基于GA-SAPSO优化BP神经网络的>光伏系统发电量预测

黄 超，葛 愿，葛宜然，张 刚

安徽工程大学电气工程学院，安徽芜湖，241000

基于GA-SAPSO优化BP神经网络的>光伏系统发电量预测

黄 超，葛 愿*，葛宜然，张 刚

安徽工程大学电气工程学院，安徽芜湖，241000

对影响光伏发电的因素进行了分析，建立了利用遗传算法和模拟退火粒子群算法优化的BP神经网络短期光伏发电量预测模型。该预测模型利用遗传算法和模拟退火粒子群算法来优化神经网络内部的连接权值和阈值，结合遗传、模拟退火粒子群和BP神经网络的优点，使得预测模型具有较好的预测结果。结合光伏发电的历史数据及天气状况，对该模型进行训练、测试、评估及预测。预测结果表明，建立的预测模型具有较高的精度。

光伏系统；发电量预测；遗传算法；模拟退火粒子群算法；BP网络

随着人类对化石能源的过度开采利用导致能源枯竭和环境恶化，光伏发电因其清洁、安全、可再生的能源特性受到越来越多国家的重视，光伏发电作为一种新兴产业被越来越多的国家和地区关注和重点发展。作为国家新能源优先发展方向之一，且随着国家“十二五”规划中新能源战略的实施，我国光伏发电项目迅猛发展，各种不同规模的光伏发电站(点)已经在国内大量建成和运行当中[1-2]。

因受地理、环境、太阳辐射强度多种因素的影响，光伏系统发电的发电输出功率具有不确定性和随机性。光伏发电系统的这些特性导致其并入大电网后，会对大电网造成冲击，给大电网的稳定运行带来一定的问题。因此，对光伏发电系统发电量预测，能够减少对大电网的冲击，也能够减轻电网的备用要求。通过对发电量的预测，大电网与光伏系统发电相配合可以减少传统能源发电的能源消耗，减少环境污染，提高电网运行的经济性。光伏发电量预测技术可以根据用电要求，合理利用太阳能资源，安排发电容量，节约成本，并获得更好的经济利益[3]。

国内关于光伏系统发电量预测的研究还处于起步阶段，其中，基于人工神经网络预测模型应用较为广泛，如BP神经网络、改进BP神经网络、PSO优化RNN神经网络和小波神经网络等预测模型[4-8]，只要将数据代入预测模型进行统计分析，找出数据之间的复杂联系，就能进行预测，然而预测的效果都不够理想。为此，本文提出了一种将遗传算法、模拟退火粒子群算法和BP神经网络模型三者相结合的方法，建立光伏系统发电量预测模型。模型利用遗传算法与模拟退火粒子群算法相结合来优化BP神经网络的网络参数，再将优化后的网络参数代入BP神经网络进行发电量预测，加快神经网络收敛速度，得到了较为理想的预测结果。

1 遗传算法(GA)

遗传算法(Genetic Algorithm，GA)是通过模拟自然界生物进化理论而提出的一种全局优化算法。算法实际就是从需要解决问题的可能存在解表示成染色体，利用适者生存的思想，从中选择优良的个体进行复制，有更多繁殖后代的机会，为了体现自然界的信息交换和偶然基因突变，个体进行交叉和变异操作，这样，通过遗传算法进行不断地繁衍和进化，最终得到一群最适环境的染色体种群上，即得到最优解。遗传算法的具体实现步骤如下：

(1)参数设定 在求解遗传算法前，首先要确定表示可行解的染色体编码方法，算法中一些运行参数也需要提前设定，如群体规模、终止进化代数、选择算子、交叉算子和变异算子的设定。

(2)初始种群的生成 随机地产生m个初始个体数据组成一个初始群体(m是根据群体规模和待优化变量个数设定)，以这个群体开始进行择优劣汰模拟进化过程。

(3)适应度函数的设计 将待优化问题的可能解形成的目标函数转换成合适的个体适应度函数，从而评判个体所代表的可行解的优劣，为群体进化提供选择。

(4)选择 利用轮盘赌选择方法选择个体，将被选择到的个体获得更多的机会产生下一代，也利于保持群体的多样性

(5)交叉 对于选择再生后的个体种群，依照交叉算子随机进行两两交叉操作，即将两个配对的个体在交叉点的前后部位进行交换。

(6)变异 按照一定的变异算子概率，在种群中改变群体个体的染色体一些部位的基因值。

(7)种群在经过上述操作之后会产生新一代群体，对产生的新一代群体进行重新评价。经过一次次的一系列算法操作，使群体中的最优个体的解值不断向最优解前进，直至获得待解决问题的全局最优解，则算法结束。

2 模拟退火粒子群算法(PSO)

粒子群优化算法(Particle Swarm Optimization,PSO)是模拟鸟类捕食提出的一种寻求最优解智能算法。粒子群算法与遗传算法一样，也是一种基于迭代的全局优化方法。算法通过把每个求解问题的可能解看成一个粒子，每个粒子都有一个适应值、速度和位置，通过粒子间的竞争和协作来搜索最优解。模拟退火(Simulated Annealing,SA)算法，是模拟金属加温至充分高后徐徐冷却的过程。因为标准PSO算法到进化后期会出现收敛速度慢以及早熟现象，导致精度不高且易陷入局部最优值。模拟退火算法在搜索过程中具有较强的跳出局部最优解的能力，通过对惯性权重进行随机调整，保持群体的多样性，避免群体在搜索过程中陷入局部最优解的问题。因此，在标准PSO算法中引入模拟退火方法，提出模拟退火粒子群算法(SAPSO)，从而能更加快速有效地找到最优解。

模拟退火粒子群算法的具体实现步骤如下：

(1)初始化 定义初始化种群(每个粒子的初始速度和位置以及种群大小)，进化代数；

(2)设定算法的适应度函数，评价每个粒子i的适应度f(i)，在每一次迭代中，根据适应值的优劣，将粒子本身目前所找到的最优解(即粒子曾达到的最好位置)pi存储起来(包括位置、速度和适应值)，并通过竞争得到当前整个种群目前找到的最优解，放在最优解位置pg(包括适应值最优个体的位置、速度和适应值)；

(3)确定初始温度，t0=f(pg)/ln5；

(4)通过式(i)确定当前温度下各粒子的适应值；

(i)

(5)种群中的所有粒子个体最优值pi，通过采用轮盘赌选择方法确定全局最优值的一个替代值，并由式(ii)来更新种群各粒子的速度和位置；

(ii)

(6)计算各粒子新的适应值，更新各粒子的个体最优值，评价种群并确定全局最优值；

(7)运用公式tk+1=λtk(λ为退温常数)进行退温操作；

(8)判断算法停止条件(算法精度要求或迭代次数要求)，满足条件则输出结果，否则转至步骤(4)继续执行。

3 光伏发电量预测模型设计过程

3.1 光伏发电的主要影响因素

影响光伏系统发电功率的因素有很多，如地理位置、太阳的辐射强度、太阳入射角度、太阳能电池组件的倾斜角度、逆变器的转换效率、温度、灰尘、气压等。但是，有些影响因素可以不用考虑，比如光伏阵列的安装位置、安装角度和本身的转换效率对光伏发电量数据的影响已体现在光伏系统发电量数据之中。如果将每个影响因素都考虑作为预测模型的输入，将不可避免地增加模型的复杂性，而且输入变量的增加会造成光伏发电系统数据收集和统计的困难。因此，要准确分析对光伏发电量有着重要关联性的因素作为其输入量，使预测模型更加准确。

文献[9]给出的单位面积的光伏阵列发电功率为：

ps=ηSI[1-0.005(t0+25)]

(iii)

式(iii)中，η为光伏阵列的光电转换效率(%)，S为光伏阵列的面积(m2)，I是光伏阵列接收到的太阳辐射强度(kW/m2)，t0是光伏阵列工作时的环境温度(℃)。

对于一个既定的光伏发电系统来说，光伏阵列的特性和系统信息已体现在光伏发电系统输出功率数据中，所以预测模型的输入变量中就不用考虑光伏阵列的光电转换效率、安装角度等隐含在发电量数据中的因素。但是，要在预测模型的输入中予以重点考虑太阳辐射强度、环境温度等直接影响因素。由式(iii)可知，光伏输出功率与太阳辐射强度成正相关性，太阳辐射强度大时，光伏输出功率大，而在太阳辐射强度变化不大时，若环境温度不断升高，光伏发电输出功率却略有下降。这是由于环境温度的升高导致太阳能电池板温度过高，光伏阵列不能正常运作，从而影响光伏发电系统的输出功率。

本文以芜湖市安徽工程大学的光伏微网作为研究对象，该光伏微网系统位于北纬31.34°，东经118.41°，海拔10 m，总容量为110 kW。本文研究时段为7:00～18:00，其他时段因为光伏系统输出功率很少或者为零，故不计入研究时段。在数据收集过程中，主要收集每小时内光伏发电系统的平均输出功率，并向当地天气预报网站购买气象信息。

图1 光伏系统发电量与天气类型的关系

对大量数据进行研究发现，太阳辐射强度和环境温度的变化直接受天气类型影响，故光伏发电功率也会受其影响。由图1可以看出，晴天、多云和雨天的光伏系统发电量有很大的差距。根据以往的研究还可以得出结论：云层厚度、空气湿度、降水量都会在一定程度上削减太阳能光伏板接收到的太阳辐射能。虽然每种天气状况都可以从气象数据中查找，但是天气不是一个特定具体的数值，且要将这些考虑作为预测模型的输入，增加了难度。本文采用文献[10]中Chen提出的方法，认为可以将某地区的每个时间段太阳辐射强度都可细分为10个级别，并进行量化处理，即给出相当于当地各时间段内最大太阳辐射强度的量化值，即大气穿透值R[i]，并可判断出各时间段天气状况，如表1所示。

表1 太阳辐射分级表

2.2 GA-SAPSO的BP神经网络预测模型

目前，在研究光伏系统发电量预测方面，运用比较广泛和成熟的人工神经网络算法是BP神经网络。BP神经网络的本质是按照误差反向传播学习算法训练的多层前馈网络，其算法主要是通过神经网络中的权值和阈值沿着网络误差变化的负梯度方向进行调节，使得网络误差达到最小值[11]。它在处理非线性问题方面有很多的应用(图2)。

图2 BP神经网络结构

由于传统的BP神经网络训练采用的是梯度下降算法，权值和阈值沿着梯度反向调节，存在收敛速度慢、容易陷入局部极优等问题。针对这些不足，本文提出一种优化传统BP神经网络的算法来提高BP神经网络的预测精度。

模拟退火粒子群算法和遗传算法都是较好的全局优化算法，可以进行组合优化来解决问题。但是，遗传算法因其随机性和隐含并行性，具有良好的全局搜索能力，不会陷入局部最优解，不过容易早熟收敛,存在振荡问题,且局部搜索能力较差；模拟退火粒子群算法虽结合了粒子群算法较强的局部寻优的能力和模拟退火较强的跳出局部最优解的能力，提高了全局搜索能力，不过对整个搜索空间的状况了解不多，不便于搜索过程进入最优希望的搜索区域。因此，本文提出将遗传算法和模拟退火粒子群算法相结合来优化BP神经网络的网络参数，使其脱离原有的盲目性的特征，从而提高BP神经网络的收敛速度和预测精度。

本文构建的GA-SAPSO优化BP神经网络模型，基本思想就是将神经网络中的连接初始权值、阈值作为待优化的参数集，通过GA-SAPSO的迭代运算优化，得到一组误差相对最小的神经网络初始权值和阈值。然后再将所优化的参数代入BP神经网络进行正常的网络训练和预测[12]。预测步骤为：

(1)根据已确定的输入层神经元个数和输出层神经元个数确定BP神经网络结构；

(2)得到神经网络的初始权值和阈值组成的参数集，先利用遗传算法进行粗搜索，利用其全局搜索能力提供初步的优化结果，在最优解的空间里得到一个初步优化的初始权值和阈值；

(3)将得到的初步优化结果代入SAPSO进行细搜索，强化局部搜索得到BP神经网络训练的最优初始权值和阈值。

具体实现：GA-SAPSO算法采用实数编码(因为用于实数编码的染色体是由实数变量组成，对于函数优化问题尤为有效)，将输入层与隐含层连接权值、隐含层阈值、隐含层与输出层连接权值、输出层阈值组成算法优化的群体，群体的长度：

D=IH+HO+H+O

其中，I为输入层神经元个数，H为隐含层神经元个数，O为输出层神经元个数。

3.3 输入层和输出层的确定

本文选取的预测模型输入量包括预测日前一天7:00～18:00的12个时间段的光伏系统发电量，预测日前一天和预测日当天的最高和最低气温以及这两天的天气状况，一共18个输入量。预测日当天的7:00～18:00的12个时间段的光伏系统发电量作为预测模型的12个输出量。

3.4 数据预处理

由于各输入数据之间的单位各不相同，数值数量级也相差较大，直接代入模型会影响预测结果。为了避免这样的结果，必须对网络的输入输出数据进行归一化处理。本文采用公式(4)对数据进行处理，转换到[0,1]区间内，防止神经元出现饱和现象。

(iv)

3.5 仿真验证与结果分析

本文提出的光伏系统发电量预测模型，采用Matlab搭建，通过构建BP神经网络模型和遗传算法与模拟退火粒子群算法结合优化BP神经网络模型来验证预测模型的有效性。

结果分析需要采用一定的评估指标对预测模型进行准确的评估。本文采用的预测指标是平均绝对百分比误差(MeanAbsolute Percentage Error，MAPE)，通过式(v)来进行分析比较：

(v)

为了验证本文提出的光伏系统发电量预测模型具有更高的预测精度，本文通过对两个预测日(一个是晴天，一个是云天)进行光伏发电量预测，采用平均绝对百分比误差的方式来比较传统BP神经网络与GA-SAPSO优化BP神经网络的这两个预测模型的预测结果。

表2 晴天预测模型之间的比较

表3 云天预测模型之间的比较

由表2、3可以看出，GA-SAPSO优化BP神经网络预测模型和传统BP神经网络预测模型对晴天都较为准确，对于云天的预测都有一定误差，但仍有较高的参考价值。从两个表的预测结果和平均绝对百分比误差可以看出，GA-SAPSO优化的BP神经网络局部预测效果好于BP神经网络，且整体预测结果也具有较高的精度。

4 结束语

本文提出了一种基于遗传算法和模拟退火粒子群算法相结合优化BP神经网络的算法，通过对影响光伏系统发电量因素的统计分析，建立了光伏系统发电量预测模型。模型运用遗传算法和模拟退火粒子群算法对神经网络随机产生的初始权值、阈值进行优化，弥补了BP神经网络收敛速度慢、易陷入局部最优等不足。通过仿真验证与结果分析，验证了本文提出的光伏系统发电量预测模型相对于传统BP神经网络光伏发电量预测模型具有更高的预测精度，能够更加精确地预测光伏系统的发电量。

[1]王长贵，王斯成．太阳能光伏发电实用技术[M]．2版．北京：化学工业出版社，2009:5-65

[2]国家能源局．太阳能发电发展“十二五”规划[J]．太阳能，2012(18)：6-13

[3]崔洋，孙银川，常俾林．短期太阳能光伏发电预测方法研究进展[J]．资源科学，2013，35(7)：1474-1481

[4]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

[5]王倩，张智晟，王帅，等．基于PSO-RNN的光伏发电功率预测研究[J]．青岛大学学报:工程技术版，2014，29(4)：40-43

[6]杨德全，王艳，焦彦军．基于小波神经网络的光伏系统发电量预测[J]．可再生能源，2013，31(7)：1-5

[7]丁明，王磊，毕锐．基于改进BP神经网络的光伏发电系统输出功率短期预测模型[J]．电力系统保护与控制，2012，40(11)：93-99,148

[8]张佳伟，张自嘉．基于PSO-BP神经网络的短期光伏系统发电预测[J]．可再生能源，2012，30(8)：28-32

[9]AtsushiYona,TomonobuSenjyu,ToshihisaFunabashi.Applicationofrecurrentneuralnetworktoshort-term-aheadgeneratingpowerforecastingforphotovoltaicsystem[C]//Tampa:ProceedingofIEEEPowerEngineeringSocietyGeneralMeeting,2007:24-28

[10]ChenTing-yao,AthienitisAK.AmbienttemperatureandsolarradiationpredictionforpredictivecontrolofHVACsystemsandamethodologyforoptimalbuildingheatingdynamicoperation[J].ASHRAETransaction,1995,101(1):26-36

[11]韩力群．人工神经网络理论、设计及应用[M]．北京：化学工业出版社，2002:112-135

[12]周建新，付传秀．GA-SAPSO神经网络模型的构建[J]．佳木斯大学学报:自然科学版，2011，29(1)：32-35

(责任编辑：汪材印)

10.3969/j.issn.1673-2006.2016.03.028

2015-12-25

芜湖市科技计划重点项目“光伏微电网的控制、保护与能量管理技术研究”(2014cxy05)；安徽高等教育振兴计划优秀青年人才支持计划；安徽高校自然科学研究重大项目“直流微电网储能系统多重化变换器多目标优化配置方法及协调控制研究”(KJ2015ZD06)；安徽工程大学国家级大学生创新创业训练计划项目“光伏微网分布式发电预测技术研究”(201410363032)。

黄超(1993-)，安徽巢湖人，在读硕士研究生，主要研究方向：智能信息处理及应用。

TM615

A

1673-2006(2016)03-0110-05

*通讯作者：葛愿(1979-)，江苏徐州人，教授，主要研究方向：网络控制。