基于RBF神经网络的太阳光辐照度预测

海 涛，王 路，陈春华，梁挺兴，林 波，李朝伟

(1.广西大学电气工程学院， 广西南宁530004；2.广西比迪光电科技工程有限责任公司， 广西南宁530004；)



基于RBF神经网络的太阳光辐照度预测

海 涛1，王 路1，陈春华1，梁挺兴1，林 波2，李朝伟1

(1.广西大学电气工程学院， 广西南宁530004；2.广西比迪光电科技工程有限责任公司， 广西南宁530004；)

针对目前太阳光辐照度预测模型简单、气象要素利用不充分和预测精度较低等现象，提出一种基于RBF神经网络的太阳光辐照度预测模型。利用紫外线指数序列、地外理论辐照度序列、大气温度序列、天气类型序列和历史太阳光辐照度序列作为输入向量建立RBF神经网络预测模型，预测未来一段时间的太阳光辐照度，并采用GP-RBF算法进行网络训练。在气象台预测准确、较不准确和不准确等3种情况下分析该模型的预测情况。实验结果表明：前二种情况下太阳光辐照度的预测曲线基本与真实曲线基本吻合；在气象台预测不准确情况下预测曲线偏离不大。可见该预测模型具有实用、预测精度高等特点。

太阳光辐照度；神经网络；紫外线指数

随着对能源需求的日益增加以及化石能源危机的日益加剧，可再生能源，尤其是太阳能倍受关注。光伏发电成为利用可再生能源的重要方向，而影响光伏发电的主要因素就是太阳光辐照度，太阳辐照的不稳定和随机性以及大规模光伏并网给电力系统的管理以及安全带来了难题[1]。所以，预测太阳光辐照度对于预测光伏发电量及其规划、控制与运行具有极其重要的意义。

目前，国内外短期预测太阳光辐照度的研究方法主要有回归分析、时间序列和神经网络等。其中，神经网络预测模型有较好的预测能力[2]，但无法直接或很难预测短期的太阳光辐照度。因此，本研究提出一种实用的、间接的、基于RBF神经网络和逐时序列输入的太阳光辐照度预测模型，旨在充分利用气象等要素来预测未来一段时间的太阳光辐照度，较大程度地提高太阳光辐照度模型的预测精度和实用性。

1 太阳光辐照度预测的总体思路

紫外线是太阳辐射的一部分，通常太阳辐射强时紫外线也强，而不同的天气类型也能反应出不同的太阳辐射强度。从紫外线指数和天气类型的预报数据中能体现不同时段、不同气候的太阳光辐照度，故使用预报的紫外线指数、天气类型等要素可间接预测太阳光辐照度[3]。

地外理论太阳光辐照度反映了地球公转和自传的信息，还可作为输入的限制条件，而逐时天气预报能获取未来一天预测的天气类型序列、气温序列和紫外线指数序列，故无需分季节、分天气类型建立预测模型。逐时天气预报数据可在中国气象网获取，由于晚上太阳光辐照度都是0，为减小计算量，只考虑当地每天6时到19时的预测序列[4]。

地外理论太阳光辐照度E0是指太阳辐射不经任何遮挡和反射而直接到达地球表面的理论强度，精确计算预测日6点到19点的地外理论太阳光辐照度是保证太阳光辐照度预测精度的前提[5]。地外理论太阳光辐照度E0如式(1)所示[2,11]，即：

(1)

2 太阳光辐照度预测模型的建立

本研究选择紫外线指数序列、地外理论辐照度序列、大气温度序列、天气类型序列和历史太阳光辐照度序列作为输入向量建立RBF神经网络预测模型，并采用GP-RBF算法进行网络训练。

2.1 RBF神经网络

图1 RBF人工神经网络图Fig.1 Model of RBF artificial neural network

为了克服BP神经网络收敛速度慢并存在局部最小值的缺点，在20世纪80年代末，学者们提出了一种多维空间插值径向基函数，即RBF神经网络。RBF网络由输入层、隐含层和输出层构成，拥有较好的全局逼近能力。其结构示意图如图1所示。

实现该网络的基本思想是采用高斯函数作为径向基函数，如式(2)所示，即：

(2)

式中，φj为第j个隐层节点的输出；cj为高斯函数的中心；x=[x1,x2,…,xn]T为模型输入样本；Nh为隐层节点数；σj为高斯函数的宽度。

每一个高斯径向对称函数会被校准响应为一个特定的局部特征空间，从而组建隐藏层空间。RBF人工神经网络的输出隐层节点的线性叠加如式(3)所示，即：

(3)

2.2 确定模型的输入和输出

现阶段很多太阳光辐照度的神经网络预测模型如图2所示，在选择输入变量时，大多只是考虑到了历史太阳光辐照度序列、预测日温度、预测日季节、预测日天气类型，并没考虑到与太阳光辐照度最直接相关的参数[6-7]。其不足主要是气象数据的输入为单值，而非逐时序列输入且没有限制条件，因此，需分季节、分天气类型建立预测子模型。这种模型简单，预测精度不高，而且仅仅以季节和天气类型反映太阳光辐照度的变化等。

针对非逐时序列输入预测模型的不足，本研究提出一种实用的逐时序列输入预测模型，如图3所示。在选择输入变量时，加入预测日气温序列、预测日天气类型序列，预测日紫外线指数序列、预测日地外理论太阳光辐照度，因此，这种模型能有效预测未来一段时间的太阳光辐照度。

图2 非逐时序列太阳光辐照度预测模型

Fig.2 Forecasting model for non-hourly series solar irradiance

图3 逐时序列太阳光辐照度预测模型

Fig.3 Forecasting model for hourly series solar irradiance

3 GP-RBF算法训练网络

本研究采用GP-RBF算法完成RBF网络的训练，如图4所示。GP-RBF算法是一种RBF神经网络结构和参数的在线监督学习算法。RBF神经网络的结构和参数是将超球体聚类和神经元灵敏度概念相结合，同时，通过定义节点灵敏度来确定是否增加或删除隐层节点的方式来修改RBF神经网络的结构和参数[13-14]。

RBF神经网络训练是不断地改变相应网络参数，使期望输出和网络输出两者之间误差范围很小[15]。RBF网络训练过程主要有两个步骤：第一步骤是通过获取的输入样本值得到各隐层节点函数的中心和宽度；第二步骤是由上一步骤获取的各隐层参数和样本值，利用最小二乘法计算输出权值。需要求解RBF 神经网络的参数分别为 RBF 网络中心cj、宽度σj、权值Wi[8]。本研究采用Matlab提供的神经网络工具箱分别建立RBF网络和训练RBF网络。

图4 GP-RBF算法流程图

4 太阳光辐照度预测分析

常采用MAPE值评价太阳光辐射度模型的预测精度，MAPE值能反应预测曲线和真实曲线平均的偏离程度[9-10]，MAPE值计算公式如式(4)所示，即：

(4)

分别在气象台天气预报准确、较不准确和不准确3种情况下，以逐时序列输入预测模型进行太阳光辐照度预测，并与真实太阳光辐照度曲线对比来分析该模型预测结果。以6时至19时时段中至少8个以上时段天气预报准确定义为准确； 只有5～8个时段天气预报准确定义为较不准确；4个或4个以下时段天气预报准确定义为不准确。

①气象台预测准确情况下

以预测日期为2015年8月5日的太阳光辐照度为例，当天预测的太阳光辐照度曲线与真实的太阳光辐照度曲线如图5所示，MAPE=5.6%。

②气象台预测较不准确情况下

以预测日期为2015年8月1日的太阳光辐照度为例，当天预测的太阳光辐照度曲线与真实的太阳光辐照度曲线如图6所示，MAPE=13.8%。

图5 预测准确的太阳光辐照度对比曲线

Fig.5 Accurate prediction of solar irradiance contrast curve

图6 预测教不准确太阳光辐照度对比曲线

Fig.6 Little accurate prediction of solar irradiance contrast curve

图7 预测不准确的太阳光辐照度对比曲线Fig.7 Inaccurate prediction of solar irradiance contrast curve

③气象台预测不准确情况下

以预测日期为2015年8月3日的太阳光辐照度为例，当天预测的太阳光辐照度曲线与真实的太阳光辐照度曲线如图7所示，MAPE=21.7%。

如图5、图6所示，在气象台预报准确、较不准确的情况下，太阳光辐照度预测曲线基本与真实的太阳光辐照度曲线吻合；在个别时段的气象台预测不准确的情况下，太阳光辐照度预测值偏离较小。如图7所示，在天气预报不准确的情况下，预测曲线与真实的太阳光辐照度曲线偏离并不远，说明地外理论值辐照度很好地起到了限制作用，利用紫外线指数与天气类型组合参数能更好地体现真实的太阳光辐照度。

5 结 语

本研究充分利用气象等要素和历史太阳光辐照度，基于RBF神经网络和逐时序列输入建立太阳光辐照度预测模型。利用GP-RBF算法训练网络可以预测未来一段时间的太阳光辐照度。通过仿真模拟，在气象预测准确和较不准确的情况下，太阳光辐照度预测MAPE值都小于20%，且在个别时段的气象预测不准确的情况下预测值偏离不大。说明该模型具有较高的预测精度和实用性。

[1] 司杨,张海峰.基于神经网络的太阳辐照度预测方法研究[J]. 青海大学学报(自然科学版)，2013,31(1)：15-16.

[2] 海涛, 闻科伟, 周玲,等.基于气象相似度与马尔科夫链的光伏发电预测方法[J]. 广西大学学报(自然科学版), 2015, 40(6):1452-1460.

[3] 楚双侠,刘林华.太阳直射光谱辐射分析[J]. 中国电机工程学报，2009，29(14):99-103.

[4] 米增强,王飞,杨光.光伏电站辐照度ANN预测及其两维变尺度修正方法[J]. 太阳能学报,2013,34(2):251-254.

[5] 卢冬冬,郑莆燕,袁言周.基于天气预报的光伏发电预测研究[J]. 硅谷,2014,15(2):43-45.

[6] 邱东,戴文娟.基于RBF神经网络的AOD炉冶炼中低碳铬铁终点磷含量预报模型的研究[J]. 计算机测量与控制,2014,22(9):3020-3023.

[7] 海涛, 朱浩, 石磊,等.一种带MPPT的车载太阳能充电系统设计[J]. 可再生能源, 2015, 33(1):21-26.

[8] 胡慧,刘国荣.机械手的在线鲁棒自适应神经网络跟踪控制[J]. 控制理论与应用,2009,26(3):337-338.

[9] 蒋传进.组合预测中的预测精度与预测风险分析[J]. 统计与决策, 2015(3):78-80.

[10]徐浩然, 杨华, 刘超, 等.不同湍流模型对MEXICO风力机气动性能预测精度的研究[J]. 中国电机工程学报, 2013,33(35):95-101.

[11]丁红，杨杰.小波变换集遗传算法神经网络的径流预测建模[J]. 广西大学学报(自然科学版)，2012，37(3):581-587.

[12]王哲.基于ANN和时间周期性的光伏电站辐照度预测研究[D]. 北京：华北电力大学，2012.

[13]DIAGNE D, DAVID M, BOLAND J,et al. Post-processing of solar irradiance forecasts from WRF modelat Reunion Island[J]. Solar Energy，2014,105：100-107.

[14]PEREZ R, LORENZ E, PELLAND S, et al. Comparison of numerical weather prediction solar irradianceforecasts in the US, Canada and Europ[J]. Solar Energy，2013,94(4)：305-326.

[15]EGAWA E Y, KITAMURA N, NAKAI R, et al. A DNA hybridization system for labeling of neural stem cells with SPIO nanoparticles for MRI monitoring post-transplantation[J]. Biomaterials, 2015,54(6)：158-167.

(责任编辑 裴润梅)

Solar irradiance forecasting based on RBF neural network

HAI Tao1，WANG Lu1，CHEN Chun-hua1，LIANG Ting-xin1，LIN Bo2，LI Chao-wei1

(1.College of Electrical Engineering,Guangxi University,Nanning 530004，China; 2.Guangxi Bidi Photoelectric Technology Engineering Co.,Ltd,Nanning 530031，China)

Due to the problems of meteorological elements underutilized and low prediction accuracy of current solar irradiance forecasting model, this paper presents a RBF neural network model to predict solar irradiance. By using the sequences of UV index, extraterrestrial theory irradiance, air temperature and weather type solar irradiance history as the input vector sequences, a RBF neural network prediction model is set up to predict solar irradiance while using GP-RBF network training algorithm. In the three cases of meteorological forecast is accurate, less accurate and inaccurate the analysis of prediction accuracy is made. The results showed that the prediction curves of solar irradiance at the first two cases basically consistent with the real curves while in the case of meteorological forecasting inaccurate the deviation of prediction curve is not large. So the forecast model is practical and accurate.

solar irradiance; neural network; UV index

2016-05-20；

2016-06-12

国家自然科学基金资助项目( 51267001)

海 涛(1963—)，男(回族)，广西桂林人，广西大学教授级高级工程师； E-mail: haitao5913@163. com。

海涛，王路，陈春华，等.基于RBF神经网络的太阳光辐照度预测[J].广西大学学报(自然科学版)，2016，41(5)：1508-1513.

10.13624/j.cnki.issn.1001-7445.2016.1508

TM615；TK514

A

1001-7445(2016)05-1508-06