基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電功率預(yù)測

劉帥瑤，高 陽

（沈陽工程學(xué)院，遼寧沈陽 110000）

BP 神經(jīng)網(wǎng)絡(luò)是一種由反向傳播算法控制的人工神經(jīng)網(wǎng)絡(luò)，它適用于連續(xù)和離散自變量應(yīng)用系統(tǒng)。它有輸入和輸出層，還有一個(gè)或多個(gè)隱藏層，每一層上的節(jié)點(diǎn)數(shù)是任意的，彼此獨(dú)立。它的反向傳播特性與所解決問題的性質(zhì)和細(xì)節(jié)的選擇密切相關(guān)。BP 神經(jīng)網(wǎng)絡(luò)由輸入層、輸出層和一個(gè)或多個(gè)隱藏層組成。在實(shí)踐中，更多的隱藏層模型，準(zhǔn)確預(yù)測結(jié)果將越少，但相應(yīng)地，多層結(jié)構(gòu)會使系統(tǒng)更復(fù)雜，算法更多的冗余，所以樣品模型的訓(xùn)練時(shí)間將增加，收斂速度將減少。特別是各網(wǎng)絡(luò)層權(quán)值的計(jì)算會非常復(fù)雜。

1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

BP 神經(jīng)網(wǎng)絡(luò)適用于多種自變量應(yīng)用系統(tǒng)，主要是連續(xù)和離散自變量。它的構(gòu)造有輸入和輸出層，還有一個(gè)或多個(gè)隱藏層。它的反向傳播特性與所解決問題的性質(zhì)和細(xì)節(jié)的選擇密切相關(guān)。BP 神經(jīng)網(wǎng)絡(luò)主要由輸入層、輸出層和隱藏層組成。在多數(shù)實(shí)踐中，擁有更多的隱藏層模型會使準(zhǔn)確預(yù)測結(jié)果大幅減少，并且系統(tǒng)結(jié)構(gòu)更復(fù)雜，所以樣品模型的總體訓(xùn)練時(shí)間會上漲，隨之收斂速度急劇下降。相比之下，單隱層網(wǎng)絡(luò)的特點(diǎn)為：結(jié)構(gòu)簡單、學(xué)習(xí)速度快、網(wǎng)絡(luò)相關(guān)權(quán)值計(jì)算準(zhǔn)確。當(dāng)有足量的隱含層節(jié)點(diǎn)數(shù)量時(shí)，網(wǎng)絡(luò)就可以使所有非線性系統(tǒng)的基本特征變得清晰?？紤]到上述原因，本文最終選擇了精確度以及性價(jià)比高的3層結(jié)構(gòu)。

2 建立BP神經(jīng)網(wǎng)絡(luò)功率預(yù)測模型

2.1 樣本數(shù)據(jù)收集和歸一化處理

本次預(yù)測的樣本采用某光伏電站的某天發(fā)電和氣象數(shù)據(jù)。由于日落后太陽光輻射的強(qiáng)度幾乎為零，所以在此情境下，光伏系統(tǒng)的發(fā)電量也可以忽略不計(jì)。所以進(jìn)行預(yù)測時(shí)忽略日落后18：30至次日6：30這段時(shí)間，將6：30至18：30設(shè)置成有效預(yù)測時(shí)間，并取預(yù)測時(shí)間間隔為1h。由于歷史數(shù)據(jù)和具體數(shù)值相關(guān)氣象因素的影響，不同日期和同一日期在不同時(shí)間下的輸出功率值有或顯著或細(xì)微的差異。隨著這些數(shù)據(jù)的輸入，不僅會使擴(kuò)大搜索范圍還會使預(yù)測精度大幅降低。為了消除上述影響，需要將采集到的數(shù)據(jù)按照固定標(biāo)準(zhǔn)，對其進(jìn)行歸一化處理后才可以使用。應(yīng)用中一般使用premnmx 函數(shù)，通過此函數(shù)處理過后的數(shù)據(jù)會集中分布在[-1，+1]范圍內(nèi)，然后再將這些數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)中。premnmx 函數(shù)轉(zhuǎn)換公式如下：

其中，An是歸一化之后的數(shù)據(jù)；A表示為原始數(shù)據(jù)。

在此步驟之后，BP 祌經(jīng)網(wǎng)絡(luò)需要在計(jì)算和學(xué)習(xí)完成后，將新的數(shù)據(jù)恢復(fù)到原來的初始數(shù)據(jù)量綱輸出，此時(shí)一般選擇用premnmx 函數(shù)來進(jìn)行操作。

2.2 BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的建立

基于BP 神經(jīng)網(wǎng)絡(luò)算法，通過采用以下5個(gè)步驟建立光伏發(fā)電系統(tǒng)功率預(yù)測模型：

（1）確定網(wǎng)絡(luò)結(jié)構(gòu)。本文選擇了由輸入層、輸出層和單隱層組成的3層BP 神經(jīng)網(wǎng)絡(luò)模型。

（2）進(jìn)行輸入層設(shè)計(jì)。根據(jù)實(shí)際情況，選擇歷史輸出功率、溫度和光照強(qiáng)度來作為輸入數(shù)據(jù)。選擇5個(gè)輸入層節(jié)點(diǎn)：在預(yù)測時(shí)間下的溫度、在預(yù)測時(shí)間前一天對應(yīng)同一時(shí)刻的溫度、在預(yù)測時(shí)間下的光強(qiáng)度、在預(yù)測時(shí)間前一天對應(yīng)同一時(shí)刻的光強(qiáng)度，以及在預(yù)測時(shí)間前一天對應(yīng)同一時(shí)刻的歷史發(fā)電功率。

（3）進(jìn)行輸出層設(shè)計(jì)。由于訓(xùn)練最終目標(biāo)是預(yù)測光伏系統(tǒng)的發(fā)電輸出功率，因此輸出層中的其中一個(gè)節(jié)點(diǎn)可以滿足要求。

（4）進(jìn)行隱藏層設(shè)計(jì)。對于隱層節(jié)點(diǎn)數(shù)的設(shè)置，并沒有一個(gè)統(tǒng)一的標(biāo)準(zhǔn)，一般情況下符合強(qiáng)數(shù)定理：

式中，m為隱含層所含有的節(jié)點(diǎn)數(shù)目；i為輸入層所含有節(jié)點(diǎn)數(shù)目；同理j對應(yīng)輸出層；1≤β≤10；P為樣本數(shù)據(jù)總數(shù)。將每層所選取的節(jié)點(diǎn)數(shù)代入上述公式，隱層節(jié)點(diǎn)數(shù)選取最小值時(shí)訓(xùn)練結(jié)果的誤差值最小。經(jīng)計(jì)算，本文最終選擇的是目標(biāo)誤差最小的4個(gè)節(jié)點(diǎn)來作為隱藏層中的節(jié)點(diǎn)數(shù)。

確定傳輸函數(shù)。確定tansig 非線性激勵(lì)函數(shù)來當(dāng)隱含層的傳遞函數(shù)。選取purelin 線性函數(shù)作為輸出層的傳遞函數(shù)。

（5）計(jì)算輸出預(yù)測值的誤差。因MAPE以百分?jǐn)?shù)形式出現(xiàn)，所以更加直觀清楚。其公式如下：

式中，N為數(shù)據(jù)集總數(shù)；Wf為功率預(yù)測值；Wa為功率實(shí)測值，i為樣本數(shù)據(jù)的序號。

3 BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果分析

通過MATLAB 軟件，建立本文需要使用的BP網(wǎng)絡(luò)功率預(yù)測模型。樣本數(shù)據(jù)來源于某一光伏電站的全天歷史發(fā)電和天氣數(shù)據(jù)，以及各類數(shù)據(jù)在預(yù)測日對應(yīng)時(shí)間段的天氣預(yù)報(bào)數(shù)值。輸入歷史數(shù)據(jù)和預(yù)測日的樣本信息，經(jīng)過BP 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)和訓(xùn)練后輸出預(yù)測發(fā)電功率。

表1 為樣本輸入網(wǎng)絡(luò)后，光伏發(fā)電預(yù)測值和實(shí)際值數(shù)據(jù)的詳細(xì)數(shù)據(jù)對比情況，誤差的絕對值在0～6 kW，平均絕對百分比誤差為MAPE=5.178%。

單片機(jī)采用AT89C52，時(shí)鐘晶體選擇AT切型的11.059 2MHz，傳感器SHT11溫濕度傳感器的DATA管腳接P1.1，SCK接P1.0。這兩個(gè)管腳要接4.7kΩ的上拉電阻。仿真軟件下不顯示SHT11的電源和地端，實(shí)際接線時(shí)，在電源和地間接入100nF的去耦濾波電容。因?yàn)閿?shù)據(jù)要上傳到PC，為了實(shí)現(xiàn)單片機(jī)和PC間的電平轉(zhuǎn)換，實(shí)際電路要采用RS232/RS485轉(zhuǎn)換接口，但在仿真軟件元件庫中無此器件，仿真時(shí)采用RS485標(biāo)準(zhǔn)的器件MAX487的輸出端接模擬PC串口的虛擬終端。電路連接如圖4所示。

表1 實(shí)際功率和經(jīng)過BP預(yù)測功率

圖1為數(shù)據(jù)樣本BP 神經(jīng)網(wǎng)絡(luò)輸出誤差曲線的實(shí)際值和估計(jì)值之間的關(guān)系。從圖1可以看出，BP 神經(jīng)網(wǎng)絡(luò)算法雖然可以預(yù)測更加精確的系統(tǒng)發(fā)電功率，但針對特殊樣本時(shí)，有些預(yù)測值與實(shí)際功率仍然存在較大偏差，有些誤差值甚至超過10%，因此還需要對此算法進(jìn)行進(jìn)一步改進(jìn)和提高，從而達(dá)到可以提高預(yù)測輸出發(fā)電功率的精度，加快預(yù)測速度的目的。

圖1 BP神經(jīng)網(wǎng)絡(luò)發(fā)電量預(yù)測值與實(shí)際值誤差曲線

4 BP神經(jīng)網(wǎng)絡(luò)結(jié)合優(yōu)化后的遺傳算法功率預(yù)測模型

經(jīng)過大量對比發(fā)現(xiàn)，在光伏功率預(yù)測中，BP 神經(jīng)網(wǎng)絡(luò)的自適應(yīng)能力和容錯(cuò)能力非常突出，但其預(yù)測精度要依賴于大量的輸入樣本，如果數(shù)據(jù)不足，預(yù)測精度的收斂速度將極大降低，此外多重?cái)?shù)據(jù)和擴(kuò)展常數(shù)等系列參數(shù)不能同時(shí)進(jìn)行計(jì)算，這也切斷了算法的一致性。因此，本文還采納了其他算法進(jìn)行優(yōu)化，最終選擇了遺傳算法和BP 神經(jīng)網(wǎng)絡(luò)的交叉混合算法。

4.1 遺傳算法原理及改進(jìn)

遺傳算法是一種隨機(jī)選擇優(yōu)秀個(gè)體并迭代求解停產(chǎn)生物個(gè)體遺傳機(jī)制的搜索算法。遺傳算法自出現(xiàn)以來，由于其優(yōu)良的特性，在許多場景中得到了廣泛的應(yīng)用。遺傳算法對向量化空間中的所有解進(jìn)行重復(fù)選擇、交換和變異操作，以概率方式執(zhí)行優(yōu)化步驟，并迭代獲得全局最優(yōu)解。

遺傳算法是一種隨機(jī)選擇優(yōu)秀個(gè)體并迭代求解停產(chǎn)生物個(gè)體遺傳機(jī)制的搜索算法。遺傳算法自出現(xiàn)以來，由于其優(yōu)良的特性，在許多場景中得到了廣泛的應(yīng)用。遺傳算法對向量化空間中的所有解進(jìn)行重復(fù)選擇、交換和變異操作，以概率方式執(zhí)行優(yōu)化步驟，并迭代獲得全局最優(yōu)解。遺傳算法的結(jié)構(gòu)如下。

（1）對染色體進(jìn)行編碼。將字符串類似于生物基因中的染色體，通過二進(jìn)制編碼等編碼機(jī)制將樣本轉(zhuǎn)換為特定排列的數(shù)據(jù)字符串。

（2）構(gòu)建適應(yīng)度函數(shù)。反映在遺傳算法中，并成為判斷樣本數(shù)據(jù)字符串優(yōu)劣的基礎(chǔ)。

（4）適當(dāng)考慮其他影響因素。比如種群總數(shù)、交叉概率K。以及變異概率Km。

本文提出了一種新算法，該算法讓交叉和變異概率進(jìn)行自適應(yīng)計(jì)算?？梢赃_(dá)到根據(jù)適應(yīng)度值來對交叉和變異概率進(jìn)行進(jìn)一步優(yōu)算，并且在解空間中搜索最優(yōu)解的時(shí)間最大程度進(jìn)行縮小。改進(jìn)后的計(jì)算方法如下：

公式中f為經(jīng)算法后的適應(yīng)度，f'為交叉操作后的適應(yīng)度值；favg為適應(yīng)度的平均值；fmax為種群的最大適應(yīng)度值。

4.2 BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化過程

采用改進(jìn)的遺傳算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)預(yù)測模型。步驟如下。

（1）首先初始化網(wǎng)絡(luò)參數(shù)并歸一化訓(xùn)練樣本。

（2）采用遺傳算法對網(wǎng)絡(luò)的權(quán)值、閾值和擴(kuò)展常數(shù)進(jìn)行編碼。

（3）通過BP 神經(jīng)網(wǎng)絡(luò)的輸入層輸入樣本數(shù)據(jù)，計(jì)算其適應(yīng)度函數(shù)值。

（4）通過適應(yīng)度值對種群中的個(gè)體進(jìn)行評價(jià)。適應(yīng)值越大，個(gè)體表現(xiàn)越好，繁殖機(jī)會越多；反之，表現(xiàn)差，遺傳給后代的概率更小。

（5）生成新的種群個(gè)體并判斷適應(yīng)度。如果誤差精度滿足要求，可以直接輸出網(wǎng)絡(luò)的模型。如果誤差范圍在需求之外，繼續(xù)下一步。

（6）判斷算法是否達(dá)到設(shè)定的迭代次數(shù)或進(jìn)化代數(shù)上限。如果結(jié)果為是，則也直接輸出BP 神經(jīng)網(wǎng)絡(luò)的最終模型。如果結(jié)果為否，則對算子進(jìn)行選擇、交叉、變異等一系列操作，產(chǎn)生連接權(quán)值、閾值等更好的個(gè)體作為神經(jīng)網(wǎng)絡(luò)的輸入。

5 結(jié)束語

綜上可以得知，文章將遺傳算法與BP 神經(jīng)網(wǎng)絡(luò)相結(jié)合，形成遺傳神經(jīng)網(wǎng)絡(luò)對風(fēng)電場輸出功率進(jìn)行預(yù)測，通過遺傳算法的尋優(yōu)能力優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，取得了優(yōu)于單一BP 神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果。