何家裕，吳杰康，楊金文，余方明，莊 仲，梁繼深

(廣東工業(yè)大學(xué) 自動化學(xué)院， 廣州 510006)

0 引 言

隨著經(jīng)濟(jì)的高速發(fā)展，化石燃料和其他不可再生的自然資源走向枯竭，全球生態(tài)環(huán)境不斷惡化，我國能源的供應(yīng)和需求間的問題日益突出[1]。作為世界最大的能源消費(fèi)國和二氧化碳排放國，開展節(jié)能發(fā)電調(diào)度，建立一個(gè)最大化利用可再生能源和其他清潔能源，以減少不可再生能源的消耗和污染物的排放和安全、高效、清潔的電力系統(tǒng)是迫在眉睫的[2]。根據(jù)“十二五”規(guī)劃，中國的可再生能源的發(fā)電量迅速增長，特別是風(fēng)力發(fā)電、太陽能光伏發(fā)電保持較快的年增長，在世界上連續(xù)領(lǐng)先多年[3]。隨著光伏發(fā)電裝機(jī)容量的增加，大規(guī)模的光伏并網(wǎng)，而太陽能光伏發(fā)電存在間歇性和不穩(wěn)定等問題，為了減少光伏發(fā)電對電力系統(tǒng)的影響，提高電力系統(tǒng)運(yùn)行的可靠性，需要盡可能精確地預(yù)測光伏發(fā)電系統(tǒng)的發(fā)電量。

近年來，許多專家對太陽能光伏發(fā)電預(yù)測技術(shù)進(jìn)行了研究并獲得了不少成果。其中，太陽能光伏發(fā)電預(yù)測技術(shù)主要可以分為統(tǒng)計(jì)時(shí)間序列方法、物理方法和混合方法。統(tǒng)計(jì)時(shí)間序列方法高度依賴歷史數(shù)據(jù)，主要的方法包括人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等；物理方法主要取決于物理狀態(tài)和大氣中的太陽輻射的動態(tài)運(yùn)動之間的相互關(guān)系，主要的方法包括數(shù)值天氣預(yù)報(bào)、衛(wèi)星成像等；混合方法是統(tǒng)計(jì)時(shí)間序列方法和物理方法的任意結(jié)合[4]。文獻(xiàn)[5]提出了一種ANN-MLP模型用于意大利的里雅斯特GCPV電廠前24小時(shí)的太陽輻射強(qiáng)度預(yù)測。文獻(xiàn)[6]提出了一種ELM-ANN模型用于太陽能發(fā)電預(yù)測。文獻(xiàn)[7]提出了一種LS-SVM模型進(jìn)行麥地那城的氣象的短期預(yù)測。文獻(xiàn)[8]將小波變換(WT)、模糊ARTMAP(FA)和螢火蟲(FF)相結(jié)合，進(jìn)行太陽能光伏發(fā)電輸出功率的短期預(yù)測。文獻(xiàn)[9]提出了一種基于WT和深度卷積神經(jīng)網(wǎng)絡(luò)(DCNN)預(yù)測光伏發(fā)電功率的新型混合方法。

為了提高電網(wǎng)的運(yùn)行可靠性和提高對太陽能資源的利用率，建立了基于最大偏差相似準(zhǔn)則的混沌遺傳-BP神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電預(yù)測模型。本模型使用最大偏差相似性準(zhǔn)則算法和混沌算法優(yōu)化傳統(tǒng)的遺傳算法，將優(yōu)化后的遺傳算法對BP模型進(jìn)行優(yōu)化。本預(yù)測模型與CS-SVM模型、BP模型和GA-BP模型相比，具有更快的計(jì)算速度和更高的預(yù)測精度。

1 影響光伏發(fā)電的氣象因素

由于光伏發(fā)電輸出主要由太陽輻射強(qiáng)度決定，而天氣的劇烈變化，云層的流動，風(fēng)速的波動性和隨機(jī)性會直接影響到太陽輻射強(qiáng)度的強(qiáng)弱[10-11]。大規(guī)模光伏發(fā)電并入微電網(wǎng)系統(tǒng)會使系統(tǒng)產(chǎn)生不確定性，從而影響微電網(wǎng)的正常運(yùn)行。因此，有必要分析天氣、風(fēng)速等氣象因素對太陽能光伏發(fā)電的影響。以下分析以澳大利亞昆士蘭大學(xué)的UQCentre太陽能433 kW光伏電站的實(shí)時(shí)播報(bào)系統(tǒng)記錄的連續(xù)3天天氣狀況為晴天的光伏發(fā)電功率數(shù)據(jù)以及氣象數(shù)據(jù)為研究對象對實(shí)際風(fēng)速、環(huán)境溫度、環(huán)境濕度和太陽輻射強(qiáng)度對太陽能光伏發(fā)電功率的影響進(jìn)行分析。

1.1 實(shí)際太陽輻射強(qiáng)度對太陽能光伏發(fā)電的影響

圖1表明了太陽能光伏發(fā)電功率與實(shí)際太陽輻射強(qiáng)度間的關(guān)系?？梢郧逦乜闯?，實(shí)際太陽輻射強(qiáng)度與太陽能光伏發(fā)電功率之間是呈正相關(guān)的關(guān)系，太陽能光伏發(fā)電功率與實(shí)際太陽能輻射強(qiáng)度的曲線有相同的趨勢，光伏發(fā)電功率隨著太陽輻射強(qiáng)度的變化而變化，因此，證實(shí)了太陽能光伏發(fā)電功率主要是受太陽能輻射強(qiáng)度的影響。

圖1 PV發(fā)電功率與太陽能輻射強(qiáng)度關(guān)系Fig.1 Relationship between PV power and solar radiation intensity

1.2 環(huán)境溫度對太陽能光伏發(fā)電的影響

圖2為環(huán)境溫度與太陽能光伏發(fā)電間的關(guān)系圖。從圖2可以看出，早上隨著溫度的上升，太陽能光伏發(fā)電功率也隨之上升，經(jīng)驗(yàn)所得，通常中午的溫度達(dá)到當(dāng)天溫度的最高值，此時(shí)的太陽能發(fā)電功率同樣達(dá)到最大值，午后隨著溫度的下降，太陽能光伏發(fā)電功率也隨之下降，因此，可以得出，環(huán)境溫度的變化對太陽能發(fā)電功率產(chǎn)生影響。

圖2 PV發(fā)電功率與環(huán)境溫度關(guān)系Fig.2 Relationship between PV power and ambient temperature

1.3 環(huán)境濕度對太陽能光伏發(fā)電的影響

圖3是環(huán)境濕度與太陽能光伏發(fā)電關(guān)系的曲線。從圖3可以清楚地看出，環(huán)境濕度隨著太陽能發(fā)電功率的上升隨之快速下降，下降到太陽能光伏功率達(dá)到最大值后，環(huán)境濕度保持不變，而隨著發(fā)電功率下降到最低點(diǎn)，環(huán)境濕度回升到最高點(diǎn)，可以得出，其濕度的變化主要是由于當(dāng)太陽光照強(qiáng)度的增強(qiáng)，大氣中的水汽蒸發(fā)，使環(huán)境的濕度降低，因此，可以得出，環(huán)境濕度的變化對太陽能發(fā)電功率產(chǎn)生影響。

圖3 PV發(fā)電功率與環(huán)境濕度關(guān)系Fig.3 Relationship between PV power and ambient humidity

1.4 實(shí)際風(fēng)速對太陽能光伏發(fā)電的影響

除了上述的3個(gè)氣象因素，風(fēng)速也是影響太陽能光伏發(fā)電的氣象因素之一，如圖4所示。從圖4可以看出，隨著太陽能光伏發(fā)電功率的迅速上升，實(shí)際風(fēng)速波動性下降，而隨著太陽能光伏發(fā)電功率曲線的下降，風(fēng)速隨之回升。可以得出，風(fēng)速的變化在一定程度上會影響到太陽能光伏發(fā)電功率。

圖4 PV發(fā)電功率與實(shí)際風(fēng)速關(guān)系Fig.4 Relationship between PV power and wind speed

2 改進(jìn)后的BPNN微網(wǎng)光伏功率預(yù)測模型

2.1 混沌優(yōu)化

混沌運(yùn)動存在于許多自然和人造系統(tǒng)中，到目前為止，混沌定義的概念還沒有完全建立起來，其運(yùn)動是隨機(jī)的、無序的、復(fù)雜的[12]?；煦缇哂斜闅v性，即可以在有限區(qū)間內(nèi)進(jìn)行永不重復(fù)、形態(tài)復(fù)雜的運(yùn)動[13]。該文使用Logistic方程對初始種群進(jìn)行混沌優(yōu)化。Logistic方程為[13]

xn+1=μxn(1-xn)

(1)

式中：μ代表的是控制變量，其值為4時(shí)，此刻系統(tǒng)的狀態(tài)為完全混沌狀態(tài)；xn的取值在(0,1)之間，但取值不能為混沌變量的3個(gè)不動點(diǎn)0.25，0.5，0.75。

2.2 GA-BP算法

遺傳算法(GA)是一種基于達(dá)爾文的生物進(jìn)化論而產(chǎn)生的群體隨機(jī)搜索技術(shù)和方法。由于算法是多點(diǎn)搜索，具有較好的全局尋優(yōu)能力，能處理各類非線性問題，因此被廣泛地運(yùn)用在負(fù)荷預(yù)測、優(yōu)化問題等。其主要地步驟包括：選擇操作、交叉操作和變異操作。

人工神經(jīng)網(wǎng)絡(luò)(ANN)是一種基于生物神經(jīng)網(wǎng)絡(luò)的信息處理方法，主要由輸入層、隱含層和輸出層組成。目前最為廣泛使用的ANN模型之一的是BP神經(jīng)網(wǎng)絡(luò)模型，但該模型的本質(zhì)為梯度下降法，其收斂速度相比其他算法較慢，在優(yōu)化過程中易陷入局部最優(yōu)。為解決以上問題，結(jié)合GA算法，通過GA算法優(yōu)化BP算法的權(quán)值和閾值，大大提升了BP算法的收斂速度。

2.3 最大偏差相似準(zhǔn)則

最大偏差相似準(zhǔn)則算法(MDSC)可以對曲線進(jìn)行刻畫，此時(shí)的曲線需要是同類別的且刻畫只能針對曲線之間的形態(tài)相似性。這種算法的靈活性非常強(qiáng)，因?yàn)槠淇梢宰杂蛇x擇相似度、偏離度等條件，不僅如此，這種算法還可以選擇很多種精度對曲線之間的相似程度進(jìn)行測量[14]。

根據(jù)文獻(xiàn)[14]，MDSC的步驟如下：

設(shè)有n個(gè)m維的時(shí)間序列數(shù)據(jù)，第i個(gè)時(shí)間序列數(shù)據(jù)為Xi=(Xi1,Xi2,…,Xim),Xik(≥0)為第i個(gè)時(shí)間序列的第k個(gè)時(shí)間點(diǎn)的數(shù)據(jù)，i=1,2,…,n;k=1,2,…,m。

設(shè)Sij,k為xi和xj對應(yīng)時(shí)間點(diǎn)間的歐式距離，i，j=1,2,…,n，k=1,2,…,m，計(jì)算公式如下：

Sij,k=|xik-xjk|

(2)

設(shè)Sij,k中有nij個(gè)滿足條件Sij,k≤λ，則稱nij為xi與xj兩個(gè)時(shí)間差的相似點(diǎn)數(shù)；設(shè)Sij中有mij個(gè)滿足條件Sij,k<λ，稱mij是xi與xj兩個(gè)時(shí)間差的最大連續(xù)偏離時(shí)點(diǎn)數(shù)i,j=1,2,…n,k=1,2,…,m。其中，λ(0≤λ≤1)為預(yù)設(shè)常數(shù)，稱為最大偏差，其可以對閾值進(jìn)行衡量，當(dāng)Sij,k≤λ時(shí)，則認(rèn)為時(shí)間序列點(diǎn)xik和xjk相似，如果滿足Sij,k≤λ這個(gè)條件，那么則認(rèn)為兩個(gè)時(shí)間點(diǎn)是相似的，如果不滿足就不相似。mij的具體表達(dá)式為

(3)

以時(shí)間序列xi為對比中心，計(jì)算xj與xi之間的nij和mij(i,j=1,2,...,n),如果滿足下列兩個(gè)條件：

1)為預(yù)設(shè)常數(shù)，稱為相似度；

2)mij≤m0，其中m0=[β×m],β(0≤β≤1-α)是常數(shù)，一般都是預(yù)先設(shè)定好的，叫做偏離度。

就可以認(rèn)為兩個(gè)時(shí)間點(diǎn)是相似的，且這兩個(gè)條件就是最大偏差相似性準(zhǔn)則。

2.4 改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)光伏功率預(yù)測流程

為了克服兩種算法各自的缺點(diǎn)，發(fā)揮兩種算法的長處，文中將BP神經(jīng)網(wǎng)絡(luò)、遺傳算法與最大偏差相似性準(zhǔn)則和混沌優(yōu)化結(jié)合，應(yīng)用神經(jīng)網(wǎng)絡(luò)的非線性映射、預(yù)測和遺傳算法全局優(yōu)化的能力，以及混沌優(yōu)化的遍歷性，使得網(wǎng)絡(luò)同時(shí)具備學(xué)習(xí)和進(jìn)化的能力。基本思想為先用基于最大偏差相似性準(zhǔn)則的混沌遺傳算法對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，找到一個(gè)較優(yōu)解，然后將此最優(yōu)解對BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和初始閾值進(jìn)行優(yōu)化[15-18]。

在應(yīng)用BP神經(jīng)網(wǎng)絡(luò)對光伏發(fā)電輸出功率進(jìn)行預(yù)測之前，需要對光伏發(fā)電歷史數(shù)據(jù)進(jìn)行歸一化處理，采用公式(4)對光伏發(fā)電歷史數(shù)據(jù)進(jìn)行歸一化處理：

(4)

式中，xi,k所表示的是負(fù)荷值，此時(shí)的天數(shù)是第i天且時(shí)刻為k；xmin，xmax代表的物理意義是光伏發(fā)電功率數(shù)據(jù)最大值和最小值。這樣可以使得負(fù)荷數(shù)據(jù)落在[0,1]內(nèi)，加快神經(jīng)網(wǎng)絡(luò)的收斂。

基于最大偏差相似性準(zhǔn)則的CGA-BP神經(jīng)網(wǎng)絡(luò)模型的步驟如下：

步驟1：初始化BP神經(jīng)網(wǎng)絡(luò)。

在此步驟將文中第一部分的4個(gè)氣象因素(太陽輻射強(qiáng)度、環(huán)境溫度、環(huán)境濕度、實(shí)際風(fēng)速)和時(shí)間(時(shí)間的設(shè)置：時(shí)間為8:00,即將輸入設(shè)置為8；時(shí)間為8:15即將輸入設(shè)置為8.25；時(shí)間為8:30即將輸入設(shè)置為8.5；時(shí)間為8:45即將輸入設(shè)置為8.75，以此類推)作為BP神經(jīng)網(wǎng)絡(luò)的輸入，輸出為太陽能光伏發(fā)電功率，隱含層數(shù)目根據(jù)實(shí)際情況進(jìn)行確定。

步驟2：種群初始化。

在此步驟，根據(jù)步驟1的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)而確定遺傳算法個(gè)體編碼的長度，遺傳算法個(gè)體編碼的長度計(jì)算公式為

L=a×b+b×c+b+c

式中：a為輸入層節(jié)點(diǎn)數(shù)；b為隱含層節(jié)點(diǎn)數(shù)；c為輸出層節(jié)點(diǎn)數(shù)。對種群個(gè)體進(jìn)行實(shí)數(shù)編碼，每個(gè)個(gè)體的長度均為L。

步驟3：對初始種群進(jìn)行混沌處理。

在此步驟，根據(jù)式(1)產(chǎn)生的隨機(jī)數(shù)生成初始種群，再通過式(5)、(6)將初始種群映射到解空間。

(5)

xi=zi(xi,max-xi,min)+xi,min

(6)

步驟4：計(jì)算種群適應(yīng)度，從中找出最優(yōu)個(gè)體。

此步驟采用式(7)計(jì)算種群適應(yīng)度，并將種群適應(yīng)度值最小的作為最優(yōu)個(gè)體。

(7)

式中：n為BP神經(jīng)網(wǎng)絡(luò)輸出節(jié)點(diǎn)數(shù)；yi為BP神經(jīng)網(wǎng)絡(luò)第i個(gè)節(jié)點(diǎn)的期望輸出；oi為第i個(gè)節(jié)點(diǎn)的預(yù)測輸出；k為系數(shù)。

步驟5：選擇操作。本案例中使用輪盤賭法進(jìn)行選擇操作。

步驟6：交叉操作。本案例中使用實(shí)數(shù)交叉法進(jìn)行交叉操作。

步驟7：變異操作。

步驟8：對種群的所有個(gè)體由式(3)計(jì)算個(gè)體與全局最優(yōu)個(gè)體間的相似度nij和偏離度mij，并由最大偏差相似性準(zhǔn)則判斷個(gè)體與全局最優(yōu)個(gè)體是否相似，直至遍歷種群中所有個(gè)體。

步驟9：將與全局最優(yōu)個(gè)體相似的個(gè)體進(jìn)行混沌處理。

步驟10：判斷進(jìn)化是否結(jié)束，若否，則返回步驟4。

步驟11：將全局最優(yōu)個(gè)體進(jìn)行順序拆分處理，將處理后的個(gè)體分別對BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和初始閾值進(jìn)行優(yōu)化。

步驟12：對樣本進(jìn)行訓(xùn)練，然后再進(jìn)行計(jì)算得到系統(tǒng)的輸出值和真實(shí)值之間的差值。

步驟13：如果誤差在系統(tǒng)的允許范圍之內(nèi)，進(jìn)行步驟14；否則，轉(zhuǎn)到步驟12。

步驟14：應(yīng)用訓(xùn)練后的網(wǎng)絡(luò)進(jìn)行預(yù)測，將預(yù)測結(jié)果進(jìn)行輸出。

改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)算法的流程圖如圖5所示。

圖5 改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)算法流程圖Fig.5 Flow chart of improved BP neural network algorithm

3 算例與分析

3.1 數(shù)據(jù)來源

以2018年1月1日至1月25日澳大利亞昆士蘭大學(xué)的UQCentre太陽能433 kW光伏電站的實(shí)時(shí)播報(bào)系統(tǒng)記錄的光伏發(fā)電功率數(shù)據(jù)以及氣象數(shù)據(jù)為研究對象，時(shí)間選取早上六點(diǎn)到下午六點(diǎn)，時(shí)間分辨率為15 min，即每天選取49個(gè)時(shí)間點(diǎn)。本仿真將時(shí)間長度為1 d設(shè)置為短期負(fù)荷預(yù)測，將時(shí)間長度為3 d設(shè)置為長期負(fù)荷預(yù)測。為了驗(yàn)證算法的有效性，在Matlab2018b的環(huán)境下利用了Matlab自帶的神經(jīng)網(wǎng)絡(luò)工具箱建立了4種預(yù)測模型：

1)布谷鳥算法優(yōu)化支持向量機(jī)算法的太陽能光伏發(fā)電預(yù)測模型(CS-SVM模型)；

2)傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)太陽能光伏發(fā)電預(yù)測模型(BP模型)；

3)遺傳算法(GA)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的太陽能光伏發(fā)電預(yù)測模型(GA-BP模型)；

4)改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)太陽能光伏發(fā)電預(yù)測模型(改進(jìn)后BP模型)。

3.2 參數(shù)選擇

為降低神經(jīng)網(wǎng)絡(luò)的隨機(jī)性而造成的誤差，此文采用試錯(cuò)法[16]對隱含層數(shù)目進(jìn)行確定。首先任意給定參數(shù)，接下來的每次選值除了改變隱含層數(shù)目，其余參數(shù)均保持不變的情況下，通過反復(fù)進(jìn)行30次重復(fù)實(shí)驗(yàn)，并取其平均值作為所在隱含層數(shù)的平均絕對誤差百分比(MAPE)。最后可得，當(dāng)隱含層數(shù)目為9時(shí)可以使得平均絕對誤差百分比最小，結(jié)果如圖6所示。

圖6 隱含層神經(jīng)元數(shù)目與MAPE的關(guān)系Fig.6 Relationship between the number of neurons in hidden layer and MAPE

除了隱含層數(shù)目的設(shè)置外，還有BP算法的參數(shù)設(shè)置，遺傳算法的參數(shù)設(shè)置如表1所示。此外，將最大偏差相似性準(zhǔn)則中的最大偏差α設(shè)置為0.1。

表1 BP算法與GA算法參數(shù)Table 1 Parameters for BP algorithm and GA algorithm

3.3 預(yù)測模型結(jié)果評估

根據(jù)相關(guān)文獻(xiàn)，目前對于太陽能光伏預(yù)測模型的評估有MSE、MAPE和MAE等方法[15-18]，該文選取平均絕對誤差百分比(MAPE)和均方誤差(MSE)作為模型的評估方法。

3.4 仿真結(jié)果與分析

圖7～10分別為CS-SVM、BP、GA-BP和改進(jìn)后BP模型的短期光伏發(fā)電功率預(yù)測結(jié)果?？梢钥闯觯珻S-SVM模型的預(yù)測輸出基本偏離期望輸出，而在早上6：00到8：00時(shí)段，BP模型的預(yù)測曲線基本偏離期望輸出曲線，而GA-BP模型和改進(jìn)后BP模型在該時(shí)段基本擬合，而在中午12：00到14：00時(shí)段，BP模型和GA-BP模型的預(yù)測輸出曲線明顯地偏離期望輸出曲線，而改進(jìn)后的BP模型，全天的預(yù)測輸出曲線與期望輸出預(yù)測曲線基本擬合。因此可以得出在這4種模型中，效果最好的為改進(jìn)后BP模型，其次是GA-BP模型和BP模型，效果最差的為CS-SVM模型。

圖7 CS-SVM短期預(yù)測輸出Fig.7 Short-term prediction output of CS-SVM

圖8 BP神經(jīng)網(wǎng)絡(luò)短期預(yù)測輸出Fig.8 Short-term prediction output of BP neural network

圖9 GA-BP神經(jīng)網(wǎng)絡(luò)短期預(yù)測輸出Fig.9 Short-term prediction output of GA-BP neural network

圖10 改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)短期預(yù)測輸出Fig.10 Short-term prediction output of improved BP neural network

圖11～14分別為CS-SVM、BP、GA-BP和改進(jìn)后的BP模型的短期光伏發(fā)電預(yù)測誤差。結(jié)合表2可以看出，BP模型和GA-BP模型的預(yù)測誤差的最大誤差絕對值均超過9，CS-SVM模型的最大誤差絕對值最高高達(dá)18.44，而此文提出的改進(jìn)后BP模型預(yù)測誤差絕對值基本維持在2.5以下，說明本模型能準(zhǔn)確地對太陽能光伏發(fā)電功率進(jìn)行短期功率預(yù)測。

圖11 CS-SVM短期預(yù)測誤差Fig.11 Short-term prediction error of CS-SVM

圖12 BP神經(jīng)網(wǎng)絡(luò)短期預(yù)測誤差Fig.12 Short-term prediction error of BP neural network

圖13 GA-BP神經(jīng)網(wǎng)絡(luò)短期預(yù)測誤差Fig.13 Short-term prediction error of GA-BP neural network.

圖14 改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)短期預(yù)測誤差Fig.14 Short-term prediction error of improved BP neural network

表2 不同算法的短期預(yù)測結(jié)果及誤差Table 2 Short-term prediction results and errors based on different algorithms

CS-SVM、BP、GA-BP和改進(jìn)后BP模型的長期光伏發(fā)電功率預(yù)測結(jié)果分別由圖15～18表示?？梢钥闯?，CS-SVM模型和BP模型的預(yù)測輸出曲線和期望輸出曲線偏離明顯，GA-BP模型和改進(jìn)后BP模型的預(yù)測輸出曲線和期望輸出曲線基本擬合，但相比于BP模型和GA-BP模型，改進(jìn)后BP模型預(yù)測精度相對較高。

圖15 CS-SVM長期預(yù)測輸出Fig.15 Long-term prediction output of CS-SVM

圖16 BP神經(jīng)網(wǎng)絡(luò)長期預(yù)測輸出Fig.16 Long-term prediction output of BP neural network

圖17 GA-BP神經(jīng)網(wǎng)絡(luò)長期預(yù)測輸出Fig.17 Long-term prediction outputof GA-BP neural network

圖18 改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)長期預(yù)測輸出Fig.18 Long-term prediction output of improved BP neural network

CS-SVM、BP、GA-BP和改進(jìn)后BP模型的長期光伏發(fā)電功率預(yù)測誤差結(jié)果分別由圖19～22表示。結(jié)合表3可以看出，雖然在早上6點(diǎn)到7點(diǎn)時(shí)段BP模型的預(yù)測精度為最低，但是在全天功率預(yù)測時(shí)，CS-SVM模型的預(yù)測精度波動最大誤差絕對值接近9，BP模型的預(yù)測精度波動最大誤差絕對值接近20，而雖然GA-BP模型的最大誤差絕對值最大為4，但其曲線波動較大，而改進(jìn)后的BP誤差曲線基本維持在絕對值為2的范圍附近，因此，改進(jìn)后的BP模型的長期太陽能負(fù)荷預(yù)測效果優(yōu)于CS-SVM模型、BP模型和GA-BP模型。

圖19 CS-SVM長期預(yù)測誤差Fig.19 Long-term prediction error of CS-SVM

圖20 BP神經(jīng)網(wǎng)絡(luò)長期預(yù)測誤差Fig.20 Long-term prediction error of BP neural network

圖21 GA-BP神經(jīng)網(wǎng)絡(luò)長期預(yù)測誤差Fig.21 Long-term prediction error of GA-BP neural network

圖22 改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)長期預(yù)測誤差Fig.22 Long-term prediction error of improved BP neural network

表3 不同算法的長期預(yù)測結(jié)果及誤差Table 3 Long-termprediction results and errors based on different algorithms

表4為不同模型短期預(yù)測誤差的對比，表5為不同模型長期預(yù)測誤差的對比。從表4和表5的平均絕對百分比誤差和均方根誤差可以看出，BP、GA-BP和改進(jìn)后BP這3種模型對于光伏發(fā)電的預(yù)測精度都比較高，其平均絕對誤差百分比都在10%以下，而CS-SVM無論是短期太陽能光伏發(fā)電功率還是長期太陽能光伏發(fā)電功率，效果較差，而提出的改進(jìn)后BP神經(jīng)網(wǎng)絡(luò)的整體預(yù)測結(jié)果具有較高精度。除此之外還可以看出4種模型的長期光伏發(fā)電功率預(yù)測精度比短期光伏發(fā)電功率預(yù)測的精度低，但改進(jìn)后BP網(wǎng)絡(luò)的預(yù)測精度相比于CS-SVM模型、BP模型和GA-BP模型依具有較高精度。

表4 不同模型短期預(yù)測誤差對比Table 4 Comparison of short-term prediction errors of different models

表5 不同模型長期預(yù)測誤差對比Table 5 Comparison of long-term prediction errors of different models

4 結(jié) 語

為了提高光伏發(fā)電功率預(yù)測模型的準(zhǔn)確性，提出了一種基于最大偏差相似性準(zhǔn)則的混沌遺傳-BP神經(jīng)網(wǎng)絡(luò)光伏功率預(yù)測模型。該模型首先應(yīng)用混沌優(yōu)化算法對遺傳算法的初始種群進(jìn)行混沌處理，改善了初始種群的分布特性。其次，采用最大偏差相似性準(zhǔn)則對種群進(jìn)行篩選，將篩選后的種群進(jìn)行混沌映射，它可以使算法跳出局部最優(yōu)解，提高算法收斂到全局最優(yōu)解的可能性。最后，改進(jìn)的遺傳算法用于優(yōu)化神經(jīng)網(wǎng)絡(luò)的初始權(quán)重和閾值，以防止神經(jīng)網(wǎng)絡(luò)在訓(xùn)練期間陷入局部最優(yōu)。提出的基于最大偏差相似性準(zhǔn)則的混沌遺傳-BP神經(jīng)網(wǎng)絡(luò)光伏功率預(yù)測模型可為光伏發(fā)電預(yù)測提供參考。