基于BP神經網絡的光伏電站輻照度預測研究

衢州職業技術學院信息工程學院 ■ 廖東進劉曉龍

基于BP神經網絡的光伏電站輻照度預測研究

衢州職業技術學院信息工程學院 ■ 廖東進*劉曉龍

由于現有神經網絡輻照度預測模型的輸入變量多為輻照度的歷史數據問題,為了更準確衡量輻照度的變換關系，引入其他與輻照度相關因子作為模型輸入變量，提高模型預測性能；其次，根據同期同日類型的輻照度變化關聯性，對輻照度預測模型提出了由輻照度預測值和輻照度均值組成的加權修正方法，輻照度預測值權重為N天實際與理論曝輻量比值的均值，輻照度均值權重為日類型修正系數和當天實際與理論曝輻量比值的乘積；最后歸一化權重，構建了基于日類型的神經網絡輻照度預測模型。采用本地歷史數據進行仿真，結果驗證了改進輸入模型的合理性和輸出模型的有效性。

光伏電站；輻照度；功率預測；神經網絡

0　引言

截至2014年底，我國光伏電站累計安裝量超28 GW，增長速度超60%。2014年光伏發電量約250億kWh，同比增長超過200%[1]。隨著我國光伏電站規模不斷擴大推廣，提高光伏電站輻照度預測精度將有利于功率預測及電網安全調度與電網運行。

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

1　輻照度預測研究現狀

由于神經網絡算法具有自適應學習、大數據處理等特點，在輻照度預測等方面得到了較好的應用；文獻[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天的預測模型；文獻[4]以歷史云量、預報信息作為模型輸入，采用小波神經網絡模型，建立預測模型；文獻[5]以輻射曝輻量為模型輸入，建立了小波神經網絡預測模型；文獻[6]以各類氣象參數、地理信息等參數為模型輸入，建立太陽逐時輻射量預測模型；文獻[7]以歷史氣象數據、氣象狀態為模型輸入，建立了相似日輻照度預測模型。

研究表明，采用神經網絡算法和其他算法相結合能取得較好的輻照度預測效果，但在神經網絡模型輸入及輸出修正方面還有待改進。主要表現為：1)僅利用同期同日類型的歷史輻照度數據作為模型輸入，不能全面描述該日類型的輻照度變換規律，輸入模型的參數選擇和特征提取有待改進；2)輻照度預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。

為了實現輻照度預測，本文采用自適應學習機理的BP神經網絡算法，并在預測模型的輸入及輸出修正上進行了改進。首先，分析模型輸入變量的選擇、特征提取對模型輸出預測誤差指標的影響；其次，針對日類型對輻照度變化的影響性和相似性特性，提出模型預測值的加權修正方法。

2　研究對象

本文實際測量和驗證數據測試點為衢州職業技術學院100 kW分布式光伏電站，地理坐標為東經118°01′，北緯28°14′，光伏電站位于樓頂。圖1、圖2為實測地理信息和設備情況。

圖1　實測地理信息

圖2　氣象測量設備

氣象參數測量設備型號為錦州陽光PC-4-A，可測量當地環境溫度、濕度、露點溫度、風速、輻射、日照時數等氣象參數，測量精度為0.5 h。

3　基于歷史輻照度數據的神經網絡模型構建

3.1神經網絡模型

神經網絡分為反饋網絡(Feedback NNs)、前向網絡(Feedforward NNs)、自組織網絡(Selforganizing NNs) 3大類。其中，一種按誤差逆傳播算法訓練的BP(Back Propagation)神經網絡在輻照度預測領域中效果較好[8]。

BP神經網絡模型由輸入層、隱含層和輸出層構成，根據輻照度預測模型，其學習過程為輻照度樣本信號的正向學習過程和輻照度誤差的反向學習過程。

首先，將輻照度樣本送入輸入層，經過隱含層學習處理后，送往輸出層；將輸出值和預期結果進行比較，如果不符合，將進入輻照度誤差的反向學習過程，分攤給各層所有單元，修正各單元權值，產生新的模型輸出，如果誤差不符，繼續反向循環，直到誤差滿足期望值要求。其模型結構及學習過程如圖3所示。

圖3　BP神經網絡的一般結構

3.2模型輸入參數

為了保證BP神經網絡模型數據挖掘能力和預測精度，輸入模型參數不宜過多也不宜過少，過多會影響模型數據挖據，過少會影響模型預測精度。基于歷史輻照度數據的BP神經網絡模型輸入為太陽輻照度歷史數據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電，故預測數據的輸入和輸出為06:00～18:00，精度0.5 h，歷史輻照度數據量為24個(06:00和18:00合一個數據)。

3.3日類型分類

為了BP神經網絡模型的有效學習，保證輻照度預測的準確性，將一年的日類型劃分為4類。具體劃分內容如表1所示。

表1　日類型對照表

3.4隱含層及輸出層結構設計

基于歷史輻照度數據的神經網絡模型釆用前一個同日類型的24個歷史輻照度作為輸入，輸入層神經元數目依據輸入維數和輸出而定。

在神經網絡隱含層層數設計上，為了獲取任意非線性映射關系，單隱含層的神經元數目要求較多，但其計算效率會隨神經元數量的增加而急劇下降，故層數設計為兩層。

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

式中，Gs,i為輻照度預測值；gs,i為輻照度實測值，i為采樣點，表示時間，i=1,…, m，其中m為06:00～08:00采樣點個數，m=24；s為積日，即日期在年內的序號，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　輸入模型結構優化

基于歷史數據的神經網絡模型預測系統中，輸入值為預測前1天或2天的歷史輻照度數據。由于影響輻照度的因素還有如大氣層散射、反射，大氣質量，溫度，濕度等其他氣象要素，僅用一種歷史輻照度數據參數很難準確表示同日類型輻照度變化規律，所以在模型輸入參數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。

為了驗證輸入模型參數選擇、特征量提取對模型輸出誤差指標的影響，本文建立了兩種輸入模型結構。模型1為輸入數據為歷史輻照度gs,i，模型2的輸入數據為輻照度均值gjz、輻照度方差gf、積日s、溫度均值Tt等4維數據。

式中，Ts,i為i采樣點(時刻)的溫度。

5　基于日類型差異的模型輸出修正

5.1日類型與輻照度關系

在一年中，隨著地球公轉和自轉運動，地表外的輻照度呈現周期性的變化規律；而地表輻照度由于受大氣層云量、散射、反射等因素影響,呈現不同的變化特點。如在晴天、陰天時，地表輻射的變化規律類似地表外輻照度變化規律；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算方法如下：

式中，K為日地距離修正系數；G0為太陽能常數，取1368 W/m2；δ為太陽赤緯角；φ為當地經度；ω為太陽時角。當已知地點、日期、時間時，就可以求出理論輻射量。圖4為同期4類日類型實測輻照度和理論輻照度的對應曲線圖。

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聯性較強，其變化規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律的相似性，引入日類型修正系數，可對預測模型輸出進行修正。另外，對于同期同日類型某時刻輻照度值也存在一定的關聯性，如在同期7月的低降水量C日類型中，第7個采樣點(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系，輻照度預測模型值修正方法為：輻照度預測值和歷史同期同日類型的輻照度均值進行聯合加權。為了衡量日類型對各項權重指標的影響，引入曝輻量參數和日類型修正系數。輻照度預測值權重取N天實際與理論曝輻量比值的均值，N=3；輻照度均值權重取日類型修正系數和當天的實際與理論曝輻量的比值的乘積。最后，歸一化預測值權重和均值權重，得到基于日類型修正方法的輻照度預測模型。

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

6　神經網絡模型預測仿真分析

綜上分析，本文構建了兩種不同輸入模型的基于日類型修正方法的BP神經網絡輻照度預測模型，圖5為其流程圖。

圖5　輻照度預測修正方法流程圖

針對上述4種日類型，A、B類輻照度變化較平穩，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無預測輸出修正情況下的誤差指標，同時也給出了在輸入模式2有預測輸出修正情況下的誤差指標。

圖6　輻照度預測誤差

對比輸出無改進的預測模型，在預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，采用輸入模型2時，采用預測輸出改進方法，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。從上述結果來看，采用基于日類型修正方法的BP神經網絡輻照度預測模型提升了輻照度預測精度，能較好的提高不同日類型下的預測精度。

表2　預測模型的誤差指標

7　結論

本文對現有基于歷史輻照度為輸入源的BP神經網絡模型進行了分析，結合輻照度直接相關因素，引入溫度均值、輻照度均值、輻照度方差、積日等特征參數，對神經網絡輸入模型進行了改進；同時結合日類型對輻照度預測的影響，提出基于日類型差異的模型輸出修正方法。采用當地實際歷史數據進行仿真，結果表明，改進后的預測模型在輸出MABE、RMSE、MBE、R2等各項誤差指標上得到了提升，預測精度得到了較好改善。由于輻照度與氣象較多參數存在的關聯，本文只對有限的氣象參數進行了研究，因此神經網絡輸入模型參數選取還有待挖掘和改進；另外，在預測模型輸出值的修正過程中，權重修正方式、修正系數的選取及優化是影響修正效果的重要因素，應此對預測值的修正方式還有待進一步研究。

[1] 中華人民共和國國家能源局. 國家能源局發布2014年光伏產業發展情況[EB/OL]. http://www.nea.gov.cn/2015-03/30/ c_134108941.htm. 2015-03.

[2] 王飛. 并網型光伏電站發電功率預測方法與系統[D]. 北京:華北電力大學電氣與電子工程學院, 2013.

[3] 曹雙華, 曹家樅. 太陽逐時總輻射混沌優化神經網絡預測模型研究[J]. 太陽能學報, 2006, 27(2): 164－169.

[4] 王曉蘭, 葛鵬江. 基于相似日和徑向基函數神經網絡的光伏陣列輸出功率預測[J]. 電力自動化設備, 2013, 33(1): 100－103, 109.

[5] 焦李成. 神經網絡系統理論[M]. 西安: 西安電子科技大學出版社, 1996.

[6] 王哲. 基于ANN和時間周期性的光伏電站輻照度預測研究[D]. 北京: 華北電力大學電氣與電子工程學院, 2012.

[7] 張嵐, 張艷霞, 郭嫦敏, 等. 基于神經網絡的光伏系統發電功率預測[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報方法研究[D]. 南京: 南京信息工程大學, 2013.

[9] 張佳偉. 光伏并網發電系統短期發電功率預測研究[D]. 南京: 南京信息工程大學, 2013.

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

2016-04-19

衢州市科技計劃項目(2014Y019)；2015年浙江省自然科學基金(Y15B020047)

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