基于優化BP神經網絡光伏出力短期預測研究

齊 琦，陳芳芳，趙 輝，趙 玉

(1.云南民族大學 電氣工程學院,昆明 650000;2.國家電網供電公司配電運檢室，黑龍江 伊春 153000)

0 引言

化石能源為人們帶來了效益，但是也產生了環境污染。同時，不可再生能源的資源是有限的，根據推測，能源將在40年內消耗殆盡，這促使人們不得不將尋找可代替的環保能源當作迫在眉睫的事。在電力系統的實時動態平衡中，光伏出力系統占據了很重要的部分，因此對它的出力進行預測是很有意義的[1]。根據查閱文獻，了解到適用于光伏發電預測方法有很多，主要有以下幾點：

卡爾曼濾波法目前廣泛應用在信號的處理與系統控制領域，計算機應用中也經常會出現[1-2]。文獻[3]利用卡爾曼濾波的方法對結構損傷行為進行預測，經過算例驗證分析，可以驗證這種預測方法的應用有效可靠。支持向量機是新型的機器學習方法[4]。文獻[5]在進行研究時，發現了支持向量回歸機有超參數的問題，提出了一種混合改進的布谷鳥搜索算法，并隨機選取了風能數據進行預測訓練，結果表明預測模型提高了預測精度與輸出結果的穩定性。文獻[6]建立了灰色預測模型，靈活地提高了建模精度。文獻[7]在對光伏發電功率進行預測時，分別建立了3種預測模型，輸入實驗數據進行預測后發現，EMD-GA-BP的預測效果更好。文獻[8]選擇GA-BP預測模型作為最終預測手段，結果證明相對單一BP網絡模型，該預測模型穩定性更好，誤差較小。文獻[9]在對光伏出力預測進行研究時，分析不同的天氣類型，建立預測模型。結果表明，BP神經網絡的預測誤差小，實用性強。

與文獻研究不同，本研究的主要貢獻在于將遺傳算法、灰狼算法在光伏日電量預測中實現。此外，將所獲得的所有預測結果與單一模型進行比較，以便進行適當的基準測試。結果表明，所建立的混合預測模型在光伏日電量預測中取得了較高的成功。

1 光伏發電影響因素分析

根據光伏電站的實際運行工況可以了解到，光伏輸出功率有明顯的間歇性于波動性，主要由于有時光照會被云層遮擋住，云層的移動都會造成出力的不確定性。對輸出功率的影響主要可以分文內部因素與外部因素兩種[10]。

太陽能輻照度的單位為瓦特/平方米(W/m2)，它是指當太陽光輻照到太陽能面板上時所攜帶的能量。太陽能輸出功率可以通過下式來計算：

P0=ηSI[1-0.005(T-25)]

(1)

其中:η為光伏電池的效率；S為電池面積；I為光照強度；T為溫度。

如圖1所示，為本文選取的寧夏市光伏發電站2018年4月5日的光照強度與光伏電池輸出功率的關系曲線，首先將光照強度數據與光伏輸出功率數據進行歸一化，然后繪制二者之間的相關性圖像。通過圖1可知，光伏出力的數據與太陽能輻照度的變化趨勢基本一致，二者變化同步，關系密切。因此，在本文對光伏發電進行預測時，應將光照強度這一因素考慮進入研究中。

圖1 太陽輻照強度與光伏出力功率關系

溫度也會影響出力的變化，在研究中，應將溫度因素考慮入內。如圖2所示，本文選取4月6日，4月7日，4月8日三天的溫度與光伏發電功率數據進行歸一化后對比，繪制圖像。通過圖可知，光伏發電功率與溫度幾乎呈現同增同減的趨勢，當溫度上升時，光伏發電功率也相應地上升，當溫度下降時，光伏發電功率也一同下降，由此可知，光伏發電的功率與溫度呈正相關關系，且關系較大。

圖2 溫度與光伏發電功率的關系

本文選用皮爾森相關性分析方法來分析光伏發電功率與天氣等氣象因素的相關性關系，其中x，y為變量，變量之間的相關性系數為協方差之積與標注差的比，公式為[11]：

(2)

(3)

2 BP神經網絡

BP神經網絡算法首先對網絡進行初始化設置，然后依據給定的輸入向量與期望的輸出值。通過預測得到預測值，計算誤差，若誤差過大，則修正權值與閾值。判斷網絡是否還有未學習的樣本，若有，則重新輸入進入網絡；若沒有，則更新訓練的次數，判定誤差是否達到要求；達到了要求，則網絡訓練結束；沒有達到要求，則將誤差重新輸入給網絡。

BP神經網絡的學習過程分為信號的正向傳播與誤差的反向回傳兩部分[12]。其結構如圖3所示。

圖3 BP神經網絡結構圖

BP算法具體步驟如下：

1)初始化網絡，設定訓練次數為N，輸入為X，期望輸出為D；

2)計算出隱含層，輸出層的輸出；

3)求出實際輸出與期望輸出的誤差；

4)計算誤差e<ε或n>N；

5)若誤差不滿足要求，則反向傳播誤差，n=n+1，調整權值，重復第2)步；

2.1 輸入層，輸出層與隱含層設計

通過上文分析可知，光伏出力受太陽輻照度與溫度影響較大，因此將二者考慮進輸入層節點[13]。本文BP神經網絡的輸入層節點如表1所示。

表1 輸入層節點

本文輸出層神經元傳遞函數為線性傳遞函數[14]，公式為：

purelin(x)=x

(4)

其中：x為光伏出力預測數組。

在BP神經網絡中，有一個公式可以確定隱含層節點數目：

(5)

其中:l隱含層節點數;m，n為輸出層與輸入層的節點數;a的范圍為[1,10]。按照公式, 隱含層節點數l的范圍應該為從3～13，經多次試驗對比分析，取13時均方根誤差最小，因此隱含層節點數為13。

3 實驗算法

3.1 狼群算法

狼群算法是一種群智能算法，它通過模仿狼群捕獵的行為來處理優化問題。在自然界中，狼在食物鏈中處于捕獵者。狼的外形神似狗和豺，動作迅速，嗅覺靈敏，有天生的捕獵能力。最早，Yang等人提出了狼群算法，后來有學者發現了其中存在的問題，經狼群算法優化后提出了新型狼群算法(WCA)，最后，2013年吳虎勝等人根據自然界中狼群追捕獵物，捕食，以及分配食物的方式提出的基于狼群群體智能的算法(WPA)。該算法詳細的將狼群內的種類分為頭狼、探狼、猛狼三部分與圍攻、召喚、奔襲、游走等行為。狼群算法同樣依據自然界中“勝者為網，適者生存”的更新機制。

狼群算法步驟為[15]：

1)初始化。

狼群種群為N，最大迭代次數為Mmax，則第i只狼位置為：

Xi=(Xi(1),Xi(2),KXi(D))

(6)

(7)

式中，rand∈(0,1)。

2)依據適應度值的大小，選擇最優適應度值的狼作為頭狼。

3)游走行為。探狼i在空間中的位置為:

Xidp=Xid+sin(2π×p/h)×stepad

(8)

其中：h為探狼游走方向的個數，stepa為探狼的游走步長。

4)奔襲行為。

猛狼在進行k+1次進化時，所處的位置為：

(9)

stepb表示猛狼的奔襲步長，判定距離為:

(10)

ω為距離判定因子。

5)圍攻行為。

(11)

其中：λ∈[-1，1]，stepc為攻擊步長；

stepa=stepb/2=

(12)

6)更新機制。

狼群按自然界中適者生存的原則分配食物，適應度最差的R匹狼將會被淘汰，隨機生成R匹人工狼替代。

7)判斷算法結果是否滿足精度要求，若達到，即為問題的最優解；否則重復步驟2)～5)。

狼群算法流程如圖4所示。

圖4 狼群算法流程圖

3.2 遺傳算法理論

遺傳算法(GA)誕生于美國大學的一個實驗室，Holland教授對其研究進行了巨大的貢獻，遺傳算法是基于達爾文的思維進化論來模擬自然界各種動物群體遺傳、選取最優解的一個過程[16]。

遺傳算法的用途主要為一種智能的自適應生物基因隨環境改變的方法，遺傳算法的核心是將自然界的遺傳極值與生物學的進化論結合起來，構建了一個尋求最優解的范圍，最適合應用與求極值等問題中。這種方法以生物學的進化論為理論依據，將物種的因外界環境的變化而優化自身來適應外界狀態的現象應用到了智能領域。GA算法是一種自適應全局優化搜索算法，主要繁殖過程為交叉、變異[17]，其過程為：

1)染色體編碼：GA算法的編碼過程主要為隨機生成一個數目隨機的個體染色體[18]；

2)適應度函數：在GA算法的運用過程中，適應度函數可以體現個體的適應能力，個體適應度函數值的大小會對GA算法的尋優速度有一定的影響，個體能否被遺傳到下一代，取決于適應度值，若適應度值大，將會被留下。適應度值公式為：

Fit[f(x)]=Cmax-f(x)

(13)

其中：f(x)為理想目標函數;Cmax-f(x)為最大值。

遺傳操作包括選擇、交叉、變異：

3)選擇：GA算法中，若適應度值大，那么它就被選擇的機會也就越大，從初始的種群中，選擇適應度值高的個體。選擇算子公式為：

k=1,2,…,n

(14)

其中：P為種群個體數；Fit[f(i)]為種群中每個個體的適應度值。

4)交叉操作：交叉操作公式為：

(15)

其中:f為種群個體適應度；Fmax為適應度；favg為平均適應度。

5)變異操作是為了使群體具有多樣性的一種操作，變異的過程即為隨機選取一個染色體，然后染色體將會有一定的概率發生突變，變異公式為：

(16)

通過前文的分析，針對網絡的缺點，本文采用GA算法進行全局尋優過程，建立GA-BP模型，預測流程如圖5所示。

4 光伏出力預測仿真分析

4.1 數據處理

本文需要用到的光照強度、溫度、光伏出力等數據具有不同的單位，對數據進行歸一化處理可以將預測誤差控制在地范圍內，歸一化公式為：

(17)

其中:Zn為原始數據；Zmax為輸入數據最大值；Zmin為輸入數據最小值。

4.2 誤差衡量指標

在進行光伏出力的預測時，不可避免會出現一定的誤差，對數據進行精準預測的前提是要對精度量化，本文選用的誤差評估方法為平均相對誤差：

(18)

4.3 仿真分析

本文選擇使用BP神經網絡作為預測模型預測，選取寧夏某光伏發電站2018年4月、5月的數據，首先將數據按天氣類型分為晴天、多云天、陰雨天各三類，每個天氣類型選取十天的數據。根據第三章建立的BP神經網絡模型，確定共8個輸入變量，1個輸出變量。訓練樣本為75×9階的矩陣，測試樣本為25×9階的矩陣，分別輸入晴天、多云天、陰雨天的數據，建立BP預測模型、GA-BP預測模型、WPA-BP預測模型。

GA-BP預測模型預測過程為：

1)建立BP神經網絡；

2)設置好遺傳算法的初始參數，選擇BP神經網絡預測的均方誤差倒數作為算法的適應度值；

3)輸入數據進行選擇、交叉、變異等操作，計算適應度值是否滿足條件，若不滿足，則重復該步驟；

4)若滿足，將求得得權值和閾值賦予給網絡，進行預測。

WPA-BP預測模型預測過程為：

1)將訓練樣本輸入到網絡中；

2)數據歸一化處理，主要有溫度數據、光照強度數據與光伏功率數據；

3)建立BP神經網絡，指定網絡的結構；

4)通過改進后的狼群算法初始化BP神經網絡的權值和閾值；

5)訓練BP神經網絡，若誤差滿足要求，即為誤差達到了允許的范圍內，或是網絡的訓練次數，則繼續進行下一步，否則重復該步驟；

6)輸入當前的光伏出力功率，進行預測，然后輸出預測值。預測結果如圖6～8所示。

圖6 晴天3種模型預測對比

圖7 多云天3種預測模型對比

圖8 雨天3種模型預測對比

如圖可知，預測模型的預測結果與實際光伏出力走向基本一致，表明預測算法有一定的可行性。

1)與其它兩種天氣相比，預測模型在晴天時預測效果更好，主要是因為晴天時，光伏照射基本不受天氣因素的影響，光伏發電系統在晴天的輸出功率基本呈正態分布，規律性很強；

2)多云天時，會有云朵遮住部分太陽光，會對光伏出力的預測產生一定的影響，三種預測模型較晴天時相比精度均降低，未經優化的BP神經網絡模型的預測誤差是最大的；

3)陰雨天的預測效果最差，這是由于在雨天時，氣象因素多變，降雨量的變化，也會使輸出功率隨之改變，導致模型預測精度變差，但是經過改進狼群算法優化后的BP神經網絡預測模型效果最好。各模型誤差對比如表2所示。

表2 各模型平均相對誤差對比

通過表2可知，3種天氣類型下，單一的BP神經網絡預測模型效果較差，在晴天時平均相對誤差為5.1%，GA-BP模型將精度提高了0.2%，而WPA-BP模型誤差為4.4%，較單一BP預測誤差提高了0.7%；多云天情況下，單一BP預測誤差為7.4%，GA-BP預測誤差為6.2%，WPA-BP模型預測誤差為5.6%；雨天時，BP預測誤差為8.9%，GA-BP預測誤差為7.7%，WPA-BP預測誤差為5.7%，較前二者預測精度均有所提高，證明本文的研究有一定的價值。

5 結束語

光伏出力的能源為非連續的，且光電轉換效率較低，若將光伏系統接入電網中，很有可能會引起電能質量降低，因此對光伏出力進行準確的預測是很有必要的。本文仿真結果表明，與其他兩種預測模型相比，WPA-BP模型能夠更準確地預測光伏發電量。此外，無論晴天、多云天還是雨天，都可以保證預測精度。證實了該模型具有較高的穩定性和實用性。本文建立的預測模型，雖然提高了預測精度。但是仍然存在一定的不足，主要問題如下：

1)訓練的樣本數據較少，樣本數據選取的少，雖然提高了預測時所需要的時間，但是卻不能保證預測的準確性，若獲得更多數據，將會對預測模型有進一步的改善。

2)網絡的隱含層節點數的選擇是通過試湊來決定的，同時也會對預測精度有一定的影響。