基于模糊神经网络的光伏发电系统发电量的预测

[摘 要] 光伏系统的输出电量由于受太阳日照量、气候、光伏组件材料等多种因素影响而是一个非线性的变化量，因此对其输出电量的准确预测可以提高光伏系统并网后电网的稳定性及安全性。

在模拟实验中，将模拟数据按春、夏、冬三季进行划分从而确定了规则层的节点数为三，进而推导出模糊化层和去模糊化层的节点数，在训练过程中通过梯度下降法来更新模糊神经网络各层的参数，得到一个符合要求的预测网络。

将用于测试的数据输入到训练好的神经网络中，用来验证该方法的有效性。

下载论文网 关键词] 光伏系统；发电量预测；模糊神经网络 　　doi ： 10 . 3969 / j . issn . 1673 — 0194 . 2017. 13. 077 　　[中图分类号] TM615 [文献标识码] A [文章编号] 1673 — 0194（2017）13— 0180— 04 　　0 引 言 　　目前光伏发电量预测的方法主要有神经网络法、灰色预测法、多元线性分析法这三种方法，通过对这三种预测模型进行比较，发现多元线性回归和灰色理论虽然方法较为简单，但是预测误差也较大，而神经网络法预测则可以比较准确但是预测过程较为繁杂。

在基于神经网络的预测中，多是以传统的BP神经网络为基础模型，在此基础上采用一些新的方法对BP网络加以改进。

例如在BP网络的学习过程中采用Fletcher—Reeves共轭梯度算法，可以提高学习率，部分地简化了预测过程，但输入量过多，且预测的局限性较大。

在对比了众多方法的优缺点之后，发现BP神经网络普遍存在中间隐层数难以确定、输入数据量过多，且学习时间过长等劣势。

因此本文提出了一种基于模糊神经网络的预测模型，所选取的输入量是和当天的发电量相关程度比较大的当天的平均气温以及当天的总日照量，模糊神经网络的结构是由大量的先验知识而设计出来的。

在不影响预测精度的情况下，为了降低整个网络的复杂程度，对整个网络的模糊化层中的隶属度函数及去模糊化层的输出函数都做了适当的变化，解决了传统神经网络收敛速度慢的问题，从而使整个神经网络结构简洁，训练速度较快，且预测精度较高。

1 模糊神经网络 　　模糊神经网络是在神经网络和模糊系统的基础上发展起来的，在模糊神经网络出现之前，神经网络与模糊系统都已有了多年的研究历史，都有着较完备的理论基础。

模糊神经网络是一种将模糊逻辑推理的知识性结构和神经网络的自学习能力结合起来的一种局部逼近网络，融合弥补了神经网络在数据处理方面的不足和模糊逻辑在学习方面的缺陷，是一个集语言计算、逻辑推理、分布式处理和非线性动力学过程为一身的系统。

因此，它具有处理不确定信息的模糊推理能力和依据样本数据进行学习的能力。

模糊神经网络主要利用神经网络结构来实现模糊推理，从而使神经网络的权值具有在模糊逻辑中推理参数的物理意义。

常见的模糊神经网络有基于Mamdani推理的和基于Takgai—Sugeno推理的这两种模糊神经网络。

基于Mamdani推理的模糊神经网络多用于模糊逻辑控制器、模糊逻辑决策系统、模糊逻辑辨识系统等方面；基于Takgai—Sugeno推理的模糊神经网络则是一种非线性模型，宜于表达复杂系统的动态特性。

光伏系统的发电量由于受日照量、温度、湿度、材料转换率等多方面因素的影响，因此，光伏系统的输出是一个不稳定的非线性变化的动态工程，所以本文所采用的就是基于Takgai—Sugeno推理的模糊神经网络（简称TS模糊神经网络）。

2 TS模糊神经网络 　　2.1 TS模糊逻辑 　　在TS模糊逻辑系统中，模糊规则有着如下的特殊形式： 　　R（1）：if x1 is F1l，…，if xnis Fnl then 　　y l=P0l+P1lx1+…+Pnlxn 　　3 预测模型的建立 　　3.1 输入量的确定 　　光伏电池之所以能发电，是由于当阳光照射到半导体材料的太阳能电池板上时，光能被吸收在太阳能电池内，并且产生电子（—）和空穴（+），而负价的电子多向n型聚集，正价的空穴多向p型聚集，因此，将太阳能电池的正面和背面接上电极与灯泡等负荷连接，就能产生?流。

因此，日照量是影响光伏发电发电量的重要因素之一，所以日照量应作为输入量之一。

此外光伏发电的发电量还受温度、湿度、安装角度、材料转换率等众多因素的影响，在这众多因素中，温度对光伏发电量的影响是较大的，因此将温度作为另一个输入量输入到预测模型中。

本文的输入量为日照量与温度组成的一个2×1的列向量，因为本文所预测的是晴天一整日的发电量（单位kW?h/日），因此，日照量取一整日的日照量（单位kW?h/日），温度取一整日的平均温度（单位℃）。

若输入向量用x表示，一整天的日照量用h表示，温度用t表示，则输入量可表示为下面的形式： 　　x=[h，t]T 　　3.2 TS型模糊神经网络结构与初始参数的确定 　　本文是针对全年晴天的当天发电量做出预测的，所以按季节划分将全年的数据划分成了春、夏、冬，由于秋天的日照量与温度和春天的接近，所以在本文中并没有单独列出秋季，而是只按春、夏、冬三季的数据来建模预测。

由已有的先验知识，可将数据按照春、夏、冬三季进行划分，所以模糊神经网络的规则层的隐层节点数也就为三，由于规则层已经确定，故可以知道模糊化层与去模糊化层的隐层节点数均为三个，因此可知本文的模糊神经网络的预测模型结构如图2所示。

3.3 TS型模糊神经网络学习算法 　　设有输入、输出样本为{（xl，dl），l=1，2，…，L}，在这里L表示训练样本的数量，为输入向量，在本文中表示由当天日照量与当天平均温度组成的一个2×1的列向量。

将网络误差E设为： 　　E=■（yl—dl）2—||y—d|22 　　其中，y=[y1，y2，…，yL]T，表示神经网络的实际输出；d=[d1，d2，…dL]T，表示神经网络的期望输出；||.|2表示向量的2范数。

本文中，在不影响结果的前提下，为了降低神经网络学习算法的复杂度，故将隶属度函数变为： 　　ωij=exp—■（bij（xil—cij））2 　　将神经网络的输出函数变为： 　　yl =■ωij=（p0j+p1jx1l+…+pnjxnl） 　　因为本文是在MATLAB中进行编程预测，所以将各种数据都表示成矩阵的形式，通过对矩阵的处理，使模糊神经网络的理解难度和操作难度都大大降低，因此，规定X=[x1，x2，…，xL]表示输入样本组成的n×L维矩阵；Ω=[ω1，ω2，…，ωL]表示输入样本X的隶属度函数值ωl j所组成的m×L维矩阵；P=[p0，p1，…，pn]表示线性系数pi j所组成的m×（n+1）维矩阵；C=[c1，c2，…，cm]表示中心ci j所组成的n×m维矩阵；B=[b1，b2，…，bm]表示中心宽度bi j所组成的n×m维矩阵。

在训练神经网络时，首先计算隶属度函数值ωl j所组成的矩阵Ω=[ω1，ω2，…，ωL]，在此基础上计算神经网络的输出y及相应的误差E；然后计算误差E对系数矩阵P，B，C的偏导数，根据梯度下降法更新P，B，C；最后利用P，B，C来更新Ω，E等参数。

如果未达到退出条件，则继续迭代，达到了，则退出整个迭代过程，最终，就可以完成整个模糊神经网络的训练。

在MATLAB中矩阵P和B的初始值可以由normrnd函数随机生成，而矩阵C则可以由kmeans函数得到相应的初始聚类中心，通过训练数据的学习过程，得到一个符合要求的模糊神经网络。

4 预测模型的训练与结果分析 　　为了使模糊神经网络的训练有较高的精度，需要大量的数据对模型进行评估训练，本次模拟采用了120组数据进行预测，其中90组作为训练样本，30组作为测试样本，所用的数据均是随机模拟5kW光伏逆变器日发电量数据， 在训练过程中，共取了90组数据来训练，因此L=90；而规则数共有3条，因此这里m=3；而输入的是有温度与日照量组成的两行一列的列向量，因此n=2；为了使训练结果更加精确化，这里?O置的最大迭代步数为1 000，迭代步长为0.001，图3是训练预测结果与实际结果的折线图。

在图中，实线表示预测输出，用“+”表示实际输出，而用虚线表示实际输出与预测输出之间的差值，从图中可以明显看出训练好的模糊神经网络符合要求。

随后，再将用于测试的数据带入已训练好的模糊神经网络中，结果如图4所示。

图4是用于测试的数据的实际输出与预测输出的比较，“+”表示实际输出，实线表示预测输出，虚线表示实际输出与预测输出的差值。

从预测的结果来看，相较于传统的预测方法来说，本文所提出的模糊神经网络的预测方法，不论是在预测精度上还是在训练收敛速度上，都有一定程度的提高，虽说本文的原始数据并非实测数据，但是本文所用的数据皆是参考了大量资料之后拟合出的数据，所以有实际参考价值。

5 结 语 　　为了提高光伏并网系统的稳定性与安全性，本文提出了一种基于模糊神经网络的电量预测模型。

根据光伏系统的发电原理与大量的研究资料，确定了以每一天的日照量与平均温度为整个系统的输入量，来对这一整天的光伏系统的发电量做出预测，并且根据已有的先验知识与相关理论，确定了本文所用的模糊神经网络的结构。

再通过拟合的符合实际的数据来训练整个模型，最后通过一组测试数据来测试本预测模型是否达到要求。

实验结果表明，本模型能较为准确地预测出光伏发电系统一整天的发电量，具有一定的工程应用价值。

主要参考文献 　　[1]李光明，廖华，李景天，等.并网光伏发电系统发电量预测方法的探讨[J].云南师范大学学报：自然科学版，2011，31（2）：33—38. 　　[2]杨柳宁，孙以泽，孟?C，等.基于改进的BP神经网络的光伏组件发电量预测模型设计[J].水电能源科学，2013，31（9）：243—246.