高 亮，张新燕，杨 琪，张家军，高 敏

(1.新疆大学电气工程学院，新疆乌鲁木齐830047；2.国网阿合奇县电力公司，新疆阿合奇843500)

0 引 言

化石能源枯竭、生态环境恶化，环保、清洁、可持续的太阳能被高度重视。太阳能系统的输出受天气影响，具有一定的间歇性和波动性，太阳能预测研究，可为太阳能产业提供可靠的数据，可以提高太阳能资源的使用效率。人工神经网络(ANN)在非线性映射上有强大的功能，神经网络广泛用于电力负荷预测[1- 4]和风力发电预测等领域[5- 8]，在短期光伏发电预测中得到广泛应用[9- 12]。文献[13]用历史天气数据直接对太阳辐照强度预测，预测模型不能够准确的预测太阳辐射量，文献[14- 17]都建立预测太阳日总辐射量的ANN模型，研究结果表明，文献作者提出的各种预测模型的预测效果不够理想，在当前数字信息高速发展的科技引领下，预测精度还应当有所提高，还需要深入开发和处理数据、改进人工神经网络。本文提出一种基于多元分析的优化模糊神经网络太阳能中短期预测方法，有效的提高了太阳辐射量的预测精度，为太阳能资源高效利用提供准确数据。

1 太阳能数据变化趋势

太阳能预测的研究主要集中在辐射量的预测。太阳能数据具有很大的波动性，但对相关数据合理的分析和深度的挖掘，建立合理的预测模型和算法，可实现太阳能辐射量准确有效的预测。

太阳能数据变化分为长期变化和短期变化。长期变化受地理条件和气象特征的主导影响，地理因素的影响具有明显的变化规律，短期变化受实时气象参数变化的影响，有很大的波动性，无法规律性的描述，数据变化具有很大的随机性。长期变化趋势是对太阳能辐射量定性的描述；短期变化趋势是对太阳能辐射量定量的描述。前者注重整体，后者偏向局部的量化。

2 多元分析

多元分析包括：线性回归、相关分析、主成分分析、因子分析等。太阳能预测对模型有很高的要求，模型输入量是预测的关键，输入量的完整性和简洁性是提高预测模型准确性和高效性的必要条件。

2.1 主成分分析

主成分分析法将多项指标压缩为互不相关的指标，降低数据维度，但保留原变量的大部分信息。数据有K项指标，N组样本，观测得出的样本矩阵X为N×K维，对原始矩阵X标准化处理。

(1)根据标准化矩阵x1,x2,…xk计算样本的相关系数矩阵R。

(2)求相关系数矩阵R的特征值λ1,λ2,…λk和相应的特征向量e1,e2,…ek。

(3)取m项主成分y1,y2,…ym代替原始变量。主成分表达式为

(1)

式中,ei=[ei1ei2…eik],为原变量的相关系数矩阵的第i项特征值所对应的K维特征向量；X为K维的初始输入变量，X=|x1x2…xk|T。

2.2 曲线拟合

曲线拟合是近似刻画离散数据所表示的坐标函数关系。用解析式逼近离散数据，得到量x与y的关系，用解析式y=f(x,c)来反映x与y之间的关系。

图1 粗大误差剔除

如图1所示，输入数据曲线拟合后求残差，利用拉依达准则根据残差值对原数据做粗大误差剔除。粗大误差剔除方法不会改变数据原有信息，只对畸形数据进行修正。

2.3 定性分析和定量分析

定性分析和定量分析是对同一个问题分析的两个不同方面，定性分析是定量分析的重要前提，缺少定性分析，一系列的定量分析则具有盲目性；定性分析之后，需要采用科学准确的定量分析加以完善，两者的分析是相辅相成的。预测模型的定性分析部分，依据气象数据，对气象数据定性区分，根据气象数据中影响太阳能的主要成分，定性划分如表1所示。

表1 太阳辐射量主成分因素定性划分

利用历史气象数据，对天气定性划分，结果作为模型的部分输入量；模型的定量部分，焊接电路板，制作采集装置对气温，气压，湿度，大气通透性，光强不间断测量，作为模型的部分输入量。

2.4 模糊神经网络

模糊神经网络是一种集模糊逻辑推理与神经网络强大自学能力于一体的技术。如图2模糊神经网络示意图所示，模糊神经网络是模糊逻辑推理与神经网络有机结合的产物，主要是利用神经网络结构来实现模糊逻辑推理，使传统神经网络没有明确含义的权值被赋予了模糊逻辑中推理参数的物理含义。

图2 模糊神经网络示意

3 预测模型搭建

设计采集装置采集温度、大气压强、湿度、空气通透性、光照强度等数据。基于MATLAB编写程序深入分析挖掘数据，根据主成分法提取历史数据中的主要成分作为定性指标；对测量的短期数据做粗大误差的剔除，结合定性分析和定量分析搭建预测模型。

3.1 数据采集装置

转印采集装置的电路板，用单片机和相关传感器焊接数据采集装置，装置如图3所示。实时采集数据，编写算法剔除采集数据中的偏差数据，用无线设备传输数据至PC主机端，对温度、大气压强、湿度、大气通透性、光照强度等参数不间断测量，为预测模型提供准确无误的输入数据，以提高预测精度。

图3 测量装置示意

3.2 数据处理

预测模型的数据结构主要分为定性模块和定量模块。定性模块数据来源于NSNA提供的历史气象数据，主要包括：温度、湿度、风速、大气压强、晴空日照比、太阳辐射量等数据；定量模块的数据来源于测量装置的实时测量，主要包括：温度、湿度，大气压强、大气通透性、光照强度。

图4 数据处理示意

数据处理流程如图4所示，结合定性分析、定量分析、主成分分析处理数据，并存储采集数据作为新的历史气象数据。

3.3 预测程序流程

基于MATLAB编写基于多元分析的模糊神经网络中短期太阳能辐射量预测算法，程序流程图如图5所示。基于MATLAB编写算法，用主成分分析法处理历史气象数据，提取主要指标作为数据定性划分的依据；测量装置采集的数据做粗大误差之后作为预测模型的定量数据；搭建模糊神经预测系统，进行预测模型训练，加入测试数据检验模型的合理性。

图5 预测模型流程

4 实验实例

为验证预测模型的合理性和预测结果的准确性，收集乌鲁木齐地区太阳辐射数据和相关气象数据，对预测模型验证。为了科学的严谨性，搭建对照模型对比预测结果，证明本文预测模型的合理性。数据来源：美国航天局(NSNA)网站。

4.1 实验结果

根据NSNA提供的新疆乌鲁木齐全年的太阳辐射数据和气象数据共366组数据做训练样本，以新疆乌鲁木齐2018年4月9日到5月9日共30组数据为模型的验证数据，证明预测模型的合理性和科学性。

图6 太阳辐射量预测

如图6所示为30组数据的预测值和实测值。整体的变化趋势大致相同，具体分析，可看见预测数据和实测数据前15组的相似度较高，后15组的数据误差变大，证明预测模型在短期内可较为准确的对太阳辐射量预测。

4.2 模型对比

为了科学的严谨性，验证本文提出模型算法的优越性，建立对比预测模型，方法一为本文所建立的基于多元分析的模糊神经网络预测模型；方法二为传统模糊神经网络预测模型；方法三为BP神经网络预测模型。三种预测模型的预测结果如图7所示。

图7 太阳辐射量预测对比

由图7可见，3种预测方法的结果整体趋势基本相同，但在具体的预测精度上具有很大的差别。方法1预测精度最高，方法2预测精度次之，方法3预测精度最差；方法1和方法2比较，二者前7组数据预测结果基本相同，随后方法2的预测结果开始出现大的误差，综合比较方法1的预测精度比方法2和方法3的预测精度都要高，预测效果最好。

分别求取三种预测模型的平均相对误差EMAPE、均方根误差ERMSE(见表2)。

表2 模型误差分析

对比3种模型的平均相对误差和均方根误差，可直观的看到，模型1明显优于其余2种模型，模型2与模型3的预测效果近相同，模型2较模型3较为准确。由预测结果的平均相对误差和均方根误差可知粗大误差的剔除、定性分析和定量分析的合理结合可以提高传统模糊神经网络预测模型的精准度，进一步验证了定性分析和定量分析的有效性和必要性，也验证了本文所提预测模型的正确性。

5 结 论

本文针对太阳能预测提出基于多元分析的优化模糊神经网络短期太阳能辐射量预测模型。测试结果表明，预测模型合理准确地实现了太阳能辐射量短期预测，有效的提高了传统模糊神经网络的太阳能辐射量预测精度。主成分分析法的应用，有效的降低了预测模型的数据维度；对模型输入量做粗大误差的剔除有效的改善输入数据的准确性；定性分析和定量分析合理的结合，有效的提高了模糊神经网络的预测精度。改进的预测算法一定程度上提高了预测的精准度，对太阳能相关产业的发展具有重要意义。