Page 85 - 电力与能源2024年第二期

孙玉波，等：基于 GA-PSO-BP 与灰色关联的光伏短期功率预测 225

度最高的 GA-PSO-BP 模型所需时间最长，超过
了 1 min，这说明本文所提出的改进算法在获得高
精度同时牺牲了一定的运行效率。
由图 6 以及表 2 可知，在晴天天气条件下，利
用 BP 模 型 、PSO-BP 模 型 、ELM 模 型 与 GA-

PSO-BP 模型得到的光伏系统输出功率预测值与
实际值的误差都较小，这是因为在晴天条件下，云
层状况比较好，光伏电池板吸收的辐射比较均匀，
其中 GA-PSO-BP 模型预测得到的数值更加贴合
实际值。处于多云天气条件下，在 10：30−11：30，
BP，PSO-BP，ELM 模型的拟合程度都比较低，而

GA-PSO-BP 模 型 能 够 反 映 实 际 功 率 的 变 化 情
况，在 12：00−13：00，每种模型的预测值与实际
值都有较大偏差，不能反映实际功率的变化情况。
这可能是多云天气云层变化异常导致的。在雨天
情况下，在 10：00 与 12：00 时刻光伏输出突然剧烈
变化，BP、PSO-BP、ELM 模型都没能正确反映其

变化且差距较大，而 GA-PSO-BP 模型却能保持
一定的贴合程度，反映实际功率变化趋势。这是
因为 BP 神经网络的权重通过梯度下降法来求得，
容易陷入局部最优，PSO 优化的 BP 模型容易早
熟，因而两个模型的预测结果出现了较大偏差。
本文所提的方法使得预测的整体差值变小，是因

为 GA 在出现最优解时会收敛缓慢甚至停止，使
得粒子避免早熟。另外，晴天的预测曲线与另外
两种天气状况相比更加平滑，说明在雨天和多云
天因为天气变化气象条件有较大改变，从而导致
光伏出力具有更强的波动性与不确定性，所以 4
图 6 各天气类型光伏功率预测曲线 个模型在这种条件下的预测准确度都有所下降。
表 2 各模型预测精度与预测时间 综上，在多云和雨天的条件下，GA-PSO-BP

天气 模型 R RMSE /% R MSE /% 预测时间/s 模型与其他模型相比具有更好的预测效果，整体
BP 6.701 5.312 3.3
预测精度更高。
PSO⁃BP 6.128 5.503 22.6
晴天
GA⁃PSO⁃BP 5.322 3.021 62.7 在晴天、多云、雨天的情况下，每种模型的功
ELM 6.428 5.198 3.2
率 输 出 预 测 值 与 真 实 值 之 间 的 绝 对 误 差 如 图 7
BP 8.771 6.222 3.4
PSO⁃BP 8.238 6.443 23.5
多云 所示。
GA⁃PSO⁃BP 6.835 4.640 63.6
ELM 8.455 6.308 3.2 由图 7 可见，在晴天天气下，所有模型的预测
BP 2.142 1.771 3.4
误差均在 15 kW 以下，其中没有优化的 BP 模型与
PSO⁃BP 1.680 1.310 62.8
雨天
GA⁃PSO⁃BP 1.151 0.953 23.4 ELM 模型的预测误差最大，经过优化后的 BP 模
ELM 1.631 1.178 3.3
型的预测误差明显降低，PSO-BP 模型的预测误