基于RBF神经网络的太阳能发电量预测

华 龙， 齐 冲， 刘雪娇

(北京市轨道交通运营管理有限公司， 北京 100070)

随着太阳能发电技术的迅速发展，对于一般用户以及电力公司都需要预测太阳能发电系统的输出功率来对电网整体进行规划。由于太阳能发电系统的发电能力受天气条件和控制方式变化的影响，对电力系统的稳定性将造成一定的冲击。为了确定在指定时间段内太阳能发电系统的总发电能力，对太阳能发电系统的预测，特别是短期的预测，将变得尤为重要。太阳能发电能力的预测所需的因素主要是日照强度、环境温度以及其他外部条件。目前的预测手段是基于概率进行估计，但在实际使用中没有得到良好的预测精度。通过利用具有学习功能的神经网络进行预测，以求得到更好的预测精度。

作为可再生能源的有效方法之一的太阳能发电,其输出特征有很大程度上依赖于天气、气温、日照强度等，很难稳定地输出供给，如果大量连接到电力系统，有可能引起电力系统波动或无法控制等问题。

随着日照强度降低，发电量也会减少。同时，夜间无法发电，在阴天或多云天气以及下雨天发电量也会下降。阴天的话，其发电能力仅有晴天时的一半，雨天更会下降到不足晴天的1/5。另外，太阳能电池板的朝向和方位角也会影响发电量。

无法进行保存是电能的一大特性。发电企业往往会依据用户的需求量制定合理的发电计划，以降低成本。因此，在将太阳能发电大量导入电力系统时，不仅需要设想电力的需求，还要对其输出能力有精准、稳定的预测和把握。

所谓太阳能发电输出的预测，就是利用天气信息，考虑太阳能板自身的条件，预测太阳能发电的输出。对于太阳能发电系统，其硬件设备、安装工艺、地理选址等因素作为固定量往往无法随意变更且并不作为系统输出预测的主要影响参数。因此，在选取输入变量时，不考虑这些因素而将天气信息作为主要输入参数进行预测[1]。

太阳能发电的预测方法分为对发电量进行直接预测的直接预测和对日照强度进行预测从而对发电量进行换算的间接预测两种[2]。

中村勇太等[3]认为使用云量数据对系统预测误差可以起到一定的改善作用。Chen等[4]使用过去的实际气象数据，依托神经网络及模糊理论，基于云量数据可以使日照强度的预测精度达到6.03%～9.65%。石桥直人等[5]使用间接预测的方法得到了较好的预测结果，但其选用了云量情报、湿度等非常多的气象情报，此种情况必须依托于足够的数据，实用性并不高。田村英寿[6]研究表明在夏季或日照强度变化强烈的日子可以使预测精度大幅提高。志贺孝广等[7]研究表明预报数据对日照强度、太阳能发电量的预测十分重要。

在早期进行的间接预测的仿真中，依托气象局的数据，对日照强度的预测误差为19%。如此高的误差无法进行实际的使用。因此，改进预测方法，使用园区内建筑物屋顶设置的20 kW太阳能发电系统的实际数据进行直接预测。为了与别的方法进行比较，同时也为了消除对发电量起着决定作用的日照强度的误差，选用没有误差的实际日照强度的数据，来探明可以将太阳能发电精度提高到何种程度。同时，在不使用预报数据并尽可能选择容易入手的数据的情况下，探求是否可以得到良好的预测结果。

1 太阳能发电系统

在太阳能发电系统中，太阳电池的等效电路如图1所示，只能用电流源Ig和二极管D来表示。设I0表示反向饱和电流，q表示电素量，V表示电压，n表示理想二极管因子，k表示波尔兹曼常数，T表示温度。这里，在n=1的情况下，PN结具有理想的I-V特性。

图1 太阳能电池的等效电路

太阳能电池的I-V特性可以通过式(1)～式(3)计算。

I=Ig-Id-Irsh

(1)

(2)

(3)

在实际近似中，考虑串联电阻Rs和并联电阻Rsh。如果串联电阻变低，并联电阻变高，则性能良好。

太阳能系统的发电量受到各种因素的影响。为了预测，必须考虑与输出有关的深刻因素。

太阳能发电系统发电量的计算方法参考NEDO发行的太阳能发电导入指南，可以按照Ep=HKP/l进行概算。其中，Ep为发电量，kW·h；H为安装面的平均日照强度，(kW·h)/m2；每单位面积的每单位时间的能量被称为辐射照度或日照强度，输出与太阳光的日照强度成正比，以1 kW/m2为基准日照强度；K为损失系数(因模块种类、脏污等而异)；P为系统容量，kW；l为标准状态下的日照量，kW/m2。

其中重要因素是损耗系数。发电损失约为太阳能电池容量的80%。损失系数可以按照损耗系数=温度损失系数×功率调节器转换效率×其他校正系数(配线、受光面脏污等损失)进行估计。其中，温度造成的损失最大。功率调节器转换效率取决于设备的性能。其他损失校正系数约为95%。

满足基准日照量1 kW/m2的情况是在晴朗的夏季正午约1～2 h。

通过考虑上述条件，考虑太阳能电池的等效电路及太阳能电池的I-V特性，假设设备的物理参数和信息是恒定的，则预测使用容易获得的数据，日照强度、气温作为用于预测的输入信息。另外，为了改善峰值时间段的预测精度，将上午的峰值时间和下午的峰值时间作为指导数据输入。

2 太阳能发电量预测方法

为了与其他方法进行比较，通过使用RBF神经网络(RBFN)，利用东京农工大学园区内建筑物屋顶设置的20 kW太阳能板(图2)的数据，预测该系统的发电量。

图2 屋顶设置的20 kW太阳能板

2.1 预测数据

所选择的数据是从2013年到2014年两年间每小时的天气信息和云量信息。输入数据为气温、日照强度、云量信息等，输出数据为发电量，学习时间为2013年1月1日至2014年12月29日，测试时间为2014年12月30日和12月31日。目标是次日每小时的发电量(图3)。预测包括气温、日照强度、云量和预报数据在内，共分为5种类型。

图3 提案方法的流程

2.2 天气数据

采用实际的云量和预报的云量数据进行输入。另外，设定了云量的级别及其定义(表1)。

表1 云量的级别和定义

实际的云量数据使用气象局发布的每3 h的云量数据。由于学习和测试数据都是以1 h作为基数的，所以为了使数据达到相同的标准，对云量数据进行了修正。

对于修正的方法，假设3 h中云量是恒定的，选用了开始时间的数据，即6：00—8：00这一时间段的云量数据均使用6：00的数据。同理，8：00—11：00使用8：00的数据，以此类推，对24 h的云量数据进行修正。

2.3 神经网络模型

神经网络是通过计算机上模拟实现人脑等特性的数学模型。为了区别生物学和神经科学，也被称为人工神经网络。神经网络被划分为以教师信号为指标的教师学习和没有教师信号的学习，应用于作为图像识别、模式识别、数据挖掘的领域。

本研究使用的神经网络是RBF神经网络(RBFN)。RBFN是由3层构成的神经网络，多用于非线性函数的近似。神经网络由输入层、中间层和输出层构成(图4)。

图4 RBFN的构造

RBFN的激活函数可以由式(4)定义，即

(4)

神经网络的输出可以用式(5)进行计算，即

(5)

设d为样品的输出期待值,函数的方差σ可以用式(6)来计算，即

(6)

为了评价预测结果，使用平均绝对百分比误差(MAPE)进行评价。MAPE表示实际发电量和预测发电量的平均绝对误差之差。MAPE用式(7)来表示，即

(7)

3 仿真结果

仿真使用了2014、2015两年间每小时的数据，即0:00—24:00的数据，一共17 520个，在MATLAB上使用神经网络工具包进行了学习。

3.1 Neural Network Toolbox概况介绍

Neural Network Toolbox[8]提供了对未建模的复杂非线性系统进行建模的功能和应用。教师可以应用前馈、辐射基础和动态网络，还提供了自组织映射、竞争层和无教师学习，具有设计、学习、可视化和模拟神经网络的功能。也可以用于诸如数据拟合、模式识别、集群、时间序列预测和动态系统建模和控制等应用。

基于Neural Network Toolbox，使用RBF网络。Neural Network Toolbox为辐射基函数网络提供了一些函数。

newrb()：基本RBF网络，多用于函数近似。

newrbe()：正确的RBF网络。与newrb()不同，基于矢量设计，建立RBF网络以避免出现快速误差。

newpnn()：是概率的RBF网络。适用于分类问题。

newgrnn()：一般化回归RBF网络。与newrb()相同，用于函数近似。

因上所述，使用newrbe()作为预测函数。

考虑到应用的可行性，选用常见的PC机作为操作平台，操作环境如下。

OS: Windows 7 SP1 64-bit。

处理器: Intel(R) Core(TM) i7-4710MQ 2.50 GHz。

内存：16 GB。

仿真软件为MatlabR2013a(8.1.0.604)及Neural Network Toolbox Version 8.0.1 (R2013a) 13-Feb-2013。

在仿真模型建立的过程中，采用一种利用神经网络从气象信息(温度和云量)预测第2天太阳能发电系统输出的方法(表2)。

表2 输入、输出数据的说明

所谓预报的数据，即为未来的实际的数据，该数据消除了误差，避免了因无法较好地预测未来数据造成预测精度的下降。同时，在研究方法不断完善的前提下，对未来气象数据的预测精度将日趋完善，降低甚至消除未来气象数据的误差。

3.2 结果分析

3.2.1 基本数据结果分析

类型1的预测结果为MAPE=14.68%(图5)。该提案的方法并不能很好地在实际应用中适用。为了提高预测精度，对于次日的预测需要增加输入数据的种类。对于太阳能发电最重要的因素是日照强度，而日照强度受云量的影响。因此，后续将使用云量数据进行预测。

图5 类型1的预测结果

3.2.2 使用云量数据的预测结果分析

类型2的预测结果为MAPE=16.86%(图6)。与类型1相比，预测精度几乎没有变化，甚至误差提高了2.18%。通过分析预测曲线，相比类型1有了一定程度的近似。这应该是云量数据自身的误差导致的。通过预测曲线的变化，可以认为使用云量数据后预测精度会有一定程度的改善。

图6 类型2的预测结果

3.2.3 使用预报云量数据的预测结果分析

类型3的预测结果为MAPE=11.28%(图7)。较之提案的预测方法相比，预测精度有了一定的提高。使用预报数据，对于太阳能发电系统翌日的发电量预测可以得到较好的预测精度。

图7 类型3的预测结果

3.2.4 使用预报日照强度的预测结果分析

类型4的预测结果为MAPE=4.37%(图8)。较之前的预测方法相比，预测精度有了进一步的提高，甚至有了6.91%的改善。预测曲线的近似也变得更好。可以肯定的是，对于翌日的发电量预测，使用预报数据，特别是日照强度，可以得到很好的预测精度。

图8 类型4的预测结果

最后，为了确认预测结果，将全部的输入数据，也就是云量和日照强度都作为参考，基于预报数据进行仿真。

3.2.5 使用全部数据的预测结果分析

类型5的预测结果为MAPE=6.50%(图9)。与3.2.4中的方法相比，增加了约2.13%的误差，但从图9中可以看到，预测曲线的近似并没有发生明显的变化。这被认为是云量数据自身的误差引起的。同时，也可以认为本文研究方法对太阳能发电预测是有效的。

图9 类型5的预测结果

4 结论及未来的发展方向

4.1 结论

在未来可能大规模引入太阳能发电的情况下，为了减轻对电力系统的影响，对太阳能发电输出预测方法进行了研究。为了实现电力系统的实用化，以采用不复杂的方法、活用比较容易获得的天气预报数据、能够根据少量数据进行预测的方法等为目的，进行了大量的仿真实验。

对比各种数据组合的预测方法，最好的结果是类型4的4.37%。从而可以得到为了预测第2天的发电量，使用预报数据，特别是预报的日照强度，将大大提高预测的精度。

通过对比各个预测结果可以得出，峰值时间对于输出的预测改善情况并不理想。为了提高预测的精度，通过探讨其他的输入数据，进而改进现在的模型。

针对太阳能发电输出的预测，提出了上述方法，研究了适用于太阳能发电系统的输出预测方法。由此，在将来大量引进太阳能发电的电力系统中，也能够保持供求平衡，维持稳定性。而且，从少数数据中，可以不考虑太阳光发电设备的设置状况和太阳能电池板和功率调节器的特性，根据得到的云量和日照强度来预测太阳能发电的输出。

4.2 未来的发展方向

由于所使用的云量数据从每3 h的数据简单地按照每1 h进行修改。因此，云量数据本身可能会产生一些误差。在后续的改善中，将以每3 h为单位进行预测，从而探究提高预测精度的方法。

大量的资料表明，在预测中加入模糊理论[9]将会使预测结果有所改善。在之后的建模中，在云量数据的处理过程中加入模糊规则，在全面考虑模糊的基础上，预测精度的提高是有可能的[10]。

今后，基于气象数据、时间、温度数据，使用不同的神经网络模型进行学习。此外，在神经网络中加入模糊规则，通过选择适当的神经网络输入，以便建立更好的太阳能发电预测模型。