“基于灰色关联度的改进BP神经网络算法”，带你领略光伏功率预测精准之风

Posted 2021-04-24 新能源门

点击“新能源门”免费关注

每天多了解一些行业内知识    

  

12月6日，继续我们的“新能源功率预测技术探索”之旅，本次要和大家分享的是来自光伏发电功率预测领域的算法技术。在新能源门与能见共同举办的第二期“新能源功率预测技术沙龙——走进高校”活动上，来自北京东润环能科技股份有限公司的高级算法工程师王彦文，为我们奉上 “基于灰色关联度的改进BP神经网络算法”的技术分享盛宴。

一、光伏功率预测背景及原理

随着时代的变迁，人类对环境保护的认识不断加强，可再生的清洁能源近些年来备受关注，特别是光伏发电，它作为一种非常有发展潜力的新能源更是得到了跨越式发展。但在光伏发电产业高速发展的同时，同样面临着很多挑战，光伏发电功率预测就是其中之一。

由于太阳能发电输出功率受太阳光照强度、环境温度等多种因素影响，光伏发电出力具有很强的波动性和间歇性。所以，光伏发电功率预测对提高光伏发电并网系统调度质量有着非常重要意义。

众所周知，光伏发电是利用半导体界面的光生伏特效应，将光能直接转变为电能的一种技术。如下图，光伏电板接收到光照后，正电荷向P型半导体移动，电子往N型半导体流出，即形成了电子流，从而产生了电能。

图1：光伏发电原理

目前，行业主流的光伏功率预测方法是：基于历史气象及同期光伏发电功率数据，采用统计学方法进行分析建模，再输入数值模式的气象预报进行的功率预测。影响功率预测的关键因素包括数据质量、算法模型、气象预报及运维服务等。

二、GRA-改进BP神经网络算法介绍

光伏发电的输出功率主要受到太阳辐照强度及大气温度的影响。通常情况下，太阳辐照度越大，光伏发电功率也就越大，辐照度是决定光伏组件出力的最直接气象因素，其随机性和周期性变化使得光伏发电功率呈现出明显的间歇性和波动性。为了进一步保障光伏发电的稳定性， 提升光伏发电并网系统调度质量，减少光伏发电系统接入对电网的不利影响，开展光伏功率预测成为必然。为了进一步提升光伏功率预测的准确度，东润环能提出了一种基于“灰色关联度分析 (gray relational analysis，GRA) ”和BP神经网络结合的算法——“基于灰色关联度的改进BP神经网络算法”，对光伏发电功率进行有效预测。

 “灰色关联度分析 (gray relational analysis，GRA)就是灰色系统理论中的一种主要用于判断系统变化过程中各影响因子之间的关联程度，并根据关联程度的大小来确定各因子影响的分析方法。相较于传统分析方法，GRA建立的模型属于非函数形式的序列模型，具有计算方便易行、对养病数量多寡要求低及不要求序列数据必须符合正态分布等优势。GRA-相似日算法步骤如下：

图2：GRA-相似日算法

使用 GRA 方法时，由于各因素的物理意义有所不同，各因素的数据量纲也不尽相同，直接使用数据进行计算对分析各因素的影响程度不利且有可能导致分析结果出现偏差。为保证 GRA 的准确性和有效性，需要对各数据序列进行归一化处理。在此基础上再基于辐照、温度、风速和湿度计算灰色关联系数，其中“ξ”为分辨系数，取值范围为0-1，这里取0.5。计算灰色关系度亦需要基于辐照、温度、风速和湿度等，其结果取值范围为0-1，越接近 1，比较序列与参考序列之间的变化趋势越相似。最后选取与预测日关联度高的相似日进行加权平均，即作为预测的训练样本。以上即是一个利用GRA分析法计算相似日的过程，我们的最终目的是要基于相似日进行光伏功率的预测，所以还需要引入预测模型——BP神经网络算法。

图3：BP神经网络算法

 

如上图所示，通过GRA选择训练样本，使样本更全面地反映预测日的天气属性；利用输出功率的历史值、历史及预测日气象信息，即可对输出功率进行直接预测。但传统BP神经网络算法易陷入局部极小点、收敛速度慢等缺陷，此时我们即可以利用“Leven berg-Marquardt（列文伯格-马夸尔特）学习算法”对其进行改进。

如下图所示，通过“Leven berg-Marquardt学习算法”改进的BP神经网络模型结构由由输入层、中间层和输出层所组成，输入层输入变量是：相似日输出功率序列、相似日气象信息以及预测日气象信息等，输出层输出的即是预测日功率序列。

图4：优化的BP神经网络算法

 “Levenberg-Marquardt学习算法”是最优化算法中的一种，是使用最广泛的非线性最小二乘算法，它利用梯度求最大（小）值。对传统BP学习算法进行改进，提高了收敛速度，并可减小陷入局部极小点的概率。

GRA-改进BP预测模型的流程如下：

图5：优化的BP神经网络算法

首先按照季节对天气进行分类，把具有相同天气类型的样本进行模糊识别，进行灰色关联度分析。然后，从经过数据挖掘之后的新的历史样本中选出10天与预测日同季节的关联度最高的样本数据，包括历史发电功率、地表太阳辐射量、温度、风速和湿度；最后，将样本日的辐照度、温度和输出功率以及预测日辐照度和温度数据作为模型的输入变量。输出变量为预测日的光伏阵列发电功率。

三、GRA-改进BP神经网络算法的预测结果与分析

下面我们以宁夏地区的两个光伏电站，电站A和电站B为例，应用不同的功率预测算法对其进行预测，预测结果如下：

表1：BP及GRA-改进BP神经网络算法预测结果

根据结果可知，利用GRA-改进BP神经网络算法的预测结果较好，测试的四个月的月均准确率均大于85%。并且三个月的准确率大于90%。与单独的BP算法相比，预测准确率有较大提升。电站A的月均预测准确率平均提升了15%，电站B平均提升了4%。

图6：2014年10月电站B采用GRA-改进BP神经网络算法预测结果日均准确率

为进一步论证“GRA-改进BP神经网络算法”的预测精度，我们以B电站2014年10月利用“GRA-改进BP神经网络算法”预测的每日预测功率为例，可以看出，在10月的31天中有27天的准确率高于85%，其中20天的准确率高于90%。

经过论证，“GRA-改进BP神经网络算法”在全国多个地区的光伏项目均很适用，相比传统的“BP神经网络算法模型”，其精度平均提升3%~5%，个别项目提升10%，其稳定性更是无人能及。

编辑：新能源门-王雅明

精彩内容回顾

END

重点推荐

 投光伏，用魔方

分布式价值投资的发现者！