基于BP神經網絡的光伏發電功率預測研究

陳德會，楊海艷，曲宏偉

(1. 大唐新疆清潔能源有限公司，新疆 烏魯木齊 830001；2. 東北電力大學能源與動力工程學院，吉林 吉林 132012)

最近幾年，中國的嚴重霧霾導致的環境污染引發了社會的普遍高度重視[1]。高效利用可再生能源發電，減少煤炭能源發電，是緩解環境問題的有效措施。預計在2030年我國可再生能源的用電率達到30%以上[2]。

作為技術較為成熟的可再生能源發電之一，光伏發電以相對占地面積小、運維成本低的優勢得到迅猛發展。隨著光伏發電并網容量的增加，光伏發電功率的波動對電網調度運行的影響不容忽視，電網對光伏發電功率預測精度提出更高的要求[3-5]。

目前，關于光伏發電功率預測方法已經取得了一些研究進展，主要包括基于神經網絡預測[6]、基于馬爾科夫鏈預測[7]、基于支持向量機預測[8]和自回歸與滑動平均模型預測[9]。以上方法中，神經網絡的預測精度、收斂性較好，因此基于BP神經網絡在光伏發電功率預測方面的應用有更大的研究空間。

文獻[10]通過前一天的光伏發電功率和兩天的平均溫度，可以預測出當天的光伏發電功率；文獻[11]利用光伏發電系統的前一天數據，建立了前饋型與反饋型神經網絡預測模型，能夠較為準確地對光伏發電功率進行預測；文獻[12]將預測日的天氣類型也加入神經網絡，用作輸入量，可以更為準確地預測出當日光伏發電的功率。

基于以上研究，本文將綜合考慮天氣、歷史數據信息，建立BP神經網絡預測模型，對光伏發電功率進行預測，并采用實測數據驗證該方法的有效性。

1 光伏發電功率波動影響因素分析

由于預測日天氣受前一天天氣的影響，因此光伏發電功率大小受前一天功率波動影響較大。本文基于大唐吐魯番0.4 MW光伏板試驗數據，分析光伏發電功率波動規律。

如圖1所示為大唐吐魯番的光伏發電量實測數據，其中1日、10日、20日、24日發電量較低，這4天的天氣分別為多云、多云、雷陣雨、陣雨；4日、15日、16日、27日、28日發電量較高，這4天的天氣均為晴天。在不同天氣下，光伏發電功率如圖2所示。

圖1 2016年6月光伏發電量

圖2 不同天氣的光伏發電功率波動

不同天氣下，各時段的光伏發電功率存在較大差異，但不同時刻的光伏發電功率變化趨勢大致相同，在12：00—18：00，光伏發電功率較高。

2 BP神經網絡的基本原理

BP神經網絡算法是模擬人的大腦，通過神經元對刺激的積累不斷學習，建立機制，BP神經網絡結構如圖3所示。

圖3 BP神經網絡結構

通過輸入層的每一個神經元加權將信息傳遞給隱含層神經元，隱含層的神經元將信息加權又送給輸出層，并通過輸出層的反饋結果對各層權重加以改進。當該模型能夠滿足預測樣本自校驗的標準后，再采用該模型可以對其他樣本結果進行預測。

設神經網絡有n個輸入量，q個輸出量，p個隱含層單元，隱含層和輸出層的連接權重為p個和q個。隱含層神經元可以表示為

(1)

式中：wji為隱含層中第j個神經元與輸入層第i個神經元的連接權重；xi為輸入層第i個神經元刺激；θj為第j個動量的閥值。

各層神經元輸出函數采用logsig函數：

(2)

輸出層的神經元可以表示為

(3)

式中：wkj為輸出層第k個神經元與第j個隱含層神經元的連接權重；θk為第k個動量的閥值。

通過輸出實際結果yk和期望結果ok可以得到各神經元權重的修正量，從而對其修正，隱含層和輸入層的權重修正量和閥值修正量為

(4)

(5)

式中：β為修正系數。

輸出層和隱含層的權重修正量和閥值修正量可以表示為

Δwki=α·(ok-yk)yk(1-yk)bj

(6)

Δθk=α·(ok-yk)yk(1-yk)

(7)

式中：α為修正系數。

3 基于BP神經網絡的光伏發電功率預測模型

文獻[13]將天氣類型分為晴、多云、陰轉晴等天氣，并計算了其天氣類型指數，本文將吐魯番的天氣分為晴、陰天和雨天三類，其天氣類型指數分別為4.4、2.0和1.0，天氣類型指數可以作為BP神經網絡的輸入量。

由于預測日氣溫、光照變化與預測日之前的天氣密切相關，因此本文將預測日前兩天的光伏發電功率、天氣類型指數和預測日的天氣類型指數作為BP神經網絡的輸入量，輸出量為預測日的發電功率。

光伏發電功率數據為7:00—20:00，共14個典型時段，兩天的光伏發電功率輸入數據為28個，兩天的天氣類型指數數據為2個，預測日天氣類型指數為1個，BP神經網絡模型中共31個輸入量。輸出量為預測日14個典型時段的光伏發電功率，隱含層的神經元個數y為

(8)

式中：n為輸入量個數，在本文中取31；m為輸出量個數，在本文中取14；a為1～10的常數，本文取3。

根據式(8)，設置隱含層神經元個數為10個。

4 光伏發電功率預測方法有效性驗證

采用大唐吐魯番0.4 MW光伏板2016年6月1—29日的實測數據作為訓練樣本，共27組，設置收斂精度為0.001，對2016年6月30日的光伏發電功率進行預測，預測結果與實測數據對比如圖4所示。

圖4 光伏發電預測結果

從圖4可以看出，采用本文方法預測的結果與實測結果較為接近。

采用均方根誤差(Root Mean Square Error，RMSE)作為光伏發電功率預測精度的評價指標，均方根誤差為

(9)

式中：k為樣本個數；xi為第i個預測功率；yi為第i個實測功率。

本文方法的預測結果RMSE指標為3.544。

5 結束語

光伏發電功率的準確預測對調度運行和發電計劃的制定有重要影響，本文基于BP神經網絡研究了光伏發電功率的預測方法。通過分析，天氣類型和光伏功率歷史數據的變化對光伏發電功率波動有較大影響。建立了光伏發電功率預測模型，并采用大唐吐魯番數據驗證了該方法的有效性。

參考文獻：

[1] Domínguez-García J L, Gomis-Bellmunt O, Bianchi F D, et al. Power oscillation damping supported by wind power: A review[J]. Renewable & Sustainable Energy Reviews, 2012, 16(7):4 994-5 006.

[2] Raval D Y, Munjani P J, Mansoori N R. Reference based Maximum Power Point Tracking Algorithm for photo-voltaic power generation[C]. International Conference on Electrical Power and Energy Systems. IEEE, 2017.

[3] Ramakrishna R, Scaglione A. A compressive sensing framework for the analysis of solar Photo-Voltaic power[C]. Signals, Systems and Computers, 2016, Asilomar Conference on. IEEE, 2017:308-312.

[4] Sharma D, Mishra S, Nanda J. Micro-grid operation and control of Photo-Voltaic power with canal based small hydro power plant[C]. Region 10 Conference. IEEE, 2017:1 289-1 293.

[5] Philip J, Jain C, Kant K, et al. Control and implementation of a standalone solar photo-voltaic hybrid system[J]. IEEE Transactions on Industry Applications, 2016, 52(4):3 472-3 479.

[6] Al-Messabi N, Goh C, Li Y. Grey-Box Modeling for Photo-Voltaic Power Systems Using Dynamic Neural-Networks[C]. Green Technologies Conference. IEEE, 2017:267-270.

[7] Zhang H, Han X, Dou J Y. A Method to Forecast Photo-voltaic Power Outputs Based on Markov Chain[C]. International Power, Electronics and Materials Engineering Conference. 2015.

[8] Han S J, Bae K Y, Park H S, et al. Solar Power Prediction Based on Satellite Images and Support Vector Machine[J]. IEEE Transactions on Sustainable Energy, 2016, 7(3):1 255-1 263.

[9] Glasbey C A, Allcroft D J. A spatiotemporal auto-regressive moving average model for solar radiation[J]. Journal of the Royal Statistical Society, 2010, 57(3):343-355.

[10] 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，2010，43(9)：75-78.

[11] 張艷霞，趙 杰. 基于反饋型神經網絡的光伏系統發電功率預測[J]. 電力系統保護與控制，2011，39(15)：96-101.

[12] 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(9)：153-158.

[13] 袁曉玲, 施俊華, 徐杰彥. 計及天氣類型指數的光伏發電短期出力預測[J]. 中國電機工程學報, 2013, 33(34):57-64.