基于深度学习的光伏功率预测（灰色动态BP神经网络在光伏短期出力预测中的应用）

基于深度学习的光伏功率预测（灰色动态BP神经网络在光伏短期出力预测中的应用）1）基于灰色动态的BP神经网络通过优选因子集、动态设置隐藏层节点个数等方式弥补了常规BP神经网络方法的不足，可以减小工作量、提高工作效率，解决隐含层节点难以确定的矛盾。结论间接预测方法结合光伏发电站历史数据和气象数据，采用人工神经网络方法进行预测，由于其在模型的建立过程中考虑了气象数据的变化，预测准确度更高，因而更具有潜在的应用价值。BP神经网络具有强大的学习能力，能逼近任意复杂的非线性函数，在光伏发电短期出力的预测中得到了广泛的应用。本文首先阐述了BP神经网络的算法原理，分析了其存在的不足；由此提出采用一种灰色动态算法对其进行改进，从而实现了一种灰色动态BP神经网络方法；最后将提出的方法应用于利用实际光伏电站短期出力的预测中，并通过对比预测结果和实测结果，证明所提出预测模型的有效性。本文旨在为光伏发电短期出力预测提供一条可能的途径。图2 灰色动态BP神经网络流程图

各位读者，“2015第二届轨道交通供电系统技术大会”主讲报告文字精要版已在微信订阅号“城铁供电技术”（ctgdjs）上陆续发布，请感兴趣的读者扫描下方的二维码，关注该微信号前往阅读。

国网技术学院的研究人员娄宝磊，在2015年第12期《电气技术》杂志上撰文，针对传统BP神经网络在光伏发电短期出力预测中的不足，提出并实现了一种基于灰色动态BP神经网络的光伏发电短期出力预测模型。通过灰色系统理论对BP神经网络因子集进行优化，同时对BP神经网络的隐含层节点数进行动态调节。将提出的模型应用于真实的光伏电站短期出力预测中，预测结果和实测结果吻合度较高，验证了模型的有效性。

随着我国经济水平的不断提高，对电力的需求不断加大，化石能源的供应也日趋紧张。太阳能光伏发电作为一种可再生能源，近年来得到了快速的发展[1]。由于太阳能光伏发电是间歇能能源，其输出功率受到太阳辐射强度、环境温湿度等因素的影响，因此具有波动性。为了尽量减少大规模光伏发电对电网造成的影响，对光伏发电的出力进行预测显得极为重要。

目前针对光伏出力的预测方法主要可以分为直接预测法和间接预测法[2-8]。直接预测法是根据光伏发电站的发电量历史数据和天气数据直接预测光伏电站的输出功率和发电量，不需要对天气等外界环境进行预测。由于直接预测法没有考虑天气的情况，只是在历史数据统计的基础上进行预测，其预测精度较低，预测模型甚至可能失效。

间接预测方法结合光伏发电站历史数据和气象数据，采用人工神经网络方法进行预测，由于其在模型的建立过程中考虑了气象数据的变化，预测准确度更高，因而更具有潜在的应用价值。BP神经网络具有强大的学习能力，能逼近任意复杂的非线性函数，在光伏发电短期出力的预测中得到了广泛的应用。

本文首先阐述了BP神经网络的算法原理，分析了其存在的不足；由此提出采用一种灰色动态算法对其进行改进，从而实现了一种灰色动态BP神经网络方法；最后将提出的方法应用于利用实际光伏电站短期出力的预测中，并通过对比预测结果和实测结果，证明所提出预测模型的有效性。本文旨在为光伏发电短期出力预测提供一条可能的途径。

图2 灰色动态BP神经网络流程图

结论

1）基于灰色动态的BP神经网络通过优选因子集、动态设置隐藏层节点个数等方式弥补了常规BP神经网络方法的不足，可以减小工作量、提高工作效率，解决隐含层节点难以确定的矛盾。

2）由于光伏发电站的出力受到多种影响因素的共同影响，其为典型的非线性特征。采用灰色动态BP神经网络可以有效地对其短期出力进行预测。

3）利用实际光伏发电站的出力数据对本文的灰色动态BP神经网络进行了验证，结果表明本文算法的预测结果和实测结果吻合度较好，分布规律相同，可以应用于光伏电站的短期出力预测。

（本文有缩减，进一步阅读请访问期刊官方网站，可免费下载全文PDF版。）

分布式发电与微电网（dggrid）

关注新能源行业技术发展动态