基于模糊神经网络的光伏发电量短期预测

张 玉 ，万成伟

（桂林理工大学 机械与控制工程学院，广西 桂林541006）

基于模糊神经网络的光伏发电量短期预测

张 玉 ，万成伟

（桂林理工大学 机械与控制工程学院，广西 桂林541006）

受天气状况、辐照度、温度、湿度等气象因素的影响，光伏系统的输出具有很强的非线性和非平稳性的特点，光伏发电量预测精度较低。该文根据光伏系统的历史发电数据和实际气象数据，采用模糊识别与RBF神经网络相结合的方法，实现光伏系统发电量的短期预测。首先对影响预测结果的气象因素进行分析，然后按天气类型进行分类，对不同的天气类型分别建立模型进行训练，最后利用此模型预测未来的光伏系统发电量，并通过实验仿真验证。预测结果表明，该方法不但减少了模型所需样本数量而且提高了预测的精度，具有一定的科研价值。

模糊神经网络；发电量预测；光伏；天气类型

光伏发电是我国十二五末、十三五规划重点主推的能源利用形式，具有重要的战略意义。预计未来国内市场光伏装机类型将与美日德等国接轨，地面集中式电站占据绝大部分份额的局面将逐渐演变成分布式、集中式电站并举。除此之外，国家能源主管部门先后提出了十三五光伏100 GW的目标，放大了分布式光伏的范畴（地面分布式），并且解决了一直困扰分布式发展的电价兜底等关键性问题，为今后分布式光伏爆发式增长提供了政策托底。我国国土总面积的96%以上的太阳能资源都十分丰富，绝大部分地区都可利用太阳能进行发电，在我国光伏发电具有了大规模使用的技术条件和经济条件[1]。辐照度、湿度、气温、风速以及蒸发地变化，对光伏发电具有很大的影响。光伏发电功率所表现出的明显间歇性与波动性也是由这些随机性与周期性因素所决定的。目前对光伏发电预测技术的研究不多，而这正是光伏发电大规模应用的难点之一[2]。因此，光伏发电预测对于电网安全的调度，制定电力市场合理的能源管理方案具有重要的意义。

现有对光伏发电功率预测的方法主要有间接预测法与直接预测法两种[3]。间接预测法主要是通过预测太阳辐射强度再对发电量进行预测，因此预测结果精度较低。直接预测法是一种依靠大量光伏系统运行的历史数据进行数学统计预测的方法，此方法具有较高的精度。目前对光伏发电预测的方法有多种，如支持向量机法[4]、时间序列法[5]、神经网络法[6]、马尔科夫链等。文献[4]先在历史数据库中挑选出与预测日类似的数据，利用支持向量机方法进行预测。文献[5]使用聚类的方式对历史数据进行分析，运用时间序列与模糊理论结合的方式进行预测。文献[6]通过相似日的选取，获得与预测日相关性最大的相似日，再将相似日的信息当做模型的输入来获得结果。但是，文献[4]需要大量的数据来选择所需要的相似特征，对数据量要求很高；文献[5]由于突变因素的存在，需要进一步的提高其预测精度；文献[6]中提出的模型存在着系统误差，使得每一个预测值在对应的时间上均小于实际值。

该文基于径向基神经网络，采用模糊识别的方式对天气数据进行分类，对每一种天气类型建立一个预测子模块。将一个复杂度高的模型变成几个复杂度低的子模型，既减少了模型所需的样本数量，又提高的预测的精度。

1 影响光伏发电量的气象因素

该文以桂林理工大学并网光伏发电系统为研究对象，以光伏发电系统的历史发电数据和实际气象数据作为参考，对可能影响光伏系统发电量的气象因素进行分析。

1.1 不同天气类型对发电量的影响

图1 不同天气情况下的输出功率

由图1可知，虽然光伏系统每日的功率均不相同，具有随机性，在同一天气情况下，功率曲线的变化趋势却是基本相同的。在预测模型中，可以以预测日上一次相似日的相关数据作为输入变量。

1.2 其他气象因素对发电量的影响

除了天气类型会对光伏系统的发电量产生影响外，辐照度、湿度、温度、风速以及蒸发的变化也会对光伏系统产生显著的影响。如下图所示。

图2 辐照度与输出功率的关系

图3 风速、气温、湿度和蒸发与输出功率的关系

由图2与图3可以看出，风速、温度、辐照度和蒸发与输出功率均呈现正相关的关系，而湿度与输出功率则呈现负相关的关系。因此，可以用辐照度、湿度、温度、风速以及蒸发作为模型的重要输入。

2 径向基神经网络及预测模型

2.1 径向基神经网络

由RBF神经元与线性神经元组成的广义回归神经网络，可以以任意的精度逼近的任意的连续函数。在RBF神经网络中可以直接将输入矢量映射到隐层空间，再由隐层空间以线性的方式映射到输出空间。其在输入到输出的映射是非线性的，而输出对权值又是线性的，此时的权值便可以由线性方程直接解出，进而极大的提高了网络的学习速度，同时也避免了局部最小值问题[7]。

该文在对网络进行训练的时候，采用数据库中的xp作为输入样本，其中P为样本总数，是欧式范数，c是高斯函数的中心，σ是高斯函数的方差。网络中的激活函数可以表示为

网络的输出为

式中，ωij是隐含层到输出层之间的权值，h是隐含层节点数。

对网络进行初始化的时候，ϑp为xp所在的聚类集合，随机选取n个训练样本作为聚类中心，ci（i= 1，2，…，n）之后将输入的训练样本按xp与中心ci间的欧式距离，将xp分配到输入的各个聚类集合ϑp中。然后计算每一个聚类集合ϑp的均值，作为网络的新的中心ci，假如ci不会继续改变，说明ci可以作为网络的中心，否则就继续求解直到得到不再改变的ci。该文使用最小二乘法直接计算输出层和隐含层之间的权值ω[8]：

在此基础上，可以改变RBF网络参数，尤其是改变中心来优化网络的性能，这样可以使网络产生无限逼近的最佳效果。同时，也可以采用将中心进行固定，通过改变隐层节点数的方式来优化网络性能。此时网络只有输出层的权值是自由参数，可以使用线性优化的方式进行调整。该方法的好处是能够同时实现网络结构和逼近进度的最佳组合，隐含层节点数由设定的误差精度来决定；但在样本有限的时候，隐含层节点数最多只能与样本的数目一致，继续增加不会改善网络的性能。

2.2 预测模型

由图1可知，在天气类型一致的时候，光伏系统的输出曲线虽然不同，形状上却是十分相似的，但在天气类型不一致的时候，光伏系统的在输出曲线的形状上基本不同。在此种情况下，若使用同一个神经网络对数据进行拟合，需要非常大的样本数量和相当长时间的学习时间。同样的，因为模型庞大使用单一的网络预测会使其模型的精度降低。假如使用几个简单的子模型拟合不同的天气状况，并用这几个不同的模型分别拟合对应的数据，再由这些子模型组合成复杂的模型，既可以使预测模型变得简单，减少网络训练所需要的时间，又可以提高网络的精度。

将对光伏系统有影响的气象因素诸如风速、温度、辐照度和蒸发等数据作为预测模型的输入。同时，存储这些数据为系统的数据库，以便对这些气象因素的整理分析。

该文的数据来自桂林理工大学并网光伏发电系统，其中数据集是由分辨率为10min的历史气象数据和发电量数据组成的。该文通过天气类型对数据分类，以晴天，阴天和雨天三个子模型构建预测模型，样本数据也会按此类型分类并将相应的数据划归对应的子模型中进行训练。总体模型框架如图4。

图4 模型总体框架

在网络训练完毕之后需要对模型评估。在对模型好坏进行评估的时候，通常都会使用相对误差、均方差、绝对值最大偏差等。除此之外，还有很多其他的方法来对模型进行评估，该文在这里使用的是平均绝对百分比误差作为模型的评价标准。

2.3 模型训练

使用相应的数据对各自对应的模型开始训练。但在RBF网络中改变网络的扩展速度和隐层的节点数会使模型的精度产生相应的变化，因此，要确定最适合的隐层节点数和扩展速度使网络的精度达到最好。可以将中心进行固定，以增加隐含层神经元的方式来改善网络性能，隐含层节点数由设定误差的精度来决定，不再需要人工对其设置。这种时候，网络只有输出层的权值是自由参数，可以使用线性优化的方式进行调整。能够同时实现网络结构和逼近进度的最佳组合。

但对于网络的另外的一个重要参数，扩展速度只能自行设置而不能由网络自动调整。改变扩展速度的值会使得网络的精度产生相应地变化。

由图5可知，real表示光伏系统的实际发电量曲线，spread1，2，3表示扩展速度分别为0.1、0.3、0.5时模型的预测曲线。在对比分析之后，发现在扩展速度为0.3时，预测曲线的误差最小。RBF网络的扩展速度会对函数拟合的平滑性和变化速率产生影响，大的扩展速度会使得函数的拟合非常平滑，但过大会使得变化速率的改变过快相应的神经元数目也会增多；同样过小的扩展速度会使得变化速率的改变过慢，此时神经元数目也会增多。所以，需要改变扩展速度的大小使得模型的精度达到最优。

图5 扩展速度对模型精度的影响

3 算例分析

该文数据来自桂林理工大学并网光伏系统的历史数据库，此光伏系统日最大发电量50 kWh，额定输出功率是11 kW。系统自带数据记录装置，可以以10分钟为间隔对光伏发电量、天气状况和气候特征等做24小时不间断地实时记录，数据有着极高的科研价值。该文选取每天8:00am-17:00pm的间隔10分钟采集一次的光伏发电功率样本数据，样本中包含辐照度、湿度、温度、风速以及蒸发六个特征值。图6为模型的预测结果。

图6 预测结果

在图6中，real1和yuce1为天气类型为阴天时的实际发电量曲线与网络预测曲线；real2和yuce2为天气类型为晴天时的实际发电量曲线与网络预测曲线；real3和yuce3为天气类型为雨天时的实际发电量曲线和网络预测曲线。

可以由图形看出，在天气类型是晴天和雨天的时候，网络的精度最高误差在15%左右，在阴天的时候网络的精度不太理想，误差精度会在30%左右。

4 结 论

该文分析了辐照度、湿度、温度、风速以及蒸发一系列的气象因素的变化对光伏系统发电量的影响；构建了一个预测模型，使用模糊识别对历史数据库的数据进行处理，并将处理后的数据划归以天气类型建立的对应的子模型，在降低了模型训练所需的数据数量的同时又减小了模型预测产生的误差。最后，使用了实例数据对该文模型进行检验，结果表明该文的预测模型可以很好的对光伏系统的发电量进行预测。

[1]栗宝卿.促进可再生能源发展的财税政策研究[D].财政部财政科学研究所，2010.

[2]陈昌松，段善旭，殷进军.基于神经网络的光伏阵列发电预测模型的设计 [J].电工技术学报，2009，9:153-158.

[3]王飞.并网型光伏电站发电功率预测方法与系统[D].华北电力大学，2013.

[4]傅美平，马红伟，毛建容.基于相似日和最小二乘支持向量机的光伏发电短期预测[J].电力系统保护与控制，2012，16:65-69.

[5]杨志超，朱峰，张成龙，等.基于自适应模糊时间序列法的光伏发电短期功率预测[J].南京工程学院学报：自然科学版，2014，1:6-13.

[6]王彬筌，苏适，严玉廷.基于BP神经网络的光伏短期功率预测模型[J].电气时代，2014，5:78-81.

[7]朱诗卉，代焕利，王飒，等.RBF神经网络电力负荷预测模型研究[J].三峡大学学报：自然科学版，2013，5:46-49.

[8]马力.基于强化学习改进的模糊神经网络及其应用研究[D].西安电子科技大学，2011.

[9]陈昌松.光伏微网的发电预测与能量管理技术研究[D].华中科技大学，2011.

[10]卢金娜.基于优化算法的径向基神经网络模型的改进及应用[D].中北大学，2015.

[11]周维华.RBF神经网络隐层结构与参数优化研究[D].华东理工大学，2014.

[12]袁晓玲，施俊华，徐杰彦.基于BP神经网络的光伏发电短期出力预测 [J].可再生能源，2013（7）: 11-16.

[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（10）:1-4，9.

Photovoltaic power short-termprediction based on fuzzy neural network

ZHANG Yu，WAN Cheng-wei
（College of Mechanical and Control Engineering，Guilin University of Technology，Guilin 541006，China）

Affected by weather conditions，irradiance，the influence of the meteorological factors such as temperature，humidity，the output of the photovoltaic system has the characteristics of strong nonlinear and non-stationary，photovoltaic power generation forecasting precision is low.Based on the history of the photovoltaic system to generate electricity data and actual meteorological data.By adopting the combination of fuzzy recognition and RBF neural network method，realized the short-term prediction of a photovoltaic power system.First meteorological factors affecting the prediction results were analyzed，and then according to classify the weather types，on different weather types training model respectively，finally using this model to predict the future of a photovoltaic power system，and through the simulation experiment.Predicted results show that this method not only reduces the required sample size and improve the accuracy of the prediction model，has certain research value.

fuzzy neural network；power prediction；photovoltaic（pv）；weather types

TN02

：A

：1674-6236（2017）02-0150-04

2016-01-31稿件编号：201601298

广西教育厅重点项目（ZD2014064）

张 玉（1980—），女，湖北应城人，硕士，副教授。研究方向：分布式光伏发电，物联网应用。