基于回声状态网的光伏发电量预测

姚显双，伦淑娴

（1.渤海大学 工学院，辽宁 锦州 121013；2.渤海大学 新能源学院，辽宁 锦州 121013）

太阳能被世界公认为最具竞争力的一种新型能源，目前世界上有很多国家开始重视通过光伏发电产业来对太阳能进行开发和利用。太阳光照强度、天气温度、风速等因素决定着光伏发电量。由于这些因素的存在，导致了光伏发电量的不确定性，那么并网运行会对电网有一定的冲击，并对电网造成一定程度的不稳定。因此对光伏发电量预测研究就显得尤为重要。由于光伏发电量的不确定性带来的困扰，需要对光伏发电量进行预测研究。而在近些年，学者们提出了很多预测方法，如数学统计方法[1-2]，神经网络方法[3-6]等。考虑到预测精度和运算速度的更高要求，这些方法就有些不足，为了解决这个问题，本文提出一种新的预测方法，即基于回声状态网的发电量预测方法。

1 回声状态网

回声状态网是由H.Jeager和H.ass在2004年提出的一种新型递归神经网络[7]。回声状态网使用储备池来代替传统递归神经网络原有的隐含层，其结构如图1所示。

图1 回声状态网结构图Fig.1 The structure of echo state network

回声状态网包含一个输入层，一个储备池和一个输出层，其神经元个数分别为 K，N和 L。Win，W，Wout和 Wfb分别表示输入权值矩阵，储备池权值矩阵，输出权值矩阵和输出反馈权值矩阵。 他们的维数分别是 N×K，N×N，N×L 和 L×（K×N）。回声状态网的离散模型可以表示如下：

式中，f表示储备池激活函数（通常选取“tanh”函数），g表示输出激活函数（通常选取“identity”函数），x（n）表示储备池状态，u（n）表示网络输入，y（n）表示网络输出，[；]表示两个向量的链接。

在回声状态网中，权值Win，W和Wfb是随机给定的，而权值Wout是需要通过训练计算得到的。因此，对网络进行训练就是训练输出权值矩阵Wout，使得输出信号尽可能的接近教师信号。Wout计算表达式如下：

式中，T表示矩阵的转置，（）-1表示矩阵的逆，X表示[x（n）；u（n）]的列集合，Y 表示 y（n）的列集合。

2 预测模型

我们以美国二十九棕榈村（北纬34.3°，西经116.167°）观测点得到的数据为研究对象。下面我们对一年中的几天（如3月22日、6月21日、9月22日、12月21日）的地表太阳辐射和光伏发电量进行比较，比较结果如图2和图3所示。

图2 地表的太阳辐射Fig.2 The solar radiation on the surface

图3 光伏发电量Fig.3 The photovoltaic power generation

对比图2和图3中的9月22日的两条曲线，可以看出影响光伏发电量的因素不止太阳辐射量，还包括其他因素。进而，对影响光伏发电量的各个因素进行比较分析，可以发现影响光伏发电量的主要因素包括光照强度和温度。以光照强度和温度为输入，光伏发电量为输出，建立一个基于回声状态网的预测模型，结构如图4所示。

图4 发电量预测结构图Fig.4 The structure of the photovoltaic power generation forecasting

在对构建后的模型进行学习的过程中，用平均绝对百分比误差（MAPE）来衡量模型学习的好坏，其表达式如下：

式中，d（i）表示真实值，y（i）表示预测值，L 表示训练样本长度，i表示第i次训练。

3 仿真与验证

我们选择一年中每天8:00～17:00的光伏发电量及其对应的光照强度和温度作为模型的训练和测试的数据样本，在利用matlab软件对该模型进行训练学习。在训练开始之前，首先对模型进行初始化，选取合适的参数，包括储备池大小（N=50）、储备池的谱半径（ρ=0.7）训练样本长度（L=300），然后在根据选好的训练样本对模型训练。对训练稳定的预测模型进行测试，其测试的MAPE=10.41%，测试值与真实值的对比结果如图5所示。

图5 测试结果Fig.5 The result of testing

从图5我们可以看出，在测试开始时的一部分测试值相比较真实值相差有点大，随着测试的进行，其测试值与真实值逐渐接近。由此我们可以判断，我们提出的预测模型能提高光伏发电量的预测精度，从而能减少光伏发电系统对电网造成的波动。

除此之外，我们还通过选取不同的样本长度和不同的储备池大小，来对模型的预测误差（MAPE）进行比较，比较结果分别见表1和表2。

表1 不同样本长度的测试结果Tab.1 Test result for the different length of sample

从表1中，我们可以看出，随着样本长度的增加，预测精度反而有所下降。从表2中，我们可以看出随着储备池大小的增加，预测精度也随之提高。

4 结 论

该光伏发电量预测模型采用具有简单训练学习方法的回声状态网，以历史数据为训练样本学习训练模型，并利用训练稳定的网络模型来预测之后的光伏发电量。仿真实验表明，该预测模型能提高光伏发电量的预测精度，从而减少了光伏发电的不确定性对电网造成的波动。

表2 不同储备池大小的测试结果Tab.1 Test result for the different size of reservoir

[1]MARIA Grazia DE Giorgi，PAOLO Maria Congedo，MARIA Malvoni.Photovoltaic power forecasting using statistical methods:impactofweather data [J].IET Science，Measurement and Technology，2014，8（3）:1-8.

[2]秦俊举，张恕远.一种新的光伏发电预测模型的设计[J].科技和产业，2014，14（2）:146-150.

[3]ATSUSHI Yona，TOMONOBU Senjyu，AHMED Yousuf Saber，et al.Application of Neural Network to One-Day-Ahead 24 hours Generating Power Forecasting for Photovoltaic System[C]//The 14th International Conference on Intelligent System Applications to Power Systems， Taiwan:[s， n]，2007:442-447.

[4]NIU Dong-xiao，WEI Yan-an，CHEN Yan-chao.Photovoltaic power prediction based on scene simulation knowledge miningand adaptive neuralnetwork [J].Mathematical Problems in Engineering，2013，2013（2013）:1-6.

[5]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.

[6]张艳霞，赵杰.基于反馈型神经网络的光伏系统发电功率预测[J].电力系统保护与控制，2011，39（15）:96-101.

[7]Jaeger H，Haas H.Harnessing nonlinearity:Predicting chaotic systems and saving energy in wireless telecommunication[J].Science，2004，304（5667）:78-80.