基于BP神经网络的光伏发电预测模型设计

王思睿，薛云灿，李 彬，邓立华，顾 菁（河海大学物联网工程学院，常州　213022）



基于BP神经网络的光伏发电预测模型设计

王思睿，薛云灿，李 彬，邓立华，顾 菁
（河海大学物联网工程学院，常州213022）

摘 要：结合历史发电量和气象数据分析了影响光伏系统发电功率的各项因素，针对传统光伏发电预测模型预测精度不高的问题，加入了电池板温度信息作为光伏发电预测模型的输入参考量；针对传统BP神经网络易陷入局部极值的缺陷，提出了基于改进学习率和权值的弹性自适应规则的BP神经网络。采用光伏监控系统历史发电量和气象数据建立了弹性自适应BP神经网络预测模型，对训练好的模型进行了测试和评估。预测结果表明，该预测方法较好地解决了传统BP算法易陷入局部极值的问题，提高了系统预测结果精度。

关键词：BP神经网络；预测模型；气象数据；电池板温度；弹性自适应；局部极值

1 引 言

太阳能作为一种可再生能源，已成为人类使用能源的重要组成部分，并得到不断发展。大规模光伏发电是一种利用太阳能的有效方式，但太阳辐射强度、环境温度和天气类型等因素容易对光伏发电产生非线性影响。这种发电方式在接入电网后必会给电网的安全和管理带来一系列问题。因此，太阳能发电量的预测对电力系统的安全稳定运行有着重要意义。

针对如何建立光伏发电预测模型的问题，许多学者做了大量研究，提出了ARMA模型、多元线性回归模型和神经网络模型等。其中，由于BP神经网络具有较好的自学习、自适应、泛化性和鲁棒性等特点，广泛运用到光伏发电预测方面。文献［1-3］提高了光伏发电预测模型预测精度，解决了光伏发电的随机化问题。文献［1］陈昌松，段善旭，殷进军等人采用光伏阵列的发电量序列、日类型指数和气温

❋数据建立了神经网络预测模型；文献［2］采用每小时的太阳辐射强度、湿度、温度、时间数据作为输入序列构建神经网络模型；文献［3］采用历史天气数据对预测日的太阳辐射强度进行估计，然后由太阳辐射数据计算光伏阵列的输出电能。

但是，这些预测方法没有考虑到环境温度对太阳能电池板转化功率的影响，也没有考虑BP神经网络本身存在的缺陷。

鉴于以上不足，基于BP神经网络的光伏发电模型加入了电池板温度信息参考量作为光伏发电预测模型的输入参数，提高了光伏发电预测量的精度。提出了基于改进学习率和权值的弹性自适应规则的BP神经网络，解决了传统BP神经网络易陷入局部极值的问题。

2 光伏系统发电功率相关性因素分析

影响太阳能发电功率的因素很多，包括太阳能辐射强度、天气类型、环境温度和电池板温度以及其它一些随机因素。图1为发电功率随太阳能辐射强度变化曲线图，图2为发电功率随天气类型变化曲线图，图3为发电功率电压随温度变化曲线图。可以看出，光伏系统的发电功率受太阳能辐射强度以及天气类型、环境温度的影响。太阳能辐射强度的增加使得光伏系统的发电功率产生增大的趋势；天气类型的不同使得发电量也产生了变化；环境温度的升高也使得光伏系统的发电量产生减小的趋势。光伏系统的实际发电量正是这些因素相互作用的结果。

图1 发电功率随太阳能辐射强度

变化曲线图（a为发电功率，b为太阳辐射强度）

图2 发电量随天气类型变化曲线图

图3 发电功率电压随环境温度变化曲线图

对于光伏阵列来说，一个明显的特征就是发电量时间序列本身高度自相关［4］。针对光伏发电预测模型而言，预测日的发电量是在前一天发电量基础上变化的。由于受到太阳辐射强度、天气类型、环境温度等因素的影响，发电量的变化是一个非线性随机过程，但同时又呈现明显的周期性变化。

3 基于BP神经网络的光伏发电预测模型

3.1BP神经网络

BP神经网络具有很强的非线性映射能力，善于从输入和输出信号中寻找规律，不需要精确的数学模型，并且计算能力强［5］，其结构如图4所示。整个网络过程分为输入层、隐含层和输出层。光伏发电的输入信号从输入节点传到隐含层各节点，然后输出到输出层，每一层的节点输出只影响下一层的输入，但是下一层设置误差进行反向学习，利用传递函数及相应的权重值进行函数训练，从而达到网络训练和模型构造的目的［6］。

3.2基于弹性自适应BP神经网络的光伏发电预测模型

基于弹性自适应BP神经网络的光伏发电预测模型主要涉及输入层节点、隐含层节点以及隐含层节点数、输出层节点的确定。其中，输入层节点主要为预测日前一天实际发电量、预测日太阳辐射强度、环境温度、电池板温度、预测日天气类型；其中预测日电池板温度Te由以下公式确定：

式中，Te为电池板温度，T为环境温度，G为太阳辐射强度；a1为气温回归系数，a2为太阳辐射强度回归系数，a3为常数。

图4 BP神经网络结构图

隐含层节点数由以下公式确定：

式中，m为隐含层节点数，n为输入层节点数，l为输出层节点数，round（）为取整函数。输出层节点为预测日的发电量。

传统的BP神经网络算法易导致局部最小值，固定的学习率在学习过程中易出现瘫痪现象并且导致学习时间过长［7］。针对这一缺陷，基于BP神经网络的光伏发电预测模型设计提出了基于改进学习率和权值的弹性自适应规则的BP神经网络模型，较好地解决了算法陷入局部极值的问题，提高了光伏发电量的预测精度。

在弹性自适应规则中，最关键的一步就是调整学习率和权值大小，其具体步骤为：

式中，η（n）为第n次的学习率；a为大于1的常数；b为大于0小于1的常数；c为大于1的常数；E（n）为第n次的神经元误差，由以下公式求得：

其中：ek（n）为输出层第k个神经元经过n次迭代后的误差信号，求解公式为：

其中，dk（n）为输出层第k个神经元经过n次迭代后的期望输出；mk（n）为输出层第k个神经元经过n次迭代后的实际输出；eij（n +1）为第i层第j个神经元第n +1次的权值；Δwijn为第i层第j个神经元第n次的权值变化量，求解公式为：

4 弹性自适应BP神经网络预测模型的预测结果分析

对神经网络发电预测模型的评估有很多方法，如平均绝对百分比误差、平均绝对偏差、均反差［8］。最常用的还是平均绝对百分比误差MAPE［9］。弹性自适应BP神经网络预测模型也采用平均绝对百分比误差MAPE。

式中，N为数据总数；Pf为预测值；Pa为实测值；i为数据序号。

以某光伏发电站为研究对象建立预测模型，选取光伏监控系统数据库2014年秋季100组历史发电量和气象数据作为训练样本，利用Matlab实现弹性自适应BP神经网络模型的训练过程。采用两组测试数据，第一组为随机选取的10日未加入太阳能电池板温度信息的测试数据，将其生成输入向量并输入到弹性自适应BP神经网络光伏发电预测模型和传统BP神经网络光伏发电预测模型，从而得到两组不同模型的预测日发电量。图5为预测模型结果图。第二组为随机选取的10日加入太阳能电池板温度信息和未加入太阳能电池板温度信息的测试数据，将其生成两组输入向量并将输入到弹性自适应BP神经网络光伏发电预测模型，得到两组不同输入数据的预测日发电量。

由图5可以看出，弹性自适应BP神经网络光伏发电预测模型的预测曲线与实际发电量趋势大致相同，而传统BP神经网络光伏发电预测模型的预测曲线在某些时段产生较大误差波动。对预测结果分析后可得：弹性自适应BP神经网络光伏发电预测模型和传统BP神经网络光伏发电预测模型误差MAPE分别为7.1108%和14.6768%。

图5 预测模型结果图（a为改进算法预测值；b为传统算法预测值；c为实际值）

图6为输入因素不同时预测模型结果图，由图可以看出：与未加入电池板温度信息的模型相比，加入电池板温度信息的弹性自适应BP神经网络的光伏发电预测模型的预测结果更为精准，不会在某些时段产生较大误差。对预测结果分析可得：未加入电池板温度信息和加入电池板温度信息的预测模型误差MAPE分别为4.2962%和6.3556%。

图6 输入因素不同时预测模型结果图（a为加入电池板温度信息的改进算法预测值；b为未加入电池板温度信息的改进算法预测值，c为实际值）

5 结束语

为提高光伏发电量预测精度，加入了电池板温度信息作为光伏发电预测模型的输入参考量；针对BP神经网络易陷入局部极值的缺陷，提出了基于改进学习率和权值的弹性自适应规则的BP神经网络，将影响光伏系统发电量的主要因素太阳能辐射强度、天气类型、电池板温度、环境温度数据作为模型的输入量。与传统BP神经网络光伏发电预测模型相比，弹性自适应BP神经网络光伏预测模型契合光伏发电功率特点，兼具BP神经网络模型优点，测试结果表明该模型预测精度高于传统BP神经网络模型。

参考文献：

［1］陈昌松，段善旭，殷进军，等.基于神经网络的光伏阵列发电预测模型的设计［J］.电工技术学报，2009，24 （9）：153-158.Chen Changsong，Duan Shanxu，Yin Jinjun，et al.Design of Photovoltaic Array Power Forecasting Model Based on Neutral Network［J］.Transaction of China Electrotechnical Society，2009，24（9）：153-158.

［2］Chakraborty S，Weiss M D，Simoes M G.Distributed intelligent energy management system for a single-phase high-frequency AC microgrid［J］.IEEE Transactions on Industrial Electronics，2007，54（1）：97-109.

［3］Yona A，Senjyu T，Funabashi T.Application of recurrent neural network to short-term-ahead generating power forecasting for photovoltaic system［C］.//IEEE Power Engineering Society General Meeting.Tampa，FL，USA：［s.n.］，2007.

［4］姜侨娜，陈中.BP-马尔科夫组合预测方法在光伏发电量预测中的应用［J］.电力需求侧管理，2011，13 （6）：21-24.Jiang Qiaona，Chen Zhong.The Study of Solar Forecasting Based on BP-Markov Method［J］.Power Demand Side Management，2011，13（6）：21-24.

［5］李光明，廖华，李景天，等.并网光伏发电系统发电量预测方法的探讨［J］.云南师范大学学报（自然科学版），2011，31（2）：33-38.Li Guangming，Liao Hua，Li Jingtian，et al.Discussion on The Method of Grid-Connected PV System Generation Forecasting［J］.Journal of YuNan Normal University （Natural Sciences Edition），2011，31（2）：33-38.

［6］蒋浩，洪丽，张国江，等.主成分分析结合神经网络的光伏发电量预测［J］.电力系统及其自动化学报，2013，25（6）：101-105.Jiang Hao，Hong Li，Zhang Guojiang，et al.PV Generation System Forecasting Model Based on Neutral Network and Principal Components Analysis［J］.Proceeding of the CSU-EPSA，2013，25（6）：101-105.

［7］Tsikalakis A G，Hatziargyriou Nikos D.Centralized control for optimizing microgrids operation［J］.IEEE Transactions on Energy Conversion，2008，23（1）：241-248.

［8］Kem E C，Culachenski E M，Ken G A.Cloud effects on distributed photovoltaic generation：slow transients at the gardner，massachusetts photovoltaic experiment［J］.IEEE Transactions on Energy Conversion，1989，4（2）：184-190.

［9］Jewell W T，Unruh T D.Limits on cloud-induced fluctuation in photovoltaic generation［J］.IEEE Transactions on Energy Conversion，1999，5（1）：8-14.

Design of Photovoltaic Power Forecasting Model Based on BP Neutral Network

Wang Sirui，Xue Yuncan，Li Bin，Deng Lihua，Gu Jing
（College of Internet of Things Engineering，Hohai University，Changzhou 213022，China）

Abstract：Combined with historical power and weather data，all factors which influence the power generation of photovoltaic system are discussed，and the temperature information from the solar panels is added to the forecasting model as the reference input to solve the problems of low prediction accuracy of the traditional forecasting model.Aiming at the defects of the traditional BP neutral network into a local extreme value，this paper proposes the BP neutral network based on the improved learning rate and elastic adaptive rule.The BP neural network forecasting module of elastic adaptive method is trained by historical power and weather data of photovoltaic monitoring system.The trained module is tested and evaluated.The forecasted results show that the prediction method can effectively solve problems of the traditional BP algorithm into a local extreme value and improve the system precision of forecast results.

Key words：BP neutral network；Forecasting model；Weather data；Temperature of the solar panel；Elastic adaptive method；Local extreme value

DOI：10.3969/j.issn.1002-2279.2016.02.021

中图分类号：TM7

文献标识码：A

文章编号：1002-2279（2016）02-0082-04

基金项目：❋中央高校基本科研基金（2013B08914）；江苏省输配电装备技术重点实验室开放式基金（2011JSSPD13）

作者简介：王思睿（1991-），女，陕西省渭南市人，硕士研究生，主研方向：光伏发电建模与优化。

收稿日期：2015-06-25