光伏发电系统的RBF神经网络预测研究

迟晨

摘 要 近年来，随着光伏发电出现井喷式的发展态势，大量发电系统并入电网中，为了提前获得光伏发电项目的可行性结论，并在此基础上进行系统的进一步优化，需要对光伏发电输出功率进行预测。影响光伏发电系统功率输出的主要因素在文章中做了简要分析，尝试用 RBF 函数对光伏发电功率预测的人工神经网络算法进行了改进，用光伏电站发电历史数据与天气情况训练了所建立的模型，并进行了简单预测。

【关键词】RBF 函数 发电预测 神经网络 气象因素

外界因素极易影响光伏电站的功率输出，尤其是太阳辐照强度和天气等因素，其发电的不稳定性会对并网形成冲击，因此在光伏发电大规模应用中，发电量的预测成了众多研究重点之一。

本文在建立了光伏发电系统的短期预测模型的基础上，尝试采用了 RBF 函数优化神经网络，并对系统一段时间内的发电量用所建立的模型进行预测和分析。

1 光伏发电功率输出的影响因素

1.1 气象影响

光伏发电系统受多种气象因素影响。本文尝试对2017年1月1日～5月30日，5个月的温度、气压、相对湿度、风速等逐时发电量等，采用 Pearson相关系数法分析其相关性。其计算公式为：

结合阈值等级可见：光伏系统的发电量受气温和相对湿度的影响较大；环境温度变化越大发电量受影响越大；相对湿度变化越大；其他因素相关性比较低。

1.2 天气影响

当天气出现云团时，其移动和不规则形状较大程度上影响了光伏发电系统是对太阳辐射的反射和吸收。天气类型主要与云团的大小和移动速度有关，不同的天气类型，光伏发电功率的差距很大。

2 光伏发电系统的功率神经网络算法

2.1 BP神经网络

BP（Back Propagation）神经网络是 1986 年由 Rumelhart 和 McCelland 为首的科研小组提出。

BP 神经网络的训练就是将测试集用来训练，验证集代入每次训练后的输出，求其误差和，当训练误差的方差趋于 0 而验证误差的方差在不断增大时，算法即可以终止。

按照步骤得到算法如下：初始化数据->给定输入量和目标输出->求隐含层、输出层各节点输出->求目标值和实际输出值单位误差->计算反向误差->极值学习->判断学习是否结束，若未结束则返回重新计算节点输出。

2.2 径向基函数神经网络优化算法（RBF）

任意的非线性函数都能被 RBF 网络轻易拟合，RBF 网络可以处理许多难以解析的规律性，其很快的学习和收敛速度，在处理自然语言理解、图像模式识别、景物理解、不完整信息的处理、智能机器人控制等方面具有优势。

3 系统预测模型的结构设计

3.1 基于历史天气情况的神经网络模型

我们把采集的历史天气情况作为数据输入层的输入数据。根据上文分析结果得知，需要建立的神经网络输入层神经元数量为3个；同样，我们把光伏发电功率作为输出层的输出，需要建立的神经网络输出层神经元数量为1个。根据神经网络的特征，隐含层的节点数约为 5 个。

3.2 神经网络模型的训练

我们把实验室得到的 2017年7月1日-7月30日之间的历史天气情况数据和光伏发电系统的输出数据，作为训练神经网络的样本，一天从上午八点至下午五点日落，每 1h 采集一次，共采集到 600 组数据。用采集到的数据作为训练样本，训练改进的神经网络。

3.3 预测结果的分析

我们用 2017 年 8 月 1 日这一天的数据作为测试的样本，共采集到 20 组，用以验证建立好的神经网络。图 1 是实际测试值与预测的输出功率比较图。

分析光伏发电系统的实际测试值与预测的输出功率的百分误差，从图 1 可以很清晰地看出，基于天气数据的 RBF 神经网络预测光伏发电功率数据波动不并不明显，误差值小于 5%。

4 结论

本文运用 RBF 算法局部寻优能力，对神经网络的初始权值、阈值进行了优化，弥补了 BP 神经网络的初始值随机确定、网络学习容易陷入局部最优以及训练时间长等不足。通过对气象要素进行分析，建立了 RBF 神经网络光伏发电量预测模型对典型天气的发电量进行预测。本文数据结果显示，RBF 神经网络模型具有比 BP 网络更好的预测结果。

参考文献

[1]陳昌松，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（09）：153-158.

[2]周毅，侯志明，刘字迪.数值天气预报基础[M].北京：气象出版社，2003.

[3]YONA A，SENJYU T，FUNABASHI T. Application of recurrentneural network to short-term-ahead generatingpower forecasting for photovoltaic system[C].IEEE PowerEngineering Society General Meeting.Tampa，FL，USA：Institute of Electrical and Electronics Engineers，2007，1-6.

[4]崔洋，孙银川，常倬林.短期太阳能光伏发电预测方法研究进展[J].资源科学，2013，35（07）：1474-1481.

[5]郭创新，游家训，彭明伟等.基于面向元件神经网络与模糊积分融合技术的电网故障智能诊断[J].电工技术学报，2010，25（09）：183-190.

作者单位

无锡市产品质量监督检验院 江苏省无锡市 214101