發布時間：所屬分類：電工職稱論文瀏覽：1次
摘 要： 摘要：為了實現對大規模并網型光伏電站調度，分析影響光伏出力的氣象相關因素，以光照強度和溫度作為輸入量，分季節建立了一種基于LVQ-GA-BP神經網絡預測系統。通過LVQ(Learning Vector Quantization)神經網絡對樣本進行分類，將分類后的樣本訓練，得出基于BP神經網絡
摘要：為了實現對大規模并網型光伏電站調度，分析影響光伏出力的氣象相關因素，以光照強度和溫度作為輸入量，分季節建立了一種基于LVQ-GA-BP神經網絡預測系統。通過LVQ(Learning Vector Quantization)神經網絡對樣本進行分類，將分類后的樣本訓練，得出基于BP神經網絡光伏電站出力預測系統，從而提高光伏預測精度。采用GA算法替代傳統的學習算法優化BP神經網絡的權值和閥值，提高預測網絡的訓練速度。將建立的LVQ-GA-BP預測系統與傳統系統進行了比較和分析，結果表明：該方法的建立，不僅提高了光伏出力的預測精度，而且還提高了BP神經網絡的訓練速度，具有潛在的工程應用價值。
關鍵詞：光伏出力預測;LVQ-GA-BP預測模型;氣象因素;神經網絡
0 引言
隨著世界能源的消耗，光伏發電作為可再生能源，在電網的極限穿透功率將越來越高，從而替代部分常規能源，逐漸成為世界能源供應的主體[1-2]。但光伏發電具有波動性和間歇性，大規模光伏電站并網運行對電力系統的調度增加了難度。對光伏電站的出力進行預測，有助于電力系統調度部門統籌安排常規能源和光伏發電的協調配合，及時調整調度計劃，合理安排電網運行方式，有效地降低光伏接入對電網調度的影響，從而提高電網運行的安全性和穩定性，同時也減少電力系統的旋轉備用和運行成本[3-4]。
目前用于光伏電站短期出力預測，有兩種方法[5-6]，一種是直接法，另一種是間接法。直接法是利用光伏電站的出力歷史數據以及相關的天氣預報值，對其進行預測;間接法是基于天氣預報歷史數據對光照強度、溫度進行預測，然后通過工程計算公式或者神經網絡的算法得出光伏電站出力預報值。文獻[7-8]采用直接法，利用光伏電站的出力歷史數據和氣象數據，對光伏電站進行了短期預測。文獻[9]采用了間接法，通過已有的歷史光照強度、溫度，利用支持向量機的方法預測神經光照強度、溫度，然后通過預測得出的氣象數據，利用工程計算公式得出光伏電站出力預報值，由于未對不同天氣類型分類，預測效果較差。
由于神經網絡具有很強的非線性擬合能力，可映射任意復雜的非線性關系，這與光伏發電系統特點吻合，故非常適合對光伏電站出力短期預測。但單一的神經網絡對不同天氣類型泛化擬合，預測效果不佳。另外傳統的BP神經網絡訓練采用梯度下降法，容易陷入局部最小值，收斂速度慢。國內外相關學者提出[10-13]采用GA遺傳算法替代傳統學習算法，可提高收斂速度，避免陷入局部最優。
相關知識推薦：光伏產業論文發哪些期刊
本文通過分析氣象因素與光伏電站出力的關系，采用LVQ神經網絡對不同天氣類型進行分類，同時采用GA算法作為BP神經網絡學習算法。分季節建立基于GA-BP神經網絡的光伏出力預測模型，驗證其準確性和收斂速度。結果表明：該方法的建立，不僅提高光伏出力的預測精度，而且還提高BP 神經網絡的訓練速度，具有潛在的工程使用價值。
1.1 光照強度對光伏出力的影響
由光伏發電出力計算公式可知，不同光照下影響光伏發電出力，由研究的文獻表示[5-7]，光照與光伏出力成正相關性。光伏出力與光照的關系如圖 1 所示。
1.2 日類型對光伏出力的影響
日類型分類為：晴天、陰天、雨天。不同日類型的大氣層的空氣分子、塵埃、云霧滴不同，相應對太陽輻射散射作用也不同，因此不同的日類型對光伏發電出力有一定的影響，具體如圖 2~圖 4 所示。
1.3 季節對光伏出力的影響
在不同季節，季節性的變化差異對于光伏發出力影響也是很明顯的，這種影響源于太陽輻射強度的差異，光伏發電出力隨著輻射強度的變化而變化，發電量差異性是一個具體表現。此外，由于光伏電站所處地理位置的不同，其氣候狀況千差萬別，季節性變化對于發電出力特性影響的程度也有所不同，如圖 5 所示。
1.4 溫度對光伏出力的影響
前面已經討論了光照、日類型、季節性對光伏出力的影響，在上述條件相同的情況下，不同溫度下，光伏出力也具有一定的差異性。從而溫度也是光伏出力的影響因子。如圖 6 所示。
2 光伏出力短期預測模型設計
2.1 基于 LVQ-GA-BP 神經網絡預報模型總體構思
由前面分析可知，不同季節對光伏出力有較大影響，如果不對季節劃分將對光伏出力預測精度產生較大的影響，因此應按季節劃分樣本。同樣在相同季節內，日類型的不同也將對預測產生較大的影響，因此本文基于 LVQ 神經網絡對樣本進行分類，然后按照分類后的樣本訓練，基于 GA-BP 神經網絡建立光伏出力預測模型，最后將四個季節模型整合在一塊，從而形成全年的光伏出力短期預測模型。出力預測流程中，首先應該按照預測日的日期，選擇相應的季節預測模型;其次，根據當日的天氣預報信息，經過 LVQ 神經網絡分類后找到相應的分類預測子模型;最后通過建立的預測模型對光伏出力進行短期預測，如圖 7 所示。關于 LVQ 神經網絡，將在下節重點介紹。
2.2 LVQ網絡結構與工作原理
學習向量量化神經網絡( Learning Vector Quantization，LVQ)的結構如圖8所示，由輸入層、競爭層和輸出層組成，輸入層有n個神經元接受輸入變量，與競爭層之間完全連接;競爭層有m個神經元，分為若干組并呈一維現陣排列;輸出層每個神 經元只與競爭層中的一組神經元連接，連接權值固定為1。當一個輸入樣本被送至LVQ網時，競爭層的神經元通過勝者為王競爭規則產生獲勝神經元，容許其輸出為1，而其他神經元輸出為0。與獲勝神經元所在組相連接的輸出神經元輸出為1，其他輸出數為0，以達到輸入樣本分類的目的。
2.3 GA-BP神經網絡結構
由于BP算法本質上為梯度下降法，而它所要優化的目標函數又非常復雜，容易陷入局部最優、收斂速度慢，而遺傳算法是多點搜索，從而避免局部最優，此外利用遺傳算法來取代一些傳統的學習算法，利用遺傳算法的尋優能力來獲取最佳權重。本文采用GA算法優化BP神經網絡建立了光伏發電短期預測模型，根據光伏發電歷史相關數據，運用所建立的模型對系統發電量進行了預測和分析，如圖9 所示。
本文采用3層神經網絡，隱含層采用sigmoid函數，其中BP神經網絡的輸入量為氣象部門給予的預報日溫度T(t)和光照Radi(t)，由于是基于新疆某光伏電站數據，輸入量從7:00~21:00共30個，隱含層取61個，輸出量共15個數據。
3.2 GA-BP神經網絡訓練
通過前面設計的BP網絡，用LVQ神經網絡分類后的樣本對其進行訓練，鑒于新疆的氣候情況，其中輸入量的信息7:00~21:00光伏歷史出力以及天氣信息(光照、溫度)。在整個進化過程中，利用GA 算法的優勢，將其用作訓練神經網絡的學習方法。每次都采用編碼的方法對每個權值進行編碼，然后通過遺傳算法操作，求解最優權值和閥值。將最優權值和閥值解碼，為下一步網絡訓練提高初始權值和閥值。
4 預測結果以及分析
本文采用平均絕對誤差百分比MAPE和均方根誤差RMSE對光伏發電預測進行評估，其中，MAPE 評估系統的預測能力，RMSE評估系統預測值的離散程度。
本文選取新疆某光伏電站2012年9月5日的光伏發電相關的歷史數據以及氣象數據，以秋季發電預測子模型為例，進行驗證。將氣象部門的預測日天氣預報信息(光照強度、溫度等)輸入已經訓練好的光伏發電預測系統。
為驗證本文提出的新方法訓練收斂速度、預測精度。采用三種模型進行對比分析。模型一為 GA-BP預測系統，模型二為LVQ-BP預測系統，模型三為LVQ-GA-BP預測系統。本文基于Matlab神經網絡工具箱編寫了GA-BP、LVQ-BP、LVQ-GA-BP 三種組合方式發電預測系統，最后進行驗證。相關數據見表1~表3。
通過Matlab仿真，可以得出三種模型下光伏出力的預測值以及神經網絡訓練收斂速度。模型一的迭代次數為853，模型二的迭代次數為1 230，模型三的迭代次數為832。由以上數據可知，由于GA優化特點使得模型一比模型二收斂速度快40%，而由于模型一和模型三都采用GA算法優化神經網絡權值和閥值，使得二者的收斂速度相當，從以上分析表明，GA算法較好地提高了收斂速度。
從表3可以看出，模型一的MAPE、RMSE分別為23.57%、10.34%;模型二的MAPE、RMSE分別為12.53%、6.53%;模型三的MAPE、RMSE分別為 10.51%、6.24%。采用LVQ進行樣本分類，使得模型三相比模型一提高了約50%的精度。模型二和模型三由于采用了LVQ訓練后的樣本，二者預測精度相當。以上分析，驗證了天氣分類的有效性。
綜上所述，采用LVQ-GA-BP光伏預測系統與傳統的預測系統相比，不但較好地提高了預測精度，還提高了訓練收斂速度。
5 結論
本文提出了一種基于 LVQ-GA-BP 神經網絡預測系統，該模型選取預測日光照強度、溫度為輸入量。通過分析光伏發電的關鍵因子，提出了通過 LVQ 對樣本進行分類，從而提高模型在不同天氣類型下的預測精度。通過 GA 算法優化 BP 神經網絡權值和閥值，從而有效地彌補傳統 BP 神經網絡訓練時間長、易陷入局部最小的缺點。結果表明：通過 LVQ 對樣本進行分類，有效地提高了預測精度， MAPE 為 10.51%，RMSE 為 6.24%。通過 GA 算法對 BP 神經網絡的權值和閥值的優化，使得訓練的收斂速度大幅度的提高。——論文作者：羅建春 1 , 晁 勤 2 , 羅 洪 1 ，冉 鴻 1 ，楊 杰 1 , 羅 慶 2 , 阿里努爾.阿木提 2