人工智能算法在光伏发电量预测中的应用

引 言

随着全球经济的不断发展，人类对能源需求不断增长， 不可再生能源不断减少，使得发展并利用新能源迫在眉睫。研究和实践表明，太阳能是资源最丰富的可再生能源，是人类社会未来能源的基石。由于光伏发电具有较强的随机性和波动性，光伏电站并网势必会造成电网的不稳定，因此准确预测光伏发电量具有重要意义。

目前，国内外对光伏发电量预测已有相关研究，一些相关人工智能算法也被应用到预测模型中，如马尔科夫链，神经网络，灰色理论，粒子群，遗传算法等。考虑到神经网络具有很强的非线性拟合、学习规则简单，但收敛速度慢且易陷入局部最优等缺点，同时考虑到果蝇算法与其他算法相比具有全局寻优能力强、计算复杂度小、精度高、收敛速度快等优点， 故本文提出一种果蝇算法结合神经网络的混合算法。此混合算法能很好的结合两者的优点。

1 光伏发电量预测模型

1.1 BP神经网络模型

神经网络（Neural Network）是模拟人大脑学习知识的过程而提出的一种人工智能算法。神经网络分为单层前馈网络（LMS 学习算法）、多层前馈网络（BP 神经网络）、后馈网络等。其中BP 神经网络是目前研究最为成熟、广泛的预测网络模型之一。预测模型分为输入层、隐含层以及输出层，如图 1 所示。

输入层

针对本文的预测模型，输入变量为光伏发电系统各个时段的平均温度、平均光照。

隐含层

本文模型采用双隐含层。多层前向网络是单层感知器的推广，解决了非线性可分问题。隐含层由神经元组成，神经元决定了各输入变量权值以及各输出变量权值。

输出层

本文预测模型的输出变量为当日各时段的光伏发电量。文中将光伏发电预测模型分为 24 小时/ 天，每一个小时为一个计算单位。输入层中的每个结点作为激励信号，组成下一层的输入信号，而该层输出信号又作为下层的输入信号，以此类推。神经网络具有很好的非线性拟合性，学习规则简单。

1.2 果蝇算法

果蝇优化算法（Fruit Fly Optimization Algorithm，FOA） 是一种基于果蝇觅食行为的人工智能仿生算法，是由台湾潘文超教授于 2011 年 6 月提出的。果蝇可以使用嗅觉和视觉来寻找食物及同伴，具有很好的群体智能性。

果蝇寻找食物时飞行线路具有一定的随机性，为了寻找食物，果蝇会根据空间中的食物气味浓度进行判定，向浓度高的方向飞行。其算法流程如下所示：

(1) 在搜索空间中随机产生果蝇种群。随机产生个体果蝇的位置及各自飞行方向向量。

(2) 各果蝇分别沿预定方向移动一定的步长，计算各果蝇所在位置的浓度。

(3) 找出种群中浓度最高的果蝇的位置，保存为 Piter，然后所有果蝇飞向浓度最高的位置。

(4) 计算移动后各果蝇所处位置的浓度，若 Piter，i比 Piter浓度更高，则更新 Piter，再转到步骤（2），直到找到食物位置。

Piter表示第iter代的浓度最高的位置 ；Piter,i表示第 i个果蝇第iter 代的位置。

1.3 FOA-BP算法

为解决神经网络收敛速度慢以及容易陷入局部最优的缺 点，本文提出一种果蝇算法结合神经网络的混合算法，该混 合算法具有较强的全局搜索能力、不易陷入局部最优、收敛 快等优点。本文主要利用果蝇算法来优化神经网络权值以达 到优化的目的。混合算法流程如下所示：

（1）初始化。初始化种群规模 S，最大迭代次数 iter，随 机生成各果蝇的位置、移动方向、移动步长及神经元权值等。

（2）读取数据。读取光伏发电系统训练样本数据，包括 各时段的平均温度、平均光照强度以及光伏发电量，对样本 数据进行归一化处理。

（3）通过神经网络样本进行训练，得到相应的权值，并 利用果蝇算法对权值进行修正与优化。果蝇个体向预定方向 移动一定的步长，计算浓度，此时浓度即预测值，若预测值 Pbest 更优，则保留，继续迭代，直到达到预测精度为止。

（4）输出种群中果蝇所处浓度最高的位置，即神经网络 的最优权值。输出预测结果。FOA-BP 算法流程如图 2 所示。

2 实验结果与分析

 本模型采用武汉某发电企业发电机组 1 的发电数据进行 试验。时间段选取 6 ：00-19 ：00。训练样本选取 6 月份的数 据 120 组，其中输入量是各时段的平均光照强度、平均温度， 输出量是各时段的发电量。预测样本是 6月 6 日 6 ：00-19 ：00 各时段的数据。神经网络激励函数采用单极性 sigmod 激励函 数 g（x）=1/（1+e-x），神经网络结构为双隐含层，隐含层神经 元个数为 25，预测样本各时段的平均温度以及平均光照，分 别如图 3，图 4 所示。

预测发电量与实际发电量的对比如图 5 所示。预测误差 如图 6 所示。

由图 6 的预测曲线图可知，大部分时段的预测误差都在 15% 内，在第 6、第 10 时段误差较大，总体来看发电量预测 曲线能很好的与实际发电量曲线拟合。

3 结 语

本文提出的 FOA-BP 算法能应用到光伏发电量预测模型， 使得输出结果具有较强的准确性、收敛速度快以及寻优能力 强等特点。本模型算法可以有效为光伏发电厂的选址以及电厂 维护提供理论依据，从而为发电企业带来更多的利益。准确 的光伏发电量预测能够为公共电网的维护和电力的再分配提 供有力的理论支持。