摘要：虽然光伏发电以无枯竭危险、无污染排放以及能源质量高等优点得到了各国的青睐，但是其输出功率会呈现出波动性和随机性的特点，使并网后的光伏发电站会对公用电网造成了一定程度的干扰。同时，光伏板制造过程存在污染、发电成本高等缺点，抑制了光伏发电产业的发展。基于此，本文在HS-ESN算法下对光伏变电站的发电功率进行了短期预测，并通过案例分析分析了HS-ESN模型短期预测光伏发电功率的准确性及可行性。
关键词：光伏发电站；HS-ESN算法；短期预测
一、HS-ESN算法的基本原理
2001年，H.Jaeger等人提出了回声状态网络算法（ESN），该算法属于新型的递归神经网络算法，具有记忆功能，但在光伏发电功率的短期预测中，ESN预测模型的预测精度容易受到初始参数储备池内连接权谱半径SR、储备池规模N、储备池输入单元尺度IS以及储备池稀疏程度SD的干扰[1-2]。基于此，此处借助和声搜索算法（HS:Harmony Search）对ESN中的四个初始参数进行优化，得到了HS-ESN算法[3]。具体流程如下：
首先，通过式子（1）对ESN中的四个初始参数SR、N、IS以及SD进行编码，即SR由前n1位参数表示，N由后面的n2位参数表示，IS由后面的n3位参数表示，SD由后面的n4为参数表示，进而将编码后的参数转换为十进制。
（1）
式子（1）中，十进制参数由
表示，二进制串的十进制由
表示，参数的最大值和最小值分别由
和
表示。
其次，通过和声搜索算法理论初始优化HS算法，进而明确算法的适应度函数，此处和声搜索算法的适应度函数由均方误差（mean-square error, MSE）来表示，具体如式子（2）所示。
（2）
式子（2）中，样本数量由N表示，第P个样本的期望输出由
表示，第P个样本的实际输出由
表示。
最后，将HS算法的寻优方法融入到ESN算法中，寻找并输出ESN最优参数。以上流程可通过图1来进行表达。
图1 ESN算法在HS算法优化下的流程简图
二、光伏发电功率在HS-ESN算法下的短期预测模型
本文在此通过HS-ESN算法提出了光伏发电功率短期的预测模型，该模型主要的特点是在ESN算法的基础上对其储备参数SR、N、IS以及SD进行了HS优化，对应的预测流程有：第一，通过初始化的方式对HS-ESN算法进行设置，即对储备池中的参数进行设置，根据前人的研究经验，SR的取值范围为[0.1,0.9]，N的取值范围为[100,150]，SD的取值范围为[0.01,0.05]，IS的取值范围为[0.01,0.5]，并在初始化设置完成后，借助相似日选择算法挑选出光伏以往数据中历史日的相似日；第二，对HS-ESN算法的隶属度函数、输入变量以及输出变量进行确定，在确定完成后对预测模型进行训练；第三，借助相似日模型选择出光伏历史数据中预测日的相似日，接着在已训练好的预测模式中导入输入量，此时便能得到相应的预测结果[4-5]。
根据上述的分析，此处以GS省某光伏变电站为例，对HS-ESN预测模型与ESN预测模型的训练效果进行了研究，训练样本来自该变电站2017年上半年的相关数据，通过这两个预测模型得到的训练曲线如图2所示。可以看出，就收敛精度而言，ESN预测模型不及HS-ESN预测模型。可见，上述通过HS算法优化ESN算法中参数SR、N、IS以及SD来避免局部极值的出现是正确的，经优化后的参数依次为0.26、100、0.02、0.05。
图2 两个模型对应的训练曲线
三、预测结果分析
为了检验光伏发电功率在HS-ESN算法下的短期预测的可行性，挑选了2017年GS省某光伏变电站上半年较为典型的四种天气进行预测，如4月4日的晴天、4月9日的雨天、4月11日的多云、4月26的阴天，此时在相似日选择算法的作用下，依次得到了以上四种天气对应的相似日，分别为4月5日、4月10日、4月20日以及4月30日。其中，4月4日的最高气温为25℃，最低气温为7℃，4月11日当天的天气为晴天，最高气温为15℃，最低气温为3℃，在此，通过HS-ESN模型对晴天和阴天进行预测，得到的结果分别如图3和图4所示。可以看出，HS-ESN模型在天气为晴天和多云时，预测得到的结果与实际值相近，大致趋势相同，预测误差较小，且对应的平均绝对百分比误差分别为12.81%和13.65%，均达到了电力调度的标准，表明了该模型短期预测光伏发电功率的可行性。
4月9日当天的天气为雨天，最高气温为12℃，最低气温为5℃，4月26日当天为阴天，最高气温为18℃，最低气温为8℃，通过HS-ESN模型对这两种天气进行预测，得到的结果分别如图5和图6所示。可以看出，预测曲线与实际曲线存在了较大的偏差，平均绝对百分比误差分别为21.02%和20.13%，无法达到相应的标准，失去了预测的价值，进一步说明该模型的预测能力还存在一定的局限性，需要进一步的加强。
图3 HS-ESN模型在晴天的短期预测结果 图4 HS-ESN模型在多云的短期预测结果
图5 HS-ESN模型在雨天的短期预测结果 图6 HS-ESN模型在阴天的短期预测结果
为了进一步检验HS-ESN预测模型的预测精度，又对2017年5月5日-5月18日进行了预测，结果如表1所示。从平均绝对百分比误差的结果来看，预测的误差均处于较小且能够接受的范围，具有较高的预测精度。因此，HS-ESN预测模型能够在光伏发电功率短期预测中使用。
表1 HS-ESN预测模型在2017年5月份预测的误差情况
四、小结
本文首先点出了ESN算法在实际预测上的缺陷，并在借助HS算法优化其储备参数后，得出能在一定程度上提高其预测精度的观点，逐步引出HS-ESN算法。其次，在HS-ESN算法的基础上提出了光伏发电功率的短期预测模型，并根据前人研究的经验，设定了SR、N、IS以及SD的取值范围，接着以GS某光伏发电站为例，确定了SR、N、IS以及SD的取值。最后通过实测，表明了HS-ESN预测模型预测的效果与不足，但总体上证明了HS-ESN预测模型具有较好的预测精度，能够在光伏发电功率的短期预测中使用的观点。
参考文献
[1]Jaeger H.The "echo state" approach to analyzing and training recurrent neural networks [R]TechnicalReport GMD Report 148,German National Research Center far Information Technology,2001:21-30.
[2]李军, 桑桦. 基于SCKF的Elman递归神经网络在软测量建模中的应用[J]. 信息与控制, 2017, 46(3):342-349.
[3]基于和声搜索算法和相关向量机的网络安全态势预测方法[J]. 计算机应用, 2016, 36(1):199-202.
[4]王新友,王晨华,张祎,鲁江.基于改进型ESN的短期风电功率预测[J].自动化与仪器仪表,2017(02):29-32.
[5]田中大,李树江,王艳红,王向东.基于混沌理论与改进回声状态网络的网络流量多步预测[J].通信学报,2016,37(03):55-70.
论文作者:程琦
论文发表刊物:《电力设备》2019年第4期
论文发表时间:2019/7/5
标签：算法论文; 模型论文; 光伏论文; 参数论文; 功率论文; 误差论文; 式子论文; 《电力设备》2019年第4期论文;