人工神經網絡算法在光伏發電短期功率預測中的應用

■張一平 宋紅 羅敏 于佳禾 許盛之*

(1.南開大學光電子薄膜器件與技術研究所；2.天津市光電子薄膜器件與技術重點實驗室；3.中機華信誠電力工程有限公司； 4.南開大學財務處)

0 引言

隨著光伏發電技術的快速發展，光伏發電在能源供給中的占比也有較大提高。光伏發電系統的輸出功率對外界環境的依賴性較高，接入電網時，會因光照、溫度等環境因素的變化而造成光伏發電系統輸出功率的波動，從而對電網的穩定造成一定沖擊，影響其電能質量。光伏發電系統的滲透率越高，電力系統的復雜性與風險也就越大。因此，對光伏發電的輸出功率進行準確預測有助于調度部門提前做好調度計劃和風險規避，以提高電力系統的安全性及光伏發電的競爭力[1]。

相對于傳統的預測算法，人工神經網絡(Artificial Neural Network，ANN)具有良好的容錯性，泛化能力好，適于擬合復雜的非線性關系，應用領域廣泛，是當前許多工程領域的研究熱點。如今，ANN已成功應用于與工業自動化相關的諸多領域，如模式識別、信號處理、知識工程、專家系統、優化組合、智能控制等[2]。在利用ANN進行預測算法的研究中，需要通過建立組合模型、優化輸入神經元結構、改進網絡內部算法等方式來解決實際的預測問題[3]。

1 預測算法簡介

光伏發電功率預測是以數值天氣預報(Numerical Weather Prediction，NWP)的數據或實測數據為基礎，結合光伏電站所在地的經緯度、海拔高度及具體的地域特點建立預測模型及算法，實現對未來一定時間段內光伏電站輸出功率的預測。根據預測時間的長短及應用范圍的不同，光伏發電系統輸出功率的預測可劃分為3類：超短期功率預測、短期功率預測及中長期光伏功率預測[4]。各類別的預測時間及主要用途如表1所示。

1.1 超短期功率預測與中長期功率預測

我國電力部門對超短期功率預測的考核標準為自報時次起的第4個小時的預測結果，主要用于電力部門調度。針對超短期功率預測，目前國內外主要采用基于數值天氣預報和中尺度衛星觀測云圖的方法[5]、支持向量機的方法[6]、衛星云圖與人工神經網絡相結合的方法[7]。特別是衛星云圖與人工神經網絡相結合的方法，在對100 MW光伏電站的預測中取得了較好效果，為以后的超短期功率預測提供了較好的方法。

中長期功率預測主要是可為光伏發電系統與輸出線路的檢修及電站的建設提供參考，并可根據數值天氣預報的數據或當地的歷史光照資源數據等信息，估算未來較長時間段內的光伏發電功率情況。

表1 光伏發電功率預測分類

1.2 短期功率預測

光伏電站的短期功率預測對于電力管理部門的發電計劃安排具有重要意義。短期功率預測包括間接預測法和直接預測法兩種預測方法[8]。

間接預測法需要建立兩個預測模型，即當地的輻射預測模型與電站發電功率模型。首先建立輻射預測模型，并將該模型的計算結果作為輸入條件供光伏電站發電功率模型使用，以計算未來時間段內的輸出功率。

直接預測法主要是建立一個復雜的光伏發電系統的模型進行預測。該模型是以歷史氣象數據和發電功率數據等作為模型的輸入信息，直接給出光伏發電系統的輸出功率。

間接預測法與直接預測法的流程如圖1所示。

1.3 預測精度評價指標

統一有效的預測精度評價指標有利于比較不同預測方法的效能。預測方法的評價指標一般有5個，具體如表2所示，其中，假設X為實測值、X為預測值、N為樣本數量[9]。

圖1 間接預測法與直接預測法流程圖

2 人工神經網絡在短期功率預測中的應用

2.1 人工神經網絡(ANN)

ANN是一種運用類似于大腦神經突觸聯接的結構進行信息處理的數學模型，由大量的神經元節點和節點之間相互聯接構成，一般由一個輸入層、若干個隱藏層和一個輸出層組成，每一層由若干個神經元構成[10-11]。圖2以人工神經元與反向傳播(BP)神經網絡的基本結構圖為例，其中BP神經網絡的輸入層包括5個神經元，2個隱藏層分別包含3個和4個神經元。人工神經元節點代表一種特定的輸出函數，稱為激勵函數；每2個節點間的連接都代表1個對于通過該連接信號的加權值，稱之為權重。ANN的使用需要進行結構設計、訓練和計算3個步驟。結構設計完成之后，該神經網絡的層次結構和神經元的激勵函數不能再改變，使用大量樣本數據進行訓練后，網絡中各神經元節點的權重逐漸優化，當網絡能夠輸出一定準確率的結果時，就認為訓練成功；此時，可以利用網絡進行推理計算。

表2 預測算法的評價指標

圖2 人工神經元與BP神經網絡基本結構

2.2 人工神經網絡在間接預測法中的應用

在間接預測法中，第一階段的重點為建立輻射預測模型。人工神經網絡算法很早就被用于建立輻射預測模型，并對此進行了大量的研究，有多種模型被用于太陽輻射的預測。表3是采用不同結構模型的人工神經網絡或相同結構下輸入不同參數時的預測效果對比。Mubiru等[12]較早采用的BP神經網絡模型中，輻射強度、經緯度、海拔、日照時間、相對濕度和最高溫度等因素均被考慮在內，預測結果中相關系數達到0.997，這說明其對于晴朗天氣條件下的輻射強度預測取得了很好的效果。由于陰天比晴天的氣象復雜，Mellit等[13]將陰天與晴天分開進行了預測，采用隱藏層的MLP對意大利某處電站實現了陰天時較好的預測。

但是模型過于復雜時，例如輸入維度過大、噪音過多時，將出現“過度擬合”問題，使得模型在訓練集上表現出較好的預測結果，然而在進行實際預測時，預測結果卻很差[19]。因此，通過交叉驗證和采用BNN有助于解決過度擬合。例如，王哲等[14]采用交叉驗證的方法，建立了數個基于BP神經網絡和時間序列的短期太陽輻射預測模型，通過比較不同的網絡結構并進行交叉驗證，獲得了最適合的神經網絡，從而避免了過度擬合。

同樣，Yacef等[15]采用BNN 解決了過度擬合問題。BNN對神經網絡的權值向量賦一個先驗分布，這樣可以有效避免網絡在初期樣本較少時出現過度擬合的問題。后期訓練中，隨著樣本的逐步增加，BNN的正則化系數會隨著訓練進行調整，并能自動調整重要的輸入變量權值的后驗分布，使概率達到最大化，從而提高預測精度，網絡泛化能力也隨之得到提升。與經典的神經網絡和經驗模型相比，BNN在利用長期氣溫、相對濕度、日照時間和太陽輻射的輸入參數來預測每天的全球太陽輻射時，能達到相關系數0.97的良好精度。

激活函數的選擇也是影響預測精度的關鍵因素。BP神經網絡中一般使用sigmoid函數作為激活函數，其作用就是引入非線性，但存在飽和時梯度太小的缺點。RBFNN采用徑向基函數作為激活函數，結構簡單，并且非隨機進行參數初始化，使其收斂速度快且在理論上具有任意函數逼近能力[20]，有利于提高預測精度。例如，Benghanem等[16]利用RBFNN預測每天的全球太陽輻射，輸入參數包括空氣溫度、日照時間和相對濕度等氣象數據。該文獻介紹了其所開發的徑向基函數(RBF)、MLP和傳統回歸模型之間的比較研究，結果顯示，在負荷損失率為1%時開發的RBF模型有效。

表3 不同結構模型或相同模型下不同參數時的人工神經網絡預測輻射效果對比

不僅是采用改進型的模型可以顯著提高輻射的預測精度，若對樣本數據進行預處理，同樣可以達到較好的效果。Cao等[17]提出了一種基于小波分析的小波分析方法，將太陽輻射的樣本數據序列分解為各種時間頻率域的幾個分量，然后利用重復的BP神經網絡對基于這些分量的所有域進行預測，最后給出它們的代數和。在BP神經網絡相同的情況下，小波分析預測的平均絕對誤差為0.7193，是無小波分析時2.8168的近1/4。

在上述工作中，無論采用何種人工神經網絡模型，都是經過長時間的試錯過程得到隱層單元數。更重要的是，對于隱層單元較多的神經網絡訓練時不能保證有效且充分地學習所需的映射。為了減少神經網絡的訓練時間，找到一個有能力和緊湊的神經網絡，Ma 等[18]提出了一種基于CoNN 的新的太陽輻射預測方法。在模型訓練過程中，從單個隱層單元開始，然后在需要增強網絡映射能力時每次添加一個隱層單元，最終獲得一個有效的最小神經網絡(NN)。以這種方式獲得的神經網絡基本上可實現級聯相關性，被稱為CoNN。從預測結果來看，均方根誤差為0.0791，雖然有待進一步改進，但為今后的相關研究開辟了新的思路。

準確地預測太陽輻射是間接預測的第一步，還需建立發電功率預測模型，以實現對光伏電站發電功率的預測。結合氣象數據、電站自身參數和歷史發電功率，通過經驗公式和統計學公式的計算，最終得到電站發電功率預測值，如圖3所示。

圖3 發電功率預測模型原理圖

發電功率預測模型也存在著以下問題：1)電站的實際情況相對復雜，公式不能覆蓋所有影響因素。2)太陽輻射模型與發電功率模型均會產生預測誤差，二者誤差相互影響必然導致最終結果出現較大偏差。3)電站設備存在隨時間的推移而老化的現象，電站自身參數的變化會引起預測精度下降。這些問題有待進一步地研究解決。

2.2 人工神經網絡在直接預測法中的應用

不同于間接預測法，直接預測法采用較為簡單的建模方式，只建立一個模型進行預測，并且將電站內部的諸多因素考慮在內。將人工神經網絡運用于直接預測法比運用于間接預測法晚[21]。僅依靠改變神經網絡學習率選取的方法顯然不足以應對影響因素復雜的直接預測法。表4為不同模型的人工神經網絡在直接預測法中的預測效果對比。

表4 不同模型的人工神經網絡或在直接預測法中的預測效果對比

在直接預測法中，氣象條件多成為影響預測精度的關鍵因素，若將所有氣象因素都作為預測模型的輸入變量，勢必導致模型復雜度增加、收斂速度變慢；若將諸多的氣象條件采用一種數據進行表達，則會提高預測精度。Liu等[22]采用了氣溶膠指標作為預測未來24 h光伏電源輸出的附加輸入參數，而未將輻射強度等作為輸入參數。實驗結果表明，這種基于BP神經網絡的新型光伏電力預測模型比傳統的考慮溫度、濕度和風速的方法更好。

但是采用單一光伏發電預測模型也存在弊端，當天氣類型發生轉變時，神經網絡穩健性的優勢可能會對性能產生反作用，因為它有可能會將天氣突變視為異常值，并會逐漸減小對輸出平滑性的影響[27]。

針對不同氣象條件下電力輸出的預測有較大區別這一特點，針對每一種天氣進行建模是提高預測準確度的有效方法。例如，Mellit等[23]建立了3種不同的人工神經網絡，以適應3種典型的天氣狀況(陽光、部分多云、陰天)，用于短期預測一個位于意大利南部的大型光伏電站所產生的電力。這種方法極大地提高了預測精度，尤其是晴天預測值的平均絕對誤差在4%以下。

然而利用人工方法對不同的氣象條件進行區分不僅成本高，而且效率低。針對這類問題，葉林等[24]提出了利用K均值聚類的機器學習算法對氣象條件進行聚類，并且建立了GA-模糊RBF神經網絡預測模型進行功率預測。功率預測結果的平均絕對誤差為16.3%，精度相對于未經過聚類的模型較好，但是仍有較大的改進空間。代倩[25]提出了利用SOM神經網絡對不同季節的氣象數據進行聚類分析，利用分析結果對相應的BP網絡進行功率預測。結果顯示，通過SOM神經網絡進行分析后，預測精度有了明顯的提升，誤差相較于GA-模糊RBF神經網絡預測模型也較小。

不僅是氣象條件聚類，改進神經網絡算法同樣可以提高精度。遺傳算法是一類借鑒生物界的進化規律(適者生存，優勝劣汰遺傳機制)演化而來的隨機化搜索方法。Tao等[26]利用基于遺傳算法的BP神經網絡，研究了分布式光伏發電功率預測。利用遺傳算法方法對BP神經網絡的權重和閾值進行了優化，提高了BP神經網絡預測模型的預測精度。基于實驗數據的仿真，驗證了該方法的有效性，預測值的平均絕對誤差降至10%以下。

3 結論

人工智能越來越成為工程領域的研究重點，作為人工智能領域的重要分支，人工神經網絡的應用也越來越廣泛。本文簡要概述了人工神經網絡技術在光伏發電短期功率預測方面的應用，對比了直接預測法和間接預測法中的幾種模型的預測誤差，并介紹了MLP、BNN、RBFNN、BP神經網絡、遺傳算法等技術在光伏發電短期功率預測中起到的作用，為今后相關領域的研究提供了參考。

1)間接預測法中，太陽輻射的預測精度是該方法的決定性因素。對于人工神經網絡模型而言，預防過度擬合，采用新型激活函數和預處理樣本數據均能有效地提高預測精度。

2)直接預測法中，氣象條件是該方法的核心影響因素。對氣象條件進行綜合或分類都能有效提高預測精度。遺傳算法的神經網絡在復雜氣象條件下有著較好的表現。

3)多云及雨雪天氣較為復雜，環境變化速度快，預測精度明顯不如晴天。另外，由于早晨與傍晚時段的光照強度較弱，在一定程度上也影響了預測精度。這些問題有待于通過新模型進一步地研究解決。

致謝：

此研究得到了中國三峽新能源有限公司的支持。