【導(dǎo)讀】日常生活中面臨關(guān)于不可再生能源耗盡和嚴(yán)重的環(huán)境污染等問題。隨著光伏發(fā)電系統(tǒng)容量的不斷擴大，準(zhǔn)確地預(yù)測光伏系統(tǒng)未。而城市建筑屋頂作為城市中利用率較低的部分，如果在。本文提出了一種利用氣象信息和歷史發(fā)電量來預(yù)測次日光伏發(fā)。電量的模型，整個模型采用非線性映射能力較強的BP神經(jīng)網(wǎng)絡(luò)來建立。天三個子模型，共計十二個子模型。以2021年10月的發(fā)電數(shù)據(jù)和氣。測試、預(yù)測及評估。結(jié)果表明，預(yù)測模型的預(yù)測精度較高，對發(fā)電量。的預(yù)測有較好的參考作用。最后結(jié)合杭州電子科技大學(xué)，查閱下沙校

　　

【正文】 來。所以，一般總希望經(jīng)過初始加權(quán)后的每個神經(jīng)元的輸入值都接近于零，這樣可以保證每個神經(jīng)元的權(quán)值都能夠在它們的 S 型激活函數(shù)變化最大之處進行調(diào)節(jié)。所以，一般取初始權(quán)值在 (1,1)之間的隨機數(shù)。在 MATLAB工具箱中，可采用函數(shù) 初始化隱含層權(quán)值 W1 和 B1[10]。 BP 網(wǎng)絡(luò)的訓(xùn)練 為了訓(xùn)練一個 BP 網(wǎng)絡(luò)，需要計算網(wǎng)絡(luò)加權(quán)輸入矢量以及網(wǎng)絡(luò)輸出和誤差矢量，然后求得誤差平方和。當(dāng)所訓(xùn)練矢量的誤差平方和小于誤差目標(biāo)，訓(xùn)練則停止，否則在輸出層計算誤差變化，且采用反向傳杭州電子科技大學(xué)本科畢業(yè)設(shè)計 23 播學(xué)習(xí)規(guī)則來調(diào)整權(quán)值，并重復(fù)此過程。當(dāng) 網(wǎng)絡(luò)完成訓(xùn)練后，對網(wǎng)絡(luò)輸入一個不是訓(xùn)練集合中的矢量，網(wǎng)絡(luò)將以泛化方式給出輸出結(jié)果。 可以用 =train(,p,t)來訓(xùn)練函數(shù) [10]。 網(wǎng)絡(luò)仿真 給定網(wǎng)絡(luò)結(jié)構(gòu)和輸入變量 p，就可以應(yīng)用 sim( )函數(shù)計算相應(yīng)的網(wǎng)絡(luò)輸出 a。 BP 網(wǎng)絡(luò)的限制與不足 雖然 BP 算法得到了廣泛的應(yīng)用，但它也存在自身的限制與不足，其主要表現(xiàn)在她的訓(xùn)練過程的不確定上 [10]。 （ 1） 需要較長的訓(xùn)練時間 對于一些復(fù)雜的問題， BP 算法可能要進行幾小時甚至更長時間的訓(xùn)練。這主要是由于學(xué)習(xí)速率太小所造成的。可采用 變化的學(xué)習(xí)速率或自適應(yīng)的學(xué)習(xí)速率來加以改進。 （ 2） 完全不能訓(xùn)練 這主要出現(xiàn)在網(wǎng)絡(luò)出現(xiàn)的麻痹現(xiàn)象上。在網(wǎng)絡(luò)訓(xùn)練的過程中，當(dāng)其權(quán)值調(diào)得過大，可能使得所有的或大部分神經(jīng)元的加權(quán)總和 n 非常小，這使得激活函數(shù)的輸入工作在 S 型轉(zhuǎn)移函數(shù)的飽和區(qū)，從而導(dǎo)致其導(dǎo)數(shù) f’ (n)非常小，從而使得對網(wǎng)絡(luò)權(quán)值的調(diào)節(jié)過程幾乎停頓下來。通常為了避免這種現(xiàn)象的發(fā)生，一是選取較小的初始權(quán)值，二是采用較小的學(xué)習(xí)速率，但這又增加了訓(xùn)練時間。 （ 3）網(wǎng)絡(luò)的學(xué)習(xí)、記憶具有不穩(wěn)定性。一個訓(xùn)練結(jié)束的 BP 網(wǎng)絡(luò)，當(dāng)給它提供新的記憶模式時，將使已有的連接權(quán) 打亂，導(dǎo)致已記憶的學(xué)習(xí)模式的信息消失。要避免這種現(xiàn)象，必須將原來的學(xué)習(xí)模式連同新加入的新學(xué)習(xí)模式一起重新訓(xùn)練。而對于人類的大腦來說，新信息的記憶不會影響已記憶的信息，這就是人類大腦記憶的穩(wěn)定性。 （ 4）局部極小值 BP 算法可以使網(wǎng)絡(luò)權(quán)值收斂到一個解，但它并不能保證所求為誤差超平面的全局最小解，很可能是一個局部極小解。這是因為 BP 算法采用的是梯度下降法，訓(xùn)練是從某一起始點沿誤差函數(shù)的斜面逐漸達到誤差的最小值。對于復(fù)雜的網(wǎng)絡(luò)，其誤差函數(shù)為多維空間的曲面，就像一個碗，其碗底是最小值點。但是這個碗的表面是凹凸不平 的，因而在對其訓(xùn)練過程中，可能陷入某一小谷區(qū)，而這一小谷區(qū)產(chǎn)生的是一個局部極小值。由此點向各方向變化均使誤差增加，以致于使訓(xùn)練無法逃出這一局部極小值。 杭州電子科技大學(xué)本科畢業(yè)設(shè)計 24 如果對訓(xùn)練結(jié)果不滿意的話，通?？刹捎枚鄬泳W(wǎng)絡(luò)和較多的神經(jīng)元，有可能得到更好的結(jié)果。然而，增加神經(jīng)元和層數(shù)，同時增加了網(wǎng)絡(luò)的復(fù)雜性以及訓(xùn)練的時間。在一定的情況下可能是不明智的?？纱娴姆椒ㄊ沁x用幾組不同的初始條件對網(wǎng)絡(luò)進行訓(xùn)練，以從中挑選出它們的最好結(jié)果。網(wǎng)絡(luò)隱層神經(jīng)元數(shù)對網(wǎng)絡(luò)有一定影響。神經(jīng)元數(shù)目太少會造成網(wǎng)絡(luò)的不適性，而神經(jīng)元數(shù)目太多又會引起網(wǎng)絡(luò)的過適性。 對于非線性網(wǎng)絡(luò)，選擇合適的學(xué)習(xí)速率也是一個很重要的問題。在線性網(wǎng)絡(luò)中，學(xué)習(xí)率過大會導(dǎo)致訓(xùn)練過程不穩(wěn)定。相反，學(xué)習(xí)速率過小又會使訓(xùn)練時間過長。和線性網(wǎng)絡(luò)不同，對于非線性多層網(wǎng)絡(luò)很難選擇好的學(xué)習(xí)速率。對那些快速訓(xùn)練算法，默認(rèn)參數(shù)值基本上都是最有效的設(shè)置。 多層網(wǎng)絡(luò)中非線性傳遞函數(shù)有多個局部最優(yōu)解。尋優(yōu)的過程與初始點的選取關(guān)系極大，初始點如果更靠近局部最優(yōu)點，而不是全局最優(yōu)點，就不會得到正確結(jié)果，這也是多層網(wǎng)絡(luò)無法得到最優(yōu)解的一個原因。為了解決這個問題，在實際訓(xùn)練中，應(yīng)重復(fù)選取多個初始點進行訓(xùn)練，以保證訓(xùn)練結(jié)果的 最優(yōu)解。 杭州電子科技大學(xué)本科畢業(yè)設(shè)計 25 BP 神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電量預(yù)測模型設(shè)計 影響光伏發(fā)電量的環(huán)境因素 輻照強度對光伏系統(tǒng)發(fā)電功率的影響 太陽輻照強度可以定義為照射到單位時間單位面積上的太陽光能量，其單位為 W/m2。太陽輻射經(jīng)過大氣，其中部分到達地面，稱為直接太陽福射；另一部分被大氣分子及大氣中的水汽、塵埃等反射、散射和吸收。被散射的太陽光包括返回宇宙空間的部分和到達地面的部分，到達地面的部分太陽光稱為散射太陽輻射。直接太陽輻射和散射太陽輻射之和稱為總輻射，為太陽能光伏發(fā)電系統(tǒng)所利用。 光伏發(fā)電量隨太陽輻照強 度的波動而變化，太陽輻照強度是影響光伏系統(tǒng)輸出功率的主要因素。當(dāng)太陽能電池的面積確定時，其輸出電流與太陽輻照強度成正比。因此，當(dāng)太陽輻照強度增加時，光伏系統(tǒng)輸出功率也會隨之增加。而太陽輻照強度由許多不確定因素決定，如季節(jié)和地理位置等。此外 ,天氣情況、太陽照射角度、觀測日期、時間和云量都會對太陽福照度造成很大影響。由于受太陽輻射度的影響 ,光伏輸出功率有很強的周期性 ,包括日周期和年周期。光伏發(fā)電系統(tǒng)通常在上午 6:00和下午 6:00之間產(chǎn)生發(fā)電量 ,因此在并網(wǎng)時會對電網(wǎng)產(chǎn)生周期性的不穩(wěn)定影響。因為太陽輻照強度具有隨 機性 ,使得確定光伏系統(tǒng)各方陣面上各個時段太陽輻照量的確切值變得相當(dāng)困難 ,只能參考氣象臺的歷史資料記錄 ,但是通常氣象臺站提供的是水平面上的太陽輻照量 ,若要使用其進行預(yù)測 ,需要轉(zhuǎn)換為傾斜方陣面上的輻照量。本文所用的太陽輻照強度數(shù)據(jù)由杭州電子科技大學(xué)光伏微網(wǎng)實驗室提供。 單位面積的光伏電源輸出功率為： )]25([ 0 ??? tSIPs ? （ 30） 式中： η 為光伏電源轉(zhuǎn)換效率； S為光伏電源的面積， m2； I為光照強度， kW/m2； t0為環(huán)境溫度，℃。 圖 , 不同輻照強度對應(yīng)的光伏電池伏安特性曲線 , 可以明顯地看出隨著輻照強度的增大 , 光伏電池的開路電壓、短路電流變大 , 伏安特性曲線逐步向外側(cè)偏移 , 引起輸出功率的增大。因此輻照強度是影響光伏電站輸出功率的最主要因素。 杭州電子科技大學(xué)本科畢業(yè)設(shè)計 26 圖 在特定溫度下，不同輻照強度對應(yīng)的光伏電池伏安特性曲線 圖 化曲線。從圖中可以看出，由于光伏系統(tǒng)發(fā)電功率主要與 光照強度有關(guān)，因此發(fā)電功率曲線與光照強度曲線的變化規(guī)律相似，其變化趨勢總體上可以映射光照強度的變化，即光照強度的影響可在發(fā)電功率中體現(xiàn)。因此，本文將光伏發(fā)電功率的歷史數(shù)據(jù)作為預(yù)測模型的輸入量之一 [12]。 圖 連續(xù)三天光伏系統(tǒng)發(fā)電功率與光照強度變化曲線 日 氣象 類型對光伏系統(tǒng)發(fā)電功率的影響 從圖 ，雖然日發(fā)電功率的大小有所不同，但是發(fā)電功率曲線的變化規(guī)律是相似的。圖 。從以下三幅圖可知，當(dāng) 日氣象類型 不同時，光伏系統(tǒng)的發(fā)電功率差距很大。不同的 日氣 象類型 主要導(dǎo)致當(dāng)天的輻照強度不同。云天和雨天由于太陽光被云層遮擋力度加大，輻照強度減弱，光伏發(fā)電功率值與晴天相比差距很大。因此，為了提高預(yù)測精度，需要將光伏歷史數(shù)據(jù)根據(jù) 日氣象類型 的特點分類為：晴天、云天和雨天，其中云天包括多云和陰天兩種天氣狀況。 杭州電子科技大學(xué)本科畢業(yè)設(shè)計 27 圖 晴天光伏發(fā)電功率 圖 云天光伏發(fā)電功率 圖 雨天光伏發(fā)電功率 當(dāng) 日氣象類型 發(fā)生變化時，如天氣突然由晴天轉(zhuǎn)為雨天時，輻射強度將會顯著下降，此時如果沒有輸入變量來反映太陽輻照強度的變化，發(fā)電量預(yù)測將會變得不準(zhǔn)確。因此，需要選擇一個合適 的變量來反映天氣情況劇烈變化時光伏陣列發(fā)電量的劇烈變化。 隨著目前氣象部門天氣預(yù)測水平的不斷提高和網(wǎng)絡(luò)信息化的不斷增強，建立預(yù)測模型如果考慮將預(yù)測日的天氣預(yù)報信息也作為輸入變量之一，那么預(yù)測模型在 日氣象類型 突然變化時的預(yù)測能力將得到顯著提高。但是，天氣預(yù)報中給出的天氣參數(shù)一般為一些比較模糊的 日氣象類型 描述：如晴天、晴天到多云、陰天、陰天有小雨、小雨轉(zhuǎn)大杭州電子科技大學(xué)本科畢業(yè)設(shè)計 28 雨等。如何將含糊、不確定、模糊的 日氣象類型 轉(zhuǎn)換為可以被神經(jīng)網(wǎng)絡(luò)算法所接受的精確值，需要通過大量有效的歷史發(fā)電量才能進行統(tǒng)計分析，本文根據(jù)不斷完善的光伏監(jiān)控系統(tǒng) 數(shù)據(jù)庫將 日氣象類型 進行量化 [13]。 可通過對歷史發(fā)電量數(shù)據(jù)的統(tǒng)計將晴天、多云、陰天、雨天等 日氣象類型 信息映射為 0～ 1之間的一個 日氣象類型 指數(shù)作為預(yù)測模型的輸入變量。 本文進行模型設(shè)計時已將原始數(shù)據(jù)按照 日氣象類型 分類，故不需要以 日氣象類型 指數(shù)作為模型的輸入變量，此處僅對 日氣象類型 是影響發(fā)電量的一個因素而對不進行模塊化的模型設(shè)計加以說明。 溫度對光伏系統(tǒng)發(fā)電功率的影響 大氣溫度的變化對光伏系統(tǒng)發(fā)電功率產(chǎn)生一定影響，因為光伏歷史發(fā)電數(shù)據(jù)映射出的發(fā)電功率曲線的形狀與 日氣象類型 曲線相似，而相同 日氣象類型 情況下的氣溫變化將映射曲線高度的細微變化。所以，預(yù)測模型的輸入變量中需要考慮大氣溫度。 圖 （ 日氣象類型 基本為晴天）的日均發(fā)電功率和日平均溫度。由圖可知，在相同 日氣象類型 的情況下，日平均溫度較高時，日均輸出功率也較大。 圖 某光伏系統(tǒng)日均發(fā)電功率 杭州電子科技大學(xué)本科畢業(yè)設(shè)計 29 圖 某光伏系統(tǒng)日均發(fā)電功率對應(yīng)的日均溫度 季節(jié)對光伏陣列發(fā)電量的影響 同時，季節(jié)性因素對光伏陣列發(fā)電量影響也是非常清晰的，這種影響源于太陽輻射強度的差異，發(fā)電量曲線隨著輻射強度的變化而變化，季節(jié) 性的發(fā)電量差異是一個具體表現(xiàn)。此外，由于地理位置的不同，各地的氣候狀況千差萬別，季節(jié)性因素對于發(fā)電量特性影響的程度也是不同的。 預(yù)測模型設(shè)計 BP神經(jīng)網(wǎng)絡(luò)因其強大的非線性映射能力而能夠逼近任意復(fù)雜的非線性函數(shù) ,但隨著問題復(fù)雜性不斷增加，一個復(fù)雜網(wǎng)絡(luò)在訓(xùn)練時所需的樣本量和學(xué)習(xí)時間也都急劇增加，而且得到的復(fù)雜網(wǎng)絡(luò)往往并不能揭示問題的層次和結(jié)構(gòu)，然而光伏系統(tǒng)的資料數(shù)據(jù)有限。一種有效的辦法就是將整個網(wǎng)絡(luò)進行模塊化：把一個復(fù)雜的模型分解成幾個簡單的子模型，分別用幾個網(wǎng)絡(luò)去模擬。用拆分的方式分別建模，一方面簡化 了模型，方便了網(wǎng)絡(luò)的訓(xùn)練；另一方面也有利于提高模型的預(yù)測精度。在本文所要研究的光伏陣列發(fā)電預(yù)測模型中，由于 日氣象類型 、氣溫、季節(jié)等因素對于光伏陣列發(fā)電功率都有較大影響，因此按季節(jié)建立了四個預(yù)測子模型，按照不同的 日氣象類型 又對每個季節(jié)再建立了三個子模型，分別為晴天、云天和雨天三種模型，其中云天包括為：多云、陰天兩種天氣狀況。因此整個系統(tǒng)共有 12個子模型。不同的子模型的輸入變量可隨與發(fā)電量的相關(guān)性的不同而自行選擇。模型建立的流程圖為圖 ： 杭州電子科技大學(xué)本科畢業(yè)設(shè)計 30 圖 模型建立的流程圖 采用 BP神經(jīng)網(wǎng)絡(luò)進行光伏陣列發(fā)電量預(yù) 測模型的設(shè)計，除了輸入變量的選擇外，神經(jīng)網(wǎng)絡(luò)模型的精度還受到神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)、數(shù)據(jù)的預(yù)處理方式、網(wǎng)絡(luò)訓(xùn)練所選擇的訓(xùn)練函數(shù)及其相關(guān)參數(shù)的設(shè)定等諸多細節(jié)因素的影響，建模過程中需要對這些細節(jié)加以解決。 輸入層節(jié)點的確定 本文以 2021年 10月杭州電子科技大學(xué)光伏發(fā)電微網(wǎng)系統(tǒng)提供的光伏發(fā)電量及相關(guān)日期相應(yīng)時間點的氣象數(shù)據(jù)為原始數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練和預(yù)測。以晴天為例，選擇前一天 6:0019:00這 13個時間段實際可發(fā)電量、預(yù)測日相應(yīng)時間段的太陽光照強度和溫度為網(wǎng)絡(luò)的輸入量。因此本文所建立的神經(jīng)網(wǎng)絡(luò)的輸入節(jié) 點有 39個。 隱含層節(jié)點的確定 隱含層節(jié)點的作用是從樣本中提取并儲存其內(nèi)在規(guī)律，每個隱層節(jié)點有若干個，而每個權(quán)值都是增強網(wǎng)絡(luò)映射能力的一個參數(shù)。隱層節(jié)點數(shù)量太少，網(wǎng)絡(luò)從樣本中獲取的信息能力就差，不足以概括和體現(xiàn)訓(xùn)練集中的樣本規(guī)律；隱層節(jié)點數(shù)量過多，又可能把樣本中非規(guī)律杭州電子科技大學(xué)本科畢業(yè)設(shè)計 31 性的內(nèi)容如噪聲也學(xué)會了牢記，從而出現(xiàn)所謂“過度吻合”問題，反而降低了泛化能力。此外隱層節(jié)點數(shù)太多還會增加訓(xùn)練時間。 設(shè)置多少個隱層節(jié)點取決于訓(xùn)練樣本數(shù)的多少、樣本噪聲的大小以及樣本中蘊涵規(guī)律的復(fù)雜程度。一般來說，波動次數(shù)多、幅度變化大的復(fù)雜非線性函數(shù)要求網(wǎng)絡(luò)具有較多的隱層節(jié)點來增強其映射能力。 確定最佳隱層節(jié)點數(shù)的一個常用辦法稱為試湊法，可先設(shè)置較少的隱層節(jié)點訓(xùn)練網(wǎng)絡(luò)，然后逐漸增加隱層節(jié)點數(shù)，用同一樣本集進行訓(xùn)練，從中確定網(wǎng)絡(luò)誤差最小時對應(yīng)的隱層節(jié)點數(shù)。在用試湊法時，可以用一些確定隱層節(jié)點數(shù)的經(jīng)驗公式。這些公式計算出來的隱層節(jié)點數(shù)只是一種粗略的估計