衢州職業(yè)技術(shù)學(xué)院信息工程學(xué)院 ■ 廖東進(jìn)劉曉龍

基于BP神經(jīng)網(wǎng)絡(luò)的光伏電站輻照度預(yù)測研究

衢州職業(yè)技術(shù)學(xué)院信息工程學(xué)院 ■ 廖東進(jìn)*劉曉龍

由于現(xiàn)有神經(jīng)網(wǎng)絡(luò)輻照度預(yù)測模型的輸入變量多為輻照度的歷史數(shù)據(jù)問題,為了更準(zhǔn)確衡量輻照度的變換關(guān)系，引入其他與輻照度相關(guān)因子作為模型輸入變量，提高模型預(yù)測性能；其次，根據(jù)同期同日類型的輻照度變化關(guān)聯(lián)性，對輻照度預(yù)測模型提出了由輻照度預(yù)測值和輻照度均值組成的加權(quán)修正方法，輻照度預(yù)測值權(quán)重為N天實(shí)際與理論曝輻量比值的均值，輻照度均值權(quán)重為日類型修正系數(shù)和當(dāng)天實(shí)際與理論曝輻量比值的乘積；最后歸一化權(quán)重，構(gòu)建了基于日類型的神經(jīng)網(wǎng)絡(luò)輻照度預(yù)測模型。采用本地歷史數(shù)據(jù)進(jìn)行仿真，結(jié)果驗(yàn)證了改進(jìn)輸入模型的合理性和輸出模型的有效性。

光伏電站；輻照度；功率預(yù)測；神經(jīng)網(wǎng)絡(luò)

0　引言

截至2014年底，我國光伏電站累計(jì)安裝量超28 GW，增長速度超60%。2014年光伏發(fā)電量約250億kWh，同比增長超過200%[1]。隨著我國光伏電站規(guī)模不斷擴(kuò)大推廣，提高光伏電站輻照度預(yù)測精度將有利于功率預(yù)測及電網(wǎng)安全調(diào)度與電網(wǎng)運(yùn)行。

直接預(yù)測法和分步預(yù)測法是當(dāng)前光伏電站功率預(yù)測的兩種主要模式[2]。直接預(yù)測法就是以歷史發(fā)電功率、氣象數(shù)據(jù)、天氣預(yù)報(bào)等信息作為預(yù)測模型輸入，輸出為未來24～72 h的電站功率預(yù)測值。分步預(yù)測法就是將功率預(yù)測分為輻照度預(yù)測和電站物理特性建模兩步。由于當(dāng)前光伏電站建設(shè)種類較多，規(guī)模較大，直接預(yù)測法存在較多不確定因素，預(yù)測精度存在較大誤差而分步預(yù)測法可與光伏發(fā)電各影響因素很好地結(jié)合，其功率預(yù)測效果更加可靠。

1　輻照度預(yù)測研究現(xiàn)狀

由于神經(jīng)網(wǎng)絡(luò)算法具有自適應(yīng)學(xué)習(xí)、大數(shù)據(jù)處理等特點(diǎn)，在輻照度預(yù)測等方面得到了較好的應(yīng)用；文獻(xiàn)[3]以日輻照度均值、溫度均值和積日為模型輸入，利用多層感知器建立了提前1天的預(yù)測模型；文獻(xiàn)[4]以歷史云量、預(yù)報(bào)信息作為模型輸入，采用小波神經(jīng)網(wǎng)絡(luò)模型，建立預(yù)測模型；文獻(xiàn)[5]以輻射曝輻量為模型輸入，建立了小波神經(jīng)網(wǎng)絡(luò)預(yù)測模型；文獻(xiàn)[6]以各類氣象參數(shù)、地理信息等參數(shù)為模型輸入，建立太陽逐時(shí)輻射量預(yù)測模型；文獻(xiàn)[7]以歷史氣象數(shù)據(jù)、氣象狀態(tài)為模型輸入，建立了相似日輻照度預(yù)測模型。

研究表明，采用神經(jīng)網(wǎng)絡(luò)算法和其他算法相結(jié)合能取得較好的輻照度預(yù)測效果，但在神經(jīng)網(wǎng)絡(luò)模型輸入及輸出修正方面還有待改進(jìn)。主要表現(xiàn)為：1)僅利用同期同日類型的歷史輻照度數(shù)據(jù)作為模型輸入，不能全面描述該日類型的輻照度變換規(guī)律，輸入模型的參數(shù)選擇和特征提取有待改進(jìn)；2)輻照度預(yù)測值和同期同日類型輻照度具有一定影響性和相似性，對模型輸出存在較大影響。

為了實(shí)現(xiàn)輻照度預(yù)測，本文采用自適應(yīng)學(xué)習(xí)機(jī)理的BP神經(jīng)網(wǎng)絡(luò)算法，并在預(yù)測模型的輸入及輸出修正上進(jìn)行了改進(jìn)。首先，分析模型輸入變量的選擇、特征提取對模型輸出預(yù)測誤差指標(biāo)的影響；其次，針對日類型對輻照度變化的影響性和相似性特性，提出模型預(yù)測值的加權(quán)修正方法。

2　研究對象

本文實(shí)際測量和驗(yàn)證數(shù)據(jù)測試點(diǎn)為衢州職業(yè)技術(shù)學(xué)院100 kW分布式光伏電站，地理坐標(biāo)為東經(jīng)118°01′，北緯28°14′，光伏電站位于樓頂。圖1、圖2為實(shí)測地理信息和設(shè)備情況。

圖1　實(shí)測地理信息

圖2　氣象測量設(shè)備

氣象參數(shù)測量設(shè)備型號為錦州陽光PC-4-A，可測量當(dāng)?shù)丨h(huán)境溫度、濕度、露點(diǎn)溫度、風(fēng)速、輻射、日照時(shí)數(shù)等氣象參數(shù)，測量精度為0.5 h。

3　基于歷史輻照度數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

3.1神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)分為反饋網(wǎng)絡(luò)(Feedback NNs)、前向網(wǎng)絡(luò)(Feedforward NNs)、自組織網(wǎng)絡(luò)(Selforganizing NNs) 3大類。其中，一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)在輻照度預(yù)測領(lǐng)域中效果較好[8]。

BP神經(jīng)網(wǎng)絡(luò)模型由輸入層、隱含層和輸出層構(gòu)成，根據(jù)輻照度預(yù)測模型，其學(xué)習(xí)過程為輻照度樣本信號的正向?qū)W習(xí)過程和輻照度誤差的反向?qū)W習(xí)過程。

首先，將輻照度樣本送入輸入層，經(jīng)過隱含層學(xué)習(xí)處理后，送往輸出層；將輸出值和預(yù)期結(jié)果進(jìn)行比較，如果不符合，將進(jìn)入輻照度誤差的反向?qū)W習(xí)過程，分?jǐn)偨o各層所有單元，修正各單元權(quán)值，產(chǎn)生新的模型輸出，如果誤差不符，繼續(xù)反向循環(huán)，直到誤差滿足期望值要求。其模型結(jié)構(gòu)及學(xué)習(xí)過程如圖3所示。

圖3　BP神經(jīng)網(wǎng)絡(luò)的一般結(jié)構(gòu)

3.2模型輸入?yún)?shù)

為了保證BP神經(jīng)網(wǎng)絡(luò)模型數(shù)據(jù)挖掘能力和預(yù)測精度，輸入模型參數(shù)不宜過多也不宜過少，過多會影響模型數(shù)據(jù)挖據(jù)，過少會影響模型預(yù)測精度?；跉v史輻照度數(shù)據(jù)的BP神經(jīng)網(wǎng)絡(luò)模型輸入為太陽輻照度歷史數(shù)據(jù)gs,j。本文考慮一天24 h中，18:00～次日06:00，輻射接近零，且光伏電站基本不發(fā)電，故預(yù)測數(shù)據(jù)的輸入和輸出為06:00～18:00，精度0.5 h，歷史輻照度數(shù)據(jù)量為24個(gè)(06:00和18:00合一個(gè)數(shù)據(jù))。

3.3日類型分類

為了BP神經(jīng)網(wǎng)絡(luò)模型的有效學(xué)習(xí)，保證輻照度預(yù)測的準(zhǔn)確性，將一年的日類型劃分為4類。具體劃分內(nèi)容如表1所示。

表1　日類型對照表

3.4隱含層及輸出層結(jié)構(gòu)設(shè)計(jì)

基于歷史輻照度數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)模型釆用前一個(gè)同日類型的24個(gè)歷史輻照度作為輸入，輸入層神經(jīng)元數(shù)目依據(jù)輸入維數(shù)和輸出而定。

在神經(jīng)網(wǎng)絡(luò)隱含層層數(shù)設(shè)計(jì)上，為了獲取任意非線性映射關(guān)系，單隱含層的神經(jīng)元數(shù)目要求較多，但其計(jì)算效率會隨神經(jīng)元數(shù)量的增加而急劇下降，故層數(shù)設(shè)計(jì)為兩層。

雙隱含層的神經(jīng)元數(shù)量設(shè)定初步可由輸入樣本數(shù)目和上述單隱層的經(jīng)驗(yàn)公式確定，然后通過交叉驗(yàn)證的方法[9]，以獲取最小平均絕對偏差MABE和均方根誤差RMSE為目標(biāo)，來確定隱含層個(gè)數(shù)和隱含層神經(jīng)元數(shù)。其中，RMSE和MABE如式(1)、(2)所示[10]：

式中，Gs,i為輻照度預(yù)測值；gs,i為輻照度實(shí)測值，i為采樣點(diǎn)，表示時(shí)間，i=1,…, m，其中m為06:00～08:00采樣點(diǎn)個(gè)數(shù)，m=24；s為積日，即日期在年內(nèi)的序號，如1月1日積日，s為1，1月7日積日，s為7，閏年最大積日值為366。

4　輸入模型結(jié)構(gòu)優(yōu)化

基于歷史數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)模型預(yù)測系統(tǒng)中，輸入值為預(yù)測前1天或2天的歷史輻照度數(shù)據(jù)。由于影響輻照度的因素還有如大氣層散射、反射，大氣質(zhì)量，溫度，濕度等其他氣象要素，僅用一種歷史輻照度數(shù)據(jù)參數(shù)很難準(zhǔn)確表示同日類型輻照度變化規(guī)律，所以在模型輸入?yún)?shù)選擇上引入了輻照度均值、輻照度方差、溫度均值、積日等氣象參數(shù)。

為了驗(yàn)證輸入模型參數(shù)選擇、特征量提取對模型輸出誤差指標(biāo)的影響，本文建立了兩種輸入模型結(jié)構(gòu)。模型1為輸入數(shù)據(jù)為歷史輻照度gs,i，模型2的輸入數(shù)據(jù)為輻照度均值gjz、輻照度方差gf、積日s、溫度均值Tt等4維數(shù)據(jù)。

式中，Ts,i為i采樣點(diǎn)(時(shí)刻)的溫度。

5　基于日類型差異的模型輸出修正

5.1日類型與輻照度關(guān)系

在一年中，隨著地球公轉(zhuǎn)和自轉(zhuǎn)運(yùn)動(dòng)，地表外的輻照度呈現(xiàn)周期性的變化規(guī)律；而地表輻照度由于受大氣層云量、散射、反射等因素影響,呈現(xiàn)不同的變化特點(diǎn)。如在晴天、陰天時(shí)，地表輻射的變化規(guī)律類似地表外輻照度變化規(guī)律；而在降水量日類型下，地表輻照度變化和地表外輻照度變化存在較大差異。

地表外理論輻照度計(jì)算方法如下：

式中，K為日地距離修正系數(shù)；G0為太陽能常數(shù)，取1368 W/m2；δ為太陽赤緯角；φ為當(dāng)?shù)亟?jīng)度；ω為太陽時(shí)角。當(dāng)已知地點(diǎn)、日期、時(shí)間時(shí)，就可以求出理論輻射量。圖4為同期4類日類型實(shí)測輻照度和理論輻照度的對應(yīng)曲線圖。

圖4　4類日類型輻照度曲線

從圖4可看出，A、B日類型兩種天氣較好的地表輻照度與地表外輻照度的關(guān)聯(lián)性較強(qiáng)，其變化規(guī)律具有一定的相似性，所以利用這種同期同日類型在輻照度變化規(guī)律的相似性，引入日類型修正系數(shù)，可對預(yù)測模型輸出進(jìn)行修正。另外，對于同期同日類型某時(shí)刻輻照度值也存在一定的關(guān)聯(lián)性，如在同期7月的低降水量C日類型中，第7個(gè)采樣點(diǎn)(09:00)輻照度約為550 W/m2，可以提取歷史同期同日類型的輻照度均值對輸出模型進(jìn)行修正。

5.2日類型輸出修正方法

引入同期同日類型和輻照度變化關(guān)系，輻照度預(yù)測模型值修正方法為：輻照度預(yù)測值和歷史同期同日類型的輻照度均值進(jìn)行聯(lián)合加權(quán)。為了衡量日類型對各項(xiàng)權(quán)重指標(biāo)的影響，引入曝輻量參數(shù)和日類型修正系數(shù)。輻照度預(yù)測值權(quán)重取N天實(shí)際與理論曝輻量比值的均值，N=3；輻照度均值權(quán)重取日類型修正系數(shù)和當(dāng)天的實(shí)際與理論曝輻量的比值的乘積。最后，歸一化預(yù)測值權(quán)重和均值權(quán)重，得到基于日類型修正方法的輻照度預(yù)測模型。

式中，QS,J為輻照度修正后預(yù)測值；Gs,j為輻照度預(yù)測值；Kss_f為歸一化的模型預(yù)測值的修正權(quán)重；Ktt_f為歸一化的同期輻照度的修正權(quán)重；Ktt為輻照度均值權(quán)重；Kss為預(yù)測值的修正權(quán)重；Kff為實(shí)際與理論曝輻量的比值；Gi為同日類型歷史同時(shí)期的輻照度均值；Kr為日類型修正系數(shù)，針對4種不同天氣類型分別取1、0.6、0.2、0；n為天數(shù)，取3；m為一天中采樣點(diǎn)數(shù)，取24。

6　神經(jīng)網(wǎng)絡(luò)模型預(yù)測仿真分析

綜上分析，本文構(gòu)建了兩種不同輸入模型的基于日類型修正方法的BP神經(jīng)網(wǎng)絡(luò)輻照度預(yù)測模型，圖5為其流程圖。

圖5　輻照度預(yù)測修正方法流程圖

針對上述4種日類型，A、B類輻照度變化較平穩(wěn)，C、D類輻照度變化較劇烈。圖6給出了B、D兩種典型日類型預(yù)測輻照度、誤差曲線圖。表2給出了B、D兩種日類型在輸入模式1和輸入模式2無預(yù)測輸出修正情況下的誤差指標(biāo)，同時(shí)也給出了在輸入模式2有預(yù)測輸出修正情況下的誤差指標(biāo)。

圖6　輻照度預(yù)測誤差

對比輸出無改進(jìn)的預(yù)測模型，在預(yù)測模型輸入模型中引入溫度均值、輻照度均值、輻照度方差、積日等與輻照度直接相關(guān)的因子之后，在D日類型下，MABE從原0.08451降低到0.07905，R2從0.6852提升到0.8540；同時(shí)，采用輸入模型2時(shí)，采用預(yù)測輸出改進(jìn)方法，在D日類型下，MABE從原0.07905降低到0.07714，R2從0.8540提升到0.8806。從上述結(jié)果來看，采用基于日類型修正方法的BP神經(jīng)網(wǎng)絡(luò)輻照度預(yù)測模型提升了輻照度預(yù)測精度，能較好的提高不同日類型下的預(yù)測精度。

表2　預(yù)測模型的誤差指標(biāo)

7　結(jié)論

本文對現(xiàn)有基于歷史輻照度為輸入源的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了分析，結(jié)合輻照度直接相關(guān)因素，引入溫度均值、輻照度均值、輻照度方差、積日等特征參數(shù)，對神經(jīng)網(wǎng)絡(luò)輸入模型進(jìn)行了改進(jìn)；同時(shí)結(jié)合日類型對輻照度預(yù)測的影響，提出基于日類型差異的模型輸出修正方法。采用當(dāng)?shù)貙?shí)際歷史數(shù)據(jù)進(jìn)行仿真，結(jié)果表明，改進(jìn)后的預(yù)測模型在輸出MABE、RMSE、MBE、R2等各項(xiàng)誤差指標(biāo)上得到了提升，預(yù)測精度得到了較好改善。由于輻照度與氣象較多參數(shù)存在的關(guān)聯(lián)，本文只對有限的氣象參數(shù)進(jìn)行了研究，因此神經(jīng)網(wǎng)絡(luò)輸入模型參數(shù)選取還有待挖掘和改進(jìn)；另外，在預(yù)測模型輸出值的修正過程中，權(quán)重修正方式、修正系數(shù)的選取及優(yōu)化是影響修正效果的重要因素，應(yīng)此對預(yù)測值的修正方式還有待進(jìn)一步研究。

[1] 中華人民共和國國家能源局. 國家能源局發(fā)布2014年光伏產(chǎn)業(yè)發(fā)展情況[EB/OL]. http://www.nea.gov.cn/2015-03/30/ c_134108941.htm. 2015-03.

[2] 王飛. 并網(wǎng)型光伏電站發(fā)電功率預(yù)測方法與系統(tǒng)[D]. 北京:華北電力大學(xué)電氣與電子工程學(xué)院, 2013.

[3] 曹雙華, 曹家樅. 太陽逐時(shí)總輻射混沌優(yōu)化神經(jīng)網(wǎng)絡(luò)預(yù)測模型研究[J]. 太陽能學(xué)報(bào), 2006, 27(2): 164－169.

[4] 王曉蘭, 葛鵬江. 基于相似日和徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的光伏陣列輸出功率預(yù)測[J]. 電力自動(dòng)化設(shè)備, 2013, 33(1): 100－103, 109.

[5] 焦李成. 神經(jīng)網(wǎng)絡(luò)系統(tǒng)理論[M]. 西安: 西安電子科技大學(xué)出版社, 1996.

[6] 王哲. 基于ANN和時(shí)間周期性的光伏電站輻照度預(yù)測研究[D]. 北京: 華北電力大學(xué)電氣與電子工程學(xué)院, 2012.

[7] 張嵐, 張艷霞, 郭嫦敏, 等. 基于神經(jīng)網(wǎng)絡(luò)的光伏系統(tǒng)發(fā)電功率預(yù)測[J]. 中國電力, 2010, 49(9): 75－78.

[8] 馬金玉. 中國地面太陽輻射長期變化特征及短期預(yù)報(bào)方法研究[D]. 南京: 南京信息工程大學(xué), 2013.

[9] 張佳偉. 光伏并網(wǎng)發(fā)電系統(tǒng)短期發(fā)電功率預(yù)測研究[D]. 南京: 南京信息工程大學(xué), 2013.

[10] 米增強(qiáng), 王飛, 楊光, 等. 光伏電站輻照度ANN預(yù)測及其兩維變尺度修正方法[J]. 太陽能學(xué)報(bào), 2013, 34(2): 251－258.

2016-04-19

衢州市科技計(jì)劃項(xiàng)目(2014Y019)；2015年浙江省自然科學(xué)基金(Y15B020047)

廖東進(jìn)(1979—)，男，碩士、副教授，主要從事光伏發(fā)電方面的研究。liaodongjin@126.com