“基于灰色關聯度的改進BP神經網絡算法”，帶你領略光伏功率預測精準之風

12月6日，繼續我們的“新能源功率預測技術探索”之旅，本次要和大家分享的是來自光伏發電功率預測領域的算法技術。在新能源門與能見共同舉辦的第二期“新能源功率預測技術沙龍——走進高校”活動上，來自北京東潤環能科技股份有限公司的高級算法工程師王彥文，爲我們奉上 “基于灰色關聯度的改進BP神經網絡算法”的技術分享盛宴。

一、光伏功率預測背景及原理

随着時代的變遷，人類對環境保護的認識不斷加強，可再生的清潔能源近些年來備受關注，特别是光伏發電，它作爲一種非常有發展潛力的新能源更是得到了跨越式發展。但在光伏發電産業高速發展的同時，同樣面臨着很多挑戰，光伏發電功率預測就是其中之一。

由于太陽能發電輸出功率受太陽光照強度、環境溫度等多種因素影響，光伏發電出力具有很強的波動性和間歇性。所以，光伏發電功率預測對提高光伏發電并網系統調度質量有着非常重要意義。

衆所周知，光伏發電是利用半導體界面的光生伏特效應，将光能直接轉變爲電能的一種技術。如下圖，光伏電闆接收到光照後，正電荷向P型半導體移動，電子往N型半導體流出，即形成了電子流，從而産生了電能。

圖1：光伏發電原理

目前，行業主流的光伏功率預測方法是：基于曆史氣象及同期光伏發電功率數據，采用統計學方法進行分析建模，再輸入數值模式的氣象預報進行的功率預測。影響功率預測的關鍵因素包括數據質量、算法模型、氣象預報及運維服務等。

二、GRA-改進BP神經網絡算法介紹

光伏發電的輸出功率主要受到太陽輻照強度及大氣溫度的影響。通常情況下，太陽輻照度越大，光伏發電功率也就越大，輻照度是決定光伏組件出力的最直接氣象因素，其随機性和周期性變化使得光伏發電功率呈現出明顯的間歇性和波動性。爲了進一步保障光伏發電的穩定性， 提升光伏發電并網系統調度質量，減少光伏發電系統接入對電網的不利影響，開展光伏功率預測成爲必然。爲了進一步提升光伏功率預測的準确度，東潤環能提出了一種基于“灰色關聯度分析 (gray relational analysis，GRA) ”和BP神經網絡結合的算法——“基于灰色關聯度的改進BP神經網絡算法”，對光伏發電功率進行有效預測。

 “灰色關聯度分析 (gray relational analysis，GRA)就是灰色系統理論中的一種主要用于判斷系統變化過程中各影響因子之間的關聯程度，并根據關聯程度的大小來确定各因子影響的分析方法。相較于傳統分析方法，GRA建立的模型屬于非函數形式的序列模型，具有計算方便易行、對養病數量多寡要求低及不要求序列數據必須符合正态分布等優勢。GRA-相似日算法步驟如下：

圖2：GRA-相似日算法

使用 GRA 方法時，由于各因素的物理意義有所不同，各因素的數據量綱也不盡相同，直接使用數據進行計算對分析各因素的影響程度不利且有可能導緻分析結果出現偏差。爲保證 GRA 的準确性和有效性，需要對各數據序列進行歸一化處理。在此基礎上再基于輻照、溫度、風速和濕度計算灰色關聯系數，其中“ξ”爲分辨系數，取值範圍爲0-1，這裏取0.5。計算灰色關系度亦需要基于輻照、溫度、風速和濕度等，其結果取值範圍爲0-1，越接近 1，比較序列與參考序列之間的變化趨勢越相似。最後選取與預測日關聯度高的相似日進行加權平均，即作爲預測的訓練樣本。以上即是一個利用GRA分析法計算相似日的過程，我們的最終目的是要基于相似日進行光伏功率的預測，所以還需要引入預測模型——BP神經網絡算法。

圖3：BP神經網絡算法

如上圖所示，通過GRA選擇訓練樣本，使樣本更全面地反映預測日的天氣屬性；利用輸出功率的曆史值、曆史及預測日氣象信息，即可對輸出功率進行直接預測。但傳統BP神經網絡算法易陷入局部極小點、收斂速度慢等缺陷，此時我們即可以利用“Leven berg-Marquardt（列文伯格-馬誇爾特）學習算法”對其進行改進。

如下圖所示，通過“Leven berg-Marquardt學習算法”改進的BP神經網絡模型結構由由輸入層、中間層和輸出層所組成，輸入層輸入變量是：相似日輸出功率序列、相似日氣象信息以及預測日氣象信息等，輸出層輸出的即是預測日功率序列。

圖4：優化的BP神經網絡算法

 “Levenberg-Marquardt學習算法”是最優化算法中的一種，是使用最廣泛的非線性最小二乘算法，它利用梯度求最大（小）值。對傳統BP學習算法進行改進，提高了收斂速度，并可減小陷入局部極小點的概率。

GRA-改進BP預測模型的流程如下：

圖5：優化的BP神經網絡算法

首先按照季節對天氣進行分類，把具有相同天氣類型的樣本進行模糊識别，進行灰色關聯度分析。然後，從經過數據挖掘之後的新的曆史樣本中選出10天與預測日同季節的關聯度最高的樣本數據，包括曆史發電功率、地表太陽輻射量、溫度、風速和濕度；最後，将樣本日的輻照度、溫度和輸出功率以及預測日輻照度和溫度數據作爲模型的輸入變量。輸出變量爲預測日的光伏陣列發電功率。

三、GRA-改進BP神經網絡算法的預測結果與分析

下面我們以甯夏地區的兩個光伏電站，電站A和電站B爲例，應用不同的功率預測算法對其進行預測，預測結果如下：

表1：BP及GRA-改進BP神經網絡算法預測結果

根據結果可知，利用GRA-改進BP神經網絡算法的預測結果較好，測試的四個月的月均準确率均大于85%。并且三個月的準确率大于90%。與單獨的BP算法相比，預測準确率有較大提升。電站A的月均預測準确率平均提升了15%，電站B平均提升了4%。

圖6：2014年10月電站B采用GRA-改進BP神經網絡算法預測結果日均準确率

爲進一步論證“GRA-改進BP神經網絡算法”的預測精度，我們以B電站2014年10月利用“GRA-改進BP神經網絡算法”預測的每日預測功率爲例，可以看出，在10月的31天中有27天的準确率高于85%，其中20天的準确率高于90%。

經過論證，“GRA-改進BP神經網絡算法”在全國多個地區的光伏項目均很适用，相比傳統的“BP神經網絡算法模型”，其精度平均提升3%~5%，個别項目提升10%，其穩定性更是無人能及。