Page 81 - 电力与能源2024年第二期
P. 81
孙玉波，等：基于 GA-PSO-BP 与灰色关联的光伏短期功率预测 221
功率增大，说明环境温度对光伏系统的工作效率 （2）分别计算预测日 7∶00−17∶00 的总太阳
有一定的影响，但是太阳辐照度对功率输出的影 辐照度、环境温度与环境湿度，并求其平均值，把
响比环境温度大。综上，这 3 个气象因子都是影 它们作为参考数据，同理部分训练样本也进行相
响光伏发电的因素，都可作为模型的输入变量。 同操作，将得到的数据作为评价数据，每日的数据
形式如下：
2 相似日的选取
F i =[W i，T i，S i ] （1）
在选择不同的天气类型来进行预测时，为了 式中 F i——第 i 日的数据矩阵；W i——第 i 日的
使 误 差 最 小 ，会 挑 选 与 预 测 日 最 为 关 联 的 日 平均辐照度； T i——第 i 日的平均气温；S i——第 i
期 ［13］ 。本文利用灰色关联度分析法，挑选出满足 日的平均湿度。
条件的日期作为样本数据。选取相似日的步骤 （3）对上述向量进行无量纲处理，然后求出两
如下。 级最小差与最大差，并根据灰色关联系数法分别
（1）根据天气类型选择 3 天分别作为晴天、多 计算预测日与第 i 日的辐照度、环境温度和大气湿
云以及雨天的预测日。 度的关联系数，计算公式如下：
| |
min min| f 0 ( k )- f i ( k ) + ρ max max| f 0 ( k )- f i ( k )
i k i k
ε i ( k )= （2）
| f 0 ( k )- f i ( k | ) + ρ max max| f 0 ( k )- f 0 ( k ) |
i k
式中 ρ——分辨系数，其取值范围为 0 到 1，ρ 与 层隐含层 ［15］ ，其基本原理是通过现有的数据样本，
关联系数呈现负相关，本文选取 ρ=0.5； f 0(k)—— 得到输入与输出的关系，如果不能得到期望的输
预测日第 k 个数据向量分量； f i(k)——训练样本中 出功率，就进行反向传输，通过不断调整取值阈
第 i 日第 k 个数据向量分量； ε i （k）——第 i 日第 k 个 值 ，使 预 测 值 接 近 输 出 值 ；其 次 ，本 文 所 采 用 的
数据与预测日的关联系数。 PSO 算法，具有参数少且易实现等特点，能够优化
（4）计算关联度。比较数列与参考数列的关 适应复杂系统中粒子寻优的行为，有较高的收敛
速度。PSO 算法与其他一些算法相比，拥有记忆
联程度的表征方式就是关联度。因为每个数列有
功能，它能够根据当前种群的动态搜索情况改变
很多元素，所以每个数列的关联度值有很多个，这
搜索方式，即改变搜索位置和速度 ［16］ 。粒子通过
样就会导致关联信息不集中，不能体现整体上的
如下公式来更新自己的速度与位置：
关联性，所以求出每个数列关联度的平均值，由该
v id = wv id + c 1 r 1 ( p id - x id )+ c 2 r 2 ( p gd - x id ) （4）
平均值可以确定两个数列的关联程度 ［14］ ：
n x id = x id + v id （5）
∑ ε i ( k ) 式（4）中， 1 与 c 2 的取值范围一般为 0～4。本
c
r i = k = 1 （3）
n 文设置 c 1 与 c 2 大小均为 1.5。r 1 与 r 2 是 0 到 1 之间
（5）关联度排序。根据关联度大小把样本数 的随机均匀数，w 为惯性权重系数 ［17］ 。惯性权重
列的日期进行从大到小排序，这有利于找出与预 对于 PSO 算法的性能有着非常重要的影响，惯性
测日关联度高的日期样本。 权重选择恰当可以免于陷入局部最优，提升全局
从预测日所在月开始计算，通过式（2）和式 搜索能力，所以本文采用自适应惯性调整 ［18-19］ 来
（3）逐天计算与待测日的关联度。选择满足关联 平衡算法的探索与寻优能力。
度要求的影响因素数据作为预测的训练样本。 PSO 算法在初始迭代时寻优速度快，所有粒
子会快速向一个位置靠拢，导致陷入局部最优，后
3 预测模型描述
期收敛速度变慢，所以引入莱维飞行与随机游动
3.1 GA-PSO-BP 模型 策略增强算法跳出局部最优的能力。莱维飞行 ［20］
首先，本文所采用的 BP 神经网络，只存在一 是满足莱维分布的短距与长距结合的搜索过程，
