基于双层BP经网络的光伏电站输出功率预测

1、基于双层bp神经网络的光伏电站输出功率预测张立影，王泽忠（华北电力大学 电子与电子工程学院，北京 102206）摘要：光伏电站输出功率对电网调度有很大影响，但受到太阳辐射强度和气象因素的影响，光伏电站输出功率具有随机性和不可控性。为合理利用光伏发电系统，本文建立一种基于气象预测信息以及bp神经网络的光伏电站输出功率预测模型。通过相关性分析确定影响光伏出力的影响因子，结合历史数据和气象因素进行模型训练和功率预测。本文主要提出一种新的预测模型-双层bp神经网络模型，通过对某光伏电站预测结果与实测值对比，结果表明该方法能有效提高光伏电站输出功率预测精度，对发电计划的制定有较好的参考价值和实用价值。关

2、键词：光伏电站；功率预测；双层bp神经网络；相关性；气象预测信息中图分类号：tm615 文献标识码：a 文章编号：1001-1390（2014）00-0000-00photovoltaic power station output power prediction based on the double bp neural networkzhang li-ying, wang ze-zhong (school of electrical and electronic engineering, north china electric power university, beijing 1022

3、06, china)abstract：photovoltaic power station output power has a great influence on power grid dispatching, but the photovoltaic power station output power is random and uncontrollable due to the intensity of solar radiation and meteorological factors. in order to make reasonable use of the photovol

4、taic power generation system, a photovoltaic power station output power model based on weather forecast information and the bp neural network was proposed in the paper. the influential factors of pv station output power were determined through correlation analysis. the model training and power predi

5、ction were processed by combination with historical data and meteorological factors. a new forecasting model, the double bp neural network model, was proposed in this paper. the predicted results of a photovoltaic power station were compared with the measured values. the results showed that the meth

6、od could effectively improve the predictive accuracy of the pv station output power and had good reference values and practical values to power generation planning.key words：photovoltaic power station, power forecasting, double bp neural network, correlation, weather forecast information0引言近年来，能源危机日

7、益严重，据统计，按照现在的需求和开采速度，世界石油已探明储量可供开采43年、天然气63年、煤炭231年。因此，新能源发电技术越来越受到人们的重视。现阶段的新能源发电主要包括生物能发电、风能发电、太阳能发电等，其中，太阳能发电以其环保、无噪音、无运输、成本低、取之不尽、用之不竭等优势成为替代化石燃料的主要选择。近年来，光伏发电在全球范围内发展迅猛，2011年全球光伏新增装机容量约为27.5gw，较上年的18.1gw相比，涨幅高达52%，全球累计安装量超过67gw。在中国，截至2011年底,太阳能光伏发电累计装机量达300万千瓦,较2010年增长了三倍多1。光伏发电正以势不可挡的趋势在能源发电中占

8、据越来越重要的位置。光伏发电的发展能在一定程度上缓解能源危机，但是由于光伏发电的随机性和不可控性，大量光伏发电系统并网会对电网产生很大的冲击，美国学者edward2的研究报告表明，电网调度难度会随着光伏出力比重的增加而增大，当光伏发电系统所占比例超过四分之一时甚至可能导致电网崩溃。因此，光伏电站输出功率的预测对电网调度意义重大。目前光伏功率预测方法主要有时间序列法3、神经网络法4-5、小波分析法6，由于光伏发电影响因素众多，随机性较大，以往的预测方法往往存在较大的误差，准确性有待提高。近年来，神经网络在很多领域得到了光伏应用。本文提出一种气象因素与bp神经网络相结合的方法预测光伏电站输出功率。

9、bp神经网络可以实现从n维输入数据到m维输出数据的映射，通过对历史数据的训练过程学习输入与输出之间的内在关系，并对训练数据以外的数据有很强的学习能力。理论上讲，通过对神经网络结构的调整可以以任意精度逼近任何非线性函数。文中通过对气象因素与光伏电站输出功率相关性分析，确定bp神经网络的输入因素。首层bp神经网络利用历史数据训练模型，预测过程中预测数据来源于天气预报预测到的气象因素数据和太阳辐照量理论计算值，预测未来24h光伏电站输出功率，第二层bp神经网络模型利用首层神经网络的拟合值进行训练，后根据首层网络预测结果进行第二次预测。经过实例验证，该预测方法能够达到较好的精确度，对电网制定发电计划有

10、很大的参考价值。1相关性分析1.1 光伏输出功率与太阳辐射强度相关性分析从理论上讲，太阳辐射是光伏输出功率的直接影响因素。太阳辐射强度是指单位时间内垂直投射到单积上的量。在不考虑云层和气象条件时，地球表面某点的太阳辐射强度由直射太阳辐射强度和散射太阳辐射强度两部分组成7，具体的计算可由下式得出：(1)式中nthday为按天数顺序排列的积日；esc为太阳常数，1367w/m2；tb为直射辐射大气透明度系数；mmm为大气质量系数；ebh表示直射太阳辐射强度；edh表示散射太阳辐射强度；k2取值与空气浑浊度有关。为研究太阳辐射强度与光伏出力的关系，本文对两者进行相关性分析，数据来自于华北电力大学新能

11、源国家重点实验室光伏电站实测数据库，图1 为2013年9月份选取的不同日类型光伏出力与太阳辐射强度的相关性分析。由于光伏电站只在白天输出功率，本文中选取的时间段为每日6:00至21:00，时间频率为15min。图1中的四个子图分别为晴天、阴天、多云、雨天四种天气类型太阳辐射强度与光伏出力的散点图，可以看出，在上述几种天气情况下，光伏电站输出功率与太阳辐射强度呈现显著相关关系，因此，太阳辐照量对光伏出力有重要影响。尽管不同的天气类型下相关系数不同，但整体来讲，光伏电站输出功率在很大程度上受到太阳辐射强度影响，太阳辐射是影响光伏出力的最直接因素。（a）晴天时太阳辐射强度与光伏出力的散点图（b）阴天

12、时太阳辐射强度与光伏出力的散点图（c）多云时太阳辐射强度与光伏出力的散点图（d）雨天时太阳辐射强度与光伏出力的散点图图1 光伏电站输出功率与太阳辐射强度相关性fig.1 the correlation between the photovoltaic power station output power and solar radiation intensity1.2 光伏输出功率与气象因素相关性分析光伏出力不只受到太阳辐射强度的影响，温度、相对湿度、云量、云状、风速等天气因素同样会应影响光伏出力，但由于客观条件的限制，目前天气预报无法预测出关于云层覆盖量的情况7，因此，本文不讨论云层情况对光

13、伏出力的影响。随机选取2013年9月份中5天的数据，其中包括晴、多云、阴天三种天气情况，对光伏出力、温度和相对湿度进行归一化后进行比较，结果如图2所示。图2 光伏电站输出功率与温度和相对湿度相关性fig.2 the correlation between the photovoltaic power station output power and temperature and relative humidity由图2可以看出，光伏出力与温度的趋势相同，与相对湿度的走向趋势相反。温度越高，光伏输出功率越大；相对湿度越大，光伏输出功率反而越小。显然温度、相对湿度在一定程度上影响光伏出力，计算得

14、出温度与光伏电站输出功率的相关系数r范围为0.50.7，相对湿度与光伏出力的相关系数r范围为-0.5-0.7。因此，看得出结论为温度与光伏出力成正相关；相对湿度与光伏出力成反相关。同理，可以分析光伏出力与风速、风向、紫外线强度等气象因素的关系，最终确定气象因素中只考虑温度和相对湿度对光伏输出功率的影响。2 bp神经网络2.1 bp神经网络由于光伏出力受到多重因素影响，而bp神经网络能良好的反映出输入与输出数据间的映射关系，且具有良好的泛化能力，因此本文选用bp神经网络对光伏出力进行预测。bp神经网络是目前应用最为广泛、最为成功的神经网络之一，由信号正向传播与误差反向传播组成，训练过程中输入层输

15、入数据后，经过隐含层处理后在输出层输出，若输出数据与期待值有误差，则误差反向传递，修正各单元权值，反复直到误差在允许范围内或达到要求的训练次数8。bp神经网络结构图如图3所示。图3 bp神经网络拓扑结构fig.3 the topology structure of the bp neural networkbp神经网络的训练过程包括工作信号的正向传播和误差信号的反向传递。x1,x2,xm 是bp神经网络的输入层，y1,y2, ,yp是bp神经网络的预测值。信号正向传播过程中输出层输出为：，, (2)xi为输入层输入信号， wmp表示输入层到输出层之间突触权值，f表示输出层所选择的激励函数。在人

16、工神经网络中，单个神经元的输入与输出之间的函数关系叫做激励函数，常用的激励函数有三种：阙值函数，分段线性函数，sigmoid函数。本文中隐含层的激励函数选用第三种，也是人工神经网络中最常用的激励函数,数学表达式如下： (3)式中a为常数，sigmoid函数的形状会随a的取值不同而略有变化。对于任一训练样本xk= xk1,xk2,xkmt,实际输出为yk= yk1,yk2,ykpt,输出层所有误差能量总和为： (4)n为迭代次数，ekp(n)表示第p个神经元输出值与期望值的误差。误差从后向前传递，在传递过程中，逐层修改连接权值，直到误差在允许范围内或达到训练次数为止。2.2 预测模型结构的确定2

17、.2.1第一层bp神经网络为使预测结果更精确，本文采用双层bp神经网络，第一层神经网络的模型结构确定方式为：（1） 输入层的确定由前文的分析可知，光伏电站的输出功率主要与太阳辐射强度相关，同时受到温度、相对湿度、云的影响。通过气象因素与光伏出力的相关性分析，第一层神经网络训练过程输入样本数据只包含光伏电站历史实测数据库中的太阳辐射强度、温度和相对湿度；（2） 隐含层的确定目前尚无理论依据来确定隐含层数及各隐含层神经元的个数，大多数情况下靠经验来确定或反复试验确定最佳选择9-10。经过反复试验，最后确定为三层bp神经网络，并通过实验得出隐含层神经元个数，试验得知该模型能达到较好的预测效果；（3）

18、 输出层的确定文中预测未来24h光伏电站输出功率，因此输出层输出数据为未来24h光伏电站输出功率序列，时间间隔为15min。2.2.2第二层bp神经网络为达到更佳预测效果，采用双层bp神经网络预测方法，第二层bp神经网络训练过程输入数据为第一层网络的拟合值，输出层为光伏出力实测值。输入层为拟合值可能会降低训练精度，但对拟合值训练产生的映射关系能更准确的反映第一层网络训练结果与实测值的关系，因此第二层bp神经网络能更好的拟合实测值，建立更为精确地对应关系。2.2.3预测结构流程文中预测模型结构的实现是基于matlab平台，样本数据取自华北电力大学光伏电站数据库，建立双层bp神经网络预测模型，具体

19、的训练过程如图4所示。图4 双层bp神经网络预测结构流程fig.4 the forecast process of the double bp neural network3 算例分析文中通过matlab实现上述双层bp神经网络预测模型，分别预测2013年10月19日、20日、21日的光伏电站输出功率进行验证，所得预测数据序列进行整合。神经网络的训练样本数据取自华北电力大学光伏电站数据库，样本数据的采样频率为15min。由于采集的各数据单位不一致，因而需对数据进行归一化处理。预测的结果如图5示。图5 预测值与实际值fig.5 forecasted values and measured val

20、ues为检测预测结果的准确性，采用std.e(标准偏差)、mae (平均绝对误差) 对本文提出的预测方法预测结果评估10，结果列入表1。表1 预测结果误差tab.1 errors of the forecasting resultsstd.e/wmae/w单层bp神经网络509.4441334.5667双层bp神经网络407.0118262.7825图5表明，第一层bp神经网络预测模型能基本反映出光伏输出功率的大体趋势，其中10月20日预测结果最接近光伏出力实际测量值，19日、20日预测结果能反映实际输出趋势，但与实际值误差较大，原因为10月20日天气情况为晴，而19日、21日均为多云天气，由

21、于第一层神经网络预测模型输入层没有考虑对光伏输出的影响，而实际上云量、云状都会使光伏输出功率产生波动，因此19日和21日的预测值与实际输出误差较大。第二层bp神经网络预测模型与实际输出的误差在第一层预测模型的基础上有所减小，更接近实测值。表1中两种模型预测结果的平均绝对误差和标准误差从数据上阐明了上述结论，证明双层bp神经网络在预测精度上要优于单层bp神经网络模型。由于受到现今气象预测科技发展的制约11，光伏输出功率预测的准确度仍有待提高。双层bp神经网络预测光伏出力尽管不能精确预测光伏电站输出功率，但仍在一定为电网发电计划制定提供参考。4 结束语文中提出了基于影响光伏电站输出功率的天气因素的

22、双层bp神经网络预测模型通过实例验证，第二层bp神经网络由于训练过程针对第一层神经网络模型拟合值与实测值的差异，预测过程能在一定程度上对第一层预测结果与实际出力的差异进行校正，因此文中提出的双层bp神经网络预测模型能达到更好的预测结果。尽管由于无法准确估计云量、云状的情况，使得预测结果与实际输出功率存在偏差，但该方法仍有较好的精确度，对于电网发电计划的制定和光伏电站并网12有较强的的实用性和参考价值。参 考 文 献1 张国月. 光伏并网发电系统若干问题研究d. 浙江大学, 2013.zhang guo-yue. reach on key issues of photovaltaic grid-

23、tied generation systemd. zhejiang university, 2013.2 edward s c. 可持续能源的前景m. 北京: 清华大学出版社, 2002.edward s c. the prospects for sustainable energym. beijing: tsinghua university press, 2002.3 兰华, 廖志民, 赵阳. 基于arma模型的光伏电站出力预测j. 电测与仪表, 2011, (2): 31-35.lan hua, liao zhi-ming, zhao yang. arma model of the so

24、lar power station based on output predictionj. electrical measurement &instrumentation, 2011, (2): 31-35.4 mellit a, pavan a m. a 24-h forecast of solar irradiance using artificial neural network: application for performance prediction of a grid-connected pv plant at trieste，italyj. solar energy, 20

25、10, 84(5): 807-821.5 高双华, 曹家枞. 太阳逐时总辐射混沌优化神经网络预测模型研究j.太阳能学报, 2006, 27(2): 164-169.gao shuang-hua, cao jia-zong. study of chaos optimization neural network for the forecast of hourly total solar irradiationj. actaenergiae solariedsinica, 2006, 27(2): 164-169.6 mellit a, benghanem m, kalogirou s a. an

26、 adaptive wavelet-network model for forecasting daily total solar-radiation j. applied energy, 2006, 83(7): 705-722. 7 杨婧, 刘志璋, 孟斌, 等. 基于matlab的太阳辐射资源计算j. 能源工程, 2011, (1): 35-38.yang jing, liu zhizhang, meng bin, et al. resources calculation of solar radiation based on matlabj. energy engineering, 2

27、011, (1): 35-38.8 陈颖, 周海, 王文鹏, 等. 风电场输出功率超短期预测结果分析与改进j. 电力系统自动化, 2011, 35(15): 30-33.chen ying, zhou hai, wang wen-peng, et al. improvement of ultra-short-term forecast for wind powerj. automation of electric power system, 2011, 35(15): 30-33.9 卢静, 翟海青, 刘纯, 等. 光伏发电功率预测统计方法研究j. 华东电力, 2010, 38(4): 563-567.lu jing, di hai-qing, liu chun, et al. study on statistical method for predicting photo