人工智能算法在光伏發(fā)電量預(yù)測中的應(yīng)用

引 言

隨著全球經(jīng)濟(jì)的不斷發(fā)展，人類對能源需求不斷增長， 不可再生能源不斷減少，使得發(fā)展并利用新能源迫在眉睫。研究和實(shí)踐表明，太陽能是資源最豐富的可再生能源，是人類社會(huì)未來能源的基石。由于光伏發(fā)電具有較強(qiáng)的隨機(jī)性和波動(dòng)性，光伏電站并網(wǎng)勢必會(huì)造成電網(wǎng)的不穩(wěn)定，因此準(zhǔn)確預(yù)測光伏發(fā)電量具有重要意義。

目前，國內(nèi)外對光伏發(fā)電量預(yù)測已有相關(guān)研究，一些相關(guān)人工智能算法也被應(yīng)用到預(yù)測模型中，如馬爾科夫鏈，神經(jīng)網(wǎng)絡(luò)，灰色理論，粒子群，遺傳算法等?？紤]到神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的非線性擬合、學(xué)習(xí)規(guī)則簡單，但收斂速度慢且易陷入局部最優(yōu)等缺點(diǎn)，同時(shí)考慮到果蠅算法與其他算法相比具有全局尋優(yōu)能力強(qiáng)、計(jì)算復(fù)雜度小、精度高、收斂速度快等優(yōu)點(diǎn)， 故本文提出一種果蠅算法結(jié)合神經(jīng)網(wǎng)絡(luò)的混合算法。此混合算法能很好的結(jié)合兩者的優(yōu)點(diǎn)。

1 光伏發(fā)電量預(yù)測模型

1.1 BP神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)（Neural Network）是模擬人大腦學(xué)習(xí)知識(shí)的過程而提出的一種人工智能算法。神經(jīng)網(wǎng)絡(luò)分為單層前饋網(wǎng)絡(luò)（LMS 學(xué)習(xí)算法）、多層前饋網(wǎng)絡(luò)（BP 神經(jīng)網(wǎng)絡(luò)）、后饋網(wǎng)絡(luò)等。其中BP 神經(jīng)網(wǎng)絡(luò)是目前研究最為成熟、廣泛的預(yù)測網(wǎng)絡(luò)模型之一。預(yù)測模型分為輸入層、隱含層以及輸出層，如圖 1 所示。

輸入層

針對本文的預(yù)測模型，輸入變量為光伏發(fā)電系統(tǒng)各個(gè)時(shí)段的平均溫度、平均光照。

隱含層

本文模型采用雙隱含層。多層前向網(wǎng)絡(luò)是單層感知器的推廣，解決了非線性可分問題。隱含層由神經(jīng)元組成，神經(jīng)元決定了各輸入變量權(quán)值以及各輸出變量權(quán)值。

輸出層

本文預(yù)測模型的輸出變量為當(dāng)日各時(shí)段的光伏發(fā)電量。文中將光伏發(fā)電預(yù)測模型分為 24 小時(shí)/ 天，每一個(gè)小時(shí)為一個(gè)計(jì)算單位。輸入層中的每個(gè)結(jié)點(diǎn)作為激勵(lì)信號(hào)，組成下一層的輸入信號(hào)，而該層輸出信號(hào)又作為下層的輸入信號(hào)，以此類推。神經(jīng)網(wǎng)絡(luò)具有很好的非線性擬合性，學(xué)習(xí)規(guī)則簡單。

1.2 果蠅算法

果蠅優(yōu)化算法（Fruit Fly Optimization Algorithm，F(xiàn)OA） 是一種基于果蠅覓食行為的人工智能仿生算法，是由臺(tái)灣潘文超教授于 2011 年 6 月提出的。果蠅可以使用嗅覺和視覺來尋找食物及同伴，具有很好的群體智能性。

果蠅尋找食物時(shí)飛行線路具有一定的隨機(jī)性，為了尋找食物，果蠅會(huì)根據(jù)空間中的食物氣味濃度進(jìn)行判定，向濃度高的方向飛行。其算法流程如下所示：

(1) 在搜索空間中隨機(jī)產(chǎn)生果蠅種群。隨機(jī)產(chǎn)生個(gè)體果蠅的位置及各自飛行方向向量。

(2) 各果蠅分別沿預(yù)定方向移動(dòng)一定的步長，計(jì)算各果蠅所在位置的濃度。

(3) 找出種群中濃度最高的果蠅的位置，保存為 Piter，然后所有果蠅飛向濃度最高的位置。

(4) 計(jì)算移動(dòng)后各果蠅所處位置的濃度，若 Piter，i比 Piter濃度更高，則更新 Piter，再轉(zhuǎn)到步驟（2），直到找到食物位置。

Piter表示第iter代的濃度最高的位置 ；Piter,i表示第 i個(gè)果蠅第iter 代的位置。

1.3 FOA-BP算法

為解決神經(jīng)網(wǎng)絡(luò)收斂速度慢以及容易陷入局部最優(yōu)的缺 點(diǎn)，本文提出一種果蠅算法結(jié)合神經(jīng)網(wǎng)絡(luò)的混合算法，該混 合算法具有較強(qiáng)的全局搜索能力、不易陷入局部最優(yōu)、收斂 快等優(yōu)點(diǎn)。本文主要利用果蠅算法來優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)值以達(dá) 到優(yōu)化的目的。混合算法流程如下所示：

（1）初始化。初始化種群規(guī)模 S，最大迭代次數(shù) iter，隨 機(jī)生成各果蠅的位置、移動(dòng)方向、移動(dòng)步長及神經(jīng)元權(quán)值等。

（2）讀取數(shù)據(jù)。讀取光伏發(fā)電系統(tǒng)訓(xùn)練樣本數(shù)據(jù)，包括 各時(shí)段的平均溫度、平均光照強(qiáng)度以及光伏發(fā)電量，對樣本 數(shù)據(jù)進(jìn)行歸一化處理。

（3）通過神經(jīng)網(wǎng)絡(luò)樣本進(jìn)行訓(xùn)練，得到相應(yīng)的權(quán)值，并 利用果蠅算法對權(quán)值進(jìn)行修正與優(yōu)化。果蠅個(gè)體向預(yù)定方向 移動(dòng)一定的步長，計(jì)算濃度，此時(shí)濃度即預(yù)測值，若預(yù)測值 Pbest 更優(yōu)，則保留，繼續(xù)迭代，直到達(dá)到預(yù)測精度為止。

（4）輸出種群中果蠅所處濃度最高的位置，即神經(jīng)網(wǎng)絡(luò) 的最優(yōu)權(quán)值。輸出預(yù)測結(jié)果。FOA-BP 算法流程如圖 2 所示。

2 實(shí)驗(yàn)結(jié)果與分析

 本模型采用武漢某發(fā)電企業(yè)發(fā)電機(jī)組 1 的發(fā)電數(shù)據(jù)進(jìn)行 試驗(yàn)。時(shí)間段選取 6 ：00-19 ：00。訓(xùn)練樣本選取 6 月份的數(shù) 據(jù) 120 組，其中輸入量是各時(shí)段的平均光照強(qiáng)度、平均溫度， 輸出量是各時(shí)段的發(fā)電量。預(yù)測樣本是 6月 6 日 6 ：00-19 ：00 各時(shí)段的數(shù)據(jù)。神經(jīng)網(wǎng)絡(luò)激勵(lì)函數(shù)采用單極性 sigmod 激勵(lì)函 數(shù) g（x）=1/（1+e-x），神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為雙隱含層，隱含層神經(jīng) 元個(gè)數(shù)為 25，預(yù)測樣本各時(shí)段的平均溫度以及平均光照，分 別如圖 3，圖 4 所示。

預(yù)測發(fā)電量與實(shí)際發(fā)電量的對比如圖 5 所示。預(yù)測誤差 如圖 6 所示。

由圖 6 的預(yù)測曲線圖可知，大部分時(shí)段的預(yù)測誤差都在 15% 內(nèi)，在第 6、第 10 時(shí)段誤差較大，總體來看發(fā)電量預(yù)測 曲線能很好的與實(shí)際發(fā)電量曲線擬合。

3 結(jié) 語

本文提出的 FOA-BP 算法能應(yīng)用到光伏發(fā)電量預(yù)測模型， 使得輸出結(jié)果具有較強(qiáng)的準(zhǔn)確性、收斂速度快以及尋優(yōu)能力 強(qiáng)等特點(diǎn)。本模型算法可以有效為光伏發(fā)電廠的選址以及電廠 維護(hù)提供理論依據(jù)，從而為發(fā)電企業(yè)帶來更多的利益。準(zhǔn)確 的光伏發(fā)電量預(yù)測能夠?yàn)楣搽娋W(wǎng)的維護(hù)和電力的再分配提 供有力的理論支持。