張文濤 辛義

摘 要：文章在北京電子科技職業(yè)學(xué)院光伏發(fā)電系統(tǒng)的基礎(chǔ)上，設(shè)計了數(shù)據(jù)采集分析到發(fā)電功率預(yù)測的一整套系統(tǒng)。該系統(tǒng)通過采集光伏發(fā)電系統(tǒng)數(shù)據(jù)，經(jīng)過數(shù)據(jù)處理后，以BP神經(jīng)網(wǎng)絡(luò)算法為基礎(chǔ)設(shè)計預(yù)測模型，最終實現(xiàn)光伏發(fā)電系統(tǒng)的發(fā)電功率預(yù)測功能。軟件調(diào)試結(jié)果表明，系統(tǒng)工作穩(wěn)定，預(yù)測結(jié)果準確率高，具有一定的實用價值。

關(guān)鍵詞：BP；光伏發(fā)電；預(yù)測；算法

目前，光伏發(fā)電是我國新能源發(fā)電領(lǐng)域發(fā)展最迅速、應(yīng)用推廣最為廣泛的行業(yè)之一。而隨著光伏發(fā)電系統(tǒng)的不斷應(yīng)用，環(huán)境因素成為光伏發(fā)電系統(tǒng)工作的主要影響因子。隨著近年來光伏電站的大量建設(shè)，系統(tǒng)容量設(shè)計中的發(fā)電功率預(yù)測成為電站建設(shè)的重要指標(biāo)。

為了實現(xiàn)光伏發(fā)電系統(tǒng)的發(fā)電功率預(yù)測，就必須通過系統(tǒng)發(fā)電數(shù)據(jù)的采集、分析，優(yōu)選，針對發(fā)電系統(tǒng)構(gòu)建智能化模型，利用智能算法進行計算，從而最終實現(xiàn)光伏發(fā)電系統(tǒng)功率預(yù)測[1]。

基于MATLAB科學(xué)計算語言的智能算技術(shù)發(fā)展為光伏發(fā)電預(yù)測系統(tǒng)提供了有力的技術(shù)支持，特別是BP神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展，使數(shù)據(jù)采集、處理、訓(xùn)練、預(yù)測等環(huán)節(jié)的技術(shù)指標(biāo)得到了很大的提高。本設(shè)計就是BP神經(jīng)網(wǎng)絡(luò)算法模型下的光伏發(fā)電功率預(yù)測系統(tǒng)。

1 預(yù)測模型算法

預(yù)測模型采用了目前較為成熟的BP神經(jīng)網(wǎng)絡(luò)算法，按照誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練，構(gòu)建多層前饋網(wǎng)絡(luò)，使得網(wǎng)絡(luò)的誤差平方和最小。BP神經(jīng)網(wǎng)絡(luò)模型的拓撲結(jié)構(gòu)由，輸入層、隱含層和輸出層三部分構(gòu)成，如圖1所示。

2 預(yù)測模型功能分析

基于BP神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電功率預(yù)測模型，需要大量的輸入輸出數(shù)據(jù)才能做到最優(yōu)，因此，此預(yù)測模型主要通過數(shù)據(jù)處理、模型構(gòu)建、數(shù)據(jù)訓(xùn)練等主要環(huán)節(jié)完成預(yù)測模型的構(gòu)建和完善，從而最終實現(xiàn)光伏發(fā)電預(yù)測系統(tǒng)的整體功能。

3 預(yù)測系統(tǒng)設(shè)計

光伏發(fā)電預(yù)測系統(tǒng)設(shè)計主要由數(shù)據(jù)預(yù)處理、構(gòu)建模型、訓(xùn)練、結(jié)果分析四部分構(gòu)成。

3.1 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理主要由光伏發(fā)電采集的不良數(shù)據(jù)的預(yù)處理和光伏發(fā)電采集發(fā)電數(shù)據(jù)的歸一化處理兩部分工作構(gòu)成。

光伏發(fā)電結(jié)果的不良數(shù)據(jù)處理采用了小波分析法進行分析，實際操作中采用了信號奇異點檢測法，使用該方法的目的主要是消除系統(tǒng)采集的不良數(shù)據(jù)，從而對發(fā)電功率數(shù)據(jù)進行重構(gòu)，最終保證預(yù)測結(jié)果的真實可靠。

光伏發(fā)電的數(shù)據(jù)歸一化處理主要是為了達到輸入數(shù)據(jù)和輸出數(shù)據(jù)的數(shù)量級一致的目的，從而降低BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果誤差。

3.2 構(gòu)建模型

基于BP神經(jīng)網(wǎng)絡(luò)的算法模型主要需要首先確定輸入輸出層節(jié)點數(shù)和隱含層節(jié)點數(shù)量。

本光伏發(fā)電功率預(yù)測系統(tǒng)需要有8個輸入量，包括溫度、日照輻射、風(fēng)速、風(fēng)向、交流電壓、交流電流、蓄電池溫度、直流輸出電壓等影響因子。因而輸入節(jié)點數(shù)為8。

考慮到本系統(tǒng)輸出的是某時間節(jié)點的日照功率，因此輸出層節(jié)點數(shù)為1。

3.3 數(shù)據(jù)訓(xùn)練與結(jié)果分析

隱含層節(jié)點數(shù)將決定系統(tǒng)的學(xué)習(xí)能力和信息處理能力，所以既要考慮算法的合理性還要考慮算法的運行速度。為了確定隱含層的最優(yōu)節(jié)點數(shù)，需要對不同隱含層模型進行仿真，使用RMSE作為考核指標(biāo)，當(dāng)RMSE最小時，預(yù)測效果最好，具體公式見公式（1）。

式中：M 為總的數(shù)據(jù)量；Pif為預(yù)測值；Pia為實際值；i為預(yù)測時刻。

根據(jù)在MATLAB上的仿真，結(jié)果顯示，隱含層為9時，均方根誤差最小，系統(tǒng)預(yù)測結(jié)果最為準確，MATLAB仿真模型如圖3所示。

4 系統(tǒng)輸出結(jié)果分析

本系統(tǒng)采用了北京電子科技職業(yè)學(xué)院實訓(xùn)樓頂?shù)墓夥l(fā)電系統(tǒng)發(fā)電數(shù)據(jù)，采集時間從2014年6月開始，10分鐘一個周期，共采集了122組數(shù)據(jù)，隨機選取62組作為訓(xùn)練數(shù)據(jù)，余下的60組作為預(yù)測數(shù)據(jù)，采用預(yù)測準確率Ak作為評價指標(biāo)，數(shù)值越大效果越好，本系統(tǒng)數(shù)值達到了0.9795，Ak計算公式如公式（1）所示。

（2）

式中：M為總的數(shù)據(jù)量；Pif為預(yù)測值；Pia為實際值；i 為預(yù)測時刻。

5 結(jié)束語

仿真結(jié)果表明，現(xiàn)有系統(tǒng)通過引入當(dāng)前光伏發(fā)電系統(tǒng)的影響因素作為輸入因子，把交流發(fā)電功率作為輸出節(jié)點，通過RMSE指標(biāo)的引入，達到了較好的預(yù)測精度，預(yù)測效果穩(wěn)定。

參考文獻

[1]南書坡，程聰.一種基于BP神經(jīng)網(wǎng)絡(luò)的離散化方法[J].電腦知識與技術(shù)，2015（9）.

[2]張俊蔚.基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測仿真分析[J].電源技術(shù)應(yīng)用，2014（7）.