張曉英，段賽賽，吳麗珍

（蘭州理工大學(xué)電氣工程與信息工程學(xué)院，甘肅蘭州 730050）

0 引言

隨著“碳中和、碳達(dá)峰”政策實(shí)施，光伏發(fā)電在發(fā)電領(lǐng)域中發(fā)揮著舉足輕重的作用。但是由于光伏發(fā)電存在非平穩(wěn)性和不確定性，其大規(guī)模并網(wǎng)將對(duì)電網(wǎng)造成巨大沖擊。從目前調(diào)度中心的數(shù)據(jù)分析，光伏功率的預(yù)測(cè)值和實(shí)際值之間仍存在較大偏差，因此研究如何提高光伏發(fā)電功率的預(yù)測(cè)精度尤為重要。

目前，對(duì)光伏功率的預(yù)測(cè)主要集中在利用深度學(xué)習(xí)算法進(jìn)行預(yù)測(cè)優(yōu)化。文獻(xiàn)[1-4]分別采用自適應(yīng)改進(jìn)樽海鞘算法（Adaptive Slap Swarm Algorithm，ASSA）、麻雀搜索算法（Sparrow Search Algorithm，SSA）、變分模態(tài)分解（Variational Mode Decomposition，VMD）和灰狼算法（Grey Wolf Optimizer，GWO）對(duì)傳統(tǒng)功率預(yù)測(cè)模型進(jìn)行優(yōu)化，使預(yù)測(cè)效果較傳統(tǒng)模型有所提升。文獻(xiàn)[5-9]對(duì)太陽跟蹤器跟蹤偏差產(chǎn)生的原因進(jìn)行了理論分析和研究，并對(duì)偏差角測(cè)量裝置進(jìn)行了理論設(shè)計(jì)和優(yōu)化。文獻(xiàn)[1-9]的研究主要集中在跟蹤精度的理論研究和提高功率預(yù)測(cè)精度上，對(duì)跟蹤偏差角和功率預(yù)測(cè)誤差帶來的影響研究不足。因此文獻(xiàn)[10]提出迭代誤差修正模型，并把該模型運(yùn)用到支持向量機(jī)預(yù)測(cè)模型中，但迭代誤差修正模型在進(jìn)行誤差修正時(shí)，個(gè)別時(shí)刻的預(yù)測(cè)誤差會(huì)出現(xiàn)異常，導(dǎo)致光伏功率預(yù)測(cè)的精確度有所降低。

綜上所述，本文針對(duì)雙軸太陽能自動(dòng)跟蹤系統(tǒng)實(shí)際運(yùn)行中存在的跟蹤偏差角以及采用傳統(tǒng)迭代誤差修正思想進(jìn)行多模型預(yù)測(cè)時(shí)存在的誤差異常值，提出一種基于跟蹤偏差角和改進(jìn)迭代誤差修正的光伏功率預(yù)測(cè)模型。研究的創(chuàng)新之處在于，通過構(gòu)建改進(jìn)迭代誤差修正的一層優(yōu)化模型和基于跟蹤偏差角及改進(jìn)迭代誤差修正的二層優(yōu)化模型，綜合評(píng)估跟蹤偏差角和改進(jìn)迭代誤差修正模型對(duì)功率預(yù)測(cè)的影響，進(jìn)一步提高了模型的預(yù)測(cè)精度，彌補(bǔ)了單一模型存在的不足。

1 一層優(yōu)化模型

一層優(yōu)化主要在多層前饋神經(jīng)網(wǎng)絡(luò)（Back Propagation，BP）預(yù)測(cè)模型的基礎(chǔ)上，采用多模型對(duì)BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化。一層優(yōu)化的特點(diǎn)是提出了一種改進(jìn)迭代誤差修正模型，并分別使用遺傳算法優(yōu)化多層前饋神經(jīng)網(wǎng)絡(luò)（Genetic Algorithm optimizes Back Propagation，GA-BP）功率預(yù)測(cè)模型和灰狼算法優(yōu)化多層前饋神經(jīng)網(wǎng)絡(luò)（Grey Wolf Optimizer optimizes Back Propagation，GWO-BP）功率預(yù)測(cè)模型進(jìn)行驗(yàn)證分析。結(jié)果表明，GWO-BP 預(yù)測(cè)模型比GA-BP 預(yù)測(cè)模型優(yōu)化效果更好。

1.1 改進(jìn)迭代誤差修正理論

本文在傳統(tǒng)迭代誤差修正理論的基礎(chǔ)上進(jìn)行創(chuàng)新改進(jìn)。先通過多模型優(yōu)化算法對(duì)功率進(jìn)行預(yù)測(cè)，進(jìn)而求解出誤差值；再將該誤差值作為下一級(jí)的預(yù)測(cè)輸入；最后通過多預(yù)測(cè)模型對(duì)誤差進(jìn)行輸出預(yù)測(cè)。當(dāng)輸出的誤差滿足設(shè)定的閾值時(shí)即可停止訓(xùn)練，為避免傳統(tǒng)迭代誤差修正模型在仿真過程中出現(xiàn)異常值，采用最優(yōu)模型選擇出每時(shí)刻誤差絕對(duì)值的最小值作為該時(shí)刻誤差修正的最終值。

1.2 改進(jìn)迭代誤差修正建模

設(shè)采用n個(gè)氣象特征因素、m組數(shù)據(jù)樣本，通過2 種優(yōu)化算法預(yù)測(cè)典型日的功率，計(jì)算出第1 次功率真實(shí)值與預(yù)測(cè)值的差值Δy0，把Δy0作為下1 次預(yù)測(cè)的輸入值，結(jié)合第1 次誤差修正的輸入樣本{X1，…，Xn，W，Δy0}，然后進(jìn)行第2 次誤差修正，以此類推。其中X1，…，Xn為n個(gè)氣象特征因素。當(dāng)預(yù)測(cè)的第i次差值Δyi滿足條件時(shí)，即可停止預(yù)測(cè)，再對(duì)每次預(yù)測(cè)的誤差分時(shí)刻擇優(yōu)選取。誤差修正步驟如下：

1）通過功率預(yù)測(cè)模型得到第1 次功率預(yù)測(cè)值，并求出真實(shí)值與預(yù)測(cè)值之差Δy0，將其作為第1 次誤差修正輸入值，同時(shí)輸出第1 次預(yù)測(cè)差值Δy1。

2）重復(fù)步驟1，把Δy1作為第2 次迭代誤差修正的輸入值，同時(shí)輸出第2 次預(yù)測(cè)差值Δy2。

3）重復(fù)步驟，把Δyi-1作為第i次迭代誤差修正的輸入值，同時(shí)輸出第i次預(yù)測(cè)差值Δyi。

式中：yfor為修正后的預(yù)測(cè)功率值；Δyo,m,n為第m個(gè)數(shù)據(jù)和第n個(gè)氣象特征因素下的最優(yōu)誤差輸出值；為功率實(shí)際值。

1.3 優(yōu)化模型

由于遺傳算法（Genetic Algorithm，GA）相較于其他基礎(chǔ)的算法具有更高的適應(yīng)性，利用GA 來優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)可避免預(yù)測(cè)值陷入局部最優(yōu)[12-13]。灰狼算法是一種隨機(jī)概率搜索算法[14-15]，GWO 不僅僅有GA 并行搜索的優(yōu)點(diǎn)，而且比粒子群算法收斂性強(qiáng)，因此本文在傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上建立了GA-BP 和GWO-BP 2 種預(yù)測(cè)優(yōu)化模型。GA-BP和GWO-BP 預(yù)測(cè)優(yōu)化模型流程如圖1 所示。

2 二層優(yōu)化模型

2.1 跟蹤偏差角定義

雙軸太陽能自動(dòng)跟蹤系統(tǒng)的跟蹤偏差示意圖如圖2 所示。其中，γ為跟蹤偏差角，δ為方位角，X，Y，Z為方位軸。

圖2 跟蹤偏差示意圖Fig.2 Schematic diagram of tracking deviation

由圖2 可知，跟蹤偏差角γ指的是太陽入射光與跟蹤法線的夾角。理想情況下，太陽跟蹤器通過雙軸運(yùn)動(dòng)耦合，使太陽接收面法線指向與太陽入射光線方向始終保持一致，實(shí)現(xiàn)完全精確跟蹤；實(shí)際上，由于結(jié)構(gòu)變形、運(yùn)行過程的誤差導(dǎo)致很難實(shí)現(xiàn)理論意義上的完全精確跟蹤[16]。文獻(xiàn)[17]通過統(tǒng)計(jì)分析表明，引入γ后光伏發(fā)電功率可提高10%。

2.2 跟蹤偏差角建模方法

對(duì)跟蹤偏差角建?？梢匀嬖u(píng)估跟蹤誤差的優(yōu)劣。文獻(xiàn)[6]提出了2 種跟蹤偏差角建模方法，第1 種采用數(shù)學(xué)統(tǒng)計(jì)法來計(jì)算跟蹤偏差角，第2 種采用輻照度差異法來處理跟蹤誤差，通過2.2.1 和2.2.2 節(jié)公式計(jì)算，選取2 種建模方法中得到跟蹤偏差角最小的方法進(jìn)行二層優(yōu)化。

2.2.1 數(shù)學(xué)統(tǒng)計(jì)法

雙軸光伏自動(dòng)跟蹤系統(tǒng)在追蹤太陽光時(shí)，俯仰角和方位角均會(huì)發(fā)生變化，根據(jù)實(shí)際安裝地點(diǎn)情況，設(shè)定組件接收面朝向正南，太陽光方向矢量分解圖如圖3 所示。其中，ε為太陽高度角，Q為太陽入射光方向矢量，根據(jù)直角坐標(biāo)系中空間矢量與3 個(gè)坐標(biāo)軸的關(guān)系，Q在O-XYZ上的坐標(biāo)可表示為（QX，QY，QZ）。

圖3 太陽光方向矢量分解圖Fig.3 Sunlight direction vector decomposition

QX，QY，QZ分別為X，Y，Z軸上的坐標(biāo)分量，其中QX為cosδcosε，QY為sinδcosε，QZ為sinε，所以坐標(biāo)Q通過分解可表示為（cosδcosε，sinδcosε，sinε）。太陽入射光方向矢量Q為：

式中：I為X軸上方向單位矢量；J為Y軸上方向單位矢量；K為Z軸上方向單位矢量。

雙軸太陽能自動(dòng)跟蹤系統(tǒng)實(shí)際運(yùn)行中總存在跟蹤誤差，設(shè)系統(tǒng)運(yùn)行中的俯仰角為ε＇、方位角為δ＇，其中，cosδ＇cosε＇，sinδ＇cosε＇，sinε＇分別為考慮跟蹤誤差時(shí)接收面法線方向向量F在X，Y，Z軸的坐標(biāo)值。太陽能接受面法線方向向量F為：

根據(jù)空間向量夾角的計(jì)算公式進(jìn)行分析，得到太陽入射光方向向量Q和接收面法線向量F之間的跟蹤偏差角γ為：

2.2.2 輻照度差異法

設(shè)c為時(shí)刻，采用b臺(tái)光伏自動(dòng)跟蹤系統(tǒng)，采用光伏組件正面接受的輻照功率值計(jì)算出跟蹤偏差角。假設(shè)第1 臺(tái)光伏組件在典型日c時(shí)刻接受的輻照功率值為P1-c，其集合c={1，2，…，24}。依次測(cè)得b臺(tái)光伏自動(dòng)跟蹤系統(tǒng)c時(shí)刻接受到的輻照功率值Pi-c，其集合i={1，2，…，b}，選取每組中的最大太陽輻照值作為該時(shí)刻的基準(zhǔn)值，構(gòu)成1組b×1 的輻照度最大值功率矩陣，利用跟蹤偏差的估算公式計(jì)算跟蹤偏差角γ為：

式中：Pi-max為所有光伏跟蹤系統(tǒng)同時(shí)刻所測(cè)得最大輻照功率值；Pi為第i臺(tái)光伏跟蹤系統(tǒng)實(shí)際功率值。

3 仿真分析

本文仿真數(shù)據(jù)選自甘肅省張掖市某縣10×2 kW的集群光伏發(fā)電設(shè)備，總裝機(jī)容量為20 kW，其光伏設(shè)備的自動(dòng)跟蹤系統(tǒng)內(nèi)置反向跟蹤策略，可以更大限度減小陰影的影響。仿真樣本選用典型季節(jié)中（2022 年1 月16 日-4 月30 日）每隔1 h 的光伏發(fā)電功率實(shí)測(cè)值，實(shí)際跟蹤角度由安裝在光伏組件左側(cè)的傳感裝置測(cè)得。對(duì)10 臺(tái)雙軸光伏跟蹤器進(jìn)行數(shù)據(jù)采集，同時(shí)以1 h 為時(shí)間間隔測(cè)得10 組太陽輻照數(shù)據(jù)，選取8:00-18:00 之間共11 組數(shù)據(jù)，組成11×10 功率矩陣數(shù)據(jù)。

3.1 一層優(yōu)化仿真

3.1.1 改進(jìn)迭代誤差修正仿真分析

本文的一層優(yōu)化是在多模型預(yù)測(cè)基礎(chǔ)上改進(jìn)誤差修正的過程，以實(shí)測(cè)數(shù)據(jù)為基礎(chǔ)，選擇3 月21日作為預(yù)測(cè)日，通過相似日理論[18-19]選取前70 天綜合相似度最高的歷史發(fā)電日作為相似日樣本集。通過仿真實(shí)驗(yàn)可知，預(yù)測(cè)3 次誤差后達(dá)到閾值要求，選取3 次誤差最優(yōu)的結(jié)果對(duì)功率預(yù)測(cè)值進(jìn)行修正，即可實(shí)現(xiàn)功率預(yù)測(cè)的一層優(yōu)化。GA-BP 預(yù)測(cè)模型下的3 次預(yù)測(cè)誤差如圖4 所示。

圖4 GA-BP預(yù)測(cè)模型下的3次預(yù)測(cè)誤差Fig.4 Three prediction errors under GA-BP prediction model

由圖4 可知，以GA-BP 預(yù)測(cè)模型為例，通過3次迭代誤差修正后，預(yù)測(cè)的誤差值每次均有改進(jìn)，第3 次預(yù)測(cè)誤差較接近最優(yōu)誤差，最優(yōu)誤差均能保持在-30～70 W 之間，說明考慮預(yù)測(cè)誤差對(duì)實(shí)現(xiàn)功率預(yù)測(cè)具有積極意義。

3.1.2 不同預(yù)測(cè)模型仿真

含改進(jìn)迭代誤差修正的功率預(yù)測(cè)可以使修正后的功率預(yù)測(cè)值更加接近真實(shí)值。不同優(yōu)化模型下的改進(jìn)迭代誤差如圖5 所示。

圖5 不同優(yōu)化模型下的改進(jìn)迭代誤差Fig.5 Improved iterative error under different optimization models

由圖5可知，改進(jìn)的迭代誤差大致分布在-75～100W之間。以GWO-BP 預(yù)測(cè)模型為例，假設(shè)2 kW 的雙軸自動(dòng)跟蹤系統(tǒng)在理想滿載情況下，考慮改進(jìn)迭代誤差修正的GWO-BP 預(yù)測(cè)模型與BP 預(yù)測(cè)模型相比，預(yù)測(cè)精度可以提升5%左右。

推導(dǎo)得到預(yù)測(cè)精度η為：

基于改進(jìn)迭代誤差修正的GA-BP預(yù)測(cè)中，利用遺傳算法進(jìn)行局部尋優(yōu)的優(yōu)點(diǎn)，通過對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行初始化，再反向傳播進(jìn)行優(yōu)化找到最優(yōu)的初始化參數(shù)，設(shè)置遺傳代數(shù)為29 代，種群規(guī)模為5 群；在GWO-BP 預(yù)測(cè)中，先對(duì)比目標(biāo)函數(shù)和頭狼的目標(biāo)函數(shù)值，若目標(biāo)函數(shù)值小于頭狼的目標(biāo)函數(shù)值，則把頭狼的位置更新為最優(yōu)位置[20]，通過循環(huán)不斷更新狼群的適應(yīng)度和位置，直到達(dá)到最大迭代次數(shù)并遍布全部維度[21-22]，最終得到最優(yōu)權(quán)值和閾值對(duì)BP 神經(jīng)網(wǎng)絡(luò)進(jìn)一步優(yōu)化，設(shè)置狼群的數(shù)量為7群，隱藏層維度為6 維，目標(biāo)誤差為1×10-9,最大迭代次數(shù)為50次。在GA-BP 和GWO-BP 優(yōu)化模型中，為防止預(yù)測(cè)結(jié)果過擬合，所以將模型中的訓(xùn)練方法選為Trainbr。Trainbr 訓(xùn)練方法可改變函數(shù)性能、減小過擬合的風(fēng)險(xiǎn)、提高模型的泛化能力。GA-BP 及GWO-BP 優(yōu)化模型下誤差修正前后對(duì)比如圖6所示。

圖6 GA-BP及GWO-BP優(yōu)化模型下誤差修正前后對(duì)比Fig.6 Comparison before and after error correction under GA-BP，GWO-BP optimization model

由圖6 可知，結(jié)合典型日的仿真結(jié)果分析，相較普通優(yōu)化模型進(jìn)行的功率預(yù)測(cè)，改進(jìn)迭代誤差修正后的優(yōu)化模型更可有效提高功率預(yù)測(cè)的準(zhǔn)確度。圖6（a）中，普通GA-BP 功率預(yù)測(cè)模型在16:00～18:00之間會(huì)產(chǎn)生較大誤差，而基于改進(jìn)迭代誤差修正下的GA-BP 功率預(yù)測(cè)值較普通GA-BP 功率預(yù)測(cè)值更加接近真實(shí)值。圖6（b）中，相較于普通GWO-BP優(yōu)化模型，基于改進(jìn)迭代誤差修正下的GWO-BP 功率預(yù)測(cè)值波動(dòng)更小。

3.2 二層優(yōu)化仿真

在一層優(yōu)化基礎(chǔ)上，把跟蹤偏差角考慮進(jìn)優(yōu)化模型中，可實(shí)現(xiàn)對(duì)功率預(yù)測(cè)的二層優(yōu)化。使用2.2節(jié)所述的數(shù)學(xué)統(tǒng)計(jì)法和輻照度差異法對(duì)典型日的跟蹤偏差角進(jìn)行計(jì)算，選取各時(shí)刻最小的跟蹤偏差角完成對(duì)功率預(yù)測(cè)的二層優(yōu)化。2022 年4 個(gè)典型日下的太陽高度角ε和方位角δ如圖7 所示。

圖7 典型日下的太陽高度角ε和方位角δFig.7 Solar altitude angle and azimuth angle on typical day

3.2.1 跟蹤偏差角仿真分析

根據(jù)實(shí)驗(yàn)仿真項(xiàng)目所在地的實(shí)際高度角和方位角以及光伏組件上傳感器獲取的自動(dòng)跟蹤系統(tǒng)的俯仰角和方位角，采用數(shù)學(xué)統(tǒng)計(jì)法計(jì)算出2022年1 月16 日-4 月30 日的跟蹤偏差角，數(shù)學(xué)統(tǒng)計(jì)法下數(shù)據(jù)集的跟蹤偏差角如圖8 所示。

圖8 數(shù)學(xué)統(tǒng)計(jì)法下數(shù)據(jù)集的跟蹤偏差角Fig.8 Tracking deviation angle of data set with mathematical statistics

由圖8 可知，從建立的瀑布圖分布特征來看，所選的樣本日中，整體跟蹤偏差角的波動(dòng)較為平穩(wěn)，個(gè)別異常樣本的波動(dòng)較大，可能與環(huán)境因素的變化或自然因素異常有關(guān)，總體看樣本日的跟蹤偏差角均未超過0.4°。

本文以3 月21 日典型日進(jìn)行分析，典型日下Q和F矢量表如表1 所示。

數(shù)學(xué)統(tǒng)計(jì)法下的典型日跟蹤偏差角如圖9 所示。

圖9 數(shù)學(xué)統(tǒng)計(jì)法下的典型日跟蹤偏差角Fig.9 Typical daily tracking deviation angle with mathematical analysis

由圖9 可知，中午時(shí)刻輻照度比較大時(shí)，雙軸自動(dòng)跟蹤系統(tǒng)的γ相較于1 天中其他時(shí)刻都較大，除13:00 的跟蹤偏差角超過0.3°以外，典型日的偏差角均在0.15°以下，說明在典型日雙軸自動(dòng)跟蹤系統(tǒng)具有較好的跟蹤作用。

運(yùn)用式（5）計(jì)算得到輻照度差異法下的典型日跟蹤偏差角如圖10 所示。

圖10 輻照度差異法下的典型日跟蹤偏差角Fig.10 Typical daily tracking deviation angle with irradiance difference method

由圖10 可知，典型日的γ均在5°以內(nèi)，相較于數(shù)學(xué)統(tǒng)計(jì)法，該方法計(jì)算得到的γ普遍較大。

3.2.2 評(píng)價(jià)指標(biāo)

本文選擇平均絕對(duì)誤差（Mean Absolute Error，MAE）和均方誤差（Mean Squared Error，MSE）作為評(píng)價(jià)指標(biāo)，MAE，MSE 的值用EMA，EMS表示，其表達(dá)式為：

式中：yi為預(yù)測(cè)值；N為預(yù)測(cè)樣本個(gè)數(shù)。

3.2.3 二層功率預(yù)測(cè)優(yōu)化仿真

選擇數(shù)學(xué)統(tǒng)計(jì)法得到的γ對(duì)典型日進(jìn)行二層功率預(yù)測(cè)優(yōu)化。本文分別從4 個(gè)場(chǎng)景對(duì)典型日的功率預(yù)測(cè)進(jìn)行對(duì)比分析。場(chǎng)景1，不考慮改進(jìn)迭代誤差修正的功率預(yù)測(cè)；場(chǎng)景2，考慮改進(jìn)迭代誤差修正的功率預(yù)測(cè)值；場(chǎng)景3，考慮跟蹤偏差角γ但不考慮改進(jìn)迭代誤差修正功率預(yù)測(cè)；場(chǎng)景4，考慮γ且考慮改進(jìn)迭代誤差修正的功率預(yù)測(cè)。場(chǎng)景1 和2 在3.1.2 節(jié)已經(jīng)進(jìn)行詳細(xì)說明，本節(jié)對(duì)場(chǎng)景3 和4 進(jìn)行分析，得到GA-BP，GWO-BP 預(yù)測(cè)模型下典型日預(yù)測(cè)曲線如圖11 所示。

圖11 GA-BP，GWO-BP預(yù)測(cè)模型下典型日預(yù)測(cè)曲線Fig.11 Typical daily forecast curve of GA-BP prediction model

由圖11 可知，同時(shí)考慮γ和改進(jìn)迭代誤差修正后的功率預(yù)測(cè)，效果比單一的優(yōu)化效果好，修正后的預(yù)測(cè)值更加接近真實(shí)值。結(jié)合3.1.2 節(jié)仿真結(jié)果分析，當(dāng)只考慮γ和改進(jìn)迭代誤差修正后的功率預(yù)測(cè)值比普通優(yōu)化模型功率預(yù)測(cè)值有所提升。

考慮γ和改進(jìn)迭代誤差修正的功率預(yù)測(cè)優(yōu)化指數(shù)如表2 所示。

表2 功率預(yù)測(cè)優(yōu)化指數(shù)Table 2 Power prediction optimization indexes

由表2 可知，當(dāng)只考慮γ時(shí)，GA-BP 預(yù)測(cè)模型下的EMA降低了9.884%。當(dāng)同時(shí)考慮γ和改進(jìn)迭代誤差修正時(shí)，EMA較GA-BP 普通功率預(yù)測(cè)降低了41.253%。表明同時(shí)考慮γ和改進(jìn)迭代誤差修正時(shí)，對(duì)功率預(yù)測(cè)值有明顯提升作用。

4 結(jié)論

本文分析了跟蹤偏差角和改進(jìn)迭代誤差修正對(duì)功率預(yù)測(cè)的影響，所得結(jié)論如下：

1）提出基于改進(jìn)迭代誤差修正的功率預(yù)測(cè)一層優(yōu)化和考慮γ的二層優(yōu)化模型，雙層優(yōu)化可明顯提升功率預(yù)測(cè)的準(zhǔn)確性，減少功率預(yù)測(cè)的波動(dòng)性。

2）GWO-BP 預(yù)測(cè)模型下，同時(shí)考慮改進(jìn)迭代誤差修正和γ情況下，EMA降低了52.776%。通過對(duì)比發(fā)現(xiàn)，GWO-BP 預(yù)測(cè)模型較GA-BP 預(yù)測(cè)模型優(yōu)化效果更好，采用GWO-BP 預(yù)測(cè)模型可以更好地提升功率預(yù)測(cè)的準(zhǔn)確性。