东北电力技术
ＮＯＲＴＨＥＡＳＴＥＬＥＣＴＲＩＣＰＯＷＥＲＴＥＣＨＮＯＬＯＧＹ
陈德会１，杨海艳１，曲宏伟２
（１．大唐新疆清洁能源有限公司，新疆㊀乌鲁木齐㊀８３０００１；
２．东北电力大学能源与动力工程学院，吉林㊀吉林㊀１３２０１２）
摘要：随着光伏并网容量的增加，光伏发电功率的波动对电网调度运行的影响不容忽视，电网对光伏发电功率预测精度提出了更高要求㊂在分析了光伏发电功率波动影响因素的基础上，基于ＢＰ神经网络建立光伏发电功率预测模型㊂通过大唐吐鲁番光伏发电实测数据验证该方法，预测结果ＲＭＳＥ为３ ５４４，表明该方法可以准确预测光伏发电功率㊂
关键词：光伏发电功率；预测；神经网络；均方根误差
［中图分类号］ＴＭ６１５㊀［文献标志码］Ａ㊀［文章编号］１００４－７９１３（２０１８）０４－００４２－０３
ＲｅｓｅａｒｃｈｏｎＰｒｅｄｉｃｔｉｏｎｏｆＰｈｏｔｏ⁃ＶｏｌｔａｉｃＰｏｗｅｒＢａｓｅｄｏｎＢＰＮｅｕｒａｌＮｅｔｗｏｒｋ
ＣＨＥＮＤｅｈｕｉ１，ＹＡＮＧＨａｉｙａｎ１，ＱＵＨｏｎｇｗｅｉ２
（１．ＤａｔａｎｇＸｉｎｊｉａｎｇＣｌｅａｎＥｎｅｒｇｙＣｏ．，Ｌｔｄ．，Ｕｒｕｍｃｈｉ，Ｘｉｎｊｉａｎｇ８３０００１，Ｃｈｉｎａ；
２．ＳｈｏｏｌｏｆＥｎｅｒｇｙａｎｄＰｏｗｅｒＥｎｇｉｎｅｅｒｉｎｇ，ＮｏｒｔｈｅａｓｔＥｌｅｃｔｒｉｃＰｏｗｅｒＵｎｉｖｅｒｓｉｔｙ，Ｊｉｌｉｎ，Ｊｉｌｉｎ１３２０１２，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｗｉｔｈｔｈｅｉｎｃｒｅａｓｅｏｆｔｈｅｃａｐａｃｉｔｙｏｆｐｈｏｔｏｖｏｌｔａｉｃｃｏｎｎｅｃｔｅｄｔｏｇｒｉｄ，ｉｎｆｌｕｅｎｃｅｏｆｐｈｏｔｏｖｏｌｔａｉｃｐｏｗｅｒｆｌｕｃｔｕａｔｉｏｎｏｎｐｏｗｅｒｇｒｉｄｏｐｅｒａｔｉｏｎｃａｎｎｏｔｂｅｉｇｎｏｒｅｄ．Ｔｈｅｇｒｉｄｐｕｔｓｆｏｒｗａｒｄｈｉｇｈｅｒｒｅｑｕｉｒｅｍｅｎｔｓｏｎｔｈｅａｃｃｕｒａｃｙｏｆｐｈｏｔｏｖｏｌｔａｉｃｐｏｗｅｒｐｒｅｄｉｃｔｉｏｎ．ＢａｓｅｄｏｎｔｈｅａｎａｌｙｓｉｓｏｆｔｈｅｆａｃｔｏｒｓａｆｆｅｃｔｉｎｇｔｈｅＰＶｐｏｗｅｒｆｌｕｃｔｕａｔｉｏｎ，ｔｈｅｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｏｆｐｈｏｔｏ
ｖｏｌｔａｉｃｐｏｗｅｒｂａｓｅｄｏｎＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｉｓｅｓ⁃ｔａｂｌｉｓｈｅｄ．ＩｎｓｔｉｔｕｔｅｏｆｔｅｃｈｎｏｌｏｇｙｉｎＤａｔａｎｇＴｕｒｐａｎｐｈｏｔｏｖｏｌｔａｉｃｐｏｗｅｒｇｅｎｅｒａｔｉｏｎｄａｔａｖａｌｉｄａｔｅｔｈｉｓｍｅｔｈｏｄ．ＴｈｅｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓｏｆＲＭＳＥｉｓ３ ５４４，ｓｈｏｗｉｎｇｔｈａｔｔｈｉｓｍｅｔｈｏｄｃａｎａｃｃｕｒａｔｅｌｙｐｒｅｄｉｃｔｔｈｅＰＶｐｏｗｅｒ．
Ｋｅｙｗｏｒｄｓ：ｐｈｏｔｏｖｏｌｔａｉｃｐｏｗｅｒｇｅｎｅｒａｔｉｏｎ；ｐｒｅｄｉｃｔｉｏｎ；ｎｅｕｒａｌｎｅｔｗｏｒｋ；ｒｏｏｔｍｅａｎｓｑｕａｒｅｅｒｒｏｒ
最近几年，中国的严重雾霾导致的环境污染引发了社会的普遍高度重视［１］㊂高效利用可再生能源发电，减少煤炭能源发电，是缓解环境问题的有效措施㊂预计在２０３０年我国可再生能源的用电率达到３０％以上［２］㊂
作为技术较为成熟的可再生能源发电之一，光伏发电以相对占地面积小㊁运维成本低的优势得到迅猛发展㊂随着光伏发电并网容量的增加，光伏发电功率的波动对电网调度运行的影响不容忽视，电网对光伏发电功率预测精度提出更高的要求［３－５］㊂目前，关于光伏发电功率预测方法已经取得了一些研究进展，主要包括基于神经网络预测［６］㊁基于马尔科夫链预测［７］㊁基于支持向量机预测［８］和自回归与滑动平均模型预测［９］㊂以上方法中，神经网络的预测精度㊁收敛性较好，因此基于ＢＰ神经网络在光伏发电功率预测方面的应用有更大的研究空间㊂
文献［１０］通过前一天的光伏发电功率和两天的平均温度，可以预测出当天的光伏发电功率；文献［１１］利用光伏发电系统的前一天数据，建立了前
馈型与反馈型神经网络预测模型，能够较为准确地对光伏发电功率进行预测；文献［１２］将预测日的天气类型也加入神经网络，用作输入量，可以更为准确地预测出当日光伏发电的功率㊂
基于以上研究，本文将综合考虑天气㊁历史数据信息，建立ＢＰ神经网络预测模型，对光伏发电功率进行预测，并采用实测数据验证该方法的有效性㊂神经网络预测
１㊀光伏发电功率波动影响因素分析
由于预测日天气受前一天天气的影响，因此光伏发电功率大小受前一天功率波动影响较大㊂本文基于大唐吐鲁番０ ４ＭＷ光伏板试验数据，分析光伏发电功率波动规律㊂
２０１８年
陈德会，等：基于ＢＰ神经网络的光伏发电功率预测研究
如图１所示为大唐吐鲁番的光伏发电量实测数据，其中１日㊁１０日㊁２０日㊁２４日发电量较低，这４天的天气分别为多云㊁多云㊁雷阵雨㊁阵雨；
４日㊁１５日㊁１６日
㊁２７日㊁２８日发电量较高，这
４天的天气均为晴天㊂在不同天气下，光伏发电功率如图２所示㊂
图１㊀２０１６年６月光伏发电量
图２㊀不同天气的光伏发电功率波动
不同天气下，各时段的光伏发电功率存在较大差异，但不同时刻的光伏发电功率变化趋势大致相同，在１２：００ １８：００，光伏发电功率较高
㊂
２㊀ＢＰ神经网络的基本原理
ＢＰ神经网络算法是模拟人的大脑，通过神经
元对刺激的积累不断学习，建立机制，ＢＰ神经网络结构如图３所示㊂
图３㊀ＢＰ神经网络结构
通过输入层的每一个神经元加权将信息传递给隐含层神经元，隐含层的神经元将信息加权又送给
输出层，并通过输出层的反馈结果对各层权重加以改进㊂当该模型能够满足预测样本自校验的标准后，再采用该模型可以对其他样本结果进行预测㊂
设神经网络有ｎ个输入量，ｑ个输出量，ｐ个隐含层单元，隐含层和输出层的连接权重为ｐ个和ｑ个㊂隐含层神经元可以表示为
ｓｊ＝ðｎ
ｉ＝１ｗｊｉｘｉ－θｊ
（１）
式中：ｗｊｉ为隐含层中第ｊ个神经元与输入层第ｉ个神经元的连接权重；ｘｉ为输入层第ｉ个神经元刺激；θｊ为第ｊ个动量的阀值㊂
各层神经元输出函数采用ｌｏｇｓｉｇ函数：
ｂｊ＝
１ｑ＋ｅ－ｓｊ＝１
１＋ｅ－（ðｎ
ｉ＝
１
ｗｊｉｘｉ－θｊ）
（２）
输出层的神经元可以表示为ｓｋ＝ðｎ
ｊ＝１ｗｋｊｂｊ－θｋ
（３）
式中：ｗｋｊ为输出层第ｋ个神经元与第ｊ个隐含层神经元的连接权重；θｋ为第ｋ个动量的阀值㊂
通过输出实际结果ｙｋ和期望结果ｏｋ可以得到各神经元权重的修正量，从而对其修正，隐含层和输入层的权重修正量和阀值修正量为
Δｗｊｉ＝β㊃［ðｑ
ｋ＝１ｖｋｊ（ｏｋ－ｙｋ）ｙｋ（１－ｙｋ）］ｂｊ（１－ｂｊ）㊃ｘｉ
（４）
Δθｊ＝β㊃［ðｑ
ｋ＝１
ｖｋｊ（ｏｋ－ｙｋ）ｙｋ（１－ｙｋ）］ｂｊ（１－ｂｊ）（５）
式中：β为修正系数㊂
输出层和隐含层的权重修正量和阀值修正量可以表示为
Δｗｋｉ＝α㊃（ｏｋ－ｙｋ）ｙｋ（１－ｙｋ）ｂｊ（６）Δθｋ＝α㊃（ｏｋ－ｙｋ）ｙｋ（１－ｙｋ）
（７）
式中：α为修正系数㊂
３㊀基于ＢＰ神经网络的光伏发电功率预测模
型
㊀㊀文献［１３］将天气类型分为晴㊁多云㊁阴转晴等天气，并计算了其天气类型指数，本文将吐鲁番的天气分为晴㊁阴天和雨天三类，其天气类型指数分别为４ ４㊁２ ０和１ ０，天气类型指数可以作为ＢＰ神经网络的输入量㊂
由于预测日气温㊁光照变化与预测日之前的天
气密切相关，因此本文将预测日前两天的光伏发电功率㊁天气类型指数和预测日的天气类型指数作为ＢＰ神经网络的输入量，输出量为预测日的发电功
㊀
东北电力技术
２０１８年
率㊂
光伏发电功率数据为７：００ ２０：００，共１４个典型时段，两天的光伏发电功率输入数据为２８个，两天的天气类型指数数据为２个，预测日天气类型指数为１个，ＢＰ神经网络模型中共３１个输入量㊂输出量为预测日１４个典型时段的光伏发电功率，隐含层的神经元个数ｙ为
ｙ＝ｎ＋ｍ＋ａ（８）式中：ｎ为输入量个数，在本文中取３１；ｍ为输出量个数，在本文中取１４；ａ为１ １０的常数，本文取３㊂根据式（８），设置隐含层神经元个数为１０个㊂４㊀光伏发电功率预测方法有效性验证
采用大唐吐鲁番０ ４ＭＷ光伏板２０１６年６月１ ２９日的实测数据作为训练样本，共２７组，设置收敛精度为０ ００１，对２０１６年６月３０日的光伏发电功率进行预测，预测结果与实测数据对比如图４所示㊂
图４㊀光伏发电预测结果
从图４可以看出，采用本文方法预测的结果与实测结果较为接近㊂
采用均方根误差（ＲｏｏｔＭｅａｎＳｑｕａｒｅＥｒｒｏｒ，ＲＭＳＥ）作为光伏发电功率预测精度的评价指标，均方根误差为
ＲＭＳＥ＝１ｋðｋｉ＝１（ｘｉ－ｙｉ）２（９）式中：ｋ为样本个数；ｘｉ为第ｉ个预测功率；ｙｉ为第ｉ个实测功率㊂
本文方法的预测结果ＲＭＳＥ指标为３ ５４４㊂５㊀结束语
光伏发电功率的准确预测对调度运行和发电计划的制定有重要影响，本文基于ＢＰ神经网络研究了光伏发电功率的预测方法㊂通过分析，天气类型和光伏功率历史数据的变化对光伏发电功率波动有较大影响㊂建立了光伏发电功率预测模型，并采用大唐吐鲁番数据验证了该方法的有效性㊂
参考文献：
［１］㊀Ｄｏｍíｎｇｕｅｚ－ＧａｒｃíａＪＬ，Ｇｏｍｉｓ－ＢｅｌｌｍｕｎｔＯ，ＢｉａｎｃｈｉＦＤ，ｅｔａｌ．Ｐｏｗｅｒｏｓｃｉｌｌａｔｉｏｎｄａｍｐｉｎｇｓｕｐｐｏｒｔｅｄｂｙｗｉｎｄｐｏｗｅｒ：Ａｒｅｖｉｅｗ
［Ｊ］．Ｒｅｎｅｗａｂｌｅ＆ＳｕｓｔａｉｎａｂｌｅＥｎｅｒｇｙＲｅｖｉｅｗｓ，２０１２，１６（７）：
４９９４－５００６．
［２］㊀ＲａｖａｌＤＹ，ＭｕｎｊａｎｉＰＪ，ＭａｎｓｏｏｒｉＮＲ．ＲｅｆｅｒｅｎｃｅｂａｓｅｄＭａｘｉ⁃ｍｕｍＰｏｗｅｒＰｏｉｎｔＴｒａｃｋｉｎｇＡｌｇｏｒｉｔｈｍｆｏｒｐｈｏｔｏ－ｖｏｌｔａｉｃｐｏｗｅｒ
ｇｅｎｅｒａｔｉｏｎ［Ｃ］．ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＥｌｅｃｔｒｉｃａｌＰｏｗｅｒ
ａｎｄＥｎｅｒｇｙＳｙｓｔｅｍｓ．ＩＥＥＥ，２０１７．
［３］㊀ＲａｍａｋｒｉｓｈｎａＲ，ＳｃａｇｌｉｏｎｅＡ．ＡｃｏｍｐｒｅｓｓｉｖｅｓｅｎｓｉｎｇｆｒａｍｅｗｏｒｋｆｏｒｔｈｅａｎａｌｙｓｉｓｏｆｓｏｌａｒＰｈｏｔｏ－Ｖｏｌｔａｉｃｐｏｗｅｒ［Ｃ］．Ｓｉｇｎａｌｓ，Ｓｙｓ⁃
ｔｅｍｓａｎｄＣｏｍｐｕｔｅｒｓ，２０１６，ＡｓｉｌｏｍａｒＣｏｎｆｅｒｅｎｃｅｏｎ．ＩＥＥＥ，
２０１７：３０８－３１２．
［４］㊀ＳｈａｒｍａＤ，ＭｉｓｈｒａＳ，ＮａｎｄａＪ．Ｍｉｃｒｏ－ｇｒｉｄｏｐｅｒａｔｉｏｎａｎｄｃｏｎｔｒｏｌｏｆＰｈｏｔｏ－Ｖｏｌｔａｉｃｐｏｗｅｒｗｉｔｈｃａｎａｌｂａｓｅｄｓｍａｌｌｈｙｄｒｏｐｏｗｅｒｐｌａｎｔ
［Ｃ］．Ｒｅｇｉｏｎ１０Ｃｏｎｆｅｒｅｎｃｅ．ＩＥＥＥ，２０１７：１２８９－１２９３．［５］㊀ＰｈｉｌｉｐＪ，ＪａｉｎＣ，ＫａｎｔＫ，ｅｔａｌ．Ｃｏｎｔｒｏｌａｎｄｉｍｐｌｅｍｅｎｔａｔｉｏｎｏｆａｓｔａｎｄａｌｏｎｅｓｏｌａｒｐｈｏｔｏ－ｖｏｌｔａｉｃｈｙｂｒｉｄｓｙｓｔｅｍ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃ⁃
ｔｉｏｎｓｏｎＩｎｄｕｓｔｒｙＡｐｐｌｉｃａｔｉｏｎｓ，２０１６，５２（４）：３４７２－３４７９．［６］㊀Ａｌ－ＭｅｓｓａｂｉＮ，ＧｏｈＣ，ＬｉＹ．Ｇｒｅｙ－ＢｏｘＭｏｄｅｌｉｎｇｆｏｒＰｈｏｔｏ－ＶｏｌｔａｉｃＰｏｗｅｒＳｙｓｔｅｍｓＵｓｉｎｇＤｙｎａｍｉｃＮｅｕｒａｌ－Ｎｅｔｗｏｒｋｓ［Ｃ］．
ＧｒｅｅｎＴｅｃｈｎｏｌｏｇｉｅｓＣｏｎｆｅｒｅｎｃｅ．ＩＥＥＥ，２０１７：２６７－２７０．［７］㊀ＺｈａｎｇＨ，ＨａｎＸ，ＤｏｕＪＹ．ＡＭｅｔｈｏｄｔｏＦｏｒｅｃａｓｔＰｈｏｔｏ－ｖｏｌｔａｉｃＰｏｗｅｒＯｕｔｐｕｔｓＢａｓｅｄｏｎＭａｒｋｏｖＣｈａｉｎ［Ｃ］．ＩｎｔｅｒｎａｔｉｏｎａｌＰｏｗ⁃
ｅｒ，ＥｌｅｃｔｒｏｎｉｃｓａｎｄＭａｔｅｒｉａｌｓＥｎｇｉｎｅｅｒｉｎｇＣｏｎｆｅｒｅｎｃｅ．２０１５．［８］㊀ＨａｎＳＪ，ＢａｅＫＹ，ＰａｒｋＨＳ，ｅｔａｌ．ＳｏｌａｒＰｏｗｅｒＰｒｅｄｉｃｔｉｏｎＢａｓｅｄｏｎＳａｔｅｌｌｉｔｅＩｍａｇｅｓａｎｄＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ［Ｊ］．
ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＳｕｓｔａｉｎａｂｌｅＥｎｅｒｇｙ，２０１６，７（３）：１２５５
－１２６３．
［９］㊀ＧｌａｓｂｅｙＣＡ，ＡｌｌｃｒｏｆｔＤＪ．Ａｓｐａｔｉｏｔｅｍｐｏｒａｌａｕｔｏ－ｒｅｇｒｅｓｓｉｖｅｍｏｖ⁃ｉｎｇａｖｅｒａｇｅｍｏｄｅｌｆｏｒｓｏｌａｒｒａｄｉａｔｉｏｎ［Ｊ］．ＪｏｕｒｎａｌｏｆｔｈｅＲｏｙａｌ
ＳｔａｔｉｓｔｉｃａｌＳｏｃｉｅｔｙ，２０１０，５７（３）：３４３－３５５．
［１０］㊀张㊀岚，张艳霞，郭嫦敏，等．基于神经网络的光伏系统发电功率预测［Ｊ］．中国电力，２０１０，４３（９）：７５－７８．［１１］㊀张艳霞，赵㊀杰．基于反馈型神经网络的光伏系统发电功率预测［Ｊ］．电力系统保护与控制，２０１１，３９（１５）：９６－
１０１．
［１２］㊀陈昌松，段善旭，殷进军．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（９）：１５３－
１５８．
［１３］㊀袁晓玲，施俊华，徐杰彦．计及天气类型指数的光伏发电短期出力预测［Ｊ］．中国电机工程学报，２０１３，３３（３４）：５７
－６４．
作者简介：
陈德会（１９７１），男，工程师，研究方向为电力电子与电力传动㊂
（收稿日期㊀２０１７－１１－２０）
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议