楊昊巖 張海龍

（1.廣西大學(xué)電氣工程學(xué)院，廣西 南寧 530004；2.廣西電力職業(yè)技術(shù)學(xué)院，廣西 南寧 530007）

光伏發(fā)電易受其運(yùn)行環(huán)境的影響，波動(dòng)較大，因而給光伏高滲透率的電網(wǎng)增加了調(diào)度的難度和復(fù)雜性[1]。準(zhǔn)確預(yù)測(cè)光伏發(fā)電功率將減少這些不利因素對(duì)電網(wǎng)的影響，提高系統(tǒng)運(yùn)行效率和經(jīng)濟(jì)效益[2]。國(guó)內(nèi)外研究學(xué)者在短期光伏發(fā)電預(yù)測(cè)領(lǐng)域取得了一定的研究成果，如，文獻(xiàn)[3]運(yùn)用經(jīng)驗(yàn)?zāi)B(tài)分解法識(shí)別不同的天氣狀態(tài)并建立對(duì)應(yīng)的光伏發(fā)電預(yù)測(cè)模型；文獻(xiàn)[4]采用灰色系統(tǒng)對(duì)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行修正，提高了BP神經(jīng)網(wǎng)絡(luò)（BPNN）的擬合能力，用以提高預(yù)測(cè)精度；文獻(xiàn)[5]結(jié)合地基云圖和RBF神經(jīng)網(wǎng)絡(luò)（RBFNN）實(shí)現(xiàn)了超短期光伏發(fā)電功率預(yù)測(cè)，該模型能夠較好地實(shí)現(xiàn)對(duì)發(fā)電“突變”的預(yù)測(cè)，但需要十分龐大的氣象數(shù)據(jù)作為支撐。

本文通過(guò)灰色關(guān)聯(lián)分析，選取與待測(cè)日氣象特征相似程度較高的歷史日，采用思維進(jìn)化算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)，改善了BP神經(jīng)網(wǎng)絡(luò)泛化能力差、易于陷入局部最優(yōu)等缺點(diǎn)。以溫度、輻照度、風(fēng)速、相對(duì)濕度和歷史發(fā)電量作為輸入因子，對(duì)晴天、陰天、雨天三種天氣類型的光伏發(fā)電功率進(jìn)行預(yù)測(cè)。結(jié)果表明，本文所提的結(jié)合相似日與思維進(jìn)化算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的短期光伏發(fā)電（SDS-MEABP）預(yù)測(cè)方法比BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度更高。

1 光伏發(fā)電影響因素分析

太陽(yáng)輻照強(qiáng)度直接影響光伏電池獲得太陽(yáng)能總量的大小，大氣溫度通過(guò)改變光伏電池表面溫度影響光伏電池最大功率點(diǎn)輸出電壓。圖1、圖2分別為光伏發(fā)電功率與太陽(yáng)輻射強(qiáng)度、大氣溫度的關(guān)系曲線。通過(guò)對(duì)比兩圖曲線可知，光伏發(fā)電隨著輻照強(qiáng)度、溫度的升高而增長(zhǎng)，當(dāng)輻照強(qiáng)度和溫度降低時(shí)，光伏發(fā)電也隨之減少，兩者呈一定的正相關(guān)性。

在同樣的季節(jié)及天氣情況下，當(dāng)面板溫度和大氣溫度基本相等時(shí)，光伏電站發(fā)電量將隨著相對(duì)濕度的提高而降低。原因在于太陽(yáng)光在穿過(guò)大氣層時(shí)，會(huì)隨著相對(duì)濕度的升高而產(chǎn)生更高的能量損耗，面板接收到的太陽(yáng)能因此會(huì)減小。由圖3可知，在其他因素相近的情況下，光伏發(fā)電功率會(huì)隨著相對(duì)濕度的降低而升高，兩者呈現(xiàn)明顯的負(fù)相關(guān)關(guān)系。

圖1 實(shí)時(shí)光伏發(fā)電功率與輻照強(qiáng)度對(duì)比圖

圖2 實(shí)時(shí)光伏發(fā)電功率與氣溫對(duì)比圖

圖3 實(shí)時(shí)光伏發(fā)電功率與相對(duì)濕度對(duì)比圖

風(fēng)速在一定程度上決定了光伏電池的表面溫度，而環(huán)境中顆粒的移動(dòng)情況則影響光伏板遮蔽面積，進(jìn)而對(duì)光伏發(fā)電造成影響。圖4為澳洲光伏基站所在地某日實(shí)時(shí)風(fēng)速與光伏發(fā)電功率的關(guān)系圖，從圖中可觀察到幾乎每時(shí)每刻二者都在波動(dòng)，并且風(fēng)速的波動(dòng)幅度更大，二者的關(guān)聯(lián)性比較弱。

圖4 實(shí)時(shí)光伏發(fā)電功率與風(fēng)速對(duì)比圖

2 SDS-MEABP預(yù)測(cè)模型的建立

2.1 相似日粗集選取

由天氣預(yù)報(bào)得知待測(cè)日的氣象數(shù)據(jù)，從歷史日中選出平均溫度與待測(cè)日相差 3℃以內(nèi)，平均輻照強(qiáng)度、相對(duì)濕度與待測(cè)日相差小于20%的樣本組成相似日粗集A。再運(yùn)用灰色關(guān)聯(lián)分析方法，在相似日粗集A中進(jìn)一步抽取與待測(cè)日具有高度關(guān)聯(lián)的若干歷史日，以這些歷史日作為本文所提出預(yù)測(cè)模型的訓(xùn)練樣本。

灰色關(guān)聯(lián)分析法通過(guò)計(jì)算互相關(guān)聯(lián)因素之間的灰色關(guān)聯(lián)度，比較各因素幾何關(guān)聯(lián)曲線的相似度來(lái)區(qū)別其關(guān)系的緊密程度[6]。本文以集合A的氣象數(shù)據(jù)作為比較序列x，預(yù)測(cè)日的天氣數(shù)據(jù)作為參考序列y，則比較序列與參考序列的關(guān)聯(lián)度ζ為：

上式中：γi(k)為xi與y的關(guān)聯(lián)系數(shù)，n為輸入向量個(gè)數(shù)，k為輸入向量的維度，ρ為常數(shù)取0.5，xi與y為歸一化之后的值。按照求取的灰色關(guān)聯(lián)度，選擇相似日粗集A中綜合關(guān)聯(lián)度大于0.7的所有樣本組成相似日集。

2.2 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)(BackPropagationNeuralNetwork)作為預(yù)測(cè)模型一般包含輸入層、隱藏層和輸出層，其主要工作內(nèi)容包括輸入信息的層層傳遞和誤差的反饋調(diào)整。由輸入層輸入數(shù)據(jù)，經(jīng)隱藏層調(diào)整后在輸出層輸出預(yù)測(cè)值。每一層的單元個(gè)數(shù)、參數(shù)設(shè)置都會(huì)影響最終的輸出結(jié)果。當(dāng)輸出層輸出值不滿足預(yù)先設(shè)定的誤差要求，則會(huì)反向傳播，不斷調(diào)整權(quán)值閾值以滿足誤差要求[7]。BP神經(jīng)網(wǎng)絡(luò)的輸出與誤差表達(dá)式如式（4）、（5）。

近年來(lái)，隨著科技水平的提高，微創(chuàng)的腹腔鏡手術(shù)已經(jīng)得到了患者的認(rèn)同。而無(wú)氣腹腹腔鏡作為腹腔手術(shù)的重要組成部分，在20世紀(jì)90年代初應(yīng)用于臨床［1］。與有氣腹腔鏡相比具有更高的安全性、可操作性且經(jīng)濟(jì)實(shí)用，應(yīng)用范圍日益擴(kuò)大。我院自2010年10月以來(lái)開展婦科無(wú)氣腹腹壁下鋼針懸吊法腹腔鏡手術(shù)15例，現(xiàn)將護(hù)理體會(huì)報(bào)道如下。

式中：xi(t)為網(wǎng)絡(luò)輸入，y(t)為網(wǎng)絡(luò)輸出，n為輸入層神經(jīng)元個(gè)數(shù)，p為隱藏層神經(jīng)元個(gè)數(shù)，?i為輸入層神經(jīng)元到隱藏層的權(quán)值，vj為隱藏層神經(jīng)元到輸出層的權(quán)值，θj為閾值，λi為神經(jīng)元活躍值，E為網(wǎng)絡(luò)總誤差，F(xiàn)(t)為網(wǎng)絡(luò)期望輸出，y(t)為網(wǎng)絡(luò)實(shí)際輸出。

2.3 思維進(jìn)化算法

思維進(jìn)化算法（MindEvolutionaryAlgorithm,MEA）的創(chuàng)造靈感在于人類思維進(jìn)化過(guò)程，它保留了遺傳算法的種群與進(jìn)化，并提出兩個(gè)新穎的關(guān)鍵步驟：趨同和異化[8]。思維進(jìn)化的基本思路如下：

2.3.1 以均方誤差的倒數(shù)作為得分函數(shù)計(jì)算空間中隨機(jī)的生成優(yōu)勝個(gè)體和臨時(shí)個(gè)體的得分。在得分高的優(yōu)勝個(gè)體周圍產(chǎn)生新個(gè)體，形成優(yōu)勝子群體。在得分高的臨時(shí)個(gè)體周圍生成新個(gè)體，形成臨時(shí)子群體。

2.3.2 優(yōu)勝子群體和臨時(shí)子群體內(nèi)部執(zhí)行趨同，當(dāng)子群體內(nèi)部的優(yōu)勝個(gè)體不再變化則表明此子群體成熟，完成局部尋優(yōu)。子群體成熟判別標(biāo)準(zhǔn)如式（6）。

上式中：Δft為子群體在第t代得分增長(zhǎng)，?為事先規(guī)定的一個(gè)極小值。規(guī)定一個(gè)子群體在連續(xù)迭代M次之后的得分小于?，則認(rèn)為此子群體在執(zhí)行i次趨同操作后成熟。

2.3.3 子群體成熟后，在整個(gè)空間中的成熟子群體執(zhí)行異化，各個(gè)子群體之間完成替換、個(gè)體釋放，完成全局尋優(yōu)。在完成異化之后會(huì)生成新一批子群體以保證子群體數(shù)量維持不變。

三種神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)流程見圖5。

3 預(yù)測(cè)實(shí)例及結(jié)果分析

算例：采用澳洲某光伏系統(tǒng)2016年4月至11月的歷史氣象數(shù)據(jù)和光伏發(fā)電功率數(shù)據(jù)，選擇晴、雨、陰三種不同天氣類型中的某日作為預(yù)測(cè)日，預(yù)測(cè)光伏發(fā)電大小。本文以MATLAB2016a為預(yù)測(cè)平臺(tái)進(jìn)行預(yù)測(cè)。

首先，利用本文第1節(jié)所述規(guī)則從歷史數(shù)據(jù)中選出相似日粗集，共有20個(gè)樣本被選入相似日粗集。再利用灰色關(guān)聯(lián)分析法計(jì)算相似日粗集中樣本與待測(cè)日的灰色關(guān)聯(lián)度。選取灰色關(guān)聯(lián)度大于0.7的樣本作為待測(cè)日的最終相似日集，用來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)。

把預(yù)處理后的原始數(shù)據(jù)y經(jīng)式（7）歸一化后與量化之后的影響因素組成神經(jīng)網(wǎng)絡(luò)的輸入向量。預(yù)測(cè)結(jié)果的反歸一化如式（8）所示。

式中：yinput為歸一化后的輸入數(shù)據(jù)；youtput為相應(yīng)的神經(jīng)網(wǎng)絡(luò)輸出數(shù)據(jù)；f(t)為反歸一化后的輸出數(shù)據(jù)，即為預(yù)測(cè)值。

圖5 三種神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)流程圖

相關(guān)參數(shù)設(shè)置：神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元個(gè)數(shù)為5個(gè)，其中包含該光伏站所在地待測(cè)日t時(shí)刻輻照強(qiáng)度、氣溫、風(fēng)速、相對(duì)濕度、最相似歷史日t時(shí)刻的光伏發(fā)電功率，數(shù)據(jù)經(jīng)過(guò)處理后范圍在[0,1]之間。輸出層節(jié)點(diǎn)為1個(gè)，代表待測(cè)日t時(shí)刻的光伏發(fā)電量。為了更好地處理輸入與輸出之間的非線性關(guān)系，設(shè)置tansig函數(shù)為輸入層和隱藏層的傳遞函數(shù)，設(shè)置logsig函數(shù)為隱藏層和輸出層的傳遞函數(shù)。隱藏層節(jié)點(diǎn)數(shù)根據(jù)式（9）確定

式中：n為輸入層神經(jīng)元個(gè)數(shù)，m為輸出層神經(jīng)元個(gè)數(shù)，ɑ為調(diào)節(jié)常數(shù)，范圍為0～10。經(jīng)過(guò)嘗試不同ɑ的取值，當(dāng)隱藏神經(jīng)元個(gè)數(shù)K等于5時(shí)網(wǎng)絡(luò)輸出誤差最小，因此取K值為5。

本文設(shè)定初始種群規(guī)模為180，優(yōu)勝子群體和臨時(shí)子群體數(shù)量均為3。子種群大小等于種群規(guī)模除以優(yōu)勝子種群與臨時(shí)子種群的種群數(shù)之和，即30。

將BPNN、RBFNN和本文提出的SDS-MEABP分別用于預(yù)測(cè)2016年4月至2016年11月不同天氣情況的光伏發(fā)電。預(yù)測(cè)結(jié)果如圖2所示。

由圖6、圖7、圖8可以看出，本文所建立預(yù)測(cè)模型在晴天、陰天、雨天三種不同的天氣類型下相較于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)模型和RBF神經(jīng)網(wǎng)絡(luò)模型能夠取得更好的預(yù)測(cè)結(jié)果，預(yù)測(cè)精度較高。

圖6 晴天光伏發(fā)電預(yù)測(cè)功率與實(shí)際功率對(duì)比

圖7 陰天光伏發(fā)電預(yù)測(cè)功率與實(shí)際功率對(duì)比

圖8 雨天光伏發(fā)電預(yù)測(cè)功率與實(shí)際功率對(duì)比

為了分析預(yù)測(cè)性能指標(biāo)，本文以平均相對(duì)誤差(MRE)和預(yù)測(cè)精度(AL)作為評(píng)估依據(jù)。

表1 三種方法的預(yù)測(cè)精度指標(biāo)值統(tǒng)計(jì)表

根據(jù)表1，SDS-MEABP應(yīng)用在晴天、陰天、雨天三種天氣類型的光伏發(fā)電預(yù)測(cè)準(zhǔn)確率分別為96.28%、82.64%、79.16%，三種天氣類型下光伏預(yù)測(cè)值與實(shí)際值平均相對(duì)誤差分別為5.35%、14.5%、15.54%。由表1的數(shù)據(jù)可知，SDS-MEABP兩項(xiàng)評(píng)價(jià)指標(biāo)均比BPNN和RBFNN優(yōu)秀，預(yù)測(cè)精度更高。

4 結(jié)語(yǔ)

本文首先利用灰色關(guān)聯(lián)分析篩選出與預(yù)測(cè)日相似度較高的相似日集合，優(yōu)化了神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)；再通過(guò)思維進(jìn)化算法優(yōu)化傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，分別搭建適用于3種天氣條件下的光伏發(fā)電功率預(yù)測(cè)模型。運(yùn)用澳洲某光伏發(fā)電系統(tǒng)的數(shù)據(jù)進(jìn)行仿真研究，發(fā)現(xiàn)本文所提出的SDS-MEABP神經(jīng)網(wǎng)絡(luò)的整體預(yù)測(cè)效果均優(yōu)于BPNN和RBFNN，從而證明SDS-MEABP預(yù)測(cè)方法在光伏發(fā)電預(yù)測(cè)中具有良好的實(shí)用價(jià)值。