遲晨

摘 要 近年來，隨著光伏發(fā)電出現(xiàn)井噴式的發(fā)展態(tài)勢，大量發(fā)電系統(tǒng)并入電網(wǎng)中，為了提前獲得光伏發(fā)電項目的可行性結(jié)論，并在此基礎(chǔ)上進(jìn)行系統(tǒng)的進(jìn)一步優(yōu)化，需要對光伏發(fā)電輸出功率進(jìn)行預(yù)測。影響光伏發(fā)電系統(tǒng)功率輸出的主要因素在文章中做了簡要分析，嘗試用 RBF 函數(shù)對光伏發(fā)電功率預(yù)測的人工神經(jīng)網(wǎng)絡(luò)算法進(jìn)行了改進(jìn)，用光伏電站發(fā)電歷史數(shù)據(jù)與天氣情況訓(xùn)練了所建立的模型，并進(jìn)行了簡單預(yù)測。

【關(guān)鍵詞】RBF 函數(shù) 發(fā)電預(yù)測 神經(jīng)網(wǎng)絡(luò) 氣象因素

外界因素極易影響光伏電站的功率輸出，尤其是太陽輻照強(qiáng)度和天氣等因素，其發(fā)電的不穩(wěn)定性會對并網(wǎng)形成沖擊，因此在光伏發(fā)電大規(guī)模應(yīng)用中，發(fā)電量的預(yù)測成了眾多研究重點之一。

本文在建立了光伏發(fā)電系統(tǒng)的短期預(yù)測模型的基礎(chǔ)上，嘗試采用了 RBF 函數(shù)優(yōu)化神經(jīng)網(wǎng)絡(luò)，并對系統(tǒng)一段時間內(nèi)的發(fā)電量用所建立的模型進(jìn)行預(yù)測和分析。

1 光伏發(fā)電功率輸出的影響因素

1.1 氣象影響

光伏發(fā)電系統(tǒng)受多種氣象因素影響。本文嘗試對2017年1月1日～5月30日，5個月的溫度、氣壓、相對濕度、風(fēng)速等逐時發(fā)電量等，采用 Pearson相關(guān)系數(shù)法分析其相關(guān)性。其計算公式為：

結(jié)合閾值等級可見：光伏系統(tǒng)的發(fā)電量受氣溫和相對濕度的影響較大；環(huán)境溫度變化越大發(fā)電量受影響越大；相對濕度變化越大；其他因素相關(guān)性比較低。

1.2 天氣影響

當(dāng)天氣出現(xiàn)云團(tuán)時，其移動和不規(guī)則形狀較大程度上影響了光伏發(fā)電系統(tǒng)是對太陽輻射的反射和吸收。天氣類型主要與云團(tuán)的大小和移動速度有關(guān)，不同的天氣類型，光伏發(fā)電功率的差距很大。

2 光伏發(fā)電系統(tǒng)的功率神經(jīng)網(wǎng)絡(luò)算法

2.1 BP神經(jīng)網(wǎng)絡(luò)

BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)是 1986 年由 Rumelhart 和 McCelland 為首的科研小組提出。

BP 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練就是將測試集用來訓(xùn)練，驗證集代入每次訓(xùn)練后的輸出，求其誤差和，當(dāng)訓(xùn)練誤差的方差趨于 0 而驗證誤差的方差在不斷增大時，算法即可以終止。

按照步驟得到算法如下：初始化數(shù)據(jù)->給定輸入量和目標(biāo)輸出->求隱含層、輸出層各節(jié)點輸出->求目標(biāo)值和實際輸出值單位誤差->計算反向誤差->極值學(xué)習(xí)->判斷學(xué)習(xí)是否結(jié)束，若未結(jié)束則返回重新計算節(jié)點輸出。

2.2 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)優(yōu)化算法（RBF）

任意的非線性函數(shù)都能被 RBF 網(wǎng)絡(luò)輕易擬合，RBF 網(wǎng)絡(luò)可以處理許多難以解析的規(guī)律性，其很快的學(xué)習(xí)和收斂速度，在處理自然語言理解、圖像模式識別、景物理解、不完整信息的處理、智能機(jī)器人控制等方面具有優(yōu)勢。

3 系統(tǒng)預(yù)測模型的結(jié)構(gòu)設(shè)計

3.1 基于歷史天氣情況的神經(jīng)網(wǎng)絡(luò)模型

我們把采集的歷史天氣情況作為數(shù)據(jù)輸入層的輸入數(shù)據(jù)。根據(jù)上文分析結(jié)果得知，需要建立的神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元數(shù)量為3個；同樣，我們把光伏發(fā)電功率作為輸出層的輸出，需要建立的神經(jīng)網(wǎng)絡(luò)輸出層神經(jīng)元數(shù)量為1個。根據(jù)神經(jīng)網(wǎng)絡(luò)的特征，隱含層的節(jié)點數(shù)約為 5 個。

3.2 神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練

我們把實驗室得到的 2017年7月1日-7月30日之間的歷史天氣情況數(shù)據(jù)和光伏發(fā)電系統(tǒng)的輸出數(shù)據(jù)，作為訓(xùn)練神經(jīng)網(wǎng)絡(luò)的樣本，一天從上午八點至下午五點日落，每 1h 采集一次，共采集到 600 組數(shù)據(jù)。用采集到的數(shù)據(jù)作為訓(xùn)練樣本，訓(xùn)練改進(jìn)的神經(jīng)網(wǎng)絡(luò)。

3.3 預(yù)測結(jié)果的分析

我們用 2017 年 8 月 1 日這一天的數(shù)據(jù)作為測試的樣本，共采集到 20 組，用以驗證建立好的神經(jīng)網(wǎng)絡(luò)。圖 1 是實際測試值與預(yù)測的輸出功率比較圖。

分析光伏發(fā)電系統(tǒng)的實際測試值與預(yù)測的輸出功率的百分誤差，從圖 1 可以很清晰地看出，基于天氣數(shù)據(jù)的 RBF 神經(jīng)網(wǎng)絡(luò)預(yù)測光伏發(fā)電功率數(shù)據(jù)波動不并不明顯，誤差值小于 5%。

4 結(jié)論

本文運用 RBF 算法局部尋優(yōu)能力，對神經(jīng)網(wǎng)絡(luò)的初始權(quán)值、閾值進(jìn)行了優(yōu)化，彌補(bǔ)了 BP 神經(jīng)網(wǎng)絡(luò)的初始值隨機(jī)確定、網(wǎng)絡(luò)學(xué)習(xí)容易陷入局部最優(yōu)以及訓(xùn)練時間長等不足。通過對氣象要素進(jìn)行分析，建立了 RBF 神經(jīng)網(wǎng)絡(luò)光伏發(fā)電量預(yù)測模型對典型天氣的發(fā)電量進(jìn)行預(yù)測。本文數(shù)據(jù)結(jié)果顯示，RBF 神經(jīng)網(wǎng)絡(luò)模型具有比 BP 網(wǎng)絡(luò)更好的預(yù)測結(jié)果。

參考文獻(xiàn)

[1]陳昌松，段善旭，殷進(jìn)軍.基于神經(jīng)網(wǎng)絡(luò)的光伏陣列發(fā)電預(yù)測模型的設(shè)計[J].電工技術(shù)學(xué)報，2009，24（09）：153-158.

[2]周毅，侯志明，劉字迪.數(shù)值天氣預(yù)報基礎(chǔ)[M].北京：氣象出版社，2003.

[3]YONA A，SENJYU T，F(xiàn)UNABASHI T. Application of recurrentneural network to short-term-ahead generatingpower forecasting for photovoltaic system[C].IEEE PowerEngineering Society General Meeting.Tampa，F(xiàn)L，USA：Institute of Electrical and Electronics Engineers，2007，1-6.

[4]崔洋，孫銀川，常倬林.短期太陽能光伏發(fā)電預(yù)測方法研究進(jìn)展[J].資源科學(xué)，2013，35（07）：1474-1481.

[5]郭創(chuàng)新，游家訓(xùn)，彭明偉等.基于面向元件神經(jīng)網(wǎng)絡(luò)與模糊積分融合技術(shù)的電網(wǎng)故障智能診斷[J].電工技術(shù)學(xué)報，2010，25（09）：183-190.

作者單位

無錫市產(chǎn)品質(zhì)量監(jiān)督檢驗院 江蘇省無錫市 214101