Page 86 - 电力与能源2024年第二期

226 孙玉波，等：基于 GA-PSO-BP 与灰色关联的光伏短期功率预测

型对光伏短期发电功率进行了预测。利用与预测
日的气象因素的关联度来选取相似日样本，通过
GA-PSO 算法优化了 BP 神经网络，提高了神经
网络的光伏预测精度，改进了网络的预测性能。
（1）与 BP，PSO-BP，ELM 模型相比，本文所
提的 GA-PSO-BP 模型具有更好的预测精度，利

用莱维飞行与随机游动策略，提高了算法全局搜
索的能力，解决了 BP，PSO-BP 模型陷入局部最
优的问题。
（2）本文以 PSO 算法为基础，对粒子进行重
组和变异操作，然后利用 GA-PSO 算法融合优化
BP 神经网络，得到最优的权值与阈值，使得该模
型在光伏短期功率预测中效果最佳。

（3）由本文的分析可知，气象因素对各种模型
的预测效果都有影响，多云和雨天天气条件下各
种模型的预测精度都低于晴天条件下的，但在相
同的气象条件下，本文所提的 GA-PSO-BP 模型
在光伏功率预测上表现最佳。
参考文献：

［1］ 杨留锋．光伏发电预测中人工智能算法的应用研究综述
［J］．太阳能，2020（8）：30-35．
［2］ 何雅静，汪 登．人工神经网络在光伏中的应用综述［J］．
太阳能，2019（1）：17-20．
［3］ TAWN R，BROWELL J. A review of very short - term

.
wind and solar power forecasting［J］ Renewable and Sus⁃
tainable Energy Reviews，2022，153：111758.

［4］ BAZIONIS I K，KARAFOTIS P A，GEORGILAKIS P

S. A review of short-term wind power probabilistic forecast⁃
.
ing and a taxonomy focused on input data［J］ IET Renew⁃
able Power Generation，2022，16（1）：77–91.

图 7 各天气类型预测误差 ［5］ ZHANG Y，BEAUDIN M，TAHERI R，et al． Day-ahead
power output forecasting for small-scale solar photovoltaic
差最大为 12 kW 左右，而本文所提出方法的最大
electricity generators［J］． IEEE Transactions on Smart
预测误差为 7 kW 左右，而且绝大部分时间点的预 Grid，2015，6（5）：2253-2262．.

测误差都在 5 kW 以下；在多云和雨天的天气条件 ［6］ 马 原，张雪敏，甄 钊，等 . 基于修正晴空模型的超短期
光 伏 功 率 预 测 方 法［J］ 电 力 系 统 自 动 化 ，2021，45（11）：
.
下，各种模型预测结果的误差比晴天的都要大一
44-51.
些，说明在发电功率突变时，各种模型的预测误差 ［7］ 张惠娟，刘 琪，岑泽尧，等 . 基于 GWO-MLP 的光伏系统

输 出 功 率 短 期 预 测 模 型［J］ 电 测 与 仪 表 ，2022，59（7）：
.
都会变大。相比而言，GA-PSO-BP 模型的预测
72-77.
误差在不同天气情况下都是几种模型中最小的。 ［8］ 杨丽薇，高晓清，蒋俊霞，等．基于小波变换与神经网络的
光 伏 电 站 短 期 功 率 预 测［J］． 太 阳 能 学 报 ，2020，41（7）：
5 结语 152-157．
［9］ 王 琦，季顺祥，钱子伟，等．基于熵理论和改进 ELM 的
本文采用灰色关联度分析与 GA-PSO-BP 模 光 伏 发 电 功 率 预 测［J］． 太 阳 能 学 报 ，2020，41（10）：