基于IPSO-BPNN的樓宇屋頂光伏出力功率超短期預測

摘 要：

在建筑光伏一體化技術的背景下，準確預測屋頂光伏輸出功率對于優化建筑能源管理和確保光伏電力的穩定并網至關重要。提出了一種基于IPSO-BPNN的樓宇屋頂光伏出力功率超短期預測模型，該模型引入Sine混沌序列初始化和精英粒子反向學習策略，改進了基本的PSO算法，并利用此算法對基本BPNN模型的超參數進行優化，從而實現了對屋頂光伏出力功率更加準確的預測。預測模型性能測試實驗表明，所提出的IPSO-BPNN預測模型在不同季節的預測準確性和穩定性都有顯著提高。該模型能夠準確預測屋頂光伏發電功率，為建筑光伏一體化系統的穩定運行和能源管理提供切實可行的解決方案。

關鍵詞：

建筑光伏一體化; 屋頂光伏; 反向傳播網絡; 粒子群算法; 光伏出力功率預測

中圖分類號： TU852

文獻標志碼： A

文章編號： 1674-8417（2024）04-0045-06

DOI：

10.16618/j.cnki.1674-8417.2024.04.008

0 引 言

為改變當前我國大量依賴于煤炭等不可再生能源發電的現狀，在“十四五”規劃的指導下，中國政府開始大力發展光伏、風電等清潔能源，同時積極推進能源結構的綠色轉型，力求實現碳中和的長遠目標［1］。據統計，我國建筑行業在國家的碳排放和能源消耗中占據顯著的份額，全國建筑全過程碳排放總量占全國碳排放比重的50.9%［2］。因此，建筑行業更應該積極推動綠色用能，實現能效提升和節能減排。

在“雙碳”目標政策的不斷推動下，光伏建筑一體化技術（BIPV）的出現，能夠有效實現建筑的綠色轉型。BIPV是一種將太陽能光伏產品集成到建筑上，并與建筑物完美結合的太陽能光伏發電系統［3］。其中，樓宇屋頂光伏作為一種BIPV的主要形式，對推動建筑用能可持續發展具有重要作用［4］。然而，樓宇屋頂光伏出力受天氣因素的影響較大，波動性和不確定性是影響其穩定運行的關鍵因素。因此，準確的屋頂光伏超短期出力預測對于優化建筑能源管理和確保光伏發電穩定消納至關重要。

隨著人工智能技術的不斷發展，長短記憶網絡（LSTM）回歸模型［5］、支持向量機（SVR）［6］、人工神經網絡模型（ANN）［7］、反向傳播網絡（BPNN）［8］等的人工智能模型被用來預測光伏發電出力。樓宇屋頂光伏出力受到不同季節和不同天氣的影響具有隨機波動性，而BPNN和LSTM、SVR、ANN模型相比，其擁有強大的非線性擬合能力和自我調校能力，能夠通過調整網絡權重來自動適應數據中的復雜波動，且容易實現。因此可將BPNN模型作為基礎模型對樓宇屋頂光伏出力進行預測，但BPNN的預測精度受益于其內部隱含層節點數、節點權重等超參數的設置，故快速地求解BPNN模型的超參數能夠使其更準確地預測樓宇屋頂光伏出力。

本文提出了一種基于改進的粒子群算法（IPSO）優化BPNN超參數的樓宇屋頂光伏出力超短期預測模型，其利用IPSO算法對于BPNN網絡中的隱含層節點數和權重進行優化，以提高基礎BPNN模型預測精度。利用提出的IPSO-BPNN模型實現精準的樓宇屋頂光伏出力的超短期預測，實現建筑樓宇的能源調度管理和光伏出力穩定消納。

1 改進IPSO-BPNN的預測模型建立

1.1 BPNN模型

BPNN模型使用誤差逆向傳播算法進行網絡訓練，輸入數據從輸入層傳遞至輸出層，經過隱含層的處理。神經元在各層之間相互影響，當輸出層的預測誤差較大時，神經網絡通過誤差反向傳播，更新和調整不同節點的權值和閾值，直至輸出的預測值與真實值趨近［9］。屋頂光伏出力預測的BP神經網絡拓撲結構如圖1所示。其中，輸入層有4個節點，分別是影響屋頂光伏輸出功率的4個影響因素：室外環境溫度、室外環境濕度、太陽輻射強度以及光伏組件溫度。

BPNN雖然具有強大的適應性和非線性擬合能力，但其對于樓宇屋頂光伏出力預測的精確度受到其超參數（隱含層節點數，節點權重）設定的影響較大。因此需要對其超參數進行優化以提升模型預測精度。

1.2 改進的粒子群算法IPSO

1.2.1 粒子群算法

PSO是一種模仿鳥群或魚群等生物的協作

與競爭行為的優化算法，每個粒子通過自身的位置、速度和歷史最佳位置的信息來不斷調整狀態，借助群體協作去尋找復雜問題的全局最優解。其迭代優化更新粒子位置的過程如式（1）所示：

2 算例分析

2.1 數據來源

本文選取了西北寧夏地區某一棟具有屋頂光伏的高層住宅建筑作為案例，其建筑屋頂總面積為760 m2，對其2020年1月—2021年1月全年的樓宇屋頂光伏的出力功率進行了跟蹤監測，同時對室外環境溫度、室外環境濕度、太陽輻射強度以及光伏組件溫度數據進行了收集，采樣間隔為30 min。由于歷史數據和環境特征數據當中存在全為0的數據，其對BPNN網絡模型的訓練沒有作用，因此在數據處理階段，將方差為0的數據序列剔除。

同時為了驗證不同的季節條件下，本文所提出的IPSO-BPNN模型對于屋頂光伏出力超短期預測的性能變化，在春季、夏季、秋季、冬季4個季節分別選取了1個典型日進行預測模型的測試，以驗證預測模型的預測性能。4個典型日中實際屋頂光伏出力功率如圖3所示。

2.2 評價指標

為了驗證IPSO-BPNN模型對于屋頂光伏出力功率預測的準確性，并客觀評價模型的預測效果，分別利用均方根誤差、平均絕對誤差和決定系數等評價指標對該模型的預測性能進行評價，分別如下所示。

均方根誤差（RMSE），其公式如下：

2.3 預測結果分析

為測試不同季節下IPSO-BPNN模型對于屋頂光伏出力預測的精度，本文將所有一年中采集的歷史屋頂光伏出力功率數據和特征數據分為春季數據、夏季數據、秋季數據和冬季數據。分別利用4種季節的歷史數據對IPSO-BPNN模型進行訓練，并將LSTM模型、SVR模型和基本BPNN模型作為對比模型。分別利用上述模型對所選取的典型日的屋頂光伏出力功率進行預測。春季典型日的預測結果如圖4所示。夏季典型日的預測結果如圖5所示。秋季典型日的預測結果如圖6所示。冬季典型日的預測結果如圖7所示。

由圖4～圖7可知，本文所提出的IPSO-BPNN預測模型在4個季節中對屋頂光伏出力功

率預測的精度均優于基本BPNN、LSTM、SVR模

型。樓宇屋頂光伏出力功率的大小與室外環境溫度有關，隨著環境溫度的不斷降低，屋頂光伏出力功率逐漸減少。冬季典型日下的預測結果

都沒有其他3個季節的預測效果好，這是因為冬

天溫度較低，且太陽光輻射強度容易波動，使得屋頂光伏發電功率波動較大，增加了模型準確預測屋頂光伏出力的難度，所以預測模型的預測精度有所下降。

對3種對比模型和本文提出的IPSO-BPNN預測模型的在4個典型日下的預測誤差結果進行統計。不同預測模型的預測誤差表如表1所示。

由表1結果可知，不同預測模型在春季的預測誤差均小于其他3個季節。這是由于春季的環境特征變化穩定，相應的光伏出力功率也相對穩定，所以不同預測模型對于屋頂光伏出力功率的預測精度高，而冬季下的不同預測模型的預測誤差均大于其他3個季節的預測模型。IPSO-BPNN模型在4個季節下的預測性能均優化其他對比模型。在冬季時，IPSO-BPNN預測模型的RMSE比基本BPNN模型、LSTM以及SVR模型分別降低了46.95%、55.37%、52.10%，MAE分別降低了57.74%、62.06%、61.61%，R2分別提高了3.17%、4.27%、3.25%。

綜上所述，本文所提出的IPSO-BPNN模型對于屋頂光伏出力功率具有更好的預測精度。在相同測試條件下，通過對模型多次訓練和預測，基本BPNN、LSTM、SVR模型的預測結果出現了波動，而IPSO-BPNN模型的預測結果表現出更為穩定，沒有發生顯著的大幅變化。結果表明，IPSO-BPNN屋頂光伏出力功率超短期預測模型在收斂速度和預測精度方面都呈現出更為卓越的性能。

雖然IPSO-BPNN模型提高了基本BPNN模型對屋頂光伏出力功率的預測精度，但在數據收集，模型選擇和訓練以及系統集成的過程中，仍會由于傳感器故障導致的數據來源不準確、訓練數據不足、訓練過程不合理、模型網絡結構設計不當、評估指標選擇不當以及模型與實際系統集成有響應延遲等問題而造成對光伏出力功率預測的誤差。

因此，隨著新數據的不斷積累，須對模型進行重新訓練以適應外部環境的變化，以及持續學習和更新模型，并結合衛星遙感數據、歷史天氣模式、周圍建筑物遮擋等信息，通過多源數據融合以及用戶反饋的措施，將實際出力與預測出力進行比較，不斷調整和優化模型，以進一步提高樓宇屋頂光伏出力功率預測的準確性和可靠性。

3 結 語

為了實現對屋頂光伏出力功率的準確預測，使建筑能夠穩定地消納屋頂光伏出力。本文建立了一種基于IPSO-BPNN的屋頂光伏出力功率超短期預測模型，通過引入Sine混沌序列初始化和精英粒子反向學習策略對基本的PSO算法進行改進，并利用改進的IPSO算法對基本BPNN模型的隱含層節點數和權值進行優化，利用優化超參數后的BPNN模型對樓宇屋頂光伏出力功率進行預測。預測模型性能對比驗證結果表明，IPSO-BPNN的屋頂光伏出力功率超短期預測模型在4個不同的季節下對屋頂光伏出力功率的預測精度均高于基本BPNN、LSTM、SVR模型的預測精度。基于IPSO-BPNN的預測模型在預測精度和穩定性上都取得了顯著的提升。這一研究為建筑能夠穩定消納屋頂光伏出力提供了可行的解決方案。

［1］ 張巖，黃苡，張伊婷，等.“雙碳”政策下消費者對氫燃料電池汽車購買意向的研究［J］.時代汽車，2023（21）：157-159.

［2］ 趙金宇，謝丹鳳.“雙碳”背景下的建筑節能與碳減排應對分析［J］.上海節能，2023（9）：1275-1278.

［3］ 張馬斌.光伏建筑一體化技術應用研究［J］.中國建筑裝飾裝修，2024（1）：103-105.

［4］ 張華，王立雄，李卓.城市建筑屋頂光伏利用潛力評估方法及其應用［J］.城市問題，2017（2）：33-39.

［5］ 王育飛，楊啟星，薛花.考慮混沌特征的增強型大腦情緒神經網絡光伏發電功率超短期預測模型［J］.高電壓技術，2021，47（4）：1165-1177.

［6］ 王晶，黃越輝，李馳，等.考慮空間相關性和天氣類型劃分的多光伏電站時間序列建模方法［J］.電網技術，2020，44（4）：1376-1384.

［7］ 劉杰，陳雪梅，陸超，等.基于數據統計特性考慮誤差修正的兩階段光伏功率預測［J］.電網技術，2020，44（8）：2891-2897.

［8］ 楊茂，周宜.計及風電場狀態的風電功率超短期預測［J］.中國電機工程學報，2019，39（5）：1259-1268.

［9］ 譚建斌，段春艷，班群.基于改進神經網絡的光伏發電功率短期預測方法研究［J］.可再生能源，2019，37（8）：1192-1197.

［10］ 劉磊，姜博文，周恒揚，等.融合改進Sine混沌映射的新型粒子群優化算法［J］.西安交通大學學報，2023，57（8）：182-193.

［11］ 李佳，王強，沈毅，等.壓縮感知中測量矩陣與重建算法的協同構造［J］.電子學報，2013，41（1）：29-34.

收稿日期： 2024-03-15

Ultra-Short-Term Prediction of Building Rooftop Photovoltaic

Output Power Based on IPSO-BPNN

LU Juan1， HE Xin2， LI Minghai2， DENG Kunsheng3

（1.Design and Research Institute Co.， Ltd.， Xi’an University of Architecture and Technology，

Xi’an 710055， China; 2.School of Mechanical and Electrical Engineering， Xi’an University of

Architecture and Technology， Xi’an 710055， China; 3.College of Information and Control

Engineering， Xi’an University of Architecture and Technology， Xi’an 710055， China）

Abstract：

In the context of building-integrated photovoltaic technology，accurate prediction of rooftop photovoltaic output power is crucial for optimizing building energy management and ensuring the stable grid connection of PV electricity.Based on this，this paper proposes a rooftop PV output power ultra-short-term prediction model based on improved particle swarm optimization and backpropagation neural network（IPSO-BPNN）.This model improves the basic particle swarm optimization（PSO） algorithm by introducing Sine chaotic sequence initialization and elite particle reverse learning strategy，and utilizes this algorithm to optimize the hyperparameters of the basic BPNN model，thereby achieving more accurate prediction of rooftop PV output power.Performance testing experiments of the prediction model demonstrate significant improvements in prediction accuracy and stability across different seasons.The proposed IPSO-BPNN model accurately forecasts rooftop PV electricity generation，providing a practical solution for the stable operation and energy management of building-integrated photovoltaic systems.

Key words：

building-integrated photovoltaics; rooftop photovoltaics; backpropagation neural network; particle swarm optimization algorithm; photovoltaic output power prediction