基于 LVQ-GA-BP 神经网络光伏电站出力短期预测

发布时间：2022-04-09所属分类：电工职称论文浏览：1次

摘 要： 摘要：为了实现对大规模并网型光伏电站调度，分析影响光伏出力的气象相关因素，以光照强度和温度作为输入量，分季节建立了一种基于LVQ-GA-BP神经网络预测系统。通过LVQ(Learning Vector Quantization)神经网络对样本进行分类，将分类后的样本训练，得出基于BP神经网络

　　摘要：为了实现对大规模并网型光伏电站调度，分析影响光伏出力的气象相关因素，以光照强度和温度作为输入量，分季节建立了一种基于LVQ-GA-BP神经网络预测系统。通过LVQ(Learning Vector Quantization)神经网络对样本进行分类，将分类后的样本训练，得出基于BP神经网络光伏电站出力预测系统，从而提高光伏预测精度。采用GA算法替代传统的学习算法优化BP神经网络的权值和阀值，提高预测网络的训练速度。将建立的LVQ-GA-BP预测系统与传统系统进行了比较和分析，结果表明：该方法的建立，不仅提高了光伏出力的预测精度，而且还提高了BP神经网络的训练速度，具有潜在的工程应用价值。

　　关键词：光伏出力预测;LVQ-GA-BP预测模型;气象因素;神经网络

　　0 引言

　　随着世界能源的消耗，光伏发电作为可再生能源，在电网的极限穿透功率将越来越高，从而替代部分常规能源，逐渐成为世界能源供应的主体[1-2]。但光伏发电具有波动性和间歇性，大规模光伏电站并网运行对电力系统的调度增加了难度。对光伏电站的出力进行预测，有助于电力系统调度部门统筹安排常规能源和光伏发电的协调配合，及时调整调度计划，合理安排电网运行方式，有效地降低光伏接入对电网调度的影响，从而提高电网运行的安全性和稳定性，同时也减少电力系统的旋转备用和运行成本[3-4]。

　　目前用于光伏电站短期出力预测，有两种方法[5-6]，一种是直接法，另一种是间接法。直接法是利用光伏电站的出力历史数据以及相关的天气预报值，对其进行预测;间接法是基于天气预报历史数据对光照强度、温度进行预测，然后通过工程计算公式或者神经网络的算法得出光伏电站出力预报值。文献[7-8]采用直接法，利用光伏电站的出力历史数据和气象数据，对光伏电站进行了短期预测。文献[9]采用了间接法，通过已有的历史光照强度、温度，利用支持向量机的方法预测神经光照强度、温度，然后通过预测得出的气象数据，利用工程计算公式得出光伏电站出力预报值，由于未对不同天气类型分类，预测效果较差。

　　由于神经网络具有很强的非线性拟合能力，可映射任意复杂的非线性关系，这与光伏发电系统特点吻合，故非常适合对光伏电站出力短期预测。但单一的神经网络对不同天气类型泛化拟合，预测效果不佳。另外传统的BP神经网络训练采用梯度下降法，容易陷入局部最小值，收敛速度慢。国内外相关学者提出[10-13]采用GA遗传算法替代传统学习算法，可提高收敛速度，避免陷入局部最优。

　　相关知识推荐：光伏产业论文发哪些期刊

　　本文通过分析气象因素与光伏电站出力的关系，采用LVQ神经网络对不同天气类型进行分类，同时采用GA算法作为BP神经网络学习算法。分季节建立基于GA-BP神经网络的光伏出力预测模型，验证其准确性和收敛速度。结果表明：该方法的建立，不仅提高光伏出力的预测精度，而且还提高BP 神经网络的训练速度，具有潜在的工程使用价值。

　　1.1 光照强度对光伏出力的影响

　　由光伏发电出力计算公式可知，不同光照下影响光伏发电出力，由研究的文献表示[5-7]，光照与光伏出力成正相关性。光伏出力与光照的关系如图 1 所示。

　　1.2 日类型对光伏出力的影响

　　日类型分类为：晴天、阴天、雨天。不同日类型的大气层的空气分子、尘埃、云雾滴不同，相应对太阳辐射散射作用也不同，因此不同的日类型对光伏发电出力有一定的影响，具体如图 2~图 4 所示。

　　1.3 季节对光伏出力的影响

　　在不同季节，季节性的变化差异对于光伏发出力影响也是很明显的，这种影响源于太阳辐射强度的差异，光伏发电出力随着辐射强度的变化而变化，发电量差异性是一个具体表现。此外，由于光伏电站所处地理位置的不同，其气候状况千差万别，季节性变化对于发电出力特性影响的程度也有所不同，如图 5 所示。

　　1.4 温度对光伏出力的影响

　　前面已经讨论了光照、日类型、季节性对光伏出力的影响，在上述条件相同的情况下，不同温度下，光伏出力也具有一定的差异性。从而温度也是光伏出力的影响因子。如图 6 所示。

　　2 光伏出力短期预测模型设计

　　2.1 基于 LVQ-GA-BP 神经网络预报模型总体构思

　　由前面分析可知，不同季节对光伏出力有较大影响，如果不对季节划分将对光伏出力预测精度产生较大的影响，因此应按季节划分样本。同样在相同季节内，日类型的不同也将对预测产生较大的影响，因此本文基于 LVQ 神经网络对样本进行分类，然后按照分类后的样本训练，基于 GA-BP 神经网络建立光伏出力预测模型，最后将四个季节模型整合在一块，从而形成全年的光伏出力短期预测模型。出力预测流程中，首先应该按照预测日的日期，选择相应的季节预测模型;其次，根据当日的天气预报信息，经过 LVQ 神经网络分类后找到相应的分类预测子模型;最后通过建立的预测模型对光伏出力进行短期预测，如图 7 所示。关于 LVQ 神经网络，将在下节重点介绍。

　　2.2 LVQ网络结构与工作原理

　　学习向量量化神经网络( Learning Vector Quantization，LVQ)的结构如图8所示，由输入层、竞争层和输出层组成，输入层有n个神经元接受输入变量，与竞争层之间完全连接;竞争层有m个神经元，分为若干组并呈一维现阵排列;输出层每个神 经元只与竞争层中的一组神经元连接，连接权值固定为1。当一个输入样本被送至LVQ网时，竞争层的神经元通过胜者为王竞争规则产生获胜神经元，容许其输出为1，而其他神经元输出为0。与获胜神经元所在组相连接的输出神经元输出为1，其他输出数为0，以达到输入样本分类的目的。

　　2.3 GA-BP神经网络结构

　　由于BP算法本质上为梯度下降法，而它所要优化的目标函数又非常复杂，容易陷入局部最优、收敛速度慢，而遗传算法是多点搜索，从而避免局部最优，此外利用遗传算法来取代一些传统的学习算法，利用遗传算法的寻优能力来获取最佳权重。本文采用GA算法优化BP神经网络建立了光伏发电短期预测模型，根据光伏发电历史相关数据，运用所建立的模型对系统发电量进行了预测和分析，如图9 所示。

　　本文采用3层神经网络，隐含层采用sigmoid函数，其中BP神经网络的输入量为气象部门给予的预报日温度T(t)和光照Radi(t)，由于是基于新疆某光伏电站数据，输入量从7:00~21:00共30个，隐含层取61个，输出量共15个数据。

　　3.2 GA-BP神经网络训练

　　通过前面设计的BP网络，用LVQ神经网络分类后的样本对其进行训练，鉴于新疆的气候情况，其中输入量的信息7:00~21:00光伏历史出力以及天气信息(光照、温度)。在整个进化过程中，利用GA 算法的优势，将其用作训练神经网络的学习方法。每次都采用编码的方法对每个权值进行编码，然后通过遗传算法操作，求解最优权值和阀值。将最优权值和阀值解码，为下一步网络训练提高初始权值和阀值。

　　4 预测结果以及分析

　　本文采用平均绝对误差百分比MAPE和均方根误差RMSE对光伏发电预测进行评估，其中，MAPE 评估系统的预测能力，RMSE评估系统预测值的离散程度。

　　本文选取新疆某光伏电站2012年9月5日的光伏发电相关的历史数据以及气象数据，以秋季发电预测子模型为例，进行验证。将气象部门的预测日天气预报信息(光照强度、温度等)输入已经训练好的光伏发电预测系统。

　　为验证本文提出的新方法训练收敛速度、预测精度。采用三种模型进行对比分析。模型一为 GA-BP预测系统，模型二为LVQ-BP预测系统，模型三为LVQ-GA-BP预测系统。本文基于Matlab神经网络工具箱编写了GA-BP、LVQ-BP、LVQ-GA-BP 三种组合方式发电预测系统，最后进行验证。相关数据见表1~表3。

　　通过Matlab仿真，可以得出三种模型下光伏出力的预测值以及神经网络训练收敛速度。模型一的迭代次数为853，模型二的迭代次数为1 230，模型三的迭代次数为832。由以上数据可知，由于GA优化特点使得模型一比模型二收敛速度快40%，而由于模型一和模型三都采用GA算法优化神经网络权值和阀值，使得二者的收敛速度相当，从以上分析表明，GA算法较好地提高了收敛速度。

　　从表3可以看出，模型一的MAPE、RMSE分别为23.57%、10.34%;模型二的MAPE、RMSE分别为12.53%、6.53%;模型三的MAPE、RMSE分别为 10.51%、6.24%。采用LVQ进行样本分类，使得模型三相比模型一提高了约50%的精度。模型二和模型三由于采用了LVQ训练后的样本，二者预测精度相当。以上分析，验证了天气分类的有效性。

　　综上所述，采用LVQ-GA-BP光伏预测系统与传统的预测系统相比，不但较好地提高了预测精度，还提高了训练收敛速度。

　　5 结论

　　本文提出了一种基于 LVQ-GA-BP 神经网络预测系统，该模型选取预测日光照强度、温度为输入量。通过分析光伏发电的关键因子，提出了通过 LVQ 对样本进行分类，从而提高模型在不同天气类型下的预测精度。通过 GA 算法优化 BP 神经网络权值和阀值，从而有效地弥补传统 BP 神经网络训练时间长、易陷入局部最小的缺点。结果表明：通过 LVQ 对样本进行分类，有效地提高了预测精度， MAPE 为 10.51%，RMSE 为 6.24%。通过 GA 算法对 BP 神经网络的权值和阀值的优化，使得训练的收敛速度大幅度的提高。——论文作者：罗建春 1 , 晁 勤 2 , 罗 洪 1 ，冉 鸿 1 ，杨 杰 1 , 罗 庆 2 , 阿里努尔.阿木提 2