首页 > 论文范文 > 工程工业论文 > 电力工业论文 > 电能论文 > 基于ACO-BP神经网络的光伏发电短期功率预测研究

基于ACO-BP神经网络的光伏发电短期功率预测研究

2024-09-20 57 上传者：管理员

摘要：光伏发电存在着波动性和不确定性，对光伏发电系统的功率预测是提高光伏发电的利用率和经济效益的重要举措。通过构建蚁群算法（ACO）优化后的BP神经网络预测模型进行短期光伏功率预测研究，引入灰色关联度分析，确定影响光伏发电的主要因素，提高模型的预测准确性。该模型综合了ACO的寻优能力和BP神经网络的自学习、自适应能力。将训练好的模型用于光伏发电短期功率预测研究，对比仿真结果得出ACO-BP神经网络模型在晴天时的预测误差为8.60%，多云时的预测误差为12.53%，雨天时的预测误差为26.27%，其预测精度均优于原BP神经网络模型。

关键词：
BP神经网络
光伏发电
参数优化
短期功率预测
蚁群算法
加入收藏

光伏发电是新能源发电的主要方式之一，到2030年，我国光伏发电装机容量需要达到9～10亿千瓦；到2060年，则要达到30～35亿千瓦[1]。但是光伏发电的利用存在着波动性和间接性等问题。

目前，研究光伏发电功率预测主要有直接法和间接法，直接法包括马尔科夫链预测、神经网络算法等[2]。间接法指根据光伏电站地理位置、光伏组件等信息来建立模型进行预测[3]。齐琦等人[4]提出了一种BP神经网络算法预测模型；孙成胜等人[5]提出了一种改进的灰色BP神经网络预测模型；付宗见等人[6]提出了一种遗传算法优化的BP神经网络预测模型。上述文献提出的预测模型，都取得了一定成果，但也存在着一些缺陷，例如训练集的选择比较粗糙，模型精度不高，在不同天气下鲁棒性不好等问题。

文中提出一种蚁群算法优化的BP神经网络模型，通过引入灰色关联度分析进行光伏预测研究。

1、光伏系统

1.1光伏发电系统的等效模型

光伏发电系统是由多个光伏电池串并联构成的[7]，其等效电路如图1所示。

图1光伏发电系统等效电路

根据图1的等效电路模型可以得出输出电流与光伏电压的关系式为：

式中，I为输出电流；Iph为光组件产生的电流；Id为二极管反向电流；q为电子荷数；U为光伏发电系统输出电压；R为串联总电阻；A为极管的品质因数；K为玻尔兹曼常数[8];T为温度；Rsh为并联总电阻。理想状态下，R可以近似为0,Rsh为无穷大，此时式（1）可等效为：

1.2光伏发电灰色关联度分析

灰色关联度是通过分析事物之间相互作用程度大小来确定影响事物本质因素的一种研究方法[9]。主要步骤如下：

1）对数据进行归一化处理。不同数据有不同的量纲和数量级，为了使计算结果准确需要对不同数据进行归一化处理[10]。

2）计算关联系数。计算影响光伏发电因素的各样本数据差值的绝对值X，找到各样本数据中的最大值Max和最小值Min，再计算各样本的关联系数ρ，其计算式为：

式中，ρ用来减少数据中因为最大值Max带来的计算误差。

3）求解关联度。计算各样本数据关联系数的平均值，可以更好反映不同因素对光伏发电的影响程度。

4）关联度排列。对各样本相关联度数据进行排列分析知，计算结果大于0，相关联度较高；小于0，相关联度较低。

通过对光伏发电不同影响因素的关联度进行计算，得出表1结果。其中总辐射强度的关联度值最大，大气压的关联度值小于0，温度、风速、湿度等因素的关联度值均大于0。因此选择关联度值大于0的影响因素来进行光伏发电功率预测研究，可以提高模型预测精度。

表1不同影响因素关联度值

2、BP神经网络

BP(Back Propagation）神经网络是一种结构简单、泛化能力强，具有非线性映射能力且按误差反向传播的前馈神经网络[11]。它主要由输入层、隐含层和输出层构成，其拓扑结构如图2所示。

图2 BP神经网络拓扑结构

3、蚁群算法基本原理

蚁群算法（ACO)[12]是一种模拟蚂蚁寻找最优路径到达食物源的全局搜索算法，最初运用于旅行商问题（TSP）求解。其基本思路是蚂蚁在寻找食物过程中会释放一种信息素，经过一段时间，某条路径上的信息素浓度会越来越高，通过信息素的正反馈调节机制作用[13]，来加快蚂蚁寻找最优路径的速度，此时蚂蚁会集中在某一条信息素浓度最高的路径寻找食物，此路径为最优路径，记为最优解。蚁群算法的基本流程图如图3所示。

图3蚁群算法的基本流程图

4、基于ACO的BP神经网络优化

4.1基本原理

优化BP神经网络模型是通过蚁群算法来进行寻优，得到BP神经网络最优的权值和阈值[14]，来对BP神经网络不断修正减小误差；最后输入训练集数据进行训练，将训练好的BP神经网络模型用来进行光伏发电系统短期功率预测研究。

蚁群算法优化BP神经网络预测模型的具体步骤如下：

Step1：参数初始化。把所有的权值和阈值分为s等份，蚁群初始信息素为0，信息素浓度为Q，信息素残余系数为λ，最大迭代次数为C，全局误差为E,最大学习次数为N。

Step2：选择权阈值。蚁群n只蚂蚁中的第k只蚂蚁的转移概率公式如下，由此来构造全局最优解。

式中，τj(Lip)为集合Lip中第j个元素的信息素值。

Step3：最优解判断。如果蚁群经过迭代求出的最优解误差满足条件，则进行Step4，否则进行Step5。

Step4：进行优化后的神经网络模型训练。将蚁群算法求出的最优解作为BP神经网络的初始权阈值，将收集的光伏发电数据带入神经网络进行训练，直到训练模型满足最小误差限，停止训练。

Step5：信息素更新。对上述过程进行全局信息素更新，相应的信息素更新公式为：

式中，Q为信息素初始固定值，ek为第k只蚂蚁对应的神经网络训练输出误差。

Step6：将训练好的BP神经网络模型导入光伏测试数据集进行功率预测分析。

蚁群算法优化后的BP神经网络预测模型流程图如图4所示。

图4蚁群算法优化BP神经网络的预测模型流程图

4.2输入层与输出层数据选取

在该预测模型中输入变量为环境温度、光照强度、环境湿度、风速，所以输入层节点数为4。输出变量为光伏发电系统的输出功率，所以输出层节点个数为1。提出的光伏发电功率预测的BP神经网络预测模型如图5所示。

图5光伏发电功率预测的BP神经网络预测模型

4.3隐含层层数与节点个数的确定

适当的增加隐含层层数可以降低BP神经网络的训练误差，但是过多的隐含层数可能会产生“过拟合”现象[15]，降低模型的预测精度。选取一个隐含层来构建BP神经网络预测模型。

采用经验公式来确定BP神经网络的隐含层节点个数，如式（9）所示：

式中，N为隐含层节点个数，m为输入层节点个数，n为输出层节点个数，a是[0,10]内的常数。

为了提高优化后BP神经网络预测模型的准确性，选取了20个样本日数据进行测试实验，经Matlab仿真得出在误差允许的范围内，最佳隐含层节点个数为9。

4.4数据归一化处理

归一化处理又称为离差标准化，可以降低梯度下降加快求解最优解的速度[16]，因此在构建优化后的BP神经网络前，需要对训练数据集与测试数据集进行归一化处理，来提高模型的预测准确性。将sigmoid函数作为隐含层与输出层的激活函数，把所有特征量值映射到[-1,1]之间，防止神经元的过饱和现象。归一化公式如（10）所示：

式中，xn、xmax、xmin分别为原始输入数据、原始输入数据中的最大值、最小值；yn、ymax、ymin分别为原始输出数据、原始输出数据中的最大值、最小值。

5、仿真预测结果分析

5.1仿真样本的选取

文中选取我国西北地区太阳山光伏电站数据作为蚁群算法优化后的BP神经网络预测模型的数据集。收集了该光伏发电站8月份连续20天的发电数据，采样频率为15 min，将这些数据进行整理作为训练样本数据，选取其中的三种代表性天气数据作为测试样本数据，用来进行光伏发电短期功率预测分析。其中将连续20天中的1 140×4个数据作为输入层训练样本数据集，将1 140×1个数据作为输出层训练样本数据集；再将三种代表性天气的57×4个数据作为输入层测试样本数据集，将57×1个数据作为输出层测试样本数据集。

5.2模型仿真参数的设置

ACO优化后的BP神经网络模型中的主要参数包括最大训练次数、学习速率、训练目标精度、蚁群初始种群规模、最大进化代数、信息素挥发系数等。在该文预测模型中设置参数如下：最大训练次数500次、学习速率0.01、训练目标精度0.000 01、蚁群初始种群规模20、最大进化代数50、信息素挥发系数0.8。

5.3仿真结果分析

为了验证经ACO优化后的BP神经网络预测模型的准确性，从8月份中选取具有代表性的晴天（8月7日）、多云（8月9日）和雨天（8月15日）三种天气类型，分别用传统BP神经网络模型和优化后的BP神经网络模型对比预测研究。图6(a)、(b)、(c)分别是晴天、多云、雨天的预测结果。

图6 BP神经网络优化结果对比

由图6可知，ACO-BP神经网络预测模型在晴天时的预测结果优于多云和雨天。因为光伏发电受天气影响较大，晴天时光照均匀，预测偏差较小；而多云和雨天时光照强度不确定，导致预测结果偏差较大，但ACO-BP神经网络模型的预测结果优于传统BP神经网络。综合分析，蚁群算法优化后的BP神经网络模型在光伏发电短期功率预测研究中更加准确。

5.4模型评估

为了更好地评估优化后BP神经网络的预测性能，采用均方根误差(NRMSE)和平均绝对百分比误差(NMAPE)进行定量分析，如式（11）、（12）。

式中，n为总样本个数，Pi为实际功率值，Pi′为预测功率值。两种不同模型的预测误差如表2所示。

表2两种不同模型的预测误差

通过表2误差结果分析知，ACO-BP预测模型的NRMSE和NMAPE值均优于传统BP神经网络模型。晴天时，ACO-BP神经网络模型的NRMSE比传统BP神经网络模型减少了1.18,NMAPE减少了3.37%；多云时，ACO-BP神经网络模型的NRMSE比传统BP神经网络模型减少了2.32,NMAPE减少了3.89%；雨天时，ACO-BP神经网络模型的NRMSE比传统BP神经网络模型减少了2.96,NMAPE减少了5.38%。

由此表明，经过蚁群算法优化后的BP神经网络预测模型具有更好的预测精度且收敛性更好。

6、结束语

文中提出了一种基于蚁群算法优化的BP神经网络预测模型，将蚁群的全局搜索能力和正反馈调节机制运用到BP神经网络的优化中，用优化后的BP神经网络模型进行短期光伏发电功率预测研究。通过与传统的BP神经网络模型比较分析知，晴天时，ACO-BP预测模型的NRMSE和NMAPE相比于传统BP神经网络预测模型分别减少了46.46%和39.19%。因此，经过蚁群算法优化后的BP神经网络预测模型具有更高的预测精度，在光伏发电短期功率预测中有很大的实用性。实现了配电网对光伏发电的平稳调度，提高了光伏发电的利用率和经济效益。

参考文献:

[1]刘思敏.从碳达峰碳中和谈光伏发电[J].农村电工,2021,29(11):10-11.

[2]孙大伟,田蓓,刘刚,等.考虑分布式光伏发电特性的CHPV组合优化调度[J].电力系统及其自动化学报,2023,35(3):102-107.

[3]吴硕.光伏发电系统功率预测方法研究综述[J].热能动力工程,2021,36(8):1-7.

[4]齐琦,陈芳芳,赵辉,等.基于优化BP神经网络光伏出力短期预测研究[J].计算机测量与控制,2021,29(4):70-75.

[5]孙成胜,张红民,王艳,等.一种改进的灰色BP神经网络光伏出力预测方法[J].重庆理工大学学报(自然科学),2020,34(2):217-221.

[6]付宗见,梁明亮,王艳萍.基于遗传算法优化BP神经网络的光伏阵列短期功率预测[J].电子器件,2020,43(3):516-521.

[7]高冰,周文博,王正平.配电网多太阳能光伏系统分布式协调控制策略[J].电力电容器与无功补偿,2022,43(2):154-163.

[8]周媛媛.光伏发电系统中最大功率点跟踪控制算法研究[D].西安:西安理工大学,2021.

文章来源:钟安德,吴自玉,谢宗效,等.基于ACO-BP神经网络的光伏发电短期功率预测研究[J].电子设计工程,2024,32(18):82-86.