基于反馈型神经网络的光伏系统发电功率预测

基于反馈型神经网络的光伏系统发电功率预测
张艳霞;赵杰
【摘要】分析了光伏系统的发电特性以及影响光伏发电的因素,建立了反馈型神经网络光伏系统发电功率预测模型.该模型采用Elman神经网络结构,利用其强大计算能力、映射能力和稳定性,将光伏发电的历史数据和天气情况一同作为样本,对模型进行训练和发电功率预测.仿真结果表明,该方法建立的预测模型具有较高的精度,为解决光伏系统发电功率预测提供了一种可行路径.%The characteristics for power generation of photovoltaic (PV) system and various factors that affect the power generation of PV system are studied, and the model of generated power forecasting of PV system based on recurrent neural networks (RNN) is built. In the model, Elman neural network topology is adopted, which has powerful calculation and mapping ability and stability. The history power generation data of PV system and weather conditions are taken as samples together to train the model and forecast generated power. The simulation results show that this model has high accuracy, and it provides an effective and feasible way to forecast generation power of PV system.【期刊名称】《电力系统保护与控制》
【年(卷),期】2011(039)015
【总页数】7页(P96-101,109)
【关键词】光伏系统;反馈型神经网络;发电功率预测;气候环境
【作者】张艳霞;赵杰
【作者单位】天津大学电力系统仿真控制教育部重点实验室,天津,300072;天津大学电力系统仿真控制教育部重点实验室,天津,300072
【正文语种】中文
【中图分类】TM615
0 引言
大规模光伏并网发电是利用太阳能的一种有效方式，但光伏发电系统受光照强度和环境温度等因素的影响，其输出功率的变化具有不确定性，不利于电网调度部门安排常规电源和光伏发电的协调配合。

因此，需要对光伏系统的输出功率预测进行研究，预先获得其输出功率曲线，从而协调电网调度部门统筹安排，减少光伏发电随机性对电力系统的影响，提高系统安全性和稳定性[1-4]。

光伏发电功率预测方法分为两类：间接法和直接法。

文献[5]为间接法，即采用光照强度历史数据，通过神经网络方法进行光照强度预测，然后通过光照强度和环境温度等参数计算光伏输出功率，文献[6-7]为直接法，即采用光伏系统历史发电数据，分别建立支持向量机和BP神经网络模型对光伏出力和光伏发电量进行短期预测。

本文采用反馈型神经网络（RNN）建立光伏系统发电功率预测模型，与前馈型神经网络（FNN）预测模型进行比较，其计算速度更快，准确性更高。

1 光伏系统发电功率特性
光伏系统的输出功率具有波动性和间歇性。

在光伏发电功率预测中，需要考虑的因素很多，如太阳光照强度、太阳入射角度、光伏阵列的安装角度、转换效率、大气压、温度以及其他一些随机因素。

对于既定的光伏系统来说，一个明显的特征就是光伏系统发电功率的时间序列本身具有高度自相关性，因为在光伏系统的历史发电功率时间序列中，所有光伏发电输出功率历史数据来自于同一套发电系统，数据自
身就包含了光伏阵列的系统信息，解决了光伏阵列的安装位置、安装角度和光伏阵列的使用时间等对转换效率的影响。

因此，采用历史发电功率数据训练神经网络预测模型，进而预测未来的光伏输出功率的预测方法，比光伏发电的间接预测法更加准确。

1.1 光照强度对光伏系统发电功率的影响
文献[8]给出了单位面积的光伏系统输出功率为
式中：η为光伏电源转换效率；S为光伏电源的面积，m2；I为光照强度，
kW/m2；t0为环境温度，℃。

本文采用的光伏发电历史数据来自某光伏发电系统，其具体地理位置如图1。

图1 地理位置Fig.1 Geographical location
图2 为连续三天该光伏系统发电功率和光照强度变化曲线。

从图中可以看出，发电功率曲线与光照强度曲线的变化规律相似，其变化趋势总体上可以映射光照强度的变化，即光照强度的影响可在发电功率中体现。

因此，本文将光伏发电功率的历史数据作为预测模型的输入量。

图2 发电功率与光照强度Fig.2 Generated power and light intensity
1.2 日类型对光伏系统发电功率的影响
光伏系统输出功率除了具有不确定性外，还具有很强的周期性。

一般光伏发电系统主要在每天7:00~18:00输出功率。

图3为同一光伏系统连续两个晴天时发电功率曲线。

从图可知，虽然日发电功率略有不同，但是发电功率曲线的变化规律是相似的。

图4和5为阴天和雨天的发电功率。

从图3~5中可知，当日类型不同时，光伏系统的发电功率差距很大。

因此，为了提高预测精度，需要将光伏历史数据根据日类型的特点分类为：晴天、多云、阴天和雨天。

图3 晴天的发电功率Fig.3 Generated power of sunny day
图4 阴天的发电功率Fig.4 Generated power of cloudy day
图5 雨天的发电功率Fig.5 Generated power of rainy day
1.3 温度对光伏系统发电功率的影响
大气温度的变化对光伏系统发电功率产生一定影响，因为光伏历史发电数据映射出的发电功率曲线的形状与日类型曲线相似，而相同日类型情况下的气温变化将映射曲线高度的细微变化。

所以，预测模型的输入变量中需要考虑大气温度。

图6和图7为某光伏发电系统（日类型基本为晴天）的日均发电功率和日平均温度。

由图可知，在相同日类型的情况下，日平均温度较高时，日均输出功率也较大。

同时，季节变化对光伏系统输出功率的影响也很大，主要由太阳入射角度、光照强度和气候环境的差异引起。

图6 日均发电功率Fig.6 Daily average generated power
图7 日平均温度Fig.7 Daily average temperature
2 光伏系统发电功率预测模型的设计
2.1 反馈型神经网络
本文采用的Elman反馈型神经网络（RNN）又称递归网络是一个从输出到输入具有反馈连接的神经网络[9]。

一般分为四层：输入层、中间层（隐含层）、承接层
和输出层，如图8所示。

其输入层、隐含层和输出层的连接类似于前馈网络，输
入层单元仅起信号传输作用，输出层单元起线性加权作用。

隐含层单元的传递函数可采用线性或非线性函数，承接层又称为上下文层或状态层，它用来记忆隐含层单元前一时刻的输出值，可认为是一个一步延时算子。

Elman神经网络的特点是隐
含层的输出通过承接层的延迟与储存自联到隐含层的输入，这种自联方式使其对历史状态的数据具有敏感性，内部反馈网络的加入增加了网络本身处理动态信息的能力，从而达到了动态建模的目的。

图8所示的Elman神经网络学习过程的非线性状态空间表达式为
其中：y，x，u，xc分别表示m维输出节点向量；n维中间层节点单元向量；r维输入向量和n维反馈状态向量；w3、w2和w1分别表示中间层到输出层、输入层到中间层和承接层到中间层的连接权值；g(•)为输出神经元的传递函数，是中间层输出的线性组合；f (•)为中间层神经元的传递函数，常用S函数。

Elman神经网络采用BP算法进行权值修正，学习指标函数采用误差平方和函数
图8 Elman神经网络的模型Fig.8 Model of Elman neural network
2.2 预测模型结构设计
2.2.1 按季节建立预测子模型
为了使反馈型神经网络具有强大的非线性映射能力，需要大量的数据对网络模型进行训练，但光伏发电系统的资料和数据有限。

因此，本文采用模块化网络，将一个复杂的网络结构分解为若干个子网络。

这样，一方面减少训练样本，另一方面可以提高预测模型准确性。

由于季节、日类型和温度对光伏系统发电都会产生影响，所以本文按照季节建立四个预测子模型，在子模型中将相同日类型的历史数据进行归类与温度一同作为训练样本。

2.2.2 输入输出层节点的确定
输入层节点对应于模型的输入变量，本模型采用14个输入变量，分别是预测日前一日7:00~18:00的12个发电功率，再加上前一日和预测日的平均温度。

模型预测的是次天7:00~18:00的12个发电时间序列的输出功率，即输出端采用12个节点。

2.2.3 隐含层节点的确定
在输入输出节点确定的情况下，隐含层神经元个数通过反复测试得到。

网络训练函数采用学习率可变的动量BP算法。

预测结果的评估采用均方根误差（RMSE），
其公式为
式中：N为总的数据量；为预测值；为实际值；i为预测时间数[10]。

图9为不同隐含层节点情况下的RMSE。

从图可知，随着隐含层神经元个数的不
断增加，RMSE不断变化。

当预测结果的误差最小时，预测性能最好。

此时，FNN和RNN的隐含层神经元最佳个数分别为33个和24个。

由此可见，相同输入输出模式下，RNN的隐含层神经元个数小于FNN所需要的，因此计算速度较快。

图9 不同隐含层节点情况下的RMSEFig.9 RMSE of different hidden layer units 表1为建立RNN和FNN预测模型的主要参数。

表1 神经网络参数Tab.1 Parameters of neural network?
2.3 预测模型的网络训练
图10为RNN的网络结构模型，w1、b1和w2、b2分别为隐含层和输出层的权
值和阈值；w3为承接层权值；D表示反馈支路的延迟单元；logsig为激活函数。

P为输入向量；a1为隐含层输出值；a2为输出层输出值。

图10 RNN网络结构模型Fig.10 Network structure model of RNN
该模型设计好后，需要对输入的历史发电功率数据和气象数据进行筛选，剔除奇异数据。

为防止神经元饱和，对样本进行归一化处理，其公式为
式中：p表示样本输入变量，即一天7:00到18:00各个时刻发电功率以及前一天
和预测日的平均温度；pmax，pmin表示p中的最大值和最小值；p*表示归一化后的样本数据。

各层激活函数采用对数S型函数，表达式为，其输出介于0~1之间，有利于收敛。

3 预测结果分析
由于神经网络的初始条件具有随机性，因此需要对测试样本进行多次仿真，找到预测结果的最优、最差、平均值。

为了验证预测结果的好坏，采用五种评价指标，即：均方根误差、平均绝对百分比误差（MAP）、误差平方和（SSE）、误差均方（MSE）和平均绝对误差（MAE），综合考虑。

本文对测试样本进行了30次测试，并对结果进行误差分析，根据各种评价指标最小的原则，找到最优解。

两种功率预测模型得到的预测结果评价如表2所示。

由表2分析可知，RNN的平均评价指标均优于FNN平均评价指标，网络训练的
收敛速度也较快。

因此，采用 RNN网络可以更快更准确地得到预测结果。

其中FNN的最优结果为第17次的预测结果，最差为第14次；RNN的最优结果为第28次的预测结果，最差为21次。

比较FNN和RNN的最优和最差预测结果不难发现，FNN容易受到初始条件的影响，其最优值和最差值相差很大；而 RNN则
差异较小，说明RNN网络具有更好的稳定性。

表3、表4给出FNN和RNN预测的最优、最差、平均预测结果、绝对百分比误差。

7:00和18:00时刻的预测误差较大，这是因为这段时间内空气中的水汽凝结
而成的薄雾以及城市排出的大量污染杂质形成的烟雾等原因造成。

表2 基于RNN和FNN的光伏系统发电功率预测结果评估Tab.2 Forecasting result evaluation of PV system generated power based on FNN and RNN? 表3 预测结果Tab.3 Forecasting results?
表4 预测结果的绝对百分比误差Tab.4 The absolute percentage error of forecasting results?
4 结论
本文提出了一种利用 RNN实现的光伏发电功率预测模型。

按照季节建立四个预测子模型，子模型中又按照日类型分类，将光伏系统数据库的历史发电数据以及前一天和预测日的平均温度作为输入变量，可以很好地体现季节、日类型、光照强度和
温度的影响。

与FNN模型相对比，RNN的预测模型简单、预测精度高和计算速
度快。

预测结果验证了本文提出的预测模型能够较准确地预测出预测日的发电功率。

参考文献
【相关文献】
[1] 戴训江，晁勤. 单相光伏并网逆变器固定滞环的电流控制[J]. 电力系统保护与控制，2009，37（20）：12- 17.
DAI Xun-jiang，CHAO Qin. Current control of constant hysteresisbandforsinglephasephotovoltaic grid-connected inverter [J]. Power System Protection and Control，2009，37（20）：12- 17.
[2] 武小梅，徐新，聂一雄. 基于开关函数的三相电压源型逆变器的新型仿真模型[J]. 电力系统保护
与控制，2009，37（11）：74- 77.
WU Xiao-mei，XU Xin，NIE Yi-xiong. New simulation model of three-phase voltage source inverter based on switching functions[J]. Power System Protection and Control，2009，37（11）：74- 77.
[3] 姚致清，张茜，刘喜梅. 基于PSCAD/EMTDC的三相光伏并网发电系统仿真研究[J]. 电力系统
保护与控制，2010，38（17）：76- 81.
YAO Zhi-qing，ZHANG Qian，LIU Xi-mei. Research on simulation of a three-phase grid-connected photovoltaic generation system based on PSCAD/ EMTDC[J]. Power System Protection and Control，2010，38（17）：76- 81.
[4] 周念成，闫立伟，王强钢. 光伏发电在微电网中接入及动态特性研究[J]. 电力系统保护与控制，2010，38（14）：119- 127.
ZHOU Nian-cheng，YAN Li-wei，WANG Qiang-gang.Research on dynamic characteristic and integration of photovoltaic generation in microgrids [J]. Power System Protection and Control，2010，38（14）：119- 127.
[5] Yona A，Senjyu T，Funabashi T，et al. Application of neural network to one-day-ahead 24 hours generating power forecasting for photovoltaic system[J]. Intelligent Systems Applications to Power Systems，2007.
[6] 栗然，李广敏. 基于支持向量机回归的光伏发电出力预测[J]. 中国电力，2008，41（2）：74- 78.
LI Ran，LI Guang-min. Photovoltaic power generation output forecasting based on support vector machine regression technique [J]. Electric Power，2008，41（2）：74- 78.
[7] 陈昌松，段善旭，殷进军. 基于神经网络的光伏阵列发电预测模型的设计[J]. 电工技术学报，2009，24（9）：153-158.
CHEN Chang-song，DUAN Shan-xu，YIN Jin-jun.Design of photovoltaic array power forecasting model based on neutral network[J]. Transactions of China Electrotechnical Society，2009，24（9）：153- 158.
[8] Yona A，Senjyu T，Funabashi T. Application of recurrent neural network to short-term-ahead generating power forecasting for photovoltaic system[C].∥IEEE Power Engineering Society General Meeting，2007.
[9] 周开利，康耀红. 神经网络模型及其MATLAB仿真程序设计[M]. 北京：清华大学出版社，2004.
ZhOU Kai-li，KANG Yao-hong. Neural network model and MATLAB simulation programming [M]. Beijing：Qinghua University Press，2004.
[10] 卢静，翟海青，刘纯，等. 光伏发电功率预测统计方法研究[J]. 华东电力，2010，38（4）：563-567.
LU Jing，ZHAI Hai-qing，LIU Chun，et al. Study on statistical method for predicting photovoltaic generation power[J]. East China Electric Power，2010，38（4）： 563-567.。