基于BP神经网络算法的光伏发电预测系统设计

张文涛 辛义

摘 要：文章在北京电子科技职业学院光伏发电系统的基础上，设计了数据采集分析到发电功率预测的一整套系统。该系统通过采集光伏发电系统数据，经过数据处理后，以BP神经网络算法为基础设计预测模型，最终实现光伏发电系统的发电功率预测功能。软件调试结果表明，系统工作稳定，预测结果准确率高，具有一定的实用价值。

关键词：BP；光伏发电；预测；算法

目前，光伏发电是我国新能源发电领域发展最迅速、应用推广最为广泛的行业之一。而随着光伏发电系统的不断应用，环境因素成为光伏发电系统工作的主要影响因子。随着近年来光伏电站的大量建设，系统容量设计中的发电功率预测成为电站建设的重要指标。

为了实现光伏发电系统的发电功率预测，就必须通过系统发电数据的采集、分析，优选，针对发电系统构建智能化模型，利用智能算法进行计算，从而最终实现光伏发电系统功率预测[1]。

基于MATLAB科学计算语言的智能算技术发展为光伏发电预测系统提供了有力的技术支持，特别是BP神经网络技术的发展，使数据采集、处理、训练、预测等环节的技术指标得到了很大的提高。本设计就是BP神经网络算法模型下的光伏发电功率预测系统。

1 预测模型算法

预测模型采用了目前较为成熟的BP神经网络算法，按照误差逆传播算法训练，构建多层前馈网络，使得网络的误差平方和最小。BP神经网络模型的拓扑结构由，输入层、隐含层和输出层三部分构成，如图1所示。

2 预测模型功能分析

基于BP神经网络的光伏发电功率预测模型，需要大量的输入输出数据才能做到最优，因此，此预测模型主要通过数据处理、模型构建、数据训练等主要环节完成预测模型的构建和完善，从而最终实现光伏发电预测系统的整体功能。

3 预测系统设计

光伏发电预测系统设计主要由数据预处理、构建模型、训练、结果分析四部分构成。

3.1 数据预处理

数据预处理主要由光伏发电采集的不良数据的预处理和光伏发电采集发电数据的归一化处理两部分工作构成。

光伏发电结果的不良数据处理采用了小波分析法进行分析，实际操作中采用了信号奇异点检测法，使用该方法的目的主要是消除系统采集的不良数据，从而对发电功率数据进行重构，最终保证预测结果的真实可靠。

光伏发电的数据归一化处理主要是为了达到输入数据和输出数据的数量级一致的目的，从而降低BP神经网络预测结果误差。

3.2 构建模型

基于BP神经网络的算法模型主要需要首先确定输入输出层节点数和隐含层节点数量。

本光伏发电功率预测系统需要有8个输入量，包括温度、日照辐射、风速、风向、交流电压、交流电流、蓄电池温度、直流输出电压等影响因子。因而输入节点数为8。

考虑到本系统输出的是某时间节点的日照功率，因此输出层节点数为1。

3.3 数据训练与结果分析

隐含层节点数将决定系统的学习能力和信息处理能力，所以既要考虑算法的合理性还要考虑算法的运行速度。为了确定隐含层的最优节点数，需要对不同隐含层模型进行仿真，使用RMSE作为考核指标，当RMSE最小时，预测效果最好，具体公式见公式（1）。

式中：M 为总的数据量；Pif为预测值；Pia为实际值；i为预测时刻。

根据在MATLAB上的仿真，结果显示，隐含层为9时，均方根误差最小，系统预测结果最为准确，MATLAB仿真模型如图3所示。

4 系统输出结果分析

本系统采用了北京电子科技职业学院实训楼顶的光伏发电系统发电数据，采集时间从2014年6月开始，10分钟一个周期，共采集了122组数据，随机选取62组作为训练数据，余下的60组作为预测数据，采用预测准确率Ak作为评价指标，数值越大效果越好，本系統数值达到了0.9795，Ak计算公式如公式（1）所示。

（2）

式中：M为总的数据量；Pif为预测值；Pia为实际值；i 为预测时刻。

5 结束语

仿真结果表明，现有系统通过引入当前光伏发电系统的影响因素作为输入因子，把交流发电功率作为输出节点，通过RMSE指标的引入，达到了较好的预测精度，预测效果稳定。

参考文献

[1]南书坡，程聪.一种基于BP神经网络的离散化方法[J].电脑知识与技术，2015（9）.

[2]张俊蔚.基于BP神经网络的风电功率预测仿真分析[J].电源技术应用，2014（7）.