張 玉 ，萬成偉

（桂林理工大學(xué) 機械與控制工程學(xué)院，廣西 桂林541006）

基于模糊神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電量短期預(yù)測

張 玉 ，萬成偉

（桂林理工大學(xué) 機械與控制工程學(xué)院，廣西 桂林541006）

受天氣狀況、輻照度、溫度、濕度等氣象因素的影響，光伏系統(tǒng)的輸出具有很強的非線性和非平穩(wěn)性的特點，光伏發(fā)電量預(yù)測精度較低。該文根據(jù)光伏系統(tǒng)的歷史發(fā)電數(shù)據(jù)和實際氣象數(shù)據(jù)，采用模糊識別與RBF神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，實現(xiàn)光伏系統(tǒng)發(fā)電量的短期預(yù)測。首先對影響預(yù)測結(jié)果的氣象因素進行分析，然后按天氣類型進行分類，對不同的天氣類型分別建立模型進行訓(xùn)練，最后利用此模型預(yù)測未來的光伏系統(tǒng)發(fā)電量，并通過實驗仿真驗證。預(yù)測結(jié)果表明，該方法不但減少了模型所需樣本數(shù)量而且提高了預(yù)測的精度，具有一定的科研價值。

模糊神經(jīng)網(wǎng)絡(luò)；發(fā)電量預(yù)測；光伏；天氣類型

光伏發(fā)電是我國十二五末、十三五規(guī)劃重點主推的能源利用形式，具有重要的戰(zhàn)略意義。預(yù)計未來國內(nèi)市場光伏裝機類型將與美日德等國接軌，地面集中式電站占據(jù)絕大部分份額的局面將逐漸演變成分布式、集中式電站并舉。除此之外，國家能源主管部門先后提出了十三五光伏100 GW的目標，放大了分布式光伏的范疇（地面分布式），并且解決了一直困擾分布式發(fā)展的電價兜底等關(guān)鍵性問題，為今后分布式光伏爆發(fā)式增長提供了政策托底。我國國土總面積的96%以上的太陽能資源都十分豐富，絕大部分地區(qū)都可利用太陽能進行發(fā)電，在我國光伏發(fā)電具有了大規(guī)模使用的技術(shù)條件和經(jīng)濟條件[1]。輻照度、濕度、氣溫、風(fēng)速以及蒸發(fā)地變化，對光伏發(fā)電具有很大的影響。光伏發(fā)電功率所表現(xiàn)出的明顯間歇性與波動性也是由這些隨機性與周期性因素所決定的。目前對光伏發(fā)電預(yù)測技術(shù)的研究不多，而這正是光伏發(fā)電大規(guī)模應(yīng)用的難點之一[2]。因此，光伏發(fā)電預(yù)測對于電網(wǎng)安全的調(diào)度，制定電力市場合理的能源管理方案具有重要的意義。

現(xiàn)有對光伏發(fā)電功率預(yù)測的方法主要有間接預(yù)測法與直接預(yù)測法兩種[3]。間接預(yù)測法主要是通過預(yù)測太陽輻射強度再對發(fā)電量進行預(yù)測，因此預(yù)測結(jié)果精度較低。直接預(yù)測法是一種依靠大量光伏系統(tǒng)運行的歷史數(shù)據(jù)進行數(shù)學(xué)統(tǒng)計預(yù)測的方法，此方法具有較高的精度。目前對光伏發(fā)電預(yù)測的方法有多種，如支持向量機法[4]、時間序列法[5]、神經(jīng)網(wǎng)絡(luò)法[6]、馬爾科夫鏈等。文獻[4]先在歷史數(shù)據(jù)庫中挑選出與預(yù)測日類似的數(shù)據(jù)，利用支持向量機方法進行預(yù)測。文獻[5]使用聚類的方式對歷史數(shù)據(jù)進行分析，運用時間序列與模糊理論結(jié)合的方式進行預(yù)測。文獻[6]通過相似日的選取，獲得與預(yù)測日相關(guān)性最大的相似日，再將相似日的信息當(dāng)做模型的輸入來獲得結(jié)果。但是，文獻[4]需要大量的數(shù)據(jù)來選擇所需要的相似特征，對數(shù)據(jù)量要求很高；文獻[5]由于突變因素的存在，需要進一步的提高其預(yù)測精度；文獻[6]中提出的模型存在著系統(tǒng)誤差，使得每一個預(yù)測值在對應(yīng)的時間上均小于實際值。

該文基于徑向基神經(jīng)網(wǎng)絡(luò)，采用模糊識別的方式對天氣數(shù)據(jù)進行分類，對每一種天氣類型建立一個預(yù)測子模塊。將一個復(fù)雜度高的模型變成幾個復(fù)雜度低的子模型，既減少了模型所需的樣本數(shù)量，又提高的預(yù)測的精度。

1 影響光伏發(fā)電量的氣象因素

該文以桂林理工大學(xué)并網(wǎng)光伏發(fā)電系統(tǒng)為研究對象，以光伏發(fā)電系統(tǒng)的歷史發(fā)電數(shù)據(jù)和實際氣象數(shù)據(jù)作為參考，對可能影響光伏系統(tǒng)發(fā)電量的氣象因素進行分析。

1.1 不同天氣類型對發(fā)電量的影響

圖1 不同天氣情況下的輸出功率

由圖1可知，雖然光伏系統(tǒng)每日的功率均不相同，具有隨機性，在同一天氣情況下，功率曲線的變化趨勢卻是基本相同的。在預(yù)測模型中，可以以預(yù)測日上一次相似日的相關(guān)數(shù)據(jù)作為輸入變量。

1.2 其他氣象因素對發(fā)電量的影響

除了天氣類型會對光伏系統(tǒng)的發(fā)電量產(chǎn)生影響外，輻照度、濕度、溫度、風(fēng)速以及蒸發(fā)的變化也會對光伏系統(tǒng)產(chǎn)生顯著的影響。如下圖所示。

圖2 輻照度與輸出功率的關(guān)系

圖3 風(fēng)速、氣溫、濕度和蒸發(fā)與輸出功率的關(guān)系

由圖2與圖3可以看出，風(fēng)速、溫度、輻照度和蒸發(fā)與輸出功率均呈現(xiàn)正相關(guān)的關(guān)系，而濕度與輸出功率則呈現(xiàn)負相關(guān)的關(guān)系。因此，可以用輻照度、濕度、溫度、風(fēng)速以及蒸發(fā)作為模型的重要輸入。

2 徑向基神經(jīng)網(wǎng)絡(luò)及預(yù)測模型

2.1 徑向基神經(jīng)網(wǎng)絡(luò)

由RBF神經(jīng)元與線性神經(jīng)元組成的廣義回歸神經(jīng)網(wǎng)絡(luò)，可以以任意的精度逼近的任意的連續(xù)函數(shù)。在RBF神經(jīng)網(wǎng)絡(luò)中可以直接將輸入矢量映射到隱層空間，再由隱層空間以線性的方式映射到輸出空間。其在輸入到輸出的映射是非線性的，而輸出對權(quán)值又是線性的，此時的權(quán)值便可以由線性方程直接解出，進而極大的提高了網(wǎng)絡(luò)的學(xué)習(xí)速度，同時也避免了局部最小值問題[7]。

該文在對網(wǎng)絡(luò)進行訓(xùn)練的時候，采用數(shù)據(jù)庫中的xp作為輸入樣本，其中P為樣本總數(shù)，是歐式范數(shù)，c是高斯函數(shù)的中心，σ是高斯函數(shù)的方差。網(wǎng)絡(luò)中的激活函數(shù)可以表示為

網(wǎng)絡(luò)的輸出為

式中，ωij是隱含層到輸出層之間的權(quán)值，h是隱含層節(jié)點數(shù)。

對網(wǎng)絡(luò)進行初始化的時候，?p為xp所在的聚類集合，隨機選取n個訓(xùn)練樣本作為聚類中心，ci（i= 1，2，…，n）之后將輸入的訓(xùn)練樣本按xp與中心ci間的歐式距離，將xp分配到輸入的各個聚類集合?p中。然后計算每一個聚類集合?p的均值，作為網(wǎng)絡(luò)的新的中心ci，假如ci不會繼續(xù)改變，說明ci可以作為網(wǎng)絡(luò)的中心，否則就繼續(xù)求解直到得到不再改變的ci。該文使用最小二乘法直接計算輸出層和隱含層之間的權(quán)值ω[8]：

在此基礎(chǔ)上，可以改變RBF網(wǎng)絡(luò)參數(shù)，尤其是改變中心來優(yōu)化網(wǎng)絡(luò)的性能，這樣可以使網(wǎng)絡(luò)產(chǎn)生無限逼近的最佳效果。同時，也可以采用將中心進行固定，通過改變隱層節(jié)點數(shù)的方式來優(yōu)化網(wǎng)絡(luò)性能。此時網(wǎng)絡(luò)只有輸出層的權(quán)值是自由參數(shù)，可以使用線性優(yōu)化的方式進行調(diào)整。該方法的好處是能夠同時實現(xiàn)網(wǎng)絡(luò)結(jié)構(gòu)和逼近進度的最佳組合，隱含層節(jié)點數(shù)由設(shè)定的誤差精度來決定；但在樣本有限的時候，隱含層節(jié)點數(shù)最多只能與樣本的數(shù)目一致，繼續(xù)增加不會改善網(wǎng)絡(luò)的性能。

2.2 預(yù)測模型

由圖1可知，在天氣類型一致的時候，光伏系統(tǒng)的輸出曲線雖然不同，形狀上卻是十分相似的，但在天氣類型不一致的時候，光伏系統(tǒng)的在輸出曲線的形狀上基本不同。在此種情況下，若使用同一個神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)進行擬合，需要非常大的樣本數(shù)量和相當(dāng)長時間的學(xué)習(xí)時間。同樣的，因為模型龐大使用單一的網(wǎng)絡(luò)預(yù)測會使其模型的精度降低。假如使用幾個簡單的子模型擬合不同的天氣狀況，并用這幾個不同的模型分別擬合對應(yīng)的數(shù)據(jù)，再由這些子模型組合成復(fù)雜的模型，既可以使預(yù)測模型變得簡單，減少網(wǎng)絡(luò)訓(xùn)練所需要的時間，又可以提高網(wǎng)絡(luò)的精度。

將對光伏系統(tǒng)有影響的氣象因素諸如風(fēng)速、溫度、輻照度和蒸發(fā)等數(shù)據(jù)作為預(yù)測模型的輸入。同時，存儲這些數(shù)據(jù)為系統(tǒng)的數(shù)據(jù)庫，以便對這些氣象因素的整理分析。

該文的數(shù)據(jù)來自桂林理工大學(xué)并網(wǎng)光伏發(fā)電系統(tǒng)，其中數(shù)據(jù)集是由分辨率為10min的歷史氣象數(shù)據(jù)和發(fā)電量數(shù)據(jù)組成的。該文通過天氣類型對數(shù)據(jù)分類，以晴天，陰天和雨天三個子模型構(gòu)建預(yù)測模型，樣本數(shù)據(jù)也會按此類型分類并將相應(yīng)的數(shù)據(jù)劃歸對應(yīng)的子模型中進行訓(xùn)練。總體模型框架如圖4。

圖4 模型總體框架

在網(wǎng)絡(luò)訓(xùn)練完畢之后需要對模型評估。在對模型好壞進行評估的時候，通常都會使用相對誤差、均方差、絕對值最大偏差等。除此之外，還有很多其他的方法來對模型進行評估，該文在這里使用的是平均絕對百分比誤差作為模型的評價標準。

2.3 模型訓(xùn)練

使用相應(yīng)的數(shù)據(jù)對各自對應(yīng)的模型開始訓(xùn)練。但在RBF網(wǎng)絡(luò)中改變網(wǎng)絡(luò)的擴展速度和隱層的節(jié)點數(shù)會使模型的精度產(chǎn)生相應(yīng)的變化，因此，要確定最適合的隱層節(jié)點數(shù)和擴展速度使網(wǎng)絡(luò)的精度達到最好?？梢詫⒅行倪M行固定，以增加隱含層神經(jīng)元的方式來改善網(wǎng)絡(luò)性能，隱含層節(jié)點數(shù)由設(shè)定誤差的精度來決定，不再需要人工對其設(shè)置。這種時候，網(wǎng)絡(luò)只有輸出層的權(quán)值是自由參數(shù)，可以使用線性優(yōu)化的方式進行調(diào)整。能夠同時實現(xiàn)網(wǎng)絡(luò)結(jié)構(gòu)和逼近進度的最佳組合。

但對于網(wǎng)絡(luò)的另外的一個重要參數(shù)，擴展速度只能自行設(shè)置而不能由網(wǎng)絡(luò)自動調(diào)整。改變擴展速度的值會使得網(wǎng)絡(luò)的精度產(chǎn)生相應(yīng)地變化。

由圖5可知，real表示光伏系統(tǒng)的實際發(fā)電量曲線，spread1，2，3表示擴展速度分別為0.1、0.3、0.5時模型的預(yù)測曲線。在對比分析之后，發(fā)現(xiàn)在擴展速度為0.3時，預(yù)測曲線的誤差最小。RBF網(wǎng)絡(luò)的擴展速度會對函數(shù)擬合的平滑性和變化速率產(chǎn)生影響，大的擴展速度會使得函數(shù)的擬合非常平滑，但過大會使得變化速率的改變過快相應(yīng)的神經(jīng)元數(shù)目也會增多；同樣過小的擴展速度會使得變化速率的改變過慢，此時神經(jīng)元數(shù)目也會增多。所以，需要改變擴展速度的大小使得模型的精度達到最優(yōu)。

圖5 擴展速度對模型精度的影響

3 算例分析

該文數(shù)據(jù)來自桂林理工大學(xué)并網(wǎng)光伏系統(tǒng)的歷史數(shù)據(jù)庫，此光伏系統(tǒng)日最大發(fā)電量50 kWh，額定輸出功率是11 kW。系統(tǒng)自帶數(shù)據(jù)記錄裝置，可以以10分鐘為間隔對光伏發(fā)電量、天氣狀況和氣候特征等做24小時不間斷地實時記錄，數(shù)據(jù)有著極高的科研價值。該文選取每天8:00am-17:00pm的間隔10分鐘采集一次的光伏發(fā)電功率樣本數(shù)據(jù)，樣本中包含輻照度、濕度、溫度、風(fēng)速以及蒸發(fā)六個特征值。圖6為模型的預(yù)測結(jié)果。

圖6 預(yù)測結(jié)果

在圖6中，real1和yuce1為天氣類型為陰天時的實際發(fā)電量曲線與網(wǎng)絡(luò)預(yù)測曲線；real2和yuce2為天氣類型為晴天時的實際發(fā)電量曲線與網(wǎng)絡(luò)預(yù)測曲線；real3和yuce3為天氣類型為雨天時的實際發(fā)電量曲線和網(wǎng)絡(luò)預(yù)測曲線。

可以由圖形看出，在天氣類型是晴天和雨天的時候，網(wǎng)絡(luò)的精度最高誤差在15%左右，在陰天的時候網(wǎng)絡(luò)的精度不太理想，誤差精度會在30%左右。

4 結(jié) 論

該文分析了輻照度、濕度、溫度、風(fēng)速以及蒸發(fā)一系列的氣象因素的變化對光伏系統(tǒng)發(fā)電量的影響；構(gòu)建了一個預(yù)測模型，使用模糊識別對歷史數(shù)據(jù)庫的數(shù)據(jù)進行處理，并將處理后的數(shù)據(jù)劃歸以天氣類型建立的對應(yīng)的子模型，在降低了模型訓(xùn)練所需的數(shù)據(jù)數(shù)量的同時又減小了模型預(yù)測產(chǎn)生的誤差。最后，使用了實例數(shù)據(jù)對該文模型進行檢驗，結(jié)果表明該文的預(yù)測模型可以很好的對光伏系統(tǒng)的發(fā)電量進行預(yù)測。

[1]栗寶卿.促進可再生能源發(fā)展的財稅政策研究[D].財政部財政科學(xué)研究所，2010.

[2]陳昌松，段善旭，殷進軍.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 [J].電工技術(shù)學(xué)報，2009，9:153-158.

[3]王飛.并網(wǎng)型光伏電站發(fā)電功率預(yù)測方法與系統(tǒng)[D].華北電力大學(xué)，2013.

[4]傅美平，馬紅偉，毛建容.基于相似日和最小二乘支持向量機的光伏發(fā)電短期預(yù)測[J].電力系統(tǒng)保護與控制，2012，16:65-69.

[5]楊志超，朱峰，張成龍，等.基于自適應(yīng)模糊時間序列法的光伏發(fā)電短期功率預(yù)測[J].南京工程學(xué)院學(xué)報：自然科學(xué)版，2014，1:6-13.

[6]王彬筌，蘇適，嚴玉廷.基于BP神經(jīng)網(wǎng)絡(luò)的光伏短期功率預(yù)測模型[J].電氣時代，2014，5:78-81.

[7]朱詩卉，代煥利，王颯，等.RBF神經(jīng)網(wǎng)絡(luò)電力負荷預(yù)測模型研究[J].三峽大學(xué)學(xué)報：自然科學(xué)版，2013，5:46-49.

[8]馬力.基于強化學(xué)習(xí)改進的模糊神經(jīng)網(wǎng)絡(luò)及其應(yīng)用研究[D].西安電子科技大學(xué)，2011.

[9]陳昌松.光伏微網(wǎng)的發(fā)電預(yù)測與能量管理技術(shù)研究[D].華中科技大學(xué)，2011.

[10]盧金娜.基于優(yōu)化算法的徑向基神經(jīng)網(wǎng)絡(luò)模型的改進及應(yīng)用[D].中北大學(xué)，2015.

[11]周維華.RBF神經(jīng)網(wǎng)絡(luò)隱層結(jié)構(gòu)與參數(shù)優(yōu)化研究[D].華東理工大學(xué)，2014.

[12]袁曉玲，施俊華，徐杰彥.基于BP神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電短期出力預(yù)測 [J].可再生能源，2013（7）: 11-16.

[13]李鵬梅，臧傳治，王侃侃.基于相似日和神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電預(yù)測[J].可再生能源，2013（10）:1-4，9.

Photovoltaic power short-termprediction based on fuzzy neural network

ZHANG Yu，WAN Cheng-wei
（College of Mechanical and Control Engineering，Guilin University of Technology，Guilin 541006，China）

Affected by weather conditions，irradiance，the influence of the meteorological factors such as temperature，humidity，the output of the photovoltaic system has the characteristics of strong nonlinear and non-stationary，photovoltaic power generation forecasting precision is low.Based on the history of the photovoltaic system to generate electricity data and actual meteorological data.By adopting the combination of fuzzy recognition and RBF neural network method，realized the short-term prediction of a photovoltaic power system.First meteorological factors affecting the prediction results were analyzed，and then according to classify the weather types，on different weather types training model respectively，finally using this model to predict the future of a photovoltaic power system，and through the simulation experiment.Predicted results show that this method not only reduces the required sample size and improve the accuracy of the prediction model，has certain research value.

fuzzy neural network；power prediction；photovoltaic（pv）；weather types

TN02

：A

：1674-6236（2017）02-0150-04

2016-01-31稿件編號：201601298

廣西教育廳重點項目（ZD2014064）

張 玉（1980—），女，湖北應(yīng)城人，碩士，副教授。研究方向：分布式光伏發(fā)電，物聯(lián)網(wǎng)應(yīng)用。