優化粒子群算法的神經網絡光伏發電預測

李松威++王勝輝++鄭洪

摘 要：隨著我國近些年大力的發展可再生新能源，光伏發電系統的裝機容量持續增加。然而其發電功率由于受到氣象因素變化的影響，具有很大的間歇性和隨機性。由此看來光伏發電系統的并網接入會增加電網系統的復雜度，影響電網系統現有的裕度和發電計劃，進而可能導致系統崩潰。提高光伏系統的預測精度，有助于提高電力系統的運行穩定性。本文通過對粒子群算法進行改進，提高粒子群算法的全局收斂性，用改進的粒子群算法優化了神經網絡光伏發電預測模型。最后通過預測數據與實測數據的比較，驗證本文所提方法的有效性。

關鍵詞：光伏功率預測；改進粒子群；神經網絡

DOI：10.16640/j.cnki.37-1222/t.2017.06.129

1 引言

隨著石油、煤炭等一次能源面臨枯竭，能源短缺和全球環境惡化逐步成為限制全球經濟發展的瓶頸。保護人類生存環境、發展可再生清潔能源，進而擺脫能源緊缺的局面，已經成為世界各地可持續發展的重要難題。地球上主要的可再生能源有太陽能、風能、水能、海洋能、生物能、地熱能等，而其中大部分能源都是經過太陽能間接轉化過來的。太陽能又被稱作是永不會枯竭的能源，而且不會對環境造成污染，是環境友好能源，因而太陽能被認為是21世紀代替石油、煤炭等傳統化石能源的最好選擇之一。全面利用清潔新能源是21世紀加快經濟發展的重要因素，充分開發利用太陽能已經成為世界各國政府可持續發展的能源戰略決策[1]。太陽能光伏發電在此背景下受到很大關注，全球太陽能光伏發電具有大規模的發展趨勢，不僅產量增長速度穩定，而且制造成本和市場價格慢慢在下降。

在電力系統中，光伏系統發電功率的波動會對電力系統造成一定的沖擊[2]。此外，當某個電力系統接入了較大規模的光伏發電系統時，該電網區域的原有負荷模型必將改變，并且加大了對該區域負荷增長及分布情況的預測難度。為減少光伏系統發電功率的波動對電網造成的影響，建立光伏發電預測系統是非常必要的。目前有很多學者研究了光伏發電功率預測技術，不斷提高光伏發電功率預測精度，但在提高光伏發電出力預測精度方面的研究仍然具有較大的進步空間。本文主要分析影響光伏發電功率的因素，對粒子群算法進行改進，結合神經網絡算法對光伏發電功率進行預測，提高光伏發電功率的預測精度。

2 光伏發電功率影響因素分析

本文采用華能營口熱電有限責任公司光伏發電系統測得的日光伏發電功率數據。圖2.1為同一季節不同天氣類型的分時段光伏發電功率對比。從圖2.1可看出，光伏發電在夜晚不能發出功率，白天的發電功率在正午時最大。晴天時光伏發電功率的波動較為平滑，而晴轉多云和霧天的光伏發電功率波動較大，大雨天由于陽光不充足，光伏發電功率較低而且波動也不平滑。

圖2.2為不同季節的晴天日光伏發電功率曲線。隨著季節變換，晴天時的光照強度也會有所區別。由于該項目在2016年6月末剛剛建成，所以沒有春天數據。從圖片可看出，冬天的日照時間相對夏天要少3小時以上。因此，預測光伏發電功率時需要考慮不同季節的日照情況，通過不同季節的典型日功率可以更為準確的預測光伏發電功率。

通過以上可知，外界溫度和日照強度均會影響光伏發電的輸出功率，不同季節、不同天氣類型同樣對光伏發電功率有著顯著的影響。

3 光伏發電功率預測研究

3.1 BP神經網絡

BP神經網絡是最普及和最廣泛應用的網絡，具有工作良好、容易學習的優點[3]。神經元控制著人類大腦信息的傳遞，它們之間有著密切的聯系，構成了人類大腦的神經網絡。一個神經元會先對其他神經元傳遞過來的刺激進行積累，累計到一定程度后，它會將刺激傳遞給其他相鄰的神經元。人腦對刺激的反應就是由數百億個按照這樣規律工作的神經元構成的。通過調節這些神經元之間的聯系和強度，人腦逐漸形成了對外界刺激的學習機制。基于這一特性把這種生物模型推廣應用到信息處理的數學模型，并把它描述成人工神經網絡。BP神經網絡是人工神經網絡的一種。BP神經網絡中的神經元的積累刺激是由其他神經元傳遞過來的刺激乘以對應權重后求和所得，神經元所受到的刺激可以表示為：

其中，為刺激的個數；為第個神經元傳過來的刺激量；為的權重。當積累完開始對周圍神經元刺激，通過激活函數處理。

一般BP神經網絡有輸入層、隱含層和輸出層三個部分，如圖3.1所示，網絡的權重和閥值通過誤差的變化不斷進行調節，最后誤差平方和達到最小值不再進行調節。

BP神經網絡是目前使用范圍最廣的網絡類型之一，在很多領域等均有大量應用，其主要優點[4]有很好的容錯能力、良好的泛化能力和良好的非線性映射能力。然而，BP神經網絡也有一定的不足： 一是由于神經網絡算法的學習速率固定，因此神經網絡完成收斂的時間比較長。尤其是較為復雜的問題，所花費的訓練時間可能會很長，主要原因是其學習速率太小。二是BP算法采用的梯度下降法有可能會使算法收斂到局部極小值，而不是全局最小值。三是對于BP神經網絡隱含層的層數和神經元的數量的選擇缺乏理論上指導，目前比較依賴一些經驗公式，或者根據多次試驗來確定。這樣一方面可能會造成網絡結構的冗余從而加重學習負擔，另一方面也可能造成網絡的非線性映射能力不足。

3.2 粒子群算法的改進

粒子群算法（PSO）是根據鳥類捕食的行為來尋找最優解的算法。在整個算法中，種群中的粒子數代表著所求問題解的個數。解決問題時，先定義一組隨機的初始解，每個個體粒子是通過記憶群體的最優位置及自身的最優位置來迭代搜索最優解，在這個過程中，粒子的速度向量決定了粒子的運動方向及距離，最終由適應度來評判粒子的優劣。粒子群算法在尋找最優解過程中，每一個粒子都會根據其他粒子來調整自身的速度和方向，逐步向最優值逼近，但如果該粒子尋找的位置為局部最優解，而并非全局最優解，可能會導致粒子群優化“早熟”，不能找到準確的全局最優解[5]。

式（3.2）中的慣性權重如果過大會導致收斂性變差，但越大會使全局搜索能力越強。為提高算法的收斂性，又兼顧全局搜索能力，將粒子群速度改為：

其中：為所有粒子所經歷的最好位置；為學習因子。

從式（3.3）可以看出，粒子速度沒有了慣性權重，提高了收斂性，此外，通過增加全局最優隨機學習，使粒子速度提高了全局搜索能力。

3.3 基于改進粒子群算法的神經網絡

本文采用改進粒子群優化神經網絡的權值，旨在提高尋找最優權值的全局收斂性。

首先，構建光伏發電功率預測系統的神經網絡結構，設定輸入層、隱含層、輸出層，將所有神經元所連接的權重和閥值作為粒子群的個體。

其次，設置粒子群初始權重、位置、速度、速度因子和訓練次數等。初始化局部最優值和全局最優值。

網絡權重優化過程是一個反復迭代的過程，通常是為了保證所訓練的神經網絡具有較強的泛化能力。在網絡的訓練過程中，往往將給定的樣本空間分成兩部分，一部分為訓練樣本，另一部分為測試樣本。在權重優化過程中，每次訓練，都要對給定樣本進行分類，保證訓練時采用的訓練集不同。計算每一個網絡在訓練集上產生的均方差，以此作為目標函數，并構造粒子適應度函數，可以用均方差表示：

其中，和分別為樣本數量和神經元數量；和分別為第個樣本的次輸出期望值和實際值。

通過公示（3.3）對粒子的速度和位置進行修正，如果粒子和速度超出控制范圍則重新計算粒子適應度，改變權重，當達到最大訓練次數時，優化結束。

圖3.2為改進算法的流程圖。

4 基于實測數據分析

本文采用改進粒子群算法優化神經網絡模型預測光伏發電功率，根據之前的光伏發電功率影響因素分析，將根據四個不同季節建立四個子模型。為簡化計算，建立了晴天、云天和雨雪天的三種典型天氣模型，針對不同季節不同天氣，輸入變量將相應調整。

在不同季節中，神經網絡的輸入量也不同，輸入量包括：預測日的相似日最高溫度、平均濕度；預測日的最高氣溫平均相對濕度；預測日的相似日的發電功率。輸出量為預測日的各時段發電功率。改進的粒子群算法中取消了慣性權重，從而可以充分提高全局搜索能力。設置最大迭代次數為300，誤差精度為0.001。基于華能營口熱電光伏項目的數據，驗證本文提出方法的有效性。采用本文提出的改進PSO-BP神經網絡的方法，預測2016年8月8日的光伏發電功率。2016年8月8日光伏監測中心為晴天天氣，當天的預測結果與實際測量數據對比如圖4.1所示。從圖4.1可以看出，采用本文方法預測的功率與實測數據接近。

如表3.1為該基地光伏發電實際值與預測值的統計，并且有相應的絕對百分比誤差，該表詳細記錄了在晴朗的天氣情況下6：00-19：00的每一個時間段的真實值、預測值以及絕對百分比無差。從表3.1可看出，該天氣類型下的預測精度相對較高，即該光伏發電功率預測模型是比較有效的，其絕對誤差百分比在0-5%之間。

5 結論

本文通過分析影響光伏發電功率因素的分析，用改進的粒子群算法優化神經網絡算法的參數，達到了神經網絡優化速度變快的同時解決了傳統粒子群算法可能存在的局部極小值的問題。最后通過實測數據與預測數據的分析對比，驗證了該方法可以較為準確的實現對光伏系統輸出功率的預測，具有較大的工程應用價值。

參考文獻：

[1]陳昌松，段善旭，蔡濤等.基于模糊識別的光伏發電短期預測系統[J].電工技術學報，2016，26（07）：83-89

[2]李徐輝.光伏發電系統監控與發電預測模型研究[D].碩士學位論文，上海：東華大學，2012.

[3]方方.基于改進BP神經網絡的電力負荷預測研究[D].哈爾濱工業大學，2011.

[4]戚克軍，張志鵬.變壓器油中多組分故障氣體的光纖檢測[J]. 華中理工大學學報，1996，24（10）：36-39.

[5]陽帥.混沌編碼的粒子群神經網絡研究[D].江西理工大學，2012.