Page 80 - 电力与能源2024年第二期
P. 80
220 孙玉波,等:基于 GA-PSO-BP 与灰色关联的光伏短期功率预测
的预测模型,它在满足光伏发电工程要求的计算 为 15 min)如图 1 所示。图 1(a)为太阳辐照度与光
精度下,具有数据量和计算量较少等优点,但其预 伏输出功率之间的关系曲线,可见光伏电站的发电
测精度仍有待进一步的提高。文献[9]提出了一 功率随着太阳辐照度的增强而逐渐增大,约在正午
种改进极限学习机(ELM)与熵理论相结合的光 达到一天中发电量的最大值,大约为 92 kW,此时
伏发电短期功率预测模型,引入距离熵和灰关联 太阳辐照度约为 1 100 W·m 。大气湿度与光伏
-2
熵,提出以综合相似度指标来选取相似日样本数 输出功率随时间的变化曲线如图 1(b)所示,可见
据,提高了 ELM 的泛化能力,预测效果有了较大 在早晨到中午这段时间,当环境湿度降低时,光伏
的提升,但是对复杂场景的光伏预测效果不理想。 发电的功率逐渐增大,呈现负相关性,但是在午后
文献[10]利用深度学习的方法对光伏输出进行短 环境湿度下降时,光伏输出功率并没有继续增大,
期功率预测,该预测方法所需的数据量较少,同时 可以看出太阳辐照度对光伏系统的影响比环境湿
卷积神经网络有利于处理高维数据,但是有价值
度要大。图 1(c)为环境温度与光伏输出功率之间
的数据会在卷积神经网络的池化层中丢失,需要
的关系。理论上,随着温度的升高,光伏电站的发
扩增数据来解决这一问题。文献[11]提出了一种
电功率会逐渐降低,但是温度升高,环境湿度略微
短期光伏发电出力预测方法,即用粒子群算法来
减小,同时太阳辐照度增加,三者共同作用使发电
优 化 深 度 置 信 网 络(DBN),这 种 模 型 比 传 统 的
DBN 预测效果更好,预测误差更小,但是离子群
优化(PSO)算法仍存在一定的局限性,粒子容易
早熟。文献[12]利用粒子群与遗传算法相融合的
方法来优化神经网络,进行大坝的变形预测,以不
同的预测步长对大坝进行分析,提高了大坝测量
的整体精度。
针对以上预测模型存在预测精度不高、寻优过
程中容易陷入局部最优问题,本文利用 GA-PSO 算
法来优化反向传播(BP)神经网络,并将其应用于光
伏系统的短期功率预测。该方法的重点在于用 GA-
PSO 算法优化过程取代原神经网络学习的过程,以
此确定出模型的最优权值和阈值,同时加入莱维飞
行与随机游动策略增强算法的全局搜索能力,采用
自适应权重因子平衡算法的探索与寻优能力。数学
算例与实际数据验证表明,本优化算法本身不易陷
入局部最优,能够及时跳出局部最优而找到全局最
优解,在预测发电功率时GA-PSO-BP模型相比BP、
PSO-BP、ELM 模型具有更好的准确性和可靠性,预
测误差更小,预测精度更高。
1 选择光伏发电的影响因素
江苏某地区 2017 年 1 月 23 日至 25 日在晴天
条件下 7:00−17:00 的气象要素与光伏电站发电
图 1 2017 年 1 月江苏某地区气象要素与光伏发电功率的
功率的关系曲线(发电输出功率的时间采样间隔 关系曲线