模糊規(guī)則在神經(jīng)網(wǎng)絡預測模型中的應用前景

華 龍, 齊 沖, 劉雪嬌

(1.北京市軌道交通運營管理有限公司, 北京 100070; 2.北京市地鐵運營有限公司通信信號分公司, 北京 100082)

在使用實際的日照強度數(shù)據(jù),依托神經(jīng)網(wǎng)絡,基于氣象數(shù)據(jù)可以使太陽能發(fā)電系統(tǒng)輸出功率的預測精度達到4.37%[1]。對于使用實際的日照強度,是基于對日照強度日趨完善的各類模型[2]而進行的一種假設。而建立預測模型的初衷則是利用比較容易入手的天氣預報數(shù)據(jù),尋找可以根據(jù)少量數(shù)據(jù)進行預測的方法。因此,在不進行人為減少誤差的前提下,進一步探尋改善模型精度的方法則是未來的研究方向。

在已構建的神經(jīng)網(wǎng)絡模型中,引入模糊規(guī)則[3],對云量數(shù)據(jù)重新定義。通過云量數(shù)據(jù)的改善進而影響日照強度的精度,達到提高整體預測模型精度的目的。

1 研究背景

1.1 背景分析

全球“碳中和”戰(zhàn)略背景下,光伏行業(yè)發(fā)展?jié)摿薮?。太陽能作為可再生能源的重要組成部分,擁有諸多優(yōu)勢,是中國乃至世界未來新能源發(fā)展的主要趨勢,長期發(fā)展空間廣闊。

根據(jù)國際能源署[4]的報告,全球可再生能源發(fā)電能力在2020-2026年將增長60%,總發(fā)電量達到4 800 GW,其中太陽能光伏發(fā)電將占到增長量的60%。到2026年,可再生能源將占全球新增發(fā)電量的95%。

因此,開展太陽能發(fā)電量預測研究具有重要的現(xiàn)實意義。該研究有助于更好地了解太陽能發(fā)電量的影響因素和變化規(guī)律,為太陽能發(fā)電的規(guī)劃和調(diào)度提供科學依據(jù),促進可再生能源的發(fā)展和可持續(xù)發(fā)展目標的實現(xiàn)。

1.2 預測分析

在早前的預測手段中,可以確定日照強度對發(fā)電量的預測精度起到?jīng)Q定性作用。在日照強度確定的情況下,最好的結果誤差僅為4.37%。從而可以得到為了預測第二天的發(fā)電量,使用預報數(shù)據(jù),特別是預報的日照強度,將大大提高預測結果的精度。

在后續(xù)作為輸入量加入的云量數(shù)據(jù),導致預測精度增加了約2.13%的誤差,但從預測曲線圖中可以看到預測曲線的近似并沒有發(fā)生明顯的變化。這被認為是云量數(shù)據(jù)自身的誤差引起的。

1.3 預測改進方法

由于所使用的云量數(shù)據(jù)從每3 h的數(shù)據(jù)簡單地按照每1 h進行修改。因此,云量數(shù)據(jù)本身會產(chǎn)生一些誤差。大量的資料表明,在預測中加入模糊理論會使預測結果有所改善[5]。

在本次的建模中,在云量數(shù)據(jù)的處理過程中加入模糊規(guī)則,在全面考慮模糊的基礎上,探討提高預測精度的可能性[6]。

2 模糊邏輯

模糊邏輯(Fuzzy Logic)是1965年由加州大學伯克利分校羅特菲·扎第(Rotfy Zaday)產(chǎn)生的模糊集合衍生出來的一種多值邏輯,其特點是真值取0到1的值,不像古典邏輯那樣局限于“真”和“假”這兩個值。模糊邏輯被應用于從控制理論(模糊控制)到人工智能等各個領域。

模糊邏輯,與“真實程度”相對應?；緫贸绦蚩梢员碚鬟B續(xù)變量的部分范圍。例如,模糊應用程序由輸入層、推理層、組合層和輸出層四個層組成。對模糊系統(tǒng)的輸入構成第一層。在下一層中,通過輸入創(chuàng)建模糊集合,并將其結合在一起,如式(1)中的規(guī)則所示。

Rule: Ifxisaandyisb, thenz=f(x,y)

(1)

式中:a和b是模糊集合的前項;z是其結果。由基于模糊邏輯的規(guī)則輸出凝聚構成組合層。最后,結果是非模糊的,在輸出層生成,是一個非模糊的值。

神經(jīng)網(wǎng)絡具有強大的非線性映射能力,能夠自適應地處理復雜的輸入、輸出關系。然而,傳統(tǒng)的神經(jīng)網(wǎng)絡模型通常缺乏對不確定性的處理能力,這使得它們在處理復雜實際問題時可能受到限制。

模糊規(guī)則基于模糊集合理論和模糊邏輯,能夠有效地處理不確定性問題。模糊規(guī)則的優(yōu)點在于它們可以表達不確定的邊界和模糊的規(guī)則,這使得它們在處理某些復雜的實際應用場景時具有優(yōu)勢。

在神經(jīng)網(wǎng)絡中引入模糊規(guī)則,可以有效地提高神經(jīng)網(wǎng)絡對不確定性的處理能力[7]。例如,可以將模糊規(guī)則用于構建模糊神經(jīng)網(wǎng)絡,這可能有助于提高神經(jīng)網(wǎng)絡的魯棒性和自適應性。

另外,模糊神經(jīng)網(wǎng)絡也為模糊規(guī)則的應用提供了新的可能性。例如,通過構建多層的模糊神經(jīng)網(wǎng)絡,可以將復雜的模糊規(guī)則編碼到網(wǎng)絡的權重和結構中,從而實現(xiàn)更為復雜的模糊邏輯運算[8]。

在所提案的模型中,模糊邏輯被用來識別不同的云量。定義基本的模糊規(guī)則如式(2)所示。

Rule:If cloud cover isA, and solar radiation is

Band temperature isC, then use NNA,B,C.

(2)

式中:A為云量數(shù)據(jù);B為日照強度;C為氣溫;NNA,B,C為A·B·C條件下的神經(jīng)網(wǎng)絡。云量數(shù)據(jù)包括晴天、多云、陰天三個。日照強度為在各自云量下對應的數(shù)值,氣溫是預測時間的平均氣溫。

3 太陽能發(fā)電量預測方法

3.1 預測數(shù)據(jù)

考慮數(shù)據(jù)的質(zhì)量將直接影響到預測結果的準確性,再通過對設備所收集的數(shù)據(jù)進行篩查、選擇,確定最優(yōu)數(shù)據(jù)組。

所選擇的數(shù)據(jù)是從2014-2015年兩年間每小時的天氣信息和云量信息。輸入數(shù)據(jù)為氣溫(℃)、日照強度(kW/m2)、云量信息等,輸出數(shù)據(jù)為發(fā)電量(kW/h),學習時間為2014年1月1日至2015年12月29日,測試時間為2015年12月30日和12月31日。目標是次日每小時的發(fā)電量。

3.2 云量數(shù)據(jù)

云量是指云在天空中所占的比例。根據(jù)氣象局定義分為從“0”到“10”的11個階段,0～4定義為晴,5～8定義為多云,9～10定義為陰天。

實際的云量數(shù)據(jù)使用氣象局發(fā)布的每3 h的云量數(shù)據(jù)。由于學習和測試數(shù)據(jù)都是以1 h作為基數(shù)的,所以為了使數(shù)據(jù)達到相同的標準,對云量數(shù)據(jù)進行了修正。

對于修正的方法,假設3 h中云量是恒定的,選用開始時間的數(shù)據(jù)(表1)。

表1 修正后的各小時實際的云量

3.3 模糊規(guī)則模型

三個模糊集被定義為晴天、多云和陰天,這些都是基于典型的云量等級。如圖1所示,左側表示晴朗模糊集合,中間表示部分多云模糊集合,右側表示多云模糊集合。

圖1 模糊集合

由圖1可知,云量為2時,云量為晴天模糊集合的對應值為0.6,多云模糊集合的對應值為0.4,陰天模糊集合的對應值為0。在各模糊集合之間,基于各條件下的神經(jīng)網(wǎng)絡,來預測未來時間的太陽能發(fā)電量。

3.4 神經(jīng)網(wǎng)絡模型

這次使用的神經(jīng)網(wǎng)絡是RBF神經(jīng)網(wǎng)絡(radial basis function network,RBFN)。天氣信息將晴天、多云、陰天作為天氣信息的輸入量,將云量的等級作為云量的輸入量,建立一個神經(jīng)網(wǎng)絡。

雖然對云量等級進行了劃分,但因不同等級間的邊界問題,使得預測結果仍然存在不確定性。因此,在預測過程中,需要對云量的定義進行綜合的考慮,即對云量數(shù)據(jù)進行模糊處理。

整個模糊過程,將云量的級別輸入晴天、多云、陰天的模糊集合,根據(jù)模糊規(guī)則定義的云量的級別作為云量進行輸入,將所有的輸入量輸入神經(jīng)網(wǎng)絡,通過去模糊化后作為輸出進行輸出。

如上述的流程一樣,發(fā)電量的預測是根據(jù)氣溫、日照強度和云量信息,通過不同的神經(jīng)網(wǎng)絡進行學習,預測第二天的發(fā)電量。

4 仿真結果

4.1 仿真環(huán)境概況介紹

為了驗證有效性,添加經(jīng)過模糊處理的云量信息,進行仿真。在仿真模型建立的過程中,采用一種利用神經(jīng)網(wǎng)絡從氣象信息(溫度和云量)預測第二天太陽能發(fā)電系統(tǒng)輸出的方法,如表2所示。

表2 基于模糊云量信息的仿真信息

考慮到應用的可行性,選用常見的PC機作為操作平臺,操作環(huán)境如下。

OS: Windows 7 SP1 64-bit。

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

內(nèi)存:16 GB。

仿真軟件為MatlabR2013a(8.1.0.604)及Neural Network Toolbox Version 8.0.1 (R2013a) 13-Feb-2013。

4.2 結果分析

根據(jù)簡單的模糊規(guī)則,預測結果的誤差為16.64%。近似曲線如圖2所示。

而早前的預測模型[1]中,未經(jīng)模糊處理的模型預測精度為16.86%,近似曲線如圖3所示。

圖3 基于云量數(shù)據(jù)的太陽能發(fā)電量預測仿真結果

與圖3的16.86%相比,加入了模糊處理的預測精度相較之前相差無幾,僅提高了0.22%。這種結果可能是由于數(shù)據(jù)集的特性或者模型的限制,使得模糊處理的效果并不明顯。例如,可能無法完全捕捉到天氣變化的復雜性,或者無法完全解決數(shù)據(jù)的不確定性和噪聲等問題。此外,天氣狀況的不同也可能影響預測的準確性,例如在某些特定的情況下,模型的預測可能會更準確。在對預測模型進行驗證的時候也可以發(fā)現(xiàn)相較于多云和陰天,晴天的情況下預測精度會有較大幅度的提高,這是因為晴天的天氣狀況相對較為穩(wěn)定和可預測,因此模型可以更好地學習和模擬這種規(guī)律性。

盡管預測精度的提高并不顯著,但模糊規(guī)則的加入對預測曲線的形狀和近似程度產(chǎn)生了較大的影響。這主要是因為模糊規(guī)則的加入能夠更好地處理諸如云量數(shù)據(jù)中對于晴天、多云、陰天等定義的不確定性和模糊性,使得更接近真實的天氣狀況,從而在預測曲線中生成更為平滑和準確的預測曲線。因此,可以認為加入了模糊處理的模型更好。

在實際的預測系統(tǒng)中,不同的天氣狀況會對預測結果產(chǎn)生影響,這些天氣狀況很難用精確的數(shù)值來描述。在這種情況下,加入模糊規(guī)則可以幫助模型更好地理解和處理這些復雜的、不確定的情況,從而提高預測精度。

從預測的結果中也可以看到,在后續(xù)的改善中進一步探索更有效的模糊處理方法,并增加歷史的數(shù)據(jù)量,可以讓模型更好地處理天氣預測中的不確定性和模糊性,相信預測精度是可以提高的。同時,對于預測模型來說,通過對比,認為本提案手法對太陽能發(fā)電預測的精度是有改善的。

5 結論及未來的發(fā)展方向

5.1 結論

針對太陽能發(fā)電輸出的預測,基于天氣預報數(shù)據(jù)的預測方法,主要是利用太陽能發(fā)電和天氣之間的相關性,通過分析歷史數(shù)據(jù)和天氣預報的數(shù)據(jù),預測未來的太陽能發(fā)電的輸出量。這種方法的優(yōu)點是相對簡單易行,對于硬件的要求并不苛刻。通過采用不復雜的手法、活用比較容易入手的天氣預報數(shù)據(jù)、能夠根據(jù)少量數(shù)據(jù)進行預測的方法等為目的,進行了大量的仿真實驗,研究了適用于太陽能發(fā)電系統(tǒng)的輸出預測方法。由此,在將來大量引進太陽能發(fā)電的電力系統(tǒng)中,也能夠保持供求平衡,維持穩(wěn)定性。

而且,從少數(shù)數(shù)據(jù)中,可以不考慮太陽光發(fā)電設備的設置狀況和太陽能電池板和功率調(diào)節(jié)器的特性,根據(jù)得到的云量和日照強度來預測太陽能發(fā)電的輸出。

鑒于此,本文提出了利用模糊神經(jīng)網(wǎng)絡作為載體,利用基于云量數(shù)據(jù)的模糊規(guī)則,模糊神經(jīng)網(wǎng)絡能夠將云量數(shù)據(jù)分解為晴天、多云和陰天三個部分,然后通過神經(jīng)網(wǎng)絡模型使用典型的云量等級來進行預測,最后再將晴天、多云和陰天三個部分合并得到最終預測結果。這種方法對于處理具有不確定性和模糊性的云量數(shù)據(jù)特別有效,能夠提高預測的準確性。從結論上也可以看到,在加入了模糊規(guī)則后,新的神經(jīng)網(wǎng)絡預測模型結果與早前的預測模型相比具有更好的預測性能,應進一步深入研究。

5.2 未來的發(fā)展方向

5.2.1 每3 h的預測

由于所使用的云量數(shù)據(jù)基于氣象局每3 h發(fā)布一次的數(shù)據(jù),之后為方便預測從每3 h的數(shù)據(jù)簡單地按照每1 h進行修改。因此,云量數(shù)據(jù)本身可能會產(chǎn)生一些誤差。在后續(xù)的改善中,將以每3 h為單位進行預測,從而探究提高預測精度的方法。

5.2.2 模糊規(guī)則的完善

從結果來看,將模糊邏輯與神經(jīng)網(wǎng)絡算法結合可以使整個系統(tǒng)更加有效,預測結果可以得到一定程度的改善。通過增加模糊規(guī)則的數(shù)量,以覆蓋更多的輸入情況。對于無法處理某些邊界情況,可以添加額外的規(guī)則來處理。再者,對于現(xiàn)有較為簡單的模糊規(guī)則,可以細化它們以更好地適應各種輸入?？偟膩碚f,模糊規(guī)則的完善的改進是一個持續(xù)的過程,需要不斷地根據(jù)實際應用場景和需求進行調(diào)整和優(yōu)化。

5.2.3 輸入選擇的改進

為了提高預測精度,可以嘗試在每3 h的數(shù)據(jù)中加入更多的輸入數(shù)據(jù)?？梢試L試加入與天氣相關的特征,如最高溫度、最低溫度、降雨量、濕度和風速等,或者是調(diào)整神經(jīng)網(wǎng)絡的層數(shù)、每層的神經(jīng)元數(shù)量、學習率等模型參數(shù)。這些特征可以用于訓練預測模型,以進一步提高預測精度。但考慮到模型學習過程中對計算資源的要求,在實踐中,需要根據(jù)具體的問題隨時調(diào)整特征選擇和模型選擇,以保證精度的同時減少計算資源。

5.2.4 多模型融合

歸功于近年來技術的快速發(fā)展,采用人工智能、機器學習等方法后,目前短期負荷預測的研究已經(jīng)越來越廣泛。

閆靜[9]提到了基于Fisher信息的在線支持向量回歸模型具有更高的預測精度,更適用于短期負荷預測尤其是超短期負荷預測。劉阿慧[10]也證明了所提深度學習組合模型能高效挖掘光伏數(shù)據(jù)間潛在的非線性關系,在光伏發(fā)電區(qū)間預測方面具有優(yōu)越性。

在確保對每個模型都有充分了解下,規(guī)避模型的過度擬合,將不同的預測模型進行融合,可以提高預測的準確性和穩(wěn)定性,這將是未來預測技術的發(fā)展方向。