基于多元分析的優化模糊神經網絡太陽能輻射量短期預測

高 亮，張新燕，楊 琪，張家軍，高 敏

(1.新疆大學電氣工程學院，新疆烏魯木齊830047；2.國網阿合奇縣電力公司，新疆阿合奇843500)

0 引 言

化石能源枯竭、生態環境惡化，環保、清潔、可持續的太陽能被高度重視。太陽能系統的輸出受天氣影響，具有一定的間歇性和波動性，太陽能預測研究，可為太陽能產業提供可靠的數據，可以提高太陽能資源的使用效率。人工神經網絡(ANN)在非線性映射上有強大的功能，神經網絡廣泛用于電力負荷預測[1- 4]和風力發電預測等領域[5- 8]，在短期光伏發電預測中得到廣泛應用[9- 12]。文獻[13]用歷史天氣數據直接對太陽輻照強度預測，預測模型不能夠準確的預測太陽輻射量，文獻[14- 17]都建立預測太陽日總輻射量的ANN模型，研究結果表明，文獻作者提出的各種預測模型的預測效果不夠理想，在當前數字信息高速發展的科技引領下，預測精度還應當有所提高，還需要深入開發和處理數據、改進人工神經網絡。本文提出一種基于多元分析的優化模糊神經網絡太陽能中短期預測方法，有效的提高了太陽輻射量的預測精度，為太陽能資源高效利用提供準確數據。

1 太陽能數據變化趨勢

太陽能預測的研究主要集中在輻射量的預測。太陽能數據具有很大的波動性，但對相關數據合理的分析和深度的挖掘，建立合理的預測模型和算法，可實現太陽能輻射量準確有效的預測。

太陽能數據變化分為長期變化和短期變化。長期變化受地理條件和氣象特征的主導影響，地理因素的影響具有明顯的變化規律，短期變化受實時氣象參數變化的影響，有很大的波動性，無法規律性的描述，數據變化具有很大的隨機性。長期變化趨勢是對太陽能輻射量定性的描述；短期變化趨勢是對太陽能輻射量定量的描述。前者注重整體，后者偏向局部的量化。

2 多元分析

多元分析包括：線性回歸、相關分析、主成分分析、因子分析等。太陽能預測對模型有很高的要求，模型輸入量是預測的關鍵，輸入量的完整性和簡潔性是提高預測模型準確性和高效性的必要條件。

2.1 主成分分析

主成分分析法將多項指標壓縮為互不相關的指標，降低數據維度，但保留原變量的大部分信息。數據有K項指標，N組樣本，觀測得出的樣本矩陣X為N×K維，對原始矩陣X標準化處理。

(1)根據標準化矩陣x1,x2,…xk計算樣本的相關系數矩陣R。

(2)求相關系數矩陣R的特征值λ1,λ2,…λk和相應的特征向量e1,e2,…ek。

(3)取m項主成分y1,y2,…ym代替原始變量。主成分表達式為

(1)

式中,ei=[ei1ei2…eik],為原變量的相關系數矩陣的第i項特征值所對應的K維特征向量；X為K維的初始輸入變量，X=|x1x2…xk|T。

2.2 曲線擬合

曲線擬合是近似刻畫離散數據所表示的坐標函數關系。用解析式逼近離散數據，得到量x與y的關系，用解析式y=f(x,c)來反映x與y之間的關系。

圖1 粗大誤差剔除

如圖1所示，輸入數據曲線擬合后求殘差，利用拉依達準則根據殘差值對原數據做粗大誤差剔除。粗大誤差剔除方法不會改變數據原有信息，只對畸形數據進行修正。

2.3 定性分析和定量分析

定性分析和定量分析是對同一個問題分析的兩個不同方面，定性分析是定量分析的重要前提，缺少定性分析，一系列的定量分析則具有盲目性；定性分析之后，需要采用科學準確的定量分析加以完善，兩者的分析是相輔相成的。預測模型的定性分析部分，依據氣象數據，對氣象數據定性區分，根據氣象數據中影響太陽能的主要成分，定性劃分如表1所示。

表1 太陽輻射量主成分因素定性劃分

利用歷史氣象數據，對天氣定性劃分，結果作為模型的部分輸入量；模型的定量部分，焊接電路板，制作采集裝置對氣溫，氣壓，濕度，大氣通透性，光強不間斷測量，作為模型的部分輸入量。

2.4 模糊神經網絡

模糊神經網絡是一種集模糊邏輯推理與神經網絡強大自學能力于一體的技術。如圖2模糊神經網絡示意圖所示，模糊神經網絡是模糊邏輯推理與神經網絡有機結合的產物，主要是利用神經網絡結構來實現模糊邏輯推理，使傳統神經網絡沒有明確含義的權值被賦予了模糊邏輯中推理參數的物理含義。

圖2 模糊神經網絡示意

3 預測模型搭建

設計采集裝置采集溫度、大氣壓強、濕度、空氣通透性、光照強度等數據?；贛ATLAB編寫程序深入分析挖掘數據，根據主成分法提取歷史數據中的主要成分作為定性指標；對測量的短期數據做粗大誤差的剔除，結合定性分析和定量分析搭建預測模型。

3.1 數據采集裝置

轉印采集裝置的電路板，用單片機和相關傳感器焊接數據采集裝置，裝置如圖3所示。實時采集數據，編寫算法剔除采集數據中的偏差數據，用無線設備傳輸數據至PC主機端，對溫度、大氣壓強、濕度、大氣通透性、光照強度等參數不間斷測量，為預測模型提供準確無誤的輸入數據，以提高預測精度。

圖3 測量裝置示意

3.2 數據處理

預測模型的數據結構主要分為定性模塊和定量模塊。定性模塊數據來源于NSNA提供的歷史氣象數據，主要包括：溫度、濕度、風速、大氣壓強、晴空日照比、太陽輻射量等數據；定量模塊的數據來源于測量裝置的實時測量，主要包括：溫度、濕度，大氣壓強、大氣通透性、光照強度。

圖4 數據處理示意

數據處理流程如圖4所示，結合定性分析、定量分析、主成分分析處理數據，并存儲采集數據作為新的歷史氣象數據。

3.3 預測程序流程

基于MATLAB編寫基于多元分析的模糊神經網絡中短期太陽能輻射量預測算法，程序流程圖如圖5所示。基于MATLAB編寫算法，用主成分分析法處理歷史氣象數據，提取主要指標作為數據定性劃分的依據；測量裝置采集的數據做粗大誤差之后作為預測模型的定量數據；搭建模糊神經預測系統，進行預測模型訓練，加入測試數據檢驗模型的合理性。

圖5 預測模型流程

4 實驗實例

為驗證預測模型的合理性和預測結果的準確性，收集烏魯木齊地區太陽輻射數據和相關氣象數據，對預測模型驗證。為了科學的嚴謹性，搭建對照模型對比預測結果，證明本文預測模型的合理性。數據來源：美國航天局(NSNA)網站。

4.1 實驗結果

根據NSNA提供的新疆烏魯木齊全年的太陽輻射數據和氣象數據共366組數據做訓練樣本，以新疆烏魯木齊2018年4月9日到5月9日共30組數據為模型的驗證數據，證明預測模型的合理性和科學性。

圖6 太陽輻射量預測

如圖6所示為30組數據的預測值和實測值。整體的變化趨勢大致相同，具體分析，可看見預測數據和實測數據前15組的相似度較高，后15組的數據誤差變大，證明預測模型在短期內可較為準確的對太陽輻射量預測。

4.2 模型對比

為了科學的嚴謹性，驗證本文提出模型算法的優越性，建立對比預測模型，方法一為本文所建立的基于多元分析的模糊神經網絡預測模型；方法二為傳統模糊神經網絡預測模型；方法三為BP神經網絡預測模型。三種預測模型的預測結果如圖7所示。

圖7 太陽輻射量預測對比

由圖7可見，3種預測方法的結果整體趨勢基本相同，但在具體的預測精度上具有很大的差別。方法1預測精度最高，方法2預測精度次之，方法3預測精度最差；方法1和方法2比較，二者前7組數據預測結果基本相同，隨后方法2的預測結果開始出現大的誤差，綜合比較方法1的預測精度比方法2和方法3的預測精度都要高，預測效果最好。

分別求取三種預測模型的平均相對誤差EMAPE、均方根誤差ERMSE(見表2)。

表2 模型誤差分析

對比3種模型的平均相對誤差和均方根誤差，可直觀的看到，模型1明顯優于其余2種模型，模型2與模型3的預測效果近相同，模型2較模型3較為準確。由預測結果的平均相對誤差和均方根誤差可知粗大誤差的剔除、定性分析和定量分析的合理結合可以提高傳統模糊神經網絡預測模型的精準度，進一步驗證了定性分析和定量分析的有效性和必要性，也驗證了本文所提預測模型的正確性。

5 結 論

本文針對太陽能預測提出基于多元分析的優化模糊神經網絡短期太陽能輻射量預測模型。測試結果表明，預測模型合理準確地實現了太陽能輻射量短期預測，有效的提高了傳統模糊神經網絡的太陽能輻射量預測精度。主成分分析法的應用，有效的降低了預測模型的數據維度；對模型輸入量做粗大誤差的剔除有效的改善輸入數據的準確性；定性分析和定量分析合理的結合，有效的提高了模糊神經網絡的預測精度。改進的預測算法一定程度上提高了預測的精準度，對太陽能相關產業的發展具有重要意義。