基于BP神经网络的光伏发电功率预测研究

陈德会，杨海艳，曲宏伟

(1. 大唐新疆清洁能源有限公司，新疆 乌鲁木齐 830001；2. 东北电力大学能源与动力工程学院，吉林 吉林 132012)

最近几年，中国的严重雾霾导致的环境污染引发了社会的普遍高度重视[1]。高效利用可再生能源发电，减少煤炭能源发电，是缓解环境问题的有效措施。预计在2030年我国可再生能源的用电率达到30%以上[2]。

作为技术较为成熟的可再生能源发电之一，光伏发电以相对占地面积小、运维成本低的优势得到迅猛发展。随着光伏发电并网容量的增加，光伏发电功率的波动对电网调度运行的影响不容忽视，电网对光伏发电功率预测精度提出更高的要求[3-5]。

目前，关于光伏发电功率预测方法已经取得了一些研究进展，主要包括基于神经网络预测[6]、基于马尔科夫链预测[7]、基于支持向量机预测[8]和自回归与滑动平均模型预测[9]。以上方法中，神经网络的预测精度、收敛性较好，因此基于BP神经网络在光伏发电功率预测方面的应用有更大的研究空间。

文献[10]通过前一天的光伏发电功率和两天的平均温度，可以预测出当天的光伏发电功率；文献[11]利用光伏发电系统的前一天数据，建立了前馈型与反馈型神经网络预测模型，能够较为准确地对光伏发电功率进行预测；文献[12]将预测日的天气类型也加入神经网络，用作输入量，可以更为准确地预测出当日光伏发电的功率。

基于以上研究，本文将综合考虑天气、历史数据信息，建立BP神经网络预测模型，对光伏发电功率进行预测，并采用实测数据验证该方法的有效性。

1 光伏发电功率波动影响因素分析

由于预测日天气受前一天天气的影响，因此光伏发电功率大小受前一天功率波动影响较大。本文基于大唐吐鲁番0.4 MW光伏板试验数据，分析光伏发电功率波动规律。

如图1所示为大唐吐鲁番的光伏发电量实测数据，其中1日、10日、20日、24日发电量较低，这4天的天气分别为多云、多云、雷阵雨、阵雨；4日、15日、16日、27日、28日发电量较高，这4天的天气均为晴天。在不同天气下，光伏发电功率如图2所示。

图1 2016年6月光伏发电量

图2 不同天气的光伏发电功率波动

不同天气下，各时段的光伏发电功率存在较大差异，但不同时刻的光伏发电功率变化趋势大致相同，在12：00—18：00，光伏发电功率较高。

2 BP神经网络的基本原理

BP神经网络算法是模拟人的大脑，通过神经元对刺激的积累不断学习，建立机制，BP神经网络结构如图3所示。

图3 BP神经网络结构

通过输入层的每一个神经元加权将信息传递给隐含层神经元，隐含层的神经元将信息加权又送给输出层，并通过输出层的反馈结果对各层权重加以改进。当该模型能够满足预测样本自校验的标准后，再采用该模型可以对其他样本结果进行预测。

设神经网络有n个输入量，q个输出量，p个隐含层单元，隐含层和输出层的连接权重为p个和q个。隐含层神经元可以表示为

(1)

式中：wji为隐含层中第j个神经元与输入层第i个神经元的连接权重；xi为输入层第i个神经元刺激；θj为第j个动量的阀值。

各层神经元输出函数采用logsig函数：

(2)

输出层的神经元可以表示为

(3)

式中：wkj为输出层第k个神经元与第j个隐含层神经元的连接权重；θk为第k个动量的阀值。

通过输出实际结果yk和期望结果ok可以得到各神经元权重的修正量，从而对其修正，隐含层和输入层的权重修正量和阀值修正量为

(4)

(5)

式中：β为修正系数。

输出层和隐含层的权重修正量和阀值修正量可以表示为

Δwki=α·(ok-yk)yk(1-yk)bj

(6)

Δθk=α·(ok-yk)yk(1-yk)

(7)

式中：α为修正系数。

3 基于BP神经网络的光伏发电功率预测模型

文献[13]将天气类型分为晴、多云、阴转晴等天气，并计算了其天气类型指数，本文将吐鲁番的天气分为晴、阴天和雨天三类，其天气类型指数分别为4.4、2.0和1.0，天气类型指数可以作为BP神经网络的输入量。

由于预测日气温、光照变化与预测日之前的天气密切相关，因此本文将预测日前两天的光伏发电功率、天气类型指数和预测日的天气类型指数作为BP神经网络的输入量，输出量为预测日的发电功率。

光伏发电功率数据为7:00—20:00，共14个典型时段，两天的光伏发电功率输入数据为28个，两天的天气类型指数数据为2个，预测日天气类型指数为1个，BP神经网络模型中共31个输入量。输出量为预测日14个典型时段的光伏发电功率，隐含层的神经元个数y为

(8)

式中：n为输入量个数，在本文中取31；m为输出量个数，在本文中取14；a为1～10的常数，本文取3。

根据式(8)，设置隐含层神经元个数为10个。

4 光伏发电功率预测方法有效性验证

采用大唐吐鲁番0.4 MW光伏板2016年6月1—29日的实测数据作为训练样本，共27组，设置收敛精度为0.001，对2016年6月30日的光伏发电功率进行预测，预测结果与实测数据对比如图4所示。

图4 光伏发电预测结果

从图4可以看出，采用本文方法预测的结果与实测结果较为接近。

采用均方根误差(Root Mean Square Error，RMSE)作为光伏发电功率预测精度的评价指标，均方根误差为

(9)

式中：k为样本个数；xi为第i个预测功率；yi为第i个实测功率。

本文方法的预测结果RMSE指标为3.544。

5 结束语

光伏发电功率的准确预测对调度运行和发电计划的制定有重要影响，本文基于BP神经网络研究了光伏发电功率的预测方法。通过分析，天气类型和光伏功率历史数据的变化对光伏发电功率波动有较大影响。建立了光伏发电功率预测模型，并采用大唐吐鲁番数据验证了该方法的有效性。

参考文献：

[1] Domínguez-García J L, Gomis-Bellmunt O, Bianchi F D, et al. Power oscillation damping supported by wind power: A review[J]. Renewable & Sustainable Energy Reviews, 2012, 16(7):4 994-5 006.

[2] Raval D Y, Munjani P J, Mansoori N R. Reference based Maximum Power Point Tracking Algorithm for photo-voltaic power generation[C]. International Conference on Electrical Power and Energy Systems. IEEE, 2017.

[3] Ramakrishna R, Scaglione A. A compressive sensing framework for the analysis of solar Photo-Voltaic power[C]. Signals, Systems and Computers, 2016, Asilomar Conference on. IEEE, 2017:308-312.

[4] Sharma D, Mishra S, Nanda J. Micro-grid operation and control of Photo-Voltaic power with canal based small hydro power plant[C]. Region 10 Conference. IEEE, 2017:1 289-1 293.

[5] Philip J, Jain C, Kant K, et al. Control and implementation of a standalone solar photo-voltaic hybrid system[J]. IEEE Transactions on Industry Applications, 2016, 52(4):3 472-3 479.

[6] Al-Messabi N, Goh C, Li Y. Grey-Box Modeling for Photo-Voltaic Power Systems Using Dynamic Neural-Networks[C]. Green Technologies Conference. IEEE, 2017:267-270.

[7] Zhang H, Han X, Dou J Y. A Method to Forecast Photo-voltaic Power Outputs Based on Markov Chain[C]. International Power, Electronics and Materials Engineering Conference. 2015.

[8] Han S J, Bae K Y, Park H S, et al. Solar Power Prediction Based on Satellite Images and Support Vector Machine[J]. IEEE Transactions on Sustainable Energy, 2016, 7(3):1 255-1 263.

[9] Glasbey C A, Allcroft D J. A spatiotemporal auto-regressive moving average model for solar radiation[J]. Journal of the Royal Statistical Society, 2010, 57(3):343-355.

[10] 张 岚，张艳霞，郭嫦敏，等. 基于神经网络的光伏系统发电功率预测[J]. 中国电力，2010，43(9)：75-78.

[11] 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.

[12] 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(9)：153-158.

[13] 袁晓玲, 施俊华, 徐杰彦. 计及天气类型指数的光伏发电短期出力预测[J]. 中国电机工程学报, 2013, 33(34):57-64.