徐静，黄南天，王文婷，戚佳金，徐世兵，于志勇

（1.东北电力大学电气工程学院，吉林吉林 132012；2.国网杭州市电力局，浙江杭州310009；3.河北师范大学，河北石家庄 050000；4.国网新疆电力公司经济技术研究院，新疆乌鲁木齐 830011）

基于GA-ELM神经网络的逐时太阳辐照量预测

徐静1，黄南天1，王文婷1，戚佳金2，徐世兵3，于志勇4

（1.东北电力大学电气工程学院，吉林吉林 132012；2.国网杭州市电力局，浙江杭州310009；3.河北师范大学，河北石家庄 050000；4.国网新疆电力公司经济技术研究院，新疆乌鲁木齐 830011）

太阳能辐照量是影响光伏发电的主要因素，准确的太阳能辐照量预测对于光伏发电具有重要的作用。为提高预测模型对环境因素的敏感性与预测精度，提出基于遗传算法（genetic algorithm，GA）改进极限学习机（extreme learning machine，ELM）的太阳辐照量预测方法。首先，选取与太阳能辐照量相关的候选属性因素，确定输入变量；其次，以2009年到2014年与待预测日相同日期前后15 d范围内数据为训练集；再次，采用GA优化ELM的隐含层输入权值及偏置向量；最后，采用优化后的GA-ELM模型，开展逐时太阳辐照预测模型。实测算例表明，相较ELM、BP神经网络，新方法具有更高的预测精度，能够适应外界气象条件突变情况下的辐照预测需要。

太阳能；辐照量；GA-ELM；精度

大量光伏电源并网后，其输出功率波动性、随机性为电力系统稳定与经济运行带来了更大的挑战。太阳能辐照量是影响光伏系统出力的最主要因素，由太阳能辐照量可以比较准确地计算出集中式分布式光伏出力。但是，辐照易受云量、湿度、温度等环境因素的影响，具有显著的不稳定性和随机性。因此，国内外广泛开展太阳辐照预测研究，以提高光伏出力预测精度[1-4]。

目前，国内外对于太阳能辐照量预测进行了深入研究，常用预测方法可分为2类[5-6]。第1类方法基于详尽的数值天气预报（NWP），利用观测的数值天气信息与辐照量的物理计算模型，对超短期太阳能辐照量进行预测。这一类方法虽然预测精度高，但是需要复杂的卫星观测信息及分析方法，对我国现阶段来说实行比较困难。第2类方法通过对历史数据建模，模拟出太阳能辐照量的变化规律，然后预测出未来辐照量。

人工智能方法如人工神经网络已在太阳能辐照量预测中广泛应用。此类方法虽可以综合考虑各种环境因素，但通常具有训练速度慢、易陷入局部最优解等缺点。传统的神经网络（如BP、SVM神经网络）收敛速度慢，参数设置复杂[7-8]。黄广斌等在单隐含层前向神经网络（single-hidden layer feedforward neural networks，SLFNS）学习算法的基础上，提出了极端学习机（extreme learning machine，ELM）。ELM随机产生输入层权值以及隐含层节点偏置等网络参数，相对于传统的神经网络，结构简单，学习效率高，泛化能力强，但其输入层至隐含层的偏置随机产生，会影响太阳能辐照量预测的精度。

为提高采用ELM短期太阳能辐照量预测精度，提出了一种基于GA-ELM逐时太阳能辐照量预测方法。首先，对影响太阳能辐照量不同环境因素进行分析，选出4种和太阳能辐照量最相关的属性，包括历史辐照量、温度、云量、相对湿度；其次，经GA优化参数的ELM开展辐照预测；最后，采用该模型预测短期太阳能辐照量。采用BMS太阳辐射研究中心（Solar Radiation Research Laboratory BMS）中纬度39.74°，经度105.18°，海拔1 829 m，时区GMT-7的数据开展实验，验证新方法的有效性。

1 影响太阳能辐照量因素的分析

为了提升太阳能辐照量预测精度，必须确定与辐照量关系紧密的气象因素。在多环境并存的情况下找出对辐照量预测影响最大的气象因素非常重要，同时在GA-ELM神经网络中，输入变量的选择也是首要的。输入训练数据：温度、云量、风速、相对湿度、最低温度、最高温度、海拔、日照小时、纬度和经度等。在变量选择过程中，太阳辐照量预测最相关的输入变量必须评估。

在分析现有神经网络模型的输入输出变量的基础上，研究输入变量的优化组合，引入与辐照量直接相关的因素，如环境温度、气压、风速、积日、云量、相对湿度作为模型的输入变量，对比不同输入变量模型预测结果的误差指标，合理地确定输入变量组合。最后确定利用历史辐照量、温度、云量、相对湿度作为输入属性[9-11]。

2 预测模型设计

2.1 ELM神经网络原理

极端学习机是由Huang等人在2004年提出的一种性能优良的新型单隐层前向神经网络（singlehidden layer feed forward networks，SLFNs），称为极端学习机（extreme learning machine，ELM）学习算法。ELM与传统的神经网络相比，具有许多优良的特性，比如学习速度快，泛化能力好，克服传统梯度算法的局部极小、过拟合和学习率的选择不合适等优点[12]。

ELM实现的过程：对于N个任意的不同的样本（xi，yi），其中

则一个激励函数为g（x）、隐含层节点数为L的前馈神经网络的输出可表示为：

式中：αi=[αi1，αi2，…，αin]T为输入层到第i个隐含层节点的输入权值；bi为第i个隐含层节点的阀值；βi= [βi1，βi2，…，βim]T为连接第i个隐含层节点的输出权值；αixi为向量αi和xi的内积，激励函数g（x）可采用“sigmoid”等。

如这个具有L个隐含层节点的前馈神经网络能以0误差逼近N个样本，则αi，bi，βi存在以下关系：

式（3）可简化为：

式（4）中：

H为隐含层的输出矩阵。在ELM中随机给定输出权值和阀值，矩阵H就变成一个确定的矩阵，前馈神经网络的训练就可以转化成一个求解输出权值矩阵的最小二乘解的问题。输出权值矩阵β可由下式得到:

H′表示隐含层输出矩阵H的Moore-penrose广义逆。

ELM预测算法流程如下：

1）随机设置输入隐含层权值αi以及阀值bi，i= 1，…，L；其中L为隐含层节点个数。

2）选择一个无限可微的函数作为隐含层神经元的激活函数，并计算隐含层输出矩阵H。

2.2 基于GA改进的ELM

根据ELM模型算法特点，ELM模型隐含层输入权值αi以及偏置向量bi为随机设定的，当随机设定值为0时，会使部分隐含层节点失效，降低其对样本的预测精度。针对上述可能出现的问题，采用GA对ELM模型中隐含层节点数L、隐含层输入权值αi及偏置向量bi进行优化选择，以确定最优的ELM模型[13-14]。训练步骤如下:

1）确定神经网络的拓扑结构，对神经网络的权值和阀值编码，得到初始种群。个体的维度D取取决于模型需要确定的参数的个数，即隐含层输入权值矩阵和偏置向量。

式中：n为预测时刻点的个数；yi（k）为k时刻的真实值为k时刻的预测值。

4）确定适应度函数、种群规模k以及进化代数P。适应度函数用于评价个体的优劣程度，适应度函数采用排序的适应度分配函数：Fitness-V=ranking（obj），其中obj为目标函数的输出。

5）局部求解最优适应度函数Fitness-best。进化

式中：Qγ为种群中第γ个个体，1≤γ≤k，αij、bj在区间[-1，1]中随机取值。

2）解码得到权值和阀值，将权值和阀值赋给新建的ELM网络，使用训练和测试样本测试网络。对网络设置目标函数为：代数θ及种群个体γ的初始值设为0，逐个求解每个个体对应的适应度函数，直到γ=k时结束循环，求得Fitness-best值即从中选出最优个体。

（6）全局求解最优适应度函数Fitness-best。每进行一轮局部求解最优适应度函数后，利用交叉、变异对种群进行进化，并检查进化代数θ值。当θ不大于P时，将γ值初始化为0，返回到第（5）步，直至θ大于P则结束运算，此时计算出的Fitness-best即为最优适应度函数，根据其对应的参数并解码，即可得到最佳神经网络的权值和阀值，进而确定优化的ELM模型。

3 预测过程设计

在新方法中，确定GA-ELM模型的输入为12个属性，输出为待预测时刻点太阳能辐照量，并采用单步预测，最终预测获得未来24 h太阳能辐照量值。太阳能辐照量的预测流程如图1所示，预测过程过程如下。

图1 GA-ELM预测算法流程图Fig.1 Flowchart of GA-ELM forecasting algorithm

1）选取输入学习样本。所有数据来自BMS太阳辐射研究中心（Solar Radiation Research Laboratory BMS）。从该数据库可以免费获取2009年到2014年的辐照量和环境因素数据。以纬度39.74°、经度105.18°、海拔1 829 m、时区GMT-7的数据为研究对象，数据都为逐时数据，从2009年到2014年预测日前15 d和后15 d找出训练、测试和预测数据，将该数据分为两部分，2009到2013的数据为训练、测试数据，2014年的数据为预测数据。

2）归一化处理。输入数据的数量级不同，会对网络的训练造成影响，使输出层的预测结果不准确。使用Matlab软件对输入学习样本进行归一化处理，把所有数据，如历史辐照量、温度、相对湿度、云量等归一到[0，1]，防止输入变量范围不同而导致某些变量在映射被淹没的现象。

归一化公式为[15]：

式中：xi（t）为t时刻的原始数据；ximax为原始数据中的最大值；ximin为原始数据中的最小值；为归一化后的数据。

3）向训练好的模型中，输入待预测时段属性因素的数据，得出未来24 h的太阳能辐照量预测值。

4）把预测的太阳能辐照量进行反归一处理，并采用均方差误差和平均绝对百分误差来评估太阳辐照量预测结果的准确性和可行性。

4 GA-ELM预测效果分析

对2009年1月1日到2014年12月31日的太阳辐照量进行研究分析，存在4种典型气候条件下的太阳辐照情况。采用GA-ELM模型、ELM模型、BP模型3种预测模型分别对不同类型的太阳辐照量进行预测。把历史温度辐照、温度、云量、相对湿度作为模型的输入，对未来一天的太阳辐照量进行逐时预测。

建立GA-ELM预测模型进行训练、测试，预测未来一天太阳能辐照量。考虑到太阳能辐照量和前2～3 h的辐照量关系大，GA-ELM神经网络的输入为预测时刻前3 h的历史辐照、温度、云量、相对湿度，输出为预测时刻的太阳辐照量值。采用GA-ELM模型1神经网络方法对4种特殊天气类型的太阳辐照量进行预测，并和ELM模型2、BP模型3进行对比，预测时刻间隔为1 h，因为一般日出之前、日落之后的辐照量为零。即选取06:00—20:00之间的15个整时点的天气变量和辐照量作为每天的预测时刻。预测结果如图2（a）、（b）、（c）、（d）所示。

选取平均绝对百分误差和均方根误差对预测结果进行评估[16]。

图2 3种模型对不同日期辐照量预测结果Fig.2 Radiation forecasting result of three models for different days

表1 不同预测方法效果比较Tab.1 Comparison of effects among different forecasting methods

5 结论

针对太阳能辐照量未来一天的逐时的预测，通过对太阳能辐照量相关的气象数据如温度、相对湿度、温度等历史数据的分析，将遗传算法（GA）和ELM神经网络有机结合起来，建立了基于GAELM模型逐时太阳辐照量预测。仿真结果表明，该模型避免了输入权值矩阵和隐含层偏差随机性对ELM预测精度的影响，提高了预测精度，对提高光伏（特别是分布式光伏设备）发电量预测，具有重要意义。

[1]DONG Z，YANG D，REINDL T，et al．A novel hybrid approach based on self-organizing maps，support vector regression and particle swarm optimization to forecast solar irradiance[J]．Energy，2015，82（15）：570-577．

[2]王守相，王亚旻，刘岩，等.基于经验模态分解和ELM神经网络的逐时太阳能辐照量预测[J].电力自动化设备，2014，34（8）：7-12．WANG Shouxiang，WANG Yamin，LIU Yan，et al．Hourly solar radiation forecasting based on EMD and ELM neural network[J]．Electric Power Automation Equipment，2014，34（8）：7-12（in Chinese）．

[3]MANZANO A，MARTIN M L，VALERO F，et al．A single method to estimate the daily global solar radiation from monthly data[J]．Atmospheric Research，2015，166（1）：70-82．

[4]段双明，郭阳，任俊，等．含分布式电源的低压直流配电网研究综述[J]．东北电力大学学报，2015，35（6）：1-7．DUAN Shuangming，GUO Yang，REN Jun，et al．Review of DG integrated low voltage DC distribution network[J]．Journal of Northeast Dianli University，2015，35（6）：1-7（in Chinese）．

[5]杨磊，谭涌波，强玉华．光伏建筑雷电灾害和预警措施研究[J]．电瓷避雷器，2014，246（2）：94-99．YANG Lei，TAN Yongbo，QIANG Yuhua．Research on the lightning disaster and lightning warning measures of building integrated photovoltaic[J]．Insulators and Surge Arresters，2014，246（2）：94-99（in Chinese）．

[6]施泉生，于文姝，谢品杰．能源互联网背景下分布式光伏发电的经济效益研究[J]．电网与清洁能源，2016，32（1）：100-106．SHI Qunsheng，YU Wenshu，XIE Pinjie．Economic benefit analysis of distributed photovoltaic under the energy internet background[J]．Power System and Clean Energy，2016，32（1）：100-106（in Chinese）．

[7]刘琳．光伏电站有功功率优化分配[J]．热力发电，2015，44（11）：104-108．LIU Lin．Active power control in photovoltaic power plants[J]．Thermal Power Generation，2015，44（11）：104-108（in Chinese）．

[8]杨磊，谭涌波，强玉华，等．太阳能光伏发电系统雷电灾害及防御分析[J]．高压电器，2015，51（6）：62-67．YANG Lei，TAN Yongbo，QIANG Yuhua，et al．Analysis on lightning disasters of solar photovoltaic power generation system and prevention scheme[J]．High Voltage Apparatus，2015，51（6）：62-67（in Chinese）．

[9]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）：28-35．DAI Qian，DUAN Shanxu，CAI Tao，et al．Short-term without irradiance photovoltaic of power generation forecasting model research based on weather type clustering recongnition[J]．Proceedings of the CSEE，2011，31（34）：28-35（in Chinese）．

[10]BEHRANG M A，ASSAREH E，GHANBARZADEH A，et al．The potential of different artificial neural network（ANN）techniques in daily global solar radiation modeling based on meteorological data[J]．Solar Energy，2010，84（8）：1468-1480．

[11]YADAV A K，CHANDEL S S．Solar radiation prediction using artificial neural network techniques：a review[J]．Renewable&Sustainable Energy Reviews，2014，33（2）：772-781．

[12]LAN Y，SOH Y C，HUANG G B．Ensemble of online sequential extrelearning machine[J]．Neurocomputing，2009，72（13-15）：3391-3395．

[13]CAO Z，XIA J，ZHANG M，et al．Optimization of gear blank preforms based on a new R-GPLVM model utilizing GA-ELM[J]．Knowledge-Based Systems，2015，83（1）：66-80．

[14]杜严行，李恒．光伏电站接入方式对局部电网影响及改进方案的研究[J]．电力电容器与无功补偿，2014，35（2）：9-13．DU Yanxing，LI Heng．Study on influence of connecting way of photovoltaic station to local power grid and on relative improving methods[J]．Power Capacitor&Reactive Power Compensation，2014，35（2）：9-13（in Chinese）．

[15]米增强，王飞，杨光，等．光伏电站辐照度ANN预测及其两维变尺度修正方法[J]．太阳能学报，2013，34（2）：251-259．MI Zengqiang，WANG Fei，YANG Guang，et al．Photovoltaic power station irradiance of ANN prediction and its two dimensional variable scale correction method[J]．Acta Energiae Solaris Sinica，2013，34（2）：251-259（in Chinese）．

[16]YADAV A K，MALIK H，CHANDEL S S．Selection of most relevant input parameters using WEKA for artificialneural network based solar radiation prediction models[J]．Renewable&Sustainable Energy Reviews，2014，31（2）：509-519．

（编辑 冯露）

Hourly Solar Radiation Forecasting Based on GA-ELM Neural Network

XU Jing1，HUANG Nantian1，WANG Wenting1，QI Jiajin2，XU Shibing3，YU Zhiyong4
（1.College of Electrical Engineering，Northeast Dianli University，Jilin 132012，Jilin，China；2.State Grid Hangzhou Municipal Electric Power Bureau，Hangzhou 310009，Zhejiang，China；3.Hebei Normal University，Shijiazhuang 050000，Hebei，China；4.State Grid Xinjiang Institute of Economic Research Technology，Urumchi 830011，Xinjiang，China）

Solar radiation is a major factor influencing the photovoltaic.Accurate solar radiance forecastingplaysan important role on the photovoltaic power generation.In order to improve the prediction model of the sensitivity of the environmental factors and prediction accuracy，a solar radiation quantity prediction method is proposed based on GA（genetic algorithm）to improve the ELM（extreme learning machine）prediction model.First，candidate attribute factors associated with solar radiation exposure are selected and the input variables are determined.Then，the data within a range of 15 days before and after the date same to the date to be predicted from 2009 to 2014 are used as the training data set；furthermore，GA is used to optimize the hidden layer of ELM input weights and bias vector；Finally，the optimized GA-ELM model is used to carry out hourly solar radiation forecasting model.The real calculation example shows that compared with ELM，BP neural network，the new method has higher precision of prediction and can satisfy the solar radiation requirement under the external weather mutation conditions.

solar energy；radiation；GA-ELM；precision

国家高技术研究发展计划（863计划）项目（SS2014AA052502）；吉林省科技发展计划项目（20160411003XH）。

Project Supported by National High Technology Research and Development Program of China（863 Program）（SS2014AA052502）；Jinlin Province Science and Technology Development Program（201604 11003XH）.

1674-3814（2016）08-0105-05

TM615

A

2016-03-24。

徐 静（1990—），女，硕士研究生，从事新能源发电研究；

黄南天（1980—），男，副教授，博士，硕导，从事新能源规划与主动配电网、电力系统数据挖掘、电能质量分析与控制、电力设备状态检测与故障诊断等研究；

王文婷（1994—），女，本科，从事电力系统数据分析与挖掘研究；

戚佳金（1979—），男，高级工程师，博士，从事电力系统通信、电动汽车充电技术、新能源规划与负荷预测、电力系统谐波分析等领域的研究；

徐世兵（1995—），男，本科，从事大数据分析与研究；

于志勇（1988—），男，助理工程师，电能质量扰动识别特征选择。