賀 文，齊 爽，陳厚合（.國網(wǎng)寧夏電力公司，銀川 75000；.東北電力大學(xué)電氣工程學(xué)院，吉林 30）

蟻群BP神經(jīng)網(wǎng)絡(luò)的光伏電站輻照強度預(yù)測

賀 文1，齊 爽2，陳厚合2
（1.國網(wǎng)寧夏電力公司，銀川 750001；2.東北電力大學(xué)電氣工程學(xué)院，吉林 132012）

摘要：為了提高光伏電站輻照強度的預(yù)測精度，本文提出了基于蟻群改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的預(yù)測方法。首先，分析了輻照強度的影響因素，從中篩選出緯度、海拔、天氣類型、日照時數(shù)、溫度、空氣質(zhì)量、相對濕度、風(fēng)速、大氣壓強等最優(yōu)影響因子作為模型的輸入；其次，通過建立新的傳遞函數(shù)，采用最小均方誤差能量函數(shù)法進(jìn)行自動優(yōu)化隱含層數(shù)；按月份建立蟻群改進(jìn)BP神經(jīng)網(wǎng)絡(luò)模型，對輻照強度進(jìn)行預(yù)測。預(yù)測結(jié)果與BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對比，表明該方法有效提高了輻照強度的預(yù)測精度。

關(guān)鍵詞：光伏電站；輻照強度；蟻群算法；改進(jìn)BP神經(jīng)網(wǎng)絡(luò)；預(yù)測

太陽能是綠色可再生能源，光伏發(fā)電系統(tǒng)很好地利用了太陽能的清潔性與經(jīng)濟性，已經(jīng)受到了各國的重視。隨著光伏發(fā)電并網(wǎng)規(guī)模的不斷擴大，光伏發(fā)電系統(tǒng)功率的輸出對電網(wǎng)的影響也日益凸顯。光伏發(fā)電功率預(yù)測的準(zhǔn)確與否直接關(guān)系到電力系統(tǒng)調(diào)度部門能否及時合理安排電網(wǎng)運行方式，從而采取措施調(diào)整調(diào)度計劃，以提高電力系統(tǒng)的安全性與穩(wěn)定性［1-2］。

目前，光伏發(fā)電功率預(yù)測的方法有兩種：一種是直接預(yù)測方法，利用光伏電站的歷史輸出功率進(jìn)行預(yù)測；另一種是間接預(yù)測方法，基于輻照強度預(yù)測光伏發(fā)電系統(tǒng)的輸出功率。間接預(yù)測方法依賴于復(fù)雜的輻照強度預(yù)測模型和精準(zhǔn)的氣象預(yù)報信息，目前尚未成熟［3］。因此，若能準(zhǔn)確預(yù)測光伏電站輻照強度，將會降低光伏電站并網(wǎng)時對電網(wǎng)的影響，從而保證電力系統(tǒng)的可靠性與經(jīng)濟性。

目前人工神經(jīng)網(wǎng)絡(luò)ANN（artificial neural net?work）［4-6］模型在輻照強度預(yù)測方面取得了較大的成就。尤其是應(yīng)用廣泛的BP（back propagation）神經(jīng)網(wǎng)絡(luò)，它具有自組織、自適應(yīng)和自學(xué)能力，特別適用于處理需要同時考慮許多因素和不精確條件的模糊信息問題。但是BP神經(jīng)網(wǎng)絡(luò)算法有它自身的局限性，例如局部搜索能力使其易陷入局部極小值、收斂時間長、泛化能力弱等缺點。有研究證明，兩種或兩種以上的組合預(yù)測優(yōu)于單個預(yù)測效果，可以提高預(yù)測精度［7-8］。

本文提出了基于蟻群改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的光伏電站輻照強度預(yù)測方法，分析了輻照強度的多個重要影響因子，將其作為模型的輸入變量，并創(chuàng)建新的網(wǎng)絡(luò)函數(shù)，實現(xiàn)網(wǎng)絡(luò)結(jié)構(gòu)自動優(yōu)化確定。利用石嘴山第四光伏發(fā)電站歷史數(shù)據(jù)，驗證了該預(yù)測方法的準(zhǔn)確性與穩(wěn)定性。

1 蟻群改進(jìn)BP神經(jīng)網(wǎng)絡(luò)基本原理

1.1 BP神經(jīng)網(wǎng)絡(luò)基本原理

BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層、輸出層構(gòu)成［9］。它能夠以任意精度逼近非線性映射，是一種以信號傳播為基礎(chǔ)的學(xué)習(xí)過程，信號在傳播的過程中可分為正向傳播和反向傳播兩種過程：

（1）正向傳播過程：輸入數(shù)據(jù)通過隱含層的處理映射，在輸出層計算實際輸出值；

（2）反向傳播過程：當(dāng)輸出層沒有得到誤差允許范圍內(nèi)的輸出值時，BP神經(jīng)網(wǎng)絡(luò)將逐層遞歸計算實際值與期望值的差值（誤差），然后根據(jù)差值將其錯誤部分反方向傳播，在反方向傳播過程中處理各個單元的錯誤信號，從而獲得其中的誤差信號。重復(fù)其過程，若輸出值與期望值接近，則訓(xùn)練結(jié)束。

1.2 蟻群算法基本原理

蟻群算法ACA（ant colony algorithm）［10-11］是一種模擬螞蟻群從巢穴到達(dá)食物源尋找最優(yōu)路徑的搜索優(yōu)化算法。螞蟻在覓食過程中釋放的信息素具有通訊功能。通過信息素的累積而形成的正反饋機制的調(diào)節(jié)作用，加快了系統(tǒng)尋找最優(yōu)解的速度，使螞蟻覓食路徑向全局最優(yōu)的方向進(jìn)行，從而獲得全局的相對最優(yōu)解。此外，該算法采用分布式并行計算，對問題的解進(jìn)行全局搜索，避免了局部極小值問題。

1.3 蟻群算法與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的基本原理

BP神經(jīng)網(wǎng)絡(luò)隨機產(chǎn)生初始權(quán)值和閾值，若初值選擇不當(dāng)，會使網(wǎng)絡(luò)收斂速度緩慢或不收斂，或者得到一個局部最小解而非全局最優(yōu)解。BP神經(jīng)網(wǎng)絡(luò)采用梯度下降法對網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行修正來尋求最優(yōu)解，因此會出現(xiàn)振蕩，網(wǎng)絡(luò)性能下降，學(xué)習(xí)速度慢，陷入局部極小值等問題。蟻群算法具有智能全局搜索優(yōu)化能力，并有較好的魯棒性等優(yōu)點。用蟻群算法訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，可兼有BP神經(jīng)網(wǎng)絡(luò)的非線性映射能力和蟻群算法的全局優(yōu)化能力，克服了BP神經(jīng)網(wǎng)絡(luò)的缺點。

2 輸入變量的選取

輻照強度預(yù)測是一個復(fù)雜的非線性問題，輻照強度的大小由許多因素共同決定，因此提高輻照強度預(yù)測精度的關(guān)鍵是選擇最優(yōu)的影響因子。近年，霧霾等天氣的出現(xiàn)，空氣質(zhì)量急劇下降，直接影響了太陽能的輻射。空氣質(zhì)量指數(shù)AQI（air quality in?dex）是定量描述空氣質(zhì)量狀況的無量綱指數(shù)，指數(shù)越大，對太陽能輻照強度的影響越大。故本文重點對緯度、海拔、天氣類型、日照時數(shù)、溫度、空氣質(zhì)量、相對濕度、風(fēng)速、大氣壓強進(jìn)行研究，分析這些因素對輻照強度的影響。

2.1 天氣類型對光伏電站輻照強度的影響

不同天氣類型對輻照強度大小影響很明顯，如圖1所示。本文選取了4種天氣類型的輻照強度，晴天的輻照強度規(guī)律性很強，基本呈正態(tài)分布，輻照強度平均值很大，最大值達(dá)到900 W/m2左右；多云天氣類型的輻照強度變化沒有規(guī)律，隨機性、波動性很強，這給輻照強度的預(yù)測增加難度；小雨/陰、陣雨/中雨等天氣類型的輻照強度時刻都在變化，且輻照強度平均值很小，最大值在300 W/m2左右，這會對光伏并網(wǎng)運行的安全穩(wěn)定性造成影響。

圖1 輻照強度與天氣類型的關(guān)系曲線Fig.1 Curves of relationship between radiation intensity and weather type

由于不同天氣類型的輻照強度和變化規(guī)律相差很大，所以考慮天氣類型越全面，預(yù)測結(jié)果的精度越高。本文把天氣預(yù)報基本出現(xiàn)的天氣類型進(jìn)行總結(jié)，歸納出49種常見的天氣類型（見表1），如晴天、晴/云、多云/晴等。類似于晴/雷陣雨歸類于晴/小雨；冬天的輻照強度值相對較小，所以晴/大雪、晴/中雪和晴/小雪歸為晴/雪一類，減小了信息冗雜。

表1 49種常見天氣類型Tab.1 49 common types of weather

2.2 溫度對光伏電站輻照強度的影響

溫度對輻照強度的影響如圖2所示。由于溫度和輻照強度的單位和數(shù)量級都不同，直接檢驗兩者的關(guān)系效果不明顯，把溫度和輻照強度的數(shù)據(jù)進(jìn)行歸一化處理。選取石嘴山第四光伏發(fā)電站2013 年6月24日的數(shù)據(jù)進(jìn)行檢驗，由圖2可知，溫度曲線與輻照強度曲線的走勢相似，溫度對輻照強度具有正相關(guān)性，故把溫度作為預(yù)測模型的輸入變量。

圖2 輻照強度與溫度相關(guān)性曲線Fig.2 Correlation curves between radiation intensity and temperature

圖3 輻照強度與相對濕度相關(guān)性曲線Fig.3 Correlation curves between radiation intensity and relative humidity

2.3 相對濕度和風(fēng)速對光伏電站輻照強度的影響

選取石嘴山第四光伏發(fā)電站2013年6月24日的數(shù)據(jù)，在天氣類型、溫度相同的情況下，環(huán)境的相對濕度和風(fēng)速與輻照強度的關(guān)系如圖3和圖4所示。由圖可知，環(huán)境的相對濕度和風(fēng)速與輻照強度呈現(xiàn)負(fù)相關(guān)性，相對濕度越小，輻照強度越大；風(fēng)速變化越緩和，輻照強度越大。故本文把相對濕度和風(fēng)速作為預(yù)測模型的輸入變量。

圖4 輻照強度與風(fēng)速相關(guān)性曲線Fig.4 Correlation curves between radiation intensity and wind speed

2.4 其他因素對光伏電站輻照強度的影響

位置的不同，太陽能到達(dá)地面的輻射強度不同。緯度高低，影響太陽高度角的大小，高度角大小又影響著輻射強度；海拔高與大氣稀薄度成反比，海拔高的地方到達(dá)地面的太陽輻射強。日照時數(shù)的長短直接影響太陽能輻射強度。大氣壓強與季節(jié)、天氣類型、溫度、空氣密度等因素有關(guān)，它是一個綜合影響因素，故把緯度、海拔、日照時數(shù)、大氣壓強作為預(yù)測模型的輸入變量。

3 蟻群與改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的設(shè)計

3.1 建立新傳遞函數(shù)

BP神經(jīng)網(wǎng)絡(luò)中傳遞函數(shù)的作用是模擬生物神經(jīng)元所具有的非線性傳遞特征，傳遞函數(shù)的選取不當(dāng)可能導(dǎo)致收斂速度慢、局部極小值等問題。本文建立了新的傳遞函數(shù)—Sch函數(shù)為

f（x）在坐標(biāo)原點附近具有較陡和較寬的峰，能將（-∞，+∞）的輸入分別映射到（0，1）中。由于輻照強度沒有負(fù)值且信息分布存儲在各神經(jīng)元傳遞函數(shù)中，在神經(jīng)元個數(shù)不變時，Sch傳遞函數(shù)比BP神經(jīng)網(wǎng)絡(luò)中的傳統(tǒng)函數(shù)具有更好的非線性映射能力，同時增強了大規(guī)模并行信息處理能力。由于網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)不會變，當(dāng)網(wǎng)絡(luò)計算輸出值和期望值接近時，不需要大量的附加運算，使運算速度加快。

3.2 網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化確定

輻照強度的數(shù)據(jù)雖然具有非平穩(wěn)性，但曲線整體呈現(xiàn)正態(tài)分布，本文選用的網(wǎng)絡(luò)結(jié)構(gòu)為3層，建立能夠容納龐大樣本數(shù)據(jù)的預(yù)測模型，以輻照強度、緯度、海拔、天氣類型、最高溫度、最低溫度、空氣質(zhì)量、相對濕度、風(fēng)速、日照時數(shù)、大氣壓強作為模型的輸入，網(wǎng)絡(luò)的輸出為

式中：y（t）為網(wǎng)絡(luò)第t個節(jié)點的輸出值；ωij和ωjk分別為網(wǎng)絡(luò)輸出層到隱含層的連接權(quán)值、隱含層到輸出層的連接權(quán)值；qj和qk分別為網(wǎng)絡(luò)輸出層到隱含層的閾值、隱含層到輸出層的閾值；T為Sch函數(shù)的個數(shù)，通過最小均方誤差能量函數(shù)進(jìn)行優(yōu)化確定。最小均方誤差公式為

式中：y*（t）為輻照強度的實測值；T采用逐步檢驗法確定。在預(yù)測前給定一個擬合誤差值H，若最小均方誤差小于H，則T取值1，計算t的值。若t＜H，則T=1；反之，T取值2，以此類推，逐步取值直到T=T*值，ET*＜H，若取值T=T*+1時，ET*+1＞H，此時的T*為最優(yōu)模式數(shù)，即最優(yōu)隱含層個數(shù)。本文的蟻群改進(jìn)BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。

圖5 蟻群改進(jìn)BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.5 Structure of ant colony improved BP neural network

3.3 蟻群算法對改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

若已確定的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中共有n個權(quán)值和閾值，將權(quán)值和閾值進(jìn)行編號處理為ω1，ω2，…，ωn，將ωi（1≤i≤n）分別設(shè)置m個非零隨機值，從而形成集合Lωi（1≤i≤n）。如果蟻群中有Z只螞蟻離開蟻穴出去尋找食物，則τj（Lωi）為集合Lωi中第j個元素的信息素。每只螞蟻根據(jù)Lωi的信息狀態(tài)從中選擇一個元素，并調(diào)節(jié)這個元素的信息素。信息素的計算公式為

式中：ρ為殘留信息的持久度；Δτjk（Lωi）為第k只螞蟻一次循環(huán)在集合Lωi上第j個元素上留下的信息素；τj（Lωi）（t+m）為t+m時刻在集合Lωi上第j個元素的信息素。

由此可知第k只螞蟻選擇集合Lωi上第j個元素的信息素狀態(tài)轉(zhuǎn)移概率為

當(dāng)所有的Z只螞蟻在Lωi中都選擇了一個元素，到達(dá)食物源，即完成了在BP神經(jīng)網(wǎng)絡(luò)中選擇了一組權(quán)值和閾值。然后螞蟻再原路返回到蟻穴，同時優(yōu)化調(diào)節(jié)螞蟻所選的元素的信息素，反復(fù)迭代過程中找到全局最優(yōu)解。本文蟻群改進(jìn)BP神經(jīng)網(wǎng)絡(luò)算法的流程如圖6所示。

圖6 蟻群改進(jìn)BP神經(jīng)網(wǎng)絡(luò)算法流程Fig.6 Flow chart of ant colony improved BP neural network algorithm

4 算例驗證

4.1 預(yù)測結(jié)果分析

本文歷史輻照強度、氣象因素由寧夏石嘴山第四光伏發(fā)電站提供，其位于東經(jīng)106°59′，北緯39°11′上，海拔高度為1 110 m～1 125 m，總裝機容量為30MWp，并網(wǎng)電壓為35 kV，發(fā)電單元個數(shù)為13 200個。

2012年7月1日—2014年8月1日的完整輻照強度相近，溫度、日照時數(shù)、大氣壓強等因素變化差異也很小，本文采用按月份分類方法對輻照強度進(jìn)行預(yù)測，共12個預(yù)測模型。這種分類方法大大減少了運算量和信息的冗余，提高訓(xùn)練速度。模型分別對2013年11月25日、2014年1月31日、2014年4 月17日、2014年7月2日的輻照強度進(jìn)行預(yù)測，預(yù)測時間尺度15 min。預(yù)測結(jié)果如圖7所示。

圖7 預(yù)測結(jié)果曲線Fig.7 Curves of predicted results

圖7（a）是2013年11月25日的輻照強度的實測值和預(yù)測值，把2012年11月份和2013年11月 1—24日的歷史輻照強度、緯度、海拔、每天的天氣類型（49種的一種）、最高溫度、最低溫度、空氣質(zhì)量指數(shù)、平均相對濕度、平均風(fēng)速、日照時數(shù)、大氣壓強作為1月份模型的輸入量，其中歷史輻照強度數(shù)據(jù)1 620個，影響輻照強度的因素共486個，共1 620個數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。對2013年11月25日的輻照強度進(jìn)行預(yù)測，天氣晴，最高溫度6℃，最低氣溫-1℃，空氣質(zhì)量指數(shù)35，平均風(fēng)速3.147 65 m/s，平均相對濕度35.827 04%，日照時數(shù)9.75 h，大氣壓強88.05 kPa，經(jīng)過反復(fù)訓(xùn)練，蟻群參數(shù)選為ρ=0.7，螞蟻數(shù)量為32，信息強度為54，最優(yōu)隱含層數(shù)為10個。由圖7（a）可知，晴天的預(yù)測值與實測值相吻合，預(yù)測效果很好。圖7（b）是2014年1月31日的輻照強度的實測值和預(yù)測值，當(dāng)天的天氣為晴/多云，最高溫度11℃，最低氣溫-6℃，空氣質(zhì)量指數(shù)57，平均相對濕度25.433 79%，日照時數(shù)9.75 h，平均風(fēng)速2.250 56 m/s，大氣壓強90.09 kPa，把歷史輻照強度和影響因素共1 654個數(shù)據(jù)作為輸入對1月份神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，經(jīng)過反復(fù)訓(xùn)練，蟻群參數(shù)選為ρ=0.6，螞蟻數(shù)量為32，信息強度為41，最優(yōu)隱含層數(shù)為11個，預(yù)測取得良好的效果。圖7（c）是2014年4月17日的輻照強度的實測值和預(yù)測值，當(dāng)天的天氣為陰/多云，最高溫度15℃，最低氣溫8℃，空氣質(zhì)量指數(shù)67，平均風(fēng)速1.774 57 m/s，平均相對濕度31.907 21%，日照時數(shù)12.75 h，大氣壓強93.48 kPa，把歷史輻照強度和影響因素共2 817個數(shù)據(jù)作為輸入對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，蟻群參數(shù)選為ρ=0.8，螞蟻數(shù)量為51，信息強度為76，最優(yōu)隱含層數(shù)為10個。由圖7（c）可知，陰/多云的天氣類型輻照強度隨機變化，沒有規(guī)律可循，預(yù)測值與實測值也很接近，在一定程度上達(dá)到工程要求。圖7（d）是2014年7月2日的輻照強度的實測值和預(yù)測值，當(dāng)天的天氣為多云/雷陣雨，最高溫度32℃，最低氣溫19℃，空氣質(zhì)量指數(shù)38，平均相對濕度40.69%，平均風(fēng)速5.998 54 m/s，日照時數(shù)5 h，大氣壓強96.42 kPa，把歷史輻照強度和影響因素共3 968個數(shù)據(jù)作為輸入對7月份神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，蟻群參數(shù)選為ρ=0.7，螞蟻數(shù)量為54，信息強度為32，最優(yōu)隱含層數(shù)為12個，預(yù)測曲線和實測曲線趨勢一致，誤差在較小的范圍內(nèi)。

上述預(yù)測結(jié)果表明，按月份分類的預(yù)測方法是合理的，在不同天氣類型下的預(yù)測結(jié)果都有較好的預(yù)測精度。個別預(yù)測點誤差大些，這可能因為在采集數(shù)據(jù)中，由于測量儀器誤差因素，導(dǎo)致了實測數(shù)據(jù)包含一些壞點，天氣類型的隨機性及不確定性，使得預(yù)測結(jié)果不準(zhǔn)確。但是總體上預(yù)測值與實測值很接近。

4.2 與BP神經(jīng)網(wǎng)絡(luò)模型的RMSE對比

對預(yù)測模型的結(jié)果進(jìn)行估計，本文采用均方根誤差RMSE，即

式中，n為網(wǎng)絡(luò)的輸出個數(shù)。

基于蟻群改進(jìn)BP神經(jīng)網(wǎng)絡(luò)模型對輻照強度進(jìn)行預(yù)測，上述4天的預(yù)測結(jié)果與BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果進(jìn)行對比，表明蟻群改進(jìn)BP神經(jīng)網(wǎng)絡(luò)模型有效提高了特殊天氣類型的預(yù)測精度。RMSE對比結(jié)果如表2所示。

表2 RMSE對比結(jié)果Tab.2 Comparison results of RMSE values %

5 結(jié)語

本文針對輻照強度的隨機性、間歇性、非線性等特點，按月份建立蟻群改進(jìn)BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測光伏電站的輻照強度，設(shè)計了模型的傳遞函數(shù)、最優(yōu)輸入變量及隱含層的確定方法，克服了神經(jīng)網(wǎng)絡(luò)難以確定隱含層數(shù)的困難。同時對常見天氣類型細(xì)致劃分為49種，解決了特殊天氣類型模糊預(yù)測的問題。預(yù)測結(jié)果證明了按月份建立的蟻群改進(jìn)BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的可行性與準(zhǔn)確性。

參考文獻(xiàn)：

［1］ Hiyama T，Kitabayashi K.Neural network based estima?tion of maximum power generation from PV module using environmental information［J］.IEEE Trans on Energy Con?version，1997，12（3）：241-247．

［2］陳剛，袁越，傅質(zhì)馨（Chen Gang，Yuan Yue，F(xiàn)u Zhixin）.儲能電池平抑光伏發(fā)電波動的應(yīng)用（Application of stor?age battery to restrain the photovoltaic power fluctuation）［J］.電力系統(tǒng)及其自動化學(xué)報（Proceedings of the CSUEPSA），2014，26（2）：27-31，49.

［3］丁明，王磊，畢月（Ding Ming，Wang Lei，Bi Yue）.基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電系統(tǒng)輸出功率短期預(yù)測模型（A short-term prediction model to forecast output power of photovoltaic system based on improved BP neu?ralnetwork）［J］.電力系統(tǒng)保護(hù)與控制（Power System Protection and Control），2012，40（11）：93-99，148.

［4］Mao P L，Aggarwal R K.A novel approach to the classifi?cation of the transient phenomena in power transformers using combined wavelet transform and neural network［J］.IEEE Trans on Power Delivery，2001，16（4）：654-660．

［5］Perez L G，F(xiàn)lechsig A J，Meador J L，et al.Training an arti?ficial neural network to discriminate between magnetizing inrush and internal faults［J］.IEEE Trans on Power Deliv?ery，1994，9（1）：434-441．

［6］Bastard P，Meunier M，Regal H.Neural network-based al?gorithm for power transformer differential relays［J］.IEE Proceedings-Generation，Transmission and Distribution，1995，142（4）：386-392．

［7］代倩，段善旭，蔡濤，等（Dai Qian，Duan Shanxu，Cai Tao，et al）.基于天氣類型聚類識別的光伏系統(tǒng)短期無輻照度發(fā)電預(yù)測模型研究（Short term PV generation system forecasting model without irradiation based on weather type clustering）［J］.中國電機工程學(xué)報（Proceedings of the CSEE），2011，31（34）：28-35.

［8］嚴(yán)干貴，王東，楊茂，等（Yan Gangui，Wang Dong，Yang Mao，et al）.兩種風(fēng)電功率多步預(yù)測方式的分析及評價（The analysis and evaluation of two ways for multi-step wind power prediction）［J］.東北電力大學(xué)學(xué)報（Journal of Northeast Dianli University），2013，33（1-2）：126-130.

［9］Bates J M，Granger C.The combination of forecast［J］.Oper?ation Research Quarterly，1969，20：451-456.

［10］Dorigo M，Maniezzo V，Colorni A.Ant system：optimiza?tion by a colony of cooperating agents［J］.IEEE Trans on Systems，Man and Cybernetics，1996，26（1）：29-41.

［11］Abachizadeh M，Tahani M.An ant colony optimization ap?proach to multi-objective optimal design of symmetric hy?brid laminates for maximum fundamental frequency and minimum cost［J］.Structural and Multidisciplinary Optimi?zation，2009，37（4）：367-376．

賀 文（1973—），男，博士，高級工程師，研究方向為電網(wǎng)調(diào)度運行。Email：yqdhqs0611@126.com

齊 爽（1989—），女，通訊作者，碩士研究生，研究方向為光伏并網(wǎng)發(fā)電系統(tǒng)。Email：719620760@qq.com

陳厚合（1978—），男，博士，副教授，研究方向為電力系統(tǒng)安全性與穩(wěn)定性分析。Email：chenhouhe@gmail.com

中圖分類號：TM615

文獻(xiàn)標(biāo)志碼：A

文章編號：1003-8930（2016）07-0026-06

DOI：10.3969/j.issn.1003-8930.2016.07.005

作者簡介：

收稿日期：2015-03-24；修回日期：2015-12-28

基金項目：國家自然科學(xué)基金資助項目（51377016）；長江學(xué)者和創(chuàng)新團隊發(fā)展計劃資助項目（IRT1114）；吉林省科技發(fā)展計劃資助項目（20140101080JC）

Prediction of Radiation Intensity for Photovoltaic Power Plants Based on Ant Colony BP Neural Network

HE Wen1，QI Shuang2，CHEN Houhe2
（1.State Grid of Ningxia Electric Power Company，Yinchuan 750001，China；2.Electrical Engineering College，Northeast Dianli University，Jilin 132012，China）

Abstract：In order to improve the prediction accuracy of radiation intensity in photovoltaic power plants，this paper pro?poses a predicted method based on ant colony BP neural network.Firstly，the influencing factors are analyzed，and the optimal factors are selected as the inputs of the model，including latitude，altitude，weather type，sunshine hours，tem?perature，air quality，relative humidity，wind speed，atmospheric pressure.Secondly，a new transfer function is estab?lished，and the number of hidden layers is automatically optimized by the minimum mean square error energy function.At last，twelve ant colony BP network models are established by month to predict the radiation intensity.According to the comparison of predicted results between the proposed method and BP neural network model，it is proved that the prediction accuracy is effectively improved.

Key words：photovoltaicpowerplant；radiationintensity；antcolonyalgorithm；improvedBPneuralnetwork；prediction