基于徑向神經網絡的光伏發電功率預測方法研究

楊瀅璇，畢德忠，王道浩，肖 帥

（1.國網遼寧省電力有限公司電力科學研究院，遼寧 沈陽 110006；2.遼寧東科電力有限公司，遼寧 沈陽 110179；3.東北大學，遼寧 沈陽 110819）

基于徑向神經網絡的光伏發電功率預測方法研究

楊瀅璇1，畢德忠2，王道浩3，肖 帥3

（1.國網遼寧省電力有限公司電力科學研究院，遼寧 沈陽 110006；2.遼寧東科電力有限公司，遼寧 沈陽 110179；3.東北大學，遼寧 沈陽 110819）

光伏發電輸出功率具有明顯的隨機性和不確定性，大規模光伏并網會影響電網系統的安全、穩定運行。因此，對光伏發電功率輸出進行短期的預測對光伏并網具有重要意義。以大數據分析Spearman秩相關系數為基礎，分析得到光伏發電過程中各個影響因素與輸出功率的秩相關度，并將相關度最高的影響因素作為預測系統變量輸入，建立基于RBF神經網絡的預測模型，對光伏發電的功率進行預測研究，通過變量和輸出量的歷史數據對RBF進行訓練與預測。

光伏發電；功率預測；RBF神經網絡；大數據分析

1 基于大數據的光伏發電影響因素分析

1.1 Spearman秩相關系數方法分析大數據

由于影響光伏發電輸出功率的因素較多，且隨機性較大，所以在對光伏發電進行預測時，必須清楚各個因素對輸出功率的影響大小，即相關度。考慮到傳統數據分析的缺陷，決定采用大數據分析得到更加準確的結果［1－3］。

本文采用的是基于統計與分析法中的spearman相關系數算法［4－5］。 spearman相關系數法采用秩相關 （rank correlation）來描述2個變量之間的線性或非線性關聯程度與方向，且這種算法對異常數據敏感度低，實用性較強。

在光伏發電實際工程中，系統輸出功率的計算公式為

式中：ηpv為光伏陣列的轉換效率；S為光伏陣列的總面積；Ir為光伏陣列接收到的太陽輻射強度；Tc為光伏組件板溫度。

通過式 （1）可知，影響光伏發電的因素較多，本文只分析主要影響因素以及隨機性較小的因素，即太陽輻射強度、環境溫度、天氣情況與風速。

假設考慮某一光伏發電影響因素X與輸出功率Y之間的相關性，則Spearman秩相關系數為

式中：Ri和Qi分別為影響因素與輸出功率的秩次；n為數據個數。

1.2 實例分析

根據Spearman秩相關系數的計算公式，對遼寧省電能發展股份有限公司2016年全年365天的光伏發電輸出功率與各影響因素的歷史數據進行相關性分析。

本文以光照強度為例，計算其與光伏發電輸出功率的秩相關系數。

a. 首先直接對光照強度數據進行編排，得n對觀察數據 （xi， yi）。

b. 采用趨勢數據法，減小輻射數據與輸出功率次序不一致的問題，即采用相鄰數據的變化率進行優化。

c. 提取變化率dxi的正負表示變化趨勢 （1表示增大，0表示為0，－1表示減小），得到變化趨勢數據 ｛mi｝， 然后對其進行編排秩次得到數據 ｛pi｝， 同理得到光伏發電的輸出功率的趨勢秩數據 ｛qi｝。

d.比較2個連續變量 ｛pi，qi｝ 的趨勢秩可以判別2個變量 （xi，yi）在變化趨勢上的相關性。具體流程如圖1所示。

圖1 秩相關計算流程

同理，通過風速v，環境溫度T對光伏發電輸出功率P進行Spearman秩相關系數計算，部分原始數據如表1所示，得到的結果如表2所示。

表1 部分原始數據

表2 Spearman秩相關系數分析結果

通過Spearman秩相關系數可以看出，對光伏發電輸出功率影響最大的是光照強度和環境溫度2個變量，但是為了進一步驗證其可靠性，還需要進行仿真驗證。

2 RBF神經網絡

通過前面的分析，得到與輸出功率相關度最高的因素，現以這些因素的數據作為預測系統中的輸入變量，以輸出功率作為系統的因變量，建立RBF的預測模型。

RBF神經網絡是一種3層前向網絡，分別是輸入層、隱含層與輸出層，具體結構如圖2所示。

由圖2可知，將隱函數中心向量C與輸入X之間的距離差作為神經元激活函數的輸入，本文采用高斯函數作為隱含層節點激活函數，則隱含層輸出為

圖2 神經網絡3層結構

式中：ci是第i個基函數的中心；δi是第i個感知變量； ‖ci－x‖是 ci－x 的范數。

進而隱含層到輸出層之間的線性映射可以表示為

式中：wik為網絡的輸出權值；N是輸出節點數。

RBF神經網絡的本質就是確定輸入信息與連接權值，使得模型在訓練時得到的預測結果更接近于實際值。

3 仿真算例

3.1 訓練樣本的選擇

通過前面分析得到影響光伏發電功率最大的2個因素是光照強度和溫度，由于這2個因素受季節和天氣影響較大，所以在進行樣本選擇時，應當具有時間性與類型性。即需要對不同季節、不同月份進行單獨建模，通過樣本的訓練得到每個月不同的RBF神經網絡模型。這樣才能提高預測的精準度，同時也更加符合實際的預測需求。

3.2 預測模型的建立

本文根據需要選取MATLAB中的RBF神經網絡工具箱中的newrb（）函數進行RBF神經網絡數據的訓練，以sim（）作為RBF神經網絡預測系統中的預測函數。模型的函數選擇完畢后，即可進行樣本數據的采集。

本文對沈陽5月份不同天氣情況下的數據進行采集，得到部分數據如表3、表4所示。

表3 RBF晴天訓練數據

表4 RBF陰天訓練數據

根據不同天氣的數據，導入到RBF神經網絡程序的訓練端口，進行RBF神經網絡的訓練，并以此來預測之后的光伏發電輸出功率。其具體程序流程如圖3所示。

3.3 RBF神經網絡的仿真分析

將數據導入程序后，對RBF神經網絡進行訓練，效果如圖4所示。

顯然輸入變量與輸出功率存在相關性，從圖4可知，隨著訓練數據的增多，RBF對功率的預測誤差呈現出直線下降趨勢。當數據達到100多個時RBF可以進行預測，而且預測誤差第1次可以達到0.000 1。

將訓練數據導入程序后，得到了RBF訓練的收斂曲線表，同時也得到了RBF神經網絡訓練數據的光伏發電原始輸出功率曲線圖，如圖5所示。

圖5中通過對每20 min間隔數據點進行訓練，可以發現光伏發電輸出功率的整體呈現出正弦曲線的變化趨勢，數據的走勢基本和太陽一天的光照強度走勢一致。

再將預測數據導入訓練后的RBF網絡中，得到原始預測數據輸出功率的圖形走勢如圖6所示。

由圖6可知，輸出功率的大小起伏波動較大，但是整體還是呈現一種很明顯的正弦曲線走勢。

將此預測數據中的光照強度和溫度導入RBF預測系統中得到RBF預測輸出功率與實際功率的效果如圖7所示。

圖3 RBF預測流程

圖4 RBF訓練數據圖

圖5 RBF訓練收斂圖

圖6 RBF測試數據實際走勢

圖7 RBF預測效果圖

由圖7可知，在訓練后的RBF神經網絡輸入光照強度和溫度這2個變量進行預測后的結果和真實的功率圖形走勢基本相同，且在初期的小功率和各個功率波動起伏的轉折點處的預測也基本和實際功率吻合。但是通過效果圖可以看出，預測接近峰值的過程中誤差就開始變大，而且呈現出沒有規律的誤差現象。

3.4 針對RBF程序的優化

輸出功率的預測應當是針對每個月份的，基于這樣的要求，通過MATLAB中的GUIDE進行程序的產品化，將RBF神經網絡的程序進行產品化后可以實現對非5月份光伏發電的功率預測。

程序優化后的整體效果如圖8所示。

圖8 RBF預測程序界面

程序中點擊輸入樣本進行RBF神經網絡訓練數據的輸入和預測數據的輸入。點擊輸入樣本數據后得到結果如圖9所示。

圖9 RBF訓練界面

圖9 中顯示了訓練樣本的輸出功率趨勢曲線和預測樣本的輸出功率曲線走勢。在點擊RBF預測按鈕后，系統將自動根據訓練的數據進行預測，得到本文數據的預測情況如圖10所示。圖11為只有預測數據而無原始實際數據的預測效果圖。

圖10 RBF預測效果

圖11 RBF預測結果走勢

通過圖11可知，當給定一個光照強度和溫度后，RBF神經網絡就對應地預測出1個光伏發電的輸出功率值。但是在缺少原始數據對比時，很難通過點圖來了解輸出功率的具體走勢變化，其主要原因是數據點采集時間間隔較大，導致變量不連續，無法將輸出功率中各個起伏趨勢清晰地呈現出來。

4 結束語

本文提出的通過Spearman秩相關系數法研究光伏發電過程中各個因素對輸出功率影響大小的方法具有可行性，有助于提高光伏發電功率預測的精度。本文建立的基于RBF神經網絡的光伏發電輸出功率預測模型在滿足誤差的要求下，能夠較準確地預測出輸出功率，可以應用于實際工程中。

［1］ 符亞杰.分布式光伏發電系統的原理及其應用前景 ［J］.科技與企業， 2015， 24 （20）： 92－92.

［2］ 王曉華.聯網光伏發電系統調度運行控制方法研究 ［D］.北京：華北電力大學，2015：3－5.

［3］ 賈良寶.基于神經網絡的光伏發電輸出功率短期預測的研究［D］.鄭州：中原工學院，2014：12－15.

［4］ 徐瀟源，嚴 正，馮冬涵，等.基于輸入變量秩相關系數的概率潮流計算方法 ［J］.電力系統自動化，2014，38（12）：54－61.

［5］ 范媛媛，桑英軍，沈湘衡.基于BP神經網絡的圖像質量評價參數優化 ［J］.應用光學， 2011， 32 （6）： 1 150－1 155.

［6］ 葉 林，陳 政，趙永寧，等.基于遺傳算法—模糊徑向基神經網絡的光伏發電功率預測模型 ［J］.電力系統自動化， 2015， 28 （16）： 16－22.

A Prediction Method Based on the Power of Photovoltaic Power Based on Radial Neural Networks

YANG Yingxuan1， BIDezhong2， WANG Daohao3， XIAO Shuai3

（1.Electric Power Research Institute of State Grid Liaoning Electric Power Co.， Ltd.， Shenyang， Liaoning110006， China；2.Liaoning Dongke Power Co.， Ltd.， Shenyang， Liaoning 110179， China；3.Northeastern University， Shenyang， Liaoning110819， China）

The photovoltaic power output has obvious randomness and uncertainty.Large-scale pv grid will inevitably bring challenges to system safe operation of power grids.Therefore，the photovoltaic power prediction is of great significance to power grids.In this paper based on big data analytics to Spearman rank correlation coefficient，the basis of analysis of various influence factors in the process of photovoltaic power generation calculate the various influence factors and output power of rank correlation，and use themost relevant factor as input variables of prediction system.The photovoltaic power forecastingmodel based on RBF neural network is established herein to forecast the output of photovoltaic power station，using the history of the variables and the output data to the training of the RBF and prediction.The example shows that themodel has high precision.

photovoltaics； power prediction； RBF neural network； bigdata analysis

TM615

A

1004－7913（2017）11－0015－05

楊瀅璇 （1989），女，工程師，主要從事科技管理研究工作。

2017－07－15）