基于LVQ—GA-BP神经网络光伏电站出力短期预测.pdf

第４２卷第ｌ３期２０１４年７月１目电力系统保护与控制ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌＶｌ０１．４２ＮＯ．１３Ｊｕ１．１．２０１４—基于ＬＶＱＧＡ．ＢＰ神经网络光伏电站出力短期预测罗建春，晁勤，罗洪，冉鸿，杨杰，罗庆，阿里努尔．阿木提（１．国网重庆武隆县供电有限责任公司，重庆４０８５００；２．新疆大学电气＿Ｔ－程学院，新疆乌鲁木齐８３０００８）摘要：为了实现对大规模并网型光伏电站调度，分析影响光伏出力的气象相关因素，以光照强度和温度作为输入量，分季节建立了一种基于ＬＶＱ－ＧＡ－ＢＰ￣网络预测系统。通过ＬＶＱ（ＬｅａｒｎｉｎｇＶｅｃｔｏｔＱｕａｎｔｉｚａｔｉｏｎ）神经网络对样本进行分类，将分类后的样本训练，得出基于ＢＰ神经网络光伏电站出力预测系统，从而提高光伏预测精度。采用ＧＡ算法替代传统的学习算法优——化ＢＰ神经网络的权值和阀值，提高预测网络的训练速度。将建立的ＬＶＱＧＡＢＰ预测系统与传统系统进行了比较和分析，结果表明：该方法的建立，不仅提高了光伏出力的预测精度，而且还提高了ＢＰ神经网络的训练速度，具有潜在的工程应用价值。——关键词：光伏出力预测；ＬＶＱＧＡＢＰ预测模型；气象因素；神经网络—ＰＶｓｈｏｒｔ－ｔｅｒｍｏｕｔｐｕｔｆｏｒｅｃａｓｔｉｎｇｂａｓｅｄｏｎＬＶＱＧＡ－ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ—ＬＵＯＪｉａｎｃｈｕｎ，ＣＨＡＯＱｉｎ，ＬＵＯＨｏｎｇ，ＲＡＮＨｏｎｇ，ＹＡＮＧＪｉｅ，ＬＵＯＱｉｎｇ，ＡＬＩＮＵＥＲＡｍｕｔｉ（１．ＣｈｏｎｇｑｉｎｇＷｕｌｏｎｇＰｏｗｅｒＳｕｐｐｌｙＣｏｍｐａｎｙ，Ｃｈｏｎｇｑｉｎｇ４０８５００，Ｃｈｉｎａ；２．ＳｃｈｏｏｌｏｆＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，Ｘｉ￣ｉａｎｇＵｎｉｖｅｒｓｉｔｙ，Ｕｒｕｍｑｉ８３０００８，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｉｎｏｒｄｅｒｔｏｓｃｈｅｄｕｌｅｔｈｅｌａｒｇｅ－ｓｃａｌｅｇｒｉｄ－ｃｏｎｎｅｃｔｅｄＰＶｇｅｎｅｒａｔｉｏｎ，ｔｈｅｗｅａｔｈｅｒ－ｒｅｌａｔｅｄｆａｃｔｏｒｓｏｆＰＶｐｏｗｅｒｏｕｔｐｕｔａｒｅ——ａｎａｌｙｚｅｄ．ＰＶｓｈｏｎｔｅｒｍｐｏｗｅｒｏｕｔｐｕｔｆｏｒｅｃａｓｔｉｎｇｓｙｓｔｅｍｉｓｐｒｏｐｏｓｅｄｉｎａｃｃｏｒｄａｎｃｅｗｉｔｈｔｈｅｆｏｕｒｓｅａｓｏｎｓｂａｓｅｄｏｎＬＶＱ－ＧＡＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ，ｗｈｏｓｅｉｎｐｕｔｐａｒａｍｅｔｅｒｓａｒｅｌｉｇｈｔｉｎｔｅｎｓｉｔｙａｎｄｔｅｍｐｅｒａｔｕｒｅ．ＴｈｅｓａｍｐｌｅｓａｂｏｕｔＰＶｏｕｔｐｕｔａｎｄｗｅａｔｈｅｒ－ｒｅｌａｔｅｄｆａｃｔｏｒｓａｒｅｃｌａｓｓｉｆｉｅｄｂｙｌｅａｒｎｉｎｇｖｅｃｔｏｒｑｕａｎｔｉｚａｔｉｏｎ（ＬＶＱ）ｎｅｕｒａｌｎｅｔｗｏｒｋ．Ｔｈｅｎ．ｔｈｅｃｌａｓｓｉｆｉｅｄｓａｍｐｌｅｓａｒｅｔｒａｉｎｅｄｔｏｇｅｔｔｈｅＰＶｓｈｏｒｔ－ｔｅｒｍ—ｏｕｔｐｕｔｆｏｒｅｃａｓｔｉｎｇｓｙｓｔｅｍｂａｓｅｄｏｎＧＡＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｉｎｐｕｒｐｏｓｅｏｆｉｎｃｒｅａｓｉｎｇｆｏｒｅｃａｓｔｉｎｇａｃｃｕｒａｃｙ．Ｓｅｃｏｎｄｌｙ，ｗｅｐｒｏｐｏｓｅＧＡａｌｇｏｒｉｔｈｍｉｓａｎａｌｔｅｒｎａｔｉｖｅｔｏｔｒａｄｉｔｉｏｎａｌｌｅａｒｎｉｎｇａｌｇｏｒｉｔｈｍｔｏｏｐｔｉｍｉｚｅＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｗｅｉｇｈｔｓａｎｄｔｈｒｅｓｈｏｌｄｓ，ｉｍｐｒｏｖｉｎｇ—ｆｏｒｅｃａｓｔｉｎｇｎｅｔｗｏｒｋｔｒａｉｎｉｎｇｓｐｅｅｄ．Ａｔｌａｓｔ，ｔｈｅＬＶＱＧＡ－ＢＰｆｏｒｅｃａｓｔｉｎｇｓｙｓｔｅｍａｎｄｔｈｅｔｒａｄｉｔｉｏｎａｌｆｏｒｅｃａｓｔｉｎｇｓｙｓｔｅｍａｒｅｃｏｍｐａｒｅｄａｎｄａｎａｌｙｚｅｄ．ＴｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｏｐｏｓｅｄｆｏｒｅｃａｓｔｉｎｇｓｙｓｔｅｍｎｏｔｏｎｌｙｉｍｐｒｏｖｅｔｈｅＰＶｏｕｔｐｕｔｆｏｒｅｃａｓｔｉｎｇａｃｃｕｒａｃｙ，ｂｕｔａｌｓｏｒａｉｓｅｔｈｅＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｔｒａｉｎｉｎｇｓｐｅｅｄ，ｗｈｉｃｈｈａｓｐｏｔｅｎｔｉａｌｖａｌｕｅｉｎｅｎｇｉｎｅｅｒｉｎｇａｐｐｌｉｃａｔｉｏｎｓ．ＴｈｉｓｗｏｒｋｉｓｓｕｐｐｏｓｅｄｂｙＮａｔｉｏｎａｌＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆＣｈｉｎａ（Ｎｏ．５１２６７０２０）．——Ｋｅｙｗｏｒｄｓ：ＰＶｏｕｔｐｕｔｆｏｒｅｃａｓｔｉｎｇ；ＬＶＱＧＡＢＰｆｏｒｅｃａｓｔｉｎｇｍｏｄｅｌ；ｍｅｔｅｏｒｏｌｏｇｉｃａｌｆａｃｔｏｒ；ｎｅｕｒａｌｎｅｔｗｏｒｋ中图分类号：ＴＭ７２３；ＴＭ７３２文献标识码：Ａ——文章编号：１６７４－３４１５（２０１４）１３００８９０６０引言随着世界能源的消耗，光伏发电作为可再生能源，在电网的极限穿透功率将越来越高，从而替代部分常规能源，逐渐成为世界能源供应的主体卜。但光伏发电具有波动性和间歇性，大规模光伏电站并网运行对电力系统的调度增加了难度。对光伏电基金项目：国家自然科学基金资助项目（５１２６７０２０）；教育部２０１２年高等学校博士学科点专项科研基金博导类联合资助课题资助项目（２０１２６５０１１ｌ０００３）；新疆科技支疆资助项目（２０１０９１２０４）站的出力进行预测，有助于电力系统调度部门统筹安排常规能和光伏发电的协调配合，及时调整调度计划，合理安排电网运行方式，有效地降低光伏接入对电网调度的影响，从而提高电网运行的安全性和稳定性，同时也减少电力系统的旋转备用和运行成本［３＿４］。目前用于光伏电站短期出力预测，有两种方法Ｌ５Ｊ，一种是直接法，另一种是问接法。直接法是利用光伏电站的出力历史数据以及相关的天气预报值，对其进行预测；间接法是基于天气预报历史数据对光照强度、温度进行预测，然后通过工程计算公式或者神经网络的算法得出光伏电站出力预报．９０一电力系统保护与控制值。文献［７．８］采用直接法，利用光伏电站的出力历史数据和气象数据，对光伏电站进行了短期预测。文献［９】采用了间接法，通过已有的历史光照强度、温度，利用支持向量机的方法预测神经光照强度、温度，然后通过预测得出的气象数据，利用工程计算公式得出光伏电站出力预报值，由于未对不同天气类型分类，预测效果较差。由于神经网络具有很强的非线性拟合能力，可映射任意复杂的非线性关系，这与光伏发电系统特点吻合，故非常适合对光伏电站出力短期预测。但单一的神经网络对不同天气类型泛化拟合，预测效果不佳。另外传统的ＢＰ神经网络训练采用梯度下降法，容易陷入局部最小值，收敛速度慢。国内外相关学者提出ｌｌ采用ＧＡ遗传算法替代传统学习算法，可提高收敛速度，避免陷入局部最优。本文通过分析气象因素与光伏电站出力的关系，采用ＬＶＱ神经网络对不同天气类型进行分类，同时采用ＧＡ算法作为ＢＰ神经网络学习算法。分季节建立基于ＧＡ．ＢＰ神经网络的光伏出力预测模型，验证其准确性和收敛速度。结果表明：该方法的建立，不仅提高光伏出力的预测精度，而且还提高ＢＰ神经网络的训练速度，具有潜在的工程使用价值。１光伏发电出力特性分析光伏发电出力具有随机性和间歇性，其组件输出功率受组件光照强度、组件表面温度、光电转换效率影响，发电出力可表示为ｖ）＝Ｉｎｓ（ｔ）Ａｔｌｒ￣７ｐ。［１一（一）】（１）其中：为温度系数；ｆ为环境参考温度；。为直流变换环节ＭＰＰＴ效率；为光伏组件面积；Ｉｎｓ（ｔ）为光照照度，Ｗ／ｍ。１．１光照强度对光伏出力的影响由光伏发电出力计算公式可知，不同光照下影响光伏发电出力，由研究的文献表示Ｌ５Ｊ，光照与光伏出力成正相关性。光伏出力与光照的关系如图１所示。采样点８：００～２０：００图１光伏出力与光照的关系Ｆｉｇ．１ＲｅｌａｔｉｏｎｓｈｉｐｏｆＰＶｏｕｔｐｕｔａｎｄｌｉｇｈｔｉｎｔｅｎｓｉｔｙ量≥皤琵１．２日类型对光伏出力的影响日类型分类为：晴天、阴天、雨天。不同日类型的大气层的空气分子、尘埃、云雾滴不同，相应对太阳辐射散射作用也不同，因此不同的曰类型对光伏发电出力有一定的影响，具体如图２～图４所示。１＿Ｉ＿－．．８：００９：００１Ｏ：Ｏ０１ｌ：００Ｉ２：００１３：ＯＯ１４：０ｏ１５：０Ｏｌ６：００１７：００ｌ８：Ｏ０ｌ９：００２０：００椭图２晴天光伏发电出力Ｆｉｇ．２ＰＶｏｕｔｐｕｔｗｈｅｎｓｕｎｎｉｎｇ８：００９：００１０：００ｌｌ：００ｌ２：００ｌ３．Ｏ０１４：００ｌ５：００ｌ６：００Ｉ７：００１８：Ｏ０ｌ９：Ｏ０２０：００ｔ／ｈ图３阴天光伏出力Ｆｉｇ．３ＰＶｏｕｔｐｕｔｗｈｅｎｃｌｏｕｄｙ１．３季节对光伏出力的影响在不同季节，季节性的变化差异对于光伏发出力影响也是很明显的，这种影响源于太阳辐射强度的差异，光伏发电出力随着辐射强度的变化而变化，发电量差异性是一个具体表现。此外，由于光伏电站所处地理位置的不同，其气候状况千差万别，季节性变化对于发电出力特性影响的程度也有所不同，如图５所示。１．４温度对光伏出力的影响前面已经讨论了光照、日类型、季节性对光伏出力的影响，在上述条件相同的情况下，不同温度下，光伏出力也具有一定的差异性。从而温度也是—罗建春，等基于ＬＶＱ－ＧＡＢＰ神经网络光伏电站出力短期预测一９１．光伏出力的影响因子。如图６所示。图５不同季节类型下的光伏发电出力Ｆｉｇ．５ＰＶｏｕｔｐｕｔｉｎｄｉｆｆｅｒｅｎｔｓｅａｓｏｎｓ一、／２０１２．１ｌ３０．’／圹２０Ｉｉ２１２５／＼’ｌ＿，／２０２．１２．１５、＼＼∥ｈ图６不同温度条件下光伏出力Ｆｉｇ．６ＰＶｏｕｔｐｕｔｕｎｄｅｒｄｉｆｆｅｒｅｎｔｔｅｍｐｅｒａｔｕｒｅ２光伏出力短期预测模型设计２．１基于ＬＶＱ－ＧＡ－ＢＰ神经网络预报模型总体构思由前面分析可知，不同季节对光伏出力有较大影响，如果不对季节划分将对光伏出力预测精度产生较大的影响，因此应按季节划分样本。同样在相同季节内，日类型的不同也将对预测产生较大的影响，因此本文基于ＬＶＱ神经网络对样本进行分类，然后按照分类后的样本训练，基于ＧＡ。ＢＰ神经网络建立光伏出力预测模型，最后将四个季节模型整合在一块，从而形成全年的光伏出力短期预测模型。出力预测流程中，首先应该按照预测目的日期，选择相应的季节预测模型；其次，根据当日的天气预报信息，经过ＬＶＱ神经网络分类后找到相应的分类预测子模型；最后通过建立的预测模型对光伏出力进行短期预测，如图７所示。关于ＬＶＱ神经网络，将在下节重点介绍。２．２ＬＶＯ网络结构与工作原理学习向量量化神经网络（ＬｅａｒｎｉｎｇＶｅｃｔｏｒＱｕａｎｔｉｚａｔｉｏｎ，ＬＶＱ）的结构如图８所示，由输入层、竞争层和输出层组成，输入层有ｎ个神经元接受输入变量，与竞争层之间完全连接；竞争层有ｍ个神经元，分为若干组并呈一维现阵排列；输出层每个神／收集光伏发电历史数／／据据（光照、温度）／Ｉ春季Ｉｆ夏季ＩＩ秋季ＩＩ冬季Ｉ』ｉ』ｉ基于ＬＶＱ￣］样本基于ＬＶＱ，￣样本基于ＬＶＱ对样本基于ＬＶＱＸ￣样本进行晴天、雨进行晴天、雨进行晴天、雨进行晴天、雨天、阴天分类天、阴天分类天、阴天分类天、阴天分类Ｉ』』』ｌ对分类样本建ｌｌ对分类样本建ｌＩ对分类样本建ｌｌ对分类样本建ＩＩ立预测模型Ｉ１立预测模型ＩＩ立预测模型ｌＩ立预测模型ｌｌｉｉ』基于ＧＡ－ＢＰ建立光伏出力预测模型１光伏预报出力ｌ图７光伏发电预测总体结构Ｆｉｇ．７ＰＶｏｕｔｐｕｔｆｏｒｅｃａｓｔｉｎｇｓｔｒｕｃｔｕｒｅ经元只与竞争层中的一组神经元连接，连接权值固定为１。当一个输入样本被送至ＬＶＱ网时，竞争层的神经元通过胜者为王竞争规则产生获胜神经元，容许其输出为Ｉ，而其他神经元输出为０。与获胜神经元所在组相连接的输出神经元输出为１，其他输出数为０，以达到输入样本分类的目的。图８ＬＶＱ网络结构Ｆｉｇ．８ＬＶＱｎｅｕｒａｌｎｅｔｗｏｒｋｓｔｒｕｔｒｕｅ输出层竞争层输入层ＬＶＱ网络各层的数学描述如下：设输入向量用膝示为…Ｘ＝（Ｘ１，Ｘ２，，）Ｔ（２）竞争层的输出用ｙ表示为一９２－电力系统保护与控制…∈…Ｙ＝（Ｙｌ，Ｙ２，，），Ｙｉ｛０，１），１，２，，ｍ（３）输出层的输出用Ｏ表示为…Ｏ：（Ｏ】，Ｏ２，，Ｏ（４）网络的期望值输出用威示为…ｄ＝（，ｄ２，，（），）（５）输入层到竞争层之间的权值矩阵用表示为……Ｗ＝（Ｗｌｌ，，，，，，Ｗ１）（６）其中，列向量为隐含层第，个神经元对应的权值向量。竞争层到输出层之间的权值矩阵用表示为…Ｗ＝（，，，，Ｗ，２一，）（７）其中，列向量为输出层第阶神经元对应的权值向量。本文输入变量为Ｘ＝（（），Ｒａｄｉ（ｔ））（８）其中，温度Ｔ（ｔ）和光照Ｒａｄｉ（）分别为温度和光照强度。—２．３ＧＡＢＰ神经网络结构由于ＢＰ算法本质上为梯度下降法，而它所要优化的目标函数又非常复杂，容易陷入局部最优、收敛速度慢，而遗传算法是多点搜索，从而避免局部最优，此外利用遗传算法来取代一些传统的学习算法，利用遗传算法的寻优能力来获取最佳权重。本文采用ＧＡ算法优化ＢＰ神经网络建立了光伏发电短期预测模型，根据光伏发电历史相关数据，运用所建立的模型对系统发电量进行了预测和分析，如图９所示。图９ＧＡ．ＢＰ神经网络流程图Ｆｉｇ．９ＧＡ－ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｆｌｏｗ本文采用３层神经网络，隐含层采用ｓｉｇｍｏｉｄ￣数，其中ＢＰ神经网络的输入量为气象部门给予的预报日温度和光照Ｒａｄｉ（ｔ），由于是基于新疆某光伏电站数据，输入量从７：００～２１：００共３０个，隐含层取６１＋，输出量共１５个数据。设光伏发电出力为Ｐｆ０（）＝［丁（，），Ｒａｄｉ（ｔ）］（９）３系统训练３．１ＬＶＯ神经网络训练步骤一，初始化。竞争层各神经元权值（０），…Ｊ＝（１，２，３，，）赋小随机数，确定初始学习效率ｒｌ（ｏ）和训练次数。步骤二，输入样本向量。本文输入量为光照强度和温度，样本个数为Ｐ个，输入量的矩阵为Ｐ×３０）步骤三，寻找获胜神经元。一…Ｉｌ＝ｎ一，＝ｌ，２，，（１０）步骤四，根据分类是否正确按不同规则调整获胜神经元的权值：当网络分类结果与教师信号一致，向输入样本方向调整权值。（Ｈ１）＝（）＋ｒｌ（ｔ）［ｘ一（）］（１１）否则，将向逆输入样本方向调整权值。（，＋１）＝（）一ｒｌ（ｔ）［ｘ一（）］（１２）其他非获胜神经元的权值保持不变。步骤五，更新学习效率。，ｒｌ（ｔ）＝ｒｌ（ｏ）（１一二＿１（１３）步骤六，当＜ｔ时，＝＋１，转到步骤二ｍｋｋ输入下个样本，重复各步骤直到ｆ＝ｆ。—３．２ＧＡＢＰ神经网络训练通过前面设计的ＢＰ网络，用ＬＶＱ神经网络分类后的样本对其进行训练，鉴于新疆的气候情况，其中输入量的信息７：００￣２１：００光伏历史出力以及天气信息（光照、温度）。在整个进化过程中，利用ＧＡ算法的优势，将其用作训练神经网络的学习方法。每次都采用编码的方法对每个权值进行编码，然后通过遗传算法操作，求解最优权值和阀值。将最优权值和阀值解码，为下一步网络训练提高初始权值和阀值。４预测结果以及分析本文采用平均绝对误差百分比ＭＡＰＥ和均方根误差ＲＭＳＥ对光伏发电预测进行评估，其中，ＭＡＰＥ评估系统的预测能力，ＲＭＳＥ评估系统预测值的离散程度。——罗建春，等基于ＬＶＱＧＡＢＰ神经网络光伏电站出力短期预测．９３一：！二！！×１００％（１４）１５—ＭＳＥ：１—ＰＮ（１５）其中，ｖ、、分别为光伏预测出力、光伏实际出力和光伏额定出力，单位为ＭＷ。本文选取新疆某光伏电站２０１２年９月５日的光伏发电相关的历史数据以及气象数据，以秋季发电预测子模型为例，进行验证。将气象部门的预测日天气预报信息（光照强度、温度等）输入已经训练好的光伏发电预测系统。为验证本文提出的新方法训练收敛速度、预测精度。采用三种模型进行对比分析。模型一为ＧＡ．ＢＰ预测系统，模型二为ＬＶＱ．ＢＰ预测系统，模型三为ＬＶＱ．ＧＡ．ＢＰ预测系统。本文基于Ｍａｔｌａｂ￣００经—网络工具箱编写了ＧＡ．ＢＰ、ＬＶＱ．ＢＰ、ＬＶＱＧＡ．ＢＰ三种组合方式发电预测系统，最后进行验证。相关数据见表１～表３。表１２０１２年９月５日预测值和实际值Ｔａｂｌｅ１Ｆｏｒｅｃａｓｔｖａｌｕｅａｎｄａｃｔｉｖｅｖａｌｕｅｏｎｓｅｐ５ｍ，２０１２ｋＷ实际ＧＡ．ＢＰ—ＬＶＱＢＰＬＶＱ・－ＧＡ－－ＢＰ时刻值预测值预测值预测值７：００２．１１１．６３２．２５２．１４８：００８．５２９．７６８．Ｏ３８．１２９：００１３．６４１７．１２１５２５１３．５３１０：００２７．６０１５．４７２０．６４２３．５５１１：００３４．５２２７．８６３１．２３３３．５１１２：００３８－３Ｏ４３．６９３３．４７３５．６３１３：００４１．３７４７．２３３９．３８４１．３５ｌ４：００４０．５９４５．２３４２．７５４１．７６１５：００３９．１６４２．７９３８．４８３９．２５ｌ６：００３３．４４３２．６５３６．７３３５．９４１７：００２５．７２２９．５３２６．８１２５．３Ｏｌ８：００１３．６５ｌ０．５９１６．５３ｌ４．７７１９：００８５１７ｌ３２８ｌ３２８．４３２０：００５＿３７３．５２５．６８４．７５２Ｉ：００１．Ｉ３０．８５１．７３１．２５表２预测模型的迭代次数１．ａｂｌｅ２Ｎｕｍｂｅｒｏｆｔｈｅｆｏｒｅｃａｓｔｍｏｄｅｌｉｔｅｒａｔｉｏｎ模型类别—ＧＡ．ＢＰｆＬＶＱ．ＢＰｆＬＶＱＧＡ．ＢＰＩｌ迭代次数８５３ｌ１２３０ｌ８３２ｌｌ表３预测模型结果评估Ｔａｂｌｅ３Ａｓｓｅｓｓｍｅｎｔｏｆｆｏｒｅｃａｓｔｖａｌｕｅ模型类别ＧＡ．ＢＰ—ＬＶＱＢＰＬＶＱ－ＧＡ－ＢＰＭＡＰＥ２３．５７％１２．５３％１Ｏ．５１％ＲＭＳＥｌ０．３４％６．５３％６．２４％通过Ｍａｔｌａｂ仿真，可以得出三种模型下光伏出力的预测值以及神经网络训练收敛速度。模型一的迭代次数为８５３，模型二的迭代次数为１２３０，模型三的迭代次数为８３２。由以上数据可知，由于ＧＡ优化特点使得模型一比模型二收敛速度快４０％，而由于模型一和模型三都采用ＧＡ算法优化神经网络权值和阀值，使得二者的收敛速度相当，从以上分析表明，ＧＡ算法较好地提高了收敛速度。从表３可以看出，模型一的ＭＡＰＥ、ＲＭＳＥ分别为２３．５７％、１０．３４％；模型二的ＭＡＰＥ、ＲＭＳＥ分别为１２．５３％、６．５３％；模型三的ＭＡＰＥ、ＲＭＳＥ分别为１０．５１％、６．２４％。采用ＬＶＱ进行样本分类，使得模型三相比模型一提高了约５０％的精度。模型二和模型三由于采用了ＬＶＱ￣，）ＩＩ练后的样本，二者预测精度相当。以上分析，验证了天气分类的有效性。综上所述，采用ＬＶＱ．ＧＡ．ＢＰ光伏预测系统与传统的预测系统相比，不但较好地提高了预测精度，还提高了训练收敛速度。５结论本文提出了一种基于ＬＶＱ．ＧＡ．ＢＰ神经网络预测系统，该模型选取预测日光照强度、温度为输入量。通过分析光伏发电的关键因子，提出了通过ＬＶＱ对样本进行分类，从而提高模型在不同天气类型下的预测精度。通过ＧＡ算法优化ＢＰ神经网络权值和阀值，从而有效地弥补传统ＢＰ神经网络训练时间长、易陷入局部最小的缺点。结果表明：通过ＬＶＱ对样本进行分类，有效地提高了预测精度，ＭＡＰＥ为１０．５１％，ＲＭＳＥ为６．２４％。通过ＧＡ算法对ＢＰ神经网络的权值和阀值的优化，使得训练的收敛速度大幅度的提高。参考文献［１］戴训ｌ江，晁勤．光伏并网逆变器自适应电流滞环跟踪控制的研究［Ｊ】．电力系统保护与控制，２０１０，３８（４）：２６．３Ｏ．ＤＡＩＸｕｎ－ｊｉａｎｇ，ＣＨＡＯＱｉｎ．Ｒｅｓｅａｒｃｈｏｆａｄａｐｔｉｖｅｈｙｓｔｅｒｅｓｉｓｂａｎｄｔｒａｃｋｃｏｎｔｒｏｌｆｏｒｐｈｏｔｏｖｏｌｔａｉｃ—ｇｒｉｄｃｏｎｎｅｃｔｅｄｉｎｖｅｒｔｅｒ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄ—Ｃｏｎｔｒｏｌ，２０１０，３８（４）：２６３０．．．９４．．电力系统保护与控制［２］［３］［４］［５］［６］［７］张艳霞，赵杰．基于反馈型神经网络的光伏系统发电功率预测［Ｊ】．电力系统保护与控制，２０１１，３９（１５）：９６．１０９．—ＺＨＡＮＧＹａｈｘｉａ，ＺＨＡＯＪｉｅ．Ａｐｐｌｉｃａｔｉｏｎｏｆｒｅｃｕｒｒｅｎｔｎｅｕｒａｌｎｅｔｗｏｒｋｓｔｏｇｅｎｅｒａｔｅｄｐｏｗｅｒｆｏｒｅｃａｓｔｉｎｇｆｏｒｐｈｏｔｏｖｏｌｔａｉｃｓｙｓｔｅｍ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２０１１，３９（１５）：９６－１０９．戴训江，晁勤．单相光伏并网逆变器固定滞环的电流—控制［Ｊ］．电力系统保护与控制，２００９，３７（２０）：１２１７．ＤＡＩＸｕｎ－ｊｉａｎｇ．ＣＨＡＯＱｉｎ．Ｃｕｒｒｅｎｔｃｏｎｔｒｏｌｏｆｃｏｎｓｔａｎｔｈｙｓｔｅｒｅｓｉｓｂａｎｄｆｏｒｓｉｎｇｌｅｐｈａｓｅｐｈｏｔｏｖｏｌｔａｉｃ［Ｊ］．Ｐｏｗｅｒ—ＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２００９，３７（２０）：１２１７．陈昌松，段善旭，蔡涛，等．基于模糊识别的光伏发电短期预测系统［Ｊ］．电工技术学报，２０１１，２６（１７）：８３－８９．ＣＨＥＮＣｈａ—ｎｇｓｏｎｇ，ＤＵＡＮＳｈａｎ－ＸＵ，ＣＡＩＴａｏ，ｅｔａ１．Ｆｏｒｅｃａｓｔｉｎｇｓｙｓｔｅｍｂａｓｅｄｏｎｆｕｚｚｙｒｅｃｏｇｎｉｔｉｏｎ［Ｊ］．ＴｒａｎｓａｃｔｉｏｎｓｏｆＣｈｉｎａＥｌｅｃｔｒｏｔｅｃｈｎｉｃａｌＳｏｃｉｅｔｙ，２０１１，２６（１７）：８３－８９．陈昌松，段善旭．基于神经网络的光伏阵列发电预测模型的设计［Ｊ］．电工技术学报，２００９，２４（９）：１５３．１５８．ＣＨＥＮＣｈａｎｇ－ｓｏｎｇ，ＤＵＡＮＳｈａｎ－ＸＵ．Ｄｅｓｉｇｎｏｆｐｈｏｔｏｖｏｌｔａｉｃａｒｒａｙｐｏｗｅｒｆｏｒｅｃａｓｔｉｎｇｍｏｄｅｌｂａｓｅｄｏｎｎｅｕｔｒａｌｎｅｔｗｏｒｋ［Ｊ］．ＴｒａｎｓａｃｔｉｏｎｓｏｆＣｈｉｎａＥｌｅｃｔｒｏｔｅｃｌｌｎｉｃａｌＳｏｃｉｅｔｙ，２００９，２４（９）：１５３－１５８．刘方锐，段善旭，康勇，等．多机光伏并网逆变器的孤岛检测技术［Ｊ】．电工技术学报，２０１０，２５（１）：１６８．１７１．ＬＩＵＦａｎｇ－ｒｕｉ，ＤＵＡＮＳｈａｎ－ＸＵ，ＫＡＮＧＹｏｎｇ，ｅｔａ１．ＩｓｌａｎｄｉｎｇｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄｓｆｏｒｍｕｌｔｉｐｌｅＰＶｃｏｎｖｅｒｔｅｒｓｓｙｓｔｅｍ［Ｊ］．ＴｒａｎｓａｃｔｉｏｎｓｏｆＣｈｉｎａＥｌｅｃｔｒｏｔｅｃｈｎｉｃａｌＳｏｃｉｅｔｙ，２０１０，２５（１）：１６８－１７１．周林，杨冰，郭珂，等．光伏并网系统直流注入问题最新进展及发展趋势［Ｊ】．电力系统保护与控制，２０１２，４０（６）：１４７－１５５．ＺＨＯＵＬｉｎ，ＹＡＮＧＢｉｎｇ，ＧＵＯＫｅ，ｅｔａ１．ＴｈｅｐｒｏｇｒｅｓｓａｎｄｄｅｖｅｌｏｐｍｅｎｔｔｒｅｎｄｏｆｔｈｅＤＣｉｎｊｅｃｔｉｏｎｉｓｓｕｅｉｎＰＶ—ｇｒｉｄｃｏｎｎｅｃｔｅｄｓｙｓｔｅｍｓ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２０１２，４０（６）：１４７－１５５．［８］李东辉，王鹤雄，朱晓丹，等．光伏并网发电系统几个关键问题的研究［Ｊ］．电力系统保护与控制，２０１０，—３８（２１）：２０９２１４．—ＬＩＤｏｎｇ－ｈｕｉ，ＷＡＮＧＨｅ－ｘｉｏｎｇ，ＺＨＵＸｉａｏｄａｎ，ｅｔａ１．Ｒｅｓｅａｒｃｈｏｎｓｅｖｅｒａｌｃｒｉｔｉｃａｌｐｒｏｂｌｅｍｏｆｐｈｏｔｏｖｏｌｔａｉｃｇｒｉｄ・ｃｏｎｎｅｃｔｅｄｇｅｎｅｒａｔｉｏｎｓｙｓｔｅｍ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２０１０，３８（２１）：２０９－２１４．［９］ＳＡＨＡＡＫ，ＣＨＯｗＤＨＵＲＹＳ，ＣＨ０ｗＤＨＵＲＹＳＰ，ｅｔａｌＭｏｄｅｌｉｎｇａｎｄｐｅｒｆｏｒｍａｎｃｅａｎａｌｙｓｉｓｏｆｍｉｃｒｏｔｕｒｂｉｎｅａｓａｄｉｓｔｒｉｂｕｔｅｄｅｎｅｒｇｙｒｅｓｏｕｒｃｅ［Ｊ］．ＩＥＥＥＴｒａｎｓｏｎＥｎｅｒｇｙ—Ｃｏｎｖｅｒｓｉｏｎ，２００９，２４（２）：５２９５３８．［１０］ＲＡＨＭＡＮＭＨ．ＮｏｖｅｌｄｉｓｔｒｉｂｕｔｅｄｐｏｗｅｒｇｅｎｅｒａｔｉｎｇｓｙｓｔｅｍｏｆＰＶ－ＥＣＡＳＳｕｓｉｎｇｓｏｌａｒｅｎｅｎｇｙｅｓｔｉｍａｔｉｏｎ［Ｊ］，ＩＥＥＥＴｒａｎｓｏｎＥｎｅｒｇｙＣｏｎｖｅｒｓｉｏｎ，２００７，２２（２）：３５８－３６７．［１１］陈昌松，段善旭，殷进军．基于神经网络的光伏阵列发电预测模型的设计［Ｊ】．电工技术学报，２００９，２４（９）：１５３．１５８．—ＣＨＥＮＣｈａｎｇ－ｓｏｎｇ，ＤＵＡＮＳｈａｎＸＵ，ＹＩＮＪｉｎ－ｊｎｎ．Ｄｅｓｉｇｎｏｆｐｈｏｔｏｖｏｌｍｉｃａｒｒａｙｐｏｗｅｒｆｏｒｅｃａｓｔｉｎｇｍｏｄｅｌｂａｓｅｄｏｎｎｅｕｒａｌｎｅｔｗｏｒｋ［Ｊ］．ＴｒａｎｓａｃｔｉｏｎｓｏｆＣｈｉｎａ—ＥｌｅｃｔｒｏｔｅｃｈｎｉｃａｌＳｏｃｉｅｔｙ，２００９，２４（９）：１５３１５８．［１２］ＹＯＮＳＡ，ＳＥＮＪＹＵＡｐｐｌｉｃａｔｉｏｎｏｆｎｅｕｔｒａｌｎｅｔｗｏｒｋｔｏｏｎｅ－・ｄａｙ－－ａｈｅａｄｈｏｕｒｓｇｅｎｅｒａｔｉｎｇｐｏｗｅｒｆｏｒｅｃａｓｔｉｎｇｆｏｒｐｈｏｔｏｖｏｌｍｉｃｓｙｓｔｅｍ［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＩｎｔｅｌｌｉｇｅｎｔＳｙｓｔｅｍｓＡｐｐｌｉｃａｔｉｏｎｓｔｏＰｏｗｅｒＳｙｓｔｅｍｓ．Ｔ０ｋｉＭｅｓｓｅ，Ｎｉｉｇａｔａ，２００７：１－６．［１３］ＡＳＳＡＩＪ，ＪＡＭＡＭ，ＫＯＴＨＡＲＩＫ．ＭＡＴＬＡＢｂａｓｅｄｍｏｄｅｌｉｎｇｔｏｏｌｆｏｒｄｅｓｉｇｎｉｎｇｐｒｅｄｉｃｔｉｎｇａｎｄａｎａｌｙｚｉｎｇｇｒｉｄｔｉｅｄｐｈｏｔｏｖｏｌｔａｉｃｓｙｓｔｅｍｓ［Ｃ］／／ＩｎｔｅｍａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＡｄｖａｎｃｅｓｉｎＣｏｍｐｕｔａｔｉｏｎａｌＴｏｏｌｓｆｏｒＥｎｇｉｎｅｅｒｉｎｇ—Ａｐｐｌｉｃａｔｉｏｎｓ，２００９：５０８５１３．收稿１３期：２０１３－０６－０９；修回日期：２０１３－０７－１７作者简介：罗建春（１９８７一），男，硕士研究生，研究方向为洁净能源与并网技术；Ｅ－ｍａｉｌ：４３５６４２０５１＠ｑｑ．ｃｏｍ晁勤（１９５９一），女，教授，博士生导师，研究方向为并网型风力发电系统及其控制方面的研究。