陳美珍 柳揚(yáng) 徐勝彬 郭俊鋒 張永強(qiáng) 林金陽(yáng)

摘 要：本文提出了一種基于天氣類型和季節(jié)類型，以布谷鳥算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電短期預(yù)測(cè)方法。首先，分析氣象因子的特征，并利用皮爾遜相關(guān)系數(shù)計(jì)算氣象因子與光伏發(fā)電之間的相關(guān)性，作為預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)的輸入向量;其次，為了避免小波網(wǎng)絡(luò)的結(jié)構(gòu)不穩(wěn)定以及由于局部極小值容易陷入預(yù)測(cè)結(jié)果誤差太大的問(wèn)題，提出了利用布谷鳥算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)（CS-WNN）的預(yù)測(cè)結(jié)構(gòu);最后，基于天氣類型和季節(jié)類型構(gòu)建了布谷鳥算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)（CS-WNN）預(yù)測(cè)模型進(jìn)行仿真實(shí)驗(yàn)，并建立了遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)（GA-BP）、遺傳算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)（GA-WNN）、WNN神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)4個(gè)模型與本文結(jié)構(gòu)進(jìn)行對(duì)比。仿真實(shí)驗(yàn)結(jié)果表明，本文描述的預(yù)測(cè)方法預(yù)測(cè)精度較高，預(yù)測(cè)效果好。

關(guān)鍵詞：天氣類型;小波神經(jīng)網(wǎng)絡(luò);布谷鳥算法

中圖分類號(hào)：TP389.1;TM615

文獻(xiàn)標(biāo)志碼：A

隨著人類對(duì)能源的需求逐漸增加，太陽(yáng)能是現(xiàn)時(shí)期投入使用的重要的可再生能源，而光伏發(fā)電是利用太陽(yáng)能的主要方式之一，由于太陽(yáng)能光伏發(fā)電存在可變性和不確定性，會(huì)影響電力系統(tǒng)的功率平衡和安全穩(wěn)定[1-4]。因此，為了保證電網(wǎng)的穩(wěn)定運(yùn)行，光伏發(fā)電預(yù)測(cè)是必須研究解決的問(wèn)題。SHI等[5]提出應(yīng)用徑向基神經(jīng)網(wǎng)絡(luò)（radial basis function，RBFN）方法對(duì)第二天的每小時(shí)太陽(yáng)能光伏發(fā)電預(yù)測(cè)，并且用支持向量機(jī)（support vector machine， SVM）進(jìn)行分類。RAMSAMI等[6]提出了一種統(tǒng)計(jì)模型的混合模型，其中將基于人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）的方法與自回歸綜合移動(dòng)平均（autoregressive integrated moving average model，ARIMA）方法相結(jié)合，用于太陽(yáng)能預(yù)測(cè)。LEVA等[7]提出了一種混合模型，該模型結(jié)合了統(tǒng)計(jì)模型和太陽(yáng)能光伏性能模型，可預(yù)測(cè)具有小時(shí)分辨率的太陽(yáng)能光伏發(fā)電量。

在文獻(xiàn)[7]中，將人工神經(jīng)網(wǎng)絡(luò)方法與輻照度，發(fā)電量和數(shù)值天氣預(yù)報(bào)（numerical weather prediction，NWP）的每小時(shí)歷史數(shù)據(jù)一起應(yīng)用，以預(yù)測(cè)未來(lái)24 h的每小時(shí)光伏發(fā)電量。HOSSAIN等[8]提出了一種基于極限學(xué)習(xí)機(jī)的預(yù)測(cè)模型，用于按小時(shí)分辨率進(jìn)行日前光伏發(fā)電預(yù)測(cè)。ZHANG等[9]提出了一種集成方法，使用多個(gè)氣象和天文數(shù)據(jù)進(jìn)行小時(shí)日前太陽(yáng)能光伏發(fā)電預(yù)測(cè)。在文獻(xiàn)[9]中，比較了四種最先進(jìn)的預(yù)測(cè)方法，即k近鄰（K-NearestNeighbor，KNN），ANN，支持向量回歸（support vector regression，SVR）和分位數(shù)隨機(jī)預(yù)測(cè)方法在未來(lái)24 h內(nèi)的性能。GIGONI[10]、劉沛漢[11]、劉愛(ài)國(guó)[12]、冬雷[13]等采用遺傳算法結(jié)合神經(jīng)網(wǎng)絡(luò)，提高了網(wǎng)絡(luò)全局尋優(yōu)的能力，一定程度上提高了預(yù)測(cè)的精準(zhǔn)度。

本文在劃分天氣類型的基礎(chǔ)上，首先，綜合研究分析各氣象影響因子對(duì)光伏預(yù)測(cè)的影響;其次，計(jì)算出對(duì)光伏輸出的主要影響因子，并將其作為預(yù)測(cè)模型的輸入;最后，建立布谷鳥優(yōu)化小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型（cuckoo search algorithm optimized wavelet neural network，CS-WNN），布谷鳥優(yōu)化算法（cuckoo search algorithm，CS）可以解決由于小波神經(jīng)網(wǎng)絡(luò)（wavelet neural network，WNN）易陷入局部最小值造成網(wǎng)絡(luò)結(jié)構(gòu)不穩(wěn)定的問(wèn)題，并且另外建立4個(gè)不同的預(yù)測(cè)模型進(jìn)行仿真對(duì)比分析，模型仿真結(jié)果表明，本文提出的方法相比其他預(yù)測(cè)模型，具有更高的預(yù)測(cè)精度。

1 光伏預(yù)測(cè)的影響因素

1.1 光伏發(fā)電站與數(shù)據(jù)

本文研究場(chǎng)站為江蘇某光伏場(chǎng)站，數(shù)據(jù)采用了2017年全年的光伏輸出數(shù)據(jù)和氣象數(shù)據(jù)，該數(shù)據(jù)實(shí)時(shí)記錄了全天24 h每15 min的監(jiān)控?cái)?shù)據(jù)。

1.2 氣候?qū)夥敵龅挠绊?/p>

光伏輸出與許多氣候因素有關(guān)，如溫度、濕度、輻照度、大氣壓力等，這些氣象數(shù)據(jù)都可能對(duì)光伏輸出產(chǎn)生影響，所以必須分析這些氣象因素與光伏輸出的關(guān)系。對(duì)氣象數(shù)據(jù)和歷史輸出數(shù)據(jù)歸一化處理，畫出氣象因素和光伏發(fā)電輸出的關(guān)系曲線作對(duì)比，如圖1所示，本文提取的是2017年1月1日5：00—19：00氣象數(shù)據(jù)及光伏輸出數(shù)據(jù)，從圖1（a）中可看出太陽(yáng)輻射隨時(shí)間的變化曲線與光伏輸出的變化曲線非常相近，因此太陽(yáng)輻射對(duì)光伏輸出具有很大的影響力，并且二者成正相關(guān)關(guān)系;而圖1（d）中，濕度的變化曲線與光伏輸出的變化曲線成負(fù)相關(guān)的關(guān)系;圖1（c）和圖1（d）中溫度、氣壓分別與光伏輸出只有一段時(shí)間的曲線較為接近，由圖形無(wú)法準(zhǔn)確得出他們之間的關(guān)系，這是因?yàn)橛绊懝夥敵龅囊蛩赜泻芏?，并且各個(gè)因素之間又有著緊密的聯(lián)系，而且在預(yù)測(cè)中無(wú)法對(duì)所有因素全面考慮，從而減小了預(yù)測(cè)光伏電站光伏輸出的精度。因此本文采用Pearson相關(guān)系數(shù)法來(lái)計(jì)算光伏輸出的主要影響因子，將圖形和Pearson相關(guān)系數(shù)計(jì)算結(jié)果結(jié)合考慮，最終得出影響光伏輸出的影響因子。

在統(tǒng)計(jì)學(xué)，Pearson相關(guān)系數(shù)表示的是兩個(gè)變量之間線性相關(guān)的關(guān)系，兩個(gè)變量之間的Pearson相關(guān)系數(shù)定義為兩個(gè)變量之間的協(xié)方差和標(biāo)準(zhǔn)差的商[14]：

ρX，Y=cov（X，Y）σXσY=E[（X-μX）（Y-μY）]σXσY（1）

上面的方程定義了總體相關(guān)系數(shù)，估計(jì)樣本的協(xié)方差和標(biāo)準(zhǔn)差，就可以得到皮爾遜相關(guān)系數(shù)r。

Pearson相關(guān)系數(shù)的計(jì)算公式如式2所示：

r=∑Ni=1（Xi-X）（Yi-Y）∑Ni=1（Xi-X）2∑Ni=1（Yi-Y）（2）

對(duì)影響光伏輸出的4個(gè)影響因素進(jìn)行Pearson相關(guān)系數(shù)計(jì)算，如表1所示。

通過(guò)數(shù)據(jù)分析圖和Pearson相關(guān)系數(shù)可以得出結(jié)論：太陽(yáng)輻照度、溫度、濕度是影響光伏輸出的主要影響因素。

1.3 天氣類型對(duì)光伏輸出的影響

影響光伏輸出的因素很多，天氣類型是影響光伏輸出的重要影響因素之一，描述天氣類型的方法眾多。本文依據(jù)2008年中國(guó)氣象局發(fā)布的《公共氣象服務(wù)—天氣圖形符號(hào)》（GB/T 22164—2008）中的氣象類型來(lái)定義本文的天氣類型，以此來(lái)統(tǒng)一天氣類型的定義。如圖2所示是某場(chǎng)站2017年一整年的天氣類型，從圖中可看出該場(chǎng)站一年中主要的天氣類型為多云、雷陣雨、晴、小雨、陰、陣雨，其他類型的天氣類型所占比例很小。基于典型天氣代表以及本文研究地點(diǎn)的考慮，本文共劃分6種天氣類型，分別為多云、雷陣雨、晴、小雨、陰、陣雨。

1.4 季節(jié)類型對(duì)光伏輸出的影響

不同的季節(jié)有各不相同的太陽(yáng)的入射角、光照的強(qiáng)弱以及日照時(shí)間，在不同的季節(jié)中，到達(dá)地面的輻照強(qiáng)度也會(huì)不同，光伏發(fā)電輸出功率會(huì)隨著太陽(yáng)輻照強(qiáng)度的改變而變化。不同季節(jié)類型所對(duì)應(yīng)的光伏輸出的變化曲線如圖3所示。

圖3是在同一個(gè)天氣類型的基礎(chǔ)上，不同季節(jié)對(duì)應(yīng)的光伏輸出功率的變化曲線，每個(gè)季節(jié)都具有基本相似的變化規(guī)律曲線，但其具體的功率的大小和時(shí)間范圍是不同的，夏季時(shí)，光伏日照時(shí)間更長(zhǎng)，發(fā)電時(shí)間也更長(zhǎng)，但是輸出值反而更小，且曲線波動(dòng)大，這是由于夏季的氣溫高、濕度大、強(qiáng)降雨、惡劣天氣相對(duì)頻繁，這些夏季特有的因素都會(huì)對(duì)電站發(fā)電量造成一定的影響，通過(guò)對(duì)數(shù)據(jù)的分析發(fā)現(xiàn)，當(dāng)光伏板的溫度過(guò)高時(shí)也會(huì)影響光伏板的發(fā)電量，數(shù)據(jù)分析如圖4所示。

圖4是夏季時(shí)環(huán)境溫度和組件溫度對(duì)光伏發(fā)電功率的影響，為了便于觀察，數(shù)據(jù)都進(jìn)行了歸一化處理。由圖可知，環(huán)境溫度與光伏發(fā)電功率密切相關(guān)，大約13：30時(shí)組件溫度最大，此時(shí)發(fā)電功率與組件溫度曲線距離開(kāi)始變大，因此夏季時(shí)由于光伏板溫度過(guò)大對(duì)發(fā)電功率產(chǎn)生一定的影響。相反冬季時(shí)的日照時(shí)間比較短，但光伏輸出值更大，這也是由于該場(chǎng)站屬于南方，沒(méi)有大雪等惡劣天氣的影響，光伏輸出曲線反而非常平穩(wěn)。所以季節(jié)類型對(duì)光伏輸出存在一定的影響。

2 神經(jīng)網(wǎng)絡(luò)以及算法

2.1 基于小波神經(jīng)網(wǎng)絡(luò)

WNN是結(jié)合了小波分析和神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，擁有小波分析的時(shí)頻性的優(yōu)點(diǎn)和神經(jīng)網(wǎng)絡(luò)自學(xué)能力的優(yōu)點(diǎn)，具有較強(qiáng)的非線性擬合能力和模式識(shí)別能力，對(duì)于非線性較強(qiáng)的光伏輸出預(yù)測(cè)更為適用[15]。WNN模型描述如下：

y^k=∑Jj=1wjkφ∑Jj=1wijxi-bjaj（k=1，2，…，K）（3）

式中，φ（K）為小波函數(shù);I為輸入層節(jié)點(diǎn)號(hào);J代表隱藏層節(jié)點(diǎn)號(hào);K為輸出層節(jié)點(diǎn)數(shù);wij為隱含層的權(quán)值;wjk為輸出層的權(quán)值;J為隱含層節(jié)點(diǎn)個(gè)數(shù);k為輸出層個(gè)數(shù)，WNN結(jié)構(gòu)圖如圖5所示。

圖5中X1，X2，…，Xn為小波神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù);Y1，Y2，…，Yn為小波神經(jīng)網(wǎng)絡(luò)的輸出參數(shù);wij，wjk為網(wǎng)絡(luò)的權(quán)值。在輸入信號(hào)序列為Xi，i=1，2，…，k時(shí)，隱含層輸入公式為：

h（j）=hj∑ki=1wijxi-bjaj，j=1，2，…（4）

式中，h（j）為隱含層中第j個(gè)節(jié)點(diǎn)輸出值;wij為輸出層和隱含層的連接權(quán)值;hj為小波基函數(shù);bj為小波基函數(shù)hj 的平移因子;aj為小波基函數(shù)hj的伸縮因子;l為隱含層個(gè)數(shù)。

本文選用 Morlet函數(shù)為小波基函數(shù)，具體公式如下：

y=cos（1.75x）e-0.5x2（5）

小波神經(jīng)網(wǎng)絡(luò)輸出層計(jì)算公式為

y（k）=∑li=1wikh（i），k=1，2，…，m（6）

式中，wik為隱含層與輸出層直接連接權(quán)值;h（i）為第 i個(gè)隱含層節(jié)點(diǎn)的輸出;l為隱含層節(jié)點(diǎn)數(shù);m為輸出層節(jié)點(diǎn)數(shù)。

2.2 布谷鳥算法

CS算法是一種新興啟發(fā)算法。通過(guò)布谷鳥不筑巢將蛋產(chǎn)在別的鳥類鳥巢的行為得到啟發(fā)，布谷鳥會(huì)從一個(gè)鳥巢隨機(jī)飛到另一個(gè)鳥巢，以尋找寄主的鳥巢候選者，然后，選擇最佳的巢，以使它們的鳥蛋有最佳的孵化機(jī)會(huì)并產(chǎn)生新一代的布谷鳥。CS算法的本質(zhì)就是通過(guò)更新鳥窩的位置來(lái)達(dá)到尋求最優(yōu)解的目的，存活下來(lái)的鳥蛋就是最優(yōu)解[16]。

在CS算法中，布谷鳥的飛行行為是Lévy飛行。Lévy飛行意味著動(dòng)作或飛行的步長(zhǎng)將遵循Lévy分布，而隨機(jī)步長(zhǎng)為levy分布：

Levy：μ=t-λ，1≤λ≤3 （7）

采用式（8）對(duì)下代鳥巢位置Xt+1i進(jìn)行更新，

Xt+1i=Xti+αLevy（8）

式中，Xti為第i（i=1，2，3，…，n）個(gè)鳥窩在第t代的位置;為點(diǎn)對(duì)點(diǎn)乘法;α為步長(zhǎng)控制量，用來(lái)控制步長(zhǎng)大小，通常情況下，取α=1Levy（λ）為隨機(jī)搜索路徑。

布谷鳥優(yōu)化算法具體流程如圖6所示。

2.3 預(yù)測(cè)模型總體框架

預(yù)測(cè)模型總體框架如圖7所示。

3 仿真分析

3.1 光伏發(fā)電功率預(yù)測(cè)

首先根據(jù)江蘇省某場(chǎng)站6月份數(shù)據(jù)計(jì)算氣象影響因子的皮爾森相關(guān)系數(shù)，從而得出光伏輸出的主要影響因子為：溫度，濕度，輻照度。本文利用MATLB作為程序開(kāi)發(fā)環(huán)境，輸入層為3，輸出層為1，隱含層為6，以溫度，濕度，輻照度作為預(yù)測(cè)模型輸入層的特征向量，輸出為光伏輸出。

研究表明，季節(jié)對(duì)光伏輸出也存在一定的影響。對(duì)場(chǎng)站數(shù)據(jù)進(jìn)行分析，該場(chǎng)站數(shù)據(jù)為一天24 h每間隔15 min一條數(shù)據(jù)，一年中，每個(gè)天氣類型的數(shù)據(jù)量不同。通過(guò)對(duì)數(shù)據(jù)的處理和篩選，除晴天與多云兩種天氣類型外，其他4種天氣類型天數(shù)少，分布集中，甚至雷陣雨都集中在夏季，所以這4種天氣類型的訓(xùn)練樣本都在預(yù)測(cè)模型中直接訓(xùn)練，而晴天與多云兩種天氣類型在一年中分布較廣，數(shù)據(jù)多，為了增加預(yù)測(cè)的精確度，將這兩種天氣類型在基于季節(jié)的分類下建模預(yù)測(cè)。

從科學(xué)的角度來(lái)看，四季應(yīng)以二分二至劃分，即以春分、夏至、秋分、冬至作為四季的起點(diǎn)和終點(diǎn)，為了便于計(jì)算，本文將一年12個(gè)月平均分為4等份，春季為3月—5月;夏季為6月—8月;秋季為9月—11月;冬季為12月—2月。

根據(jù)天氣類型以及四季，分別抽取2017年1月1日（多云冬），2017年1月9日（晴冬），2017年3月12日（小雨），2017年3月27日（晴春），2017年5月1日（多云春），2017年6月2日（多云夏），2017年7月25日（晴夏），2017年8月1日（陣雨），2017年8月24日（雷陣雨），2017年9月8日（晴秋），2017年11月28日（多云秋），2017年12月30日（陰），共計(jì)12天的氣象和光伏輸出作為測(cè)試樣本。

為了準(zhǔn)確評(píng)價(jià)CS-WNN預(yù)測(cè)模型的預(yù)測(cè)效果，本文同時(shí)建立了WNN神經(jīng)網(wǎng)絡(luò)模型，BP神經(jīng)網(wǎng)絡(luò)模型，遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型（genetic algorithm optimization bp neural network，GA-BP），遺傳算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)模型（wavelet neural network model optimized by genetic algorithm，GA-WNN）進(jìn)行對(duì)比仿真試驗(yàn)，仿真結(jié)果如圖8-9所示。

3.2 結(jié)果分析

圖8為不同季節(jié)多云天氣時(shí)5種預(yù)測(cè)模型的預(yù)測(cè)結(jié)果，從圖中可以看出即使是同種天氣類型，不同季節(jié)的光伏輸出變化是不同的，從而驗(yàn)證了分不同季節(jié)來(lái)預(yù)測(cè)光伏輸出的必要性。

從圖8、圖9可以看出，5個(gè)預(yù)測(cè)模型都能大致地描繪出實(shí)際光伏輸出的變化曲線，當(dāng)光伏輸出曲線波動(dòng)較大時(shí)，如小雨和陰天，5種模型的預(yù)測(cè)效果明顯變差。從圖8的4個(gè)模型可以看出對(duì)預(yù)測(cè)日在四季的基礎(chǔ)上進(jìn)行預(yù)測(cè)時(shí)，預(yù)測(cè)效果明顯更好，并且變化曲線也相似。無(wú)論針對(duì)哪個(gè)天氣類型，CS-WNN、GA-WNN模型明顯優(yōu)于GA-BP模型、BP模型和WNN模型，但是CS-WNN與GA-WNN兩種預(yù)測(cè)模型曲線變化趨勢(shì)與實(shí)際都較為接近，憑肉眼無(wú)法準(zhǔn)確評(píng)價(jià)兩個(gè)模型的預(yù)測(cè)效果，為了更好地評(píng)估對(duì)比預(yù)測(cè)效果，采用均方根誤差（RMSE）與絕對(duì)系數(shù)（R2）作為評(píng)估指標(biāo)，RMSE和R2的計(jì)算公式如式所示：

RMSE=1N∑Ni=1（y-y）（9）

R2=1-∑ni=1（y-y）2∑ni=1（y-y）2（10）

式中，y為實(shí)際數(shù)值，y為預(yù)測(cè)值，y為平均值。RMSE是觀測(cè)值與真值偏差的平方和觀測(cè)次數(shù)N比值的平方根，方根誤差對(duì)一組測(cè)量中的特大或特小誤差反映非常敏感，RMSE越小表示預(yù)測(cè)精度越高。所以，均方根誤差能夠很好地反映出測(cè)量的精密度。R2越接近1，表示回歸分析中自變量對(duì)因變量的解釋越好，即預(yù)測(cè)值與真實(shí)值越接近。5個(gè)預(yù)測(cè)模型的預(yù)測(cè)結(jié)果如表2、表3所示。

表2和表3是5種算法在多云時(shí)四季的預(yù)測(cè)效果，分別對(duì)應(yīng)2017年5月1日（多云春）、2017年6月2日（多云夏）、2017年9月7日（多云秋）、2017年1月1日（多云冬）。通過(guò)觀察比較表2和表3可以看出，5個(gè)預(yù)測(cè)模型對(duì)不同季節(jié)預(yù)測(cè)效果存在差異，CS-WNN的兩個(gè)評(píng)價(jià)指標(biāo)都更高，多云天氣再針對(duì)四季預(yù)測(cè)光伏輸出時(shí)，預(yù)測(cè)精度都很高。表3是5種算法在6種天氣類型下的預(yù)測(cè)效果，多云和晴天都有在基于四季的基礎(chǔ)上建立模型，它們的評(píng)價(jià)指標(biāo)取四季的平均值，對(duì)比表2和表3，可看出雷陣雨，陣雨，小雨，陰這4種天氣類型下預(yù)測(cè)精度都比較低，這是由于這4種天氣是波動(dòng)極端天氣，而且沒(méi)有再分四季，模型更難預(yù)測(cè)，所以預(yù)測(cè)精度更低。通過(guò)觀察圖8、圖9可以發(fā)現(xiàn)CS-WNN模型、GA-WNN模型的擬合效果明顯優(yōu)于另外三個(gè)預(yù)測(cè)模型，表2和表3也論證了這一點(diǎn)，WNN、BP、GA-BP的平均R2值分別為0.821 8、0.814 6、0.861 9，而CS-WNN、GA-WNN的平均R2模型為0.904 8和0.932 4，雖然GA-WNN的預(yù)測(cè)效果也很好，但是CS-WNN的精度明顯更高，5個(gè)預(yù)測(cè)模型中CS-WNN的RMSE值也是最低的。因此，相比其他模型，CS-WNN模型具有良好的預(yù)測(cè)精度和穩(wěn)定性，但是由于光伏發(fā)電功率具有波動(dòng)性和隨機(jī)性，預(yù)測(cè)效果都會(huì)存在一定的偏差。

4 結(jié)論

本文以江蘇某光伏發(fā)電站為研究對(duì)象，分析了對(duì)光伏發(fā)電輸出的主要影響因子，采用Pearson相關(guān)系數(shù)顯著性檢驗(yàn)，得到氣象因素與光伏發(fā)電因素的相關(guān)程度，在基于天氣類型的基礎(chǔ)上篩選出溫度、光照強(qiáng)度以及濕度作為預(yù)測(cè)網(wǎng)絡(luò)模型的輸入變量，在季節(jié)類型的基礎(chǔ)上通過(guò)布谷鳥算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型進(jìn)行預(yù)測(cè)，并且和傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)，WNN神經(jīng)網(wǎng)絡(luò)，GA-BP神經(jīng)網(wǎng)絡(luò)，GA-WNN神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比。經(jīng)過(guò)仿真試驗(yàn)證明，布谷鳥優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果較好，并且高于經(jīng)典優(yōu)化網(wǎng)絡(luò)GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)和GA優(yōu)化WNN神經(jīng)網(wǎng)絡(luò)。但是由于光伏輸出波動(dòng)性、隨機(jī)性、間歇性的特點(diǎn)，預(yù)測(cè)模型有待進(jìn)一步優(yōu)化來(lái)提高預(yù)測(cè)精度。該模型在光伏發(fā)電預(yù)測(cè)領(lǐng)域提供了一種新的方法，具有較好的理論應(yīng)有價(jià)值與市場(chǎng)應(yīng)用價(jià)值。

參考文獻(xiàn)：

[1]SADEGHIAN H， WANG Z. A novel impact-assessment framework for distributed PV installations in low-voltage secondary networks[J]. Renew Energy， 2020， 147（3）： 2179-2194.

[2] MAHOOR M， MAJZOOBI A， KHODAEI A. Distribution asset management through coordinated microgrid scheduling[J]. IET Smart Grid， 2018， 1（12）： 159-168.

[3] SADEGHIAN H， WANG Z. Decentralized demand side management with rooftop PV in residential distribution network[C]// Proceedings IEEE Power & Energy Society Innovative Smart Grid Technologies Conference.Washington， DC： Institute of Electrical and Electronics Engineering， 2018.

[4] BANADAKI A D， TAUFIK T， FELIACHI A. Big data analytics in a day-ahead electricity price forecasting using TensorFlow in restructured power systems[C]//Proceedings International Conference on Computational Science and Computational Intelligence. Las Vegas， NV： Institute of Electrical and Electronics Engineering， 2020.

[5] SHI J， LEE W J， LIU Y， et al. Forecasting power output of photovoltaic systems based on weather classification and support vector machines[J]. IEEE Trans. Ind. Appl.， 2012， 48（5）： 1064-1069.

[6] RAMSAMI P， OREE V. A hybrid method for forecasting the energy output of photovoltaic systems[J]. Energy Convers. Manage.， 2015， 95（5）： 406-413.

[7] LEVA S， DOLARA A， GRIMACCIA F， et al. Analysis and validation of 24 hours ahead neural network forecasting of photovoltaic output power[J]. Math. Comput. Simul.， 2017， 131（1）： 88-100.

[8] HOSSAIN M， MEKHILEF S， DANESH M， et al. Application of extreme learning machine for short term output power forecasting of three grid-connected PV systems[J]. J. Cleaner Prod.， 2017， 167（11）： 395-405.

[9] ZHANG X， LI Y， LU S， et al. A solar time based analog ensemble method for regional solar power forecasting[J]. IEEE Trans. Sustain. Energy， 2019，10（1）： 268-279.

[10]GIGONI L， BETTI A， CRISOSTOMI E， et al. Day-ahead hourly forecasting of power generation from photovoltaic plants[J]. IEEE Trans. Sustain. Energy， 2018， 9（4）： 831-842.

[11]劉沛漢， 袁鐵江， 梅生偉， 等. 基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的光伏電站短期功率預(yù)測(cè)[J]. 水電能源科學(xué)， 2016， 34（1）： 211-214.

[12]劉愛(ài)國(guó)， 黃澤平， 薛云濤， 等. 基于遺傳算法小波神經(jīng)網(wǎng)絡(luò)的光伏微網(wǎng)發(fā)電預(yù)測(cè)[J]. 電測(cè)與儀表， 2017， 54（7）： 28-33.

[13]冬雷， 周曉， 郝穎， 等. 基于樣本雙重篩選的光伏發(fā)電功率預(yù)測(cè)[J]. 太陽(yáng)能學(xué)報(bào)， 2018， 39（4）： 1018-1025.

[14]OZER J. Correlation and the coefficient of determination[J]. Psychological Bulletin， 1985， 97（3）： 307-315.

[15]高毅， 李盛偉， 遲福建， 等. 基于SOA-WNN的光伏短期輸出功率預(yù)測(cè)[J]. 電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)， 2019， 31（6）： 62-66.

[16]趙明姣， 張榮芬， 劉宇紅. 基于改進(jìn)CS-WNN的短時(shí)交通流量預(yù)測(cè)[J]. 智能計(jì)算機(jī)與應(yīng)用， 2020， 10（4）： 44-49.

（責(zé)任編輯：于慧梅）

Short Term Forecasting of Photovoltaic Power Generation Based on

Weather Type and Improved Wavelet Neural Network

CHEN Meizhen1，2， LIU Yang1，2， XU Shengbin1，2， GUO Junfeng1，2， ZHANG Yongqiang1，2， LIN Jinyang*1，2

（1.National Demonstration Center for Experimental Electronic Information and Electrical Technology Education， Fujian University of Technology， Fuzhou 350118， China; 2.Research Center for Microelectronics Technology， Fujian University of Technology， Fuzhou 350118， China）

Abstract：

This paper proposes a short-term prediction method of photovoltaic power generation based on weather type and season type， which uses cuckoo algorithm to optimize wavelet neural network. Firstly， the characteristics of meteorological factors are analyzed. The correlation between meteorological factors and photovoltaic power generation is calculated by Pearson correlation coefficient as the input vector of predictive neural network. In order to avoid the instability of wavelet network structure and the error of prediction result caused by local minimum， cuckoo algorithm is used to optimize the prediction structure of wavelet neural network. Finally， the cuckoo algorithm optimized wavelet neural network （CS-WNN） prediction model is built based on the weather type and season type for simulation experiments， and the genetic algorithm optimized BP neural network （GA-BP）， genetic algorithm optimized wavelet neural network （GA-WNN）， WNN neural network， Four models of BP neural network are compared with the structure of this paper. The simulation results show that the prediction method described in this paper has high prediction accuracy and good prediction effect.

Key words：

weather type; wavelet neural network; cuckoo algorithm