基于CGA-BP神經網絡的光伏發電功率預測

朱秋璇，希望·阿不都瓦依提

(新疆大學電氣工程系，新疆 烏魯木齊 830011)

1 引言

與傳統能源發電相比，光能是所有可再生能源中最具規模化開發前景的新能源，光伏發電具有無污染、零排放等優勢，但是光伏發電功率具有強烈的不確定性，不僅給電力調度部門帶來巨大隱患，同時也給其自身的大規模并網發電帶來困擾[1-2]。因此，要解決此問題，可對短期光伏發電功率的預測進行研究。

國內外對光伏發電短期功率預測的研究一直在不斷的進行中，但由于技術的局限性和信息的不完整導致預測結果并不理想。目前，光伏發電功率的預測方法包括基于對太陽輻射度的預測從而計算光伏發電功率的間接預測法和基于歷史數據和天氣表現特征的直接預測法[3]。由于現階段技術的局限性，基于太陽輻照度的間接預測法具有一定的難度，所以一般都采用直接預測法。文獻[4]利用改進粒子群算法確定 DBN 神經網絡最優的初始權值，然后用灰色關聯度法選出與預測日氣象特征相似度高的日期，對DBN 網絡進行訓練并建立預測模型。但忽略了天氣類型對預測精度的影響。文獻[5-6]建立了基于長短期記憶(Long-short Term Memory，LSTM)神經網絡光伏發電功率預測模型，但此模型在預測時較耗時，在實際應用中有一定的局限性。文獻[7]利用云峰值變換將影響因子轉換為論域中的定性概念。通過云合并進行概念躍升，構建隸屬度函數進行數據劃分，結合改進的Apriori算法獲取各影響因子之間的聯系。最后，建立云規則發生器，對光伏發電的出力進行預測，獲取了在不同置信區間下的預測結果集，但卻僅采用了單一的天氣類型，當改變天氣類型時，預測準確度也會下降。除此之外，主成分分析[8]、深度學習[9]、支持向量機[10]、互信息的PCA分析法[11]等作為優化參數方法也經常應用于光伏發電功率預測模型中。

綜上，為了進一步提高光伏發電功率預測的準確性，本文建立了基于CGA優化 BP 神經網絡的光伏發電功率預測模型，首先根據天氣特征的不同選取相似日，并利用相似日選擇與預測日相似度高的若干日期的歷史數據作為訓練樣本，用CGA優化 BP 神經網絡的初始權值和閾值。CGA就是在遺傳算法中引入能有效處理模糊信息的云理論，改善遺傳算法交叉概率和變異概率的盲目性和主觀性[12-15]。因此，CGA和BP神經網絡相結合不僅提高了預測的精度，還有效解決了預測時間長和局部收斂等問題。

2 選取相似日

光伏發電輸出功率不僅僅受到太陽輻照度、溫度、和空氣濕度的影響，而且光伏板的安裝角度和地理位置、光伏陣列的轉換效率、天氣類型等眾多因素也影響著光伏發電的輸出功率。但對于相同的光伏電站來說，系統因素的影響均是相同的，只需考慮外部環境因素的變化對光伏發電功率輸出的影響即可，即利用天氣數據預測未來趨勢。

光伏發電輸出功率的計算公式可表示為

P=ηSI[1-0.005(T+25)]

(1)

式中，η為光伏轉換效率；S為光伏面板的面積；I為太陽輻照度；T為環境溫度。

根據式(1)可知，太陽輻照度、溫度是決定光伏輸出功率的主要因子，選取相似日時，還可將空氣濕度作為影響因子，使相似度更高。通過這些氣象因素對歷史日進行搜索，選出的訓練樣本更具有針對性，在一定程度上可以提高預測精度。各影響因素構成的氣象特征向量為

Q=[W，E，Tb，Ts，Hb，Hs]

(2)

式中：W為量化后的天氣類型；E代表日平均輻照度；Tb和Ts為每日溫度的最大值和最小值；Hb和Hs——每日濕度的最大和最小值。

確定氣象特征向量后，利用“極差法”對向量中各分量進行歸一化，公式為

(3)

式中，qj(i)為第j個向量的第i個分量；M(i)、m(i)為所有特征向量中第i個分量的最大值和最小值。

歸一化后預測日和第j日的特征向量分別為

X0=[X0(1)，X0(2)，…，X0(i)]T

Xj=[Xj(1)，Xj(2)，…，Xj(i)]T

(4)

X0與Xj在第k個因素的關聯系數為

(5)

式中，τj(k)=X0(k)-Xj(k)；ρ為分辨系數，ρ此處取 0.5。

綜合各分量的關聯系數，將X0與Xj相似度定義為

(6)

從最近的歷史日開始算起，逐一計算與待預測日的相似度，選出達到要求的歷史日的發電數據作為模型的訓練樣本。采用連乘的方法計算待預測日的相似度，使各分量權重的問題得到了有效的解決。

3 光伏發電功率預測模型的建立

3.1 云模型

云模型是李德毅教授提出的，將概率論與模糊數學理論相結合，并賦予樣本點隨機的確定度，從而統一描述概念中的隨機性、模糊性和相關性的模型。

給定定量論域U，C是U上的定性概念，若定量值x∈U是定性概念C的一次隨機實現，x對C的確定度μ(x)∈[0，1]是具有穩定傾向性的隨機數，即

μ：U→[0，1]

?x∈U，x→μ(x)

則x在論域U上的分布稱為云，記為C(x)。每一個x稱為一個云滴。

云模型利用3個數字特征：期望Ex、熵En和超熵He描述一個定性概念，并通過特定的算法形成用數字特征表示的某個定性概念與其定量表示之間的不確定性轉換模型。期望Ex指云滴在論域U中的分布期望，是一個定性概念最典型的代表。熵En表示概念的可測量程度，它的大小反映了概念的不確定性，這一概念所包含的隨機性和模糊性是En的直接影響因素。超熵He由En不確定度確定，即熵的熵，由En的隨機性和模糊性共同決定。如圖1所示是太陽輻照度的定性概念“較高”的數字特征。

圖1 云模型的三個數字特征示意圖

3.2 云遺傳算法

遺傳算法(Genetic Algorithm，GA)在實際應用中對于交叉概率和變異概率的設定是根據研究者自身所具有的經驗來確定這兩個值，具有很大的盲目性和主觀性，并且如果所研究的問題發生了改變，想要確定這兩個值又是非常困難的，因此，采用云模型優化GA構成了CGA。CGA利用云模型隨機性和穩定傾向性的特點優化GA的交叉和變異操作，即由正態云模型的Y條件云生成算法實現交叉操作，基本云生成算法實現變異操作。CGA實現了pc和pm的自適應調節，使個體具有多樣性同時也能自適應的定位最優個體，避免搜索陷入局部極值，比GA的進化速度更快，魯棒性更強。

云遺傳算法基本步驟如下：

1)初始化種群

2)計算適應度

3)選擇操作

4)交叉操作

a)按均勻分布隨機生成確定度μ

b)Ex由父代樣本通過適應度大小加權確定

c)En=(fmax-fmin)/c1

(7)

d)He=En/c2

(8)

e)用Y條件云發生器生成交叉概率pc，即En′=RANDN(En，He)

(9)

f)由Y條件發生器算法得到兩個子代

5)變異操作

a)Ex取原個體

b)En=(fmax-fmin)/c1

(10)

c)He=En/c2

(11)

d)采用基本正態云發生器生成變異概率pm，En′=RANDN(En，He)

(12)

e)若當μ

6)轉到2)，直到滿足停止條件

式中，fmax為種群中適應度最大值，fmin為種群中適應度最小值，fc為交叉個體的適應度最大值，fm為變異個體的適應度值，fave為種群的平均適應度值；c1～c4為控制參數。

CGA和GA不同，在的交叉操作和變異操作無需人為輸入交叉和變異概率，算法中根據種群不同自動調節概率值，降低了算法的盲目性和主觀性，并且提高了迭代速度。

3.3 BP神經網絡

BP神經網絡是一種多層前饋神經網絡，其主要特點是：信號的前向傳播，即輸入信號經過隱藏層從輸入層處理到輸出層，每一層的神經元狀態只影響下一層的神經元狀態。在前向傳播時，如果輸出層和期望輸出的誤差不能滿足預先設定的目標值，則轉向誤差的反向傳播，并根據預測誤差對權值和閾值進行調整，使BP神經網絡的預測輸出無限接近期望輸出。圖2為BP神經網絡的拓撲結構。

圖2 BP神經網絡結構圖

圖2中，X1，X2，…，Xn是BP神經網絡的輸入值，Y1，Y2，…，Yn是BP神經網絡的輸出值，wij和wjk是BP神經網絡連接層之間的權值。

隱含層輸出

(13)

輸出層輸出為

(14)

式中，aj為隱含層j點的閾值，j=1，2，…，l，l為隱含層節點數；bk為輸出層k點的閾值，k=1，2，…，m，m為輸出層節點數。

3.4 CGA-BP 神經網絡光伏發電功率預測模型的建立

BP神經網絡的收斂速度不高且易于陷入局部極值，當預測光伏發電功率時會使得預測精度達不到要求，為改善這一問題采用CGA優化BP 神經網絡構建了 CGA-BP神經網絡預測模型。該模型既利用了CGA全局搜索最優解的功能，又發揮了BP神經網絡處理非線性問題的優勢，加快了收斂速度，使得預測精度提高。

基于CGA-BP神經網絡光伏發電功率預測的流程如圖3所示，具體執行步驟如下：

1)確定光伏發電功率預測的網絡模型的結構，對BP神經網絡初始的權值和閾值進行編碼，得到初始化種群；

2)計算初始化種群個體的適應度值。選擇合適的適應度函數計算適應度值，以此來評價個體的質量；

3)根據計算得到的適應度值利用輪盤賭的方法選擇出具有較大適應度值的個體，然后利用云模型動態調整pc和pm進行交叉和變異操作，得出新種群；

4)將滿足最大迭代次數的新個體保留下來，作為這個網絡的最優的權值和閾值。不滿足條件的則循環3)；

5)更新權值和閾值。從CGA中得到的最優權值和閾值解碼為BP神經網絡的初始權值和閾值；

6)BP神經網絡的前向傳遞。計算整個BP神經網絡的全局的誤差值，根據誤差值取代最初的權值和閾值，如果符合條件則結束BP神經網絡的訓練學習，得出預測結果。如果不符合要求，則將進行轉入7)；

7)BP神經網絡的反向傳遞。因為網絡的整體的誤差數值并沒有達到設定目標，就需要對網絡結構中權值和閾值進行調整，調整完后轉入步驟5)，如果在進行步驟7)時，循環的次數超過了預先設定的循環次數，則也要終止BP網絡的訓練學習，輸出此時的BP神經網絡的權值和閾值。

圖3 CGA-BP神經網絡的流程圖

4 CGA-BP神經網絡預測結果及分析

4.1 數據和輸入變量的選取

本次實驗的數據來自新疆省某地區，數據的時間為2014年 6、7月。由于此地區6、7月的太陽輻照度較大，且降雨量較少，所以將天氣類型分為波動小(晴天)的天氣和波動大(陰天和雨天)的天氣，波動小的天氣類型光伏發電功率穩步上升，有輕微功率波動。波動大的天氣，由于云層的關系，光伏發電功率會產生劇烈波動。

相似日需根據天氣類型的不同來進行選取，波動小的天氣類型可選取6月8、9、11日為相似日，6月15日作為預測日。波動大的天氣類型選取6月21、26、28日為相似日，7月3日作為預測日。根據光伏發電特性，確定預測模型輸入變量為太陽輻照度、溫度和空氣濕度。由所選的相似日，將相似日每天的7：00-19：00作為訓練區間，光伏發電功率 15 min 采集一次，即每一天有49個數據點。

CGA-BP神經網絡光伏功率預測模型的參數設置如下：預測模型的輸入層、隱含層和輸出層的節點數分別為3、6、1。CGA的種群數目為20，學習率設置為 0.01，最高迭代次數設100次，c1～c4為控制系數參數，c1=8，c2=3*種群數目，c3=0.8，c4=0.5。

4.2 模型評價指標

模型的評價指標能夠判斷出預測模型是否符合相應標準，并給出相關的數據證明哪個模型的預測效果為最優，本文選用式(16)平均絕對百分比誤差MAPE和式(17)為均方根誤差RMSE作為衡量3種光伏發電功率預測模型的預測效果評價指標。

(15)

(16)

4.3 結果分析

基于相同的參數設置和網絡結構建立BP 、GA-BP、CGA-BP神經網絡光伏發電預測模型，并對比各個模型的預測效果和誤差，根據獲得的數據和圖形判斷出最佳的預測模型。

圖4為3種模型在天氣特征波動小時的預測對比圖。從圖4可以看出，CGA-BP神經網絡模型的預測結果在功率變化較規律時較其它2種模型得到的真實值曲線更貼近，穩定性更好。

圖4 天氣特征波動小的預測對比圖

表1為3種模型在天氣特征波動小時的誤差對比，從表1可看出，同一天氣特征下的3種模型，CGA-BP神經網絡模型相對于其它2種模型的預測誤差較小。CGA-BP神經網絡模型較GA-BP神經網絡模型MAPE減少了2.11%，RMSE減少了0.0783MW，與BP神經網絡模型評價指標相比時，MAPE減少了5.02 %，RMSE減少了0.1947 MW。

表1 天氣特征波動小的誤差對比

圖5為3種模型在天氣特征波動大時的預測對比圖。由圖5可以看出，CGA-BP神經網絡模型的預測結果在功率波動較大時較其它2種模型與真實值曲線更貼近。

圖5 天氣特征波動大的預測對比圖

表2為3種模型在天氣特征波動大時的誤差對比，表2可看出，同一天氣特征下的3種模型，CGA-BP神經網絡模型相對于其它2種模型預測誤差較小。CGA-BP神經網絡模型較GA-BP神經網絡模型MAPE減少了2.18%，RMSE減少了0.0101 MW，與BP神經網絡模型評價指標相比時，MAPE減少了5.20%，RMSE減少了0.0030 MW。

表2 天氣特征波動大的誤差對比

5 結論

光伏發電的不穩定性會對電力系統造成危害，使光伏并網運行成為難題。為解決此問題，提出了基于CGA-BP神經網絡的短期光伏發電功率預測的方法，通過仿真，得出以下結論：

1) 利用相似日和天氣特征選取訓練樣本，建立的預測模型更加具有針對性，從而提高了CGA-BP神經網絡的預測精度。

2) 利用CGA為BP神經網絡選擇最優的初始權值和閾值，有效的避免了訓練過程因初值選擇不當導致算法陷入局部最優的問題，并且使收斂速度有所提升。

3) 采用3種預測模型對獲取的相似日進行訓練預測對比分析，無論是在天氣特征波動小的情況下，還是在天氣特征波動大的情況下，CGA-BP神經網絡預測模型的預測效果最優且預測誤差最低。