基于Leaky-ESN的光伏发电输出功率预测

胡海峰，伦淑娴

（1.渤海大学工学院，辽宁锦州121000；2.渤海大学新能源学院，辽宁锦州121000）

基于Leaky-ESN的光伏发电输出功率预测

胡海峰1，伦淑娴2

（1.渤海大学工学院，辽宁锦州121000；2.渤海大学新能源学院，辽宁锦州121000）

利用PVSYSTEM系统产生的数据分析了光伏发电系统输出功率的主要影响因素，并且建立了基于泄露积分型回声状态网（Leaky-ESN）对光伏发电系统输出功率的预测模型。Leaky-ESN比起其他的神经网络具有训练方法简单，预测精度高的优点，因此将光伏发电影响因素的历史数据作为输入和训练样本，对模型输出功率进行预测。仿真结果表明，Leaky-ESN具有很高的预测精度。

泄露积分型回声状态网；光伏发电影响因素；历史数据；光伏输出功率预测

随着人类社会不断的进步，我们对于能源的需求越来越大，但是常规能源如：煤炭，石油，天然气等却越来越少。太阳能作为一种取之不尽的清洁能源越来越受到重视。目前，光伏并网发电［1-3］是利用太阳能的一种有效方法，但是光伏发电系统容易受到太阳辐射强度，当地风速和周边环境温度的影响，导致输出功率具有随机性，给电网部门安排光伏发电和常规电源造成巨大的困难。因此为了降低光伏发电量的不确定性，对光伏发电系统输出功率进行预测就具有深远的现实意义。近年来，光伏发电量预测方法主要是直接或间接的基于历史数据作为各种模型的输入，然后通过模型来预测输出功率［4-12］。比较常用的预测模型有传统BP神经网络，但是BP网络学习算法收敛慢和容易陷入局部最优的不足会导致预测精度不高。还有利用相似日模型，基于日历史数据趋势对未来日光伏发电功率进行预测，但该算法只适用于对短期的光伏发电功率预测。也有利用支持向量机（SVM）网络和Elman反馈神经网络把光伏发电的历史数据和天气数据作统一作为训练样本，从而构建了光伏发电系统发电功率预测模型，得到了相对较好的预测精度。因此，为了得到更高的预测精度，文中基于Leaky-ESN具有训练方法简单，预测精度高的优点，利用其对光伏发电系统输出功率进行预测。

1　泄露积分型回声状态网模型

回声状态网的结构如图1所示。

图1　回声状态网的结构

泄露积分型回声状态网（Leaky-ESN）［13-14］与标准回声状态网（ESN）［15］是相似的。由上图可知，ESN通常由三层组成：输入层，储备池（隐含层）和输出层。输入单元u（n）=［u1（n）；u2（n）；…；uk（n）］T，储备池单元x（n）=［x1（n）；x2（n）；…；xN（n）］T，输出向量y（n）=［y1（n）；y2（n）；…；yL（n）］T，它们的单元数量分别是K，N和L。W是一个N×N的储备池连接矩阵；Win是一个N×K的输入连接矩阵；Wfb是一个N×L的输出反馈连接矩阵。W，Win，Wfb是已知的且固定不变的，Wout是一个L×（K+N）的输出连接权值矩阵，它是未知的并且需要单独训练的。泄露积分型回声状态网在标准回声状态网的基础上增加了几个参数，因此Leaky-ESN的储备池状态更新方程如下：

在上式中，离散时间n=1，2，…，T，T是训练过程中数据点的数量；a是泄漏率，它的范围属于［0，1］；ρ是储备池连接权值W的谱半径；sin是归一化之后输入的比例因子；f是储备池单元的激励函数（通常是tanh函数或者是S型函数）；g表示输出激励函数（典型的是单位函数和tanh函数）；［；］表示二个向量级联。其中，Wout的计算方法如下［16］：

2　光伏发电系统输出功率影响因素

辐照强度是指一天中太阳垂直投射在某一单位面积上的太阳能量。它与光伏发电系统的实际输出功率成正比关系，是其主要的影响因素。

图2和图3分别是北半球和南半球3个不同国家一年中不同温度下的输出功率曲线变化图。从图中可知，总体上而言，温度越高输出功率越大。这说明温度也是影响输出功率的一个重要因素。表1是对应图的各个国家一年中每个月份的平均气温，结合图表我们发现除了温度之外，输出功率可能还受到风速等地理要素的一些影响，因为平均温度最高的时候输出功率并不一定就是最高的。

图2　北半球三个不同国家每个月的输出功率

图3　北半球三个不同国家每个月的输出功率

表1　不同国家一年（1-12月）每个月中的平均气温（℃）

3　光伏发电系统功率预测模型的建立

通过分析可知，光伏发电系统的输出功率主要与太阳辐照强度、温度、风速有着密切的关系，因此在选择预测模型的输入变量时只考虑这3个因素。本文建立预测模型如图4。

图4　回声状态网预测模型

由图可知，辐照强度、温度、风速的历史数据是预测模型的输入变量，光伏发电的输出功率作为预测模型的输出，建立了一个关于泄露积分型回声状态网对输出功率的预测模型。为了保证输入数值之间的差异不会太大，我们对历史数据进行了筛选，避免奇异数据对预测结果的影响，从而提高神经网络的泛化能力。对输入数据和期望输出数据进行了归一化处理：

4　光伏发电系统功率预测仿真与分析

为了验证泄露积分型回声状态网模型对光伏发电系统的输出功率具有很好的预测性能，我们将美国某地1996-1999四年间每天中午12点的光伏发电系统输出功率和气象因素的历史数据作为预测模型的训练样本和测试样本，使用MATLAB软件实现神经网络的训练和迭代。我们将2005年同时期的辐照强度、温度和风速作为输入变量来预测这一年间正午12点的光伏发电系统的输出功率。经过仿真，预测值与真实值对比图如图5所示。

图5　泄露积分型回声状态网预测值

通过图5可以看出，当地每年的七月和八月输出功率是最大的，得到的光伏发电量当然也是最多的，对于其他月份预测也符合前面对于光伏发电系统输出功率影响因素的分析，而且通过计算可知模型预测的平均绝对百分比误差（MAPE）是13.6463%，说明泄露积分型回声状态网模型对光伏发电量预测具有很高的预测精度。

5　结论

文中，基于光伏发电系统输出功率的历史数据，利用Leaky-ESN对输出功率进行预测。通过仿真可知，Leaky-ESN模型对于光伏发电系统的输出功率具有很高的预测精度，把它利用在光伏发电系统输出功率的预测方面具有很好的现实意义和社会价值。

［1］周念成，闫立伟，王强钢.光伏发电在微电网中接入及动态特性研究［J］.电力系统保护与控制，2010，38（14）：1l9-127.

［2］姚致清，张茜，刘喜梅.基于PSCAD/EMTDC的三相光伏并网发电系统仿真研究［J］.电力系统保护与控制，2010，38（17）：76-81.

［3］戴训江，晁勤.单相光伏并网逆变器固定滞环的电流控制［J］.电力系统保护与控制，2009，37（20）：12-17.

［4］卢静，翟海青，刘纯.光伏发电功率预测统计方法研究［J］.华东电力，2010，38（4）：563-567.

［5］秦俊举，张恕远.一种新的光伏发电预测模型的设计［J］.科技和产业，201414（2），：146-150.

［6］王增新，苏适，田沛.光伏发电预测技术的应用研究［J］.云南电力技术，2011，39（4）：27-30.

［7］吴雪莲，都洪基.基于BP神经网络-马尔科夫链的光伏发电预测［J］.电工电气，2014，（3）：22-27.

［8］梁惺彦，张蔚.基于BP神经网络光伏发电系统MPPT的研究［J］.制造业自动化，2012：112-115.

［9］丁明，王磊，毕锐.基于改进BP神经网络的光伏发电系统输出功率短期预测模型［J］.电力系统保护与控制，2012，40（11）：93-99.

［10］康洪波，刘瑞梅，侯秀梅.基于神经网络光伏发电预测模型的研究［J］.电源技术，2013，37（3）：447-449.

［11］JAEGER Herbert，LUKOSEVICIUS Mantas.optimization and applications of echo state networks with leaky-integrator neurons.Neural Networks，2007（20）：335-352.

［12］彭宇，王建民，彭喜元.模糊回声状态网络［J］.电子学报，2011，39（7）：1538-1544.

［13］李鹏梅，臧传治，王侃侃.基于相似日和神经网络的光伏发电预测［J］.可再生能源，2013，31（10）：1-4.

［14］孙锐，汤义勤，马红伟.一种实用的超短期光伏发电预测方法［J］.电气技术，2013：77-80.

［15］JAEGER Herbert.Harnessing nonlinearity:Predicting chaotic systemsandsavingenergyinwirelesstelecommunication.Science，2004，304（5667）：78-80.

［16］SHI Zhu-wei，HAN Ming.Support vector echo-state machine for chaotic time-series prediction.Neural Networks，IEEE，2007，18（2）：359-372.

The output power foresting based on Leaky-ESN

HU Hai-feng1，LUN Shu-xian2
（1.College of Engineering Bohai University，Jinzhou 121000，China；2.College of New Energy Bohai University，Jinzhou 121000，China）

The PVSYSTEM system is used to generate data which is use to analyze main factors affecting the output power of photovoltaic power generation system，and build the prediction model of the output power of photovoltaic power generation system based on leakage-integral echo state network（Leaky-ESN）.The Leaky-ESN than other neural network training method is easier and has higher prediction accuracy.Thus，the history data of the influence factors of photovoltaic power generation is as input and train sample to predict the output power.Simulation shows that Leaky-ESN has high prediction accuracy.

leakage-integral echo state network；influence factors of photovoltaic power generation；historical data；photovoltaic power prediction

TN302

A

1674－6236（2016）17-0015-03

2016-02-25稿件编号：201602148

2011年辽宁省第一批次科学计划项目（2011402001）；辽宁省自然科学基金项目（2014020143）；辽宁省百千万人才工程项目（2012921061）

胡海峰（1990—），男，江苏江阴人，硕士研究生。研究方向：智能计算、光伏系统发电预测。