,

(上海電力學(xué)院 電子與信息工程學(xué)院, 上海 200090)

隨著世界能源的消耗量巨增,光伏發(fā)電作為清潔能源中應(yīng)用前景最廣的新能源形式,將逐步替代部分常規(guī)能源,逐漸成為世界能源供應(yīng)的主體[1-2].但分布式能源的波動性和間歇性較強(qiáng),對電網(wǎng)的調(diào)頻、調(diào)峰等產(chǎn)生一定的影響,光伏大穿透率并入傳統(tǒng)電網(wǎng)加大了電力系統(tǒng)的調(diào)度難度.

光伏短期出力預(yù)測是在未來一段確定的時(shí)間內(nèi),對光伏發(fā)出的功率進(jìn)行預(yù)測.在得知預(yù)測時(shí)間段內(nèi)關(guān)鍵因素(氣象、太陽輻射等數(shù)據(jù))的變化趨勢下,系統(tǒng)調(diào)度部門的管理人員可以據(jù)此統(tǒng)籌安排傳統(tǒng)能源和光伏發(fā)電協(xié)調(diào)配合,及時(shí)調(diào)整發(fā)電計(jì)劃,有效地降低光伏接入對電網(wǎng)運(yùn)行的影響.裝有屋頂光伏電站的用戶也可以根據(jù)預(yù)測結(jié)果,合理安排用電時(shí)段,對家庭能量管理進(jìn)行合理決策,從而降低用電成本.可見,對光伏出力的準(zhǔn)確預(yù)測,能夠?yàn)殡娋W(wǎng)調(diào)度、用戶側(cè)決策提供可靠的依據(jù),對確保電網(wǎng)安全、經(jīng)濟(jì)的運(yùn)行具有重大意義.

1 光伏出力分析

光伏發(fā)電出力對氣象、環(huán)境等外界不可控因素有著很大的依賴性,輸出功率受太陽能輻射量、環(huán)境溫度、太陽能面板性能等多種因素的影響[3].在硬件條件不變、光照和溫度一定的情況下,其輸出基本是確定的.光伏對地表太陽輻射強(qiáng)度十分敏感[4],發(fā)電出力可表示為:

Ppv(t)=R(t)Aηrηpc[1-β(Tc-Tcref)]

(1)

式中:R(t)——光照強(qiáng)度;

A——光伏組件面積;

ηr——溫度系數(shù);

ηpc——直流變換環(huán)節(jié)MPPT效率;

Tc,Tcref——環(huán)境的實(shí)際溫度和參考溫度.

由式(1)以及數(shù)據(jù)庫中的數(shù)據(jù)可知,太陽輻射量與光伏發(fā)電出力有較強(qiáng)的相關(guān)關(guān)系,如圖1所示.

圖1 太陽輻射量與光伏出力的關(guān)系

此外,天氣是影響可再生能源持續(xù)出力的主要因素,除了個別天氣突變的情況,歷史出力數(shù)據(jù)在一定程度上隱含著天氣的信息.前一日的出力數(shù)據(jù)可以代表預(yù)測的氣象綜合指標(biāo),與預(yù)測有很大的相關(guān)性.根據(jù)以上分析,本文將預(yù)測日前兩日的太陽輻射量以及光伏出力數(shù)據(jù)作為輸入.

2 光伏出力短期預(yù)測模型設(shè)計(jì)

2.1 GA-BP神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)是一種以反向傳播算法調(diào)整網(wǎng)絡(luò)權(quán)值的多層前饋神經(jīng)網(wǎng)絡(luò),無需過多關(guān)注復(fù)雜的建模過程,通過輸入-輸出的對應(yīng)關(guān)系進(jìn)行訓(xùn)練.它的學(xué)習(xí)規(guī)則是使用梯度下降法,通過將輸出與實(shí)際輸出樣本之間的誤差,反向經(jīng)過各隱含層傳遞到輸入層,并逐層計(jì)算各層神經(jīng)元的誤差以修正各個連接權(quán)值和閾值,通過不斷的調(diào)整使網(wǎng)絡(luò)的誤差范數(shù)最小,最終達(dá)到理想誤差[5].

神經(jīng)網(wǎng)絡(luò)的非線性擬合能力很強(qiáng),適合描述工程中復(fù)雜的非線性關(guān)系,如光伏電站出力輸入與輸出之間的關(guān)系.但神經(jīng)網(wǎng)絡(luò)在結(jié)構(gòu)設(shè)計(jì)和權(quán)值設(shè)計(jì)算法方面存在缺陷[6],在選取網(wǎng)絡(luò)訓(xùn)練初始權(quán)值時(shí),傳統(tǒng)的方法是隨機(jī)給定的,很容易陷入局部極值無法逃逸.遺傳算法的出現(xiàn)解決了這一問題,遺傳算法(Genetic Algorithms,GA)是通過自然選擇隨機(jī)性進(jìn)行的一種全局搜索方法,可以實(shí)現(xiàn)目標(biāo)群體中最優(yōu)個體的搜索.同時(shí),使用的搜索方式和結(jié)構(gòu)不會受到任何群體梯度變化的影響.

優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值實(shí)質(zhì)上是一個目標(biāo)函數(shù)尋優(yōu)的過程,通過不斷的優(yōu)勝劣汰,尋找到一個最優(yōu)的連接權(quán)值[7].網(wǎng)絡(luò)權(quán)值和閾值的整體分布體現(xiàn)了神經(jīng)網(wǎng)絡(luò)系統(tǒng)的全部知識,而梯度下降法本身對于初始權(quán)值的選擇較為敏感.初始權(quán)值的微小差別會使得結(jié)果相差很多,因此優(yōu)良的初值對結(jié)果是很重要的.引入遺傳算法是為了找出最優(yōu)的初始權(quán)值和閾值,使神經(jīng)網(wǎng)絡(luò)以最高效率進(jìn)行訓(xùn)練和預(yù)測.

本文先用GA對網(wǎng)絡(luò)初始權(quán)值和閾值進(jìn)行優(yōu)化,得到最優(yōu)權(quán)值(閾值),并賦值給預(yù)測網(wǎng)絡(luò)各層進(jìn)行學(xué)習(xí)和預(yù)測,算法流程如圖2所示.

2.2 神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

2.2.1 輸入輸出層的設(shè)計(jì)

若用P(d,t)表示發(fā)電功率的實(shí)際值,PP(d,t)表示出力預(yù)測值,I(d,t)表示太陽輻射量,其中t表示預(yù)測時(shí)間段,則輸入層參數(shù)可選取為:預(yù)測時(shí)間段前一天同一時(shí)間段的發(fā)電功率值P(d-1,t)和太陽輻射量I(d-1,t),預(yù)測時(shí)間段前兩天同一時(shí)刻的發(fā)電功率值P(d-2,t)和太陽輻射量I(d-2,t),預(yù)測時(shí)間段的太陽輻射量I(d,t).輸出量為預(yù)測時(shí)間段的發(fā)電功率值Pp(d,t),該模型輸入節(jié)點(diǎn)數(shù)為5,輸出節(jié)點(diǎn)數(shù)為1.

圖2 GA-BP神經(jīng)網(wǎng)絡(luò)流程示意

2.2.2 結(jié)構(gòu)設(shè)計(jì)

Kolmogorov定理指出[8],任何一個連續(xù)函數(shù)都可以用一個3層BP神經(jīng)網(wǎng)絡(luò)來精確實(shí)現(xiàn),如果隱含層節(jié)點(diǎn)的數(shù)量很多,幾乎可以精確地逼近任何復(fù)雜非線性函數(shù).因此,隱含層神經(jīng)元數(shù)目的確定在神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)中至關(guān)重要.它與輸入之間內(nèi)在的關(guān)聯(lián)程度、輸出量,以及對精度要求有不可忽略的聯(lián)系.根據(jù)經(jīng)驗(yàn)公式,可以計(jì)算出神經(jīng)元個數(shù)為4～13個,在算例中進(jìn)行多次嘗試后,確定選擇隱含層神經(jīng)元個數(shù)為6時(shí)效果較好.

2.3 遺傳算法設(shè)計(jì)

本文提到的GA-BP神經(jīng)網(wǎng)絡(luò)是指利用遺傳算法對連接權(quán)值進(jìn)行優(yōu)化,其過程如下.

(1) 對隨機(jī)產(chǎn)生的連接權(quán)值和閾值進(jìn)行編碼.

(2) 生成初始化種群,設(shè)置遺傳代數(shù)、交叉概率和變異概率參數(shù).

(3) 計(jì)算適應(yīng)度函數(shù),以每個樣本的誤差函數(shù)值的倒數(shù)作為適應(yīng)度函數(shù)值,評價(jià)連接權(quán)的優(yōu)劣,選擇適應(yīng)度大的個體進(jìn)入下一代.

(4) 對當(dāng)前群體用交叉、變異等操作進(jìn)行進(jìn)化,產(chǎn)生下一代群體.

(5) 重復(fù)步驟(3)和步驟(4),直到滿足條件為止.

3 模型實(shí)現(xiàn)

3.1 數(shù)據(jù)樣本的預(yù)處理

為了保證數(shù)據(jù)的時(shí)序?qū)?yīng)關(guān)系,首先需要對輸入和輸出的數(shù)據(jù)進(jìn)行一定的預(yù)處理:將原始光伏出力數(shù)據(jù)以15 min為間隔取均值,變換為1 h內(nèi)的平均出力值,與太陽輻射量的時(shí)間間隔保持一致.將處理好的樣本分為訓(xùn)練集和測試集兩部分,2015年1月1日至2015年10月31日的處理結(jié)果作為訓(xùn)練集,2015年11月11日至2015年12月31日的處理結(jié)果作為測試集.

3.2 神經(jīng)網(wǎng)絡(luò)的創(chuàng)建

在神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中,若過分追求訓(xùn)練集的最小樣本誤差,很容易出現(xiàn)“過擬合”現(xiàn)象[9],導(dǎo)致對訓(xùn)練集以外的新樣本數(shù)據(jù)的誤差變大,神經(jīng)網(wǎng)絡(luò)的泛化能力下降.因此,需使結(jié)構(gòu)復(fù)雜程度與訓(xùn)練樣本數(shù)目相匹配,增強(qiáng)其泛化能力.本文建立的網(wǎng)絡(luò)為5×6×1結(jié)構(gòu).輸入層和隱含層均采用tansig傳遞函數(shù),輸出層采用 purelin 純線性傳遞函數(shù),訓(xùn)練函數(shù)為trainlm 函數(shù).

3.3 遺傳算法實(shí)現(xiàn)

網(wǎng)絡(luò)的結(jié)構(gòu)確定后,就可知各層的權(quán)值和閾值的個數(shù).種群中的每個個體在編碼時(shí)都需要包含網(wǎng)絡(luò)中各層所有的權(quán)值和閾值,個體計(jì)算適應(yīng)度函數(shù)得出適應(yīng)度值,遺傳算法通過選擇、交叉和變異等遺傳算子找到最優(yōu)適應(yīng)度的個體.模型中權(quán)值的優(yōu)化是一個無約束優(yōu)化問題,采用實(shí)數(shù)對神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值進(jìn)行編碼,由輸入層與隱含層權(quán)值、隱含層與輸出層權(quán)值、隱含層閾值、輸出層閾值組成.

S=RS1+S1S2+S1+S2

(2)

式中:R,S1,S2——網(wǎng)絡(luò)輸入層、隱含層、輸出層的維數(shù);

RS1——輸入層與隱層權(quán)值的編碼長度;

S1S2——隱層與輸出層權(quán)值的編碼長度;

S1——隱層閾值編碼長度;

S2——輸出層閾值編碼長度.

本文為5×6×1結(jié)構(gòu)的網(wǎng)絡(luò),所以遺傳算法個體編碼長度為42,其中輸入層與隱含層之間的權(quán)值W1占30個基因位,隱含層與輸出層之間的權(quán)值W2占6個基因位,隱含層閾值b1占6個基因位,輸出層閾值b2占1個基因位.每一種群的個體數(shù)目n=30,最大遺傳代數(shù)gmax=100,變量的編碼位數(shù)PRECI=42,代溝gGAP=0.9,交叉概率pc=0.75,變異概率pm=0.01.

為了使預(yù)測值與實(shí)際值的誤差盡量小,選擇預(yù)測樣本的預(yù)測值與實(shí)際值的誤差矩陣的范數(shù)作為目標(biāo)函數(shù)的輸出.將測試樣本的誤差范數(shù)(即測試值與期望值之間誤差的平方和)作為評價(jià)預(yù)測網(wǎng)絡(luò)的一個泛化能力(網(wǎng)絡(luò)的優(yōu)劣)[10],再計(jì)算個體的適應(yīng)度值,即計(jì)算誤差范數(shù)的倒數(shù).個體的誤差范數(shù)越小,則個體適應(yīng)度越大,該個體越優(yōu).

4 算例仿真與結(jié)果

由于美國加利福尼亞能源委員會提供的光伏出力數(shù)據(jù)庫為開源的,而且在加利福尼亞洲圣何塞河濱縣由清潔能源供應(yīng)商SolarCity建立了最大的光伏項(xiàng)目運(yùn)營中心,因此選擇該地區(qū)為研究對象.該地區(qū)坐標(biāo)為西經(jīng)90°35′,北緯13°50′.美國國家航空和宇航局的衛(wèi)星監(jiān)測可以測得以任意指定地點(diǎn)為中心,向東南西北各0.5經(jīng)緯度的區(qū)域內(nèi)多年的輻射數(shù)據(jù).根據(jù)經(jīng)緯度得到美國國家航空和宇航局提供的該地區(qū)的太陽輻射數(shù)據(jù),再利用Homer軟件模擬每天各小時(shí)的輻照強(qiáng)度值.

本文采用該數(shù)據(jù)庫提供的2015年12月10日0:00至2016年3月31日24:00之間以15 min為間隔的光伏出力(單位為kWh)和由Homer軟件提供的以1 h為間隔的太陽輻射數(shù)據(jù),如圖3所示.

圖3 圣何塞年太陽輻射月平均日變化曲線

本文分別采用傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)和改進(jìn)的GA-BP模型對光伏出力進(jìn)行預(yù)測,得到的誤差、預(yù)測結(jié)果分別如圖4,圖5,圖6所示.

根據(jù)圖4可以看出,由BP神經(jīng)網(wǎng)絡(luò)建立的模型,其預(yù)測值與實(shí)際值的差別很大,只有很小的一部分是在偏離實(shí)際值較小的范圍內(nèi),因此BP神經(jīng)網(wǎng)絡(luò)預(yù)測的誤差很大,不能精確描述實(shí)際光伏出力的情況.而從圖5可以看出,采用遺傳算法優(yōu)化權(quán)值和閾值后建立的模型預(yù)測曲線在實(shí)際曲線附近的擬合度大有改善,模型與實(shí)際的誤差很小,幾乎是均勻分布在實(shí)際值附近,預(yù)測精度得到了明顯提高,基本可以描述光伏出力的情況.

神經(jīng)網(wǎng)絡(luò)的泛化能力是指神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)完成以后對測試樣本或工作樣本做出正確反應(yīng)的能力。也就是說一個網(wǎng)絡(luò)的泛化能力是它對訓(xùn)練集以外的其他數(shù)據(jù)的識別能力[11].本文用泛化能力來考量算法的優(yōu)良,取3組測試樣本分別對兩種網(wǎng)絡(luò)的預(yù)測準(zhǔn)確率進(jìn)行比較.BP神經(jīng)網(wǎng)絡(luò)與改進(jìn)GA-BP網(wǎng)絡(luò)的預(yù)測結(jié)果分別為80.33%,83.25%,88.87%和90.61%,94.16%,96.35%.

由此可以看出,改進(jìn)的GA-BP神經(jīng)網(wǎng)絡(luò)的實(shí)驗(yàn)誤差范圍明顯縮小,預(yù)測精度有了明顯的提高;雖然每組樣本選取的數(shù)據(jù)差異較大,但是模型的預(yù)測準(zhǔn)確率均較高,對訓(xùn)練集以外的其他數(shù)據(jù)的識別能力優(yōu)良,因此改進(jìn)的算法具有更好的泛化能力.

圖4 BP神經(jīng)網(wǎng)絡(luò)預(yù)測誤差

圖5 改進(jìn)GABP神經(jīng)網(wǎng)絡(luò)預(yù)測誤差

圖6 改進(jìn)GABP神經(jīng)網(wǎng)絡(luò)預(yù)測曲線

5 結(jié) 語

本文建立了以歷史光伏輸出功率數(shù)據(jù)和太陽輻射度為關(guān)鍵因素的改進(jìn)GA-BP神經(jīng)網(wǎng)絡(luò)光伏預(yù)測模型.通過遺傳算法對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn),逐步迭代出優(yōu)化的初始權(quán)值,減少了網(wǎng)絡(luò)訓(xùn)練時(shí)間,并有效避免了神經(jīng)網(wǎng)絡(luò)陷入到局部極值中.經(jīng)算例驗(yàn)證,本文建立的模型可以精確地預(yù)測光伏出力,大幅提高了光伏出力的預(yù)測精度,有較好的泛化能力,同時(shí)也提高了BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度,為短期光伏出力預(yù)測提供了一種新的思路.

[1] 戴訓(xùn)江,晁勤.光伏并網(wǎng)逆變器自適應(yīng)電流滯環(huán)跟蹤控制的研究[J].電力系統(tǒng)保護(hù)與控制,2010,38(4):26-30.

[2] 張艷霞,趙杰.基于反饋型神經(jīng)網(wǎng)絡(luò)的光伏系統(tǒng)發(fā)電功率預(yù)測[J].電力系統(tǒng)保護(hù)與控制,2011,39(15):96-109.

[3] RAHMAN M H,YAMASHIRO S.Novel distributed power generating system of PV-ECaSS using solar energy estimation[J].IEEE Transactions on Energy Conversion,2007,22(2):358-367.

[4] SAHA A K,CHOWDHURY S,CHOWDHURY S P,etal.Modeling and performance analysis of microturbine as a distributed energy resource[J].IEEE Trans on Energy Conversion,2009,24(2):529-538.

[5] HAO J,LI H.Application of BP neural network to short-term-ahead generating power forecasting for PV system[J].Advanced Materials Research,2013,609:128-131.

[6] 朱凱,王正林.精通MATLAB神經(jīng)網(wǎng)絡(luò)[M].北京:電子工業(yè)出版社,2010:320-321.

[7] 劉偉,彭東,卜廣全,等.光伏發(fā)電接入智能電網(wǎng)后的系統(tǒng)問題綜述[J].電網(wǎng)技術(shù),2009,33(19):1-5.

[8] 陳昌松,段善旭.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.

[9] WANG S X,ZHANG N,WU L,etal.Wind speed forecasting based on the hybrid ensemble empirical mode decomposition and GA-BP neural network method[J].Renewable Energy,2016,94:629-636.

[10] 周林,楊冰,郭珂,等.光伏并網(wǎng)系統(tǒng)直流注入問題最新進(jìn)展及發(fā)展趨勢[J].電力系統(tǒng)保護(hù)與控制,2012,40(6):147-155.

[11] PAN X T,QU K Q.Wind power output prediction with BP neural network combining genetic algorithms[J].Advanced Materials Research,2014,860-863:2526-2529.