盧怡含，王　林，晉　飛,劉忠輝，唐　敏

(1.國網(wǎng)昌邑市供電公司,山東 昌邑 261300; 2.國網(wǎng)濰坊供電公司,山東 濰坊 261000)

?

基于Spiking神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電系統(tǒng)功率預(yù)測

盧怡含1，王林2，晉飛2,劉忠輝2，唐敏2

(1.國網(wǎng)昌邑市供電公司,山東 昌邑 261300; 2.國網(wǎng)濰坊供電公司,山東 濰坊 261000)

針對光伏發(fā)電系統(tǒng)輸出功率的隨機(jī)性,提出了一種基于Spiking神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電功率預(yù)測模型,它采用精確脈沖時(shí)間的編碼方式,能接近真實(shí)的生物神經(jīng)系統(tǒng),并具有 強(qiáng)大的計(jì)算能力。考慮天氣類型、太陽輻照強(qiáng)度、環(huán)境溫度等主要影響因素,采用近似歐式距離 選取相似日的方法,應(yīng)用實(shí)際光伏發(fā)電系統(tǒng)的歷史發(fā)電數(shù)據(jù)和氣象數(shù)據(jù)對Spiking神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)三種預(yù)測模型 進(jìn)行測試和評估。預(yù)測結(jié)果與實(shí)測值的比較表明:Spiking神經(jīng)網(wǎng)絡(luò)模型相比于BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)模型具有較高的預(yù)測精度和較強(qiáng)的適用性,可作為解決光伏發(fā)電系統(tǒng)功率預(yù)測可行方法之一。

光伏系統(tǒng);Spiking神經(jīng)網(wǎng)絡(luò);脈沖響應(yīng)模型;Spikeprop算法;發(fā)電功率預(yù)測

光伏發(fā)電系統(tǒng)的輸出功率受到天氣類型、太陽輻照強(qiáng)度和環(huán)境溫度等因素的影響,其功率的變化具有隨機(jī)性和波動性,因此有必要對光伏發(fā)電系統(tǒng)的輸出功率進(jìn)行準(zhǔn)確預(yù)測,有效降低大規(guī)模光伏接入對電力系統(tǒng)的影響,提高電力系統(tǒng)的安全性和穩(wěn)定性[1-2]。

目前,針對光伏發(fā)電系統(tǒng)輸出功率的隨機(jī)性,國內(nèi)外提出的用于發(fā)電功率預(yù)測的傳統(tǒng)方法主要是基于數(shù)理統(tǒng)計(jì)理論的預(yù)測模型,如馬爾可夫鏈(Markov Chain)模型、自回歸滑動平均(Auto Regressive Moving Average, ARMA)模型,但是這些方法在考慮天氣變化等不穩(wěn)定因素的影響以及系統(tǒng)的非線性時(shí),預(yù)測結(jié)果精度不高[3-4]。而支持向量機(jī)(Support Vector Machine, SVM)模型能較好解決小樣本、非線性、高維數(shù)等問題,但是必須給定一個誤差參數(shù)c,數(shù)據(jù)處理時(shí)間較長,且核函數(shù)必須滿足Mercer條件[5]。人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network, ANN)可以模仿人腦訓(xùn)練已有的信息,掌握不同因素間的內(nèi)部規(guī)律,執(zhí)行復(fù)雜的數(shù)學(xué)映射,特別適合處理光伏發(fā)電功率和外部影響因素間的非線性關(guān)系[6]。其中,反向傳播人工神經(jīng)網(wǎng)絡(luò)(Back Propagation Artificial Neural Network, BP-ANN)因具有很強(qiáng)的學(xué)習(xí)能力、組織性、容錯性和推理意識功能等優(yōu)點(diǎn)而被廣泛應(yīng)用于光伏功率預(yù)測中[7],但是其在處理大量歷史數(shù)據(jù)以及預(yù)測精度方面仍面臨著巨大的挑戰(zhàn)。

近些年來,研究人員發(fā)現(xiàn)Spiking神經(jīng)元采用時(shí)間編碼(Temporal encoding)方法進(jìn)行信息的傳遞和計(jì)算,能更真實(shí)地描述實(shí)際的生物神經(jīng)系統(tǒng)。這種基于神經(jīng)元建立的神經(jīng)網(wǎng)絡(luò)被稱為Spiking神經(jīng)網(wǎng)絡(luò)(Spiking Neural Network, SNN),也被稱為第三代神經(jīng)網(wǎng)絡(luò)[8]。Spiking神經(jīng)網(wǎng)絡(luò)在模式識別和分類中具有優(yōu)越的性能[9],特別適用于解決高維聚類和非線性分類等問題[10]。而且已經(jīng)證實(shí)SNN可以完成任意前向Sigmoid神經(jīng)網(wǎng)絡(luò)的功能,逼近任意連續(xù)函數(shù),比其他類型的神經(jīng)網(wǎng)絡(luò)具有更強(qiáng)的計(jì)算能力和更好的適用性。因此本文將SNN應(yīng)用到光伏發(fā)電系統(tǒng)功率預(yù)測中,并利用實(shí)際光伏發(fā)電系統(tǒng)的數(shù)據(jù)對該模型進(jìn)行測試,以驗(yàn)證SNN預(yù)測模型的可行性。

1　Spiking神經(jīng)網(wǎng)絡(luò)

1.1Spiking神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

Spiking神經(jīng)網(wǎng)絡(luò)的基本單元Spiking神經(jīng)元的模型選用脈沖響應(yīng)模型(Spike Response Model, SRM),模型的具體結(jié)構(gòu)及工作原理參見文獻(xiàn)[11]。SNN的連續(xù)層中任意神經(jīng)元h和i間的連接結(jié)構(gòu)如圖1所示。

圖1　第h和第i個神經(jīng)元間多個有延遲突觸終端的連接

SNN特有的多突觸結(jié)構(gòu)以及時(shí)間編碼方式,使其不僅具有強(qiáng)大的計(jì)算能力和較好的適用性,而且特別善于處理基于時(shí)間的問題。

1.2網(wǎng)絡(luò)訓(xùn)練算法

本文采用三層前向Spiking神經(jīng)網(wǎng)絡(luò),如圖2所示。

圖2　三層前向Spiking神經(jīng)網(wǎng)絡(luò)

網(wǎng)絡(luò)訓(xùn)練算法采用Bohte提出的含有監(jiān)督學(xué)習(xí)方法-SpikeProp(Spike Propagation, SpikeProp)算法[12],算法步驟如下:

步驟1準(zhǔn)備一個歸一化到[0, 1]的初始數(shù)據(jù)集。

步驟2將權(quán)值初始化為小的隨機(jī)值。初始化SNN參數(shù),如PSP衰減時(shí)間常數(shù)τ和網(wǎng)絡(luò)學(xué)習(xí)率η。

步驟3對三層前向Spiking神經(jīng)網(wǎng)絡(luò)中的輸入層H、隱含層I和輸出層J重復(fù)步驟4～步驟7‘cnt’次(cnt為迭代次數(shù))。其中每層神經(jīng)元的個數(shù)分別為n、p和q,各層中任意一個神經(jīng)元分別用h∈[1,n]、i∈[1,p]和j∈[1,q]表示。

步驟4將訓(xùn)練樣本集中的輸入向量作為網(wǎng)絡(luò)訓(xùn)練輸入,對應(yīng)期望輸出向量作為網(wǎng)絡(luò)輸出。

步驟6計(jì)算網(wǎng)絡(luò)訓(xùn)練誤差E:

步驟7修正網(wǎng)絡(luò)權(quán)值以最小化網(wǎng)絡(luò)的訓(xùn)練誤差。對訓(xùn)練集中的每一對輸入、輸出向量,重復(fù)步驟4)～7),直到整個系統(tǒng)的誤差足夠小。

2　基于SNN的光伏發(fā)電功率預(yù)測模型

2.1預(yù)測模型的相似日選取

單位面積的光伏發(fā)電系統(tǒng)輸出功率[13]計(jì)算公式為

ps=ηSI(1-0.05(t0+25))

(1)

式中:η為光伏電池轉(zhuǎn)換效率,%;S為光伏陣列面積,m2;I為太陽輻照強(qiáng)度,kW/m2;t0為環(huán)境溫度,℃。

根據(jù)式(1)可知,影響光伏發(fā)電系統(tǒng)輸出功率的主要因素是天氣類型、太陽輻照強(qiáng)度、環(huán)境溫度、光伏電池的轉(zhuǎn)換效率和陣列面積等。對于同一光伏發(fā)電系統(tǒng),轉(zhuǎn)換效率和陣列面積等影響因素已經(jīng)包含在歷史發(fā)電數(shù)據(jù)中,不再考慮。因此預(yù)測模型輸入變量的選擇需考慮天氣類型、太陽輻照強(qiáng)度和環(huán)境溫度等影響因素。

不同類型天氣的太陽輻照強(qiáng)度、云量、環(huán)境溫度等影響因素不同,對應(yīng)光伏發(fā)電系統(tǒng)的輸出功率也不同,因此天氣類型是影響光伏發(fā)電功率預(yù)測的一個主要因素。但是一天中的天氣會出現(xiàn)如晴轉(zhuǎn)多云、多云轉(zhuǎn)小雨等多變現(xiàn)象,若僅將天氣類型作晴天、多云、陰天、雨天等簡單分類,則會對天氣因素處理不夠精細(xì),導(dǎo)致模型失效。因此,本文在上述簡單分類的基礎(chǔ)上,通過計(jì)算和排序歐式距離的方法來確定相似日,具體步驟如下:

步驟1根據(jù)預(yù)測日的天氣類型預(yù)報(bào)信息從樣本庫中挑選出相同日類型的歷史發(fā)電日組成粗選集。粗選集是將各種天氣類型大致劃分為晴天、多云、陰天和雨天。

步驟2計(jì)算粗選集中每個歷史發(fā)電日與預(yù)測日的最高、最低溫度和太陽輻照強(qiáng)度的歐氏距離:

式中:t0h、t0l為預(yù)測日的最高、最低溫度預(yù)報(bào)值;tih、til為粗選集中第i個歷史發(fā)電日的最高、最低溫度;I0為預(yù)測日太陽輻照強(qiáng)度預(yù)報(bào)值;Ii為粗選集中第i個歷史發(fā)電日的太陽輻照強(qiáng)度。

步驟3將計(jì)算出的每個歷史發(fā)電日的歐氏距離di,按照升序排列,并選取前a個,本文a=6。

步驟4選取這a個歐式距離對應(yīng)的歷史發(fā)電日組成預(yù)測日的相似日集。

2.2樣本數(shù)據(jù)預(yù)處理

本文采用的是光伏發(fā)電數(shù)據(jù)采集系統(tǒng)數(shù)據(jù)庫中的原始?xì)庀髷?shù)據(jù)和歷史發(fā)電數(shù)據(jù),由于數(shù)據(jù)通道通信錯誤、數(shù)據(jù)整理錯誤等原因,量測數(shù)據(jù)中會出現(xiàn)一些異常數(shù)據(jù)。因此,采用解析分析法對異常數(shù)據(jù)進(jìn)行剔除和補(bǔ)充以提高預(yù)測精度。同時(shí),預(yù)測模型中的光伏系統(tǒng)歷史發(fā)電功率、環(huán)境溫度和太陽輻照強(qiáng)度等各個數(shù)據(jù)具有不同的物理意義,而且數(shù)量級也相差很大,不具有可比性。因此,在對網(wǎng)絡(luò)進(jìn)行訓(xùn)練之前還必須對數(shù)據(jù)進(jìn)行歸一化處理,將訓(xùn)練和測試樣本數(shù)據(jù)尺度變換到區(qū)間[0,1]內(nèi),以消除原始數(shù)據(jù)形式不同所帶來的不利,進(jìn)而提高網(wǎng)絡(luò)的泛化能力和預(yù)測精度。對不同量綱數(shù)據(jù)進(jìn)行歸一化處理的公式為

2.3預(yù)測模型的輸入、輸出編碼

SNN是基于精確的脈沖發(fā)射時(shí)間進(jìn)行信息傳遞和計(jì)算的,因此必須將模擬量數(shù)據(jù)轉(zhuǎn)換成脈沖發(fā)射時(shí)間。本文采用Time-to-first-Spike方法[14]對SNN的輸入、輸出進(jìn)行編碼,該方法的前提條件是假設(shè)Spiking神經(jīng)元只發(fā)射一個脈沖。神經(jīng)元發(fā)射脈沖的時(shí)刻與模擬量的值成比例,一般模擬量的值越大,對應(yīng)發(fā)射脈沖的時(shí)間越早。在經(jīng)歸一化到區(qū)間[0,1]內(nèi)的數(shù)據(jù)中,最大值1對應(yīng)的神經(jīng)元將首先發(fā)射脈沖,并記該脈沖發(fā)射時(shí)間為0,而數(shù)據(jù)中最小值0對應(yīng)的神經(jīng)元最后發(fā)射脈沖,并記該脈沖發(fā)射時(shí)間為Tmax。將模擬量轉(zhuǎn)換成脈沖發(fā)射時(shí)間的公式為

T=Tmax(1-p*)

式中:p*為歸一化后的樣本模擬量數(shù)據(jù);Tmax為最大脈沖發(fā)射時(shí)間;T為神經(jīng)元的脈沖發(fā)射時(shí)間,ms。

2.4預(yù)測模型結(jié)構(gòu)的確定

2.4.1輸入、輸出層神經(jīng)元個數(shù)的確定

輸入層神經(jīng)元的個數(shù)n對應(yīng)于模型輸入量的個數(shù),本模型選取相似日08∶00～17∶00每間隔1 h的整點(diǎn)時(shí)刻發(fā)電功率、相似日和預(yù)測日的最高、最低溫度、太陽輻照強(qiáng)度等6個影響因素,共16個量作為輸入量,對應(yīng)16個神經(jīng)元。輸出層神經(jīng)元個數(shù)q對應(yīng)于模型輸出量的個數(shù),輸出是預(yù)測日08∶00～17∶00的10個整點(diǎn)時(shí)刻發(fā)電功率,對應(yīng)10個神經(jīng)元。預(yù)測模型輸入、輸出層神經(jīng)元對應(yīng)的變量如表1所示。

表1　預(yù)測模型輸入、輸出變量

注:表中“x”表示輸入變量,“y”表示輸出變量。

2.4.2隱含層神經(jīng)元個數(shù)的確定

目前,關(guān)于SNN的隱含層神經(jīng)元個數(shù)的選取沒有明確的方法和公式可以應(yīng)用,隱含層神經(jīng)元個數(shù)p的確定是網(wǎng)絡(luò)訓(xùn)練中的關(guān)鍵內(nèi)容之一。本文按照確定BP-ANN隱含層神經(jīng)元個數(shù)的經(jīng)驗(yàn)公式,經(jīng)過多次試驗(yàn),確定SNN隱含層最佳神經(jīng)元數(shù)為15。常用經(jīng)驗(yàn)公式為

p=log2n

式中:p為隱含層神經(jīng)元個數(shù);n為輸入層神經(jīng)元個數(shù);q為輸出層神經(jīng)元個數(shù);a為1～10之間的整數(shù)。

綜上所述,基于SNN的光伏發(fā)電功率預(yù)測方法的實(shí)現(xiàn)流程如圖3所示。

圖3　預(yù)測方法流程圖

3　算例分析

以某光伏發(fā)電系統(tǒng)作為研究對象,選取2011年和2012年的歷史發(fā)電數(shù)據(jù)和對應(yīng)的氣象數(shù)據(jù),對SNN、BP-ANN和SVM三種預(yù)測模型進(jìn)行仿真實(shí)驗(yàn),并對三種模型的預(yù)測結(jié)果進(jìn)行比較驗(yàn)證分析。SNN、BP-ANN和SVM的程序在MALAB2010a上運(yùn)行,所用計(jì)算機(jī)的操作系統(tǒng)是Windows 7旗艦版32位,硬件配置是英特爾酷睿i5處理器,CPU主頻3.20 GHz,RAM 4 GB。

3.1參數(shù)設(shè)置

3.1.1SNN參數(shù)設(shè)置

根據(jù)文獻(xiàn)[15]中關(guān)于網(wǎng)絡(luò)參數(shù)的設(shè)定,并結(jié)合光伏發(fā)電功率自身的特點(diǎn),經(jīng)過多次試驗(yàn)設(shè)置可以獲得如下最佳預(yù)測結(jié)果的SNN參數(shù)。

連續(xù)層任意兩個神經(jīng)元之間突觸子連接個數(shù)m是SNN的結(jié)構(gòu)中的一個很重要的因素。本文在測試過程中對m的取值進(jìn)行了探討,發(fā)現(xiàn)不同的m值對訓(xùn)練時(shí)網(wǎng)絡(luò)收斂性的影響。一般情況下,減少突觸子連接個數(shù)m的值會導(dǎo)致收斂代數(shù)增加,而增加m的值使其超過16時(shí),會大大增加網(wǎng)絡(luò)的計(jì)算量,而網(wǎng)絡(luò)的收斂性卻沒有明顯改變。因此,綜合選取的m值為16,相應(yīng)的突觸延遲dk選取從1～16 ms遞增的整數(shù)值。

輸入、輸出編碼窗口中最大脈沖時(shí)間Tmax=5 ms,則脈沖在0 ms和5 ms時(shí)從輸入層H傳遞到隱含層I,然后再從隱含層I傳遞到輸出層J,每兩層之間有m(m=16)個突觸子連接,突觸延遲dk最小1 ms、最大16 ms。因此SNN的輸入、輸出之間有時(shí)間延遲ΔT,范圍從0+2×1=2 ms到5+2×16=37 ms。

3.1.2BP-ANN及SVM參數(shù)設(shè)置

通過多次試驗(yàn)設(shè)置可以獲得如下最佳預(yù)測結(jié)果的BP-ANN和SVM參數(shù)。

BP-ANN的參數(shù)項(xiàng)和SNN相似,包括以下幾項(xiàng):網(wǎng)絡(luò)各層神經(jīng)元數(shù)和SNN相同;網(wǎng)絡(luò)算法采用誤差反向傳播(Error Back Propagation, EBP)算法;傳遞函數(shù)為Sigmoid函數(shù);網(wǎng)絡(luò)學(xué)習(xí)率η取為0.01。

SVM的參數(shù)項(xiàng)較少,主要包括:核函數(shù)為徑向基函數(shù)(Radial Basis Function, RBF);核函數(shù)中參數(shù)用網(wǎng)格搜索算法尋優(yōu),其中寬度參數(shù)δ2范圍為2-8～21,搜索步長為0.5;懲罰系數(shù)c范圍為21～210,搜索步長為0.5。

綜上,SNN、BP-ANN和SVM預(yù)測模型的主要最優(yōu)結(jié)構(gòu)參數(shù)設(shè)置如表2所示。

表2　SNN、BP-ANN和SVM預(yù)測模型的最優(yōu)結(jié)構(gòu)參數(shù)

注:表中“”表示預(yù)測模型中不存在此參數(shù)。

3.2預(yù)測結(jié)果及評估

SNN、BP-ANN和SVM預(yù)測模型對4種天氣類型的光伏發(fā)電功率的預(yù)測結(jié)果分別如圖4～7所示。

圖4　晴天預(yù)測結(jié)果

圖5　多云天預(yù)測結(jié)果

圖6　陰天預(yù)測結(jié)果

圖7　雨天預(yù)測結(jié)果

由圖4可以看出,晴天的光伏電站的發(fā)電功率曲線波動不大,三種預(yù)測模型的預(yù)測曲線與實(shí)際曲線基本吻合。但是SNN的預(yù)測曲線更接近實(shí)際曲線,特別是在實(shí)際發(fā)電功率曲線發(fā)生微弱波動的 11∶00～13∶00時(shí)間段,SNN預(yù)測曲線的變化趨勢和實(shí)際曲線的變化趨勢基本保持一致,說明SNN在發(fā)電功率波動性不大的情況下有更高的預(yù)測精度。

由圖5可以看出,多云天氣下三種模型的預(yù)測結(jié)果誤差偏大?？赡苁怯?xùn)練樣本中多云天氣的樣本數(shù)較少、多云天氣的云團(tuán)厚薄和移動趨勢難以預(yù)測等原因所致。然而,在實(shí)際發(fā)電功率曲線波動較大的11∶00～13∶00和14∶00～16∶00時(shí)間段,相比于BP-ANN和SVM,SNN的預(yù)測曲線和實(shí)際曲線更貼合,更能反映實(shí)際功率的變化趨勢。這表明SNN的局部預(yù)測效果更好,適用性更好。

從圖6可以看到,由于陰天的樣本數(shù)較少,而且天氣情況復(fù)雜多變,晴轉(zhuǎn)陰、多云轉(zhuǎn)陰,全天陰天,再加上云團(tuán)的厚薄等因素都會對預(yù)測結(jié)果產(chǎn)生影響,三種預(yù)測模型在實(shí)際發(fā)電功率曲線波動較大的時(shí)間段如10∶00～13∶00的預(yù)測誤差較大。但是通過對比可以發(fā)現(xiàn),對于預(yù)測誤差較大的11∶00～13∶00時(shí)間段,SNN的預(yù)測曲線更接近實(shí)際曲線,其更能反映此種天氣條件下實(shí)際光伏發(fā)電功率的變化趨勢,可明顯降低預(yù)測誤差。

由圖7可以看出,實(shí)際曲線波動性較大,三種模型在波動較大的時(shí)間段預(yù)測結(jié)果誤差較大。雖然在某些時(shí)間段如9∶00～10∶00,SNN的預(yù)測結(jié)果并沒有BP-ANN和SVM的預(yù)測結(jié)果精確,但是在實(shí)際曲線波動較大的10∶00～13∶00時(shí)間段,SNN的預(yù)測值更接近實(shí)際值,說明SNN有更好的學(xué)習(xí)和映射能力。

針對以上三種模型的預(yù)測結(jié)果,采用平均絕對百分比誤差(Mean Absolute Percent Error, MAPE)指標(biāo)對三種預(yù)測模型進(jìn)行比較和分析:

式中:Xr為預(yù)測日實(shí)際發(fā)電功率;Xf為預(yù)測發(fā)電功率;N為數(shù)據(jù)總數(shù);i為數(shù)據(jù)序號。

為了更加直觀而詳細(xì)了解各種天氣類型下三種預(yù)測模型的預(yù)測誤差情況,給出了SVM、BP-ANN和SNN預(yù)測模型對各種天氣類型的光伏發(fā)電系統(tǒng)功率預(yù)測結(jié)果的MAPE,如表3所示。

從表3中可以看出:在晴天天氣類型時(shí),三種預(yù)測模型的MAPE均小于10%,預(yù)測結(jié)果均較為準(zhǔn)確,其中SNN預(yù)測模型預(yù)測結(jié)果的MAPE較SVM低2.37%,較BP-ANN低2.85%;在多云天、陰天、雨天等發(fā)電功率波動較大的天氣類型時(shí),三種模型的預(yù)測結(jié)果相對于晴天都有較大的誤差,但是SNN的整體預(yù)測結(jié)果相比于SVM和BP-ANN明顯具有更高的精度,這說明SNN預(yù)測模型更加適用于隨機(jī)性和波動性較大的天氣類型。

表3　SVM、BP-ANN和SNN預(yù)測模型的MAPE

4　結(jié)　語

本文提出了一種基于Spiking神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電系統(tǒng)功率預(yù)測模型。采用比較歐式距離確定相似日的方法,應(yīng)用某光伏發(fā)電系統(tǒng)的歷史發(fā)電數(shù)據(jù)和相應(yīng)的氣象數(shù)據(jù)對SNN預(yù)測模型和傳統(tǒng)的BP-ANN、SVM預(yù)測模型進(jìn)行比較驗(yàn)證分析。測試結(jié)果表明:SNN預(yù)測模型相對于BP-ANN和SVM預(yù)測模型有更好的學(xué)習(xí)、映射能力以及更高的預(yù)測精度,對光伏系統(tǒng)歷史發(fā)電功率與環(huán)境溫度、太陽輻照強(qiáng)度等數(shù)據(jù)間非線性關(guān)系的處理能力和適用性也較高。

[1] 丁明, 王偉勝, 王秀麗, 等. 大規(guī)模光伏發(fā)電對電力系統(tǒng)影響綜述[J]. 中國電機(jī)工程學(xué)報(bào), 2014, 34(1): 2-14.

DING Ming, WANG Weisheng, WANG Xiuli, et al. A review on the effect of large-scale PV generation on power systems [J]. Proceedings of the CSEE, 2014, 34(1): 2-14.

[2] 楊海威, 謝宜宏, 熊毅, 等. 基于實(shí)測功率數(shù)據(jù)的風(fēng)光輸出特性分析[J]. 黑龍江電力, 2015,37(4): 343-346.

YANG Haiwei, XIE Yihong, XIONG Yi, et al. Output characteristic analysis of wind and solar hybrid generation system based on real measured power data [J]. Heilongjiang Electric Power, 2015,37(4): 343-346.

[3] 丁明, 徐寧舟. 基于馬爾可夫鏈的光伏發(fā)電系統(tǒng)輸出功率短期預(yù)測方法[J]. 電網(wǎng)技術(shù), 2011, 35(1): 152-157.

DING Ming, XU Ningzhou. A method to forecast short-term output power of photovoltaic generation system based on markov chain[J]. Power System Technology, 2011, 35(1): 152-157.

[4] XU W. The designing of establishing modeling simulation and forecasting methods for short-term solar irradiance based on time-scale[J]. Journal of Changzhou Institute of Technology, 2009, 22(1): 41-44.

[5] SHI Jie, LEE Weijei, LIU Yongqian, et al. Forecasting power output of photovoltaic systems based on weather classification and support vector machines [J]. IEEE Transactions on Industry Applications, 2012, 48(3): 1064-1069.

[6] 王守相, 張娜. 基于灰色神經(jīng)網(wǎng)絡(luò)組合模型的光伏短期出力預(yù)測[J]. 電力系統(tǒng)自動化, 2012, 36(19): 37-41.

WANG Shouxiang, ZHANG Na. Short-term output power forecast of photovoltaic based on a grey and neural network hybrid model[J]. Automation of Electric Power Systems, 2012, 36(19): 37-41.

[7] 陳昌松, 段善旭, 殷進(jìn)軍. 基于神經(jīng)網(wǎng)絡(luò)的光伏陣列發(fā)電預(yù)測模型的設(shè)計(jì)[J]. 電工技術(shù)學(xué)報(bào), 2009, 24(9): 153-158.

CHEN Changsong, DUAN Shanxu, YIN Jinjun. Application of recurrent neural networks to generated power forecasting for photovoltaic system[J]. Transactions of China Electrotechnical Society, 2009, 24(9): 153-158.

[8] MAASS W. Networks of spiking neurons: the third generation of neural network models[J]. Neural Networks, 1997, 10(9): 1659-1671.

[9] ROWCLIFFE P, FENG J. Training spiking neuronal networks with applications in engineering tasks[J]. IEEE Transactions on Neural Networks, 2008, 19(9): 1626-1640.

[10] BOHTE S M, POUTRE H L, KOK J N. Unsupervised clustering with spiking neurons by sparse temporal coding and multi-layer spike Neural Network[J]. IEEE Transactions on Neural Networks, 2002, 13(2): 426-435.

[11] GERSTNER W, KISTLER W M. Spiking neuron models. Single neurons, populations, plasticity[M]. NY: Cambridge University Press, 2002.

[12] BOHTE S M, KOK J N, LA POUTRE H. Error-backpropagation in temporally encoded networks of spiking neurons[J]. Neurocomputing, 2002, 48(1): 17-37.

[13] LI Y Z, NIU J. Forecast of power generation for grid-connected photovoltaic system based on Markov chain[C]//Power and Energy Engineering Conference, 2009. APPEEC 2009. Asia-Pacific. IEEE, 2009: 1-4.

[14] 崔文博, 藺想紅, 徐滿意. 脈沖神經(jīng)網(wǎng)絡(luò)圖像分割的編碼方法[J]. 計(jì)算機(jī)工程, 2012, 38(24): 196-199.

CUI Wenbo, LIN Xianghong, XU Manyi. Coding method of image segmentation in spiking neural network[J]. Computer Engineering, 2012, 38(24): 196-199.

[15] GHOSH-DASTIDAR S, ADELI H. Improved spiking neural networks for EEG classification and epilepsy and seizure detection[J]. Integrated Computer-Aided Engineering, 2007, 14(3):187-212.

(責(zé)任編輯侯世春)

Photovoltaic system power forecasting based on Spiking neutral network

LU Yihan1, WANG Lin2, JIN Fei2, LIU Zhonghui2, TANG Min2

(1.State Grid Changyi Power Supply Company, Changyi 261300, China; 2.State Grid Weifang Power Supply Company, Weifang 261000, China)

Aiming at the randomness of photovoltaic system output power, this paper proposed the forecasting model of PV power generation based on Spiking neural network. It is a model that uses coding method with computing capability and accurate pulse time, which is closer to the real biological nerve system. Considering the main influencing factors such as weather types, sunshine intensity, temperature etc., the paper adopted the approximate Euclidean distance to select similar days, and the historical generation data and meteorological data of the practical PV system to test and evaluate three forecasting models, including Spiking neural network, BP neural network and support vector machine. The results of the comparison between the forecast and the actual measured values reveal that Spiking neural network model, compared with BP neural network model and support vector machine model, has relatively high forecast accuracy and robust applicability, and can provide an effective and feasible way to forecast the PV system power generation.

photovoltaic system(PV); Spiking neural network; pulse response model; Spikeprop algorithm; power generation forecasting

2015-10-17;

2015-11-01。

盧怡含(1989—),女,助理工程師,主要研究方向?yàn)殡娏ο到y(tǒng)繼電保護(hù)。

TM615.2

A

2095-6843(2016)03-0263-07