徐新衛(wèi)++滕翔++邵瑞瑞++丁敬安

[摘 要] 光伏系統(tǒng)的輸出電量由于受太陽日照量、氣候、光伏組件材料等多種因素影響而是一個(gè)非線性的變化量，因此對其輸出電量的準(zhǔn)確預(yù)測可以提高光伏系統(tǒng)并網(wǎng)后電網(wǎng)的穩(wěn)定性及安全性。在模擬實(shí)驗(yàn)中，將模擬數(shù)據(jù)按春、夏、冬三季進(jìn)行劃分從而確定了規(guī)則層的節(jié)點(diǎn)數(shù)為三，進(jìn)而推導(dǎo)出模糊化層和去模糊化層的節(jié)點(diǎn)數(shù)，在訓(xùn)練過程中通過梯度下降法來更新模糊神經(jīng)網(wǎng)絡(luò)各層的參數(shù)，得到一個(gè)符合要求的預(yù)測網(wǎng)絡(luò)。將用于測試的數(shù)據(jù)輸入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中，用來驗(yàn)證該方法的有效性。

[關(guān)鍵詞] 光伏系統(tǒng)；發(fā)電量預(yù)測；模糊神經(jīng)網(wǎng)絡(luò)

doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2017. 13. 077

[中圖分類號] TM615 [文獻(xiàn)標(biāo)識碼] A [文章編號] 1673 - 0194（2017）13- 0180- 04

0 引 言

目前光伏發(fā)電量預(yù)測的方法主要有神經(jīng)網(wǎng)絡(luò)法、灰色預(yù)測法、多元線性分析法這三種方法，通過對這三種預(yù)測模型進(jìn)行比較，發(fā)現(xiàn)多元線性回歸和灰色理論雖然方法較為簡單，但是預(yù)測誤差也較大，而神經(jīng)網(wǎng)絡(luò)法預(yù)測則可以比較準(zhǔn)確但是預(yù)測過程較為繁雜。在基于神經(jīng)網(wǎng)絡(luò)的預(yù)測中，多是以傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)模型，在此基礎(chǔ)上采用一些新的方法對BP網(wǎng)絡(luò)加以改進(jìn)。例如在BP網(wǎng)絡(luò)的學(xué)習(xí)過程中采用Fletcher-Reeves共軛梯度算法，可以提高學(xué)習(xí)率，部分地簡化了預(yù)測過程，但輸入量過多，且預(yù)測的局限性較大。

在對比了眾多方法的優(yōu)缺點(diǎn)之后，發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)普遍存在中間隱層數(shù)難以確定、輸入數(shù)據(jù)量過多，且學(xué)習(xí)時(shí)間過長等劣勢。因此本文提出了一種基于模糊神經(jīng)網(wǎng)絡(luò)的預(yù)測模型，所選取的輸入量是和當(dāng)天的發(fā)電量相關(guān)程度比較大的當(dāng)天的平均氣溫以及當(dāng)天的總?cè)照樟?，模糊神?jīng)網(wǎng)絡(luò)的結(jié)構(gòu)是由大量的先驗(yàn)知識而設(shè)計(jì)出來的。在不影響預(yù)測精度的情況下，為了降低整個(gè)網(wǎng)絡(luò)的復(fù)雜程度，對整個(gè)網(wǎng)絡(luò)的模糊化層中的隸屬度函數(shù)及去模糊化層的輸出函數(shù)都做了適當(dāng)?shù)淖兓?，解決了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)收斂速度慢的問題，從而使整個(gè)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡潔，訓(xùn)練速度較快，且預(yù)測精度較高。

1 模糊神經(jīng)網(wǎng)絡(luò)

模糊神經(jīng)網(wǎng)絡(luò)是在神經(jīng)網(wǎng)絡(luò)和模糊系統(tǒng)的基礎(chǔ)上發(fā)展起來的，在模糊神經(jīng)網(wǎng)絡(luò)出現(xiàn)之前，神經(jīng)網(wǎng)絡(luò)與模糊系統(tǒng)都已有了多年的研究歷史，都有著較完備的理論基礎(chǔ)。

模糊神經(jīng)網(wǎng)絡(luò)是一種將模糊邏輯推理的知識性結(jié)構(gòu)和神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力結(jié)合起來的一種局部逼近網(wǎng)絡(luò)，融合彌補(bǔ)了神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)處理方面的不足和模糊邏輯在學(xué)習(xí)方面的缺陷，是一個(gè)集語言計(jì)算、邏輯推理、分布式處理和非線性動力學(xué)過程為一身的系統(tǒng)。因此，它具有處理不確定信息的模糊推理能力和依據(jù)樣本數(shù)據(jù)進(jìn)行學(xué)習(xí)的能力。模糊神經(jīng)網(wǎng)絡(luò)主要利用神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)來實(shí)現(xiàn)模糊推理，從而使神經(jīng)網(wǎng)絡(luò)的權(quán)值具有在模糊邏輯中推理參數(shù)的物理意義。

常見的模糊神經(jīng)網(wǎng)絡(luò)有基于Mamdani推理的和基于Takgai-Sugeno推理的這兩種模糊神經(jīng)網(wǎng)絡(luò)?；贛amdani推理的模糊神經(jīng)網(wǎng)絡(luò)多用于模糊邏輯控制器、模糊邏輯決策系統(tǒng)、模糊邏輯辨識系統(tǒng)等方面；基于Takgai-Sugeno推理的模糊神經(jīng)網(wǎng)絡(luò)則是一種非線性模型，宜于表達(dá)復(fù)雜系統(tǒng)的動態(tài)特性。光伏系統(tǒng)的發(fā)電量由于受日照量、溫度、濕度、材料轉(zhuǎn)換率等多方面因素的影響，因此，光伏系統(tǒng)的輸出是一個(gè)不穩(wěn)定的非線性變化的動態(tài)工程，所以本文所采用的就是基于Takgai-Sugeno推理的模糊神經(jīng)網(wǎng)絡(luò)（簡稱TS模糊神經(jīng)網(wǎng)絡(luò)）。

2 TS模糊神經(jīng)網(wǎng)絡(luò)

2.1 TS模糊邏輯

在TS模糊邏輯系統(tǒng)中，模糊規(guī)則有著如下的特殊形式：

R（1）：if x1 is F1l，…，if xnis Fnl then

y l=P0l+P1lx1+…+Pnlxn

3 預(yù)測模型的建立

3.1 輸入量的確定

光伏電池之所以能發(fā)電，是由于當(dāng)陽光照射到半導(dǎo)體材料的太陽能電池板上時(shí)，光能被吸收在太陽能電池內(nèi)，并且產(chǎn)生電子（-）和空穴（+），而負(fù)價(jià)的電子多向n型聚集，正價(jià)的空穴多向p型聚集，因此，將太陽能電池的正面和背面接上電極與燈泡等負(fù)荷連接，就能產(chǎn)生電流。因此，日照量是影響光伏發(fā)電發(fā)電量的重要因素之一，所以日照量應(yīng)作為輸入量之一。此外光伏發(fā)電的發(fā)電量還受溫度、濕度、安裝角度、材料轉(zhuǎn)換率等眾多因素的影響，在這眾多因素中，溫度對光伏發(fā)電量的影響是較大的，因此將溫度作為另一個(gè)輸入量輸入到預(yù)測模型中。

本文的輸入量為日照量與溫度組成的一個(gè)2×1的列向量，因?yàn)楸疚乃A(yù)測的是晴天一整日的發(fā)電量（單位kW·h/日），因此，日照量取一整日的日照量（單位kW·h/日），溫度取一整日的平均溫度（單位℃）。若輸入向量用x表示，一整天的日照量用h表示，溫度用t表示，則輸入量可表示為下面的形式：

x=[h，t]T

3.2 TS型模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與初始參數(shù)的確定

本文是針對全年晴天的當(dāng)天發(fā)電量做出預(yù)測的，所以按季節(jié)劃分將全年的數(shù)據(jù)劃分成了春、夏、冬，由于秋天的日照量與溫度和春天的接近，所以在本文中并沒有單獨(dú)列出秋季，而是只按春、夏、冬三季的數(shù)據(jù)來建模預(yù)測。

由已有的先驗(yàn)知識，可將數(shù)據(jù)按照春、夏、冬三季進(jìn)行劃分，所以模糊神經(jīng)網(wǎng)絡(luò)的規(guī)則層的隱層節(jié)點(diǎn)數(shù)也就為三，由于規(guī)則層已經(jīng)確定，故可以知道模糊化層與去模糊化層的隱層節(jié)點(diǎn)數(shù)均為三個(gè)，因此可知本文的模糊神經(jīng)網(wǎng)絡(luò)的預(yù)測模型結(jié)構(gòu)如圖2所示。

3.3 TS型模糊神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法

設(shè)有輸入、輸出樣本為{（xl，dl），l=1，2，…，L}，在這里L(fēng)表示訓(xùn)練樣本的數(shù)量，為輸入向量，在本文中表示由當(dāng)天日照量與當(dāng)天平均溫度組成的一個(gè)2×1的列向量。將網(wǎng)絡(luò)誤差E設(shè)為：

E=■（yl-dl）2-||y-d|22

其中，y=[y1，y2，…，yL]T，表示神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出；d=[d1，d2，…dL]T，表示神經(jīng)網(wǎng)絡(luò)的期望輸出；||.|2表示向量的2范數(shù)。

本文中，在不影響結(jié)果的前提下，為了降低神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的復(fù)雜度，故將隸屬度函數(shù)變?yōu)椋?/p>

ωij=exp-■（bij（xil-cij））2

將神經(jīng)網(wǎng)絡(luò)的輸出函數(shù)變?yōu)椋?/p>

yl =■ωij=（p0j+p1jx1l+…+pnjxnl）

因?yàn)楸疚氖窃贛ATLAB中進(jìn)行編程預(yù)測，所以將各種數(shù)據(jù)都表示成矩陣的形式，通過對矩陣的處理，使模糊神經(jīng)網(wǎng)絡(luò)的理解難度和操作難度都大大降低，因此，規(guī)定X=[x1，x2，…，xL]表示輸入樣本組成的n×L維矩陣；Ω=[ω1，ω2，…，ωL]表示輸入樣本X的隸屬度函數(shù)值ωl j所組成的m×L維矩陣；P=[p0，p1，…，pn]表示線性系數(shù)pi j所組成的m×（n+1）維矩陣；C=[c1，c2，…，cm]表示中心ci j所組成的n×m維矩陣；B=[b1，b2，…，bm]表示中心寬度bi j所組成的n×m維矩陣。

在訓(xùn)練神經(jīng)網(wǎng)絡(luò)時(shí)，首先計(jì)算隸屬度函數(shù)值ωl j所組成的矩陣Ω=[ω1，ω2，…，ωL]，在此基礎(chǔ)上計(jì)算神經(jīng)網(wǎng)絡(luò)的輸出y及相應(yīng)的誤差E；然后計(jì)算誤差E對系數(shù)矩陣P，B，C的偏導(dǎo)數(shù)，根據(jù)梯度下降法更新P，B，C；最后利用P，B，C來更新Ω，E等參數(shù)。如果未達(dá)到退出條件，則繼續(xù)迭代，達(dá)到了，則退出整個(gè)迭代過程，最終，就可以完成整個(gè)模糊神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。在MATLAB中矩陣P和B的初始值可以由normrnd函數(shù)隨機(jī)生成，而矩陣C則可以由kmeans函數(shù)得到相應(yīng)的初始聚類中心，通過訓(xùn)練數(shù)據(jù)的學(xué)習(xí)過程，得到一個(gè)符合要求的模糊神經(jīng)網(wǎng)絡(luò)。

4 預(yù)測模型的訓(xùn)練與結(jié)果分析

為了使模糊神經(jīng)網(wǎng)絡(luò)的訓(xùn)練有較高的精度，需要大量的數(shù)據(jù)對模型進(jìn)行評估訓(xùn)練，本次模擬采用了120組數(shù)據(jù)進(jìn)行預(yù)測，其中90組作為訓(xùn)練樣本，30組作為測試樣本，所用的數(shù)據(jù)均是隨機(jī)模擬5kW光伏逆變器日發(fā)電量數(shù)據(jù)， 在訓(xùn)練過程中，共取了90組數(shù)據(jù)來訓(xùn)練，因此L=90；而規(guī)則數(shù)共有3條，因此這里m=3；而輸入的是有溫度與日照量組成的兩行一列的列向量，因此n=2；為了使訓(xùn)練結(jié)果更加精確化，這里設(shè)置的最大迭代步數(shù)為1 000，迭代步長為0.001，圖3是訓(xùn)練預(yù)測結(jié)果與實(shí)際結(jié)果的折線圖。

在圖中，實(shí)線表示預(yù)測輸出，用“+”表示實(shí)際輸出，而用虛線表示實(shí)際輸出與預(yù)測輸出之間的差值，從圖中可以明顯看出訓(xùn)練好的模糊神經(jīng)網(wǎng)絡(luò)符合要求。隨后，再將用于測試的數(shù)據(jù)帶入已訓(xùn)練好的模糊神經(jīng)網(wǎng)絡(luò)中，結(jié)果如圖4所示。

圖4是用于測試的數(shù)據(jù)的實(shí)際輸出與預(yù)測輸出的比較，“+”表示實(shí)際輸出，實(shí)線表示預(yù)測輸出，虛線表示實(shí)際輸出與預(yù)測輸出的差值。從預(yù)測的結(jié)果來看，相較于傳統(tǒng)的預(yù)測方法來說，本文所提出的模糊神經(jīng)網(wǎng)絡(luò)的預(yù)測方法，不論是在預(yù)測精度上還是在訓(xùn)練收斂速度上，都有一定程度的提高，雖說本文的原始數(shù)據(jù)并非實(shí)測數(shù)據(jù)，但是本文所用的數(shù)據(jù)皆是參考了大量資料之后擬合出的數(shù)據(jù)，所以有實(shí)際參考價(jià)值。

5 結(jié) 語

為了提高光伏并網(wǎng)系統(tǒng)的穩(wěn)定性與安全性，本文提出了一種基于模糊神經(jīng)網(wǎng)絡(luò)的電量預(yù)測模型。根據(jù)光伏系統(tǒng)的發(fā)電原理與大量的研究資料，確定了以每一天的日照量與平均溫度為整個(gè)系統(tǒng)的輸入量，來對這一整天的光伏系統(tǒng)的發(fā)電量做出預(yù)測，并且根據(jù)已有的先驗(yàn)知識與相關(guān)理論，確定了本文所用的模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。再通過擬合的符合實(shí)際的數(shù)據(jù)來訓(xùn)練整個(gè)模型，最后通過一組測試數(shù)據(jù)來測試本預(yù)測模型是否達(dá)到要求。實(shí)驗(yàn)結(jié)果表明，本模型能較為準(zhǔn)確地預(yù)測出光伏發(fā)電系統(tǒng)一整天的發(fā)電量，具有一定的工程應(yīng)用價(jià)值。

主要參考文獻(xiàn)

[1]李光明，廖華，李景天，等.并網(wǎng)光伏發(fā)電系統(tǒng)發(fā)電量預(yù)測方法的探討[J].云南師范大學(xué)學(xué)報(bào)：自然科學(xué)版，2011，31（2）：33-38.

[2]楊柳寧，孫以澤，孟婥，等.基于改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)的光伏組件發(fā)電量預(yù)測模型設(shè)計(jì)[J].水電能源科學(xué)，2013，31（9）：243-246.