基于BP神經網絡的光伏發電預測模型設計

王思睿，薛云燦，李 彬，鄧立華，顧 菁（河海大學物聯網工程學院，常州　213022）

?

基于BP神經網絡的光伏發電預測模型設計

王思睿，薛云燦，李 彬，鄧立華，顧 菁
（河海大學物聯網工程學院，常州213022）

摘 要：結合歷史發電量和氣象數據分析了影響光伏系統發電功率的各項因素，針對傳統光伏發電預測模型預測精度不高的問題，加入了電池板溫度信息作為光伏發電預測模型的輸入參考量；針對傳統BP神經網絡易陷入局部極值的缺陷，提出了基于改進學習率和權值的彈性自適應規則的BP神經網絡。采用光伏監控系統歷史發電量和氣象數據建立了彈性自適應BP神經網絡預測模型，對訓練好的模型進行了測試和評估。預測結果表明，該預測方法較好地解決了傳統BP算法易陷入局部極值的問題，提高了系統預測結果精度。

關鍵詞：BP神經網絡；預測模型；氣象數據；電池板溫度；彈性自適應；局部極值

1 引 言

太陽能作為一種可再生能源，已成為人類使用能源的重要組成部分，并得到不斷發展。大規模光伏發電是一種利用太陽能的有效方式，但太陽輻射強度、環境溫度和天氣類型等因素容易對光伏發電產生非線性影響。這種發電方式在接入電網后必會給電網的安全和管理帶來一系列問題。因此，太陽能發電量的預測對電力系統的安全穩定運行有著重要意義。

針對如何建立光伏發電預測模型的問題，許多學者做了大量研究，提出了ARMA模型、多元線性回歸模型和神經網絡模型等。其中，由于BP神經網絡具有較好的自學習、自適應、泛化性和魯棒性等特點，廣泛運用到光伏發電預測方面。文獻［1-3］提高了光伏發電預測模型預測精度，解決了光伏發電的隨機化問題。文獻［1］陳昌松，段善旭，殷進軍等人采用光伏陣列的發電量序列、日類型指數和氣溫

?數據建立了神經網絡預測模型；文獻［2］采用每小時的太陽輻射強度、濕度、溫度、時間數據作為輸入序列構建神經網絡模型；文獻［3］采用歷史天氣數據對預測日的太陽輻射強度進行估計，然后由太陽輻射數據計算光伏陣列的輸出電能。

但是，這些預測方法沒有考慮到環境溫度對太陽能電池板轉化功率的影響，也沒有考慮BP神經網絡本身存在的缺陷。

鑒于以上不足，基于BP神經網絡的光伏發電模型加入了電池板溫度信息參考量作為光伏發電預測模型的輸入參數，提高了光伏發電預測量的精度。提出了基于改進學習率和權值的彈性自適應規則的BP神經網絡，解決了傳統BP神經網絡易陷入局部極值的問題。

2 光伏系統發電功率相關性因素分析

影響太陽能發電功率的因素很多，包括太陽能輻射強度、天氣類型、環境溫度和電池板溫度以及其它一些隨機因素。圖1為發電功率隨太陽能輻射強度變化曲線圖，圖2為發電功率隨天氣類型變化曲線圖，圖3為發電功率電壓隨溫度變化曲線圖。可以看出，光伏系統的發電功率受太陽能輻射強度以及天氣類型、環境溫度的影響。太陽能輻射強度的增加使得光伏系統的發電功率產生增大的趨勢；天氣類型的不同使得發電量也產生了變化；環境溫度的升高也使得光伏系統的發電量產生減小的趨勢。光伏系統的實際發電量正是這些因素相互作用的結果。

圖1 發電功率隨太陽能輻射強度

變化曲線圖（a為發電功率，b為太陽輻射強度）

圖2 發電量隨天氣類型變化曲線圖

圖3 發電功率電壓隨環境溫度變化曲線圖

對于光伏陣列來說，一個明顯的特征就是發電量時間序列本身高度自相關［4］。針對光伏發電預測模型而言，預測日的發電量是在前一天發電量基礎上變化的。由于受到太陽輻射強度、天氣類型、環境溫度等因素的影響，發電量的變化是一個非線性隨機過程，但同時又呈現明顯的周期性變化。

3 基于BP神經網絡的光伏發電預測模型

3.1BP神經網絡

BP神經網絡具有很強的非線性映射能力，善于從輸入和輸出信號中尋找規律，不需要精確的數學模型，并且計算能力強［5］，其結構如圖4所示。整個網絡過程分為輸入層、隱含層和輸出層。光伏發電的輸入信號從輸入節點傳到隱含層各節點，然后輸出到輸出層，每一層的節點輸出只影響下一層的輸入，但是下一層設置誤差進行反向學習，利用傳遞函數及相應的權重值進行函數訓練，從而達到網絡訓練和模型構造的目的［6］。

3.2基于彈性自適應BP神經網絡的光伏發電預測模型

基于彈性自適應BP神經網絡的光伏發電預測模型主要涉及輸入層節點、隱含層節點以及隱含層節點數、輸出層節點的確定。其中，輸入層節點主要為預測日前一天實際發電量、預測日太陽輻射強度、環境溫度、電池板溫度、預測日天氣類型；其中預測日電池板溫度Te由以下公式確定：

式中，Te為電池板溫度，T為環境溫度，G為太陽輻射強度；a1為氣溫回歸系數，a2為太陽輻射強度回歸系數，a3為常數。

圖4 BP神經網絡結構圖

隱含層節點數由以下公式確定：

式中，m為隱含層節點數，n為輸入層節點數，l為輸出層節點數，round（）為取整函數。輸出層節點為預測日的發電量。

傳統的BP神經網絡算法易導致局部最小值，固定的學習率在學習過程中易出現癱瘓現象并且導致學習時間過長［7］。針對這一缺陷，基于BP神經網絡的光伏發電預測模型設計提出了基于改進學習率和權值的彈性自適應規則的BP神經網絡模型，較好地解決了算法陷入局部極值的問題，提高了光伏發電量的預測精度。

在彈性自適應規則中，最關鍵的一步就是調整學習率和權值大小，其具體步驟為：

式中，η（n）為第n次的學習率；a為大于1的常數；b為大于0小于1的常數；c為大于1的常數；E（n）為第n次的神經元誤差，由以下公式求得：

其中：ek（n）為輸出層第k個神經元經過n次迭代后的誤差信號，求解公式為：

其中，dk（n）為輸出層第k個神經元經過n次迭代后的期望輸出；mk（n）為輸出層第k個神經元經過n次迭代后的實際輸出；eij（n +1）為第i層第j個神經元第n +1次的權值；Δwijn為第i層第j個神經元第n次的權值變化量，求解公式為：

4 彈性自適應BP神經網絡預測模型的預測結果分析

對神經網絡發電預測模型的評估有很多方法，如平均絕對百分比誤差、平均絕對偏差、均反差［8］。最常用的還是平均絕對百分比誤差MAPE［9］。彈性自適應BP神經網絡預測模型也采用平均絕對百分比誤差MAPE。

式中，N為數據總數；Pf為預測值；Pa為實測值；i為數據序號。

以某光伏發電站為研究對象建立預測模型，選取光伏監控系統數據庫2014年秋季100組歷史發電量和氣象數據作為訓練樣本，利用Matlab實現彈性自適應BP神經網絡模型的訓練過程。采用兩組測試數據，第一組為隨機選取的10日未加入太陽能電池板溫度信息的測試數據，將其生成輸入向量并輸入到彈性自適應BP神經網絡光伏發電預測模型和傳統BP神經網絡光伏發電預測模型，從而得到兩組不同模型的預測日發電量。圖5為預測模型結果圖。第二組為隨機選取的10日加入太陽能電池板溫度信息和未加入太陽能電池板溫度信息的測試數據，將其生成兩組輸入向量并將輸入到彈性自適應BP神經網絡光伏發電預測模型，得到兩組不同輸入數據的預測日發電量。

由圖5可以看出，彈性自適應BP神經網絡光伏發電預測模型的預測曲線與實際發電量趨勢大致相同，而傳統BP神經網絡光伏發電預測模型的預測曲線在某些時段產生較大誤差波動。對預測結果分析后可得：彈性自適應BP神經網絡光伏發電預測模型和傳統BP神經網絡光伏發電預測模型誤差MAPE分別為7.1108%和14.6768%。

圖5 預測模型結果圖（a為改進算法預測值；b為傳統算法預測值；c為實際值）

圖6為輸入因素不同時預測模型結果圖，由圖可以看出：與未加入電池板溫度信息的模型相比，加入電池板溫度信息的彈性自適應BP神經網絡的光伏發電預測模型的預測結果更為精準，不會在某些時段產生較大誤差。對預測結果分析可得：未加入電池板溫度信息和加入電池板溫度信息的預測模型誤差MAPE分別為4.2962%和6.3556%。

圖6 輸入因素不同時預測模型結果圖（a為加入電池板溫度信息的改進算法預測值；b為未加入電池板溫度信息的改進算法預測值，c為實際值）

5 結束語

為提高光伏發電量預測精度，加入了電池板溫度信息作為光伏發電預測模型的輸入參考量；針對BP神經網絡易陷入局部極值的缺陷，提出了基于改進學習率和權值的彈性自適應規則的BP神經網絡，將影響光伏系統發電量的主要因素太陽能輻射強度、天氣類型、電池板溫度、環境溫度數據作為模型的輸入量。與傳統BP神經網絡光伏發電預測模型相比，彈性自適應BP神經網絡光伏預測模型契合光伏發電功率特點，兼具BP神經網絡模型優點，測試結果表明該模型預測精度高于傳統BP神經網絡模型。

參考文獻：

［1］陳昌松，段善旭，殷進軍，等.基于神經網絡的光伏陣列發電預測模型的設計［J］.電工技術學報，2009，24 （9）：153-158.Chen Changsong，Duan Shanxu，Yin Jinjun，et al.Design of Photovoltaic Array Power Forecasting Model Based on Neutral Network［J］.Transaction of China Electrotechnical Society，2009，24（9）：153-158.

［2］Chakraborty S，Weiss M D，Simoes M G.Distributed intelligent energy management system for a single-phase high-frequency AC microgrid［J］.IEEE Transactions on Industrial Electronics，2007，54（1）：97-109.

［3］Yona A，Senjyu T，Funabashi T.Application of recurrent neural network to short-term-ahead generating power forecasting for photovoltaic system［C］.//IEEE Power Engineering Society General Meeting.Tampa，FL，USA：［s.n.］，2007.

［4］姜僑娜，陳中.BP-馬爾科夫組合預測方法在光伏發電量預測中的應用［J］.電力需求側管理，2011，13 （6）：21-24.Jiang Qiaona，Chen Zhong.The Study of Solar Forecasting Based on BP-Markov Method［J］.Power Demand Side Management，2011，13（6）：21-24.

［5］李光明，廖華，李景天，等.并網光伏發電系統發電量預測方法的探討［J］.云南師范大學學報（自然科學版），2011，31（2）：33-38.Li Guangming，Liao Hua，Li Jingtian，et al.Discussion on The Method of Grid-Connected PV System Generation Forecasting［J］.Journal of YuNan Normal University （Natural Sciences Edition），2011，31（2）：33-38.

［6］蔣浩，洪麗，張國江，等.主成分分析結合神經網絡的光伏發電量預測［J］.電力系統及其自動化學報，2013，25（6）：101-105.Jiang Hao，Hong Li，Zhang Guojiang，et al.PV Generation System Forecasting Model Based on Neutral Network and Principal Components Analysis［J］.Proceeding of the CSU-EPSA，2013，25（6）：101-105.

［7］Tsikalakis A G，Hatziargyriou Nikos D.Centralized control for optimizing microgrids operation［J］.IEEE Transactions on Energy Conversion，2008，23（1）：241-248.

［8］Kem E C，Culachenski E M，Ken G A.Cloud effects on distributed photovoltaic generation：slow transients at the gardner，massachusetts photovoltaic experiment［J］.IEEE Transactions on Energy Conversion，1989，4（2）：184-190.

［9］Jewell W T，Unruh T D.Limits on cloud-induced fluctuation in photovoltaic generation［J］.IEEE Transactions on Energy Conversion，1999，5（1）：8-14.

Design of Photovoltaic Power Forecasting Model Based on BP Neutral Network

Wang Sirui，Xue Yuncan，Li Bin，Deng Lihua，Gu Jing
（College of Internet of Things Engineering，Hohai University，Changzhou 213022，China）

Abstract：Combined with historical power and weather data，all factors which influence the power generation of photovoltaic system are discussed，and the temperature information from the solar panels is added to the forecasting model as the reference input to solve the problems of low prediction accuracy of the traditional forecasting model.Aiming at the defects of the traditional BP neutral network into a local extreme value，this paper proposes the BP neutral network based on the improved learning rate and elastic adaptive rule.The BP neural network forecasting module of elastic adaptive method is trained by historical power and weather data of photovoltaic monitoring system.The trained module is tested and evaluated.The forecasted results show that the prediction method can effectively solve problems of the traditional BP algorithm into a local extreme value and improve the system precision of forecast results.

Key words：BP neutral network；Forecasting model；Weather data；Temperature of the solar panel；Elastic adaptive method；Local extreme value

DOI：10.3969/j.issn.1002-2279.2016.02.021

中圖分類號：TM7

文獻標識碼：A

文章編號：1002-2279（2016）02-0082-04

基金項目：?中央高校基本科研基金（2013B08914）；江蘇省輸配電裝備技術重點實驗室開放式基金（2011JSSPD13）

作者簡介：王思睿（1991-），女，陜西省渭南市人，碩士研究生，主研方向：光伏發電建模與優化。

收稿日期：2015-06-25