12.因此，Elman神經(jīng)網(wǎng)絡模型的最終結構為4-12-27.

3.2 實例預測

假定將2014-10-06記為預測日，該天屬于春秋季節(jié)晴天天氣類型，按前述相似日計算方法在春秋季晴天數(shù)據(jù)集中計算所有歷史發(fā)電日與該預測日的氣象特征歐氏距離，選出最小的前10組數(shù)據(jù)作為神經(jīng)網(wǎng)絡的訓練數(shù)據(jù)。為對比不同季節(jié)及天氣類型下的預測情況，本文再選2014-06-24（夏季雨天）和2014-12-10（冬季多云（陰天））作為預測日分別進行模型驗證。選取均方根誤差、平均絕對百分比誤差評估光伏發(fā)電功率的預測結果，其計算式分別為：

式（3）中：i為預測值；i*為期望值。

預測結果如圖2所示，晴天條件下功率變化較為平緩且均勻，沒有突然變化的時刻，預測精度最高。

由多云和雨天的預測結果可知，Elman模型對于功率出現(xiàn)較大波動時刻的數(shù)據(jù)點預測存在較大誤差，不能及時預測功率變化趨勢。不同天氣類型下3種模型的預測誤差如表1所示。

由表1可知，晴天類型下模型的預測效果較好，在15%以內，在0.5 kW以內，誤差在20%以內的預測點數(shù)占到了70%，而雨天和多云條件下的均大于20%，也較大，總體預測效果不理想，誤差較大。

圖2 不同天氣類型下的預測對比

表1 不同天氣類型下3種模型的預測誤差

天氣類型誤差指標誤差區(qū)間內的預測點數(shù) MAPE/（%）RMSE/kW <5%5%~20%20%~30%>30% 晴天13.20.48641571 雨天24.390.839111123 多云（陰）天20.270.663311112

4 結論

本文首先分析了氣象因素對光伏發(fā)電功率的影響，將歷史數(shù)據(jù)根據(jù)不同季節(jié)和天氣類型細分為9組數(shù)據(jù)樣本集，通過計算氣象特征向量間的歐式距離選取相似日，確定輸入輸出變量，建立Elman神經(jīng)網(wǎng)絡模型并分3個子模型進行了實例預測。結果表明，預測模型在晴天條件下有較高預測精度。本文使用Elman神經(jīng)網(wǎng)絡對不同天氣類型條件下分別細分子模型預測的方法進行了研究，對提高光伏發(fā)電功率的預測效果具有一定的參考價值。

［1］艾格林，孫永輝，衛(wèi)志農，等.基于MEA-Elman神經(jīng)網(wǎng)絡的光伏發(fā)電功率短期預測［J］.電網(wǎng)與清潔能源，2016，32（04）：19-125.

［2］侯松寶，王侃宏，石凱波，等.基于相似日和主成分分析的光伏發(fā)電系統(tǒng)短期出力預測［J］.可再生能源，2018，36（01）：5-21.

［3］張建成，李倩，周春霞，等.基于混沌搜索的AMPSO-BPNN在光伏功率預測中的應用研究［J］.華北電力大學學報，2014，41（04）：5-21.

［4］許洋.基于改進PSO-Elman網(wǎng)絡的短期電力負荷預測［D］.天津：河北工業(yè)大學，2016.

［5］徐敏姣，徐青山，袁曉冬.基于改進EMD及Elman算法的短期光伏功率預測研究［J］.現(xiàn)代電力，2016，33（03）：8-13.

［6］鐘春霞.基于相似日選則算法和Elman神經(jīng)網(wǎng)絡的光伏輸出功率預測［J］.南京工程學院學報（自然科學版），2016，14（1）：42-47.

［7］陳通，孫國強，衛(wèi)志農，等.基于相似日和CAPSO-SNN的光伏發(fā)電功率預測［J］.電力自動化設備，2017，37（03）：66-71.

2095－6835（2019）02－0043－03

TM615

A

10.15913/j.cnki.kjycx.2019.02.043

劉佳林（1994—），男，陜西咸陽人，在讀碩士研究生，主要研究方向為光伏發(fā)電功率預測技術。

〔編輯：王霞〕