楊昊巖 張海龍

（1.廣西大學(xué)電氣工程學(xué)院，廣西 南寧 530004；2.廣西電力職業(yè)技術(shù)學(xué)院，廣西 南寧 530007）

光伏發(fā)電易受其運行環(huán)境的影響，波動較大，因而給光伏高滲透率的電網(wǎng)增加了調(diào)度的難度和復(fù)雜性[1]。準(zhǔn)確預(yù)測光伏發(fā)電功率將減少這些不利因素對電網(wǎng)的影響，提高系統(tǒng)運行效率和經(jīng)濟效益[2]。國內(nèi)外研究學(xué)者在短期光伏發(fā)電預(yù)測領(lǐng)域取得了一定的研究成果，如，文獻[3]運用經(jīng)驗?zāi)B(tài)分解法識別不同的天氣狀態(tài)并建立對應(yīng)的光伏發(fā)電預(yù)測模型；文獻[4]采用灰色系統(tǒng)對神經(jīng)網(wǎng)絡(luò)預(yù)測模型進行修正，提高了BP神經(jīng)網(wǎng)絡(luò)（BPNN）的擬合能力，用以提高預(yù)測精度；文獻[5]結(jié)合地基云圖和RBF神經(jīng)網(wǎng)絡(luò)（RBFNN）實現(xiàn)了超短期光伏發(fā)電功率預(yù)測，該模型能夠較好地實現(xiàn)對發(fā)電“突變”的預(yù)測，但需要十分龐大的氣象數(shù)據(jù)作為支撐。

本文通過灰色關(guān)聯(lián)分析，選取與待測日氣象特征相似程度較高的歷史日，采用思維進化算法對BP神經(jīng)網(wǎng)絡(luò)進行改進，改善了BP神經(jīng)網(wǎng)絡(luò)泛化能力差、易于陷入局部最優(yōu)等缺點。以溫度、輻照度、風(fēng)速、相對濕度和歷史發(fā)電量作為輸入因子，對晴天、陰天、雨天三種天氣類型的光伏發(fā)電功率進行預(yù)測。結(jié)果表明，本文所提的結(jié)合相似日與思維進化算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的短期光伏發(fā)電（SDS-MEABP）預(yù)測方法比BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測精度更高。

1 光伏發(fā)電影響因素分析

太陽輻照強度直接影響光伏電池獲得太陽能總量的大小，大氣溫度通過改變光伏電池表面溫度影響光伏電池最大功率點輸出電壓。圖1、圖2分別為光伏發(fā)電功率與太陽輻射強度、大氣溫度的關(guān)系曲線。通過對比兩圖曲線可知，光伏發(fā)電隨著輻照強度、溫度的升高而增長，當(dāng)輻照強度和溫度降低時，光伏發(fā)電也隨之減少，兩者呈一定的正相關(guān)性。

在同樣的季節(jié)及天氣情況下，當(dāng)面板溫度和大氣溫度基本相等時，光伏電站發(fā)電量將隨著相對濕度的提高而降低。原因在于太陽光在穿過大氣層時，會隨著相對濕度的升高而產(chǎn)生更高的能量損耗，面板接收到的太陽能因此會減小。由圖3可知，在其他因素相近的情況下，光伏發(fā)電功率會隨著相對濕度的降低而升高，兩者呈現(xiàn)明顯的負(fù)相關(guān)關(guān)系。

圖1 實時光伏發(fā)電功率與輻照強度對比圖

圖2 實時光伏發(fā)電功率與氣溫對比圖

圖3 實時光伏發(fā)電功率與相對濕度對比圖

風(fēng)速在一定程度上決定了光伏電池的表面溫度，而環(huán)境中顆粒的移動情況則影響光伏板遮蔽面積，進而對光伏發(fā)電造成影響。圖4為澳洲光伏基站所在地某日實時風(fēng)速與光伏發(fā)電功率的關(guān)系圖，從圖中可觀察到幾乎每時每刻二者都在波動，并且風(fēng)速的波動幅度更大，二者的關(guān)聯(lián)性比較弱。

圖4 實時光伏發(fā)電功率與風(fēng)速對比圖

2 SDS-MEABP預(yù)測模型的建立

2.1 相似日粗集選取

由天氣預(yù)報得知待測日的氣象數(shù)據(jù)，從歷史日中選出平均溫度與待測日相差 3℃以內(nèi)，平均輻照強度、相對濕度與待測日相差小于20%的樣本組成相似日粗集A。再運用灰色關(guān)聯(lián)分析方法，在相似日粗集A中進一步抽取與待測日具有高度關(guān)聯(lián)的若干歷史日，以這些歷史日作為本文所提出預(yù)測模型的訓(xùn)練樣本。

灰色關(guān)聯(lián)分析法通過計算互相關(guān)聯(lián)因素之間的灰色關(guān)聯(lián)度，比較各因素幾何關(guān)聯(lián)曲線的相似度來區(qū)別其關(guān)系的緊密程度[6]。本文以集合A的氣象數(shù)據(jù)作為比較序列x，預(yù)測日的天氣數(shù)據(jù)作為參考序列y，則比較序列與參考序列的關(guān)聯(lián)度ζ為：

上式中：γi(k)為xi與y的關(guān)聯(lián)系數(shù)，n為輸入向量個數(shù)，k為輸入向量的維度，ρ為常數(shù)取0.5，xi與y為歸一化之后的值。按照求取的灰色關(guān)聯(lián)度，選擇相似日粗集A中綜合關(guān)聯(lián)度大于0.7的所有樣本組成相似日集。

2.2 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)(BackPropagationNeuralNetwork)作為預(yù)測模型一般包含輸入層、隱藏層和輸出層，其主要工作內(nèi)容包括輸入信息的層層傳遞和誤差的反饋調(diào)整。由輸入層輸入數(shù)據(jù)，經(jīng)隱藏層調(diào)整后在輸出層輸出預(yù)測值。每一層的單元個數(shù)、參數(shù)設(shè)置都會影響最終的輸出結(jié)果。當(dāng)輸出層輸出值不滿足預(yù)先設(shè)定的誤差要求，則會反向傳播，不斷調(diào)整權(quán)值閾值以滿足誤差要求[7]。BP神經(jīng)網(wǎng)絡(luò)的輸出與誤差表達式如式（4）、（5）。

近年來，隨著科技水平的提高，微創(chuàng)的腹腔鏡手術(shù)已經(jīng)得到了患者的認(rèn)同。而無氣腹腹腔鏡作為腹腔手術(shù)的重要組成部分，在20世紀(jì)90年代初應(yīng)用于臨床［1］。與有氣腹腔鏡相比具有更高的安全性、可操作性且經(jīng)濟實用，應(yīng)用范圍日益擴大。我院自2010年10月以來開展婦科無氣腹腹壁下鋼針懸吊法腹腔鏡手術(shù)15例，現(xiàn)將護理體會報道如下。

式中：xi(t)為網(wǎng)絡(luò)輸入，y(t)為網(wǎng)絡(luò)輸出，n為輸入層神經(jīng)元個數(shù)，p為隱藏層神經(jīng)元個數(shù)，?i為輸入層神經(jīng)元到隱藏層的權(quán)值，vj為隱藏層神經(jīng)元到輸出層的權(quán)值，θj為閾值，λi為神經(jīng)元活躍值，E為網(wǎng)絡(luò)總誤差，F(xiàn)(t)為網(wǎng)絡(luò)期望輸出，y(t)為網(wǎng)絡(luò)實際輸出。

2.3 思維進化算法

思維進化算法（MindEvolutionaryAlgorithm,MEA）的創(chuàng)造靈感在于人類思維進化過程，它保留了遺傳算法的種群與進化，并提出兩個新穎的關(guān)鍵步驟：趨同和異化[8]。思維進化的基本思路如下：

2.3.1 以均方誤差的倒數(shù)作為得分函數(shù)計算空間中隨機的生成優(yōu)勝個體和臨時個體的得分。在得分高的優(yōu)勝個體周圍產(chǎn)生新個體，形成優(yōu)勝子群體。在得分高的臨時個體周圍生成新個體，形成臨時子群體。

2.3.2 優(yōu)勝子群體和臨時子群體內(nèi)部執(zhí)行趨同，當(dāng)子群體內(nèi)部的優(yōu)勝個體不再變化則表明此子群體成熟，完成局部尋優(yōu)。子群體成熟判別標(biāo)準(zhǔn)如式（6）。

上式中：Δft為子群體在第t代得分增長，?為事先規(guī)定的一個極小值。規(guī)定一個子群體在連續(xù)迭代M次之后的得分小于?，則認(rèn)為此子群體在執(zhí)行i次趨同操作后成熟。

2.3.3 子群體成熟后，在整個空間中的成熟子群體執(zhí)行異化，各個子群體之間完成替換、個體釋放，完成全局尋優(yōu)。在完成異化之后會生成新一批子群體以保證子群體數(shù)量維持不變。

三種神經(jīng)網(wǎng)絡(luò)模型的預(yù)測流程見圖5。

3 預(yù)測實例及結(jié)果分析

算例：采用澳洲某光伏系統(tǒng)2016年4月至11月的歷史氣象數(shù)據(jù)和光伏發(fā)電功率數(shù)據(jù)，選擇晴、雨、陰三種不同天氣類型中的某日作為預(yù)測日，預(yù)測光伏發(fā)電大小。本文以MATLAB2016a為預(yù)測平臺進行預(yù)測。

首先，利用本文第1節(jié)所述規(guī)則從歷史數(shù)據(jù)中選出相似日粗集，共有20個樣本被選入相似日粗集。再利用灰色關(guān)聯(lián)分析法計算相似日粗集中樣本與待測日的灰色關(guān)聯(lián)度。選取灰色關(guān)聯(lián)度大于0.7的樣本作為待測日的最終相似日集，用來訓(xùn)練神經(jīng)網(wǎng)絡(luò)。

把預(yù)處理后的原始數(shù)據(jù)y經(jīng)式（7）歸一化后與量化之后的影響因素組成神經(jīng)網(wǎng)絡(luò)的輸入向量。預(yù)測結(jié)果的反歸一化如式（8）所示。

式中：yinput為歸一化后的輸入數(shù)據(jù)；youtput為相應(yīng)的神經(jīng)網(wǎng)絡(luò)輸出數(shù)據(jù)；f(t)為反歸一化后的輸出數(shù)據(jù)，即為預(yù)測值。

圖5 三種神經(jīng)網(wǎng)絡(luò)預(yù)測流程圖

相關(guān)參數(shù)設(shè)置：神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元個數(shù)為5個，其中包含該光伏站所在地待測日t時刻輻照強度、氣溫、風(fēng)速、相對濕度、最相似歷史日t時刻的光伏發(fā)電功率，數(shù)據(jù)經(jīng)過處理后范圍在[0,1]之間。輸出層節(jié)點為1個，代表待測日t時刻的光伏發(fā)電量。為了更好地處理輸入與輸出之間的非線性關(guān)系，設(shè)置tansig函數(shù)為輸入層和隱藏層的傳遞函數(shù)，設(shè)置logsig函數(shù)為隱藏層和輸出層的傳遞函數(shù)。隱藏層節(jié)點數(shù)根據(jù)式（9）確定

式中：n為輸入層神經(jīng)元個數(shù)，m為輸出層神經(jīng)元個數(shù)，ɑ為調(diào)節(jié)常數(shù)，范圍為0～10。經(jīng)過嘗試不同ɑ的取值，當(dāng)隱藏神經(jīng)元個數(shù)K等于5時網(wǎng)絡(luò)輸出誤差最小，因此取K值為5。

本文設(shè)定初始種群規(guī)模為180，優(yōu)勝子群體和臨時子群體數(shù)量均為3。子種群大小等于種群規(guī)模除以優(yōu)勝子種群與臨時子種群的種群數(shù)之和，即30。

將BPNN、RBFNN和本文提出的SDS-MEABP分別用于預(yù)測2016年4月至2016年11月不同天氣情況的光伏發(fā)電。預(yù)測結(jié)果如圖2所示。

由圖6、圖7、圖8可以看出，本文所建立預(yù)測模型在晴天、陰天、雨天三種不同的天氣類型下相較于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)模型和RBF神經(jīng)網(wǎng)絡(luò)模型能夠取得更好的預(yù)測結(jié)果，預(yù)測精度較高。

圖6 晴天光伏發(fā)電預(yù)測功率與實際功率對比

圖7 陰天光伏發(fā)電預(yù)測功率與實際功率對比

圖8 雨天光伏發(fā)電預(yù)測功率與實際功率對比

為了分析預(yù)測性能指標(biāo)，本文以平均相對誤差(MRE)和預(yù)測精度(AL)作為評估依據(jù)。

表1 三種方法的預(yù)測精度指標(biāo)值統(tǒng)計表

根據(jù)表1，SDS-MEABP應(yīng)用在晴天、陰天、雨天三種天氣類型的光伏發(fā)電預(yù)測準(zhǔn)確率分別為96.28%、82.64%、79.16%，三種天氣類型下光伏預(yù)測值與實際值平均相對誤差分別為5.35%、14.5%、15.54%。由表1的數(shù)據(jù)可知，SDS-MEABP兩項評價指標(biāo)均比BPNN和RBFNN優(yōu)秀，預(yù)測精度更高。

4 結(jié)語

本文首先利用灰色關(guān)聯(lián)分析篩選出與預(yù)測日相似度較高的相似日集合，優(yōu)化了神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)；再通過思維進化算法優(yōu)化傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，分別搭建適用于3種天氣條件下的光伏發(fā)電功率預(yù)測模型。運用澳洲某光伏發(fā)電系統(tǒng)的數(shù)據(jù)進行仿真研究，發(fā)現(xiàn)本文所提出的SDS-MEABP神經(jīng)網(wǎng)絡(luò)的整體預(yù)測效果均優(yōu)于BPNN和RBFNN，從而證明SDS-MEABP預(yù)測方法在光伏發(fā)電預(yù)測中具有良好的實用價值。