基于改进的GABP神经网络光伏发电短期出力预测

,

(上海电力学院 电子与信息工程学院, 上海 200090)

随着世界能源的消耗量巨增,光伏发电作为清洁能源中应用前景最广的新能源形式,将逐步替代部分常规能源,逐渐成为世界能源供应的主体[1-2].但分布式能源的波动性和间歇性较强,对电网的调频、调峰等产生一定的影响,光伏大穿透率并入传统电网加大了电力系统的调度难度.

光伏短期出力预测是在未来一段确定的时间内,对光伏发出的功率进行预测.在得知预测时间段内关键因素(气象、太阳辐射等数据)的变化趋势下,系统调度部门的管理人员可以据此统筹安排传统能源和光伏发电协调配合,及时调整发电计划,有效地降低光伏接入对电网运行的影响.装有屋顶光伏电站的用户也可以根据预测结果,合理安排用电时段,对家庭能量管理进行合理决策,从而降低用电成本.可见,对光伏出力的准确预测,能够为电网调度、用户侧决策提供可靠的依据,对确保电网安全、经济的运行具有重大意义.

1 光伏出力分析

光伏发电出力对气象、环境等外界不可控因素有着很大的依赖性,输出功率受太阳能辐射量、环境温度、太阳能面板性能等多种因素的影响[3].在硬件条件不变、光照和温度一定的情况下,其输出基本是确定的.光伏对地表太阳辐射强度十分敏感[4],发电出力可表示为:

Ppv(t)=R(t)Aηrηpc[1-β(Tc-Tcref)]

(1)

式中:R(t)——光照强度;

A——光伏组件面积;

ηr——温度系数;

ηpc——直流变换环节MPPT效率;

Tc,Tcref——环境的实际温度和参考温度.

由式(1)以及数据库中的数据可知,太阳辐射量与光伏发电出力有较强的相关关系,如图1所示.

图1 太阳辐射量与光伏出力的关系

此外,天气是影响可再生能源持续出力的主要因素,除了个别天气突变的情况,历史出力数据在一定程度上隐含着天气的信息.前一日的出力数据可以代表预测的气象综合指标,与预测有很大的相关性.根据以上分析,本文将预测日前两日的太阳辐射量以及光伏出力数据作为输入.

2 光伏出力短期预测模型设计

2.1 GA-BP神经网络模型

BP神经网络是一种以反向传播算法调整网络权值的多层前馈神经网络,无需过多关注复杂的建模过程,通过输入-输出的对应关系进行训练.它的学习规则是使用梯度下降法,通过将输出与实际输出样本之间的误差,反向经过各隐含层传递到输入层,并逐层计算各层神经元的误差以修正各个连接权值和阈值,通过不断的调整使网络的误差范数最小,最终达到理想误差[5].

神经网络的非线性拟合能力很强,适合描述工程中复杂的非线性关系,如光伏电站出力输入与输出之间的关系.但神经网络在结构设计和权值设计算法方面存在缺陷[6],在选取网络训练初始权值时,传统的方法是随机给定的,很容易陷入局部极值无法逃逸.遗传算法的出现解决了这一问题,遗传算法(Genetic Algorithms,GA)是通过自然选择随机性进行的一种全局搜索方法,可以实现目标群体中最优个体的搜索.同时,使用的搜索方式和结构不会受到任何群体梯度变化的影响.

优化神经网络的权值实质上是一个目标函数寻优的过程,通过不断的优胜劣汰,寻找到一个最优的连接权值[7].网络权值和阈值的整体分布体现了神经网络系统的全部知识,而梯度下降法本身对于初始权值的选择较为敏感.初始权值的微小差别会使得结果相差很多,因此优良的初值对结果是很重要的.引入遗传算法是为了找出最优的初始权值和阈值,使神经网络以最高效率进行训练和预测.

本文先用GA对网络初始权值和阈值进行优化,得到最优权值(阈值),并赋值给预测网络各层进行学习和预测,算法流程如图2所示.

2.2 神经网络设计

2.2.1 输入输出层的设计

若用P(d,t)表示发电功率的实际值,PP(d,t)表示出力预测值,I(d,t)表示太阳辐射量,其中t表示预测时间段,则输入层参数可选取为:预测时间段前一天同一时间段的发电功率值P(d-1,t)和太阳辐射量I(d-1,t),预测时间段前两天同一时刻的发电功率值P(d-2,t)和太阳辐射量I(d-2,t),预测时间段的太阳辐射量I(d,t).输出量为预测时间段的发电功率值Pp(d,t),该模型输入节点数为5,输出节点数为1.

图2 GA-BP神经网络流程示意

2.2.2 结构设计

Kolmogorov定理指出[8],任何一个连续函数都可以用一个3层BP神经网络来精确实现,如果隐含层节点的数量很多,几乎可以精确地逼近任何复杂非线性函数.因此,隐含层神经元数目的确定在神经网络的设计中至关重要.它与输入之间内在的关联程度、输出量,以及对精度要求有不可忽略的联系.根据经验公式,可以计算出神经元个数为4～13个,在算例中进行多次尝试后,确定选择隐含层神经元个数为6时效果较好.

2.3 遗传算法设计

本文提到的GA-BP神经网络是指利用遗传算法对连接权值进行优化,其过程如下.

(1) 对随机产生的连接权值和阈值进行编码.

(2) 生成初始化种群,设置遗传代数、交叉概率和变异概率参数.

(3) 计算适应度函数,以每个样本的误差函数值的倒数作为适应度函数值,评价连接权的优劣,选择适应度大的个体进入下一代.

(4) 对当前群体用交叉、变异等操作进行进化,产生下一代群体.

(5) 重复步骤(3)和步骤(4),直到满足条件为止.

3 模型实现

3.1 数据样本的预处理

为了保证数据的时序对应关系,首先需要对输入和输出的数据进行一定的预处理:将原始光伏出力数据以15 min为间隔取均值,变换为1 h内的平均出力值,与太阳辐射量的时间间隔保持一致.将处理好的样本分为训练集和测试集两部分,2015年1月1日至2015年10月31日的处理结果作为训练集,2015年11月11日至2015年12月31日的处理结果作为测试集.

3.2 神经网络的创建

在神经网络的训练过程中,若过分追求训练集的最小样本误差,很容易出现“过拟合”现象[9],导致对训练集以外的新样本数据的误差变大,神经网络的泛化能力下降.因此,需使结构复杂程度与训练样本数目相匹配,增强其泛化能力.本文建立的网络为5×6×1结构.输入层和隐含层均采用tansig传递函数,输出层采用 purelin 纯线性传递函数,训练函数为trainlm 函数.

3.3 遗传算法实现

网络的结构确定后,就可知各层的权值和阈值的个数.种群中的每个个体在编码时都需要包含网络中各层所有的权值和阈值,个体计算适应度函数得出适应度值,遗传算法通过选择、交叉和变异等遗传算子找到最优适应度的个体.模型中权值的优化是一个无约束优化问题,采用实数对神经网络权值和阈值进行编码,由输入层与隐含层权值、隐含层与输出层权值、隐含层阈值、输出层阈值组成.

S=RS1+S1S2+S1+S2

(2)

式中:R,S1,S2——网络输入层、隐含层、输出层的维数;

RS1——输入层与隐层权值的编码长度;

S1S2——隐层与输出层权值的编码长度;

S1——隐层阈值编码长度;

S2——输出层阈值编码长度.

本文为5×6×1结构的网络,所以遗传算法个体编码长度为42,其中输入层与隐含层之间的权值W1占30个基因位,隐含层与输出层之间的权值W2占6个基因位,隐含层阈值b1占6个基因位,输出层阈值b2占1个基因位.每一种群的个体数目n=30,最大遗传代数gmax=100,变量的编码位数PRECI=42,代沟gGAP=0.9,交叉概率pc=0.75,变异概率pm=0.01.

为了使预测值与实际值的误差尽量小,选择预测样本的预测值与实际值的误差矩阵的范数作为目标函数的输出.将测试样本的误差范数(即测试值与期望值之间误差的平方和)作为评价预测网络的一个泛化能力(网络的优劣)[10],再计算个体的适应度值,即计算误差范数的倒数.个体的误差范数越小,则个体适应度越大,该个体越优.

4 算例仿真与结果

由于美国加利福尼亚能源委员会提供的光伏出力数据库为开源的,而且在加利福尼亚洲圣何塞河滨县由清洁能源供应商SolarCity建立了最大的光伏项目运营中心,因此选择该地区为研究对象.该地区坐标为西经90°35′,北纬13°50′.美国国家航空和宇航局的卫星监测可以测得以任意指定地点为中心,向东南西北各0.5经纬度的区域内多年的辐射数据.根据经纬度得到美国国家航空和宇航局提供的该地区的太阳辐射数据,再利用Homer软件模拟每天各小时的辐照强度值.

本文采用该数据库提供的2015年12月10日0:00至2016年3月31日24:00之间以15 min为间隔的光伏出力(单位为kWh)和由Homer软件提供的以1 h为间隔的太阳辐射数据,如图3所示.

图3 圣何塞年太阳辐射月平均日变化曲线

本文分别采用传统BP神经网络和改进的GA-BP模型对光伏出力进行预测,得到的误差、预测结果分别如图4,图5,图6所示.

根据图4可以看出,由BP神经网络建立的模型,其预测值与实际值的差别很大,只有很小的一部分是在偏离实际值较小的范围内,因此BP神经网络预测的误差很大,不能精确描述实际光伏出力的情况.而从图5可以看出,采用遗传算法优化权值和阈值后建立的模型预测曲线在实际曲线附近的拟合度大有改善,模型与实际的误差很小,几乎是均匀分布在实际值附近,预测精度得到了明显提高,基本可以描述光伏出力的情况.

神经网络的泛化能力是指神经网络在学习完成以后对测试样本或工作样本做出正确反应的能力。也就是说一个网络的泛化能力是它对训练集以外的其他数据的识别能力[11].本文用泛化能力来考量算法的优良,取3组测试样本分别对两种网络的预测准确率进行比较.BP神经网络与改进GA-BP网络的预测结果分别为80.33%,83.25%,88.87%和90.61%,94.16%,96.35%.

由此可以看出,改进的GA-BP神经网络的实验误差范围明显缩小,预测精度有了明显的提高;虽然每组样本选取的数据差异较大,但是模型的预测准确率均较高,对训练集以外的其他数据的识别能力优良,因此改进的算法具有更好的泛化能力.

图4 BP神经网络预测误差

图5 改进GABP神经网络预测误差

图6 改进GABP神经网络预测曲线

5 结 语

本文建立了以历史光伏输出功率数据和太阳辐射度为关键因素的改进GA-BP神经网络光伏预测模型.通过遗传算法对BP神经网络进行改进,逐步迭代出优化的初始权值,减少了网络训练时间,并有效避免了神经网络陷入到局部极值中.经算例验证,本文建立的模型可以精确地预测光伏出力,大幅提高了光伏出力的预测精度,有较好的泛化能力,同时也提高了BP神经网络的训练速度,为短期光伏出力预测提供了一种新的思路.

[1] 戴训江,晁勤.光伏并网逆变器自适应电流滞环跟踪控制的研究[J].电力系统保护与控制,2010,38(4):26-30.

[2] 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):96-109.

[3] RAHMAN M H,YAMASHIRO S.Novel distributed power generating system of PV-ECaSS using solar energy estimation[J].IEEE Transactions on Energy Conversion,2007,22(2):358-367.

[4] SAHA A K,CHOWDHURY S,CHOWDHURY S P,etal.Modeling and performance analysis of microturbine as a distributed energy resource[J].IEEE Trans on Energy Conversion,2009,24(2):529-538.

[5] HAO J,LI H.Application of BP neural network to short-term-ahead generating power forecasting for PV system[J].Advanced Materials Research,2013,609:128-131.

[6] 朱凯,王正林.精通MATLAB神经网络[M].北京:电子工业出版社,2010:320-321.

[7] 刘伟,彭东,卜广全,等.光伏发电接入智能电网后的系统问题综述[J].电网技术,2009,33(19):1-5.

[8] 陈昌松,段善旭.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.

[9] WANG S X,ZHANG N,WU L,etal.Wind speed forecasting based on the hybrid ensemble empirical mode decomposition and GA-BP neural network method[J].Renewable Energy,2016,94:629-636.

[10] 周林,杨冰,郭珂,等.光伏并网系统直流注入问题最新进展及发展趋势[J].电力系统保护与控制,2012,40(6):147-155.

[11] PAN X T,QU K Q.Wind power output prediction with BP neural network combining genetic algorithms[J].Advanced Materials Research,2014,860-863:2526-2529.