高 亮，張新燕，楊 琪，張家軍，高 敏

(1.新疆大學(xué)電氣工程學(xué)院，新疆烏魯木齊830047；2.國網(wǎng)阿合奇縣電力公司，新疆阿合奇843500)

0 引 言

化石能源枯竭、生態(tài)環(huán)境惡化，環(huán)保、清潔、可持續(xù)的太陽能被高度重視。太陽能系統(tǒng)的輸出受天氣影響，具有一定的間歇性和波動性，太陽能預(yù)測研究，可為太陽能產(chǎn)業(yè)提供可靠的數(shù)據(jù)，可以提高太陽能資源的使用效率。人工神經(jīng)網(wǎng)絡(luò)(ANN)在非線性映射上有強(qiáng)大的功能，神經(jīng)網(wǎng)絡(luò)廣泛用于電力負(fù)荷預(yù)測[1- 4]和風(fēng)力發(fā)電預(yù)測等領(lǐng)域[5- 8]，在短期光伏發(fā)電預(yù)測中得到廣泛應(yīng)用[9- 12]。文獻(xiàn)[13]用歷史天氣數(shù)據(jù)直接對太陽輻照強(qiáng)度預(yù)測，預(yù)測模型不能夠準(zhǔn)確的預(yù)測太陽輻射量，文獻(xiàn)[14- 17]都建立預(yù)測太陽日總輻射量的ANN模型，研究結(jié)果表明，文獻(xiàn)作者提出的各種預(yù)測模型的預(yù)測效果不夠理想，在當(dāng)前數(shù)字信息高速發(fā)展的科技引領(lǐng)下，預(yù)測精度還應(yīng)當(dāng)有所提高，還需要深入開發(fā)和處理數(shù)據(jù)、改進(jìn)人工神經(jīng)網(wǎng)絡(luò)。本文提出一種基于多元分析的優(yōu)化模糊神經(jīng)網(wǎng)絡(luò)太陽能中短期預(yù)測方法，有效的提高了太陽輻射量的預(yù)測精度，為太陽能資源高效利用提供準(zhǔn)確數(shù)據(jù)。

1 太陽能數(shù)據(jù)變化趨勢

太陽能預(yù)測的研究主要集中在輻射量的預(yù)測。太陽能數(shù)據(jù)具有很大的波動性，但對相關(guān)數(shù)據(jù)合理的分析和深度的挖掘，建立合理的預(yù)測模型和算法，可實(shí)現(xiàn)太陽能輻射量準(zhǔn)確有效的預(yù)測。

太陽能數(shù)據(jù)變化分為長期變化和短期變化。長期變化受地理?xiàng)l件和氣象特征的主導(dǎo)影響，地理因素的影響具有明顯的變化規(guī)律，短期變化受實(shí)時氣象參數(shù)變化的影響，有很大的波動性，無法規(guī)律性的描述，數(shù)據(jù)變化具有很大的隨機(jī)性。長期變化趨勢是對太陽能輻射量定性的描述；短期變化趨勢是對太陽能輻射量定量的描述。前者注重整體，后者偏向局部的量化。

2 多元分析

多元分析包括：線性回歸、相關(guān)分析、主成分分析、因子分析等。太陽能預(yù)測對模型有很高的要求，模型輸入量是預(yù)測的關(guān)鍵，輸入量的完整性和簡潔性是提高預(yù)測模型準(zhǔn)確性和高效性的必要條件。

2.1 主成分分析

主成分分析法將多項(xiàng)指標(biāo)壓縮為互不相關(guān)的指標(biāo)，降低數(shù)據(jù)維度，但保留原變量的大部分信息。數(shù)據(jù)有K項(xiàng)指標(biāo)，N組樣本，觀測得出的樣本矩陣X為N×K維，對原始矩陣X標(biāo)準(zhǔn)化處理。

(1)根據(jù)標(biāo)準(zhǔn)化矩陣x1,x2,…xk計算樣本的相關(guān)系數(shù)矩陣R。

(2)求相關(guān)系數(shù)矩陣R的特征值λ1,λ2,…λk和相應(yīng)的特征向量e1,e2,…ek。

(3)取m項(xiàng)主成分y1,y2,…ym代替原始變量。主成分表達(dá)式為

(1)

式中,ei=[ei1ei2…eik],為原變量的相關(guān)系數(shù)矩陣的第i項(xiàng)特征值所對應(yīng)的K維特征向量；X為K維的初始輸入變量，X=|x1x2…xk|T。

2.2 曲線擬合

曲線擬合是近似刻畫離散數(shù)據(jù)所表示的坐標(biāo)函數(shù)關(guān)系。用解析式逼近離散數(shù)據(jù)，得到量x與y的關(guān)系，用解析式y(tǒng)=f(x,c)來反映x與y之間的關(guān)系。

圖1 粗大誤差剔除

如圖1所示，輸入數(shù)據(jù)曲線擬合后求殘差，利用拉依達(dá)準(zhǔn)則根據(jù)殘差值對原數(shù)據(jù)做粗大誤差剔除。粗大誤差剔除方法不會改變數(shù)據(jù)原有信息，只對畸形數(shù)據(jù)進(jìn)行修正。

2.3 定性分析和定量分析

定性分析和定量分析是對同一個問題分析的兩個不同方面，定性分析是定量分析的重要前提，缺少定性分析，一系列的定量分析則具有盲目性；定性分析之后，需要采用科學(xué)準(zhǔn)確的定量分析加以完善，兩者的分析是相輔相成的。預(yù)測模型的定性分析部分，依據(jù)氣象數(shù)據(jù)，對氣象數(shù)據(jù)定性區(qū)分，根據(jù)氣象數(shù)據(jù)中影響太陽能的主要成分，定性劃分如表1所示。

表1 太陽輻射量主成分因素定性劃分

利用歷史氣象數(shù)據(jù)，對天氣定性劃分，結(jié)果作為模型的部分輸入量；模型的定量部分，焊接電路板，制作采集裝置對氣溫，氣壓，濕度，大氣通透性，光強(qiáng)不間斷測量，作為模型的部分輸入量。

2.4 模糊神經(jīng)網(wǎng)絡(luò)

模糊神經(jīng)網(wǎng)絡(luò)是一種集模糊邏輯推理與神經(jīng)網(wǎng)絡(luò)強(qiáng)大自學(xué)能力于一體的技術(shù)。如圖2模糊神經(jīng)網(wǎng)絡(luò)示意圖所示，模糊神經(jīng)網(wǎng)絡(luò)是模糊邏輯推理與神經(jīng)網(wǎng)絡(luò)有機(jī)結(jié)合的產(chǎn)物，主要是利用神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)來實(shí)現(xiàn)模糊邏輯推理，使傳統(tǒng)神經(jīng)網(wǎng)絡(luò)沒有明確含義的權(quán)值被賦予了模糊邏輯中推理參數(shù)的物理含義。

圖2 模糊神經(jīng)網(wǎng)絡(luò)示意

3 預(yù)測模型搭建

設(shè)計采集裝置采集溫度、大氣壓強(qiáng)、濕度、空氣通透性、光照強(qiáng)度等數(shù)據(jù)?；贛ATLAB編寫程序深入分析挖掘數(shù)據(jù)，根據(jù)主成分法提取歷史數(shù)據(jù)中的主要成分作為定性指標(biāo)；對測量的短期數(shù)據(jù)做粗大誤差的剔除，結(jié)合定性分析和定量分析搭建預(yù)測模型。

3.1 數(shù)據(jù)采集裝置

轉(zhuǎn)印采集裝置的電路板，用單片機(jī)和相關(guān)傳感器焊接數(shù)據(jù)采集裝置，裝置如圖3所示。實(shí)時采集數(shù)據(jù)，編寫算法剔除采集數(shù)據(jù)中的偏差數(shù)據(jù)，用無線設(shè)備傳輸數(shù)據(jù)至PC主機(jī)端，對溫度、大氣壓強(qiáng)、濕度、大氣通透性、光照強(qiáng)度等參數(shù)不間斷測量，為預(yù)測模型提供準(zhǔn)確無誤的輸入數(shù)據(jù)，以提高預(yù)測精度。

圖3 測量裝置示意

3.2 數(shù)據(jù)處理

預(yù)測模型的數(shù)據(jù)結(jié)構(gòu)主要分為定性模塊和定量模塊。定性模塊數(shù)據(jù)來源于NSNA提供的歷史氣象數(shù)據(jù)，主要包括：溫度、濕度、風(fēng)速、大氣壓強(qiáng)、晴空日照比、太陽輻射量等數(shù)據(jù)；定量模塊的數(shù)據(jù)來源于測量裝置的實(shí)時測量，主要包括：溫度、濕度，大氣壓強(qiáng)、大氣通透性、光照強(qiáng)度。

圖4 數(shù)據(jù)處理示意

數(shù)據(jù)處理流程如圖4所示，結(jié)合定性分析、定量分析、主成分分析處理數(shù)據(jù)，并存儲采集數(shù)據(jù)作為新的歷史氣象數(shù)據(jù)。

3.3 預(yù)測程序流程

基于MATLAB編寫基于多元分析的模糊神經(jīng)網(wǎng)絡(luò)中短期太陽能輻射量預(yù)測算法，程序流程圖如圖5所示。基于MATLAB編寫算法，用主成分分析法處理歷史氣象數(shù)據(jù)，提取主要指標(biāo)作為數(shù)據(jù)定性劃分的依據(jù)；測量裝置采集的數(shù)據(jù)做粗大誤差之后作為預(yù)測模型的定量數(shù)據(jù)；搭建模糊神經(jīng)預(yù)測系統(tǒng)，進(jìn)行預(yù)測模型訓(xùn)練，加入測試數(shù)據(jù)檢驗(yàn)?zāi)Ｐ偷暮侠硇浴?/p>

圖5 預(yù)測模型流程

4 實(shí)驗(yàn)實(shí)例

為驗(yàn)證預(yù)測模型的合理性和預(yù)測結(jié)果的準(zhǔn)確性，收集烏魯木齊地區(qū)太陽輻射數(shù)據(jù)和相關(guān)氣象數(shù)據(jù)，對預(yù)測模型驗(yàn)證。為了科學(xué)的嚴(yán)謹(jǐn)性，搭建對照模型對比預(yù)測結(jié)果，證明本文預(yù)測模型的合理性。數(shù)據(jù)來源：美國航天局(NSNA)網(wǎng)站。

4.1 實(shí)驗(yàn)結(jié)果

根據(jù)NSNA提供的新疆烏魯木齊全年的太陽輻射數(shù)據(jù)和氣象數(shù)據(jù)共366組數(shù)據(jù)做訓(xùn)練樣本，以新疆烏魯木齊2018年4月9日到5月9日共30組數(shù)據(jù)為模型的驗(yàn)證數(shù)據(jù)，證明預(yù)測模型的合理性和科學(xué)性。

圖6 太陽輻射量預(yù)測

如圖6所示為30組數(shù)據(jù)的預(yù)測值和實(shí)測值。整體的變化趨勢大致相同，具體分析，可看見預(yù)測數(shù)據(jù)和實(shí)測數(shù)據(jù)前15組的相似度較高，后15組的數(shù)據(jù)誤差變大，證明預(yù)測模型在短期內(nèi)可較為準(zhǔn)確的對太陽輻射量預(yù)測。

4.2 模型對比

為了科學(xué)的嚴(yán)謹(jǐn)性，驗(yàn)證本文提出模型算法的優(yōu)越性，建立對比預(yù)測模型，方法一為本文所建立的基于多元分析的模糊神經(jīng)網(wǎng)絡(luò)預(yù)測模型；方法二為傳統(tǒng)模糊神經(jīng)網(wǎng)絡(luò)預(yù)測模型；方法三為BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型。三種預(yù)測模型的預(yù)測結(jié)果如圖7所示。

圖7 太陽輻射量預(yù)測對比

由圖7可見，3種預(yù)測方法的結(jié)果整體趨勢基本相同，但在具體的預(yù)測精度上具有很大的差別。方法1預(yù)測精度最高，方法2預(yù)測精度次之，方法3預(yù)測精度最差；方法1和方法2比較，二者前7組數(shù)據(jù)預(yù)測結(jié)果基本相同，隨后方法2的預(yù)測結(jié)果開始出現(xiàn)大的誤差，綜合比較方法1的預(yù)測精度比方法2和方法3的預(yù)測精度都要高，預(yù)測效果最好。

分別求取三種預(yù)測模型的平均相對誤差EMAPE、均方根誤差ERMSE(見表2)。

表2 模型誤差分析

對比3種模型的平均相對誤差和均方根誤差，可直觀的看到，模型1明顯優(yōu)于其余2種模型，模型2與模型3的預(yù)測效果近相同，模型2較模型3較為準(zhǔn)確。由預(yù)測結(jié)果的平均相對誤差和均方根誤差可知粗大誤差的剔除、定性分析和定量分析的合理結(jié)合可以提高傳統(tǒng)模糊神經(jīng)網(wǎng)絡(luò)預(yù)測模型的精準(zhǔn)度，進(jìn)一步驗(yàn)證了定性分析和定量分析的有效性和必要性，也驗(yàn)證了本文所提預(yù)測模型的正確性。

5 結(jié) 論

本文針對太陽能預(yù)測提出基于多元分析的優(yōu)化模糊神經(jīng)網(wǎng)絡(luò)短期太陽能輻射量預(yù)測模型。測試結(jié)果表明，預(yù)測模型合理準(zhǔn)確地實(shí)現(xiàn)了太陽能輻射量短期預(yù)測，有效的提高了傳統(tǒng)模糊神經(jīng)網(wǎng)絡(luò)的太陽能輻射量預(yù)測精度。主成分分析法的應(yīng)用，有效的降低了預(yù)測模型的數(shù)據(jù)維度；對模型輸入量做粗大誤差的剔除有效的改善輸入數(shù)據(jù)的準(zhǔn)確性；定性分析和定量分析合理的結(jié)合，有效的提高了模糊神經(jīng)網(wǎng)絡(luò)的預(yù)測精度。改進(jìn)的預(yù)測算法一定程度上提高了預(yù)測的精準(zhǔn)度，對太陽能相關(guān)產(chǎn)業(yè)的發(fā)展具有重要意義。