基于Elman神经网络模型的短期光伏发电功率预测

刘佳林李刚王腾飞



基于Elman神经网络模型的短期光伏发电功率预测

刘佳林1，李刚1，2，3，王腾飞1

（1.兰州交通大学 机电技术研究所，甘肃 兰州 730070；2.甘肃省物流及运输装备信息化工程技术研究中心，甘肃 兰州 730070； 3.甘肃省物流与信息技术研究院，甘肃 兰州 730070）

为提高光伏发电功率的预测精度，使电力行业充分、合理地利用太阳能资源，提出一种基于Elman神经网络模型的短期光伏发电功率预测方法。将历史数据细分为不同季节、不同天气类型的多个子集，通过计算气象特征向量间的欧式距离选取相似日，建立Elman神经网络，对三种不同季节和天气类型条件下的光伏发电功率分别进行预测。结果表明，预测模型在晴天条件下有较高预测精度，对提高光伏发电功率的预测效果有一定的参考价值。

光伏发电；功率预测；相似日；Elman神经网络

光伏发电功率预测一直是国内外研究的热点，准确预测光伏功率，可以为电力调度提供重要的决策支持，有利于保障电网的安全运行，更能有效降低电力系统运营成本，使电力行业充分、合理利用太阳能资源，从而获得更大的经济效益和社会效益[1]。文献[1]选用双层BP神经网络预测光伏发电功率，相比普通的BP神经网络有较好的预测精度，但仍然存在网络收敛速度慢、无反馈调节和易陷入局部最优等问题。文献[2]选取太阳辐照强度、辐照时长、气温等指标作为相似日的气象特征，然后对每一类相似日建立粒子群算法，以优化Elman神经网络的模型进行光伏功率预测。该方法虽对气象信息进行分类，但分类较为粗糙。文献[3]通过组合权重系数计算相似日，预测日的输出功率由相似日的输出功率按不同权重系数加权而得。实例分析表明，该方法有较高的准确性，但无法适用于天气状况发生突变的情况。

文献研究结果表明，在光伏发电功率的预测模型中，输入不同天气类型的样本集神经网络的训练误差之间存在较大差别。相似日理论将不同天气类型的样本进行归类细分，分类后的训练样本可以有效地提高模型的预测精度。Elman神经网络能够在有限的时间内逼近任意函数，其动态记忆性能直接反映光伏输出功率与影响因子的非线性、时变关系，且训练速度高于BP 网络。

1 相似日的选取

按当地日辐照时长将全年划分为春秋季、夏季、冬季，在划分好的3个季节类别中根据晴天、多云（阴）、雨（雪沙）三种典型天气类型再细分，这样就可以得到同季节同天气类型的9个小样本集[4]。

光伏发电功率受诸多气象因素影响，本文选取对功率影响较大的因素，例如辐照度、辐照时长、气温、相对湿度来构建气象特征向量，构建每日气象因素特征向量，为

i=[i，i，i，i]. （1）

式（1）中：i为第日的平均辐照度，W/m2；i为第日的平均气温，℃；i为第日的平均相对湿度，%；i为第日的辐照时长。

根据预测日季节和天气类型信息，在细分好的样本集中根据欧氏距离0i来计算预测日与历史日的气象特征总体的差异度，为：

式（2）中：为特征向量的个数；0（）为预测日气象特征向量；i（）为第个气象特征向量。

通过式（2）的计算结果，选取与预测日相似度最高即欧氏距离最小的前10组历史日数据作为相似日样本集，在神经网络训练时使用。

2 Elman神经网络

Elman神经网络在一般前馈式网络的基础增加了一个承接层，是一种动态递归神经网络。Elman神经网络结构一般分为四层，即输入层、输出层、隐含层和承接层，如图1所示。其中，为输入向量，输出向量，为维隐含层单元向量，c为承接层的维反馈向量，1，2，3分别为承接层到隐含层、输入层到隐含层、隐含层到输出层的连接权值[5]。承接层相当于具有记忆特性的一步延时算子，使整个系统具有适应时变特性的能力，从而达到动态建模的目的。输入层、输出层、承接层的传递函数多为线性函数，例如purelin函数，隐含层的传递函数则多选用非线性函数，如Sigmoid函数。Elman神经网络采用与BP网络相同的附加动量的梯度下降反向传播算法来修正权值阈值[6]。

图1 Elman神经网络结构

3 构建Elman神经网络预测模型及实例预测

原始数据基于甘肃省电力公司某光伏电站记录的2014年历史输出功率和测光站采集的历史实时气象信息，结合中国气象局网站的历史气象信息，对奇异或缺失数据加以综合修正，并对数据作归一化处理，消除量纲影响。

3.1 构建预测模型

Elman神经网络基本参数设定如下：①建立四层网络结构。输入层、输出层和承接层函数为purelin函数，隐含层函数为tansig函数，训练函数为traingdx函数，学习函数为learndm函数，学习率为0.05，最大迭代次数2 500，误差容限0.000 1.②输入层节点数。输入变量为气象数据，选取每日辐照度、温度、相对湿度的平均值和日照时长共4个输入节点。③输出层节点数。输出变量为功率数据，选用07：00—20：00时段每隔30 min的功率数据共27个输出节点。④隐含层节点数。本文先根据经验公式取得估计值，再由网络多次训练，选取误差最小的隐含层节点数[7]，选取最终隐含层节点数为12.因此，Elman神经网络模型的最终结构为4-12-27.

3.2 实例预测

假定将2014-10-06记为预测日，该天属于春秋季节晴天天气类型，按前述相似日计算方法在春秋季晴天数据集中计算所有历史发电日与该预测日的气象特征欧氏距离，选出最小的前10组数据作为神经网络的训练数据。为对比不同季节及天气类型下的预测情况，本文再选2014-06-24（夏季雨天）和2014-12-10（冬季多云（阴天））作为预测日分别进行模型验证。选取均方根误差、平均绝对百分比误差评估光伏发电功率的预测结果，其计算式分别为：

式（3）中：i为预测值；i*为期望值。

预测结果如图2所示，晴天条件下功率变化较为平缓且均匀，没有突然变化的时刻，预测精度最高。

由多云和雨天的预测结果可知，Elman模型对于功率出现较大波动时刻的数据点预测存在较大误差，不能及时预测功率变化趋势。不同天气类型下3种模型的预测误差如表1所示。

由表1可知，晴天类型下模型的预测效果较好，在15%以内，在0.5 kW以内，误差在20%以内的预测点数占到了70%，而雨天和多云条件下的均大于20%，也较大，总体预测效果不理想，误差较大。

图2 不同天气类型下的预测对比

表1 不同天气类型下3种模型的预测误差

天气类型误差指标误差区间内的预测点数 MAPE/（%）RMSE/kW <5%5%~20%20%~30%>30% 晴天13.20.48641571 雨天24.390.839111123 多云（阴）天20.270.663311112

4 结论

本文首先分析了气象因素对光伏发电功率的影响，将历史数据根据不同季节和天气类型细分为9组数据样本集，通过计算气象特征向量间的欧式距离选取相似日，确定输入输出变量，建立Elman神经网络模型并分3个子模型进行了实例预测。结果表明，预测模型在晴天条件下有较高预测精度。本文使用Elman神经网络对不同天气类型条件下分别细分子模型预测的方法进行了研究，对提高光伏发电功率的预测效果具有一定的参考价值。

［1］艾格林，孙永辉，卫志农，等.基于MEA-Elman神经网络的光伏发电功率短期预测［J］.电网与清洁能源，2016，32（04）：19-125.

［2］侯松宝，王侃宏，石凯波，等.基于相似日和主成分分析的光伏发电系统短期出力预测［J］.可再生能源，2018，36（01）：5-21.

［3］张建成，李倩，周春霞，等.基于混沌搜索的AMPSO-BPNN在光伏功率预测中的应用研究［J］.华北电力大学学报，2014，41（04）：5-21.

［4］许洋.基于改进PSO-Elman网络的短期电力负荷预测［D］.天津：河北工业大学，2016.

［5］徐敏姣，徐青山，袁晓冬.基于改进EMD及Elman算法的短期光伏功率预测研究［J］.现代电力，2016，33（03）：8-13.

［6］钟春霞.基于相似日选则算法和Elman神经网络的光伏输出功率预测［J］.南京工程学院学报（自然科学版），2016，14（1）：42-47.

［7］陈通，孙国强，卫志农，等.基于相似日和CAPSO-SNN的光伏发电功率预测［J］.电力自动化设备，2017，37（03）：66-71.

2095－6835（2019）02－0043－03

TM615

A

10.15913/j.cnki.kjycx.2019.02.043

刘佳林（1994—），男，陕西咸阳人，在读硕士研究生，主要研究方向为光伏发电功率预测技术。

〔编辑：王霞〕