结合相似日与改进神经网络的短期光伏发电预测

杨昊岩 张海龙

（1.广西大学电气工程学院，广西 南宁 530004；2.广西电力职业技术学院，广西 南宁 530007）

光伏发电易受其运行环境的影响，波动较大，因而给光伏高渗透率的电网增加了调度的难度和复杂性[1]。准确预测光伏发电功率将减少这些不利因素对电网的影响，提高系统运行效率和经济效益[2]。国内外研究学者在短期光伏发电预测领域取得了一定的研究成果，如，文献[3]运用经验模态分解法识别不同的天气状态并建立对应的光伏发电预测模型；文献[4]采用灰色系统对神经网络预测模型进行修正，提高了BP神经网络（BPNN）的拟合能力，用以提高预测精度；文献[5]结合地基云图和RBF神经网络（RBFNN）实现了超短期光伏发电功率预测，该模型能够较好地实现对发电“突变”的预测，但需要十分庞大的气象数据作为支撑。

本文通过灰色关联分析，选取与待测日气象特征相似程度较高的历史日，采用思维进化算法对BP神经网络进行改进，改善了BP神经网络泛化能力差、易于陷入局部最优等缺点。以温度、辐照度、风速、相对湿度和历史发电量作为输入因子，对晴天、阴天、雨天三种天气类型的光伏发电功率进行预测。结果表明，本文所提的结合相似日与思维进化算法优化神经网络的短期光伏发电（SDS-MEABP）预测方法比BP神经网络和RBF神经网络的预测精度更高。

1 光伏发电影响因素分析

太阳辐照强度直接影响光伏电池获得太阳能总量的大小，大气温度通过改变光伏电池表面温度影响光伏电池最大功率点输出电压。图1、图2分别为光伏发电功率与太阳辐射强度、大气温度的关系曲线。通过对比两图曲线可知，光伏发电随着辐照强度、温度的升高而增长，当辐照强度和温度降低时，光伏发电也随之减少，两者呈一定的正相关性。

在同样的季节及天气情况下，当面板温度和大气温度基本相等时，光伏电站发电量将随着相对湿度的提高而降低。原因在于太阳光在穿过大气层时，会随着相对湿度的升高而产生更高的能量损耗，面板接收到的太阳能因此会减小。由图3可知，在其他因素相近的情况下，光伏发电功率会随着相对湿度的降低而升高，两者呈现明显的负相关关系。

图1 实时光伏发电功率与辐照强度对比图

图2 实时光伏发电功率与气温对比图

图3 实时光伏发电功率与相对湿度对比图

风速在一定程度上决定了光伏电池的表面温度，而环境中颗粒的移动情况则影响光伏板遮蔽面积，进而对光伏发电造成影响。图4为澳洲光伏基站所在地某日实时风速与光伏发电功率的关系图，从图中可观察到几乎每时每刻二者都在波动，并且风速的波动幅度更大，二者的关联性比较弱。

图4 实时光伏发电功率与风速对比图

2 SDS-MEABP预测模型的建立

2.1 相似日粗集选取

由天气预报得知待测日的气象数据，从历史日中选出平均温度与待测日相差 3℃以内，平均辐照强度、相对湿度与待测日相差小于20%的样本组成相似日粗集A。再运用灰色关联分析方法，在相似日粗集A中进一步抽取与待测日具有高度关联的若干历史日，以这些历史日作为本文所提出预测模型的训练样本。

灰色关联分析法通过计算互相关联因素之间的灰色关联度，比较各因素几何关联曲线的相似度来区别其关系的紧密程度[6]。本文以集合A的气象数据作为比较序列x，预测日的天气数据作为参考序列y，则比较序列与参考序列的关联度ζ为：

上式中：γi(k)为xi与y的关联系数，n为输入向量个数，k为输入向量的维度，ρ为常数取0.5，xi与y为归一化之后的值。按照求取的灰色关联度，选择相似日粗集A中综合关联度大于0.7的所有样本组成相似日集。

2.2 BP神经网络

BP神经网络(BackPropagationNeuralNetwork)作为预测模型一般包含输入层、隐藏层和输出层，其主要工作内容包括输入信息的层层传递和误差的反馈调整。由输入层输入数据，经隐藏层调整后在输出层输出预测值。每一层的单元个数、参数设置都会影响最终的输出结果。当输出层输出值不满足预先设定的误差要求，则会反向传播，不断调整权值阈值以满足误差要求[7]。BP神经网络的输出与误差表达式如式（4）、（5）。

近年来，随着科技水平的提高，微创的腹腔镜手术已经得到了患者的认同。而无气腹腹腔镜作为腹腔手术的重要组成部分，在20世纪90年代初应用于临床［1］。与有气腹腔镜相比具有更高的安全性、可操作性且经济实用，应用范围日益扩大。我院自2010年10月以来开展妇科无气腹腹壁下钢针悬吊法腹腔镜手术15例，现将护理体会报道如下。

式中：xi(t)为网络输入，y(t)为网络输出，n为输入层神经元个数，p为隐藏层神经元个数，ɷi为输入层神经元到隐藏层的权值，vj为隐藏层神经元到输出层的权值，θj为阈值，λi为神经元活跃值，E为网络总误差，F(t)为网络期望输出，y(t)为网络实际输出。

2.3 思维进化算法

思维进化算法（MindEvolutionaryAlgorithm,MEA）的创造灵感在于人类思维进化过程，它保留了遗传算法的种群与进化，并提出两个新颖的关键步骤：趋同和异化[8]。思维进化的基本思路如下：

2.3.1 以均方误差的倒数作为得分函数计算空间中随机的生成优胜个体和临时个体的得分。在得分高的优胜个体周围产生新个体，形成优胜子群体。在得分高的临时个体周围生成新个体，形成临时子群体。

2.3.2 优胜子群体和临时子群体内部执行趋同，当子群体内部的优胜个体不再变化则表明此子群体成熟，完成局部寻优。子群体成熟判别标准如式（6）。

上式中：Δft为子群体在第t代得分增长，ɛ为事先规定的一个极小值。规定一个子群体在连续迭代M次之后的得分小于ɛ，则认为此子群体在执行i次趋同操作后成熟。

2.3.3 子群体成熟后，在整个空间中的成熟子群体执行异化，各个子群体之间完成替换、个体释放，完成全局寻优。在完成异化之后会生成新一批子群体以保证子群体数量维持不变。

三种神经网络模型的预测流程见图5。

3 预测实例及结果分析

算例：采用澳洲某光伏系统2016年4月至11月的历史气象数据和光伏发电功率数据，选择晴、雨、阴三种不同天气类型中的某日作为预测日，预测光伏发电大小。本文以MATLAB2016a为预测平台进行预测。

首先，利用本文第1节所述规则从历史数据中选出相似日粗集，共有20个样本被选入相似日粗集。再利用灰色关联分析法计算相似日粗集中样本与待测日的灰色关联度。选取灰色关联度大于0.7的样本作为待测日的最终相似日集，用来训练神经网络。

把预处理后的原始数据y经式（7）归一化后与量化之后的影响因素组成神经网络的输入向量。预测结果的反归一化如式（8）所示。

式中：yinput为归一化后的输入数据；youtput为相应的神经网络输出数据；f(t)为反归一化后的输出数据，即为预测值。

图5 三种神经网络预测流程图

相关参数设置：神经网络的输入层神经元个数为5个，其中包含该光伏站所在地待测日t时刻辐照强度、气温、风速、相对湿度、最相似历史日t时刻的光伏发电功率，数据经过处理后范围在[0,1]之间。输出层节点为1个，代表待测日t时刻的光伏发电量。为了更好地处理输入与输出之间的非线性关系，设置tansig函数为输入层和隐藏层的传递函数，设置logsig函数为隐藏层和输出层的传递函数。隐藏层节点数根据式（9）确定

式中：n为输入层神经元个数，m为输出层神经元个数，ɑ为调节常数，范围为0～10。经过尝试不同ɑ的取值，当隐藏神经元个数K等于5时网络输出误差最小，因此取K值为5。

本文设定初始种群规模为180，优胜子群体和临时子群体数量均为3。子种群大小等于种群规模除以优胜子种群与临时子种群的种群数之和，即30。

将BPNN、RBFNN和本文提出的SDS-MEABP分别用于预测2016年4月至2016年11月不同天气情况的光伏发电。预测结果如图2所示。

由图6、图7、图8可以看出，本文所建立预测模型在晴天、阴天、雨天三种不同的天气类型下相较于传统的BP神经网络模型和RBF神经网络模型能够取得更好的预测结果，预测精度较高。

图6 晴天光伏发电预测功率与实际功率对比

图7 阴天光伏发电预测功率与实际功率对比

图8 雨天光伏发电预测功率与实际功率对比

为了分析预测性能指标，本文以平均相对误差(MRE)和预测精度(AL)作为评估依据。

表1 三种方法的预测精度指标值统计表

根据表1，SDS-MEABP应用在晴天、阴天、雨天三种天气类型的光伏发电预测准确率分别为96.28%、82.64%、79.16%，三种天气类型下光伏预测值与实际值平均相对误差分别为5.35%、14.5%、15.54%。由表1的数据可知，SDS-MEABP两项评价指标均比BPNN和RBFNN优秀，预测精度更高。

4 结语

本文首先利用灰色关联分析筛选出与预测日相似度较高的相似日集合，优化了神经网络的输入参数；再通过思维进化算法优化传统BP神经网络的权值和阈值，分别搭建适用于3种天气条件下的光伏发电功率预测模型。运用澳洲某光伏发电系统的数据进行仿真研究，发现本文所提出的SDS-MEABP神经网络的整体预测效果均优于BPNN和RBFNN，从而证明SDS-MEABP预测方法在光伏发电预测中具有良好的实用价值。