文立

摘 要：在光伏發(fā)電預(yù)測(cè)中，一般都采用與發(fā)電功率正相關(guān)因素作為輸入變量，這樣操作很容易陷入局部最優(yōu)。文章改變輸入變量的選取范圍，選取與光伏發(fā)電功率正、負(fù)相關(guān)性較大的因素作為光伏發(fā)電預(yù)測(cè)模型的輸入變量，利用模糊系統(tǒng)具有收斂速度較快和神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)和調(diào)整參數(shù)容易等優(yōu)點(diǎn)，提出Takagi-Sugeno模糊神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于光伏發(fā)電功率短期預(yù)測(cè)中，并與BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)進(jìn)行比較，其結(jié)果顯示，所述預(yù)測(cè)模型預(yù)測(cè)精度比BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度提高了10%。

關(guān)鍵詞： 正、負(fù)相關(guān)因素;功率預(yù)測(cè);模糊神經(jīng)網(wǎng)絡(luò);減法聚類

文章編號(hào)： 2095-2163（2019）03-0118-05 中圖分類號(hào)： TP183 文獻(xiàn)標(biāo)志碼： A

0 引 言

隨著中國(guó)近五年光伏電站快速發(fā)展，大量的集中式和分布式光伏電站接入電網(wǎng)，對(duì)電網(wǎng)運(yùn)行、管理和調(diào)度帶來諸多問題，因此，很有必要對(duì)光伏發(fā)電出力功率進(jìn)行預(yù)測(cè)，減少對(duì)電網(wǎng)影響，有利于電力部門適時(shí)調(diào)整電力調(diào)度計(jì)劃。

目前光伏發(fā)電功率預(yù)測(cè)方法主要是2類。一類是基于太陽(yáng)能輻照度的間接預(yù)測(cè)法。如米增強(qiáng)等人[1]提出基于時(shí)間周期性和鄰近相似性兩維變尺度的太陽(yáng)輻照度ANN預(yù)測(cè)模型。付青等人[2]提出基于NARX神經(jīng)網(wǎng)絡(luò)光伏發(fā)電預(yù)測(cè)模型，該模型輸入變量是由Hottel模型計(jì)算出來的太陽(yáng)能輻照度和電池板溫度組成;可以看出光伏發(fā)電間接預(yù)測(cè)方法依賴于太陽(yáng)能輻照度預(yù)測(cè)模型，但太陽(yáng)能輻照度的預(yù)測(cè)模型復(fù)雜且只在晴天條件下預(yù)測(cè)精度較為準(zhǔn)確。另一類是基于歷史發(fā)電功率的直接預(yù)測(cè)法。丁明等人[3]提出基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)光伏發(fā)電功率預(yù)測(cè)模型，利用歷史的發(fā)電功率、氣象信息和預(yù)測(cè)日的氣象信息來預(yù)測(cè)未來的光伏發(fā)電功率。倪春華等人[4]提出利用光伏發(fā)電功率的歷史數(shù)據(jù)、日類型指數(shù)和氣溫建立神經(jīng)網(wǎng)絡(luò)發(fā)電功率預(yù)測(cè)模型。綜上論述分析得出光伏發(fā)電功率直接預(yù)測(cè)模型相對(duì)簡(jiǎn)單，但需要大量相似日的歷史發(fā)電數(shù)據(jù)做支撐。

從前人研究成果可以看出，光伏發(fā)電預(yù)測(cè)不論是間接預(yù)測(cè)、還是直接預(yù)測(cè)，一般認(rèn)為影響光伏發(fā)電功率的因素是與光伏發(fā)電功率正相關(guān)的因素，負(fù)相關(guān)的因素基本不考慮，這樣預(yù)測(cè)容易使光伏發(fā)電預(yù)測(cè)陷于局部最優(yōu)，從而影響預(yù)測(cè)精度。

本文利用正、負(fù)相關(guān)因素作為光伏發(fā)電預(yù)測(cè)模型的輸入變量，利用模糊系統(tǒng)具有收斂速度快、神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)能力強(qiáng)等特點(diǎn)，將兩者優(yōu)點(diǎn)結(jié)合，對(duì)運(yùn)用Takagi-Sugeno模糊神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行光伏發(fā)電功率預(yù)測(cè)展開研究，這里擬對(duì)此做出如下分析論述。

1 影響光伏發(fā)電功率的主要因素分析

影響光伏發(fā)電出力功率的直接影響因素較多，通常有太陽(yáng)輻照度、天氣類型、溫度、云層厚度、灰塵、方陣朝向和角度、電纜損耗系數(shù)、逆變器的轉(zhuǎn)換效率等，如何從其中選擇出對(duì)期望輸出影響最大的一些因素，組成一個(gè)有效的輸入變量集，這通常就是在預(yù)測(cè)前亟需重點(diǎn)考慮的問題。因光伏電站建成后，方陣朝向和角度、電纜損耗系數(shù)、逆變器轉(zhuǎn)換系數(shù)等基本確定，光伏電站發(fā)電功率主要與太陽(yáng)輻照度、風(fēng)速、溫度、濕度等氣象因素有較大關(guān)系。為了從這些氣象參數(shù)中尋出最有效因素，本文即采用了Spearman秩相關(guān)算法[5]來探討分析這些氣象影響因素與光伏發(fā)電功率之間的關(guān)系，由此來確定可作為輸入變量的相關(guān)因素。采用Spearman秩相關(guān)系數(shù)的數(shù)學(xué)表達(dá)式為：

其中，Ri和Qi分別為影響因素和輸出功率的秩次，n為數(shù)據(jù)個(gè)數(shù)。

根據(jù)Spearman秩相關(guān)公式和具體計(jì)算步驟，選取**學(xué)院20 KW光伏屋頂電站2016年的光伏發(fā)電功率P與太陽(yáng)輻照度G、溫度T、風(fēng)速V、濕度H的歷史數(shù)據(jù)進(jìn)行相關(guān)性分析，得到結(jié)果見表1。

由表1中分析結(jié)果可知，3個(gè)因素都與發(fā)電功率正相關(guān)，1個(gè)因素與發(fā)電功率負(fù)相關(guān)。其中，對(duì)光伏發(fā)電功率影響最大的因素是太陽(yáng)輻照度、溫度、風(fēng)速。

2 Takagi-Sugeno模糊神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

2.1 相似日選取和輸入輸出量確定

前文已闡述光伏發(fā)電功率大小因受不同季節(jié)和不同天氣類型條件下太陽(yáng)輻照度、環(huán)境溫度、風(fēng)速、濕度等因素影響較大，故歷史發(fā)電相似日的選取是考慮春、夏、秋、冬四種季節(jié)和晴天、陰天、雨天、多云四種類型天氣綜合條件下的影響因素特征關(guān)聯(lián)相似度來最終決定，其具體操作步驟如下：

（1）構(gòu)造相同季節(jié)和天氣類型條件下某日某時(shí)刻的特征向量為：

其中，G為某日某時(shí)刻的太陽(yáng)輻照度;T為某日某時(shí)刻的環(huán)境溫度;V為某日某時(shí)刻的風(fēng)速;H為某日某時(shí)刻的濕度。

（2）特征向量的歸一化處理。采用極差法對(duì)預(yù)測(cè)日和歷史日的各分量進(jìn)行歸一化處理。研究推得其數(shù)學(xué)公式可表示為：

其中，xik表示第I個(gè)歷史日的第K個(gè)氣象特征分量;xi，maxk和xi，mink分別表示第K個(gè)氣象特征分量的最大值和最小值。

（3）預(yù)測(cè)日和歷史日第K個(gè)特征向量的關(guān)聯(lián)系數(shù)的計(jì)算公式可寫作如下形式：

其中，x'k和x'ik分別表示預(yù)測(cè)日和歷史日的第K個(gè)氣象特征分量，ρ=0.5。

（4）計(jì)算歷史日和預(yù)測(cè)日總關(guān)聯(lián)度，根據(jù)總關(guān)聯(lián)度大小來選擇相似日。研究中將用到如下公式：

其中，n表示氣象特征分量的數(shù)量。

一般認(rèn)為神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的精度是由輸入樣本數(shù)量和維度來決定的，樣本維度和數(shù)量會(huì)影響光伏發(fā)電產(chǎn)生功率的發(fā)展變化規(guī)律。樣本數(shù)量過少，可能會(huì)造成神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)不足，權(quán)值參數(shù)的調(diào)制不到位;樣本數(shù)過多，可能導(dǎo)致訓(xùn)練時(shí)間過多，學(xué)習(xí)效率低，也可能出現(xiàn)由于數(shù)據(jù)前后沖突造成網(wǎng)絡(luò)過擬合現(xiàn)象。樣本維數(shù)的增多會(huì)增加神經(jīng)網(wǎng)絡(luò)模型的復(fù)雜度和自學(xué)習(xí)的時(shí)間，故在保證模型可靠基礎(chǔ)上，盡量減少樣本維數(shù)（輸入變量的個(gè)數(shù)）;樣本維數(shù)太少，能夠反映功率變化的關(guān)鍵因素就會(huì)較為匱乏，導(dǎo)致輸出的功率不能反映變化規(guī)律。故將本文輸入變量維數(shù)設(shè)定為4維，輸出量為第i日J(rèn)時(shí)刻的發(fā)電量。

2.2 模糊神經(jīng)網(wǎng)絡(luò)輸入空間劃分方法的選取

模糊神經(jīng)網(wǎng)絡(luò)第二層數(shù)量（輸入空間數(shù)量）由輸入變量可劃分的模糊集合數(shù)量決定。對(duì)于模糊神經(jīng)網(wǎng)絡(luò)輸入空間主要有2種劃分方法，分別是：基于網(wǎng)格劃分和基于聚類的劃分。由于輸入變量維數(shù)為4，若采用基于網(wǎng)格劃分輸入空間，一旦變量模糊集合數(shù)大于2，很容易產(chǎn)生規(guī)則爆炸。假設(shè)每個(gè)輸入變量劃分3個(gè)模糊集合，產(chǎn)生的規(guī)則數(shù)將達(dá)到34=81條，致使模糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速度減慢。故本文采用減法聚類的策略來訓(xùn)練樣本的聚類個(gè)數(shù)及聚類中心的位置，并確定網(wǎng)絡(luò)結(jié)構(gòu)。

2.3Takagi-Sugeno模糊神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型設(shè)計(jì)和學(xué)習(xí)算法的選擇

本文中，光伏發(fā)電功率預(yù)測(cè)研究中采用了Takagi-Sugeno模糊神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，其簡(jiǎn)化結(jié)構(gòu)如圖1所示。模型中涉及的各層功能設(shè)計(jì)可描述如下。

（1）第一層，輸入層，本文選取4個(gè)輸入變量。其中的每個(gè)節(jié)點(diǎn)直接與輸入向量的各分量xi連接，同時(shí)起著將輸入值x=x1，x2，…，xn傳送到下一層的作用。

（2）第二層，隸屬度函數(shù)計(jì)算層。其中的每個(gè)節(jié)點(diǎn)表示一個(gè)語(yǔ)言變量值，具體作用是計(jì)算各輸入分量屬于各語(yǔ)言變量值模糊集合的隸屬度函數(shù)μji。文中采用的隸屬度函數(shù)為高斯函數(shù)，即：

（3）第三層，規(guī)則生成層。其中的每個(gè)節(jié)點(diǎn)表示一條模糊規(guī)則，具體作用是將各個(gè)輸入變量匹配到相應(yīng)的模糊規(guī)則，并計(jì)算輸入值對(duì)每條規(guī)則的適應(yīng)度。運(yùn)算求得其數(shù)學(xué)公式如下：

模糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法有3種，即：梯度下降學(xué)習(xí)算法、最小二乘估計(jì)算法、混合學(xué)習(xí)算法。本文采用的是混合學(xué)習(xí)算法?；旌蠈W(xué)習(xí)算法的步驟是：每次迭代中，輸入信號(hào)沿正向網(wǎng)絡(luò)傳遞到第四層，此時(shí)固定條件參數(shù)，采用最小二乘估計(jì)算法調(diào)節(jié)參數(shù)，接下來信號(hào)沿正向網(wǎng)絡(luò)傳遞到第五層、即輸出層。此后，將獲得誤差信號(hào)反向傳播，從而調(diào)節(jié)條件參數(shù)。

3 仿真分析

3.1 數(shù)據(jù)分析及參數(shù)設(shè)置

為驗(yàn)證本文提出基于正、負(fù)相關(guān)因素的模糊神經(jīng)網(wǎng)絡(luò)在光伏發(fā)電功率預(yù)測(cè)中應(yīng)用效果，以湖南省某高校20 Kw光伏電站作為研究對(duì)象，選取2016年8月1日～2016年8月30日歷史發(fā)電數(shù)據(jù)和氣象數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)。分別采用模糊神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)對(duì)2016年8月1日～2016年8月30日每日8：00～17：30光伏發(fā)電數(shù)據(jù)進(jìn)行預(yù)測(cè)。

本文的實(shí)驗(yàn)數(shù)據(jù)分為訓(xùn)練數(shù)據(jù)、核對(duì)數(shù)據(jù)、檢驗(yàn)數(shù)據(jù)，分別起著訓(xùn)練模糊神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型、防止模型過度訓(xùn)練、檢驗(yàn)功率預(yù)測(cè)正確性的作用。

本文采用的數(shù)據(jù)來源于某學(xué)院屋頂20 Kw光伏電站原始數(shù)據(jù)庫(kù)中，其中的發(fā)電數(shù)據(jù)和氣象數(shù)據(jù)表示意義不同、數(shù)據(jù)量級(jí)不同，需要對(duì)原始數(shù)據(jù)進(jìn)行一定的預(yù)處理。采用解析法對(duì)異常數(shù)據(jù)進(jìn)行處理，采用歸一化法對(duì)發(fā)電數(shù)據(jù)和氣象數(shù)據(jù)進(jìn)行處理，將其數(shù)據(jù)尺度變換到0，1區(qū)間內(nèi)。

本文將訓(xùn)練數(shù)據(jù)導(dǎo)入到設(shè)計(jì)的預(yù)測(cè)模型中，并按照研究中設(shè)定的參數(shù)通過減法聚類方法進(jìn)行初始化。參數(shù)設(shè)定詳見表2。

表2中，Range of influence表示影響范圍，Squash factor表示擠壓因子，兩者的乘積決定哪些點(diǎn)被排除，哪些點(diǎn)將作為聚類中心;Accept radio表示接受率，用于判定某個(gè)點(diǎn)作為聚類中心的可能性值高于前一個(gè)聚類中心可能性值多少比率才有可能成為新的聚類中心;Reject radio表示拒絕率，用于判定某個(gè)點(diǎn)作為聚類中心的可能性值低于前一個(gè)聚類中心可能性值多少比率才有可能被拒絕作為新的聚類中心。

本文給出的模糊神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型訓(xùn)練參數(shù)見表3。

3.2 性能評(píng)估指標(biāo)

為了對(duì)本文提出的預(yù)測(cè)模型進(jìn)行準(zhǔn)確評(píng)估，本文采用平均絕對(duì)百分比誤差MAPE（mean absolute percent error）評(píng)價(jià)指標(biāo)對(duì)預(yù)測(cè)結(jié)果進(jìn)行定量分析。其數(shù)學(xué)定義公式可表示為：

其中，N表示數(shù)據(jù)總數(shù);i表示數(shù)據(jù)序號(hào);Yr表示預(yù)測(cè)日實(shí)際發(fā)電功率;Yf表示預(yù)測(cè)發(fā)電功率。

3.3 預(yù)測(cè)結(jié)果及分析

研究中，仿真后得到的預(yù)測(cè)日發(fā)電功率的Takagi-Sugeno模糊神經(jīng)網(wǎng)絡(luò)方法預(yù)測(cè)結(jié)果見表4。從表4中可以得出，預(yù)測(cè)結(jié)果有1個(gè)誤差較大的異常點(diǎn)，誤差最大為6.8，最小為0.86，均方根誤差為3.92%。

在此基礎(chǔ)上，研究繪制的實(shí)際預(yù)測(cè)值、Takagi-Sugeno模糊神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)功率預(yù)測(cè)值波動(dòng)曲線如圖2所示。

從圖2可以看出，Takagi-Sugeno模糊神經(jīng)網(wǎng)絡(luò)模型功率預(yù)測(cè)趨勢(shì)比BP神經(jīng)網(wǎng)絡(luò)模型功率預(yù)測(cè)趨勢(shì)能夠更好地?cái)M合實(shí)際功率，誤差更小，由此說明Takagi-Sugeno模糊神經(jīng)網(wǎng)絡(luò)對(duì)光伏發(fā)電功率預(yù)測(cè)具有更高的精度，能更好地反映光伏發(fā)電短期預(yù)測(cè)中發(fā)電功率變化趨勢(shì)。

4 結(jié)束語(yǔ)

本文提出一種基于正、負(fù)相關(guān)因素的Takagi-Sugeno模糊神經(jīng)網(wǎng)絡(luò)光伏發(fā)電功率預(yù)測(cè)模型。研究中，既避免了輸入變量的選擇不當(dāng)造成預(yù)測(cè)過程陷入局部最優(yōu)，又結(jié)合了模糊神經(jīng)網(wǎng)絡(luò)自身的收斂速度快、自學(xué)習(xí)等優(yōu)點(diǎn)，確保了預(yù)測(cè)模型具有更強(qiáng)學(xué)習(xí)和映射能力。通過實(shí)驗(yàn)數(shù)據(jù)仿真分析，結(jié)果表明基于正、負(fù)相關(guān)因素的Takagi-Sugeno模糊神經(jīng)網(wǎng)絡(luò)光伏發(fā)電功率預(yù)測(cè)比BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)能夠獲得更高的預(yù)測(cè)精度。

參考文獻(xiàn)

[1]米增強(qiáng)，王飛，楊光，等. 光伏電站輻照度ANN預(yù)測(cè)及其兩維變尺度修正方法[J]. 太陽(yáng)能學(xué)報(bào)，2013，34（2）：251-259.

[2]?? 付青，單英浩，朱昌亞. 基于NARX神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電功率預(yù)測(cè)研究[J]. 電氣傳動(dòng)，2016，46（4）：42-45.

[3] 丁明，王磊，畢銳. 基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電系統(tǒng)輸出功率短期預(yù)測(cè)模型[J]. 電力系統(tǒng)保護(hù)與控制，2013，40（11）：93-99，148.

[4]? 倪春華，陳國(guó)恩，朱偉，等. 基于相似日理論和BP神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電功率預(yù)測(cè)[J]. 電力應(yīng)用，2016，35（1）：42-48.

[5]? 徐瀟源，嚴(yán)正，馮冬涵，等. 基于輸入變量秩的相關(guān)系數(shù)的概率潮流計(jì)方算法[J]. 電力系統(tǒng)自動(dòng)化，2014，38（12）：54-61.

[6]? 劉俊，王旭，郝旭東，等. 基于多維氣象數(shù)據(jù)和PCA_BP神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電功率預(yù)測(cè)[J]. 電網(wǎng)與清潔能源，2017，33（1）：122-129.

[7] OUDJANA S H， HELLAL A， MAHAMED I H. Short term photovoltaic power generation forecasting using neural network[C]//2012 11th International Conference on Environment and Electrical Engineering. Venice， Italy：IEEE ， 2012： 706-711.

[8] BIZZARRI F， BONGIORNO M， BRAMBILLA A， et al. Model of photovoltaic power plants for performance analysis and production forecast[J]. IEEE Transactions on Sustainable Energy， 2013， 4（2）：278-285.