人工智能算法在光伏发电量预测中的应用

2017-05-16邓呈格钟志峰

物联网技术 2017年4期

邓呈格+钟志峰

摘要：随着光电的大规模发展，准确预测光伏发电量对于光伏电站的选址、大规模并网以及运行具有重要作用。文中提出一种果蝇算法结合神经网络的人工智能混合算法（FOA-BP）来解决光伏发电量预测问题。以武汉某光伏发电站的发电数据为例，结合FOA-BP混合算法对模型进行仿真求解，结果表明，FOA-BP混合算法具有较高的准确性。

关键词：光伏发电；发电量预测；BP神经网络；果蝇算法

中图分类号：TM615；TP39 文献标识码：A 文章编号：2095-1302（2017）04-00-02

0 引言

随着全球经济的不断发展，人类对能源需求不断增长，不可再生能源不断减少，使得发展并利用新能源迫在眉睫。研究和实践表明，太阳能是资源最丰富的可再生能源，是人类社会未来能源的基石。由于光伏发电具有较强的随机性和波动性，光伏电站并网势必会造成电网的不稳定，因此准确预测光伏发电量具有重要意义。

目前，国内外对光伏发电量预测已有相关研究，一些相关人工智能算法也被应用到预测模型中，如马尔科夫链，神经网络，灰色理论，粒子群，遗传算法等。考虑到神经网络具有很强的非线性拟合、学习规则简单，但收敛速度慢且易陷入局部最优等缺点，同时考虑到果蝇算法与其他算法相比具有全局寻优能力强、计算复杂度小、精度高、收敛速度快等优点，故本文提出一种果蝇算法结合神经网络的混合算法。此混合算法能很好的结合两者的优点。

1 光伏发电量预测模型

1.1 BP神经网络模型

神经网络（Neural Network）是模拟人大脑学习知识的过程而提出的一种人工智能算法。神经网络分为单层前馈网络（LMS学习算法）、多层前馈网络（BP神经网络）、后馈网络等。其中BP神经网络是目前研究最为成熟、广泛的预测网络模型之一。预测模型分为输入层、隐含层以及输出层，如图1所示。

（1）输入层

针对本文的预测模型，输入变量为光伏发电系统各个时段的平均温度、平均光照。

（2）隐含层

本文模型采用双隐含层。多层前向网络是单层感知器的推广，解决了非线性可分问题。隐含层由神经元组成，神经元决定了各输入变量权值以及各输出变量权值。

（3）输出层

本文预测模型的输出变量为当日各时段的光伏发电量。文中将光伏发电预测模型分为24小时/天，每一个小时为一个计算单位。输入层中的每个结点作为激励信号，组成下一层的输入信号，而该层输出信号又作为下层的输入信号，以此类推。神经网络具有很好的非线性拟合性，学习规则简单。

1.2 果蝇算法

果蝇优化算法（Fruit Fly Optimization Algorithm， FOA）是一种基于果蝇觅食行为的人工智能仿生算法，是由台湾潘文超教授于2011年6月提出的。果蝇可以使用嗅觉和视觉来寻找食物及同伴，具有很好的群体智能性。

果蝇寻找食物时飞行线路具有一定的随机性，为了寻找食物，果蝇会根据空间中的食物气味浓度进行判定，向浓度高的方向飞行。其算法流程如下所示：

（1）在搜索空间中随机产生果蝇种群。随机产生个体果蝇的位置及各自飞行方向向量。

（2）各果蝇分别沿预定方向移动一定的步长，计算各果蝇所在位置的浓度。

（3）找出种群中浓度最高的果蝇的位置，保存为Piter，然后所有果蝇飞向浓度最高的位置。

（4）计算移动后各果蝇所处位置的浓度，若Piter，i比Piter浓度更高，则更新Piter，再转到步骤（2），直到找到食物位置。

Piter表示第iter代的浓度最高的位置；Piter，i表示第i个果蝇第iter代的位置。

1.3 FOA-BP算法

為解决神经网络收敛速度慢以及容易陷入局部最优的缺点，本文提出一种果蝇算法结合神经网络的混合算法，该混合算法具有较强的全局搜索能力、不易陷入局部最优、收敛快等优点。本文主要利用果蝇算法来优化神经网络权值以达到优化的目的。混合算法流程如下所示：

（1）初始化。初始化种群规模S，最大迭代次数iter，随机生成各果蝇的位置、移动方向、移动步长及神经元权值等。

（2）读取数据。读取光伏发电系统训练样本数据，包括各时段的平均温度、平均光照强度以及光伏发电量，对样本数据进行归一化处理。

（3）通过神经网络样本进行训练，得到相应的权值，并利用果蝇算法对权值进行修正与优化。果蝇个体向预定方向移动一定的步长，计算浓度，此时浓度即预测值，若预测值Pbest更优，则保留，继续迭代，直到达到预测精度为止。

（4）输出种群中果蝇所处浓度最高的位置，即神经网络的最优权值。输出预测结果。FOA-BP算法流程如图2所示。

2 实验结果与分析

本模型采用武汉某发电企业发电机组1的发电数据进行试验。时间段选取6：00-19：00。训练样本选取6月份的数据120组，其中输入量是各时段的平均光照强度、平均温度，输出量是各时段的发电量。预测样本是6月6日6：00-19：00各时段的数据。神经网络激励函数采用单极性sigmod激励函数g（x）=1/（1+e-x），神经网络结构为双隐含层，隐含层神经元个数为25，预测样本各时段的平均温度以及平均光照，分别如图3，图4所示。

预测发电量与实际发电量的对比如图5所示。预测误差如图6所示。

由图6的预测曲线图可知，大部分时段的预测误差都在15%内，在第6、第10时段误差较大，总体来看发电量预测曲线能很好的与实际发电量曲线拟合。

3 结语

本文提出的FOA-BP算法能应用到光伏发电量预测模型，使得输出结果具有较强的准确性、收敛速度快以及寻优能力强等特点。本模型算法可以有效为光伏发电厂的选址以及电厂维护提供理论依据，从而为发电企业带来更多的利益。准确的光伏发电量预测能够为公共电网的维护和电力的再分配提供有力的理论支持。

参考文献

[1]李春鹏，张廷元，周封.太阳能光伏发电综述[J].电工材料，2006（3）：45-48.

[2]孟杰，李庚银.含风光电站的电力系统动态经济调度[J].电网与清洁能源，2013，29（11）：70-75.

[3]潘文超.果蝇最佳化演算法[M].台北：沧海书局，2011.

[4]景亚平，张鑫，罗艳.基于灰色神经网络与马尔科夫链的城市需组合预测水量[J].西北农林科技大学学报（自然科学版），2011，39（7）：229-234.

[5]陈勇，刘洲，李伏麟，等.人工神经网络在货运预测系统中的应用[J].物联网技术，2016，6（1）：42-43.

[6]刘瑞叶，黄磊.基于动态神经网络的风电场输出功率预测[J].电力系统自动化，2012，36（11）：19-22.

[7]黄湘君.基于组成成分分析的BP神经网络在电力系统负荷预测中的应用[J].科技信息，2008（16）：313-314.