关于光伏发电电能质量准确预测仿真研究

第３３卷第１２期　计算机仿真　２０１６年ｌ２月　文章编号：１００６—９３４８（２０１６）１２－００９５一ｏ５　关于光伏发电电能质量准确预测仿真研究　江智军，李茂超，杨晓辉　（南昌大学信息工程学院，江西南昌３３００３１）　摘要：在光伏发电领域，面对复杂多变的天气，实现光伏发电量的准确预测是一个难点问题，光伏发电量的准确预测能为电　网平稳调度提供参考依据。根据天气气候的变化特性以及ＧＲＮＮ神经网络的特性，提出依据历史天气数据训练ＧＲＮＮ神　经网络预测光伏发电量的方法，仿真结果证实，在不区分相似日的情况下，ＧＲＮＮ神经网络的预测结果中相对误差率低于　ＢＰ神经网络预测结果，其绝对误差率也低于ＢＰ神经网络，结论表明，使用ＧＲＮＮ神经网络可以在不需要确定当天气候属　于何种天气的前提条件下，实现对于光伏发电量的较准确预测，具有现实应用价值。　关键词：广义回归神经网络；光伏预测；径向基函数　中图分类号：ＴＭ６１５　文献标识码：Ｂ　Ａｂｏｕｔ　ＰＶ　Ｐｏｗｅｒ　Ｑｕａｌｉｔｙ　Ａｃｃｕｒａｔｅ　Ｐｒｅｄｉｃｔｉｏｎ　ａｎｄ　Ｓｉｍｕｌａｔｉｏｎ　Ｓｔｕｄｉｅｓ　ＪＩＡＮＧ　Ｚｈｉ—ｉａｎ，ＬＩ　Ｍａｏ—ｃｈａｏ，ＹＡＮＧ　Ｘｉａｏ—ｈｕｉ　（Ｉｎｆｏｒｍａｔｉｏｎ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｎａｎｃｈａｎｇ　Ｕｎｉｖｅｒｓｉｔｙ，Ｎａｎｃｈａｎｇ　３３００３１，ｃｈｉｎａ）　ＡＢＳＴＲＡＣＴ：Ｔｈｅ　ａｃｃｕｒａｔｅ　ｐｒｅｄｉｃｔｉｏｎ　ｏｆ　ＰＶ　ｐｏｗｅｒ　ｇｅｎｅｒａｔｉｏｎ　ｃａｒｌ　ｐｒｏｖｉｄｅ　ｒｅｆｅｒｅｎｃｅ　ｆｏｒ　ｄ　ｓｍｏｏｔｈ　ｏｐｅｒａｔｉｏｎ．Ｄｕｅ　ｔｏ　ｔｈｅ　ｉｎｆｌｕｅｎｃｅ　ｏｆ　ｃｏｍｐｌｅｘ　ｗｅａｔｈｅｒ　ｏｎ　ｔｈｅ　ｐｈｏｔｏｖｏｌｔａｉｃ　ｆｉｅｌｄ，ｉｔ　ｉｓ　ｄｉｆｆｉｃｕｌｔ　ｔｏ　ａｃｃｕｒａｔｅｌｙ　ｐｒｅｄｉｃｔ　ｔｈｅ　ｑｕａｎｔｉｔｙ　ｏｆ　ｐｈｏｔｏｖｏｌ－　ｔａｉｃ　ｐｏｗｅｒ　ｇｅｎｅｒａｔｉｏｎ．Ａｃｃｏｒｄｉｎｇ　ｔｏ　ｔｈｅ　ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ　ｏｆ　ｃｌｉｍａｔｅ　ｃｈａｎｇｅ　ａｎｄ　ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ　ｏｆ　ＧＲＮＮ　ｎｅｕｒａｌ　ｎｅｔ－　ｗｏｒｋ，Ａ　ｐｒｅｄｉｃｔｉｏｎ　ｍｅｔｈｏｄ　ｏｆ　ｔｈｅ　ｐｈｏｔｏｖｏｈａｉｃ　ｐｏｗｅｒ　ｇｅｎｅｒａｔｉｏｎ　ｂｙ　ｔｒａｉｎｉｎｇ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ＧＲＮＮ　ｉｓ　ｐｒｏｐｏｓｅｄ　ｂａｓｅｄ　ｏｎ　ｈｉｓｔｏｒｉｃａｌ　ｗｅａｔｈｅｒ　ｄａｔａ，ｓｉｍｕｌａｔｉｏｎ　ｒｅｓｕｌｔｓ　ｓｈｏｗ　ｔｈａｔ，ｗｉｔｈｏｕｔ　ｄｉｓｔｉｎｇｕｉｓｈｉｎｇ　ｂｅｔｗｅｅｎ　ｓｉｍｉｌａｒ—ｄａｙ　ｃｉｒｃｕｍｓｔａｎｃｅｓ，　ｔｈｅ　ｐｒｅｄｉｃｔｉｏｎ　ｍｅｔｈｏｄ　ｗｉｔｈ　ＧＲＮＮ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋｓ　ｈａｓ　ｌｅｓｓ　ｒｅｌａｔｉｖｅ　ｅｒｒｏｒ　ｒａｔｅ　ａｎｄ　ｌｏｗｅｒ　ａｂｓｏｌｕｔｅ　ｅｒｒｏｒ　ｒａｔｅ　ｔｈａｎ　ｔｈｅ　ｍｅｔｈｏｄ　ｗｉｔｈ　ＢＰ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ．Ｔｈｅ　ｒｅｓｕｌｔｓ　ｓｈｏｗ　ｔｈａｔ　ｔｈｅ　ＧＲＮＮ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｃａｎ　ｒｅａｌｉｚｅ　ｔｈｅ　ａｃｃｕｒａｔｅ　ｐｒｅｄｉｃｔｉｏｎ　ｏｆ　ｐｈｏｔｏｖｏｈａｉｃ　ｐｏｗｅｒ　ｇｅｎｅｒａｔｉｏｎ　ｗｉｔｈｏｕｔ　ｎｅｅｄ　ｔｏ　ｄｅｔｅｒｍｉｎｅ　ｔｈｅ　ｗｅａｔｈｅｒ　ｃｏｎｄｉｔｉｏｎｓ　ｏｆ　ｔｈｅ　ｓａｍｅ　ｄａｙ，ｗｈｉｃｈ　ｈａｓ　ｐｒａｃｔｉｃａｌ　ａｐｐｌｉｃａｔｉｏｎ　ｖａｌｕｅ．　ＫＥＹＷＯＲＤＳ：ＧＲＮＮ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋｓ；Ｐｈｏｔｏｖｏｌｔａｉｃ　ｐｏｗｅｒ；Ｐｒｅｄｉｃｔｉｏｎ；Ｓｐｒｅａｄ　然而在光伏电站发电过程中，因为其受到辐照度影响较　１　引言　为强烈，同时受到光伏板与环境温度的温差等因素影响，光　太阳能已经得到普遍利用了，如太阳能热水器。在解决　伏电站并网出力存在着不稳定、不可靠等问题。使得大量的　能源危机领域，将太阳能转化为电能，是一种利用太阳能的　光伏电站建好了以后，却因为功率、电压输出不平稳问题而　好途径。随着多晶硅等光伏发电材料的光电转化率的提高，　不能够及时并网上网，在某些地区弃电现象严重。其中，将　越来越多的光伏发电站在世界各地建立起来，特别是中国政　发出来的电能通过电池存储起来然后再平稳输出是一个能　府对于光伏产业的大力支持，尽管有挫折，但是依然可以看　够解决问题的办法，但是电池容量是有限的，使用寿命也是　到光伏产业的迅猛发展，相信在不久的将来，光伏电站能够　有时限的；另一个能够解决的办法是提前预测光伏发电量，　取得普及式、跨越式的建设发展。　不管是短期、中期和长期预测，都能够从一定程度帮助电网　做好调度工作，保证电网平稳安全营运。对于电能质量来　基金项目：溪霞水库水力发电电气控制系统（０３００６００５）省部级一般　说，其标准是要求保证做到安全、优质和经济。电网如果能　项目；江西省科技支撑计划项目（２０１５１ＢＢＥ５００５０）　够做到安全与稳定运行，从另一个方面说，就是在有效保证　收稿日期：２０１６～Ｏ１—３Ｏ修回日期：２０１６—０２—２６　电网的最优经济性。所以，光伏发电站不仅要能发出电，还　一９５—　要能保证发出平稳可靠地，能够调节控制地，且可预测的光　伏电。其中，在复杂多变的天气环境中，提高预测精度显得　尤为重要。　在遭遇金融危机和国际社会对于我国的光伏产品双反　调查的贸易寒冬后，我国光伏产业从２０１３年进入了产业回　暖期，国家政策改向为大力推进国内光伏电站建设，仅２０１５　年上半年，全国新增并网光伏装机量达７．７３ＧＷ，累计装机量　达３５．７ＧＷ。由此看来光伏发电量准确预测是很有必要的。　文献［１］使用模糊神经网络预先将天气划分为晴天、阴天、雨　天等条件下，将前一天的天气数据如太阳辐射强度值、雨量、　气温等作为输入量，输出量则为对应的光伏发电量数据，建　立网络模型进行光伏发电预测。文献［３］一［５］等提出基于　相似日原理并结合不同神经网络（如ＢＰ神经网络）、最小二　乘向量机等算法的光伏发电预测方法。文献［１Ｏ］提出基于　ＬＶＱ—ＧＡ—ＢＰ的神经网络预测方法，同样是使用训练好的　网络模型将天气样本分类后，再进行预测来提高预测精度。　在将天气类型分类前提下，其预测精度能够取得较好结果，　但在阴雨天，预测效果并不理想。因为天气复杂多变，时时　天气各有不同，将每天的天气类型事先进行区分，并不利于　实现光伏发电的现实预测。　对于以上提到的问题，本文首次提出在不区分天气类型　的前提下使用ＧＲＮＮ神经网络预测光伏发电量的方法，根据　光伏电站提供的历史发电量数据，和当地对应的历史天气数　据，建立ＧＲＮＮ神经网络预测模型，实现较高精度预测。　２预测光伏发电的电能供电系统原理模型　太阳能光伏发电系统分为如图１所示几个部分，其中包　含有光伏板、控制器、天气数据采集器、交流／直流变换器以　及负载等。　图１太阳能光伏发电供电系统　其中，光伏板负责将太阳能转化为电能，不过此时的电　能是不受控制的直流电，然后通过控制器，在功率不足时使　用储能部分的电能来弥补光伏功率的不足，并维持电压的稳　定，这里储能部分优先使用小水电等形式进行功率补足，天　气数据采集器用来采集天气数据，使用采集到的天气数据训　练神经网络，根据天气情况预测光伏发电量。　要实现较精准的功率预测，需要用到的历史天气数据　一９６一　为：峰值日照时数ｗ　、最低温度Ｔ　、最高温度Ｔ　以及发　电量Ｐ等，预测时峰值日照数并不属于天气预报日常播报的　天气指数，需要当地气象局提供。由文献［１］、［１０］可知，以　峰值日照时数为输入量，是因为峰值日照时数跟光伏发电量　具有非常强的正相关关系，另环境温度以及光伏板温度等气　象因素对光伏发电量也有部分影响（图２）。　图２相关关系图　因为天气变化无常，根据天气数据预测光伏发电量就变　得非常困难。寻找到一种有效的、实用性较高以及适应性较　强的神经网络预测光伏发电量是一个难点问题。　２．１　ＧＲＮＮ神经网络算法原理简介　利用神经网络进行光伏发电预测，在很多文献中已经提　出来了，本文提出使用ＧＲＮＮ神经网络（ＧＲＮＮ：ｇｅｎｅｒａｌ　ｒｅ—　ｇｒｅｓｓｉｏｎ　ｎｅｕｒａｌ　ｎｅｔ—ｗｏｒｋ，广义神经网络）对于光伏发电量进　行预测。ＧＲＮＮ神经网络拥有非常好的非线性拟合能力，这　种特性比较适合用在随机性大的光伏发电预测领域，它可以　寻找并映射复杂的非线性关系，而且学习规则较简单，在光　伏发电预测领域有很高的使用价值。　广义回归神经网络是一个由径向基层与一个特殊线性　层构成的神经网络，它有４层，分别为输入层、模式层、求和　层和输出层。对应的网络输入为Ｘ＝［　，　：，％，…，　］　，其　输出层为Ｙ＝［Ｙ。，Ｙ２，Ｙ３＿．．，Ｙ　。　输入层　模式层求和层输出卖劲　图３　ＧＲＮＮ神经网络结构图　非线性回归分析，是ＧＲＮＮ神经网络的理论基础。输出　值ｙ受到输入量　的影响，实际使用中是计算输出量Ｙ的最　大概率。这里假设随机输入量　以及随机输出量Ｙ，它们的　联合概率密度函数为，（　，Ｙ），求在已知函数值　。的条件下，　函数　的期望表达式。既：　需要预测的输入值未被包含在之前的训练样本值范围内时，　ｆ　ｙ＝　Ｉ　。＝　‰，，，）　—一　（１）　其预测值就极有可能跟真实值相差甚远，预测效果则非常不　理想，ＧＲＮＮ神经网络的这个特点决定了他更能适应不同的　天气类型，而且天气类型越丰富，气象记录的数据值越多，　来　ＧＲＮＮ神经网络预测效果越好，以上特性将在算例分析中得　ｆ，（‰，Ｙ）　应用Ｐａｒｚｅｎ窗进行非参数估计，由样本集｛　，Ｙ　估计密度函数。　ｆ（ｘ０，ｙ　ｅｘｐ［．　２　］ｅｘｐ［＿　‘　２　］　（２）　式中，Ｘ　，ｙｆ为随机输入量　与Ｙ的样本，样本容量为ｒｔ；随机　变量　的维数为ｐ，　为高斯函数宽度系数，即为下文中的　ｓｐｒｅａｄ函数。　将函数式　，，，）代替　，，），代人到（１）式中，并交换　积分和加和顺序可有下式：　，（　，＇，）＝　∑　ｐ［＿　］仁　ｐ［＿　ｄｙ　∑　ｐ［－　］仁唧［＿　ｄｙ　（３）　对奇函数ｚｅ　进行坐标轴范围内的积分，可得ｆ　ｅ　ｄｙ　＝０，对（３）式进行积分后进行计算，得输出ｙ（　）为　（４）　最后，可以求出估计值ｌ，（　），其为全部样本观测值　的加权平均值，而对于每个观测值　，它的权重因子是相应　的样本置和　之间Ｅｕｃｌｉｄ距离平方指数。　对于ＧＲＮＮ神经网络来说，其径向基函数分布密度常数　ｓｐｒｅａｄ默认值为１．０，其大小对ＧＲＮＮ神经网络性能影响非　常大。当函数值ｓｐｒｅａｄ越大，逼近过程就越平滑，但是逼近　误差就越大，应用到光伏发电预测领域中，较大的ｓｐｒｅａｄ值　将导致预测误差率偏大；相反的，当ｓｐｒｅａｄ值越小，其函数逼　近越精确，逼近过程越不平滑，在ＧＲＮＮ神经网络中，如果设　置ｓｐｒｅａｄ值过小，则训练时间会拉长，不利于实现时时光伏　发电量的预测。　ＧＲＮＮ神经网络的优点在于能够迅速的处理大量的样　本，且样本量越大，越能够提高ＧＲＮＮ神经网络的泛化能力。　ＧＲＮＮ神经网络训练好以后，在使用其进行预测时，假如新　的输入变量包含在之前的训练输入量样本范围内时，依靠代　入输入量，且在经过ＧＲＮＮ神经网络计算预测后，得到的预　测值会和样本中对应的真实值非常接近，但是，如果有某些　到体现。　ＧＲＮＮ神经网络属于一种ＲＢＦ神经网络，具有比ＲＢＦ　神经网络更强的函数逼近能力和更快的学习速度，具有处理　不稳定的数据能力，即泛化能力强于ＲＢＦ神经网络。ＧＲＮＮ　神经网络因为拥有拟合能力强的优点，适用非线性变化的气　候情况，对于进一步实现时时光伏发电量预测大有裨益。通　过模拟仿真可以发现，当ｓｐｒｅａｄ取值适中，可以得到较好的　预测效果。所以，选择一个合适的ｓｐｒｅａｄ值对于ＧＲＮＮ神经　网络而言尤为重要。本文在网络训练过程中，通过编程实现　自主寻找最优ｓｐｒｅａｄ函数值。　３神经网络的建立　３．１利用Ｍｓｅ函数寻找最佳ｓｐｒｅａｄ值　分布密度函数Ｓｐｒｅａｄ在ＧＲＮＮ神经网络中默认值为　１．０。为了寻找最佳值，利用Ｍｓｅ函数功能在０．１：０．１：２．０　攀　范内寻找最佳值。　Ｍｓｅ是一个用来测试平方误差的神经网络函数，设目标　数列值为ｒ（ｙｏ，，，　，Ｙ２…　，），输人数列值为Ｐ（ＸＯ，　，Ｘ２…　，），则均方误差值Ｍｓｅ为：　ｉ＝０　Ｍｓｅ＝∑（ｙ一、　　一　）　（、　５）　程序流程方框图如下图４。　归一化数据　Ｊ　结束计算　设置设置ｓｐｒｅａｄ值　为０．１，０步进为　Ｉ　．１　ｌ　对比Ｍｓ分析ｅ最小时找出　　迭代计算并　是　ｓｐｒｅａｄ值　记录ＭＳＥ值　图４程序流程图　通过编程，在神经网络运行过程中，从ｓｐｒｅａｄ值为０。１　－－．——９７－－－——　开始，以０．１为步进单位，将ｓｐｒｅａｄ值代入神经网络中，计算　并保留对应的Ｍｓｅ的值，当代入的ｓｐｒｅａｄ值为２．０时停止计　４算例分析　算，查找计算所得的最小Ｍｓｅ值，导出对应的ｓｐｒｅａｄ值即为　最优ｓｐｒｅａｄ值。　样本数据来源于上海市嘉定区霜竹公路ＸＩＨＥ　ｓｏｌａｒ　ｆａｃ．　ｔｏｒｙ　ｐｌａｎｔ（５ｋＷ）光伏发电站，使用２０１５年１月１日到２０１５　年５月３０日共计１５０天光伏发电量和天气数据库作为样本　集，其中每天的峰值日照时数和每天最低气温以及最高温度　３．２　Ｇ砌　Ｎ及ＢＰ神经网络的设计　ＧＲＮＮ神经网络与ＢＰ神经网络是两种不同类型的神经　网络，拥有不同的原理，前者的原理已经介绍了，后者的原理　在多种文献中有介绍，这里不再叙述。　构建ＧＲＮＮ及ＢＰ神经网络，需要对输入量数据进行一　些处理，比如对数据进行归一化处理，这是神经网络在使用　前经常采用的一种数据处理方法，这样能够便于ＭＡＴＬＡＢ进　行数值分析计算，也能够避开因输人数据之间的数量级别差　距过大而导致神经网络预测误差偏差大。归一化函数采用　ｍａｐｍｉｎｍａｘ函数。反归一化函数采用ｐｏｓｔｍｎｍｘ函数。　ＧＲＮＮ神经网络的模型建立使用ｎｅｗｇｒｎｎ网络函数工具。　用来对比分析的ＢＰ神经网络预测方法，使用与ＧＲＮＮ　神经网络相同的归一化、反归一化函数，且使用相同的输入　量和输出量作为预测模型数据库，使用ｎｅｗｆｆ工具函数建立　ＢＰ神经网络，传递函数使用ｔａｎｓｉｇ函数和ｐｕｒｅｌｉｎ函数。训　练函数选择默认ｔｒａｉｎｌｍ函数。　对于ＢＰ神经网络隐含层数是网络好坏的关键，若隐含　层数量太少，则网络所能获取的用以解决问题的信息太少；　若隐含层数量太多，将大大延长神经网络的训练时间，更特　殊的情况是数量过多的隐含层还可能使神经网络在训练完　以后，导致‘过拟合’现象。神经网络‘过拟合’以后，预测误　差将增大，网络泛化能力降低。为了寻找较佳的隐含层数，　通过先设置较少的节点，最佳的隐含层节点数可以使用经验　公式（６）和（７）来初步寻找：　＜　一１　（６）　＜、　而＋ｃ　（７）　其中，　代表隐含层的节点数量，　代表输入层的节点数量，Ｙ　代表输出层的节点数量，ｃ为任意设置常数，一般ｃ可以取常　数０—１０之间的整数。根据上述公式选择一个隐含层节点　后，再根据网络训练及测试的学习误差，逐渐增加或者减少　节点数，直到学习误差不再明显减少为止。但是这样选择隐　含层，并不能保证选择到最佳的网络隐含层数，这也是ＢＰ神　经网络的劣势，这种设置过程会带来误差，造成预测结果时　好时坏。为了提高预测结果，ＢＰ前向型反馈神经网络需要　在将天气划分为相似日的情况下再进行仿真预测，这样处理　有一定的价值，不过将天气事先分类造成了预测的实用性降　低。较之于此，使用ＧＲＮＮ神经网络可以避开将天气划分成　相似日，ＧＲＮＮ神经则因为仅需要调节一个参数ｓｐｒｅａｄ值，　而且只要训练样本足够多，寻找到最佳ｓｐｒｅａｄ值，就能够更　准确的预测结果。故而在算例分析中可以看出，ＧＲＮＮ神经　网络的预测结果优于ＢＰ神经网络预测结果。　一９８—　三组数据作为输入量，使用ＧＲＮＮ神经网络实现对每天光伏　发电量进行预测。此数据库的选择并没有特别挑出某些天　气数值，具有普遍性，经过训练的网络在使用过程中，相对于　小样本选择性剔除某些观测数据值，能更加贴近现实气候环　境。部分原始天气观测数据、发电量数据请看表１。　表１部分原始数据　太阳随着季节的不同辐照值会明显不同，且近年来雾霾　天气加重，雾霾时间长，影响范围广，对太阳能光伏发电量造　成很大影响。将天气划分为晴天、雨天、雾天等天气会存在　不同程度的天气识别误差，在大数据样本的情况下，也不方　便进行预测计算。　以每日为一个预测单位，为了保证有效性，将１５０个样　本随机分成训练集（含１２０个样本）和测试集（含３Ｏ个样本）　两个样本集，为了更好地，直观的分析ＧＲＮＮ神经网络的预　测结果，本文使用ＢＰ神经网络的预测结果作为比照对象，如　图５所示。　’　＿　ｆ　—　ｅ一真实值　‘　…＋　ｇｒｎｎ预测值　一　一ｂＰ预测　　；０　５　１Ｏ　１５　２０　２５　３０　３６　样本／日　图５对比结果图　从图５中可以观察出，在某些点，ｇｒｎｎ比ｂｐ神经网络预　从图形６的３０个预测样本误差值中可以直观的看出，　测的更准确，更接近真实观测值。在仿真过程中，发现　ｓｐｒｅａｄ值为０．１能够取得最佳预测结果。对于误差结果的预　测分析，判断误差是否偏大，预测结果是否具有可信性，本文　采用相对误差百分比和绝对误差百分比来进行说明。设真　实值为　，测试值为Ｐ　，其中（８）式为相对误差计算公式，　（９）式为绝对误差计算公式。　ＧＲＮＮ神经网络绝对误差率（以每日样本为单位）比ＢＰ神经　网络的绝对误差率普遍偏小，经过分析计算可得，ＧＲＮＮ神　经网络的绝对误差率为：８．９６９％，而ＢＰ神经网络的绝对误　差率为：３５．０８０％。相比较而言，ＧＲＮＮ神经网络的预测结　果好于ＢＰ神经网络。　ｄ￣＂ＡｐＥ　———掣　—一ｘ×１　００％：Ｊｉ　（８６　）Ｊ　５结论　本文应用了一种新的神经网络来预测光伏发电量，通过　实验分析表明，在以光照辐射度、当天最高温度以及最低温　度作为输入量的情况下，ＧＲＮＮ神经网络其自身的特性能够　１　３０　ｇ　眦＝÷∑　朋　（９）　根据ＧＲＮＮ和ＢＰ神经网络的仿真预测结果，将仿真数　据以及真实观测值带人式（８）及式（９）中计算得到如下表２　所示的结果。　表２相对误差结果分析对比　由表２可以看出，ＧＲＮＮ神经网络相对误差百分数中，　经统计有８３．３３３％预测结果明显优于ＢＰ神经网络预测结　果，其相对误差率大部分在１５％以下，而ＢＰ神经网络误差　率基本上在２０％以上，小部分误差率在２０％以下。对于预　测数据每天的绝对误差率请看下图６。　宝　痫　魃　鬻　删　脚　图６绝对误差值分析对比图　更好的适应光伏发电预测领域。在没有事先通过神经网络　或者其它工具算法将天气分为几种常见类型的情况下，能够　取得较为准确的预测值，同时具有较低的预测误差。这对于　需要实现时时光伏发电量预测来说尤为重要。光伏电站的　每日现况天气是复杂多变的，多变的天气将导致无法给每一　天天气数据实行良好归类。通过在ＧＲＮＮ神经网络自主寻　找最佳ｓｐｒｅａｄ值的情况下，仿真结果表明，ＢＰ神经网络的预　测值准确度明显低于ＧＲＮＮ神经网络预测准确度，在大样本　条件下，ＧＲＮＮ神经网络处理速度更快，对天气情况适应能　力更好。通过对比分析，在光伏发电预测方面，ＧＲＮＮ神经　网络光伏发电预测比ＢＰ神经网络光伏发电预测更具有应用　价值。为了更精确地预测光伏发电量，今后还需要更多的气　象统计数据，如光伏板温度数据，本文对于整个一天的光伏　发电量进行预测，对于电网调度而言，时时光伏发电量出力　预测具有重大现实意义，进行时时光伏发电量预测将是下一　步工作研究的重点。　参考文献：　［１］陈昌松，段善旭，蔡涛，代倩．基于模糊识别的光伏发电短期预　测系统［Ｊ］．电工技术学报，２０１１，０７：８３—８９．　［２］　魏艳强．基于ＲＢＦ神经网络的货运量预测模型研究［Ｄ］．天　津理工大学，２００７．　［３］李鹏梅，臧传治，王侃侃．基于相似日和神经网络的光伏发电　预测［Ｊ］．可再生能源，２０１３—１０：ｌ一４，９．　［４］袁晓玲，施俊华，徐杰彦．计及天气类型指数的光伏发电短期　出力预测［Ｊ］．中国电机工程学报，２０１３，３４：５７—６４．　［５］傅美平，马红伟，毛建容．基于相似日和最ｔｂ－－乘支持向量机　的光伏发电短期预测［Ｊ］．电力系统保护与控制，２０１２，１６：６５　—６９．　［６］　钱光兴，崔东文．ＲＢＦ与ＧＲＮＮ神经网络模型在城市需水预测　中的应用［Ｊ］．水资源与水工程学报，２０１２—５：１４８—１５２．　［７］　陈仁升，康尔泗，张济世．应用ＧＲＮＮ神经网络模型计算西北　干旱区内陆河流域出山径流［Ｊ］．水科学进展，２００２—１：８７　—９２．　［８］　陈仁升，康尔泗，张济世．基于小波变换和ＧＲＮＮ神经网络的　径流模型在雅砻江流域中的应用［Ｊ］．干旱区资源与环境，　２００１—３：７１—７８．　（下转第３０４页）　～９９—　ｒＬ　ｒＬ　ｒ｝ｎｏｎｈｏｌｏｎｏｍｉｅ　ｍｏｂｉｌｅ　ｒｏｂｏｔ［ｃ］．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　２００２　ＩＥＥＥ　Ｉｎ—　ｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｒｏｂｏｔｉｃｓ＆Ａｕｔｏｍａｔｉｏｎ．Ｗａｓｈｉｎｇｔｏｎ．　ＤＣ．２００２：３９７２—３９７７．　［１５］　Ｍ　Ｌ　Ｃｏｒｒａｄｉｎｉ，Ｇ　Ｏｒｌａｎｄｏ．Ｃｏｎｔｏｌｒ　ｏｆ　ｍｏｂｉｌｅ　ｒｏｂｏｔｓ　ｗｉｔｈ　ｕｎｃｅｒ－　ｔａｉｎｔｉｅｓ　ｉｎ　ｔｈｅ　ｄｙｎａｍｉｃａｌ　ｍｏｄｅｌ：ａ　ｄｉｓｃｒｅｔｅ　ｔｉｍｅ　ｓｌｉｄｉｎｇ　ｍｏｄｅｌ印一　１　１ｒ三Ｊ　１Ｊｐｒｏａｅｈ　ｗｉｔｈ　ｅｘｐｅｒｉｍｅｎｔｌａ　ｒｅｓｕｌｔ［Ｊ］．Ｃｏｎｔｏｒｌ　Ｅｎｇｉｎｅｅｉｒｎｇ　Ｐｒａｃ—　ｔｉｅｅ，２００２，（１０）：２３—３４．　［８］Ｄ　Ｔａｍｏｇｈｎａ，Ｎ　Ｋ　Ｉｎｄｒａ．Ｄｅｓｉｇｎ　ａｎ　ｉｍｐｌｅｍｅｎｔａｔｉｏｎ　ｏｆ　ａｎ　ａｄａｐｔｉｖｅ　ｆｕｚｚｙ　ｌｏｇｉｃ—ｂａｓｅｄ　ｃｏｎｔｒｏｌｌｅｒ　ｆｏｒ　ｗｈｅｅｌｅｄ　ｍｏｂｉｌｅ　ｒｏｂｏｔｓ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　Ｃｏｎｔｒｏｌ　Ｓｙｓｔｅｍｓ　Ｔｅｃｈｎｏｌｏｇｙ，２００６，１４（３）：５０１　—［１６］Ｍ　Ｋｒｓｔｉｅ，，Ｉ　Ｋａｎｅｌｌａｋｏｐｏｕｌｏｓ，Ｐ　Ｋｏｋｏｔｏｖｉｅ．Ｎｏｎｌｉｎｅａｒ　ｎｄ　Ａｄａｐ・ａ　ｔｉｖｅ　Ｃｏｎｔｏｒｌ　Ｄｅｓｉｎ［Ｍ］．Ｎｅｗ　Ｙｏｇｒｋ：Ｊｏｈｎ　Ｗｉｌｅｙ＆Ｓｏｎｓ，　Ｉｎｃ，１９９５　５１０．　【９］ｓ　Ｃ　Ａｎｄｒｅ，Ａ　Ｐ　Ｍｏｒｅｉｒａ，Ｊ　Ｃ　Ｐａｕｌｏ．Ａ　ｎｏｎｌｉｎｅａｒ　ｍｏｄｅｌ　ｐｒｅｄｉｃｔｉｖｅ　ｃｏｎｔｏｌｒ　ｓｔｒａｔｅｇｙ　ｆｏｒ　ｔｒａｊｅｃｔｏｒｙ　ｔｒａｃｋｉｎｇ　ｏｆ　ａ　ｆｏｕｒ—・ｗｈｅｅｌｅｄ　ｏｍｎｉｄｉ—　［１７］　Ｙ　Ｋａｎａｙａｍａ，Ｙ　Ｋｉｍｕｒａ，Ｆ　Ｍｉｙａｚａｋｉ，Ｔ　Ｎｏｑｕｃｈｉ．Ａ　Ｓｔａｂｌｅ　Ｔｒａｃｋｉｎｇ　ｃｏｎｔｒｏｌ　ｍｅｔｈｏｄ　ｆｏｒ　ａｎ　ａｕｔｏｎｏｍｏｕｓ　ｍｏｂｉｌｅ　ｒｏｂｏｔ［Ｃ］．　Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ＩＥＥＥ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｒｏｂｏｔｉｃｓ　ａｎｄ　Ａｕｔｏｍａｔｉｏｎ，　１９９０：３８４—３８９．　ｒｅｃｔｉｏｎａｌ　ｍｏｂｉｌｅ　ｒｏｂｏｔ［Ｊ］．Ｏｐｔｉｍａｌ　Ｃｏｎｔｒｏｌ　Ａｐｐｌｉｃａｔｉｏｎ　ａｎｄ　Ｍｅｔｈ－　ｏｄｓ，２００７，（２９）：３３５—３５２．　［１０］　陈虹，韩光信，刘志远．基于ＬＭＩ的约束系统Ｈ　控制及其滚　动优化实现［Ｊ］．控制理论与应用，２００５，２２（２）：１８９—１９５．　［１１］Ｃ　Ｌｅｅｔ，ｅｔ　１ａ．Ｔｒａｃｋｉｎｇ　ｃｏｎｔｒｏｌ　ｏｆ　ｕｎｉｃｙｃｌｅ—ｍｏｄｅｌｅｄ　ｍｏｂｉｌｅ　ｍ—　ｂｏｔｓ　ｕｓｉｎｇ　ａ　ｓａｔｕｒａｔｉｏｎ　ｆｅｅｄｂａｃｋ　ｃｏｎｔｏｒｌｌｅｒ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　Ｃｏｎｔｏｌｒ　Ｓｙｓｔｅｍｓ　Ｔｅｃｈｎｏｌｏｇｙ，２００４，１２（５）：７０６—７１６．　［１８］Ｍ　Ｋｒｓｔｉｃ，Ｉ　Ｋａｎｅｌｌａｋｏｐｏｕｌｏｓ，Ｐ　Ｋｏｋｏｔｏｖｉｃ．Ｎｏｎｌｉｎｅａｒ　ａｎｄ　Ａｄａｐ—　ｔｉｖｅ　Ｃｏｎｔｒｏｌ　Ｄｅｓｉｎ［Ｍ］．Ｎｅｗ　Ｙｏｒｇｋ：Ｊｏｈｎ　Ｗｉｌｅｙ＆Ｓｏｎｓ，　Ｉｎｃ，１９９５．　［１９］　ｚ　Ｐ　Ｊｉａｎｇ，Ｅ　Ｌｅｆｅｂｅｒ，Ｈ　Ｎｉｊｍｅｊｅｒ．Ｓａｔｕｒａｔｅｄ　ｓｔａｂｉｌｉｚａｔｉｏｎ　ａｎｄ　ｔｒａｃｋｉｎｇ　ｏｆ　ａ　ｎｏｎｈｏｌｏｎｏｍｉｃ　ｍｏｂｉｌｅ　ｒｏｂｏｔ［Ｊ］．Ｓｙｓｔｅｍ＆Ｃｏｎｔｏｒｌ　Ｌｅｔｔｅｒｓ，２００１，（４２）：３２７—３３２．　［１２］　马海涛，王永．输入饱和约束下的非完整移动机器人轨迹跟　踪控制［Ｊ］．中国科学技术大学学报，２００９，３９（５）：４９９　—５０３．　［１３］　王朝立，霍伟，谭大龙．控制受限的一类非完整动态系统的镇　定问题［Ｊ］．自动化学报，２００２，２８（２）：２２３—２２８．　［１４］　韩光信，高兴泉．力矩受限的非完整ＷＭＲ镇定与轨迹跟踪统　一预测控制［Ｊ］．吉林化工学院学报，２０１０，２７（３）：３Ｏ一３３．　一　［韩授运胡师动光，云博控信峰士制（，１主的９７要研８１３从究一）事。　，约男作束（者汉系简族统）介控，吉制］　林、轮省式舒长移兰春动县市机人器，教人讲　，博士，主要研究方向：发动机控制、汽车电子。　（上接第９９页）　［９］陈年，王宏华，韩伟．基于ＧＡ—ＢＰ神经网络的光伏阵列ＭＰＰＴ　研究［Ｊ］．电测与仪表，２０１４—２：４Ｏ一４４．　［１５］　肖俊明，韦学辉，李燕斌．基于ＢＰ神经网络和遗传算法的光　伏功率预测的研究［Ｊ］．计算机测量与控制，２０１５—２：３９２—　３９３，４０５．　罗建春，晁勤，罗洪，冉鸿，杨杰，罗庆，阿里努尔・阿木提．基　于ＬＶＱ—ＧＡ—ＢＰ神经网络光伏电站出力短期预测［Ｊ］．电　力系统保护与控制，２０１４，１３：８９—９４．　王晓兰，葛鹏江．基于相似日和径向基函数神经网络的光伏　［１６］　张立影，孟令甲，王泽忠．基于双层ＢＰ神经网络的光伏电站　输出功率预测［Ｊ］．电测与仪表，２０１５—１１：３１—３５．　［１７］姚仲敏，潘飞，沈玉会，吴金秋，于晓红．基于ＧＡ—ＢＰ和ＰＯＳ　—ＢＰ神经网络的光伏电站出力短期预测［Ｊ］．电力系统保护　阵列输出功率预测［Ｊ］．电力自动化设备，２０１３一ｌ：１００—　１０３＋ｌｏ９．　与控制，２０１５，２Ｏ：８３—８９．　康洪波，刘瑞梅，侯秀梅．基于神经网络光伏发电预测模型的　研究［Ｊ］．电源技术，２０１３—３：４４７—４４９．　杨德全，王艳，焦彦军．基于小波神经网络的光伏系统发电量　［作者简介］　江智军（１９６３一），男（汉族），江西省高安市人，教　授，硕士生导师，主要研究领域为电力电子与电力　传动、微电网、系统集成。　预测［Ｊ］．可再生能源，２０１３，０７：ｌ一５．　李星，晁勤，任娟，李义岩．基于ＢＰ神经网络的光伏发电功率　预测模型研究［Ｊ］．水力发电，２０１３—７：１００—１０２．　李茂超（１９８８一），男（汉族），江西省九江市人，硕　士生，主要研究领域为电力系统、微电网。　），男（汉族），江西丰城人，副教授，硕士生导师，主　电一体化，智能控制。　－－——３０４－　．——