基于OOA 優化BP 神經網絡的光伏發電功率預測

張瀝新， 秦博瑞， 祝少卿

（遼寧工程技術大學電氣與控制工程學院， 遼寧 阜新 123032）

0 引言

與傳統能源發電相比，光能是所有可再生能源中最具規模化開發前景的新能源，光伏發電具有無污染、零排放等優勢。但是，光伏發電功率具有強烈的不確定性，不僅給電力調度部門帶來巨大隱患，同時，也給其自身的大規模并網發電帶來困擾[1]。有研究表明，當光伏并網發電容量超過電力系統總發電量的15%時，其波動會導致電力系統崩潰[2]。如果可以對光伏發電輸出功率進行準確預測，不僅能夠提高光伏電站的運營效率，而且能夠幫助電力調度部門調整運行方式，確保大規模光伏發電接入公共電網后，電力系統依然可以安全、穩定運行，對光伏發電的合理消納利用具有重要意義[3]。因此，本文建立了基于OOA優化BP 神經網絡的光伏發電功率預測模型，來提高預測的精度。

1 預測模型的構建

1.1 BP 神經網絡模型

BP（Back Propagation）神經網絡是目前應用最廣泛的神經網絡模型之一，通過輸入信息的前向計算和輸出誤差信息的后向傳遞，實現訓練過程，并且通過迭代訓練不斷優化計算模型，獲得最優解，具有強大的自學習、自適應和解決任意非線性映射問題的特點[4]。此模型不需要建立復雜的數學物理模型，只需要輸入歷史數據就可以預測結果。典型的BP 神經網絡基本結構如圖1 所示，主要由輸入層、輸出層和隱含層組成。輸入層接收特征變量，隱含層負責計算，輸出層決策模型輸出結果。

圖1 典型BP 神經網絡基本結構

BP 神經網絡的計算過程由正向計算過程和反向計算過程組成。正向傳播過程，輸入模式從輸入層經隱單元層逐層處理，并轉向輸出層，每一層神經元的狀態只影響下一層神經元的狀態。如果在輸出層不能得到期望的輸出，則轉入反向傳播，將誤差信號沿原來的連接通路返回，通過修改各神經元的權值和閾值，使得誤差信號最小。

1.2 OOA-BP 神經網絡模型

BP 神經網絡模型所涉及的權值和閾值等參數對模型訓練結果有較大影響，由于BP 神經網絡模型的初始閾值和權值是隨機給定的（給定區間為[0.5，0.5]），其所構建的光伏電站短期發電功率預測模型計算效率低且極易獲得偽最優解[5]。魚鷹算法（Osprey Optimization Algorithm，OOA）是一種新型求解目標優化問題的優化算法，通過模擬魚鷹的搜索行為，來尋找最優解。該算法具有較強的全局搜索能力以及較快的收斂速度，適用于解決各種復雜的優化問題。因此，本文采用OOA 優化算法對BP 神經網絡模型的閾值和權值進行優化處理，以提高預測精度。OOA 優化算法主要分為三個階段：

階段一：在尋優空間里隨機初始化種群

式中：xi，j為個體；bl，j為尋優下邊界；bu，j為尋優上邊界；r為[0，1]之間的隨機數。

階段二：搜索空間中具有更好目標函數值的其他魚鷹的位置，并將這些魚鷹視為水下魚類，魚鷹隨機檢測到其中一條魚的位置并向它移動，新位置由以下公式計算：

式中：F為魚鷹所選中魚；r為[0，1]間的隨機數；I的值為{1，2}中的一個。

若新位置優于先前位置，則利用下列，式替換先前位置

式中：Fi為第i只魚鷹搜索出的水下魚類的集合；Xi為更新后的位置。

階段三：利用（5）、（6）式計算一個隨機的位置作為 “適合吃魚的位置” ，如果目標函數的值在這個新的位置上更優，則利用（7）式計算出新位置。

式中：t為迭代次數；T為最大迭代次數。

圖2 為基于OOA 優化BP 神經網絡的光伏發電功率預測模型。ε 為人為規定的誤差，N為訓練步驟，當誤差小于設定誤差或達到最大訓練步驟時，輸出功率。

圖2 OOA-BP 神經網絡預測模型

2 預測結果與分析

2.1 樣本數據選擇

影響光伏發電輸出功率的因素有很多，可分為內因與外因。內因主要是由器件本身引起，對預測影響的結果是相同的，可以不用考慮。外因主要是由氣象因素引起，包括太陽輻照度、氣溫、氣壓、濕度、風力、大氣壓和大氣透明度等，在預測過程中同時考慮所有氣象因素是不太現實的，本文選用2019 年新疆某發電站真實發電數據集中的總幅照度、直射輻射、散射輻射、氣溫、氣壓和濕度等6 種類型數據作為輸入變量，光伏發電功率作為輸出變量。取5 000 組樣本數據，80%作為模型訓練集，20%作為模型測試集。

2.2 預測評價指標

對于BP 神經網絡模型以及OOA-BP 神經網絡模型，其預測結果均可用均方根誤差（Root Mean Squared Error，RMSE）、決定系數（R2）作為評價指標，RMSE 值越小，說明預測誤差越小，預測精度更高。R2的取值范圍是[0，1]，其值越大，表示回歸預測偏差越小，預測效率越高。計算公式如下：

式中：yi為第i 個預測點的實際輸出功率；y'i為模型的預測輸出功率；為真實值得均值；n為預測點總數。

2.3 預測結果與分析

OOA-BP 神經網絡模型參數中取最大訓練次數為1 000 次、學習速率為0.01，訓練目標精度取0.000 1。

圖3 為運用OOA-BP 神經網絡預測模型的測試結果，從圖中的預測值與真實值之間的重合程度可以看出，數據重合程度非常高，誤差很小，說明預測值與真實值之間非常接近。

圖3 OOA-BP 算法預測結果

圖4 為運用OOA-BP 神經網絡預測模型的擬合程度曲線。由圖4 可以看出，線性系數為0.983 13，擬合曲線與理想曲線基本重合，這說明預測數據的擬合程度較高，效果較好。

圖4 OOA-BP 算法擬合程度

2.4 結果對比

BP 神經網絡與OOA-BP 神經網絡模型中取相同參數進行對比，兩種模型預測評價指標見表1。

表1 預測結果評價指標

BP 神經網絡預測結果RMSE 為3.907 8，R2為0.952 54，而OOA 優化后的BP 神經網絡預測結果RMSE 為3.1249，R2為0.98313。對比結果表明：OOA-BP神經網絡模型預測效果更好，進一步說明本文方法提高了預測精度與預測效率。

3 結論

由于BP 神經網絡預測不穩定和不準確，本文采用OOA 算法優化BP 神經網絡的閾值和權值，利用仿真軟件繪制出預測結果圖形，得出RMSE 為3.124 9，R2為0.983 13。將OOA-BP 神經網絡模型與BP 神經網絡模型在相同參數情況下的兩種評價指標進行對比，驗證出OOA-BP 神經網絡模型預測效果更佳，擬合程度更高，能夠有效提高預測精度和預測效率。