基于BP 神经网络算法的光伏发电预测研究

陈鸿林，贾宪章，贾宝柱，许媛媛，龙宇衡，李华健，周日翔

（广东海洋大学，广东 湛江 524088）

随着全球经济的迅速发展，资源的不断开发导致资源消耗问题日益严重，从而使经济可持续发展面临巨大挑战。因此，挖掘可再生能源的利用潜力已成为缓解能源紧张状况的重要手段。近年来，新型可再生能源逐步受到广泛关注，众多研究报告预测，太阳能、地热能、风能、潮汐能等可再生能源将在未来或短期内主导能源消费市场。其中，光伏发电以绿色、清洁、安全、高效等优势脱颖而出，发展迅速，市场前景广阔，对光伏发电的研究亟待加强。光伏发电的输出功率受光伏板性能、气象条件、运行状况等多种因素影响，存在波动性、间歇性和不确定性等问题。精确的光伏发电功率预测有助于更好地分配电力储备，为风险决策和微电网能源管理提供依据。掌握光伏发电系统的功率特性，建立反映光伏输出功率特性的模型及预测模型，准确预测光伏发电输出数据是提高电网系统稳定性、可靠性和优化的关键任务。因此，光伏发电功率预测的研究至关重要。

目前，光伏功率预测的主要方法包括季节性分析、多元回归分析、指数平滑法、持久性模型、自回归移动平均(ARMA) 模型、差分整合移动平均自回归(ARIMA)模型、模糊推理系统、遗传算法、人工神经网络(ANN) 和支持向量机(SVM)等。其中，人工神经网络在该领域优势突出，具有大规模数据处理、自适应学习与强容错性等特点，本文采用的BP 神经网络具备神经网络的普遍优点。本文旨在研究光伏发电功率预测，选取对光伏发电影响较大的七个自变量（即风速、气温、相对湿度、全球水平辐射、水平漫反射、风向、降水）进行预测模型分析，并采用斯皮尔曼相关性分析来筛选出关键因素。随后，收集大量数据集对神经网络模型进行训练，采用贝叶斯正则化算法和BP 神经网络算法建立光伏发电输出功率预测模型，为光伏发电功率预测提供一种可行方法。

1 光伏发电输出功率的影响因素

1.1 寻找光伏发电输出功率的影响因素

光伏发电输出功率受到许多因素的影响，在论文中提出太阳单位面积的光伏发电的输出功率数学模型：

式中，PV为光伏电源的输出功率；PSTC为光伏电源额定功率；GC为工作点的辐射强度；TC为电池表面温度，其值与环境温度近似；k 为功率温度系数。由此可以看出，光伏发电的输出功率与太阳辐射强度、环境温度有关，而太阳辐射强度、环境温度受气候条件影响。据此本文可根据光伏发电系统所处的气候条件，推断出影响光伏发电输出功率的因素的变化，从而预测光伏发电的输出功率。风速、气温、相对湿度、全球水平辐射(W/m2)、水平漫辐射(W/m2)、风向、降水这7 个方面进行探究。

1.2 斯皮尔曼相关性分析

斯皮尔曼相关性分析是根据等级资料研究两个变量间相关关系的方法。它是依据两列成对等级的各对等级数之差来进行计算的，斯皮尔曼等级相关对数据条件的要求没有积差相关系数严格，只要两个变量的观测值是成对的等级评定资料，或者是由连续变量观测资料转化得到的等级资料，不论两个变量的总体分布形态、样本容量的大小如何，都可以用斯皮尔曼等级相关来进行研究。

定义X 和Y 两组数据，其斯皮尔曼相关系数为：

式中，di为Xi和Yi之间的等级差。X 矩阵表示风速、气温、相对湿度、全球水平辐射(W/m2)、水平漫辐射(W/m2)、风向、降水的逐小时数据；Y 表示光伏发电输出功率(kW)的逐小时数据。本文根据澳大利亚沙漠知识中心所提供的样本数据进行采集，采取2015 年的全年逐小时的数据生成数据集指标，利用SPSS 软件对数据集进行斯皮尔曼相关性分析，表1所示是对风速、气温、相对湿度、全球水平辐射(W/m2)、水平漫辐射(W/m2)、风向、降水7 个方面的斯皮尔曼相关性分析。

表1 光伏发电阵列参数

表1 斯皮尔曼相关性分析

分析可知，输出功率与全球水平辐射的斯皮尔曼相关系数为0.972，并且在0.01 级别显著相关，可以得出，我们承认原假设成立，即全球水平辐射与光伏发电输出功率的相关性最高。其余的数据指标也与输出功率呈显著性相关，因此我们可以得出光伏发电输出功率受风速、气温、相对湿度、全球水平辐射、水平漫辐射、风向、降水这7 个方面影响。

2 建立BP 神经网络模型进行光伏发电输出功率预测

2.1 BP 神经网络模型

BP 神经网络通过建立网络——归一化——训练——预测——数据反归一化实现预测。通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。本文将按月取平均来表现出光伏发电输出功率与其他影响因素的关系。图1 为2015 年全年的光伏发电数据指标，表1 为光伏阵列具体参数。

图1 2015 年全年光伏发电数据集

通过观察该光伏阵列采集的数据，发现个别时间存在缺失指标测量值的情况。这些缺损值是因为缺测指标、仪器故障、项目有效数据量不足、网络传输故障等问题造成的。为了保证数据处理的连续性，本文选取对应时间点上相对应指标的平均值来替代该时间缺失的指标测量值。

2.2 光伏发电输出功率预测模型建立

（1）构建神经网络架构。具有s 型隐神经元和线性输出神经元的两层前馈网络，在数据一致和隐层神经元足够多的情况下，可以很好地拟合多维映射问题。本文利用MATLAB 中的神经网络拟合模块，建立具有SIGMOID 隐藏神经元和线性输出神经元的双层前馈网络，选择训练样本集为70%，校验数据为15%，测试数据集为15%，设置10 个神经元的单隐藏层。图2 为双层（即一个隐藏层）前馈神经网络可以拟合任何输入-输出关系。

图2 双层前馈神经网络输入-输出关系

（2）结果分析。经过MATLAB 模拟贝叶斯算法训练出来的模型，多次调整分析后，每迭代一次神经网络参数都会经过调整，经过多次迭代后，均方误差(MSE)会随之降低，但是随着网络开始过度拟合训练后，验证的数据集将会增加，均方误差也会增加，matlab 中均方误差连续增加2 次后将会停止训练。

式中，SSE 表示和方差；n 表示样本个数；yi表示真实数据；表示拟合的数据；wi＞0。

图3 为神经网络的训练性能，由图可知，经过527轮的训练迭代之后，最佳的训练性能是第525 轮，其均方误差最小为0.15283，并且整体的训练结果和测试结果的变化曲线相对贴合，说明训练出来的神经网络模型符合预期。

图3 神经网络训练性能

3 结语

本研究通过选用斯皮尔曼相关性分析识别出影响光伏发电输出功率的关键因素，并采用贝叶斯正则化算法优化神经网络，构建了对光伏发电输出功率的准确预测模型。该模型建基于大量实践数据，能够捕获复杂的非线性关系，实现更高的准确性和稳定性。核心优势在于提升了光伏发电输出功率预测的精度。通过重要影响因素选择和优化算法，模型达到了较高的解释力和精度。本研究进一步提高了光伏发电输出功率预测模型的准确率。本模型所采用的自变量在实际中较难获取，未来研究应与实践紧密结合，构建精度更高、覆盖更广、实用价值更大的光伏发电输出功率预测模型，为我国光伏发电事业发展提供有力支撑。