張瀝新， 秦博瑞， 祝少卿

（遼寧工程技術(shù)大學(xué)電氣與控制工程學(xué)院， 遼寧 阜新 123032）

0 引言

與傳統(tǒng)能源發(fā)電相比，光能是所有可再生能源中最具規(guī)?；_發(fā)前景的新能源，光伏發(fā)電具有無污染、零排放等優(yōu)勢。但是，光伏發(fā)電功率具有強烈的不確定性，不僅給電力調(diào)度部門帶來巨大隱患，同時，也給其自身的大規(guī)模并網(wǎng)發(fā)電帶來困擾[1]。有研究表明，當(dāng)光伏并網(wǎng)發(fā)電容量超過電力系統(tǒng)總發(fā)電量的15%時，其波動會導(dǎo)致電力系統(tǒng)崩潰[2]。如果可以對光伏發(fā)電輸出功率進行準(zhǔn)確預(yù)測，不僅能夠提高光伏電站的運營效率，而且能夠幫助電力調(diào)度部門調(diào)整運行方式，確保大規(guī)模光伏發(fā)電接入公共電網(wǎng)后，電力系統(tǒng)依然可以安全、穩(wěn)定運行，對光伏發(fā)電的合理消納利用具有重要意義[3]。因此，本文建立了基于OOA優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電功率預(yù)測模型，來提高預(yù)測的精度。

1 預(yù)測模型的構(gòu)建

1.1 BP 神經(jīng)網(wǎng)絡(luò)模型

BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一，通過輸入信息的前向計算和輸出誤差信息的后向傳遞，實現(xiàn)訓(xùn)練過程，并且通過迭代訓(xùn)練不斷優(yōu)化計算模型，獲得最優(yōu)解，具有強大的自學(xué)習(xí)、自適應(yīng)和解決任意非線性映射問題的特點[4]。此模型不需要建立復(fù)雜的數(shù)學(xué)物理模型，只需要輸入歷史數(shù)據(jù)就可以預(yù)測結(jié)果。典型的BP 神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)如圖1 所示，主要由輸入層、輸出層和隱含層組成。輸入層接收特征變量，隱含層負責(zé)計算，輸出層決策模型輸出結(jié)果。

圖1 典型BP 神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)

BP 神經(jīng)網(wǎng)絡(luò)的計算過程由正向計算過程和反向計算過程組成。正向傳播過程，輸入模式從輸入層經(jīng)隱單元層逐層處理，并轉(zhuǎn)向輸出層，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果在輸出層不能得到期望的輸出，則轉(zhuǎn)入反向傳播，將誤差信號沿原來的連接通路返回，通過修改各神經(jīng)元的權(quán)值和閾值，使得誤差信號最小。

1.2 OOA-BP 神經(jīng)網(wǎng)絡(luò)模型

BP 神經(jīng)網(wǎng)絡(luò)模型所涉及的權(quán)值和閾值等參數(shù)對模型訓(xùn)練結(jié)果有較大影響，由于BP 神經(jīng)網(wǎng)絡(luò)模型的初始閾值和權(quán)值是隨機給定的（給定區(qū)間為[0.5，0.5]），其所構(gòu)建的光伏電站短期發(fā)電功率預(yù)測模型計算效率低且極易獲得偽最優(yōu)解[5]。魚鷹算法（Osprey Optimization Algorithm，OOA）是一種新型求解目標(biāo)優(yōu)化問題的優(yōu)化算法，通過模擬魚鷹的搜索行為，來尋找最優(yōu)解。該算法具有較強的全局搜索能力以及較快的收斂速度，適用于解決各種復(fù)雜的優(yōu)化問題。因此，本文采用OOA 優(yōu)化算法對BP 神經(jīng)網(wǎng)絡(luò)模型的閾值和權(quán)值進行優(yōu)化處理，以提高預(yù)測精度。OOA 優(yōu)化算法主要分為三個階段：

階段一：在尋優(yōu)空間里隨機初始化種群

式中：xi，j為個體；bl，j為尋優(yōu)下邊界；bu，j為尋優(yōu)上邊界；r為[0，1]之間的隨機數(shù)。

階段二：搜索空間中具有更好目標(biāo)函數(shù)值的其他魚鷹的位置，并將這些魚鷹視為水下魚類，魚鷹隨機檢測到其中一條魚的位置并向它移動，新位置由以下公式計算：

式中：F為魚鷹所選中魚；r為[0，1]間的隨機數(shù)；I的值為{1，2}中的一個。

若新位置優(yōu)于先前位置，則利用下列，式替換先前位置

式中：Fi為第i只魚鷹搜索出的水下魚類的集合；Xi為更新后的位置。

階段三：利用（5）、（6）式計算一個隨機的位置作為 “適合吃魚的位置” ，如果目標(biāo)函數(shù)的值在這個新的位置上更優(yōu)，則利用（7）式計算出新位置。

式中：t為迭代次數(shù)；T為最大迭代次數(shù)。

圖2 為基于OOA 優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電功率預(yù)測模型。ε 為人為規(guī)定的誤差，N為訓(xùn)練步驟，當(dāng)誤差小于設(shè)定誤差或達到最大訓(xùn)練步驟時，輸出功率。

圖2 OOA-BP 神經(jīng)網(wǎng)絡(luò)預(yù)測模型

2 預(yù)測結(jié)果與分析

2.1 樣本數(shù)據(jù)選擇

影響光伏發(fā)電輸出功率的因素有很多，可分為內(nèi)因與外因。內(nèi)因主要是由器件本身引起，對預(yù)測影響的結(jié)果是相同的，可以不用考慮。外因主要是由氣象因素引起，包括太陽輻照度、氣溫、氣壓、濕度、風(fēng)力、大氣壓和大氣透明度等，在預(yù)測過程中同時考慮所有氣象因素是不太現(xiàn)實的，本文選用2019 年新疆某發(fā)電站真實發(fā)電數(shù)據(jù)集中的總幅照度、直射輻射、散射輻射、氣溫、氣壓和濕度等6 種類型數(shù)據(jù)作為輸入變量，光伏發(fā)電功率作為輸出變量。取5 000 組樣本數(shù)據(jù)，80%作為模型訓(xùn)練集，20%作為模型測試集。

2.2 預(yù)測評價指標(biāo)

對于BP 神經(jīng)網(wǎng)絡(luò)模型以及OOA-BP 神經(jīng)網(wǎng)絡(luò)模型，其預(yù)測結(jié)果均可用均方根誤差（Root Mean Squared Error，RMSE）、決定系數(shù)（R2）作為評價指標(biāo)，RMSE 值越小，說明預(yù)測誤差越小，預(yù)測精度更高。R2的取值范圍是[0，1]，其值越大，表示回歸預(yù)測偏差越小，預(yù)測效率越高。計算公式如下：

式中：yi為第i 個預(yù)測點的實際輸出功率；y'i為模型的預(yù)測輸出功率；為真實值得均值；n為預(yù)測點總數(shù)。

2.3 預(yù)測結(jié)果與分析

OOA-BP 神經(jīng)網(wǎng)絡(luò)模型參數(shù)中取最大訓(xùn)練次數(shù)為1 000 次、學(xué)習(xí)速率為0.01，訓(xùn)練目標(biāo)精度取0.000 1。

圖3 為運用OOA-BP 神經(jīng)網(wǎng)絡(luò)預(yù)測模型的測試結(jié)果，從圖中的預(yù)測值與真實值之間的重合程度可以看出，數(shù)據(jù)重合程度非常高，誤差很小，說明預(yù)測值與真實值之間非常接近。

圖3 OOA-BP 算法預(yù)測結(jié)果

圖4 為運用OOA-BP 神經(jīng)網(wǎng)絡(luò)預(yù)測模型的擬合程度曲線。由圖4 可以看出，線性系數(shù)為0.983 13，擬合曲線與理想曲線基本重合，這說明預(yù)測數(shù)據(jù)的擬合程度較高，效果較好。

圖4 OOA-BP 算法擬合程度

2.4 結(jié)果對比

BP 神經(jīng)網(wǎng)絡(luò)與OOA-BP 神經(jīng)網(wǎng)絡(luò)模型中取相同參數(shù)進行對比，兩種模型預(yù)測評價指標(biāo)見表1。

表1 預(yù)測結(jié)果評價指標(biāo)

BP 神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果RMSE 為3.907 8，R2為0.952 54，而OOA 優(yōu)化后的BP 神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果RMSE 為3.1249，R2為0.98313。對比結(jié)果表明：OOA-BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測效果更好，進一步說明本文方法提高了預(yù)測精度與預(yù)測效率。

3 結(jié)論

由于BP 神經(jīng)網(wǎng)絡(luò)預(yù)測不穩(wěn)定和不準(zhǔn)確，本文采用OOA 算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的閾值和權(quán)值，利用仿真軟件繪制出預(yù)測結(jié)果圖形，得出RMSE 為3.124 9，R2為0.983 13。將OOA-BP 神經(jīng)網(wǎng)絡(luò)模型與BP 神經(jīng)網(wǎng)絡(luò)模型在相同參數(shù)情況下的兩種評價指標(biāo)進行對比，驗證出OOA-BP 神經(jīng)網(wǎng)絡(luò)模型預(yù)測效果更佳，擬合程度更高，能夠有效提高預(yù)測精度和預(yù)測效率。