一种基于改进灰色BP神经网络组合的光伏出力预测方法.pdf

第４４卷第１８期２０１６年９月１６日电力系统保护与控制ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌＶｂ１．４４Ｎｏ．１８Ｓｅｐ．１６，２０１６ＤＯＩ：１０．７６６７／ＰＳＰＣ１５１６７５一种基于改进灰色ＢＰ神经网络组合的光伏出力预测方法王新普，周想凌，邢杰，杨军（１．武汉大学电气工程学院，湖北武汉４３００７２；２．湖北省电力公司运营监测（控）中心，湖北武汉４３００７７）摘要：光伏发电具有典型的问歇性、波动性等特点。准确预测光伏出力对电网调度、电网规划、提升新能源发电竞争力具有重要意义。提出了一种基于改进灰色ＢＰ神经网络的多模型组合光伏出力预测方法，采用常规ＧＭ（１，１）模型、幂函数变换ＧＭ（１，１）模型、基于残差修正的ＧＭ（１，１）模型以及等维新息ＧＭ（１，１）四种模型，利用ＢＰ神经网络对光伏出力的单一灰色预测结果进行优化组合输出，并根据输出值和期望值的偏差自动调整组合权值。该方法通过将多个单一预测结果组合成样本训练ＢＰ神经网络来获得较优权系数，避免了数值求解权系数的复杂过程，能够得到更为精确的预测结果。采用湖北某地光伏系统实际出力数据对该预测方法进行了验证。计算结果表明该基于改进灰色ＢＰ神经网络组合的光伏出力预测方法能够明显提高光伏出力预测精度。关键词：ＢＰ神经网络；组合权重；灰色模型；光伏出力预测；模糊ｃ．均值ＡｐｒｅｄｉｃｔｉｏｎｍｅｔｈｏｄｏｆＰＶｏｕｔｐｕｔｐｏｗｅｒｂａｓｅｄｏｎｔｈｅｃｏｍｂｉｎａｔｉｏｎｏｆｉｍｐｒｏｖｅｄｇｒｅｙｂａｃｋｐｒｏｐａｇａｔｉｏｎｎｅｕｒａｌｎｅｔｗｏｒｋＷＡＮＧＸｉｎｐｕ，ＺＨＯＵＸｉａｎｇｌｉｎｇ，Ｘ１ＮＧＪｉｅ，ＹＡＮＧＪｕｎ（１．ＳｃｈｏｏｌｏｆＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＷｕｈａｎＵｎｉｖｅｒｓｉｔｙ，Ｗｕｈａｎ４３００７２，Ｃｈｉｎａ；２．ＯｐｅｒａｔｉｏｎＭｏｎｉｔｏｒｉｎｇＣｅｎｔｅｒ，ＨｕｂｅｉＥｌｅｃｔｒｉｃＰｏｗｅｒＣｏｍｐａｎｙ，Ｗｕｈａｎ４３００７７，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｐｈｏｔｏｖｏｌｔａｉｃ（ＰＶ）ｐｏｗｅｒｇｅｎｅｒａｔｉｏｎｈａｓｔｈｅｔｙｐｉｃａｌｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｉｎｔｅｒｍｉｔｔｅｎｃｅａｎｄｖｏｌａｔｉｌｉｔｙ．Ｔｈｅｒｅｆｏｒｅ，ｉｔｉｓｏｆｇｒｅａｔｉｍｐｏｒｔａｎｃｅｔｏａｃｃｕｒａｔｅｌｙｐｒｅｄｉｃｔｓｏｌａｒｏｕｔｐｕｔｆｏｒｏｐｔｉｍｉｚａｔｉｏｎｏｆｐｏｗｅｒｇｒｉｄｓｃｈｅｄｕｌｉｎｇ，ｐｏｗｅｒｇｒｉｄｐｌａｎｎｉｎｇ，ａｎｄｉｍｐｒｏｖｉｎｇｔｈｅｃｏｍｐｅｔｉｔｉｖｅｎｅｓｓｏｆｔｈｅｒｅｎｅｗａｂｌｅｅｎｅｒｇｙｐｏｗｅｒｇｅｎｅｒａｔｉｏｎ．Ｂａｓｅｄｏｎｔｈｅｍｏｄｉｆｉｅｄｇｒｅｙｂａｃｋｐｒｏｐａｇａｔｉｏｎ（ＢＰ）ｎｅｕｒａｌｎｅｔｗｏｒｋ，ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｓａｍｕｌｔｉ－ｍｏｄｅｌｃｏｍｂｉｎａｔｉｏｎｐｈｏｔｏｖｏｌｔａｉｃｏｕｔｐｕｔｐｏｗｅｒｐｒｅｄｉｃｔｉｏｎｍｅｔｈｏｄ．Ｔｈｅｃｏｎｖｅｎｔｉｏｎａｌｇｒｅｙｍｏｄｅｌ，ｔｈｅｐｏｗｅｒｆｕｎｃｔｉｏｎｔｒａｎｓｆｏｒｍａｔｉｏｎｇｒｅｙｍｏｄｅｌ，ｔｈｅｒｅｓｉｄｕａｌｍｏｄｉｆｉｃａｔｉｏｎｇｒｅｙ—ｍｏｄｅｌａｎｄｔｈｅｅｑｕａｌ－－ｄｉｍｅｎｓｉｏｎ－ｎｅｗｌｙ・・ｉｎｆｏｒｍａｔｉｏｎｇｒｅｙｍｏｄｅｌａｒｅｕｓｅｄａｎｄａｌｌｓｉｎｇｌｅｇｒｅｙｆｏｒｅｃａｓｔｉｎｇｒｅｓｕｌｔｓａｒｅｏｐｔｉｍｉｚｅｄｃｏｍｂｉｎａｔｉｏｎｂｙｕｔｉｌｉｚｉｎｇＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ．Ｔｈｅｃｏｍｂｉｎａｔｉｏｎｗｅｉｇｈｔｓａｒｅａｕｔｏｍａｔｉｃａｌｌｙａｄｊｕｓｔｅｄａｃｃｏｒｄｉｎｇｔｏｔｈｅｄｅｖｉａｔｉｏｎｏｆｔｈｅｏｕｔｐｕｔｖａｌｕｅｓａｎｄｅｘｐｅｃｔｅｄｖａｌｕｅｓ．Ｔｈｉｓｍｅｔｈｏｄａｖｏｉｄｓｔｈｅｃｏｍｐｌｅｘｐｒｏｃｅｓｓｏｆｃａｌｃｕｌａｔｉｎｇｗｅｉｇｈｔｃｏｅｆｆｉｃｉｅｎｔ．ＢｙｉｎｔｅｇｒａｔｉｎｇｍｕｌｔｉｐｌｅｓｉｎｇｌｅｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓａｓｔｈｅｓａｍｐｌｅｔｏｔｒａｉｎｔｈｅＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ，ｉｔｃａｎｆｉｎａｌｌｙｏｂｔａｉｎｔｈｅｏｐｔｉｍａｌｗｅｉｇｈｔｓａｎｄａｃｃｕｒａｔｅｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓ．ＴｈｅｆｏｒｅｃａｓｔｉｎｇｉｓｒｅａｌｉｚｅｄｂａｓｅｄｏｎｒｅａｌＰＶｄａｔａｏｆＨｕｂｅｉｐｏｗｅｒｇｒｉｄ．Ｅｘａｍｐｌｅｃａｌｃｕｌａｔｉｏｎｄｅｍｏｎｓｔｒａｔｅｓｔｈａｔｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｃａｎｓｉｇｎｉｆｉｃａｎｔｌｙｉｍｐｒｏｖｅｔｈｅｐｒｅｄｉｃｔｉｏｎａｃｃｕｒａｃｙｏｆｐｈｏｔｏｖｏｌｔａｉｃｏｕｔｐｕｔ．ＴｈｉｓｗｏｒｋｉｓｓｕｐｐｏｒｔｅｄｂｙＮａｔｉｏｎａｌＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆＣｈｉｎａ（Ｎｏ．５１２７７１３５ａｎｄＮｏ．５０７０７Ｏ２１）．Ｋｅｙｗｏｒｄｓ：ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ；ｃｏｍｂｉｎａ—ｔｉｏｎｗｅｉｇｈｔ；ｇｒｅｙｍｏｄｅｌ；ｐｈｏｔｏｖｏｌｔａｉｃｏｕｔｐｕｔｐｏｗｅｒｐｒｅｄｉｃｔｉｏｎ；ｆｕｚｚｙｃｍｅａｎｓ０引言目前，地球上的能源直接或问接都是来自太阳，如水力、太阳辐射、风力等，其中太阳能成基金项目：国家自然科学基金项目（５１２７７１３５，５０７Ｏ７０２１）；湖北省电力公司科技项目资助为取代化石能源的理想能源之一，同时也是光伏发电系统中的清洁可再生的重要动力能源Ｉｌ】。光伏发电功率输出受环境影响较大，大规模并网将会给整个电网带来较大的影响［。因此，为保证光伏系统并入后电网能继续稳定运行，必须对光伏出力进行准确的预测。目前，对于光伏出力预测的研究工作已有一定．８２．电力系统保护与控制基础。单一的预测方法［３－ｓ］实现起来较为简单，如人工神经网络预测、卡尔曼滤波预测、马尔科夫链预测等，但其预测的准确性严重依赖于样本以及输入量的选取。将若干个单一预测方法进行组合，能够在不同角度上综合利用单个模型的有用信息，全面反映系统规律，以提高预测精度。文献［６］将神经网络和遗传算法（ＧＡ）进行组合，利用ＧＡ初始化神经网络的权值和阈值，提高了预测速度和精度。文献『７－８１￣用组合预测的方法，先将原数据进行分解，对各个子序列进行优化预测，最后通过组合叠加获得较优预测结果。文献［９】利用灰色模型求解得到的微分方程结果作为马尔科夫链微分转移概率矩阵；同时为了提高预测精度，还给出了光伏出力预测值的范围及相应的概率。以上文献涉及到的组合方法大都能够获得优于单一预测的结果，提高预测精度；但组合预测的模型数量相对较少Ｉ１训，不能充分体现组合预测多角度、全方面反映系统规律的特点：而当组合模型较多时，利用数值方法精确求解权系数将变得很复杂。考虑到光伏出力与季节类型、天气类型、光照强度等多种气象因素有关，精确描述其系统规律较为困难。本文提出了一种基于改进灰色ＢＰ神经网络的多模型组合光伏出力预测方法，采用常规ＧＭ（１，１）模型、幂函数变换ＧＭ（１，１）模型、基于残差修正的ＧＭ（１，１）模型以及等维新息ＧＭ（１，１）四种模型【Ｊ，利用ＢＰ神经网络对光伏出力的单一灰色预测结果进行优化组合输出，根据输出值和期望值偏差自动调整组合权值。该方法通过将多个单一预测结果组合成样本训练ＢＰ神经网络来获得较优权系数，避免了数值求解权系数的复杂过程，能够得到更为精确的预测结果。基于本文建立的预测模型可以对不同天气类型下一天各时段的出力进行预测。基于预测结果，制定微网储能装置出力计划，选择合适的电网运行方式，对光伏输出功率进行协调控制，保障微电网系统输出功率稳定，减少光伏出力不稳定对系统的影响。１预测样本选取预测模型的样本选取关系到模型输出的精度［１。文献［１３１分析得出影响光伏出力的主要气象因素包括太阳辐照度、大气温度、相对湿度、风速、天气类型等。考虑到太阳辐照度数据有时难以获取，本文主要选取日最高温度、曰平均温度、日最低温度、日类型、日平均风速作为影响光伏出力的特征量，并利用模糊ｃ．均值法进行样本分类。１．１模糊ｃ一均值聚类本文采用模糊ｃ．均值方法［１４－１５］进行光伏出力预测样本数据的选取，基于聚类准则建立目标函数，通过逐步迭代每次沿着目标函数减小的方向进行，最终实现模糊划分，具体算法流程如下：ｆ１）选择Ｆ／个研究对象的ｍ个特征量，构造特征量矩阵，即论域…１，Ｘ２，，｝。（２１初始化模糊划分矩阵并确定分类数Ｃ。Ｕ＝……Ｈ１１１ｌ＂…ｆ１…甜打ｎ…ｃ１…ｃ，∈∑其中：ｃ为常数；［０，１】且＝１，Ｖｋ。ｉ＝１（３）根据论域Ｘ和模糊矩阵计算聚类中心。ｎ”，∽∑∽∑∽ｗｉ＝（）Ｘｋ／（）ｋ＝ｌ，＝１其中：Ｓ代表迭代次数；ｇ为模糊化程度常数，一般ｇ在［Ｏ，２］之间。（４）修正模糊矩阵，并重新计算聚类中心，…Ｗ＝１ｗＩ，ｗ２，，Ｉ，模糊矩阵修正公式厂Ｔ＝∑“—Ｉ（￡。／）Ｉ，式中厶＝１ＩＸｋＩＩＬｊ＝ｌ表示样本与聚类中心的距离。（５）计算两个相邻目标函数一Ｉ的偏差，ｒ１∑∑ＲＪ（Ｕ，ｒｖ）＝ｍｉｎ｛（）ｌＩＸｋ－ｗｉｌｌ｝。如果偏差Ｌｋ＝ｌｉ＝ｌＪ小于设定值或者迭代次数达到最大设定次数，结束迭代；否则返回第（３）步。（６）迭代完成后，可求得模糊划分矩阵，根据模糊划分矩阵对样本进行分类。１．２基于模糊ｃ一均值光伏出力样本聚类利用已知的气象信息，将各个因素进行量化并映射［１６１Ｎ［ｏ，１１区间，并利用上述模糊ｃ．均值方法进行聚类。聚类分析得出结果后，利用式（１）计算各类聚类中心：１ｈ—Ｘｉｋ＝∑亡，ｋ＝１２一，ｍ（１）ｊ＝ｌ根据预测目的天气预报信息，分别求取预测日与上述各类聚类中心的距离，取距离最小的作为预测日的类别［１。在确定预测目的类别后，进一步求王新普，等一种基于改进灰色ＢＰ神经网络组合的光伏出力预测方法．８３．取该类每一个样本与预测曰的相似度值，并按从大到小排序，在确定样本数后即可选择与预测日相似度最大的前ｆ个历史样本数据进行预测。ｆ为用来进行预测的历史数据样本个数。场合［１引。为提高预测精度，可以对原始数据取幂函数变换，即新的序列为‘‘‘’‘…‘”）（。＝＝｛６。（１），６。（２），６。，，６。）（９）其中，ｂ＞ｌ。对于上述数列，在原始数据大于０的２灰色预测建模范围，…随着（。（尼）（１，２，３，，）的一个微小变化，灰色模型建模数据少，能够利用分析系统因素间相互影响强度、相异程度来寻找系统变化规律【ｌ。基于对原始数据的处理方式以及对预测结果的修正方式不同，可以建立不同的ＧＭ模型。考虑到ＢＰ神经网络多用于输入量较多的复杂问题，输入量太少不易发挥ＢＰ神经网络的函数逼近能力，但输入量太多又会使得预测方法太过复杂，不利于实际运用。因此本文选择如下４种预测模型。２．１灰色ＧＭ（１，１）模型常规ＧＭ（１，１）模型较为简单，通过对原始非负数据进行一阶累加处理，弱化原始数据的随机性。记原始数列为∞∞’…ｘ（ｏ）＝｛（１），（２），（３），，（）｝（２）上标代表累加的次数，则一阶累加生成序列为＝’’…｛（１），ｘ（２），０（３），，（）｝（３）其中ｒｋ）＝∞”（｛）＝－１）＋）ｆ４１Ｉ：１一对累加序列建立微分方程：ｄｘ（）／ｄｔ＋ａｘ（）＝ｆ５）“根据最ｄ＇，Ｓ－乘法，求解发展系数ａ和灰作用量。Ｂ＝＝一‘‘０．５（ｘ（１）＋（２）），１—‘’０．５（ｘ（２）＋（３）），１—‘’‘０．５（ｘ（一１）＋（）），１‘’ｘ。（２）‘’ｏ（３）。（）『］＝ｃｃ７预测方程可表示为‘’‘’——‘』圣。（）＝＝（１＿ｅａ）（。（１）／）ｅ一一（８）ｌ…ｋ＝２，３，２．２幂函数变换ＧＭ（１，１）模型ＧＭ（１，１）模型仅适用于原始数据序列非负、符合或基本符合指数规律变化且变化速度不是很快的指数函数值将产生较大变化，因此要对原始数据先进行处理再进行幂函数变换。将原始灰序列映射到卜１，０１的区间：＿１（１０）经过归一化处理并进行幂函数变换后的灰序列，可按照２．１节的方法进行灰色预测。其最后预｛９１０结果依式（１１进行还原：‘”‘’…（尼）＝（１ｏｇ６｛（１一ｅａ）（一ａ）ｅ｝＋１）・、‘‘‘（ｍａｘ（ｘ。）一ｍｉｎ（ｘ。））＋ｍｉｎ（ｘ。）２．３基于残差修正的ＧＭ（１，１模型根据传统的ＧＭ（１，１）方法求得预测序列后，与真实值进行运算可得残差序列：＝…｛（１），（２），占（３），，￡（）｝将残差序列进行正数化：…∞￡：ａｂｓ（ｍｉｎ｛ｇ（１），ｇ（２），Ｅ（３），，ｓ（）｝）＋…｛ｓ（１），￡（２），￡（３），，￡（）｝＋ｐＰ为一个正常数，通过上式将残差序列转化为一个正数序列。对灰色残差序列建立ＧＭ（１，１）模型，得到预测序列：‘’‘’“。（＋１）：（１一ｅ）【￡。（１）一甜２ａ］ｅ一２（１３）式中，０２和甜分别为残差序列的ＧＭ（１，１）参数。则修正模型预测算法为‘‘‘。（＋１）＝（１一ｅａ）（ｘ。（１）－ｕ／ａ）ｅ一一＋，，．、’’（１一ｅ）【￡（１）一Ｒ２ａ２］ｅ一２．４等维新息ＧＭ（１，１）模型灰色预测的准确性建立在可靠的历史数据之上。离原点数据较近的点受历史数据影响较大，变化趋势较为一致，预测精度较高；对于离原点数据较远的点，随着时间推移将会出现新的随机因素，使得预测值发生较大偏差。因此在建立预测模型过程中，随时将进入系统的新信息置入（Ｕ中，同时将旧信息删除，通过新陈代谢过程保证预测精度。基于等维新息的ＧＭ（１，１）模型通过不断更新数据同时维持模型维数不变来提高预测精度。．．８４．．电力系统保护与控制２．５四种灰色模型组合每种灰色模型都能够对系统光伏出力进行有效预测，且改进方法只能提高整体预测精度，即常规的预测方法可能在某些时刻的预测精度要高于改进预测方法。因此本文利用多种灰色模型，结合ＢＰ神经网络的优化组合能力进行光伏出力预测，充分发挥组合方法的优势。３基于改进灰色ＢＰ神经网络组合模型ＢＰ神经网络能够对多个输入量通过权值组合逼近期望输出，且不需要系统的模型，同时避免复杂的数值计算。因此本文将多种灰色模型预测得到的结果作为ＢＰ神经网络的输入信号，通过样本训练获得最优的神经网络权值，最后将预测日的预测值输入训练好的网络，得到最终的输出预测结果。３．１ＧＭ模型的建立灰色预测模型需要的数据较少，本文的光伏数据采用湖北某地光伏系统２０１４年７月至１２月的光伏出力。原始数据为整天２４ｈ的数据，５ｍｉｎ一个测量点。考虑到每天８点到１８点有光伏功率输出，取１１个小时整点时刻的平均输出功率作为研究对象。本文选取８月１５号作为预测日。根据历史光伏出力数据对应的气象信息，利用第２节的方法对数据进行分类。本文中分类数选为５，同时用来预测的样本数也为５，即ｔ＝－５。通过计算可以得出与预测日相似度最大的前５天的光伏出力如图１所示。９１０Ｈ１２１３１４１５ｌ６ｌ７１８ｔ／ｈ＿７月２５日Ｉ７月２６日７月２７阳７月２８日８月９日８月１５｝ｊ图１预测样本集通过图１可以看出，所选样本出力曲线变化趋势大致相同，即利用模糊ｃ．均值聚类可以获得相似度较大的样本，能够有效地进行光伏出力预测。３．２预测模型的建立在预测过程中，选择前５组数据作为训练样本，最后一组数据为测试样本。通过灰色预测方法分别求得５个训练样本和１个测试样本的预测值；将５个训练样本每天相同的整点时刻的４个预测值作为ＢＰ神经网络的输入，将对应的整点时刻的实际值作为期望输出进行训练。最后将预测日对应的整点时刻的预测值输入训练好的网络，得到最终的输出预测值。基于ＢＰ神经网络组合权重的ＧＭ光伏预测流程图如２所示。４算例分析图２预测流程图Ｆｉｇ．２Ｆｏｒｅｃａｓｔｆｌｏｗｃｈａｒｔ通过以上分析，利用湖北某地光伏系统２０１４年实际历史光伏出力数据，在Ｍａｔｌａｂ环境下进行算例验证，并对预测结果进行分析。４．１基于ＢＰ权重组合预测模型预测结果通过第３节已求得与预测日相似度最大的样本序列，利用该样本序列建立４种灰色预测模型。前３种预测模型均以图１中前５日的数据序列作为灰色模型的原始数据。基于等维新息的ＧＭ（１，１）模型利用前３组的数据预测第４组的数据，再剔除第１组的数据；利用２到４组的数据预测第５组的数据，然后依此方法求解整个样本集的预测值。预测日的预测值如表１所示。基于灰色模型得到样本集６天的预测数据序列，利用前５天的数据作为训练样本，８月１５目的数据作为测试样本。基于ＢＰ神经网络组合权重的灰色预测结果列于表１。图３为相应的预测目光伏出力曲线。∞∞∞∞∞如如加ｍＯ王新普，等一种基于改进灰色ＢＰ神经网络组合的光伏出力预测方法表１８月１５日光伏出力预测值Ｔａｂｌｅ１ＰｈｏｔｏｖｏｌｔａｉｃｏｕｔｐｕｔｆｏｒｅｃａｓｔｏｎＡｕｇｕｓｔ１５图３晴天光伏出力Ｆｉｇ．３Ｐｈｏｔｏｖｏｌｔａｉｃｏｕｔｐｕｔｏｆｓｕｎｎｙｄａｙ４．２多种模式下ＢＰ权重组合预测模型分析为验证上述方法的有效性，本节考虑样本处理方式的变化、灰色模型数量的变化、以及天气类型的变化等三个方面，对ＢＰ权重组合模型预测方法的有效性进行校验。４．２．１非聚类模式下ＢＰ权重组合模型预测分析４．１节在进行光伏出力预测分析前，对数据样本进行分类。为分析样本聚类对预测精度的影响，本节提取上述湖北某地光伏系统连续７天的数据进行分析，图４为相应的光伏出力预测曲线。通过曲线图可以看出，在不进行样本聚类的情况下，整体预测精度较差，而本文提出的基于ＢＰ权重组合预测模型较其他灰色预测方法具有更高的准确度。表２列出非聚类情况下各种预测方法的均方根误差值。４．２．２变灰色模型模式下ＢＰ权重组合模型预测分析４．１节的预测分析以４种灰色模型作为ＢＰ神经网络的输入变量，获得较高的预测精度。本节分别考虑两种灰色模型和三种灰色模型作为神经网络的输入时，各种ＢＰ权重组合模型预测的有效性。ｆ『ｈ图４非聚类模式下光伏出力Ｆｉｇ．４Ｐｈｏｔｏｖｏｌｔａｉｃｏｕｔｐｕｔｗｉｔｈｏｕｔｃｌａｓｓｉｆｉｃａｔｉｏｎ表２均方根误差１＇ａｂｌｅ２ＩＭＳｅｒｒｏｒｓｏｆｍｏｄｅｌｓ利用４．１节相同的晴天数据，两种灰色模型组合时，两个灰色模型分别为幂函数变换ＧＭ（１，１）模型和等维新息ＧＭ（１，１）模型，三种灰色模型组合时，增加的灰色模型为传统ＧＭ（Ｉ，１１模型。图５为３种情况下相应的光伏出力预测曲线，表３列出了３种情况下相应的均方根误差值。从表３可以看出，在灰色模型数量变化时，ＢＰ权重组合模型的预测精度变化不大；当灰色模型数较多时，预测精度．８６．电力系统保护与控制有一定的提高。综合分析可知，ＢＰ模型输入层神经元过多，能提高网络的识别率，但同时也使网络结构复杂，取样空间增加；神经元过少，一定程度上能简化网络结构，缩短取样空间，但又会使网络识别率降低Ｌ１。因此在确定ＢＰ神经网络输入层神经元数时，需综合考虑网络结构复杂度和预测精度两方面的要求。图５不同灰色模型组合时光伏出力Ｆｉｇ．５Ｐｈｏｔｏｖｏｌｔａｉｃｏｕｔｐｕｔｗｉｔｈｄｉｆｆｅｒｅｎｔｃｏｍｂｉｎａｔｉｏｎｏｆｇｒｅｙｍｏｄｅｌｓ表３不同灰色模型组合时均方根误差Ｔａｂｌｅ３ＲＭＳｅｒｒｏｒｓｏｆｃｏｍｂｉｎａｔｉｏｎｆｏｒｄｉｆｆｅｒｅｎｔｇｒｅｙｍｏｄｅｌｓ４．２－３阴天模式下ＢＰ权重组合模型预测分析为验证ＢＰ权重组合预测模型在各种天气类型情况下均适用，本节提取该光伏系统中阴天的数据进行光伏出力预测。利用４．１节的方法，对数据样本进行分类并分别利用灰色模型进行初步预测，最后通过ＢＰ权重组合预测模型获得相应预测日的光伏出力，结果如图６所示。基于ＢＰ权重组合预测模型能够获得较好的预测精度。各种预测方法的均方根误差列于表２。图６阴天光伏出力Ｆｉｇ．６Ｐｈｏｔｏｖｏｌｔａｉｃｏｍｐｍｏｆｏｖｅｒｃａｓｔｓｋｙ４．３结果分析利用均方根误差对上述各种方法的综合预测效果进行比较分析。ｅｅＭＳＥ（１５）均方根误差计算结果如表２所示。各模型依次对应为模型１：幂函数变换ＧＭ（１，１）模型；模型２：残差修正ＧＭ（１，１１模型；模型３：等维新息ＧＭ（１，１模型；模型４：传统ＧＭ（１，１）模型；模型５：基于改进灰色ＢＰ神经网络组合模型。可以看出模型５。基于改进灰色ＢＰ神经网络组合模型的预测效果最好，能够提高整体预测精度，有实用价值。５结论光伏发电受光照强度等因素的影响，其输出功率不稳定，会给电网规划、系统调度和电网的可靠、稳定运行带来诸多问题，因此研究光伏发电功率预测具有重要意义。本文提出了一种基于改进灰色ＢＰ神经网络组合的光伏出力预测方法，采用模糊ｃ．均值对历史光伏出力进行分类，并选取与预测日相似度最大的历史数据作为样本；在此基础上将多个单一灰色预测结果作为ＢＰ神经网络样本来训练神经网络，进行非线性组合来逼近期望输出。该方法能够多方面、多角度获取系统规律，充分发挥组合预测的优势，避免了变权组合预测模型的主观与繁琐。以湖北某地光伏系统２０１４年实际历史光伏出力数据为样本进行了仿真计算，计算结果表明该方法能够明显提高光伏出力预测精度，具有一定实用价值。参考文献［１］姚致清，张茜，刘喜梅．基于ＰＳＣＡＤ／ＥＭＴＤＣ的三相光伏并网发电系统仿真研究［Ｊ］．电力系统保护与控—制，２０１０，３８（１７）：７６８１．ＹＡＯＺｈｉｑｉｎｇ，ＺＨＡＮＧＱｉａｎ，ＬＩＵＸｉｍｅｉ．Ｒｅｓｅａｒｃｈｏｎ—ｓｉｍｕｌａｔｉｏｎｏｆａｔｈｒｅｅ－ｐｈａｓｅｇｒｉｄ－－ｃｏｎｎｅｃｔｅｄｐｈｏｔｏｖｏｌｔａｉｃｇｅｎｅｒａｔｉｏｎｓｙｓｔｅｍｂａｓｅｄｏｎＰＳＣＡＤ／ＥＭＴＤＣ［Ｊ］．Ｐｏｗｅｒ—ＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２０１０，３８（１７）：７６８１．Ｅ２３姚致清，于飞，赵倩，等．基于模块化多电平换流器的大型光伏并网系统仿真研究［Ｊ】．中国电机工程学报，—２０１３，３３（３６）：２７３３．ＹＡＯＺｈｉｑｉｎｇ，ＹＵＦｅｉ，ＺＨＡＯＱｉａｎ，ｅｔａ１．Ｓｉｍｕｌａｔｉｏｎｒｅｓｅａｒｃｈｏｎｌａｒｇｅ－・ｓｃａｌｅＰＶｇｒｉｄ－－ｃｏｎｎｅｃｔｅｄｓｙｓｔｅｍｓｂａｓｅｄｏｎＭＭＣ［Ｊ］．ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＣＳＥＥ，２０１３，３３（３６）：２７．３３．［３］孔波利，崔丽艳，丁钊，等．基于风光混合模型的短期功率预测方法研究［Ｊ］．电力系统保护与控制，２０１５，—４３（１８、：６２６６．王新普，等一种基于改进灰色ＢＰ神经网络组合的光伏出力预测方法．．８７．．ＫＯＮＧＢｏｌｌ，ＣＵＩＬｉｙａｎ，ＤＩＮＧＺｈａｏ，ｅｔａ１．Ｓｈｏｒｔｔｅｒｍ—ｐｏｗｅｒｐｒｅｄｉｃｔｉｏｎｂａｓｅｄｏｎｈｙｂｒｉｄｗｉｎｄＰＶｆｏｒｅｃａｓｔｉｎｇｍｏｄｅｌ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２０１５，４３（１８、：６２－６６．［４］赵书强，王明雨，胡永强，等．基于不确定理论的光伏出力预测研究［Ｊ］．电工技术学报，２０１５，３０（１６）：２１３．２２０．ＺＨＡＯＳｈｕｑｉａｎｇ，ＷＡＮＧＭｉｎｇｙｕ，ＨＵＹｏｎｇｑｉａｎｇ，ｅｔａ１．Ｒｅｓｅａｒｃｈｏｎｔｈｅｐｒｅｄｉｃｔｉ０ｎＯｆＰＶｏｕｔｐｕｔｂａｓｅｄｏｎｕｎｃｅｒｔａｉｎｔｙｔｈｅｏｒｙ［Ｊ］．ＴｒａｎｓａｃｔｉｏｎｓｏｆＣｈｉｎａＥｌｅｃｔｒｏｔｅｃｈｎｉｃａｌ—Ｓｏｃｉｅｔｙ，２０１５，３０（１６）：２１３２２０．［５］ＬＩＹ，ＮＩＵＪ．Ｆｏｒｅｃａｓｔｏｆｐｏｗｅｒｇｅｎｅｒａｔｉｏｎｆｏｒｇｒｉｄ．ｃｏｎｎｅｃｔｅｄｐｈｏｔｏｖｏｌｔａｉｃｓｙｓｔｅｍｂａｓｅｄｏｎＭａｒｋｏｖｃｈａｉｎ［Ｃ】／／ＰｏｗｅｒａｎｄＥｎｅｒｇｙＥｎｇｉｎｅｅｒｉｎｇＣｏｎｆｅｒｅｎｃｅ，２００９．Ａ＿ＰＰＥＥＣ２００９．Ａｓｉａ－Ｐａｃｉｆｉｃ．ＩＥＥＥ．２００９：１－４．—［６］罗建春，晁勤，罗洪，等．基于ＬＶＱＧＡ．ＢＰ神经网络光伏电站出力短期预测［Ｊ］．电力系统保护与控制，—２０１４，４２（１３）：８９９４．ＬＵ０Ｊｉａｎｃｈｕｎ，ＣＨＡＯＱｉｎ，ＬＵ０Ｈｏｎｇ，ｅｔａ１．ＰＶｓｈｏｒｔ・－ｔｅｒｍｏｕｔｐｕｔｆｏｒｅｃａｓｔｉｎｇｂａｓｅｄｏｎＬＶＱ－－ＧＡ－－ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，—２０１４，４２（１３）：８９９４．［７］田中大，李树江，王艳红，等．基于小波变换的风电场短期风速组合预测［Ｊ】．电工技术学报，２０１５，３Ｏ（９）：ｌ１２－１２０．ＴＩＡＮＺｈｏｎｇｄａ，ＬＩＳｈｕｊｉａｎｇ，ＷＡＮＧＹａｎｈｏｎｇ，ｅｔａ１．—Ｓｈｏｒｔｔｅｒｍｗｉｎｄｓｐｅｅｄｃｏｍｂｉｎｅｄｐｒｅｄｉｃｔｉｏｎｆｏｒｗｉｎｄｆａｒｍｓｂａｓｅｄｏｎｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍ［Ｊ］．ＴｒａｎｓａｃｔｉｏｎｓｏｆＣｈｉｎａＥｌｅｃｔｒｏｔｅｃｈｎｉｃａｌＳｏｃｉｅｔｙ，２０１５，３０ｆ９）：１１２．１２０．［８］王贺，胡志坚，张翌晖，等．基于聚类经验模态分解和最小二乘支持向量机的短期风速组合预测ｆＪ］．电工技—术学报，２０１４，２９（４）：２３７２４５．ＷＡＮＧＨｅ，ＨＵＺｈｉｊｉａｎ，ＺＨＡＮＧＹｉｈｕｉ，ｅｔａ１．Ａｈｙｂｒｉｄｍｏｄｅｌｆｏｒｓｈｏｒｔ－ｔｅｒｍｗｉｎｄｓｐｅｅｄｆｏｒｅｃａｓｔｉｎｇｂａｓｅｄｏｎｅｎｓｅｍｂｌｅｅｍｐｉｒｉｃａｌｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎａｎｄｌｅａｓｔｓｑｕａｒｅｓｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅｓ［Ｊ］．ＴｒａｎｓａｃｔｉｏｎｓｏｆＣｈｉｎａＥｌｅｃｔｒｏｔｅｃｈｎｉｃａｌＳｏｃｉｅｔｙ，２０１４，２９（４）：２３７．２４５．［９ＪＬＩＹｉｎｇｚｉ，ＬＵＡＮＲｕ，ＮＩＵＪｉｎｃａｎｇ．Ｆｏｒｅｃａｓｔｏｆｐｏｗｅｒｇｅｎｅｒａｔｉｏｎｆｏｒｇｒｉｄ－ｃｏｎｎｅｃｔｅｄｐｈｏｔｏｖｏｌｔａｉｃｓｙｓｔｅｍｂａｓｅｄｏｎｇｒｅｙｍｏｄｅｌａｎｄＭａｒｋｏｖｃｈａｉｎ［Ｃ】／／ＩｎｄｕｓｔｒｉａｌＥｌｅｃｔｒｏｎｉｃｓａｎｄＡｐｐｌｉｃａｔｉｏｎｓ，２００８．１ＣＩＥＡ２００８．３ｒｄＩＥＥＥＣｏｎｆｅｒｅｎｃｅｏｎ．ＩＥＥＥ，２００８：１７２９－１７３３．［１０］王守相，张娜．基于灰色神经网络组合模型的光伏短期出力预测［Ｊ］．电力系统自动化，２０１２，３６（１９）：３７．４１．ＷＡＮＧＳｈｏｕｘｉａｎｇ，ＺＨＡＮＧＮａ．Ａｍｏｄｅｌｔｏｆｏｒｅｃａｓｔｓｈｏｒｔ－ｔｅｒｍｏｕｔｐｕｔｐｏｗｅｒｏｆｐｈｏｔｏｖｏｌｔａｉｃｓｙｓｔｅｍｂａｓｅｄｏｎｇｒｅｙａｎｄｎｅｕｒａｌｎｅｔｗｏｒｋｔｈｅｏｒｙ［Ｊ］．ＡｕｔｏｍａｔｉｏｎｏｆＥｌｅｃｔｒｉｃＰｏｗｅｒＳｙｓｔｅｍｓ，２０１２，３６（１９）：３７－４１．［１１］牛东晓．电力负荷预测技术及其应用【Ｍ】．２版．北京：中国电力出版社．２００９：１６３．１７８．［１２］姜强鑫．基于小波神经网络的分布式光伏发电出力预测［Ｄ］．南昌：南昌大学，２０１２．［１３］代倩，段善旭，蔡涛，等．基于天气类型聚类识别的光伏系统短期无辐照度发电预测模型研究［Ｊ］．中国电机—工程学报，２０１１，３１（３４）：２８３５．—ＤＡＩＱｉａｎ，ＤＵＡＮＳｈａｎｘｕ，ＣＡＩＴａｏ，ｅｔａ１．ＳｈｏｒｔｔｅｒｍＰＶｇｅｎｅｒａｔｉｏｎｓｙｓｔｅｍｆｏｒｅｃａｓｔｉｎｇｍｏｄｅｌｗｉｔｈｏｕｔｉｒｒａｄｉａｔｉｏｎｂａｓｅｄｏｎｗｅａｔｈｅｒｔｙｐｅｃｌｕｓｔｅｒｉｎｇ［Ｊ］．—ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＣＳＥＥ，２０１１，３１（３４）：２８３５．［１４］白俊良，梅华威．改进相似度的模糊聚类算法在光伏阵列短期功率预测中的应用［Ｊ１．电力系统保护与控制，—２０１４，４２（６）：８４９０．ＢＡＩＪｕｎｌｉａｎｇ，ＭＥＩＨｕａｗｅｉ．ＩｍｐｒｏｖｅｄｓｉｍｉｌａｒｉｔｙｂａｓｅｄｆｕｚｚｙｃｌｕｓｔｅｒｉｎｇａｌｇｏｒｉｔｈｍａｎｄｉｔｓａｐｐｌｉｃａｔｉｏｎｉｎｔｈｅＰＶａｒｒａｙｐｏｗｅｒｓｈｏｒｔ・ｔｅｒｍｆｏｒｅｃａｓｔｉｎｇ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍ—ＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２０１４，４２（６）：８４９０．［１５］张园园，龚庆武，刘栋，等．基于改进ＰＳＯ．ＦＣＭ的暂态稳定机组分群方法［Ｊ］．电网技术，２０１１，３５（９）：９２．９８．ＺＨＡＮＧＹｕａｎｙｕａｎ，ＧＯＮＧＱｉｎｇｗｕ，ＬＩＵＤｏｎｇ，ｅｔａ１．ＡｕｎｉｔｃｌｕｓｔｅｒｉｎｇａｐｐｒｏａｃｈｕｓｅｄｉｎｔｒａｎｓｉｅｎｔｓｔａｂｉｌｉｔｙａｎａｌｙｓｉｓｂａｓｅｄｏｎｉｍｐｒｏｖｅｄＰＳＯ－ＦＣＭａｌｇｏｒｉｔｈｍ［Ｊ］．—ＰｏｗｅｒＳｙｓｔｅｍＴｅｃｈｎｏｌｏｇｙ，２０１１，３５（９）：９２９８．［１６］康重庆，程旭．一种规范化的处理相关因素的短期负荷预测新策略［Ｊ】．电力系统自动化，１９９９，２３（１８）：３２．３５．ＫＡＮＧＣｈｏｎｇｑｉｎｇ，ＣＨＥＮＧＸｕ．Ａｎｅｗｕｎｉｆｉｅｄａｐｐｒｏａｃｈｔｏｓｈｏｒｔ－ｔｅｒｍｌｏａｄｆｏｒｅｃａｓｔｉｎｇｃｏｎｓｉｄｅｒｉｎｇｃｏｒｒｅｌａｔｅｄｆａｃｔｏｒｓ［Ｊ］．ＡｕｔｏｍａｔｉｏｎｏｆＥｌｅｃｔｒｉｃＰｏｗｅｒＳｙｓｔｅｍｓ，１９９９，—２３（１８）：３２３５．［１７］翁小杰．基于灰色理论和神经网络的预测方法研究与应用【Ｄ］．长沙：中南民族大学，２００９．［１８］吉培荣，洪磊一．ＧＭ（１，１）模型建模的一种方法［Ｊ］．天津理工学院学报，１９９９，１５（３）：７２．７４．ＪＩＰｅｉｒｏｎｇ，ＨＯＮＧＬｅｉｙｉ．ＡｍｏｄｅｌｌｉｎｇｍｅｔｈｏｄｆｏｒＧＭ（１，１）ｍｏｄｅｌ［Ｊ］．ＪｏｕｒｎａｌｏｆＴｉａｎｊｉｎＩｎｓｔｉｔｕｔｅｏｆＴｅｃｈｎｏｌｏｇｙ—１９９９，１５（３）：７２７４．［１９３郭江龙，张树芳，姚力强，等．汽轮机性能预测ＢＰ神经网络输入层神经元筛选方法［Ｊ１．汽轮机技术，２０１０，５２（２）：１４７・１４９．ＧＵＯＪｉａｎｇｌｏｎｇ，ＺＨＡＮＧＳｈｕｆａｎｇ，ＹＡＯＬｉｑｉａｎｇ，ｅｔａ１．ＡｍｅｔｈｏｄｆｏｒｓｃｒｅｅｎｉｎｇｉｎｐｕｔｎｏｄｅｓｉｎＢＰａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋｏｎｐｅｒｆｏｒｍａｎｃｅｆｏｒｅｃａｓｔｉｎｇｏｆｓｔｅａｍ—ｔｕｒｂｉｎｅ［Ｊ］．ＴｕｒｂｉｎｅＴｅｃｈｎｏｌｏｇｙ，２０１０，５２（２）：１４７１４９．—收稿日期：２０１５－０９１９：—修回Ｅｔ期：２０１５－１２１６作者简介：王新普（１９８９一），男，通信作者，硕士，研究方向为电力系统自动４Ｊ５；Ｅ－ｍａｉｌ：２００９３０１７６００３３＠ｗｈｕ．ｅｄｕ．ｃａ杨军（１９７７一），男，教授，博士生导师，研究方向为电力系统继电保护等。Ｅ－ｍａｉｌ：ｊｙａｎｇ＠ｗｈｕ．ｅｄｕ．ｃｎ（编辑葛艳娜）