基于徑向神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電功率預(yù)測(cè)方法研究

楊瀅璇，畢德忠，王道浩，肖 帥

（1.國(guó)網(wǎng)遼寧省電力有限公司電力科學(xué)研究院，遼寧 沈陽(yáng) 110006；2.遼寧東科電力有限公司，遼寧 沈陽(yáng) 110179；3.東北大學(xué)，遼寧 沈陽(yáng) 110819）

基于徑向神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電功率預(yù)測(cè)方法研究

楊瀅璇1，畢德忠2，王道浩3，肖 帥3

（1.國(guó)網(wǎng)遼寧省電力有限公司電力科學(xué)研究院，遼寧 沈陽(yáng) 110006；2.遼寧東科電力有限公司，遼寧 沈陽(yáng) 110179；3.東北大學(xué)，遼寧 沈陽(yáng) 110819）

光伏發(fā)電輸出功率具有明顯的隨機(jī)性和不確定性，大規(guī)模光伏并網(wǎng)會(huì)影響電網(wǎng)系統(tǒng)的安全、穩(wěn)定運(yùn)行。因此，對(duì)光伏發(fā)電功率輸出進(jìn)行短期的預(yù)測(cè)對(duì)光伏并網(wǎng)具有重要意義。以大數(shù)據(jù)分析Spearman秩相關(guān)系數(shù)為基礎(chǔ)，分析得到光伏發(fā)電過(guò)程中各個(gè)影響因素與輸出功率的秩相關(guān)度，并將相關(guān)度最高的影響因素作為預(yù)測(cè)系統(tǒng)變量輸入，建立基于RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型，對(duì)光伏發(fā)電的功率進(jìn)行預(yù)測(cè)研究，通過(guò)變量和輸出量的歷史數(shù)據(jù)對(duì)RBF進(jìn)行訓(xùn)練與預(yù)測(cè)。

光伏發(fā)電；功率預(yù)測(cè)；RBF神經(jīng)網(wǎng)絡(luò)；大數(shù)據(jù)分析

1 基于大數(shù)據(jù)的光伏發(fā)電影響因素分析

1.1 Spearman秩相關(guān)系數(shù)方法分析大數(shù)據(jù)

由于影響光伏發(fā)電輸出功率的因素較多，且隨機(jī)性較大，所以在對(duì)光伏發(fā)電進(jìn)行預(yù)測(cè)時(shí)，必須清楚各個(gè)因素對(duì)輸出功率的影響大小，即相關(guān)度。考慮到傳統(tǒng)數(shù)據(jù)分析的缺陷，決定采用大數(shù)據(jù)分析得到更加準(zhǔn)確的結(jié)果［1－3］。

本文采用的是基于統(tǒng)計(jì)與分析法中的spearman相關(guān)系數(shù)算法［4－5］。 spearman相關(guān)系數(shù)法采用秩相關(guān) （rank correlation）來(lái)描述2個(gè)變量之間的線性或非線性關(guān)聯(lián)程度與方向，且這種算法對(duì)異常數(shù)據(jù)敏感度低，實(shí)用性較強(qiáng)。

在光伏發(fā)電實(shí)際工程中，系統(tǒng)輸出功率的計(jì)算公式為

式中：ηpv為光伏陣列的轉(zhuǎn)換效率；S為光伏陣列的總面積；Ir為光伏陣列接收到的太陽(yáng)輻射強(qiáng)度；Tc為光伏組件板溫度。

通過(guò)式 （1）可知，影響光伏發(fā)電的因素較多，本文只分析主要影響因素以及隨機(jī)性較小的因素，即太陽(yáng)輻射強(qiáng)度、環(huán)境溫度、天氣情況與風(fēng)速。

假設(shè)考慮某一光伏發(fā)電影響因素X與輸出功率Y之間的相關(guān)性，則Spearman秩相關(guān)系數(shù)為

式中：Ri和Qi分別為影響因素與輸出功率的秩次；n為數(shù)據(jù)個(gè)數(shù)。

1.2 實(shí)例分析

根據(jù)Spearman秩相關(guān)系數(shù)的計(jì)算公式，對(duì)遼寧省電能發(fā)展股份有限公司2016年全年365天的光伏發(fā)電輸出功率與各影響因素的歷史數(shù)據(jù)進(jìn)行相關(guān)性分析。

本文以光照強(qiáng)度為例，計(jì)算其與光伏發(fā)電輸出功率的秩相關(guān)系數(shù)。

a. 首先直接對(duì)光照強(qiáng)度數(shù)據(jù)進(jìn)行編排，得n對(duì)觀察數(shù)據(jù) （xi， yi）。

b. 采用趨勢(shì)數(shù)據(jù)法，減小輻射數(shù)據(jù)與輸出功率次序不一致的問題，即采用相鄰數(shù)據(jù)的變化率進(jìn)行優(yōu)化。

c. 提取變化率dxi的正負(fù)表示變化趨勢(shì) （1表示增大，0表示為0，－1表示減?。玫阶兓厔?shì)數(shù)據(jù) ｛mi｝， 然后對(duì)其進(jìn)行編排秩次得到數(shù)據(jù) ｛pi｝， 同理得到光伏發(fā)電的輸出功率的趨勢(shì)秩數(shù)據(jù) ｛qi｝。

d.比較2個(gè)連續(xù)變量 ｛pi，qi｝ 的趨勢(shì)秩可以判別2個(gè)變量 （xi，yi）在變化趨勢(shì)上的相關(guān)性。具體流程如圖1所示。

圖1 秩相關(guān)計(jì)算流程

同理，通過(guò)風(fēng)速v，環(huán)境溫度T對(duì)光伏發(fā)電輸出功率P進(jìn)行Spearman秩相關(guān)系數(shù)計(jì)算，部分原始數(shù)據(jù)如表1所示，得到的結(jié)果如表2所示。

表1 部分原始數(shù)據(jù)

表2 Spearman秩相關(guān)系數(shù)分析結(jié)果

通過(guò)Spearman秩相關(guān)系數(shù)可以看出，對(duì)光伏發(fā)電輸出功率影響最大的是光照強(qiáng)度和環(huán)境溫度2個(gè)變量，但是為了進(jìn)一步驗(yàn)證其可靠性，還需要進(jìn)行仿真驗(yàn)證。

2 RBF神經(jīng)網(wǎng)絡(luò)

通過(guò)前面的分析，得到與輸出功率相關(guān)度最高的因素，現(xiàn)以這些因素的數(shù)據(jù)作為預(yù)測(cè)系統(tǒng)中的輸入變量，以輸出功率作為系統(tǒng)的因變量，建立RBF的預(yù)測(cè)模型。

RBF神經(jīng)網(wǎng)絡(luò)是一種3層前向網(wǎng)絡(luò)，分別是輸入層、隱含層與輸出層，具體結(jié)構(gòu)如圖2所示。

由圖2可知，將隱函數(shù)中心向量C與輸入X之間的距離差作為神經(jīng)元激活函數(shù)的輸入，本文采用高斯函數(shù)作為隱含層節(jié)點(diǎn)激活函數(shù)，則隱含層輸出為

圖2 神經(jīng)網(wǎng)絡(luò)3層結(jié)構(gòu)

式中：ci是第i個(gè)基函數(shù)的中心；δi是第i個(gè)感知變量； ‖ci－x‖是 ci－x 的范數(shù)。

進(jìn)而隱含層到輸出層之間的線性映射可以表示為

式中：wik為網(wǎng)絡(luò)的輸出權(quán)值；N是輸出節(jié)點(diǎn)數(shù)。

RBF神經(jīng)網(wǎng)絡(luò)的本質(zhì)就是確定輸入信息與連接權(quán)值，使得模型在訓(xùn)練時(shí)得到的預(yù)測(cè)結(jié)果更接近于實(shí)際值。

3 仿真算例

3.1 訓(xùn)練樣本的選擇

通過(guò)前面分析得到影響光伏發(fā)電功率最大的2個(gè)因素是光照強(qiáng)度和溫度，由于這2個(gè)因素受季節(jié)和天氣影響較大，所以在進(jìn)行樣本選擇時(shí)，應(yīng)當(dāng)具有時(shí)間性與類型性。即需要對(duì)不同季節(jié)、不同月份進(jìn)行單獨(dú)建模，通過(guò)樣本的訓(xùn)練得到每個(gè)月不同的RBF神經(jīng)網(wǎng)絡(luò)模型。這樣才能提高預(yù)測(cè)的精準(zhǔn)度，同時(shí)也更加符合實(shí)際的預(yù)測(cè)需求。

3.2 預(yù)測(cè)模型的建立

本文根據(jù)需要選取MATLAB中的RBF神經(jīng)網(wǎng)絡(luò)工具箱中的newrb（）函數(shù)進(jìn)行RBF神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)的訓(xùn)練，以sim（）作為RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)系統(tǒng)中的預(yù)測(cè)函數(shù)。模型的函數(shù)選擇完畢后，即可進(jìn)行樣本數(shù)據(jù)的采集。

本文對(duì)沈陽(yáng)5月份不同天氣情況下的數(shù)據(jù)進(jìn)行采集，得到部分?jǐn)?shù)據(jù)如表3、表4所示。

表3 RBF晴天訓(xùn)練數(shù)據(jù)

表4 RBF陰天訓(xùn)練數(shù)據(jù)

根據(jù)不同天氣的數(shù)據(jù)，導(dǎo)入到RBF神經(jīng)網(wǎng)絡(luò)程序的訓(xùn)練端口，進(jìn)行RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，并以此來(lái)預(yù)測(cè)之后的光伏發(fā)電輸出功率。其具體程序流程如圖3所示。

3.3 RBF神經(jīng)網(wǎng)絡(luò)的仿真分析

將數(shù)據(jù)導(dǎo)入程序后，對(duì)RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，效果如圖4所示。

顯然輸入變量與輸出功率存在相關(guān)性，從圖4可知，隨著訓(xùn)練數(shù)據(jù)的增多，RBF對(duì)功率的預(yù)測(cè)誤差呈現(xiàn)出直線下降趨勢(shì)。當(dāng)數(shù)據(jù)達(dá)到100多個(gè)時(shí)RBF可以進(jìn)行預(yù)測(cè)，而且預(yù)測(cè)誤差第1次可以達(dá)到0.000 1。

將訓(xùn)練數(shù)據(jù)導(dǎo)入程序后，得到了RBF訓(xùn)練的收斂曲線表，同時(shí)也得到了RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)的光伏發(fā)電原始輸出功率曲線圖，如圖5所示。

圖5中通過(guò)對(duì)每20 min間隔數(shù)據(jù)點(diǎn)進(jìn)行訓(xùn)練，可以發(fā)現(xiàn)光伏發(fā)電輸出功率的整體呈現(xiàn)出正弦曲線的變化趨勢(shì)，數(shù)據(jù)的走勢(shì)基本和太陽(yáng)一天的光照強(qiáng)度走勢(shì)一致。

再將預(yù)測(cè)數(shù)據(jù)導(dǎo)入訓(xùn)練后的RBF網(wǎng)絡(luò)中，得到原始預(yù)測(cè)數(shù)據(jù)輸出功率的圖形走勢(shì)如圖6所示。

由圖6可知，輸出功率的大小起伏波動(dòng)較大，但是整體還是呈現(xiàn)一種很明顯的正弦曲線走勢(shì)。

將此預(yù)測(cè)數(shù)據(jù)中的光照強(qiáng)度和溫度導(dǎo)入RBF預(yù)測(cè)系統(tǒng)中得到RBF預(yù)測(cè)輸出功率與實(shí)際功率的效果如圖7所示。

圖3 RBF預(yù)測(cè)流程

圖4 RBF訓(xùn)練數(shù)據(jù)圖

圖5 RBF訓(xùn)練收斂圖

圖6 RBF測(cè)試數(shù)據(jù)實(shí)際走勢(shì)

圖7 RBF預(yù)測(cè)效果圖

由圖7可知，在訓(xùn)練后的RBF神經(jīng)網(wǎng)絡(luò)輸入光照強(qiáng)度和溫度這2個(gè)變量進(jìn)行預(yù)測(cè)后的結(jié)果和真實(shí)的功率圖形走勢(shì)基本相同，且在初期的小功率和各個(gè)功率波動(dòng)起伏的轉(zhuǎn)折點(diǎn)處的預(yù)測(cè)也基本和實(shí)際功率吻合。但是通過(guò)效果圖可以看出，預(yù)測(cè)接近峰值的過(guò)程中誤差就開始變大，而且呈現(xiàn)出沒有規(guī)律的誤差現(xiàn)象。

3.4 針對(duì)RBF程序的優(yōu)化

輸出功率的預(yù)測(cè)應(yīng)當(dāng)是針對(duì)每個(gè)月份的，基于這樣的要求，通過(guò)MATLAB中的GUIDE進(jìn)行程序的產(chǎn)品化，將RBF神經(jīng)網(wǎng)絡(luò)的程序進(jìn)行產(chǎn)品化后可以實(shí)現(xiàn)對(duì)非5月份光伏發(fā)電的功率預(yù)測(cè)。

程序優(yōu)化后的整體效果如圖8所示。

圖8 RBF預(yù)測(cè)程序界面

程序中點(diǎn)擊輸入樣本進(jìn)行RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)的輸入和預(yù)測(cè)數(shù)據(jù)的輸入。點(diǎn)擊輸入樣本數(shù)據(jù)后得到結(jié)果如圖9所示。

圖9 RBF訓(xùn)練界面

圖9 中顯示了訓(xùn)練樣本的輸出功率趨勢(shì)曲線和預(yù)測(cè)樣本的輸出功率曲線走勢(shì)。在點(diǎn)擊RBF預(yù)測(cè)按鈕后，系統(tǒng)將自動(dòng)根據(jù)訓(xùn)練的數(shù)據(jù)進(jìn)行預(yù)測(cè)，得到本文數(shù)據(jù)的預(yù)測(cè)情況如圖10所示。圖11為只有預(yù)測(cè)數(shù)據(jù)而無(wú)原始實(shí)際數(shù)據(jù)的預(yù)測(cè)效果圖。

圖10 RBF預(yù)測(cè)效果

圖11 RBF預(yù)測(cè)結(jié)果走勢(shì)

通過(guò)圖11可知，當(dāng)給定一個(gè)光照強(qiáng)度和溫度后，RBF神經(jīng)網(wǎng)絡(luò)就對(duì)應(yīng)地預(yù)測(cè)出1個(gè)光伏發(fā)電的輸出功率值。但是在缺少原始數(shù)據(jù)對(duì)比時(shí)，很難通過(guò)點(diǎn)圖來(lái)了解輸出功率的具體走勢(shì)變化，其主要原因是數(shù)據(jù)點(diǎn)采集時(shí)間間隔較大，導(dǎo)致變量不連續(xù)，無(wú)法將輸出功率中各個(gè)起伏趨勢(shì)清晰地呈現(xiàn)出來(lái)。

4 結(jié)束語(yǔ)

本文提出的通過(guò)Spearman秩相關(guān)系數(shù)法研究光伏發(fā)電過(guò)程中各個(gè)因素對(duì)輸出功率影響大小的方法具有可行性，有助于提高光伏發(fā)電功率預(yù)測(cè)的精度。本文建立的基于RBF神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電輸出功率預(yù)測(cè)模型在滿足誤差的要求下，能夠較準(zhǔn)確地預(yù)測(cè)出輸出功率，可以應(yīng)用于實(shí)際工程中。

［1］ 符亞杰.分布式光伏發(fā)電系統(tǒng)的原理及其應(yīng)用前景 ［J］.科技與企業(yè)， 2015， 24 （20）： 92－92.

［2］ 王曉華.聯(lián)網(wǎng)光伏發(fā)電系統(tǒng)調(diào)度運(yùn)行控制方法研究 ［D］.北京：華北電力大學(xué)，2015：3－5.

［3］ 賈良寶.基于神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電輸出功率短期預(yù)測(cè)的研究［D］.鄭州：中原工學(xué)院，2014：12－15.

［4］ 徐瀟源，嚴(yán) 正，馮冬涵，等.基于輸入變量秩相關(guān)系數(shù)的概率潮流計(jì)算方法 ［J］.電力系統(tǒng)自動(dòng)化，2014，38（12）：54－61.

［5］ 范媛媛，桑英軍，沈湘衡.基于BP神經(jīng)網(wǎng)絡(luò)的圖像質(zhì)量評(píng)價(jià)參數(shù)優(yōu)化 ［J］.應(yīng)用光學(xué)， 2011， 32 （6）： 1 150－1 155.

［6］ 葉 林，陳 政，趙永寧，等.基于遺傳算法—模糊徑向基神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電功率預(yù)測(cè)模型 ［J］.電力系統(tǒng)自動(dòng)化， 2015， 28 （16）： 16－22.

A Prediction Method Based on the Power of Photovoltaic Power Based on Radial Neural Networks

YANG Yingxuan1， BIDezhong2， WANG Daohao3， XIAO Shuai3

（1.Electric Power Research Institute of State Grid Liaoning Electric Power Co.， Ltd.， Shenyang， Liaoning110006， China；2.Liaoning Dongke Power Co.， Ltd.， Shenyang， Liaoning 110179， China；3.Northeastern University， Shenyang， Liaoning110819， China）

The photovoltaic power output has obvious randomness and uncertainty.Large-scale pv grid will inevitably bring challenges to system safe operation of power grids.Therefore，the photovoltaic power prediction is of great significance to power grids.In this paper based on big data analytics to Spearman rank correlation coefficient，the basis of analysis of various influence factors in the process of photovoltaic power generation calculate the various influence factors and output power of rank correlation，and use themost relevant factor as input variables of prediction system.The photovoltaic power forecastingmodel based on RBF neural network is established herein to forecast the output of photovoltaic power station，using the history of the variables and the output data to the training of the RBF and prediction.The example shows that themodel has high precision.

photovoltaics； power prediction； RBF neural network； bigdata analysis

TM615

A

1004－7913（2017）11－0015－05

楊瀅璇 （1989），女，工程師，主要從事科技管理研究工作。

2017－07－15）