基于OOA 优化BP 神经网络的光伏发电功率预测

张沥新， 秦博瑞， 祝少卿

（辽宁工程技术大学电气与控制工程学院， 辽宁 阜新 123032）

0 引言

与传统能源发电相比，光能是所有可再生能源中最具规模化开发前景的新能源，光伏发电具有无污染、零排放等优势。但是，光伏发电功率具有强烈的不确定性，不仅给电力调度部门带来巨大隐患，同时，也给其自身的大规模并网发电带来困扰[1]。有研究表明，当光伏并网发电容量超过电力系统总发电量的15%时，其波动会导致电力系统崩溃[2]。如果可以对光伏发电输出功率进行准确预测，不仅能够提高光伏电站的运营效率，而且能够帮助电力调度部门调整运行方式，确保大规模光伏发电接入公共电网后，电力系统依然可以安全、稳定运行，对光伏发电的合理消纳利用具有重要意义[3]。因此，本文建立了基于OOA优化BP 神经网络的光伏发电功率预测模型，来提高预测的精度。

1 预测模型的构建

1.1 BP 神经网络模型

BP（Back Propagation）神经网络是目前应用最广泛的神经网络模型之一，通过输入信息的前向计算和输出误差信息的后向传递，实现训练过程，并且通过迭代训练不断优化计算模型，获得最优解，具有强大的自学习、自适应和解决任意非线性映射问题的特点[4]。此模型不需要建立复杂的数学物理模型，只需要输入历史数据就可以预测结果。典型的BP 神经网络基本结构如图1 所示，主要由输入层、输出层和隐含层组成。输入层接收特征变量，隐含层负责计算，输出层决策模型输出结果。

图1 典型BP 神经网络基本结构

BP 神经网络的计算过程由正向计算过程和反向计算过程组成。正向传播过程，输入模式从输入层经隐单元层逐层处理，并转向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转入反向传播，将误差信号沿原来的连接通路返回，通过修改各神经元的权值和阈值，使得误差信号最小。

1.2 OOA-BP 神经网络模型

BP 神经网络模型所涉及的权值和阈值等参数对模型训练结果有较大影响，由于BP 神经网络模型的初始阈值和权值是随机给定的（给定区间为[0.5，0.5]），其所构建的光伏电站短期发电功率预测模型计算效率低且极易获得伪最优解[5]。鱼鹰算法（Osprey Optimization Algorithm，OOA）是一种新型求解目标优化问题的优化算法，通过模拟鱼鹰的搜索行为，来寻找最优解。该算法具有较强的全局搜索能力以及较快的收敛速度，适用于解决各种复杂的优化问题。因此，本文采用OOA 优化算法对BP 神经网络模型的阈值和权值进行优化处理，以提高预测精度。OOA 优化算法主要分为三个阶段：

阶段一：在寻优空间里随机初始化种群

式中：xi，j为个体；bl，j为寻优下边界；bu，j为寻优上边界；r为[0，1]之间的随机数。

阶段二：搜索空间中具有更好目标函数值的其他鱼鹰的位置，并将这些鱼鹰视为水下鱼类，鱼鹰随机检测到其中一条鱼的位置并向它移动，新位置由以下公式计算：

式中：F为鱼鹰所选中鱼；r为[0，1]间的随机数；I的值为{1，2}中的一个。

若新位置优于先前位置，则利用下列，式替换先前位置

式中：Fi为第i只鱼鹰搜索出的水下鱼类的集合；Xi为更新后的位置。

阶段三：利用（5）、（6）式计算一个随机的位置作为 “适合吃鱼的位置” ，如果目标函数的值在这个新的位置上更优，则利用（7）式计算出新位置。

式中：t为迭代次数；T为最大迭代次数。

图2 为基于OOA 优化BP 神经网络的光伏发电功率预测模型。ε 为人为规定的误差，N为训练步骤，当误差小于设定误差或达到最大训练步骤时，输出功率。

图2 OOA-BP 神经网络预测模型

2 预测结果与分析

2.1 样本数据选择

影响光伏发电输出功率的因素有很多，可分为内因与外因。内因主要是由器件本身引起，对预测影响的结果是相同的，可以不用考虑。外因主要是由气象因素引起，包括太阳辐照度、气温、气压、湿度、风力、大气压和大气透明度等，在预测过程中同时考虑所有气象因素是不太现实的，本文选用2019 年新疆某发电站真实发电数据集中的总幅照度、直射辐射、散射辐射、气温、气压和湿度等6 种类型数据作为输入变量，光伏发电功率作为输出变量。取5 000 组样本数据，80%作为模型训练集，20%作为模型测试集。

2.2 预测评价指标

对于BP 神经网络模型以及OOA-BP 神经网络模型，其预测结果均可用均方根误差（Root Mean Squared Error，RMSE）、决定系数（R2）作为评价指标，RMSE 值越小，说明预测误差越小，预测精度更高。R2的取值范围是[0，1]，其值越大，表示回归预测偏差越小，预测效率越高。计算公式如下：

式中：yi为第i 个预测点的实际输出功率；y'i为模型的预测输出功率；为真实值得均值；n为预测点总数。

2.3 预测结果与分析

OOA-BP 神经网络模型参数中取最大训练次数为1 000 次、学习速率为0.01，训练目标精度取0.000 1。

图3 为运用OOA-BP 神经网络预测模型的测试结果，从图中的预测值与真实值之间的重合程度可以看出，数据重合程度非常高，误差很小，说明预测值与真实值之间非常接近。

图3 OOA-BP 算法预测结果

图4 为运用OOA-BP 神经网络预测模型的拟合程度曲线。由图4 可以看出，线性系数为0.983 13，拟合曲线与理想曲线基本重合，这说明预测数据的拟合程度较高，效果较好。

图4 OOA-BP 算法拟合程度

2.4 结果对比

BP 神经网络与OOA-BP 神经网络模型中取相同参数进行对比，两种模型预测评价指标见表1。

表1 预测结果评价指标

BP 神经网络预测结果RMSE 为3.907 8，R2为0.952 54，而OOA 优化后的BP 神经网络预测结果RMSE 为3.1249，R2为0.98313。对比结果表明：OOA-BP神经网络模型预测效果更好，进一步说明本文方法提高了预测精度与预测效率。

3 结论

由于BP 神经网络预测不稳定和不准确，本文采用OOA 算法优化BP 神经网络的阈值和权值，利用仿真软件绘制出预测结果图形，得出RMSE 为3.124 9，R2为0.983 13。将OOA-BP 神经网络模型与BP 神经网络模型在相同参数情况下的两种评价指标进行对比，验证出OOA-BP 神经网络模型预测效果更佳，拟合程度更高，能够有效提高预测精度和预测效率。