基于Elman神經網絡模型的短期光伏發電功率預測

劉佳林李剛王騰飛

?

基于Elman神經網絡模型的短期光伏發電功率預測

劉佳林1，李剛1，2，3，王騰飛1

（1.蘭州交通大學 機電技術研究所，甘肅 蘭州 730070；2.甘肅省物流及運輸裝備信息化工程技術研究中心，甘肅 蘭州 730070； 3.甘肅省物流與信息技術研究院，甘肅 蘭州 730070）

為提高光伏發電功率的預測精度，使電力行業充分、合理地利用太陽能資源，提出一種基于Elman神經網絡模型的短期光伏發電功率預測方法。將歷史數據細分為不同季節、不同天氣類型的多個子集，通過計算氣象特征向量間的歐式距離選取相似日，建立Elman神經網絡，對三種不同季節和天氣類型條件下的光伏發電功率分別進行預測。結果表明，預測模型在晴天條件下有較高預測精度，對提高光伏發電功率的預測效果有一定的參考價值。

光伏發電；功率預測；相似日；Elman神經網絡

光伏發電功率預測一直是國內外研究的熱點，準確預測光伏功率，可以為電力調度提供重要的決策支持，有利于保障電網的安全運行，更能有效降低電力系統運營成本，使電力行業充分、合理利用太陽能資源，從而獲得更大的經濟效益和社會效益[1]。文獻[1]選用雙層BP神經網絡預測光伏發電功率，相比普通的BP神經網絡有較好的預測精度，但仍然存在網絡收斂速度慢、無反饋調節和易陷入局部最優等問題。文獻[2]選取太陽輻照強度、輻照時長、氣溫等指標作為相似日的氣象特征，然后對每一類相似日建立粒子群算法，以優化Elman神經網絡的模型進行光伏功率預測。該方法雖對氣象信息進行分類，但分類較為粗糙。文獻[3]通過組合權重系數計算相似日，預測日的輸出功率由相似日的輸出功率按不同權重系數加權而得。實例分析表明，該方法有較高的準確性，但無法適用于天氣狀況發生突變的情況。

文獻研究結果表明，在光伏發電功率的預測模型中，輸入不同天氣類型的樣本集神經網絡的訓練誤差之間存在較大差別。相似日理論將不同天氣類型的樣本進行歸類細分，分類后的訓練樣本可以有效地提高模型的預測精度。Elman神經網絡能夠在有限的時間內逼近任意函數，其動態記憶性能直接反映光伏輸出功率與影響因子的非線性、時變關系，且訓練速度高于BP 網絡。

1 相似日的選取

按當地日輻照時長將全年劃分為春秋季、夏季、冬季，在劃分好的3個季節類別中根據晴天、多云（陰）、雨（雪沙）三種典型天氣類型再細分，這樣就可以得到同季節同天氣類型的9個小樣本集[4]。

光伏發電功率受諸多氣象因素影響，本文選取對功率影響較大的因素，例如輻照度、輻照時長、氣溫、相對濕度來構建氣象特征向量，構建每日氣象因素特征向量，為

i=[i，i，i，i]. （1）

式（1）中：i為第日的平均輻照度，W/m2；i為第日的平均氣溫，℃；i為第日的平均相對濕度，%；i為第日的輻照時長。

根據預測日季節和天氣類型信息，在細分好的樣本集中根據歐氏距離0i來計算預測日與歷史日的氣象特征總體的差異度，為：

式（2）中：為特征向量的個數；0（）為預測日氣象特征向量；i（）為第個氣象特征向量。

通過式（2）的計算結果，選取與預測日相似度最高即歐氏距離最小的前10組歷史日數據作為相似日樣本集，在神經網絡訓練時使用。

2 Elman神經網絡

Elman神經網絡在一般前饋式網絡的基礎增加了一個承接層，是一種動態遞歸神經網絡。Elman神經網絡結構一般分為四層，即輸入層、輸出層、隱含層和承接層，如圖1所示。其中，為輸入向量，輸出向量，為維隱含層單元向量，c為承接層的維反饋向量，1，2，3分別為承接層到隱含層、輸入層到隱含層、隱含層到輸出層的連接權值[5]。承接層相當于具有記憶特性的一步延時算子，使整個系統具有適應時變特性的能力，從而達到動態建模的目的。輸入層、輸出層、承接層的傳遞函數多為線性函數，例如purelin函數，隱含層的傳遞函數則多選用非線性函數，如Sigmoid函數。Elman神經網絡采用與BP網絡相同的附加動量的梯度下降反向傳播算法來修正權值閾值[6]。

圖1 Elman神經網絡結構

3 構建Elman神經網絡預測模型及實例預測

原始數據基于甘肅省電力公司某光伏電站記錄的2014年歷史輸出功率和測光站采集的歷史實時氣象信息，結合中國氣象局網站的歷史氣象信息，對奇異或缺失數據加以綜合修正，并對數據作歸一化處理，消除量綱影響。

3.1 構建預測模型

Elman神經網絡基本參數設定如下：①建立四層網絡結構。輸入層、輸出層和承接層函數為purelin函數，隱含層函數為tansig函數，訓練函數為traingdx函數，學習函數為learndm函數，學習率為0.05，最大迭代次數2 500，誤差容限0.000 1.②輸入層節點數。輸入變量為氣象數據，選取每日輻照度、溫度、相對濕度的平均值和日照時長共4個輸入節點。③輸出層節點數。輸出變量為功率數據，選用07：00—20：00時段每隔30 min的功率數據共27個輸出節點。④隱含層節點數。本文先根據經驗公式取得估計值，再由網絡多次訓練，選取誤差最小的隱含層節點數[7]，選取最終隱含層節點數為12.因此，Elman神經網絡模型的最終結構為4-12-27.

3.2 實例預測

假定將2014-10-06記為預測日，該天屬于春秋季節晴天天氣類型，按前述相似日計算方法在春秋季晴天數據集中計算所有歷史發電日與該預測日的氣象特征歐氏距離，選出最小的前10組數據作為神經網絡的訓練數據。為對比不同季節及天氣類型下的預測情況，本文再選2014-06-24（夏季雨天）和2014-12-10（冬季多云（陰天））作為預測日分別進行模型驗證。選取均方根誤差、平均絕對百分比誤差評估光伏發電功率的預測結果，其計算式分別為：

式（3）中：i為預測值；i*為期望值。

預測結果如圖2所示，晴天條件下功率變化較為平緩且均勻，沒有突然變化的時刻，預測精度最高。

由多云和雨天的預測結果可知，Elman模型對于功率出現較大波動時刻的數據點預測存在較大誤差，不能及時預測功率變化趨勢。不同天氣類型下3種模型的預測誤差如表1所示。

由表1可知，晴天類型下模型的預測效果較好，在15%以內，在0.5 kW以內，誤差在20%以內的預測點數占到了70%，而雨天和多云條件下的均大于20%，也較大，總體預測效果不理想，誤差較大。

圖2 不同天氣類型下的預測對比

表1 不同天氣類型下3種模型的預測誤差

天氣類型誤差指標誤差區間內的預測點數 MAPE/（%）RMSE/kW <5%5%~20%20%~30%>30% 晴天13.20.48641571 雨天24.390.839111123 多云（陰）天20.270.663311112

4 結論

本文首先分析了氣象因素對光伏發電功率的影響，將歷史數據根據不同季節和天氣類型細分為9組數據樣本集，通過計算氣象特征向量間的歐式距離選取相似日，確定輸入輸出變量，建立Elman神經網絡模型并分3個子模型進行了實例預測。結果表明，預測模型在晴天條件下有較高預測精度。本文使用Elman神經網絡對不同天氣類型條件下分別細分子模型預測的方法進行了研究，對提高光伏發電功率的預測效果具有一定的參考價值。

［1］艾格林，孫永輝，衛志農，等.基于MEA-Elman神經網絡的光伏發電功率短期預測［J］.電網與清潔能源，2016，32（04）：19-125.

［2］侯松寶，王侃宏，石凱波，等.基于相似日和主成分分析的光伏發電系統短期出力預測［J］.可再生能源，2018，36（01）：5-21.

［3］張建成，李倩，周春霞，等.基于混沌搜索的AMPSO-BPNN在光伏功率預測中的應用研究［J］.華北電力大學學報，2014，41（04）：5-21.

［4］許洋.基于改進PSO-Elman網絡的短期電力負荷預測［D］.天津：河北工業大學，2016.

［5］徐敏姣，徐青山，袁曉冬.基于改進EMD及Elman算法的短期光伏功率預測研究［J］.現代電力，2016，33（03）：8-13.

［6］鐘春霞.基于相似日選則算法和Elman神經網絡的光伏輸出功率預測［J］.南京工程學院學報（自然科學版），2016，14（1）：42-47.

［7］陳通，孫國強，衛志農，等.基于相似日和CAPSO-SNN的光伏發電功率預測［J］.電力自動化設備，2017，37（03）：66-71.

2095－6835（2019）02－0043－03

TM615

A

10.15913/j.cnki.kjycx.2019.02.043

劉佳林（1994—），男，陜西咸陽人，在讀碩士研究生，主要研究方向為光伏發電功率預測技術。

〔編輯：王霞〕