何祖军 周光辉 杨奕飞

（江苏科技大学电子信息学院 镇江 212001）

1 引言

光伏发电具有高度的随机性、波动性和间歇性，大容量并网会对电力供需平衡、电力系统的安全稳定以及电能质量产生不可忽视的影响。对光伏输出功率准确预测，减少光伏输出功率周期性和非平稳性对电力系统的不利影响［1］，合理制定常规能源发电和太阳能发电的需求策略，对推动光伏发电健康稳定发展具有重要意义。

当前以人工神经网络为代表的预测模型应用较为广泛，如BP神经网络、灰色神经网络、小波神经网络、脊波神经网络等预测模型［2］，从不同方面模拟了生物神经元的空间加权特性、自适应、传导和输出等大部分特性，但缺乏对于时间总和效应和延迟特性的描述［3］。本文采用的双并联过程神经网络预测模型，对传统的神经网络结构进行了改进，改进后的模型对神经元的聚合运算机制和激励方式向时间域进行扩展，放宽了对系统输入的同步瞬时限制，使神经元同时具有时、空二维信息处理能力［4］。同时加入动量增项，对网络权值进行修正，克服前馈神经网络易陷入局部极小值的缺陷。仿真结果表明，该模型有效的提高了光伏发电功率的预测精度和稳定性，能够满足工程应用要求。

2 双并联过程神经网络预测模型

2.1 双并联过程神经网络预测模型

双并联前馈过程神经元网络是在人工神经网络的基础上增加了输入层至输出层或某一最后隐层的直接全连接而形成的一种过程过程神经网络模型［5］，其拓扑结构如图1所示。

图1 双并联前馈过程神经网络拓扑结构

图中是3层结构的双并联过程神经网络拓扑结构模型［6］，设输入层有n个节点，隐层有m个神经元，网络的系统输入向量为

设系统输入过程区间为［0，T］，则隐层第j个过程神经元的输入为

隐层第j个神经元的输出为

设输出层的激励函数g（z）为线性函数且g（z）=z。则网络的系统输出为

根据梯度下降算法，在一次学习迭代过程中网络的待学习参数调整规则可规定为

式（7）～（9）中，r为学习迭代次数，α、β、γ为相应的学习速率。

至此，双并联前馈过程神经元网络的基本学习算法可完整描述如下：

Step1：根据输入输出的时间序列，构建网络的拓扑结构，随机生成网络的连接权值和阈值；

Step2：给定网络学习误差精度ε，学习迭代次数r=0，最大学习迭代次数M，学习参数和学习速率；

Step3：根据式（6）计算误差函数E，如果 E＜ε或者r＞M ，则转Step5；

Step4；根据式（7）～（9）调整网络学习参数。转Step3。

Step5：输出预测结果，结束。

上述模型可以较好地解决大样本的学习和泛化问题，可以满足系统实时性的要求，解决了传统前馈神经网络缺乏在时间总和累积效应问题。但双并联过程神经网络其核心部分仍然是前馈神经网络，它继承了神经网络在寻优过程中极易陷入局部极小值的缺陷。本文提出的改进双并联过程神经网络是通过改变过程网络连接权值更新的方式优化网络的寻优过程，克服网络易陷入局部极值的缺陷。

2.2 改进双并联过程神经网络预测模型

动态增量法在过程神经网络训练修正其权值时，不仅考虑传播误差在梯度下降上的作用，而且考虑在误差曲面上变化趋势的影响［8］，其作用如同一个低通滤波器，它允许忽略网络上的微小变化特性［9］。利用动态增量法的作用则可能跳过这些局部极小值［10］。该方法是在过程神经反向传播的基础上在每一个权值的修正上加上一个正比于前次权值变化量的值，并根据前向传播法来产生新的权值［11］。至此，式（7）的权值调整公式可改写为

3 结果与分析

3.1 试验说明

本仿真在Matlab2010b环境下，分别建立双并联过程神经网络预测模型（PNN）和动态增量改进双并联过程神经网络预测模型（DPNN）对同一实测光伏发电时间序列的发电量预测，并进行试验对比。本文所使用的数据来源于澳大利亚艾利斯斯普林斯（Alice springs）的太阳能知识中心（Solar Centre Desert Knowledge Australia）装 机 容 量 为5.5kW的第33号光伏发电实验电站，包括从2017年6月10日到2017年8月10日每隔5分钟输出的光伏历史数据（输出功率）和同期的气象数据（风速、温度、相对湿度、太阳辐射照度）。经整理，共得到18146条训练样本数据，其中2017年8月10日的7：00～18：00的133条数据作为测试数据与预测数据进行比较。

3.2 结果分析

由于光伏输出功率波动性较大，在训练和预测时，需要对数据进行归一化处理［14］，归一化的公式为

式中，xi为原始数据，为原始数据中的最大值和最小值；x为归一化后的数据，ymin，ymax为归一化处理的载波范围。本文取ymin=-1，ymax=1。

光伏发电功率预测准确性暂时还没有统一的评估标准，本文采用平均绝对误差（MAPE）、均方根误差（RMSE）等数据进行评估［15］，其公式为

采用两种不同方式建立的光伏发电功率预测模型。设定网络的学习误差精度为10-5；学习速率为0.001，最大迭代次数为1000次。其预测结果如图2所示，相对误差如图3所示。

图2 功率预测曲线

图3 相对误差曲线

由图2和图3可以看出，相比于双并联过程神经网络的功率预测曲线，使用动量式改进后的双并联过程神经网络预测曲线和实测输出曲线更加吻合，相对误差也更小。

为减小算法随机性带来的偏差，对每种模型运行10次［16］。表1是2种模型的MAPE值。表2是2种模型的RMSE值，分析表1、表2可知，双并联过程神经网络建立光伏发电功率预测模型的平均绝对误差的平均值为0.2530，偏差为38.88%；均方根误差平均值为0.2584，偏差为31.90%。而经过改进后预测模型平均绝对误差的平均值为0.1365，偏差为25.38%；均方根误差最小值为0.1879，偏差为20.97%。可以看出，改进的模型寻优能力有了一定的提高，运行更加稳定，预测精度更好。

表1 2种模型的MAPE值

表2 2种模型的RMSE值

4 结语

本文针对双并联过程神经网络算法建立的光伏发电功率预测模型易陷入局部极小值，运行不稳定等问题，采用动态增量式改进双并联过程神经网络权值的修正方式，克服过程神经网络算法易陷入局部极小值的缺陷。对比研究表明，动态增量式改进后的双并联过程神经网络算法具有较强的全局寻优能力，可以有效地提高光伏输出功率的预测精度和预测稳定性，具有一定的实用性和可行性。