优化粒子群算法的神经网络光伏发电预测

李松威++王胜辉++郑洪

摘 要：随着我国近些年大力的发展可再生新能源，光伏发电系统的装机容量持续增加。然而其发电功率由于受到气象因素变化的影响，具有很大的间歇性和随机性。由此看来光伏发电系统的并网接入会增加电网系统的复杂度，影响电网系统现有的裕度和发电计划，进而可能导致系统崩溃。提高光伏系统的预测精度，有助于提高电力系统的运行稳定性。本文通过对粒子群算法进行改进，提高粒子群算法的全局收敛性，用改进的粒子群算法优化了神经网络光伏发电预测模型。最后通过预测数据与实测数据的比较，验证本文所提方法的有效性。

关键词：光伏功率预测；改进粒子群；神经网络

DOI：10.16640/j.cnki.37-1222/t.2017.06.129

1 引言

随着石油、煤炭等一次能源面临枯竭，能源短缺和全球环境恶化逐步成为限制全球经济发展的瓶颈。保护人类生存环境、发展可再生清洁能源，进而摆脱能源紧缺的局面，已经成为世界各地可持续发展的重要难题。地球上主要的可再生能源有太阳能、风能、水能、海洋能、生物能、地热能等，而其中大部分能源都是经过太阳能间接转化过来的。太阳能又被称作是永不会枯竭的能源，而且不会对环境造成污染，是环境友好能源，因而太阳能被认为是21世纪代替石油、煤炭等传统化石能源的最好选择之一。全面利用清洁新能源是21世纪加快经济发展的重要因素，充分开发利用太阳能已经成为世界各国政府可持续发展的能源战略决策[1]。太阳能光伏发电在此背景下受到很大关注，全球太阳能光伏发电具有大规模的发展趋势，不仅产量增长速度稳定，而且制造成本和市场价格慢慢在下降。

在电力系统中，光伏系统发电功率的波动会对电力系统造成一定的冲击[2]。此外，当某个电力系统接入了较大规模的光伏发电系统时，该电网区域的原有负荷模型必将改变，并且加大了对该区域负荷增长及分布情况的预测难度。为减少光伏系统发电功率的波动对电网造成的影响，建立光伏发电预测系统是非常必要的。目前有很多学者研究了光伏发电功率预测技术，不断提高光伏发电功率预测精度，但在提高光伏发电出力预测精度方面的研究仍然具有较大的进步空间。本文主要分析影响光伏发电功率的因素，对粒子群算法进行改进，结合神经网络算法对光伏发电功率进行预测，提高光伏发电功率的预测精度。

2 光伏发电功率影响因素分析

本文采用华能营口热电有限责任公司光伏发电系统测得的日光伏发电功率数据。图2.1为同一季节不同天气类型的分时段光伏发电功率对比。从图2.1可看出，光伏发电在夜晚不能发出功率，白天的发电功率在正午时最大。晴天时光伏发电功率的波动较为平滑，而晴转多云和雾天的光伏发电功率波动较大，大雨天由于阳光不充足，光伏发电功率较低而且波动也不平滑。

图2.2为不同季节的晴天日光伏发电功率曲线。随着季节变换，晴天时的光照强度也会有所区别。由于该项目在2016年6月末刚刚建成，所以没有春天数据。从图片可看出，冬天的日照时间相对夏天要少3小时以上。因此，预测光伏发电功率时需要考虑不同季节的日照情况，通过不同季节的典型日功率可以更为准确的预测光伏发电功率。

通过以上可知，外界温度和日照强度均会影响光伏发电的输出功率，不同季节、不同天气类型同样对光伏发电功率有着显著的影响。

3 光伏发电功率预测研究

3.1 BP神经网络

BP神经网络是最普及和最广泛应用的网络，具有工作良好、容易学习的优点[3]。神经元控制着人类大脑信息的传递，它们之间有着密切的联系，构成了人类大脑的神经网络。一个神经元会先对其他神经元传递过来的刺激进行积累，累计到一定程度后，它会将刺激传递给其他相邻的神经元。人脑对刺激的反应就是由数百亿个按照这样规律工作的神经元构成的。通过调节这些神经元之间的联系和强度，人脑逐渐形成了对外界刺激的学习机制。基于这一特性把这种生物模型推广应用到信息处理的数学模型，并把它描述成人工神经网络。BP神经网络是人工神经网络的一种。BP神经网络中的神经元的积累刺激是由其他神经元传递过来的刺激乘以对应权重后求和所得，神经元所受到的刺激可以表示为：

其中，为刺激的个数；为第个神经元传过来的刺激量；为的权重。当积累完开始对周围神经元刺激，通过激活函数处理。

一般BP神经网络有输入层、隐含层和输出层三个部分，如图3.1所示，网络的权重和阀值通过误差的变化不断进行调节，最后误差平方和达到最小值不再进行调节。

BP神经网络是目前使用范围最广的网络类型之一，在很多领域等均有大量应用，其主要優点[4]有很好的容错能力、良好的泛化能力和良好的非线性映射能力。然而，BP神经网络也有一定的不足： 一是由于神经网络算法的学习速率固定，因此神经网络完成收敛的时间比较长。尤其是较为复杂的问题，所花费的训练时间可能会很长，主要原因是其学习速率太小。二是BP算法采用的梯度下降法有可能会使算法收敛到局部极小值，而不是全局最小值。三是对于BP神经网络隐含层的层数和神经元的数量的选择缺乏理论上指导，目前比较依赖一些经验公式，或者根据多次试验来确定。这样一方面可能会造成网络结构的冗余从而加重学习负担，另一方面也可能造成网络的非线性映射能力不足。

3.2 粒子群算法的改进

粒子群算法（PSO）是根据鸟类捕食的行为来寻找最优解的算法。在整个算法中，种群中的粒子数代表着所求问题解的个数。解决问题时，先定义一组随机的初始解，每个个体粒子是通过记忆群体的最优位置及自身的最优位置来迭代搜索最优解，在这个过程中，粒子的速度向量决定了粒子的运动方向及距离，最终由适应度来评判粒子的优劣。粒子群算法在寻找最优解过程中，每一个粒子都会根据其他粒子来调整自身的速度和方向，逐步向最优值逼近，但如果该粒子寻找的位置为局部最优解，而并非全局最优解，可能会导致粒子群优化“早熟”，不能找到准确的全局最优解[5]。

式（3.2）中的惯性权重如果过大会导致收敛性变差，但越大会使全局搜索能力越强。为提高算法的收敛性，又兼顾全局搜索能力，将粒子群速度改为：

其中：为所有粒子所经历的最好位置；为学习因子。

从式（3.3）可以看出，粒子速度没有了惯性权重，提高了收敛性，此外，通过增加全局最优随机学习，使粒子速度提高了全局搜索能力。

3.3 基于改进粒子群算法的神经网络

本文采用改进粒子群优化神经网络的权值，旨在提高寻找最优权值的全局收敛性。

首先，构建光伏发电功率预测系统的神经网络结构，设定输入层、隐含层、输出层，将所有神经元所连接的权重和阀值作为粒子群的个体。

其次，设置粒子群初始权重、位置、速度、速度因子和训练次数等。初始化局部最优值和全局最优值。

网络权重优化过程是一个反复迭代的过程，通常是为了保证所训练的神经网络具有较强的泛化能力。在网络的训练过程中，往往将给定的样本空间分成两部分，一部分为训练样本，另一部分为测试样本。在权重优化过程中，每次训练，都要对给定样本进行分类，保证训练时采用的训练集不同。计算每一个网络在训练集上产生的均方差，以此作为目标函数，并构造粒子适应度函数，可以用均方差表示：

其中，和分别为样本数量和神经元数量；和分别为第个样本的次输出期望值和实际值。

通过公示（3.3）对粒子的速度和位置进行修正，如果粒子和速度超出控制范围则重新计算粒子适应度，改变权重，当达到最大训练次数时，优化结束。

图3.2为改进算法的流程图。

4 基于实测数据分析

本文采用改进粒子群算法优化神经网络模型预测光伏发电功率，根据之前的光伏发电功率影响因素分析，将根据四个不同季节建立四个子模型。为简化计算，建立了晴天、云天和雨雪天的三种典型天气模型，针对不同季节不同天气，输入变量将相应调整。

在不同季节中，神经网络的输入量也不同，输入量包括：预测日的相似日最高温度、平均湿度；预测日的最高气温平均相对湿度；预测日的相似日的发电功率。输出量为预测日的各时段发电功率。改进的粒子群算法中取消了惯性权重，从而可以充分提高全局搜索能力。设置最大迭代次数为300，误差精度为0.001。基于华能营口热电光伏项目的数据，验证本文提出方法的有效性。采用本文提出的改进PSO-BP神经网络的方法，预测2016年8月8日的光伏发电功率。2016年8月8日光伏监测中心为晴天天气，当天的预测结果与实际测量数据对比如图4.1所示。从图4.1可以看出，采用本文方法预测的功率与实测数据接近。

如表3.1为该基地光伏发电实际值与预测值的统计，并且有相应的绝对百分比误差，该表详细记录了在晴朗的天气情况下6：00-19：00的每一个时间段的真实值、预测值以及绝对百分比无差。从表3.1可看出，该天气类型下的预测精度相对较高，即该光伏发电功率预测模型是比较有效的，其绝对误差百分比在0-5%之间。

5 结论

本文通过分析影响光伏发电功率因素的分析，用改进的粒子群算法优化神经网络算法的参数，达到了神经网络优化速度變快的同时解决了传统粒子群算法可能存在的局部极小值的问题。最后通过实测数据与预测数据的分析对比，验证了该方法可以较为准确的实现对光伏系统输出功率的预测，具有较大的工程应用价值。

参考文献：

[1]陈昌松，段善旭，蔡涛等.基于模糊识别的光伏发电短期预测系统[J].电工技术学报，2016，26（07）：83-89

[2]李徐辉.光伏发电系统监控与发电预测模型研究[D].硕士学位论文，上海：东华大学，2012.

[3]方方.基于改进BP神经网络的电力负荷预测研究[D].哈尔滨工业大学，2011.

[4]戚克军，张志鹏.变压器油中多组分故障气体的光纤检测[J]. 华中理工大学学报，1996，24（10）：36-39.

[5]阳帅.混沌编码的粒子群神经网络研究[D].江西理工大学，2012.