基于GA-BP的分布式光伏發電預測

李龍田，羅毅

(四川理工學院自動化與信息工程學院, 四川自貢643000)

基于GA-BP的分布式光伏發電預測

李龍田，羅毅

(四川理工學院自動化與信息工程學院, 四川自貢643000)

基于分布式光伏發電在家庭能源管理系統(HEMS)中具有廣泛的應用，光伏輸出功率的準確預測影響家用設備優化調度、并網時電網的穩定性及光伏發電利用率。對光伏輸出功率主要影響因素進行研究，通過選取光伏發電預測日相似日天氣類型(晴天、多云、陰雨天)，在傳統BP預測模型基礎上引入GA優化算法，建立GA-BP光伏發電預測模型。分別選取預測日相似日天氣類型為晴天、陰雨天進行實驗仿真，結果表明所建預測模型能夠提高光伏發電預測精度，在HEMS系統中具有一定的實用價值。

BP神經網絡；GA-BP神經網絡；光伏發電預測；相似日類型

引言

智能電網環境下家庭能源管理系統(Home Energy Management System，HEMS)的引入，分布式光伏發電有了更廣闊的應用領域。通過HEMS結合天氣預報信息對分布式光伏發電的準確預測、電力部門公布的實時電價信息、需求響應信息和家庭用電設備歷史運行記錄信息等，居民能夠對家用設備進行優化調度，同時將優化調度后多余的光伏發電賣給電網獲得收益。既響應了國家《太陽能發電發展“十二五”規劃》[1]相關政策，又滿足居民對低碳環保、經濟舒適型家居環境要求[2]。分布式光伏發電在節約居民用電量和減少家庭開支的同時，替代以煤炭等化石燃料為主的火力發電，對減少二氧化碳排放、增加可再生能源利用率具有重要意義。但光伏發電具有間歇性、隨機性和波動性等缺點[3]，對并網時電力部門調度和居民優化調度家庭設備都帶來了困難，因此對分布式光伏發電的準確預測變得尤為重要。

目前國內對分布式光伏發電短期預測大都采用神經網絡算法或對其進行優化后的模型進行預測。文獻[4]分析研究了在HEMS中引入分布式光伏發電和蓄電池，結合天氣預報信息對光伏發電進行準確預測，優化調度家庭設備，但沒有明確說明用何種方法進行光伏發電預測。文獻[5]對BP預測模型進行改進并結合預測日相似日類型的方法進行預測，達到了所設的預測效果，但沒有使用遺傳算法(GA)等智能優化算法對BP神經網絡進行改進。文獻[6]研究了GA優化的BP神經網絡預測模型，表明GA-BP模型能得到更好的預測效果。

為了提高HEMS中分布式光伏發電的預測精度，本文建立了遺傳算法優化的BP神經網絡預測模型，通過Matlab仿真驗證所建模型的可靠性。

1 影響光伏發電的因素

1.1光伏發電出力特性分析

光伏輸出功率Ppv表示為：

Ppv(t)=ηSI[1-0.005(t0+25)]

(1)

其中：η是光伏電池轉換效率；S為光伏陣列面積(m2)；I是光照強度(kW/m2)；t0為環境溫度(℃)。由式(1)可知，光照強度、環境溫度影響光伏發電系統功率輸出。

1.2太陽輻射強度

圖1為某晴天分布式光伏發電系統的太陽輻射強度與光伏輸出功率曲線。

圖1 晴天太陽輻射和分布式光伏輸出功率曲線

由圖1可知，光伏功率輸出受太陽輻射的影響較大，隨著太陽輻射變化而變化。早上和傍晚光照強度低，輸出功率小；10∶00～15∶00光照強度高，輸出功率大。

1.3溫度

圖2為(2～7月部分晴天)光伏發電系統在不同溫度下的日出力數據統計。表1是與圖2對應日的相關環境溫度。由圖2可知，在天氣類型確定的情況下，分布式光伏發電系統的輸出功率受環境溫度的影響較小。

圖2 2～7月部分晴天的光伏輸出功率

表1 2～7月部分晴天的環境溫度

1.4天氣類型

圖3為分布式光伏發電系統在不同天氣類型下的光伏輸出功率曲線。由圖3可知，光伏輸出功率曲線在不同的天氣類型下變化趨勢較大，受影響較明顯。

圖3 陰雨、多云和晴天的光伏輸出功率曲線

圖4為相鄰晴天的光伏輸出功率曲線，可以近似地看成光照強度一樣。由圖4可知相同天氣類型的光伏輸出功率具有很大的相似性。

圖4 相近天氣類型為晴天的光伏輸出功率曲線

1.5四季

光伏發電系統的輸出功率會受四季的影響，主要是因為四季光照強度不同和光照時間長短不一樣造成的。

2 GA-BP預測模型設計

2.1相似日類型的選取

(1) 從分布式光伏發電系統輸出功率數據庫中篩選出與預測日天氣類型一致的m條數據，生成數據集d。

(2) 計算數據集d中與預測日的環境溫度歐氏距離：

(2)

式中：y1、y2、y3為光伏發電預測日的最低環境溫度、平均環境溫度和最高環境溫度；xi1、xi2、xi3(其中i=1,2,…,m)分別為數據樣本集d中第i條數據的最低環境溫度、平均環境溫度和最高環境溫度。

(3) 環境溫度歐氏距離集d={d1,d2,…,dn}中數值最小值即為預測日相對應的相似日。

2.2 GA-BP神經網絡

2.2.1遺傳算法

遺傳算法(Genetic Algorithm,GA)是一種全局優化算法，通過編碼、選擇、交叉和變異等算法交換種群中染色體的信息，生成符合優化目標的染色體。

2.2.2 BP神經網絡

BP神經網絡是一種誤差反向傳播訓練的多層前饋神經網絡，其網絡預測模型通過輸入信號正向傳遞和誤差信號反向傳播來實現訓練過程的[7]。其拓撲結構如圖5所示。

圖5 BP神經網絡拓撲圖

由圖5可知，GA-BP預測模型輸入為相似日光伏發電從7∶00～18∶00相似日、預測日的最低環境溫度、平均環境溫度和最高環境溫度及輸出的平均功率(W/h)，共18個輸入變量；輸出為預測日光伏發電從7∶00～18∶00輸出的平均功率(W/h)，共12個輸出變量。

(1) 輸入信號正向傳遞

隱含層輸出H=[h1,h2,...,hj]計算：

(3)

式中：j=1,2,…,l(l為隱含層節點數)；X=[x1,x2,…,xn]為網絡輸入變量；wij為連接權值；a為閾值；f為隱含層激勵函數，表示為：

(4)

計算輸出層預測輸出O=[O1,O2,…,Om]：

(5)

式中：wjk為連接權值；b為閾值。

(2) 誤差信號反向傳播

神經網絡誤差e表示為：

ek=Yk-Ok(k=1,2,...,m)

(6)

式中：O、Y分別為預測和期望輸出。

由網絡預測誤差e更新權值wij、wjk：

(i=1,2,...,n;j=1,2,...,m)

(7)

wjk=wjk+ηHjek

(j=1,2,...,l;k=1,2,...,m)

(8)

其中：η為學習速率。

(3) 由網絡預測誤差e更新閾值a、b：

(j=1,2,...,l)

(9)

bk=bk+ek(k=1,2,...,m)

(10)

由于BP 神經網絡預測模型易陷入局部最優、預測精度不高等缺點[8]。GA-BP神經網絡預測模型就是用GA的全局優化性能優化 BP 神經網絡模型的連接權值(wij和wjk)和閾值(a和b)[9]。

2.3 GA-BP算法流程

GA-BP神經網絡預測模型就是為了得到模型最優的初始權值和閾值[10]，具體實現步驟如下：

(1) 編碼，種群初始化

隱含層通過公式(11)和反復實驗調試網絡預測模型確定為16個。由圖5可知，GA-BP網絡結構為18-16-12，則有288個wij和192個wjk，16個a和12個b。遺傳算法優化的參數個數為288+192+16+12，即個體的二進制編碼長度為5080。

(11)

式中：l為隱含層節點數；n為輸入層節點數；a∈[1,10]之間的常數。

(2) 適應度函數

個體適應度f計算：

(12)

式中：m為BP神經網絡輸出節點數；k為系數；yi、Oi分別為預測模型第i個網絡節點的期望和預測輸出。

(3) 選擇交叉和變異

本文選擇個體用輪盤賭法。個體被選擇的概率為：

(13)

式中：fi為某個個體i的適應度，NP為種群大小。

交叉操作：

(A1,A2...Ak-1,Ak...Am-1,Am)

(B1,B2...Bk-1,Bk...Bm-1,Bm)

(A1,A2...Ak-1,Bk...Am-1,Am)

(B1,B2...Bk-1,Ak...Bm-1,Bm)

(14)

交叉概率Pc、變異概率Pm分別表示為：

(15)

(16)

其中：fmax、fAvg為群體中最大和平均適應度值；fA、fB為待交叉和變異的適應度值。

GA-BP算法流程如圖6。

圖6 GA-BP算法流程圖

3 預測結果及分析

3.1數據預處理

優化后預測模型輸入變量為7:00～18:00每小時光伏發電輸出的平均功率(W/h)，相似日/預測日的最低環境溫度(℃)、平均環境溫度(℃)和最高環境溫度(℃)；輸出為預測日7∶00～18∶00每小時平均輸出功率。故需對數據進行歸一化：

(17)

式中：x為歸一化后的數據；xt、xt,min、xt,max分別為待歸一化數據中的待求數據、數據中的最小值和最大值。

3.2 GA-BP預測模型參數設置

通過Matlab寫入程序仿真，其參數設置見表2。

表2 GA-BP預測模型參數設置

3.3預測模型評估

本文對優化后模型的預測能力用平均絕對誤差百分比(MAPE)評估：

(18)

本文選取Ashland光伏發電數據庫中2016年6～9月某一晴天和陰雨天進行光伏發電預測，兩種模型的預測和期望輸出曲線如圖7與圖8所示。

圖7 晴天網絡期望輸出與預測曲線

圖8 陰雨天網絡期望輸出與預測曲線

由圖7與圖8可知，在7∶00～18∶00時間段內GA-BP預測模型的光伏發電預測輸出比傳統BP預測模型更接近期望輸出曲線，預測誤差數據見表3。晴天輸出功率曲線相對平緩，由表3可知，BP預測誤差為29.10%，GA-BP預測誤差為12.37%，預測精度提高了16.73%。陰雨天受太陽輻射強度的影響，光伏輸出功率曲線波動較大，對光伏發電預測造成很大的困難，但從表3的預測誤差分析可知，用遺傳算法優化的網絡預測模型，還是大幅提高了光伏發電的預測精度。

表3 晴天和雨天的預測誤差數據

4 結束語

本文根據分布式光伏發電在HEMS系統中結合氣象信息準確預測的重要性，對影響分布式光伏發電預測的主要因素進行研究，通過環境溫度歐氏距離選取預測日相似日天氣類型作為預測模型訓練樣本，用遺傳算法優化BP神經網絡，建立GA-BP預測模型，并對相關理論進行研究，最后通過仿真驗證表明利用GA-BP光伏發電方法，可以提高預測精度，增加家庭經濟效益。

[1] 李雪梅.綜合大廈風、光、儲聯合電及并網的仿真分析[D].西安:西安理工大學,2014.

[2] 傅軍棟,康水華,馬書研.基于尖峰電價的家庭能量管理最優控制算法[J].計算機應用研究,2016,33(7):2083-2086.

[3] 應曉麗.分布式光伏并網發電系統的協同控制[J].城市建設理論研究:電子版,2015,5(31):2015N2529.doi:10.3969/j.issn.2095-2104.2015.31.419.

[4] 金森鈞.基于分布式發電和儲能的家庭能量管理系統設計與優化調度算法研究[D].杭州:浙江大學,2017.

[5] DING Ming,WANG Lei,BI Rui.A short-term prediction model to forecast output power of photovoltaic system based on improved BP neuralnetwork[J].Power System Protection and Control,2012,40(11):93-99,148.

[6] LIU Chunyan,LING Jianchun,KOU Linyuan,et al.Performance comparison between GA-BP neural network and BP neural network[J].Chinese Journal of Health Statistics,2013,3(2):173-176.

[7] YANG D Q,WANG Y,JIAO Y J.Generation forecasting for photovoltaic system based onwavelet neural networks[J].Renewable Energy Resources,2013,31(7):1-5.

[8] 曾飛艷.一種人工魚群算法的改進及其對BP神經網絡的優化研究[D].湘潭:湖南科技大學,2015.

[9] 孫東旭.基于功率預測的風電并網優化調度研究[D].北京:北京交通大學,2014.

[10] 鄒曉旭.基于GA-BP神經網絡礦用通風機故診斷研究[J].能源技術與管理,2015,40(3):149-151.

PredictionofDistributedPhotovoltaicGenerationBasedonGA-BP

LILongtian,LUOYi

(School of Automation & Information Engineering, Sichuan University of Science & Engineering, Zigong 643000, China)

Based on the wide application of distributed photovoltaic power generation in the Home Energy Management System (HEMS), the stability of household equipment, the stability of grid and the utilization rate of photovoltaic power generation are affected by the accurate prediction of PV output power. Through the study of the main influencing factors of PV output power and Photovoltaic power generation forecast day similar to the type of weather (sunny, cloudy, rainy days) selection, GA-based photovoltaic power generation prediction algorithm is introduced on the basis of traditional BP prediction model. The simulation experiments are carried out respectively on sunny days and rainy days. The results show that the proposed model can improve the accuracy of PV forecasting and have certain practical value in HEMS system.

BP neural network; GA-BP neural network; photovoltaic power generation prediction; similar day type

TM615

A

2017-08-16

人工智能四川省重點實驗室基金項目(2012RYY09)

李龍田(1990-),男,四川達州人,碩士生,主要從事電力系統及智能控制方面的研究,(E-mail)603902642@qq.com;

羅 毅(1973-),男,四川南部人,教授,碩士,主要從事智能控制和信息處理方面的研究,(E-mail)lylyla@126.com

1673-1549(2017)05-0031-06

10.11863/j.suse.2017.05.06