光伏發電系統的RBF神經網絡預測研究

遲晨

摘 要 近年來，隨著光伏發電出現井噴式的發展態勢，大量發電系統并入電網中，為了提前獲得光伏發電項目的可行性結論，并在此基礎上進行系統的進一步優化，需要對光伏發電輸出功率進行預測。影響光伏發電系統功率輸出的主要因素在文章中做了簡要分析，嘗試用 RBF 函數對光伏發電功率預測的人工神經網絡算法進行了改進，用光伏電站發電歷史數據與天氣情況訓練了所建立的模型，并進行了簡單預測。

【關鍵詞】RBF 函數 發電預測 神經網絡 氣象因素

外界因素極易影響光伏電站的功率輸出，尤其是太陽輻照強度和天氣等因素，其發電的不穩定性會對并網形成沖擊，因此在光伏發電大規模應用中，發電量的預測成了眾多研究重點之一。

本文在建立了光伏發電系統的短期預測模型的基礎上，嘗試采用了 RBF 函數優化神經網絡，并對系統一段時間內的發電量用所建立的模型進行預測和分析。

1 光伏發電功率輸出的影響因素

1.1 氣象影響

光伏發電系統受多種氣象因素影響。本文嘗試對2017年1月1日～5月30日，5個月的溫度、氣壓、相對濕度、風速等逐時發電量等，采用 Pearson相關系數法分析其相關性。其計算公式為：

結合閾值等級可見：光伏系統的發電量受氣溫和相對濕度的影響較大；環境溫度變化越大發電量受影響越大；相對濕度變化越大；其他因素相關性比較低。

1.2 天氣影響

當天氣出現云團時，其移動和不規則形狀較大程度上影響了光伏發電系統是對太陽輻射的反射和吸收。天氣類型主要與云團的大小和移動速度有關，不同的天氣類型，光伏發電功率的差距很大。

2 光伏發電系統的功率神經網絡算法

2.1 BP神經網絡

BP（Back Propagation）神經網絡是 1986 年由 Rumelhart 和 McCelland 為首的科研小組提出。

BP 神經網絡的訓練就是將測試集用來訓練，驗證集代入每次訓練后的輸出，求其誤差和，當訓練誤差的方差趨于 0 而驗證誤差的方差在不斷增大時，算法即可以終止。

按照步驟得到算法如下：初始化數據->給定輸入量和目標輸出->求隱含層、輸出層各節點輸出->求目標值和實際輸出值單位誤差->計算反向誤差->極值學習->判斷學習是否結束，若未結束則返回重新計算節點輸出。

2.2 徑向基函數神經網絡優化算法（RBF）

任意的非線性函數都能被 RBF 網絡輕易擬合，RBF 網絡可以處理許多難以解析的規律性，其很快的學習和收斂速度，在處理自然語言理解、圖像模式識別、景物理解、不完整信息的處理、智能機器人控制等方面具有優勢。

3 系統預測模型的結構設計

3.1 基于歷史天氣情況的神經網絡模型

我們把采集的歷史天氣情況作為數據輸入層的輸入數據。根據上文分析結果得知，需要建立的神經網絡輸入層神經元數量為3個；同樣，我們把光伏發電功率作為輸出層的輸出，需要建立的神經網絡輸出層神經元數量為1個。根據神經網絡的特征，隱含層的節點數約為 5 個。

3.2 神經網絡模型的訓練

我們把實驗室得到的 2017年7月1日-7月30日之間的歷史天氣情況數據和光伏發電系統的輸出數據，作為訓練神經網絡的樣本，一天從上午八點至下午五點日落，每 1h 采集一次，共采集到 600 組數據。用采集到的數據作為訓練樣本，訓練改進的神經網絡。

3.3 預測結果的分析

我們用 2017 年 8 月 1 日這一天的數據作為測試的樣本，共采集到 20 組，用以驗證建立好的神經網絡。圖 1 是實際測試值與預測的輸出功率比較圖。

分析光伏發電系統的實際測試值與預測的輸出功率的百分誤差，從圖 1 可以很清晰地看出，基于天氣數據的 RBF 神經網絡預測光伏發電功率數據波動不并不明顯，誤差值小于 5%。

4 結論

本文運用 RBF 算法局部尋優能力，對神經網絡的初始權值、閾值進行了優化，彌補了 BP 神經網絡的初始值隨機確定、網絡學習容易陷入局部最優以及訓練時間長等不足。通過對氣象要素進行分析，建立了 RBF 神經網絡光伏發電量預測模型對典型天氣的發電量進行預測。本文數據結果顯示，RBF 神經網絡模型具有比 BP 網絡更好的預測結果。

參考文獻

[1]陳昌松，段善旭，殷進軍.基于神經網絡的光伏陣列發電預測模型的設計[J].電工技術學報，2009，24（09）：153-158.

[2]周毅，侯志明，劉字迪.數值天氣預報基礎[M].北京：氣象出版社，2003.

[3]YONA A，SENJYU T，FUNABASHI T. Application of recurrentneural network to short-term-ahead generatingpower forecasting for photovoltaic system[C].IEEE PowerEngineering Society General Meeting.Tampa，FL，USA：Institute of Electrical and Electronics Engineers，2007，1-6.

[4]崔洋，孫銀川，常倬林.短期太陽能光伏發電預測方法研究進展[J].資源科學，2013，35（07）：1474-1481.

[5]郭創新，游家訓，彭明偉等.基于面向元件神經網絡與模糊積分融合技術的電網故障智能診斷[J].電工技術學報，2010，25（09）：183-190.

作者單位

無錫市產品質量監督檢驗院 江蘇省無錫市 214101