基于回聲狀態(tài)網(wǎng)的光伏發(fā)電量預測

姚顯雙，倫淑嫻

（1.渤海大學 工學院，遼寧 錦州 121013；2.渤海大學 新能源學院，遼寧 錦州 121013）

太陽能被世界公認為最具競爭力的一種新型能源，目前世界上有很多國家開始重視通過光伏發(fā)電產(chǎn)業(yè)來對太陽能進行開發(fā)和利用。太陽光照強度、天氣溫度、風速等因素決定著光伏發(fā)電量。由于這些因素的存在，導致了光伏發(fā)電量的不確定性，那么并網(wǎng)運行會對電網(wǎng)有一定的沖擊，并對電網(wǎng)造成一定程度的不穩(wěn)定。因此對光伏發(fā)電量預測研究就顯得尤為重要。由于光伏發(fā)電量的不確定性帶來的困擾，需要對光伏發(fā)電量進行預測研究。而在近些年，學者們提出了很多預測方法，如數(shù)學統(tǒng)計方法[1-2]，神經(jīng)網(wǎng)絡(luò)方法[3-6]等。考慮到預測精度和運算速度的更高要求，這些方法就有些不足，為了解決這個問題，本文提出一種新的預測方法，即基于回聲狀態(tài)網(wǎng)的發(fā)電量預測方法。

1 回聲狀態(tài)網(wǎng)

回聲狀態(tài)網(wǎng)是由H.Jeager和H.ass在2004年提出的一種新型遞歸神經(jīng)網(wǎng)絡(luò)[7]。回聲狀態(tài)網(wǎng)使用儲備池來代替?zhèn)鹘y(tǒng)遞歸神經(jīng)網(wǎng)絡(luò)原有的隱含層，其結(jié)構(gòu)如圖1所示。

圖1 回聲狀態(tài)網(wǎng)結(jié)構(gòu)圖Fig.1 The structure of echo state network

回聲狀態(tài)網(wǎng)包含一個輸入層，一個儲備池和一個輸出層，其神經(jīng)元個數(shù)分別為 K，N和 L。Win，W，Wout和 Wfb分別表示輸入權(quán)值矩陣，儲備池權(quán)值矩陣，輸出權(quán)值矩陣和輸出反饋權(quán)值矩陣。 他們的維數(shù)分別是 N×K，N×N，N×L 和 L×（K×N）。回聲狀態(tài)網(wǎng)的離散模型可以表示如下：

式中，f表示儲備池激活函數(shù)（通常選取“tanh”函數(shù)），g表示輸出激活函數(shù)（通常選取“identity”函數(shù)），x（n）表示儲備池狀態(tài)，u（n）表示網(wǎng)絡(luò)輸入，y（n）表示網(wǎng)絡(luò)輸出，[；]表示兩個向量的鏈接。

在回聲狀態(tài)網(wǎng)中，權(quán)值Win，W和Wfb是隨機給定的，而權(quán)值Wout是需要通過訓練計算得到的。因此，對網(wǎng)絡(luò)進行訓練就是訓練輸出權(quán)值矩陣Wout，使得輸出信號盡可能的接近教師信號。Wout計算表達式如下：

式中，T表示矩陣的轉(zhuǎn)置，（）-1表示矩陣的逆，X表示[x（n）；u（n）]的列集合，Y 表示 y（n）的列集合。

2 預測模型

我們以美國二十九棕櫚村（北緯34.3°，西經(jīng)116.167°）觀測點得到的數(shù)據(jù)為研究對象。下面我們對一年中的幾天（如3月22日、6月21日、9月22日、12月21日）的地表太陽輻射和光伏發(fā)電量進行比較，比較結(jié)果如圖2和圖3所示。

圖2 地表的太陽輻射Fig.2 The solar radiation on the surface

圖3 光伏發(fā)電量Fig.3 The photovoltaic power generation

對比圖2和圖3中的9月22日的兩條曲線，可以看出影響光伏發(fā)電量的因素不止太陽輻射量，還包括其他因素。進而，對影響光伏發(fā)電量的各個因素進行比較分析，可以發(fā)現(xiàn)影響光伏發(fā)電量的主要因素包括光照強度和溫度。以光照強度和溫度為輸入，光伏發(fā)電量為輸出，建立一個基于回聲狀態(tài)網(wǎng)的預測模型，結(jié)構(gòu)如圖4所示。

圖4 發(fā)電量預測結(jié)構(gòu)圖Fig.4 The structure of the photovoltaic power generation forecasting

在對構(gòu)建后的模型進行學習的過程中，用平均絕對百分比誤差（MAPE）來衡量模型學習的好壞，其表達式如下：

式中，d（i）表示真實值，y（i）表示預測值，L 表示訓練樣本長度，i表示第i次訓練。

3 仿真與驗證

我們選擇一年中每天8:00～17:00的光伏發(fā)電量及其對應(yīng)的光照強度和溫度作為模型的訓練和測試的數(shù)據(jù)樣本，在利用matlab軟件對該模型進行訓練學習。在訓練開始之前，首先對模型進行初始化，選取合適的參數(shù)，包括儲備池大小（N=50）、儲備池的譜半徑（ρ=0.7）訓練樣本長度（L=300），然后在根據(jù)選好的訓練樣本對模型訓練。對訓練穩(wěn)定的預測模型進行測試，其測試的MAPE=10.41%，測試值與真實值的對比結(jié)果如圖5所示。

圖5 測試結(jié)果Fig.5 The result of testing

從圖5我們可以看出，在測試開始時的一部分測試值相比較真實值相差有點大，隨著測試的進行，其測試值與真實值逐漸接近。由此我們可以判斷，我們提出的預測模型能提高光伏發(fā)電量的預測精度，從而能減少光伏發(fā)電系統(tǒng)對電網(wǎng)造成的波動。

除此之外，我們還通過選取不同的樣本長度和不同的儲備池大小，來對模型的預測誤差（MAPE）進行比較，比較結(jié)果分別見表1和表2。

表1 不同樣本長度的測試結(jié)果Tab.1 Test result for the different length of sample

從表1中，我們可以看出，隨著樣本長度的增加，預測精度反而有所下降。從表2中，我們可以看出隨著儲備池大小的增加，預測精度也隨之提高。

4 結(jié) 論

該光伏發(fā)電量預測模型采用具有簡單訓練學習方法的回聲狀態(tài)網(wǎng)，以歷史數(shù)據(jù)為訓練樣本學習訓練模型，并利用訓練穩(wěn)定的網(wǎng)絡(luò)模型來預測之后的光伏發(fā)電量。仿真實驗表明，該預測模型能提高光伏發(fā)電量的預測精度，從而減少了光伏發(fā)電的不確定性對電網(wǎng)造成的波動。

表2 不同儲備池大小的測試結(jié)果Tab.1 Test result for the different size of reservoir

[1]MARIA Grazia DE Giorgi，PAOLO Maria Congedo，MARIA Malvoni.Photovoltaic power forecasting using statistical methods:impactofweather data [J].IET Science，Measurement and Technology，2014，8（3）:1-8.

[2]秦俊舉，張恕遠.一種新的光伏發(fā)電預測模型的設(shè)計[J].科技和產(chǎn)業(yè)，2014，14（2）:146-150.

[3]ATSUSHI Yona，TOMONOBU Senjyu，AHMED Yousuf Saber，et al.Application of Neural Network to One-Day-Ahead 24 hours Generating Power Forecasting for Photovoltaic System[C]//The 14th International Conference on Intelligent System Applications to Power Systems， Taiwan:[s， n]，2007:442-447.

[4]NIU Dong-xiao，WEI Yan-an，CHEN Yan-chao.Photovoltaic power prediction based on scene simulation knowledge miningand adaptive neuralnetwork [J].Mathematical Problems in Engineering，2013，2013（2013）:1-6.

[5]陳昌松，段善旭，殷進軍.基于神經(jīng)網(wǎng)絡(luò)的光伏陣列發(fā)電預測模型的設(shè)計[J].電工技術(shù)學報，2009，24（9）:153-158.

[6]張艷霞，趙杰.基于反饋型神經(jīng)網(wǎng)絡(luò)的光伏系統(tǒng)發(fā)電功率預測[J].電力系統(tǒng)保護與控制，2011，39（15）:96-101.

[7]Jaeger H，Haas H.Harnessing nonlinearity:Predicting chaotic systems and saving energy in wireless telecommunication[J].Science，2004，304（5667）:78-80.