李龍?zhí)?，羅毅

(四川理工學(xué)院自動(dòng)化與信息工程學(xué)院, 四川自貢643000)

基于GA-BP的分布式光伏發(fā)電預(yù)測(cè)

李龍?zhí)?，羅毅

(四川理工學(xué)院自動(dòng)化與信息工程學(xué)院, 四川自貢643000)

基于分布式光伏發(fā)電在家庭能源管理系統(tǒng)(HEMS)中具有廣泛的應(yīng)用，光伏輸出功率的準(zhǔn)確預(yù)測(cè)影響家用設(shè)備優(yōu)化調(diào)度、并網(wǎng)時(shí)電網(wǎng)的穩(wěn)定性及光伏發(fā)電利用率。對(duì)光伏輸出功率主要影響因素進(jìn)行研究，通過(guò)選取光伏發(fā)電預(yù)測(cè)日相似日天氣類(lèi)型(晴天、多云、陰雨天)，在傳統(tǒng)BP預(yù)測(cè)模型基礎(chǔ)上引入GA優(yōu)化算法，建立GA-BP光伏發(fā)電預(yù)測(cè)模型。分別選取預(yù)測(cè)日相似日天氣類(lèi)型為晴天、陰雨天進(jìn)行實(shí)驗(yàn)仿真，結(jié)果表明所建預(yù)測(cè)模型能夠提高光伏發(fā)電預(yù)測(cè)精度，在HEMS系統(tǒng)中具有一定的實(shí)用價(jià)值。

BP神經(jīng)網(wǎng)絡(luò)；GA-BP神經(jīng)網(wǎng)絡(luò)；光伏發(fā)電預(yù)測(cè)；相似日類(lèi)型

引言

智能電網(wǎng)環(huán)境下家庭能源管理系統(tǒng)(Home Energy Management System，HEMS)的引入，分布式光伏發(fā)電有了更廣闊的應(yīng)用領(lǐng)域。通過(guò)HEMS結(jié)合天氣預(yù)報(bào)信息對(duì)分布式光伏發(fā)電的準(zhǔn)確預(yù)測(cè)、電力部門(mén)公布的實(shí)時(shí)電價(jià)信息、需求響應(yīng)信息和家庭用電設(shè)備歷史運(yùn)行記錄信息等，居民能夠?qū)矣迷O(shè)備進(jìn)行優(yōu)化調(diào)度，同時(shí)將優(yōu)化調(diào)度后多余的光伏發(fā)電賣(mài)給電網(wǎng)獲得收益。既響應(yīng)了國(guó)家《太陽(yáng)能發(fā)電發(fā)展“十二五”規(guī)劃》[1]相關(guān)政策，又滿足居民對(duì)低碳環(huán)保、經(jīng)濟(jì)舒適型家居環(huán)境要求[2]。分布式光伏發(fā)電在節(jié)約居民用電量和減少家庭開(kāi)支的同時(shí)，替代以煤炭等化石燃料為主的火力發(fā)電，對(duì)減少二氧化碳排放、增加可再生能源利用率具有重要意義。但光伏發(fā)電具有間歇性、隨機(jī)性和波動(dòng)性等缺點(diǎn)[3]，對(duì)并網(wǎng)時(shí)電力部門(mén)調(diào)度和居民優(yōu)化調(diào)度家庭設(shè)備都帶來(lái)了困難，因此對(duì)分布式光伏發(fā)電的準(zhǔn)確預(yù)測(cè)變得尤為重要。

目前國(guó)內(nèi)對(duì)分布式光伏發(fā)電短期預(yù)測(cè)大都采用神經(jīng)網(wǎng)絡(luò)算法或?qū)ζ溥M(jìn)行優(yōu)化后的模型進(jìn)行預(yù)測(cè)。文獻(xiàn)[4]分析研究了在HEMS中引入分布式光伏發(fā)電和蓄電池，結(jié)合天氣預(yù)報(bào)信息對(duì)光伏發(fā)電進(jìn)行準(zhǔn)確預(yù)測(cè)，優(yōu)化調(diào)度家庭設(shè)備，但沒(méi)有明確說(shuō)明用何種方法進(jìn)行光伏發(fā)電預(yù)測(cè)。文獻(xiàn)[5]對(duì)BP預(yù)測(cè)模型進(jìn)行改進(jìn)并結(jié)合預(yù)測(cè)日相似日類(lèi)型的方法進(jìn)行預(yù)測(cè)，達(dá)到了所設(shè)的預(yù)測(cè)效果，但沒(méi)有使用遺傳算法(GA)等智能優(yōu)化算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)。文獻(xiàn)[6]研究了GA優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，表明GA-BP模型能得到更好的預(yù)測(cè)效果。

為了提高HEMS中分布式光伏發(fā)電的預(yù)測(cè)精度，本文建立了遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，通過(guò)Matlab仿真驗(yàn)證所建模型的可靠性。

1 影響光伏發(fā)電的因素

1.1光伏發(fā)電出力特性分析

光伏輸出功率Ppv表示為：

Ppv(t)=ηSI[1-0.005(t0+25)]

(1)

其中：η是光伏電池轉(zhuǎn)換效率；S為光伏陣列面積(m2)；I是光照強(qiáng)度(kW/m2)；t0為環(huán)境溫度(℃)。由式(1)可知，光照強(qiáng)度、環(huán)境溫度影響光伏發(fā)電系統(tǒng)功率輸出。

1.2太陽(yáng)輻射強(qiáng)度

圖1為某晴天分布式光伏發(fā)電系統(tǒng)的太陽(yáng)輻射強(qiáng)度與光伏輸出功率曲線。

圖1 晴天太陽(yáng)輻射和分布式光伏輸出功率曲線

由圖1可知，光伏功率輸出受太陽(yáng)輻射的影響較大，隨著太陽(yáng)輻射變化而變化。早上和傍晚光照強(qiáng)度低，輸出功率?。?0∶00～15∶00光照強(qiáng)度高，輸出功率大。

1.3溫度

圖2為(2～7月部分晴天)光伏發(fā)電系統(tǒng)在不同溫度下的日出力數(shù)據(jù)統(tǒng)計(jì)。表1是與圖2對(duì)應(yīng)日的相關(guān)環(huán)境溫度。由圖2可知，在天氣類(lèi)型確定的情況下，分布式光伏發(fā)電系統(tǒng)的輸出功率受環(huán)境溫度的影響較小。

圖2 2～7月部分晴天的光伏輸出功率

表1 2～7月部分晴天的環(huán)境溫度

1.4天氣類(lèi)型

圖3為分布式光伏發(fā)電系統(tǒng)在不同天氣類(lèi)型下的光伏輸出功率曲線。由圖3可知，光伏輸出功率曲線在不同的天氣類(lèi)型下變化趨勢(shì)較大，受影響較明顯。

圖3 陰雨、多云和晴天的光伏輸出功率曲線

圖4為相鄰晴天的光伏輸出功率曲線，可以近似地看成光照強(qiáng)度一樣。由圖4可知相同天氣類(lèi)型的光伏輸出功率具有很大的相似性。

圖4 相近天氣類(lèi)型為晴天的光伏輸出功率曲線

1.5四季

光伏發(fā)電系統(tǒng)的輸出功率會(huì)受四季的影響，主要是因?yàn)樗募竟庹諒?qiáng)度不同和光照時(shí)間長(zhǎng)短不一樣造成的。

2 GA-BP預(yù)測(cè)模型設(shè)計(jì)

2.1相似日類(lèi)型的選取

(1) 從分布式光伏發(fā)電系統(tǒng)輸出功率數(shù)據(jù)庫(kù)中篩選出與預(yù)測(cè)日天氣類(lèi)型一致的m條數(shù)據(jù)，生成數(shù)據(jù)集d。

(2) 計(jì)算數(shù)據(jù)集d中與預(yù)測(cè)日的環(huán)境溫度歐氏距離：

(2)

式中：y1、y2、y3為光伏發(fā)電預(yù)測(cè)日的最低環(huán)境溫度、平均環(huán)境溫度和最高環(huán)境溫度；xi1、xi2、xi3(其中i=1,2,…,m)分別為數(shù)據(jù)樣本集d中第i條數(shù)據(jù)的最低環(huán)境溫度、平均環(huán)境溫度和最高環(huán)境溫度。

(3) 環(huán)境溫度歐氏距離集d={d1,d2,…,dn}中數(shù)值最小值即為預(yù)測(cè)日相對(duì)應(yīng)的相似日。

2.2 GA-BP神經(jīng)網(wǎng)絡(luò)

2.2.1遺傳算法

遺傳算法(Genetic Algorithm,GA)是一種全局優(yōu)化算法，通過(guò)編碼、選擇、交叉和變異等算法交換種群中染色體的信息，生成符合優(yōu)化目標(biāo)的染色體。

2.2.2 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種誤差反向傳播訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，其網(wǎng)絡(luò)預(yù)測(cè)模型通過(guò)輸入信號(hào)正向傳遞和誤差信號(hào)反向傳播來(lái)實(shí)現(xiàn)訓(xùn)練過(guò)程的[7]。其拓?fù)浣Y(jié)構(gòu)如圖5所示。

圖5 BP神經(jīng)網(wǎng)絡(luò)拓?fù)鋱D

由圖5可知，GA-BP預(yù)測(cè)模型輸入為相似日光伏發(fā)電從7∶00～18∶00相似日、預(yù)測(cè)日的最低環(huán)境溫度、平均環(huán)境溫度和最高環(huán)境溫度及輸出的平均功率(W/h)，共18個(gè)輸入變量；輸出為預(yù)測(cè)日光伏發(fā)電從7∶00～18∶00輸出的平均功率(W/h)，共12個(gè)輸出變量。

(1) 輸入信號(hào)正向傳遞

隱含層輸出H=[h1,h2,...,hj]計(jì)算：

(3)

式中：j=1,2,…,l(l為隱含層節(jié)點(diǎn)數(shù))；X=[x1,x2,…,xn]為網(wǎng)絡(luò)輸入變量；wij為連接權(quán)值；a為閾值；f為隱含層激勵(lì)函數(shù)，表示為：

(4)

計(jì)算輸出層預(yù)測(cè)輸出O=[O1,O2,…,Om]：

(5)

式中：wjk為連接權(quán)值；b為閾值。

(2) 誤差信號(hào)反向傳播

神經(jīng)網(wǎng)絡(luò)誤差e表示為：

ek=Yk-Ok(k=1,2,...,m)

(6)

式中：O、Y分別為預(yù)測(cè)和期望輸出。

由網(wǎng)絡(luò)預(yù)測(cè)誤差e更新權(quán)值wij、wjk：

(i=1,2,...,n;j=1,2,...,m)

(7)

wjk=wjk+ηHjek

(j=1,2,...,l;k=1,2,...,m)

(8)

其中：η為學(xué)習(xí)速率。

(3) 由網(wǎng)絡(luò)預(yù)測(cè)誤差e更新閾值a、b：

(j=1,2,...,l)

(9)

bk=bk+ek(k=1,2,...,m)

(10)

由于BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型易陷入局部最優(yōu)、預(yù)測(cè)精度不高等缺點(diǎn)[8]。GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型就是用GA的全局優(yōu)化性能優(yōu)化 BP 神經(jīng)網(wǎng)絡(luò)模型的連接權(quán)值(wij和wjk)和閾值(a和b)[9]。

2.3 GA-BP算法流程

GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型就是為了得到模型最優(yōu)的初始權(quán)值和閾值[10]，具體實(shí)現(xiàn)步驟如下：

(1) 編碼，種群初始化

隱含層通過(guò)公式(11)和反復(fù)實(shí)驗(yàn)調(diào)試網(wǎng)絡(luò)預(yù)測(cè)模型確定為16個(gè)。由圖5可知，GA-BP網(wǎng)絡(luò)結(jié)構(gòu)為18-16-12，則有288個(gè)wij和192個(gè)wjk，16個(gè)a和12個(gè)b。遺傳算法優(yōu)化的參數(shù)個(gè)數(shù)為288+192+16+12，即個(gè)體的二進(jìn)制編碼長(zhǎng)度為5080。

(11)

式中：l為隱含層節(jié)點(diǎn)數(shù)；n為輸入層節(jié)點(diǎn)數(shù)；a∈[1,10]之間的常數(shù)。

(2) 適應(yīng)度函數(shù)

個(gè)體適應(yīng)度f(wàn)計(jì)算：

(12)

式中：m為BP神經(jīng)網(wǎng)絡(luò)輸出節(jié)點(diǎn)數(shù)；k為系數(shù)；yi、Oi分別為預(yù)測(cè)模型第i個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)的期望和預(yù)測(cè)輸出。

(3) 選擇交叉和變異

本文選擇個(gè)體用輪盤(pán)賭法。個(gè)體被選擇的概率為：

(13)

式中：fi為某個(gè)個(gè)體i的適應(yīng)度，NP為種群大小。

交叉操作：

(A1,A2...Ak-1,Ak...Am-1,Am)

(B1,B2...Bk-1,Bk...Bm-1,Bm)

(A1,A2...Ak-1,Bk...Am-1,Am)

(B1,B2...Bk-1,Ak...Bm-1,Bm)

(14)

交叉概率Pc、變異概率Pm分別表示為：

(15)

(16)

其中：fmax、fAvg為群體中最大和平均適應(yīng)度值；fA、fB為待交叉和變異的適應(yīng)度值。

GA-BP算法流程如圖6。

圖6 GA-BP算法流程圖

3 預(yù)測(cè)結(jié)果及分析

3.1數(shù)據(jù)預(yù)處理

優(yōu)化后預(yù)測(cè)模型輸入變量為7:00～18:00每小時(shí)光伏發(fā)電輸出的平均功率(W/h)，相似日/預(yù)測(cè)日的最低環(huán)境溫度(℃)、平均環(huán)境溫度(℃)和最高環(huán)境溫度(℃)；輸出為預(yù)測(cè)日7∶00～18∶00每小時(shí)平均輸出功率。故需對(duì)數(shù)據(jù)進(jìn)行歸一化：

(17)

式中：x為歸一化后的數(shù)據(jù)；xt、xt,min、xt,max分別為待歸一化數(shù)據(jù)中的待求數(shù)據(jù)、數(shù)據(jù)中的最小值和最大值。

3.2 GA-BP預(yù)測(cè)模型參數(shù)設(shè)置

通過(guò)Matlab寫(xiě)入程序仿真，其參數(shù)設(shè)置見(jiàn)表2。

表2 GA-BP預(yù)測(cè)模型參數(shù)設(shè)置

3.3預(yù)測(cè)模型評(píng)估

本文對(duì)優(yōu)化后模型的預(yù)測(cè)能力用平均絕對(duì)誤差百分比(MAPE)評(píng)估：

(18)

本文選取Ashland光伏發(fā)電數(shù)據(jù)庫(kù)中2016年6～9月某一晴天和陰雨天進(jìn)行光伏發(fā)電預(yù)測(cè)，兩種模型的預(yù)測(cè)和期望輸出曲線如圖7與圖8所示。

圖7 晴天網(wǎng)絡(luò)期望輸出與預(yù)測(cè)曲線

圖8 陰雨天網(wǎng)絡(luò)期望輸出與預(yù)測(cè)曲線

由圖7與圖8可知，在7∶00～18∶00時(shí)間段內(nèi)GA-BP預(yù)測(cè)模型的光伏發(fā)電預(yù)測(cè)輸出比傳統(tǒng)BP預(yù)測(cè)模型更接近期望輸出曲線，預(yù)測(cè)誤差數(shù)據(jù)見(jiàn)表3。晴天輸出功率曲線相對(duì)平緩，由表3可知，BP預(yù)測(cè)誤差為29.10%，GA-BP預(yù)測(cè)誤差為12.37%，預(yù)測(cè)精度提高了16.73%。陰雨天受太陽(yáng)輻射強(qiáng)度的影響，光伏輸出功率曲線波動(dòng)較大，對(duì)光伏發(fā)電預(yù)測(cè)造成很大的困難，但從表3的預(yù)測(cè)誤差分析可知，用遺傳算法優(yōu)化的網(wǎng)絡(luò)預(yù)測(cè)模型，還是大幅提高了光伏發(fā)電的預(yù)測(cè)精度。

表3 晴天和雨天的預(yù)測(cè)誤差數(shù)據(jù)

4 結(jié)束語(yǔ)

本文根據(jù)分布式光伏發(fā)電在HEMS系統(tǒng)中結(jié)合氣象信息準(zhǔn)確預(yù)測(cè)的重要性，對(duì)影響分布式光伏發(fā)電預(yù)測(cè)的主要因素進(jìn)行研究，通過(guò)環(huán)境溫度歐氏距離選取預(yù)測(cè)日相似日天氣類(lèi)型作為預(yù)測(cè)模型訓(xùn)練樣本，用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，建立GA-BP預(yù)測(cè)模型，并對(duì)相關(guān)理論進(jìn)行研究，最后通過(guò)仿真驗(yàn)證表明利用GA-BP光伏發(fā)電方法，可以提高預(yù)測(cè)精度，增加家庭經(jīng)濟(jì)效益。

[1] 李雪梅.綜合大廈風(fēng)、光、儲(chǔ)聯(lián)合電及并網(wǎng)的仿真分析[D].西安:西安理工大學(xué),2014.

[2] 傅軍棟,康水華,馬書(shū)研.基于尖峰電價(jià)的家庭能量管理最優(yōu)控制算法[J].計(jì)算機(jī)應(yīng)用研究,2016,33(7):2083-2086.

[3] 應(yīng)曉麗.分布式光伏并網(wǎng)發(fā)電系統(tǒng)的協(xié)同控制[J].城市建設(shè)理論研究:電子版,2015,5(31):2015N2529.doi:10.3969/j.issn.2095-2104.2015.31.419.

[4] 金森鈞.基于分布式發(fā)電和儲(chǔ)能的家庭能量管理系統(tǒng)設(shè)計(jì)與優(yōu)化調(diào)度算法研究[D].杭州:浙江大學(xué),2017.

[5] DING Ming,WANG Lei,BI Rui.A short-term prediction model to forecast output power of photovoltaic system based on improved BP neuralnetwork[J].Power System Protection and Control,2012,40(11):93-99,148.

[6] LIU Chunyan,LING Jianchun,KOU Linyuan,et al.Performance comparison between GA-BP neural network and BP neural network[J].Chinese Journal of Health Statistics,2013,3(2):173-176.

[7] YANG D Q,WANG Y,JIAO Y J.Generation forecasting for photovoltaic system based onwavelet neural networks[J].Renewable Energy Resources,2013,31(7):1-5.

[8] 曾飛艷.一種人工魚(yú)群算法的改進(jìn)及其對(duì)BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化研究[D].湘潭:湖南科技大學(xué),2015.

[9] 孫東旭.基于功率預(yù)測(cè)的風(fēng)電并網(wǎng)優(yōu)化調(diào)度研究[D].北京:北京交通大學(xué),2014.

[10] 鄒曉旭.基于GA-BP神經(jīng)網(wǎng)絡(luò)礦用通風(fēng)機(jī)故診斷研究[J].能源技術(shù)與管理,2015,40(3):149-151.

PredictionofDistributedPhotovoltaicGenerationBasedonGA-BP

LILongtian,LUOYi

(School of Automation & Information Engineering, Sichuan University of Science & Engineering, Zigong 643000, China)

Based on the wide application of distributed photovoltaic power generation in the Home Energy Management System (HEMS), the stability of household equipment, the stability of grid and the utilization rate of photovoltaic power generation are affected by the accurate prediction of PV output power. Through the study of the main influencing factors of PV output power and Photovoltaic power generation forecast day similar to the type of weather (sunny, cloudy, rainy days) selection, GA-based photovoltaic power generation prediction algorithm is introduced on the basis of traditional BP prediction model. The simulation experiments are carried out respectively on sunny days and rainy days. The results show that the proposed model can improve the accuracy of PV forecasting and have certain practical value in HEMS system.

BP neural network; GA-BP neural network; photovoltaic power generation prediction; similar day type

TM615

A

2017-08-16

人工智能四川省重點(diǎn)實(shí)驗(yàn)室基金項(xiàng)目(2012RYY09)

李龍?zhí)?1990-),男,四川達(dá)州人,碩士生,主要從事電力系統(tǒng)及智能控制方面的研究,(E-mail)603902642@qq.com;

羅 毅(1973-),男,四川南部人,教授,碩士,主要從事智能控制和信息處理方面的研究,(E-mail)lylyla@126.com

1673-1549(2017)05-0031-06

10.11863/j.suse.2017.05.06