基于径向神经网络的光伏发电功率预测方法研究

杨滢璇，毕德忠，王道浩，肖 帅

（1.国网辽宁省电力有限公司电力科学研究院，辽宁 沈阳 110006；2.辽宁东科电力有限公司，辽宁 沈阳 110179；3.东北大学，辽宁 沈阳 110819）

基于径向神经网络的光伏发电功率预测方法研究

杨滢璇1，毕德忠2，王道浩3，肖 帅3

（1.国网辽宁省电力有限公司电力科学研究院，辽宁 沈阳 110006；2.辽宁东科电力有限公司，辽宁 沈阳 110179；3.东北大学，辽宁 沈阳 110819）

光伏发电输出功率具有明显的随机性和不确定性，大规模光伏并网会影响电网系统的安全、稳定运行。因此，对光伏发电功率输出进行短期的预测对光伏并网具有重要意义。以大数据分析Spearman秩相关系数为基础，分析得到光伏发电过程中各个影响因素与输出功率的秩相关度，并将相关度最高的影响因素作为预测系统变量输入，建立基于RBF神经网络的预测模型，对光伏发电的功率进行预测研究，通过变量和输出量的历史数据对RBF进行训练与预测。

光伏发电；功率预测；RBF神经网络；大数据分析

1 基于大数据的光伏发电影响因素分析

1.1 Spearman秩相关系数方法分析大数据

由于影响光伏发电输出功率的因素较多，且随机性较大，所以在对光伏发电进行预测时，必须清楚各个因素对输出功率的影响大小，即相关度。考虑到传统数据分析的缺陷，决定采用大数据分析得到更加准确的结果［1－3］。

本文采用的是基于统计与分析法中的spearman相关系数算法［4－5］。 spearman相关系数法采用秩相关 （rank correlation）来描述2个变量之间的线性或非线性关联程度与方向，且这种算法对异常数据敏感度低，实用性较强。

在光伏发电实际工程中，系统输出功率的计算公式为

式中：ηpv为光伏阵列的转换效率；S为光伏阵列的总面积；Ir为光伏阵列接收到的太阳辐射强度；Tc为光伏组件板温度。

通过式 （1）可知，影响光伏发电的因素较多，本文只分析主要影响因素以及随机性较小的因素，即太阳辐射强度、环境温度、天气情况与风速。

假设考虑某一光伏发电影响因素X与输出功率Y之间的相关性，则Spearman秩相关系数为

式中：Ri和Qi分别为影响因素与输出功率的秩次；n为数据个数。

1.2 实例分析

根据Spearman秩相关系数的计算公式，对辽宁省电能发展股份有限公司2016年全年365天的光伏发电输出功率与各影响因素的历史数据进行相关性分析。

本文以光照强度为例，计算其与光伏发电输出功率的秩相关系数。

a. 首先直接对光照强度数据进行编排，得n对观察数据 （xi， yi）。

b. 采用趋势数据法，减小辐射数据与输出功率次序不一致的问题，即采用相邻数据的变化率进行优化。

c. 提取变化率dxi的正负表示变化趋势 （1表示增大，0表示为0，－1表示减小），得到变化趋势数据 ｛mi｝， 然后对其进行编排秩次得到数据 ｛pi｝， 同理得到光伏发电的输出功率的趋势秩数据 ｛qi｝。

d.比较2个连续变量 ｛pi，qi｝ 的趋势秩可以判别2个变量 （xi，yi）在变化趋势上的相关性。具体流程如图1所示。

图1 秩相关计算流程

同理，通过风速v，环境温度T对光伏发电输出功率P进行Spearman秩相关系数计算，部分原始数据如表1所示，得到的结果如表2所示。

表1 部分原始数据

表2 Spearman秩相关系数分析结果

通过Spearman秩相关系数可以看出，对光伏发电输出功率影响最大的是光照强度和环境温度2个变量，但是为了进一步验证其可靠性，还需要进行仿真验证。

2 RBF神经网络

通过前面的分析，得到与输出功率相关度最高的因素，现以这些因素的数据作为预测系统中的输入变量，以输出功率作为系统的因变量，建立RBF的预测模型。

RBF神经网络是一种3层前向网络，分别是输入层、隐含层与输出层，具体结构如图2所示。

由图2可知，将隐函数中心向量C与输入X之间的距离差作为神经元激活函数的输入，本文采用高斯函数作为隐含层节点激活函数，则隐含层输出为

图2 神经网络3层结构

式中：ci是第i个基函数的中心；δi是第i个感知变量； ‖ci－x‖是 ci－x 的范数。

进而隐含层到输出层之间的线性映射可以表示为

式中：wik为网络的输出权值；N是输出节点数。

RBF神经网络的本质就是确定输入信息与连接权值，使得模型在训练时得到的预测结果更接近于实际值。

3 仿真算例

3.1 训练样本的选择

通过前面分析得到影响光伏发电功率最大的2个因素是光照强度和温度，由于这2个因素受季节和天气影响较大，所以在进行样本选择时，应当具有时间性与类型性。即需要对不同季节、不同月份进行单独建模，通过样本的训练得到每个月不同的RBF神经网络模型。这样才能提高预测的精准度，同时也更加符合实际的预测需求。

3.2 预测模型的建立

本文根据需要选取MATLAB中的RBF神经网络工具箱中的newrb（）函数进行RBF神经网络数据的训练，以sim（）作为RBF神经网络预测系统中的预测函数。模型的函数选择完毕后，即可进行样本数据的采集。

本文对沈阳5月份不同天气情况下的数据进行采集，得到部分数据如表3、表4所示。

表3 RBF晴天训练数据

表4 RBF阴天训练数据

根据不同天气的数据，导入到RBF神经网络程序的训练端口，进行RBF神经网络的训练，并以此来预测之后的光伏发电输出功率。其具体程序流程如图3所示。

3.3 RBF神经网络的仿真分析

将数据导入程序后，对RBF神经网络进行训练，效果如图4所示。

显然输入变量与输出功率存在相关性，从图4可知，随着训练数据的增多，RBF对功率的预测误差呈现出直线下降趋势。当数据达到100多个时RBF可以进行预测，而且预测误差第1次可以达到0.000 1。

将训练数据导入程序后，得到了RBF训练的收敛曲线表，同时也得到了RBF神经网络训练数据的光伏发电原始输出功率曲线图，如图5所示。

图5中通过对每20 min间隔数据点进行训练，可以发现光伏发电输出功率的整体呈现出正弦曲线的变化趋势，数据的走势基本和太阳一天的光照强度走势一致。

再将预测数据导入训练后的RBF网络中，得到原始预测数据输出功率的图形走势如图6所示。

由图6可知，输出功率的大小起伏波动较大，但是整体还是呈现一种很明显的正弦曲线走势。

将此预测数据中的光照强度和温度导入RBF预测系统中得到RBF预测输出功率与实际功率的效果如图7所示。

图3 RBF预测流程

图4 RBF训练数据图

图5 RBF训练收敛图

图6 RBF测试数据实际走势

图7 RBF预测效果图

由图7可知，在训练后的RBF神经网络输入光照强度和温度这2个变量进行预测后的结果和真实的功率图形走势基本相同，且在初期的小功率和各个功率波动起伏的转折点处的预测也基本和实际功率吻合。但是通过效果图可以看出，预测接近峰值的过程中误差就开始变大，而且呈现出没有规律的误差现象。

3.4 针对RBF程序的优化

输出功率的预测应当是针对每个月份的，基于这样的要求，通过MATLAB中的GUIDE进行程序的产品化，将RBF神经网络的程序进行产品化后可以实现对非5月份光伏发电的功率预测。

程序优化后的整体效果如图8所示。

图8 RBF预测程序界面

程序中点击输入样本进行RBF神经网络训练数据的输入和预测数据的输入。点击输入样本数据后得到结果如图9所示。

图9 RBF训练界面

图9 中显示了训练样本的输出功率趋势曲线和预测样本的输出功率曲线走势。在点击RBF预测按钮后，系统将自动根据训练的数据进行预测，得到本文数据的预测情况如图10所示。图11为只有预测数据而无原始实际数据的预测效果图。

图10 RBF预测效果

图11 RBF预测结果走势

通过图11可知，当给定一个光照强度和温度后，RBF神经网络就对应地预测出1个光伏发电的输出功率值。但是在缺少原始数据对比时，很难通过点图来了解输出功率的具体走势变化，其主要原因是数据点采集时间间隔较大，导致变量不连续，无法将输出功率中各个起伏趋势清晰地呈现出来。

4 结束语

本文提出的通过Spearman秩相关系数法研究光伏发电过程中各个因素对输出功率影响大小的方法具有可行性，有助于提高光伏发电功率预测的精度。本文建立的基于RBF神经网络的光伏发电输出功率预测模型在满足误差的要求下，能够较准确地预测出输出功率，可以应用于实际工程中。

［1］ 符亚杰.分布式光伏发电系统的原理及其应用前景 ［J］.科技与企业， 2015， 24 （20）： 92－92.

［2］ 王晓华.联网光伏发电系统调度运行控制方法研究 ［D］.北京：华北电力大学，2015：3－5.

［3］ 贾良宝.基于神经网络的光伏发电输出功率短期预测的研究［D］.郑州：中原工学院，2014：12－15.

［4］ 徐潇源，严 正，冯冬涵，等.基于输入变量秩相关系数的概率潮流计算方法 ［J］.电力系统自动化，2014，38（12）：54－61.

［5］ 范媛媛，桑英军，沈湘衡.基于BP神经网络的图像质量评价参数优化 ［J］.应用光学， 2011， 32 （6）： 1 150－1 155.

［6］ 叶 林，陈 政，赵永宁，等.基于遗传算法—模糊径向基神经网络的光伏发电功率预测模型 ［J］.电力系统自动化， 2015， 28 （16）： 16－22.

A Prediction Method Based on the Power of Photovoltaic Power Based on Radial Neural Networks

YANG Yingxuan1， BIDezhong2， WANG Daohao3， XIAO Shuai3

（1.Electric Power Research Institute of State Grid Liaoning Electric Power Co.， Ltd.， Shenyang， Liaoning110006， China；2.Liaoning Dongke Power Co.， Ltd.， Shenyang， Liaoning 110179， China；3.Northeastern University， Shenyang， Liaoning110819， China）

The photovoltaic power output has obvious randomness and uncertainty.Large-scale pv grid will inevitably bring challenges to system safe operation of power grids.Therefore，the photovoltaic power prediction is of great significance to power grids.In this paper based on big data analytics to Spearman rank correlation coefficient，the basis of analysis of various influence factors in the process of photovoltaic power generation calculate the various influence factors and output power of rank correlation，and use themost relevant factor as input variables of prediction system.The photovoltaic power forecastingmodel based on RBF neural network is established herein to forecast the output of photovoltaic power station，using the history of the variables and the output data to the training of the RBF and prediction.The example shows that themodel has high precision.

photovoltaics； power prediction； RBF neural network； bigdata analysis

TM615

A

1004－7913（2017）11－0015－05

杨滢璇 （1989），女，工程师，主要从事科技管理研究工作。

2017－07－15）