引 言

隨著全球經濟的不斷發(fā)展，人類對能源需求不斷增長， 不可再生能源不斷減少，使得發(fā)展并利用新能源迫在眉睫。研究和實踐表明，太陽能是資源最豐富的可再生能源，是人類社會未來能源的基石。由于光伏發(fā)電具有較強的隨機性和波動性，光伏電站并網勢必會造成電網的不穩(wěn)定，因此準確預測光伏發(fā)電量具有重要意義。

目前，國內外對光伏發(fā)電量預測已有相關研究，一些相關人工智能算法也被應用到預測模型中，如馬爾科夫鏈，神經網絡，灰色理論，粒子群，遺傳算法等。考慮到神經網絡具有很強的非線性擬合、學習規(guī)則簡單，但收斂速度慢且易陷入局部最優(yōu)等缺點，同時考慮到果蠅算法與其他算法相比具有全局尋優(yōu)能力強、計算復雜度小、精度高、收斂速度快等優(yōu)點， 故本文提出一種果蠅算法結合神經網絡的混合算法。此混合算法能很好的結合兩者的優(yōu)點。

1 光伏發(fā)電量預測模型

1.1 BP神經網絡模型

神經網絡（Neural Network）是模擬人大腦學習知識的過程而提出的一種人工智能算法。神經網絡分為單層前饋網絡（LMS 學習算法）、多層前饋網絡（BP 神經網絡）、后饋網絡等。其中BP 神經網絡是目前研究最為成熟、廣泛的預測網絡模型之一。預測模型分為輸入層、隱含層以及輸出層，如圖 1 所示。

輸入層

針對本文的預測模型，輸入變量為光伏發(fā)電系統(tǒng)各個時段的平均溫度、平均光照。

隱含層

本文模型采用雙隱含層。多層前向網絡是單層感知器的推廣，解決了非線性可分問題。隱含層由神經元組成，神經元決定了各輸入變量權值以及各輸出變量權值。

輸出層

本文預測模型的輸出變量為當日各時段的光伏發(fā)電量。文中將光伏發(fā)電預測模型分為 24 小時/ 天，每一個小時為一個計算單位。輸入層中的每個結點作為激勵信號，組成下一層的輸入信號，而該層輸出信號又作為下層的輸入信號，以此類推。神經網絡具有很好的非線性擬合性，學習規(guī)則簡單。

1.2 果蠅算法

果蠅優(yōu)化算法（Fruit Fly Optimization Algorithm，F(xiàn)OA） 是一種基于果蠅覓食行為的人工智能仿生算法，是由臺灣潘文超教授于 2011 年 6 月提出的。果蠅可以使用嗅覺和視覺來尋找食物及同伴，具有很好的群體智能性。

果蠅尋找食物時飛行線路具有一定的隨機性，為了尋找食物，果蠅會根據(jù)空間中的食物氣味濃度進行判定，向濃度高的方向飛行。其算法流程如下所示：

(1) 在搜索空間中隨機產生果蠅種群。隨機產生個體果蠅的位置及各自飛行方向向量。

(2) 各果蠅分別沿預定方向移動一定的步長，計算各果蠅所在位置的濃度。

(3) 找出種群中濃度最高的果蠅的位置，保存為 Piter，然后所有果蠅飛向濃度最高的位置。

(4) 計算移動后各果蠅所處位置的濃度，若 Piter，i比 Piter濃度更高，則更新 Piter，再轉到步驟（2），直到找到食物位置。

Piter表示第iter代的濃度最高的位置 ；Piter,i表示第 i個果蠅第iter 代的位置。

1.3 FOA-BP算法

為解決神經網絡收斂速度慢以及容易陷入局部最優(yōu)的缺 點，本文提出一種果蠅算法結合神經網絡的混合算法，該混 合算法具有較強的全局搜索能力、不易陷入局部最優(yōu)、收斂 快等優(yōu)點。本文主要利用果蠅算法來優(yōu)化神經網絡權值以達 到優(yōu)化的目的?；旌纤惴鞒倘缦滤荆?

（1）初始化。初始化種群規(guī)模 S，最大迭代次數(shù) iter，隨 機生成各果蠅的位置、移動方向、移動步長及神經元權值等。

（2）讀取數(shù)據(jù)。讀取光伏發(fā)電系統(tǒng)訓練樣本數(shù)據(jù)，包括 各時段的平均溫度、平均光照強度以及光伏發(fā)電量，對樣本 數(shù)據(jù)進行歸一化處理。

（3）通過神經網絡樣本進行訓練，得到相應的權值，并 利用果蠅算法對權值進行修正與優(yōu)化。果蠅個體向預定方向 移動一定的步長，計算濃度，此時濃度即預測值，若預測值 Pbest 更優(yōu)，則保留，繼續(xù)迭代，直到達到預測精度為止。

（4）輸出種群中果蠅所處濃度最高的位置，即神經網絡 的最優(yōu)權值。輸出預測結果。FOA-BP 算法流程如圖 2 所示。

2 實驗結果與分析

 本模型采用武漢某發(fā)電企業(yè)發(fā)電機組 1 的發(fā)電數(shù)據(jù)進行 試驗。時間段選取 6 ：00-19 ：00。訓練樣本選取 6 月份的數(shù) 據(jù) 120 組，其中輸入量是各時段的平均光照強度、平均溫度， 輸出量是各時段的發(fā)電量。預測樣本是 6月 6 日 6 ：00-19 ：00 各時段的數(shù)據(jù)。神經網絡激勵函數(shù)采用單極性 sigmod 激勵函 數(shù) g（x）=1/（1+e-x），神經網絡結構為雙隱含層，隱含層神經 元個數(shù)為 25，預測樣本各時段的平均溫度以及平均光照，分 別如圖 3，圖 4 所示。

預測發(fā)電量與實際發(fā)電量的對比如圖 5 所示。預測誤差 如圖 6 所示。

由圖 6 的預測曲線圖可知，大部分時段的預測誤差都在 15% 內，在第 6、第 10 時段誤差較大，總體來看發(fā)電量預測 曲線能很好的與實際發(fā)電量曲線擬合。

3 結 語

本文提出的 FOA-BP 算法能應用到光伏發(fā)電量預測模型， 使得輸出結果具有較強的準確性、收斂速度快以及尋優(yōu)能力 強等特點。本模型算法可以有效為光伏發(fā)電廠的選址以及電廠 維護提供理論依據(jù)，從而為發(fā)電企業(yè)帶來更多的利益。準確 的光伏發(fā)電量預測能夠為公共電網的維護和電力的再分配提 供有力的理論支持。