劉佳林李剛王騰飛

?

基于Elman神經(jīng)網(wǎng)絡(luò)模型的短期光伏發(fā)電功率預(yù)測(cè)

劉佳林1，李剛1，2，3，王騰飛1

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

為提高光伏發(fā)電功率的預(yù)測(cè)精度，使電力行業(yè)充分、合理地利用太陽(yáng)能資源，提出一種基于Elman神經(jīng)網(wǎng)絡(luò)模型的短期光伏發(fā)電功率預(yù)測(cè)方法。將歷史數(shù)據(jù)細(xì)分為不同季節(jié)、不同天氣類型的多個(gè)子集，通過計(jì)算氣象特征向量間的歐式距離選取相似日，建立Elman神經(jīng)網(wǎng)絡(luò)，對(duì)三種不同季節(jié)和天氣類型條件下的光伏發(fā)電功率分別進(jìn)行預(yù)測(cè)。結(jié)果表明，預(yù)測(cè)模型在晴天條件下有較高預(yù)測(cè)精度，對(duì)提高光伏發(fā)電功率的預(yù)測(cè)效果有一定的參考價(jià)值。

光伏發(fā)電；功率預(yù)測(cè)；相似日；Elman神經(jīng)網(wǎng)絡(luò)

光伏發(fā)電功率預(yù)測(cè)一直是國(guó)內(nèi)外研究的熱點(diǎn)，準(zhǔn)確預(yù)測(cè)光伏功率，可以為電力調(diào)度提供重要的決策支持，有利于保障電網(wǎng)的安全運(yùn)行，更能有效降低電力系統(tǒng)運(yùn)營(yíng)成本，使電力行業(yè)充分、合理利用太陽(yáng)能資源，從而獲得更大的經(jīng)濟(jì)效益和社會(huì)效益[1]。文獻(xiàn)[1]選用雙層BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)光伏發(fā)電功率，相比普通的BP神經(jīng)網(wǎng)絡(luò)有較好的預(yù)測(cè)精度，但仍然存在網(wǎng)絡(luò)收斂速度慢、無反饋調(diào)節(jié)和易陷入局部最優(yōu)等問題。文獻(xiàn)[2]選取太陽(yáng)輻照強(qiáng)度、輻照時(shí)長(zhǎng)、氣溫等指標(biāo)作為相似日的氣象特征，然后對(duì)每一類相似日建立粒子群算法，以優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)的模型進(jìn)行光伏功率預(yù)測(cè)。該方法雖對(duì)氣象信息進(jìn)行分類，但分類較為粗糙。文獻(xiàn)[3]通過組合權(quán)重系數(shù)計(jì)算相似日，預(yù)測(cè)日的輸出功率由相似日的輸出功率按不同權(quán)重系數(shù)加權(quán)而得。實(shí)例分析表明，該方法有較高的準(zhǔn)確性，但無法適用于天氣狀況發(fā)生突變的情況。

文獻(xiàn)研究結(jié)果表明，在光伏發(fā)電功率的預(yù)測(cè)模型中，輸入不同天氣類型的樣本集神經(jīng)網(wǎng)絡(luò)的訓(xùn)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(jìn)行歸類細(xì)分，分類后的訓(xùn)練樣本可以有效地提高模型的預(yù)測(cè)精度。Elman神經(jīng)網(wǎng)絡(luò)能夠在有限的時(shí)間內(nèi)逼近任意函數(shù)，其動(dòng)態(tài)記憶性能直接反映光伏輸出功率與影響因子的非線性、時(shí)變關(guān)系，且訓(xùn)練速度高于BP 網(wǎng)絡(luò)。

1 相似日的選取

按當(dāng)?shù)厝蛰椪諘r(shí)長(zhǎng)將全年劃分為春秋季、夏季、冬季，在劃分好的3個(gè)季節(jié)類別中根據(jù)晴天、多云（陰）、雨（雪沙）三種典型天氣類型再細(xì)分，這樣就可以得到同季節(jié)同天氣類型的9個(gè)小樣本集[4]。

光伏發(fā)電功率受諸多氣象因素影響，本文選取對(duì)功率影響較大的因素，例如輻照度、輻照時(shí)長(zhǎng)、氣溫、相對(duì)濕度來構(gòu)建氣象特征向量，構(gòu)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(duì)濕度，%；i為第日的輻照時(shí)長(zhǎng)。

根據(jù)預(yù)測(cè)日季節(jié)和天氣類型信息，在細(xì)分好的樣本集中根據(jù)歐氏距離0i來計(jì)算預(yù)測(cè)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(gè)數(shù)；0（）為預(yù)測(cè)日氣象特征向量；i（）為第個(gè)氣象特征向量。

通過式（2）的計(jì)算結(jié)果，選取與預(yù)測(cè)日相似度最高即歐氏距離最小的前10組歷史日數(shù)據(jù)作為相似日樣本集，在神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)使用。

2 Elman神經(jīng)網(wǎng)絡(luò)

Elman神經(jīng)網(wǎng)絡(luò)在一般前饋式網(wǎng)絡(luò)的基礎(chǔ)增加了一個(gè)承接層，是一種動(dòng)態(tài)遞歸神經(jīng)網(wǎng)絡(luò)。Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)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(quán)值[5]。承接層相當(dāng)于具有記憶特性的一步延時(shí)算子，使整個(gè)系統(tǒng)具有適應(yīng)時(shí)變特性的能力，從而達(dá)到動(dòng)態(tài)建模的目的。輸入層、輸出層、承接層的傳遞函數(shù)多為線性函數(shù)，例如purelin函數(shù)，隱含層的傳遞函數(shù)則多選用非線性函數(shù)，如Sigmoid函數(shù)。Elman神經(jīng)網(wǎng)絡(luò)采用與BP網(wǎng)絡(luò)相同的附加動(dòng)量的梯度下降反向傳播算法來修正權(quán)值閾值[6]。

圖1 Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

3 構(gòu)建Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型及實(shí)例預(yù)測(cè)

原始數(shù)據(jù)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(cè)光站采集的歷史實(shí)時(shí)氣象信息，結(jié)合中國(guó)氣象局網(wǎng)站的歷史氣象信息，對(duì)奇異或缺失數(shù)據(jù)加以綜合修正，并對(duì)數(shù)據(jù)作歸一化處理，消除量綱影響。

3.1 構(gòu)建預(yù)測(cè)模型

Elman神經(jīng)網(wǎng)絡(luò)基本參數(shù)設(shè)定如下：①建立四層網(wǎng)絡(luò)結(jié)構(gòu)。輸入層、輸出層和承接層函數(shù)為purelin函數(shù)，隱含層函數(shù)為tansig函數(shù)，訓(xùn)練函數(shù)為traingdx函數(shù)，學(xué)習(xí)函數(shù)為learndm函數(shù)，學(xué)習(xí)率為0.05，最大迭代次數(shù)2 500，誤差容限0.000 1.②輸入層節(jié)點(diǎn)數(shù)。輸入變量為氣象數(shù)據(jù)，選取每日輻照度、溫度、相對(duì)濕度的平均值和日照時(shí)長(zhǎng)共4個(gè)輸入節(jié)點(diǎn)。③輸出層節(jié)點(diǎn)數(shù)。輸出變量為功率數(shù)據(jù)，選用07：00—20：00時(shí)段每隔30 min的功率數(shù)據(jù)共27個(gè)輸出節(jié)點(diǎn)。④隱含層節(jié)點(diǎn)數(shù)。本文先根據(jù)經(jīng)驗(yàn)公式取得估計(jì)值，再由網(wǎng)絡(luò)多次訓(xùn)練，選取誤差最小的隱含層節(jié)點(diǎn)數(shù)[7]，選取最終隱含層節(jié)點(diǎn)數(shù)為12.因此，Elman神經(jīng)網(wǎng)絡(luò)模型的最終結(jié)構(gòu)為4-12-27.

3.2 實(shí)例預(yù)測(cè)

假定將2014-10-06記為預(yù)測(cè)日，該天屬于春秋季節(jié)晴天天氣類型，按前述相似日計(jì)算方法在春秋季晴天數(shù)據(jù)集中計(jì)算所有歷史發(fā)電日與該預(yù)測(cè)日的氣象特征歐氏距離，選出最小的前10組數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)。為對(duì)比不同季節(jié)及天氣類型下的預(yù)測(cè)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(yù)測(cè)日分別進(jìn)行模型驗(yàn)證。選取均方根誤差、平均絕對(duì)百分比誤差評(píng)估光伏發(fā)電功率的預(yù)測(cè)結(jié)果，其計(jì)算式分別為：

式（3）中：i為預(yù)測(cè)值；i*為期望值。

預(yù)測(cè)結(jié)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(shí)刻，預(yù)測(cè)精度最高。

由多云和雨天的預(yù)測(cè)結(jié)果可知，Elman模型對(duì)于功率出現(xiàn)較大波動(dòng)時(shí)刻的數(shù)據(jù)點(diǎn)預(yù)測(cè)存在較大誤差，不能及時(shí)預(yù)測(cè)功率變化趨勢(shì)。不同天氣類型下3種模型的預(yù)測(cè)誤差如表1所示。

由表1可知，晴天類型下模型的預(yù)測(cè)效果較好，在15%以內(nèi)，在0.5 kW以內(nèi)，誤差在20%以內(nèi)的預(yù)測(cè)點(diǎn)數(shù)占到了70%，而雨天和多云條件下的均大于20%，也較大，總體預(yù)測(cè)效果不理想，誤差較大。

圖2 不同天氣類型下的預(yù)測(cè)對(duì)比

表1 不同天氣類型下3種模型的預(yù)測(cè)誤差

天氣類型誤差指標(biāo)誤差區(qū)間內(nèi)的預(yù)測(cè)點(diǎn)數(shù) 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(jié)論

本文首先分析了氣象因素對(duì)光伏發(fā)電功率的影響，將歷史數(shù)據(jù)根據(jù)不同季節(jié)和天氣類型細(xì)分為9組數(shù)據(jù)樣本集，通過計(jì)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(jīng)網(wǎng)絡(luò)模型并分3個(gè)子模型進(jìn)行了實(shí)例預(yù)測(cè)。結(jié)果表明，預(yù)測(cè)模型在晴天條件下有較高預(yù)測(cè)精度。本文使用Elman神經(jīng)網(wǎng)絡(luò)對(duì)不同天氣類型條件下分別細(xì)分子模型預(yù)測(cè)的方法進(jìn)行了研究，對(duì)提高光伏發(fā)電功率的預(yù)測(cè)效果具有一定的參考價(jià)值。

［1］艾格林，孫永輝，衛(wèi)志農(nóng)，等.基于MEA-Elman神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電功率短期預(yù)測(cè)［J］.電網(wǎng)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(fā)電系統(tǒng)短期出力預(yù)測(cè)［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(yù)測(cè)中的應(yīng)用研究［J］.華北電力大學(xué)學(xué)報(bào)，2014，41（04）：5-21.

［4］許洋.基于改進(jìn)PSO-Elman網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)［D］.天津：河北工業(yè)大學(xué)，2016.

［5］徐敏姣，徐青山，袁曉冬.基于改進(jìn)EMD及Elman算法的短期光伏功率預(yù)測(cè)研究［J］.現(xiàn)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(jīng)網(wǎng)絡(luò)的光伏輸出功率預(yù)測(cè)［J］.南京工程學(xué)院學(xué)報(bào)（自然科學(xué)版），2016，14（1）：42-47.

［7］陳通，孫國(guó)強(qiáng)，衛(wèi)志農(nóng)，等.基于相似日和CAPSO-SNN的光伏發(fā)電功率預(yù)測(cè)［J］.電力自動(dòng)化設(shè)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(yáng)人，在讀碩士研究生，主要研究方向?yàn)楣夥l(fā)電功率預(yù)測(cè)技術(shù)。

〔編輯：王霞〕