基于GA-SAPSO優(yōu)化BP神經(jīng)網(wǎng)絡的>光伏系統(tǒng)發(fā)電量預測

黃 超，葛 愿，葛宜然，張 剛

安徽工程大學電氣工程學院，安徽蕪湖，241000

基于GA-SAPSO優(yōu)化BP神經(jīng)網(wǎng)絡的>光伏系統(tǒng)發(fā)電量預測

黃 超，葛 愿*，葛宜然，張 剛

安徽工程大學電氣工程學院，安徽蕪湖，241000

對影響光伏發(fā)電的因素進行了分析，建立了利用遺傳算法和模擬退火粒子群算法優(yōu)化的BP神經(jīng)網(wǎng)絡短期光伏發(fā)電量預測模型。該預測模型利用遺傳算法和模擬退火粒子群算法來優(yōu)化神經(jīng)網(wǎng)絡內(nèi)部的連接權值和閾值，結合遺傳、模擬退火粒子群和BP神經(jīng)網(wǎng)絡的優(yōu)點，使得預測模型具有較好的預測結果。結合光伏發(fā)電的歷史數(shù)據(jù)及天氣狀況，對該模型進行訓練、測試、評估及預測。預測結果表明，建立的預測模型具有較高的精度。

光伏系統(tǒng)；發(fā)電量預測；遺傳算法；模擬退火粒子群算法；BP網(wǎng)絡

隨著人類對化石能源的過度開采利用導致能源枯竭和環(huán)境惡化，光伏發(fā)電因其清潔、安全、可再生的能源特性受到越來越多國家的重視，光伏發(fā)電作為一種新興產(chǎn)業(yè)被越來越多的國家和地區(qū)關注和重點發(fā)展。作為國家新能源優(yōu)先發(fā)展方向之一，且隨著國家“十二五”規(guī)劃中新能源戰(zhàn)略的實施，我國光伏發(fā)電項目迅猛發(fā)展，各種不同規(guī)模的光伏發(fā)電站(點)已經(jīng)在國內(nèi)大量建成和運行當中[1-2]。

因受地理、環(huán)境、太陽輻射強度多種因素的影響，光伏系統(tǒng)發(fā)電的發(fā)電輸出功率具有不確定性和隨機性。光伏發(fā)電系統(tǒng)的這些特性導致其并入大電網(wǎng)后，會對大電網(wǎng)造成沖擊，給大電網(wǎng)的穩(wěn)定運行帶來一定的問題。因此，對光伏發(fā)電系統(tǒng)發(fā)電量預測，能夠減少對大電網(wǎng)的沖擊，也能夠減輕電網(wǎng)的備用要求。通過對發(fā)電量的預測，大電網(wǎng)與光伏系統(tǒng)發(fā)電相配合可以減少傳統(tǒng)能源發(fā)電的能源消耗，減少環(huán)境污染，提高電網(wǎng)運行的經(jīng)濟性。光伏發(fā)電量預測技術可以根據(jù)用電要求，合理利用太陽能資源，安排發(fā)電容量，節(jié)約成本，并獲得更好的經(jīng)濟利益[3]。

國內(nèi)關于光伏系統(tǒng)發(fā)電量預測的研究還處于起步階段，其中，基于人工神經(jīng)網(wǎng)絡預測模型應用較為廣泛，如BP神經(jīng)網(wǎng)絡、改進BP神經(jīng)網(wǎng)絡、PSO優(yōu)化RNN神經(jīng)網(wǎng)絡和小波神經(jīng)網(wǎng)絡等預測模型[4-8]，只要將數(shù)據(jù)代入預測模型進行統(tǒng)計分析，找出數(shù)據(jù)之間的復雜聯(lián)系，就能進行預測，然而預測的效果都不夠理想。為此，本文提出了一種將遺傳算法、模擬退火粒子群算法和BP神經(jīng)網(wǎng)絡模型三者相結合的方法，建立光伏系統(tǒng)發(fā)電量預測模型。模型利用遺傳算法與模擬退火粒子群算法相結合來優(yōu)化BP神經(jīng)網(wǎng)絡的網(wǎng)絡參數(shù)，再將優(yōu)化后的網(wǎng)絡參數(shù)代入BP神經(jīng)網(wǎng)絡進行發(fā)電量預測，加快神經(jīng)網(wǎng)絡收斂速度，得到了較為理想的預測結果。

1 遺傳算法(GA)

遺傳算法(Genetic Algorithm，GA)是通過模擬自然界生物進化理論而提出的一種全局優(yōu)化算法。算法實際就是從需要解決問題的可能存在解表示成染色體，利用適者生存的思想，從中選擇優(yōu)良的個體進行復制，有更多繁殖后代的機會，為了體現(xiàn)自然界的信息交換和偶然基因突變，個體進行交叉和變異操作，這樣，通過遺傳算法進行不斷地繁衍和進化，最終得到一群最適環(huán)境的染色體種群上，即得到最優(yōu)解。遺傳算法的具體實現(xiàn)步驟如下：

(1)參數(shù)設定 在求解遺傳算法前，首先要確定表示可行解的染色體編碼方法，算法中一些運行參數(shù)也需要提前設定，如群體規(guī)模、終止進化代數(shù)、選擇算子、交叉算子和變異算子的設定。

(2)初始種群的生成 隨機地產(chǎn)生m個初始個體數(shù)據(jù)組成一個初始群體(m是根據(jù)群體規(guī)模和待優(yōu)化變量個數(shù)設定)，以這個群體開始進行擇優(yōu)劣汰模擬進化過程。

(3)適應度函數(shù)的設計 將待優(yōu)化問題的可能解形成的目標函數(shù)轉換成合適的個體適應度函數(shù)，從而評判個體所代表的可行解的優(yōu)劣，為群體進化提供選擇。

(4)選擇 利用輪盤賭選擇方法選擇個體，將被選擇到的個體獲得更多的機會產(chǎn)生下一代，也利于保持群體的多樣性

(5)交叉 對于選擇再生后的個體種群，依照交叉算子隨機進行兩兩交叉操作，即將兩個配對的個體在交叉點的前后部位進行交換。

(6)變異 按照一定的變異算子概率，在種群中改變?nèi)后w個體的染色體一些部位的基因值。

(7)種群在經(jīng)過上述操作之后會產(chǎn)生新一代群體，對產(chǎn)生的新一代群體進行重新評價。經(jīng)過一次次的一系列算法操作，使群體中的最優(yōu)個體的解值不斷向最優(yōu)解前進，直至獲得待解決問題的全局最優(yōu)解，則算法結束。

2 模擬退火粒子群算法(PSO)

粒子群優(yōu)化算法(Particle Swarm Optimization,PSO)是模擬鳥類捕食提出的一種尋求最優(yōu)解智能算法。粒子群算法與遺傳算法一樣，也是一種基于迭代的全局優(yōu)化方法。算法通過把每個求解問題的可能解看成一個粒子，每個粒子都有一個適應值、速度和位置，通過粒子間的競爭和協(xié)作來搜索最優(yōu)解。模擬退火(Simulated Annealing,SA)算法，是模擬金屬加溫至充分高后徐徐冷卻的過程。因為標準PSO算法到進化后期會出現(xiàn)收斂速度慢以及早熟現(xiàn)象，導致精度不高且易陷入局部最優(yōu)值。模擬退火算法在搜索過程中具有較強的跳出局部最優(yōu)解的能力，通過對慣性權重進行隨機調整，保持群體的多樣性，避免群體在搜索過程中陷入局部最優(yōu)解的問題。因此，在標準PSO算法中引入模擬退火方法，提出模擬退火粒子群算法(SAPSO)，從而能更加快速有效地找到最優(yōu)解。

模擬退火粒子群算法的具體實現(xiàn)步驟如下：

(1)初始化 定義初始化種群(每個粒子的初始速度和位置以及種群大小)，進化代數(shù)；

(2)設定算法的適應度函數(shù)，評價每個粒子i的適應度f(i)，在每一次迭代中，根據(jù)適應值的優(yōu)劣，將粒子本身目前所找到的最優(yōu)解(即粒子曾達到的最好位置)pi存儲起來(包括位置、速度和適應值)，并通過競爭得到當前整個種群目前找到的最優(yōu)解，放在最優(yōu)解位置pg(包括適應值最優(yōu)個體的位置、速度和適應值)；

(3)確定初始溫度，t0=f(pg)/ln5；

(4)通過式(i)確定當前溫度下各粒子的適應值；

(i)

(5)種群中的所有粒子個體最優(yōu)值pi，通過采用輪盤賭選擇方法確定全局最優(yōu)值的一個替代值，并由式(ii)來更新種群各粒子的速度和位置；

(ii)

(6)計算各粒子新的適應值，更新各粒子的個體最優(yōu)值，評價種群并確定全局最優(yōu)值；

(7)運用公式tk+1=λtk(λ為退溫常數(shù))進行退溫操作；

(8)判斷算法停止條件(算法精度要求或迭代次數(shù)要求)，滿足條件則輸出結果，否則轉至步驟(4)繼續(xù)執(zhí)行。

3 光伏發(fā)電量預測模型設計過程

3.1 光伏發(fā)電的主要影響因素

影響光伏系統(tǒng)發(fā)電功率的因素有很多，如地理位置、太陽的輻射強度、太陽入射角度、太陽能電池組件的傾斜角度、逆變器的轉換效率、溫度、灰塵、氣壓等。但是，有些影響因素可以不用考慮，比如光伏陣列的安裝位置、安裝角度和本身的轉換效率對光伏發(fā)電量數(shù)據(jù)的影響已體現(xiàn)在光伏系統(tǒng)發(fā)電量數(shù)據(jù)之中。如果將每個影響因素都考慮作為預測模型的輸入，將不可避免地增加模型的復雜性，而且輸入變量的增加會造成光伏發(fā)電系統(tǒng)數(shù)據(jù)收集和統(tǒng)計的困難。因此，要準確分析對光伏發(fā)電量有著重要關聯(lián)性的因素作為其輸入量，使預測模型更加準確。

文獻[9]給出的單位面積的光伏陣列發(fā)電功率為：

ps=ηSI[1-0.005(t0+25)]

(iii)

式(iii)中，η為光伏陣列的光電轉換效率(%)，S為光伏陣列的面積(m2)，I是光伏陣列接收到的太陽輻射強度(kW/m2)，t0是光伏陣列工作時的環(huán)境溫度(℃)。

對于一個既定的光伏發(fā)電系統(tǒng)來說，光伏陣列的特性和系統(tǒng)信息已體現(xiàn)在光伏發(fā)電系統(tǒng)輸出功率數(shù)據(jù)中，所以預測模型的輸入變量中就不用考慮光伏陣列的光電轉換效率、安裝角度等隱含在發(fā)電量數(shù)據(jù)中的因素。但是，要在預測模型的輸入中予以重點考慮太陽輻射強度、環(huán)境溫度等直接影響因素。由式(iii)可知，光伏輸出功率與太陽輻射強度成正相關性，太陽輻射強度大時，光伏輸出功率大，而在太陽輻射強度變化不大時，若環(huán)境溫度不斷升高，光伏發(fā)電輸出功率卻略有下降。這是由于環(huán)境溫度的升高導致太陽能電池板溫度過高，光伏陣列不能正常運作，從而影響光伏發(fā)電系統(tǒng)的輸出功率。

本文以蕪湖市安徽工程大學的光伏微網(wǎng)作為研究對象，該光伏微網(wǎng)系統(tǒng)位于北緯31.34°，東經(jīng)118.41°，海拔10 m，總容量為110 kW。本文研究時段為7:00～18:00，其他時段因為光伏系統(tǒng)輸出功率很少或者為零，故不計入研究時段。在數(shù)據(jù)收集過程中，主要收集每小時內(nèi)光伏發(fā)電系統(tǒng)的平均輸出功率，并向當?shù)靥鞖忸A報網(wǎng)站購買氣象信息。

圖1 光伏系統(tǒng)發(fā)電量與天氣類型的關系

對大量數(shù)據(jù)進行研究發(fā)現(xiàn)，太陽輻射強度和環(huán)境溫度的變化直接受天氣類型影響，故光伏發(fā)電功率也會受其影響。由圖1可以看出，晴天、多云和雨天的光伏系統(tǒng)發(fā)電量有很大的差距。根據(jù)以往的研究還可以得出結論：云層厚度、空氣濕度、降水量都會在一定程度上削減太陽能光伏板接收到的太陽輻射能。雖然每種天氣狀況都可以從氣象數(shù)據(jù)中查找，但是天氣不是一個特定具體的數(shù)值，且要將這些考慮作為預測模型的輸入，增加了難度。本文采用文獻[10]中Chen提出的方法，認為可以將某地區(qū)的每個時間段太陽輻射強度都可細分為10個級別，并進行量化處理，即給出相當于當?shù)馗鲿r間段內(nèi)最大太陽輻射強度的量化值，即大氣穿透值R[i]，并可判斷出各時間段天氣狀況，如表1所示。

表1 太陽輻射分級表

2.2 GA-SAPSO的BP神經(jīng)網(wǎng)絡預測模型

目前，在研究光伏系統(tǒng)發(fā)電量預測方面，運用比較廣泛和成熟的人工神經(jīng)網(wǎng)絡算法是BP神經(jīng)網(wǎng)絡。BP神經(jīng)網(wǎng)絡的本質是按照誤差反向傳播學習算法訓練的多層前饋網(wǎng)絡，其算法主要是通過神經(jīng)網(wǎng)絡中的權值和閾值沿著網(wǎng)絡誤差變化的負梯度方向進行調節(jié)，使得網(wǎng)絡誤差達到最小值[11]。它在處理非線性問題方面有很多的應用(圖2)。

圖2 BP神經(jīng)網(wǎng)絡結構

由于傳統(tǒng)的BP神經(jīng)網(wǎng)絡訓練采用的是梯度下降算法，權值和閾值沿著梯度反向調節(jié)，存在收斂速度慢、容易陷入局部極優(yōu)等問題。針對這些不足，本文提出一種優(yōu)化傳統(tǒng)BP神經(jīng)網(wǎng)絡的算法來提高BP神經(jīng)網(wǎng)絡的預測精度。

模擬退火粒子群算法和遺傳算法都是較好的全局優(yōu)化算法，可以進行組合優(yōu)化來解決問題。但是，遺傳算法因其隨機性和隱含并行性，具有良好的全局搜索能力，不會陷入局部最優(yōu)解，不過容易早熟收斂,存在振蕩問題,且局部搜索能力較差；模擬退火粒子群算法雖結合了粒子群算法較強的局部尋優(yōu)的能力和模擬退火較強的跳出局部最優(yōu)解的能力，提高了全局搜索能力，不過對整個搜索空間的狀況了解不多，不便于搜索過程進入最優(yōu)希望的搜索區(qū)域。因此，本文提出將遺傳算法和模擬退火粒子群算法相結合來優(yōu)化BP神經(jīng)網(wǎng)絡的網(wǎng)絡參數(shù)，使其脫離原有的盲目性的特征，從而提高BP神經(jīng)網(wǎng)絡的收斂速度和預測精度。

本文構建的GA-SAPSO優(yōu)化BP神經(jīng)網(wǎng)絡模型，基本思想就是將神經(jīng)網(wǎng)絡中的連接初始權值、閾值作為待優(yōu)化的參數(shù)集，通過GA-SAPSO的迭代運算優(yōu)化，得到一組誤差相對最小的神經(jīng)網(wǎng)絡初始權值和閾值。然后再將所優(yōu)化的參數(shù)代入BP神經(jīng)網(wǎng)絡進行正常的網(wǎng)絡訓練和預測[12]。預測步驟為：

(1)根據(jù)已確定的輸入層神經(jīng)元個數(shù)和輸出層神經(jīng)元個數(shù)確定BP神經(jīng)網(wǎng)絡結構；

(2)得到神經(jīng)網(wǎng)絡的初始權值和閾值組成的參數(shù)集，先利用遺傳算法進行粗搜索，利用其全局搜索能力提供初步的優(yōu)化結果，在最優(yōu)解的空間里得到一個初步優(yōu)化的初始權值和閾值；

(3)將得到的初步優(yōu)化結果代入SAPSO進行細搜索，強化局部搜索得到BP神經(jīng)網(wǎng)絡訓練的最優(yōu)初始權值和閾值。

具體實現(xiàn)：GA-SAPSO算法采用實數(shù)編碼(因為用于實數(shù)編碼的染色體是由實數(shù)變量組成，對于函數(shù)優(yōu)化問題尤為有效)，將輸入層與隱含層連接權值、隱含層閾值、隱含層與輸出層連接權值、輸出層閾值組成算法優(yōu)化的群體，群體的長度：

D=IH+HO+H+O

其中，I為輸入層神經(jīng)元個數(shù)，H為隱含層神經(jīng)元個數(shù)，O為輸出層神經(jīng)元個數(shù)。

3.3 輸入層和輸出層的確定

本文選取的預測模型輸入量包括預測日前一天7:00～18:00的12個時間段的光伏系統(tǒng)發(fā)電量，預測日前一天和預測日當天的最高和最低氣溫以及這兩天的天氣狀況，一共18個輸入量。預測日當天的7:00～18:00的12個時間段的光伏系統(tǒng)發(fā)電量作為預測模型的12個輸出量。

3.4 數(shù)據(jù)預處理

由于各輸入數(shù)據(jù)之間的單位各不相同，數(shù)值數(shù)量級也相差較大，直接代入模型會影響預測結果。為了避免這樣的結果，必須對網(wǎng)絡的輸入輸出數(shù)據(jù)進行歸一化處理。本文采用公式(4)對數(shù)據(jù)進行處理，轉換到[0,1]區(qū)間內(nèi)，防止神經(jīng)元出現(xiàn)飽和現(xiàn)象。

(iv)

3.5 仿真驗證與結果分析

本文提出的光伏系統(tǒng)發(fā)電量預測模型，采用Matlab搭建，通過構建BP神經(jīng)網(wǎng)絡模型和遺傳算法與模擬退火粒子群算法結合優(yōu)化BP神經(jīng)網(wǎng)絡模型來驗證預測模型的有效性。

結果分析需要采用一定的評估指標對預測模型進行準確的評估。本文采用的預測指標是平均絕對百分比誤差(MeanAbsolute Percentage Error，MAPE)，通過式(v)來進行分析比較：

(v)

為了驗證本文提出的光伏系統(tǒng)發(fā)電量預測模型具有更高的預測精度，本文通過對兩個預測日(一個是晴天，一個是云天)進行光伏發(fā)電量預測，采用平均絕對百分比誤差的方式來比較傳統(tǒng)BP神經(jīng)網(wǎng)絡與GA-SAPSO優(yōu)化BP神經(jīng)網(wǎng)絡的這兩個預測模型的預測結果。

表2 晴天預測模型之間的比較

表3 云天預測模型之間的比較

由表2、3可以看出，GA-SAPSO優(yōu)化BP神經(jīng)網(wǎng)絡預測模型和傳統(tǒng)BP神經(jīng)網(wǎng)絡預測模型對晴天都較為準確，對于云天的預測都有一定誤差，但仍有較高的參考價值。從兩個表的預測結果和平均絕對百分比誤差可以看出，GA-SAPSO優(yōu)化的BP神經(jīng)網(wǎng)絡局部預測效果好于BP神經(jīng)網(wǎng)絡，且整體預測結果也具有較高的精度。

4 結束語

本文提出了一種基于遺傳算法和模擬退火粒子群算法相結合優(yōu)化BP神經(jīng)網(wǎng)絡的算法，通過對影響光伏系統(tǒng)發(fā)電量因素的統(tǒng)計分析，建立了光伏系統(tǒng)發(fā)電量預測模型。模型運用遺傳算法和模擬退火粒子群算法對神經(jīng)網(wǎng)絡隨機產(chǎn)生的初始權值、閾值進行優(yōu)化，彌補了BP神經(jīng)網(wǎng)絡收斂速度慢、易陷入局部最優(yōu)等不足。通過仿真驗證與結果分析，驗證了本文提出的光伏系統(tǒng)發(fā)電量預測模型相對于傳統(tǒng)BP神經(jīng)網(wǎng)絡光伏發(fā)電量預測模型具有更高的預測精度，能夠更加精確地預測光伏系統(tǒng)的發(fā)電量。

[1]王長貴，王斯成．太陽能光伏發(fā)電實用技術[M]．2版．北京：化學工業(yè)出版社，2009:5-65

[2]國家能源局．太陽能發(fā)電發(fā)展“十二五”規(guī)劃[J]．太陽能，2012(18)：6-13

[3]崔洋，孫銀川，常俾林．短期太陽能光伏發(fā)電預測方法研究進展[J]．資源科學，2013，35(7)：1474-1481

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

[5]王倩，張智晟，王帥，等．基于PSO-RNN的光伏發(fā)電功率預測研究[J]．青島大學學報:工程技術版，2014，29(4)：40-43

[6]楊德全，王艷，焦彥軍．基于小波神經(jīng)網(wǎng)絡的光伏系統(tǒng)發(fā)電量預測[J]．可再生能源，2013，31(7)：1-5

[7]丁明，王磊，畢銳．基于改進BP神經(jīng)網(wǎng)絡的光伏發(fā)電系統(tǒng)輸出功率短期預測模型[J]．電力系統(tǒng)保護與控制，2012，40(11)：93-99,148

[8]張佳偉，張自嘉．基于PSO-BP神經(jīng)網(wǎng)絡的短期光伏系統(tǒng)發(fā)電預測[J]．可再生能源，2012，30(8)：28-32

[9]AtsushiYona,TomonobuSenjyu,ToshihisaFunabashi.Applicationofrecurrentneuralnetworktoshort-term-aheadgeneratingpowerforecastingforphotovoltaicsystem[C]//Tampa:ProceedingofIEEEPowerEngineeringSocietyGeneralMeeting,2007:24-28

[10]ChenTing-yao,AthienitisAK.AmbienttemperatureandsolarradiationpredictionforpredictivecontrolofHVACsystemsandamethodologyforoptimalbuildingheatingdynamicoperation[J].ASHRAETransaction,1995,101(1):26-36

[11]韓力群．人工神經(jīng)網(wǎng)絡理論、設計及應用[M]．北京：化學工業(yè)出版社，2002:112-135

[12]周建新，付傳秀．GA-SAPSO神經(jīng)網(wǎng)絡模型的構建[J]．佳木斯大學學報:自然科學版，2011，29(1)：32-35

(責任編輯：汪材印)

10.3969/j.issn.1673-2006.2016.03.028

2015-12-25

蕪湖市科技計劃重點項目“光伏微電網(wǎng)的控制、保護與能量管理技術研究”(2014cxy05)；安徽高等教育振興計劃優(yōu)秀青年人才支持計劃；安徽高校自然科學研究重大項目“直流微電網(wǎng)儲能系統(tǒng)多重化變換器多目標優(yōu)化配置方法及協(xié)調控制研究”(KJ2015ZD06)；安徽工程大學國家級大學生創(chuàng)新創(chuàng)業(yè)訓練計劃項目“光伏微網(wǎng)分布式發(fā)電預測技術研究”(201410363032)。

黃超(1993-)，安徽巢湖人，在讀碩士研究生，主要研究方向：智能信息處理及應用。

TM615

A

1673-2006(2016)03-0110-05

*通訊作者：葛愿(1979-)，江蘇徐州人，教授，主要研究方向：網(wǎng)絡控制。