DOI: 10.11817/j.issn.1672-7207.2018.09.016

基于日类型及融合理论的BP网络光伏功率预测

冉成科^{1, 2}，夏向阳¹，杨明圣¹，张真³，李延和³，曾小勇¹，黄海¹，滕欣元¹，蔡昱宽¹，曹伯霖¹

(1. 长沙理工大学 电气与信息工程学院，湖南 长沙，410014；

2. 湖南机电职业技术学院 汽车工程学院，湖南 长沙，410151；

3. 国网青海省电力公司，青海 西宁，810008)

摘要：针对光伏发电受到外界环境的制约、发电功率波动较大、很难保证高比率接入等对电网的安全运行和调度造成一定影响的问题，提出一种基于日类型及融合理论的BP网络预测方法，将不同的天气大体分为3种日类型即晴天、多云天、雨天，并进行分类预测，充分考虑制约光伏发电的5个最主要因素即光照强度、环境温度、组件温度、风速和相对湿度，找出其与发电功率之间的相关系数，通过信息融合理念将其融合成1个综合影响因子λ。以BP神经网络模型为构架进行功率预测，通过动态变换隐含层层数提高预测精度，并利用改进的粒子群算法对其参数进行优化，同时通过光伏历史功率输出波动特性对预测误差进行修正，最后在某县光伏电站进行实际验证。研究结果表明：该网络预测方法可行有效，且精度较高。

关键词：光伏功率预测；日类型；相关系数；信息融合；误差修正

中图分类号：TM615        文献标志码：A         文章编号：1672-7207(2018)09-2232-08

BP network PV power forecast based on daily type and fusion theory

RAN Chengke^{1, 2}, XIA Xiangyang¹, YANG Mingsheng¹, ZHANG Zhen³, LI Yanhe³, ZENG Xiaoyong¹,

HUANG Hai¹, TENG Xinyuan¹, CAI Yukuan¹, CAO Boling¹

(1. College of Electrical and Information Engineering, Changsha University of Science & Technology,Changsha 410114, China;

2. Automotive Engineering Institute, Hunan Mechanical & Electrical Polytechnic, Changsha 410151, China;

3. State Grid Qinghai Electric Power Company, Xining 810008, China)

Abstract: Considering that photovoltaic power generation is constrained by the external environment, and the fluctuations in power generation is large, and it is difficult to ensure high-rate access, which affect the safe operation and dispatch of the power grid, a BP network prediction method was proposed based on daily types and fusion theory. It divided different weathers into three daily types, and classification predictions were made for the three daily types. Five most important factors that restricted photovoltaic power generation were fully considered, and the correlation coefficient between the factors and power generation was found out, and information was integrated into a comprehensive influencing factor λ. The power forecast was made based on the BP neural network model. and the prediction accuracy is improved by dynamically changing the number of hidden layers. The parameters were optimized based on particle swarm algorithm and the prediction error is corrected by the historical power output fluctuation characteristics of the photovoltaic. Finally, the method was verified at a photovoltaic power station .The results show that the network prediction method is feasible and effective, and the accuracy is high.

Key words: photovoltaic power forecast; daily type; correlation coefficient; information fusion; error correction

光伏发电作为一种环保、可持续、建设周期短的新能源，近年来得到了大力发展，在电网电源结构中的比重逐渐增加，已成为发电的主要方式，同时，也给电网的安全运行带来了一系列问题，如大量电力电子器件的应用使电网谐波含量增加、输出功率波动较大、电压不稳等^[1-6]。针对这些问题，电网调度部门传统的做法是拉闸限电，这无法保证清洁能源的高效利用，也导致光伏电站出现长期停运，造成大量经济损失，因此，光伏功率预测系统的预测精度显得尤为重要。光伏功率预测越准，光伏并网给电网的安全运行带来的影响就越小，越能够有效地帮助电网调度部门作好各类电源的调度计划。在光伏功率预测方面，目前国内外研究者采用许多不同的理论方法和预测模型对光伏发电的输出功率进行研究。叶林等^[6]提出了一种基于遗传算法的模糊神经网络功率预测模型，以光照强度和气温来预测功率，但是精准度不高。NORDIN^[7]通过使用神经网络，采用不同的输入进行预测，发现当输入为光照强度、环境温度和模块温度时，相关性系数最高，但预测适用性很弱，且影响因素考虑不周。于群等^[8]提出了一种基于集合经验模态能分解与BP神经网络的短期光伏出力的组合预测模型，该模型预测精度较高，但较复杂，实用性不强。嵇灵等^[9]考虑了一种基于相似日聚类和贝叶斯神经网络的光伏发电功率预测研究方法，并用贝叶斯理论对神经网络参数进行优化，但其输入的历史数据较多，对样本的训练要求高，计算较复杂。史佳琪等^[10]提出了一种基于深度结构网络模型的光伏超短期功率预测方法，采用基于受限玻尔兹曼机的深度置信网络提取深层特征完成无监督学习过程，实现光伏的短期预测，但是推广性不强。代倩等^[11]用气温、湿度取代光照强度作为模型的输入量，通过自适应映射方法对天气类型进行特征识别预测，但所选择的算法没有考虑参数全局最优的问题。李春来等^[12]提出了一种基于无迹卡尔曼滤波神经网络的光伏发电站预测方法, 具有较强的动态演化能力及自适应性，但是预测精度不高。陈志宝等^[13]将光照强度与光伏输出功率进行对应匹配，利用马尔可夫链直接预测功率输出，该方法受外界环境影响严重，适用性不足。代倩等^[11-16]综合考虑小波分析与智能预测方法，将光伏出力对应为不同频段不同能量等级，分别进行预测，提高了预测精准度，但需要的输入量过大，算法较复杂。本文作者提出一种基于日类型及融合理论的BP网络光伏功率预测方法，利用不同天气类型之间的差异和共性进行日类型划分，并充分考虑制约光伏发电的5个最主要因素即光照强度、环境温度、组件温度、风速和相对湿度，通过实验找出其与发电功率之间的相关系数，利用信息融合理论将其融合成1个综合影响因子λ作为BP神经网络的输入，对其进行建模预测，并通过参数优化及预测误差修正，以提高预测功率。

1  光伏输出功率特性分析

1.1  日类型对光伏输出功率的影响

光伏发电系统的发电功率具有明显的随机性，其在任意时刻的发电量会受到天气等因素的影响产生变化，在不同天气类型下，光伏输出功率(P)差异很大，如图1所示。从图1可见：光伏发电还体现出较强的周期性。在通常情况下，光伏发电系统的输出功率主要集中在每天7:00—19:00之间。通过对大量光伏输出功率历史值进行研究发现：1) 不同的天气类型(晴天、阴天、雨天)之间，光伏输出功率差别很大；2) 相同类型的天气在相同时刻的输出功率存在一定变化，但发电曲线的总体变化规律非常接近。

图1  不同日类型的光伏输出功率

Fig. 1  PV output powers of different types

1.2  光伏功率的相关性分析

对于由太阳能电池板组成的光伏发电系统，在电池板角度固定时，单位面积上的输出功率P_g在工程上可按下式表示：

           (1)

其中：为光电转换效率；S为光伏面板总面积；I为光照强度；T₀为环境温度。在光伏自身结构确定情况下，光电转换效率和面积是常数，光伏的输出功率主要与光照强度和环境温度有关。然而，事实上，这只是1个近似的输出功率计算公式，实际的光伏输出功率不仅取决于光照强度和环境温度，而且与其他多种因素有关，如组件温度、风速、湿度、气压等^[17-19]，甚至组件温度对光伏输出功率的影响还超过环境温度的影响。为了使预测结果更加精准，对光伏输出影响最大的5个因素即光照强度、组件温度、环境温度、风速和相对湿度进行分析。

1.3  气象因素对光伏输出功率的影响

1.3.1  光照强度对光伏输出功率的影响

由式(1)可知，光照强度变化会对光伏输出功率产生直接影响。通过对历史发电功率和对应光照强度进行分析，发现在相同日类型条件下，光照强度越大，光伏输出功率也越大。在封闭环境下进行试验，保证环境温度、组件温度、风速、相对湿度基本不变，只改变光照强度I，发现光照强度和光伏输出功率大体呈线性关系，如图2所示。

图2  光伏输出功率与光照强度的散点图

Fig. 2  Scatterplot of PV output power and light intensity

          (2)

利用式(2)计算光照强度与光伏输出功率之间的相关系数。式(2)中：r为光照强度与光伏输出功率之间的相关系数；x_i和y_i分别为第i个数据点的光伏强度与光伏输出功率；和分别为光伏强度与光伏输出功率均值；n为数据点个数。经计算，光照强度与光伏输出功率之间的相关系数r为0.838。

1.3.2  环境温度对光伏输出功率的影响

由式(1)可知，环境温度变化会在一定程度上影响光伏系统的发电功率。历史发电功率反映出发电功率曲线形状与其日类型的曲线形状相似，而在相同日类型条件下，环境温度的变化将使曲线高度出现细微变化。因此，在预测模型的输入变量中需要考虑环境温度。通过实验发现，当维持光照强度、组件温度、风速、相对湿度大体不变时，在相同日类型条件下，发电功率随着日平均温度的增大而增大，其与光伏输出功率之间的相关系数由式(2)计算，为-0.211。

1.3.3  组件温度对光伏输出功率的影响

光伏面板对太阳能的转换效率并不高，只有少部分能量转变为电能，更多的能量转化为热能，使组件温度提高。研究表明，光伏组件的温度反映了光伏组件内部的热运动，其温度通常高于环境温度；随着组件温度升高，转换效率衰减下降，表现为光电转化效率下降，输出功率减少。保证光照强度、环境温度、风速、相对湿度不变，在相同日类型条件下，经计算得组件温度与光伏输出功率之间的相关系数高达0.330。

1.3.4  风速对光伏输出功率的影响

风速增加在一定程度上促进了太阳能电池件表面的空气流动，进而降低了组件表面温度，有利于提高光电转换效率，增大输出功率。通过对历史发电数据和对应风速进行分析，发现在相同日类型条件下，风速与光伏输出功率呈现一定的相关性。保证光照强度、组件温度、环境温度、相对湿度不变，在相同日类型条件下，经计算得风速与光伏输出功率之间的相关系数为0.185。

1.3.5  相对湿度对光伏输出功率的影响

相对湿度是指空气的实际水汽压与同一温度下的饱和水汽压之比，反映了空气接近饱和的程度。在通常情况下，当相对湿度较大时，空气流动性较差，水汽含量较高，阻挡了地面的有效反射辐射，光伏输出功率会有一定程度波动。保证光照强度、组件温度、环境温度、风速不变，在相同日类型条件下，经计算得相对湿度与光伏输出功率之间的相关系数为0.137。

1.4  信息融合

信息融合可以将多种信息源进行滤波、相关、集合成一个整体构架。本文将影响光伏功率的5个影响因子(光照强度、环境温度、组件温度、风速和相对湿度)当成多个信息源处理，将这5个影响因子以一定的关系进行信息融合，融合成1个综合影响因子，在减少模型输入变量的同时，充分考虑了各影响因子对光伏功率的关联性^[20]。

本文取组件温度作为参考倍率1，则这5个影响因子对光伏输出功率的相关性系数比例关系可转换为4.53:-1.14: 1.78: 1.00:0.74，综合影响因子为

    (3)

其中：k_1t，k_2t，…，k_5t分别表示预测时段的光照强度、环境温度、组件温度、风速和相对湿度的系数，均在1 d中的7:00—19:00取值。为了消除不同变量之间数值差异和极值的影响，对这5个系数进行归一化处理：

              (4)

k_imin和k_imax分别对应系数的最小值、最大值，为了能反映1 d的气象因素与综合影响因子的映射关系，选取的为1 d的平均综合影响因子，即

                 (5)

其中：n为1 d中预测时段的数目，若预测时段间隔为1，则n为12。该融合系数可以根据场景发生变化，天气情况越复杂，n的取值也就越大。

2  预测模型设计

2.1  BP网络模型的设计

2.1.1  模型的流程框图

图3所示为本文提出的整个光伏预测及配网优化的流程框图。首先根据预测日天气选择3种日类型中的其中1种，获取该种日类型下光伏发电系统采集的历史发电功率和5个影响因子信息融合后的综合影响因子，将处理好的影响光伏输出功率的相关训练神经网络模型，并进行误差修正，最后用训练好的网络模型预测光伏输出功率。所选用的预测方式是短时预测，预测功率应用于配网优化。

图3  光伏短期预测功率流程

Fig. 3  Short-term forecast power flow chart of photovoltaic

2.1.2  预测模型的结构

BP神经网络模型见图4。

图4  BP神经网络模型

Fig. 4  Model of BP neural network

本文选用BP神经网络进行光伏功率预测，其由输入层、隐含层和输出层构成。隐含层不直接与外界相连，可以为单层或多层，它们通过改变自身的权系数或与输入输出层的权系数，改变神经网络的性能，是一个正向传播加反向学习的过程^[21-22]。

将与预测日类型相同的前1 d的平均综合影响因子和预测日当天的影响因子作为系统的2个输入，其余输入为预测日类型相同的前1 d 7:00—19:00的光伏输出采样点，采样时间间隔为△t，输出为预测日当天的发电量。BP神经网络是1个隐含层可以改变的神经网络，隐含层层数越多，系统越复杂，预测也就越精准。考虑到过多的隐含层层数可能会造成过度拟合从而影响预测结果的问题，在实际应用中，一般采用1~2层隐含层。本文选用2层隐含层进行训练，联合输入层与隐含层的权值为，联合隐含层和输出层的权值为，隐含层各神经元的临界值为，输出层各神经元的临界值为。

2.1.3  改进的粒子群算法参数优化

改进的粒子群优化算法采用下山单纯形法(Nelder-Mead，NM)和粒子群优化算法(PSO)的整合，避免了下山单纯形法在起始点的选择中的缺点，同时也降低了粒子群优化对慢收敛速度的计算成本。可以对输入层和隐含层的权值以及隐含层和输出层之间的权值进行参数优化^[23-24]，见图5。

图5  BP网络参数优化

Fig. 5  Parameter optimization of BP network

本文采用改进的粒子群算法对网络参数优化。算法相关公式如下：

 (6)

                 (7)

                 (8)

               (9)

           (10)

其中：v为飞行速度；x表征位置信息，即神经网络的权值，找到x的最优位置即为神经网络权值的最优参数；rand为(0,1)之间的随机数；c₁和c₂为学习因子；为惯性因子。式(6)和式(7)为标准的粒子群算法公式。本文采用时变非线性的三角控制，改进的惯性因子选取如式(8)所示。式(9)表示模型的输出与输入的函数关系，为输入，为输出，通过优化权值和可以提高预测输出功率的准确性。式(10)所示为粒子群算法的目标函数，其目的是使预测功率与理想输出功率的误差最小。改进粒子群算法流程如图6所示。

2,1.4  预测模型的评估

预测模型用于预测需要满足精度需求，通常选用均方根误差(E_RM)衡量实际值和预测值之间的实际偏差。相关系数(R²)衡量与实际结果的精确度，其值越接近于1，越准确。

         (11)

             (12)

式中：N为总测试数据个数；a_x为实际光伏输出功率；g_x为预测的光伏输出值；x的取值范围为[1,N]。

2.2  预测误差修正

通过对大量光伏发电历史数据进行分析发现光伏输出功率满足一定的波动特性，本文在此基础上对BP网络预测的光伏出力根据历史功率输出波动特性进行误差修正^[25-26]。

取相似日7:00—19:00中相邻2个采样点(时间间隔为△t)功率输出差的绝对值，形成历史功率输出波动量序列。将其划分为4个区间，计算各区间的概率分布P_i和历史最大波动量，并将各波动量区间平均值进行加权求和得到综合置信度修正量(见式(13)，其中，所占权重即为历史波动量在对应波动量区间内的概率分布)。对BP网络预测出力进行同样处理，将超过历史最大波动量的用式(14)中的综合置信度修正量进行修正，将修正后得到的新的波动量序列及最终预测出力分别记为和。具体修正措施如式(13)和式(15)所示，其中，J为区间总个数。

图6  PSO-NM优化算法流程

Fig. 6  PSO-NM optimization algorithm flow

         (13)

               (14)

        (15)

3  实例验证

为了验证该预测方法的正确性，在某县光伏电站进行实例验证。首先将预测日根据天气类型划分，将其归纳为晴天、阴天、雨天这3种日类型中的其中1种，然后将与预测日日类型相同的前1 d的发电数据和综合影响因子λ以及预测日的综合影响因子λ作为输入，对BP神经网络进行训练。在训练过程中发现：当样本数量为368个，训练、验证、测试的样本比分别为16:5:2时，经误差修正后，预测模型预测效果最好，其预测模型参数如表1所示。

表1  BP预测模型参数

Table 1  BP prediction model parameters

随机选取几种不同天气的功率预测曲线进行分析，预测时间为7:00—19:00，并设定时间间隔为15 min。2017-05-09T10:15—12:15的光伏预测功率与实际输出功率对比结果如表2所示。图7所示为2017-05-09(晴天)的预测曲线，图8所示为2017-05-15(阴天)的预测曲线，图9所示为2017-06-12(雨天)的预测曲线，其精准度评估结果如表3所示。

从图7，8，9可以看出：光伏发电最平稳，预测精确度也最高。从图8可以看出：当日类型为阴天时，光伏发电受综合影响因子λ的作用增强，预测精度略微降低。从图9可见：当日类型为雨天时，由于影响因子λ的制约作用再次增强，预测精度再次下降，出现部分预测时刻波动较大。在14:30时，无论是什么日类型，基于日类型及信息融合理论的BP网络光伏功率预测的预测趋势都是正确的，且都取得了较好的预测效果，保证误差在允许范围之内(见图7~9)。从表3可见：全天的预测综合误差E_RM较小，与实际结果的相关性系数R²较高，与文献[6，13]中利用单一影响因子或未经融合的多个影响因子的预测效果相比明显提高，且算法通过改进，避免了文献[6]中没有考虑参数全局最优或陷入局部最优的问题，证明了本文模型的有效性。若出现一些极端天气，当预测精度低于90%时，可以通过缩短预测时间间隔△t等方式来提高预测精度，确保预测准确。

表2  2017-05-09部分功率

Table 2  Powers on May 9, 2017       kW

图7  晴天功率预测曲线

Fig. 7  Power forecasting curves in sunny day

图8  阴天功率预测曲线

Fig. 8  Power forecasting curves in cloudy day

图9  雨天功率预测曲线

Fig. 9  Power forecasting curves in rainy day

表3  BP预测模型精准度评估

Table 3  BP prediction model accuracy assessment

4  结论

1) 针对光伏发电由于自身的缺陷，并网后会给电力系统的安全运行造成一定影响，出现大量弃电现象，造成了大量经济损失等问题，提出一种基于日类型及融合理论的BP网络光伏预测方法，通过对不同天气划分日类型、信息融合制约光伏发电的5个主要因素、优化参数、误差修正等手段，得到了较好的预测结果。

2) 可以通过预测曲线，及时了解光伏发电的波动情况。通过与其他能源进行互补，或者与储能系统配合使用等，达到消峰填谷、平滑功率输出的目的，提高光伏发电系统并网运行的优越性，同时给电网的调度等提供参考依据。

参考文献：

[1] 张贵涛, 龚芬, 夏向阳, 等. 光伏并网逆变器电能质量控制策略[J]. 电力科学与技术学报, 2017, 32(4): 50-56.

ZHANG Guitao, GONG Fen, XIA Xiangyang, et al. Power quality control strategy of photovoltaic grid-connected inverter[J]. Journal of Electric Power Science and Technology, 2017, 32(4): 50-56.

[2] 易浩民, 夏向阳, 李经野, 等. 基于无功功率和储能平衡的配网馈线电压控制[J]. 中南大学学报(自然科学版), 2017, 48(11): 2972-2978.

YI Haomin, XIA Xiangyang, LI Jingye, et al. Feeder voltage control in distribution network based on reactive power and energy storage balance[J]. Journal of Central South University (Science and Technology), 2017, 48(11): 2972-2978.

[3] 夏向阳, 易浩民, 邱欣, 等. 双重功率优化控制的规模化光伏并网电压越限研究[J]. 中国电机工程学报, 2016, 36(19): 5164-5171, 5397.

XIA Xiangyang, YI Haomin, QIU Xin, et al. Research on dual power optimal control for scaled photovoltaic grid-connected voltage[J]. China Journal of Electrical Engineering, 2016, 36(19): 5164-5171, 5397.

[4] 贾晋峰, 易浩民, 夏向阳, 等. 分布式能源接入电力系统的新型计量系统[J]. 电力系统保护与控制, 2017, 45(3): 118-124.

JIA Jinfeng, YI Haomin, Xiayang, et al. Distributed energy power system access new metering system[J]. Power System Protection and Control, 2017, 45(3): 118-124.

[5] 夏向阳, 王锦泷, 易浩民, 等. 光伏并网发电系统最大功率输出控制研究[J]. 中南大学学报(自然科学版), 2016, 47(7): 2296-2303.

XIA Xiangyang, WANG Jinlong, YI Haomin, et al. Research on the maximum power output control of photovoltaic generation system[J]. Journal of Central South University(Science and Technology), 2016, 47(7): 2296-2303.

[6] 叶林, 陈政, 赵永宁, 等. 基于遗传算法—模糊径向基神经网络的光伏发电功率预测模型[J].电力系统自动化, 2015, 39(16): 16-22.

YE Lin, CHEN Zheng, ZHAO Yongning, et al. Photovoltaic power forecasting model based on genetic algorithm and fuzzy radial basis function neural network[J]. Automation of Power System, 2015, 39(16): 16-22.

[7] NORDIN N. Prediction of AC power output in grid-connectedphotovoltaic system using Artificial Neural Network with multi-variable inputs 2016 IEEE Conference on Systems[C]// Process and Control(ICSPC), 2016: 192-195.

[8] 于群, 朴在林, 胡博. 基于EEMD和BP神经网络的短期光伏功率预测模型[J]. 电网与清洁能源, 2016, 32(7): 132-137

YU Qun, PU Zailin, HU Bo. A hybrid model for short-term photovoltaic power forecasting based on eemd-bp combined method[J]. Power System and Clean Energy, 2016, 32(7): 132-137.

[9] 嵇灵, 牛东晓, 汪鹏. 基于相似日聚类和贝叶斯神经网络的光伏发电功率预测研究[J]. 中国管理科学, 2015, 23(3): 118-122.

JI Lin, NIU Xiaodong, WANG Peng. Photovoltaic load forecasting based on the similar day and bayesian neural network[J]. Chinese Journal of Management Science, 2015, 23(3): 118-122.

[10] 史佳琪, 张建华. 基于深度学习的超短期光伏精细化预测模型研究[J]. 电力建设, 2017, 38(6): 28-35.

SHI Jiaqi, ZHANG Jianhua. Ultra short-term photovoltaic refined forecasting model based on deep learning[J]. Electric Power Construction, 2017, 38(6): 28-35.

[11] 代倩, 段善旭, 蔡涛, 等. 基于天气类型聚类识别的光伏系统短期无辐照度发电预测模型研究[J]. 中国电机工程学报, 2011, 31(34): 28-35.

DAI Qian, DUAN Shanxu, CAI Tao, et al. Short-term PV generation system forecasting model without irradiation based on weather type clustering[J]. China Journal of Electrical Engineering, 2011, 31(34): 28-35.

[12] 李春来, 张海宁, 杨立滨, 等. 基于无迹卡尔曼滤波神经网络的光伏发电预测[J]. 重庆大学学报, 2017, 40(4): 54-61.

LI Chunlai, ZHANG Haining, YANG Libing, et al. Photovoltaic power forecasting based on unscented Kalman filtering neural network[J]. Journal of Chongqing University, 2017, 40(4): 54-61.

[13] 陈志宝, 丁杰, 周海, 等. 地基云图结合径向基函数人工神经网络的光伏功率超短期预测模型[J]. 中国电机工程学报, 2015, 35(3): 561-567.

CHEN Zhibao, DING Jie, ZHOU Hai, et al. A model of very short-term photovoltaic power forecasting based on ground-based cloud images and rbf neural network[J]. China Journal of Electrical Engineering, 2015, 35(3): 561-567.

[14] MANDAL P, MADHIRA S T S, MENG J, et al. Forecasting power output of solar photovoltaic system using wavelet transform and artificial intelligence techniques[J]. Procedia Computer Science, 2012, 12: 332-337.

[15] 姜运, 彭红海, 曾祥君, 等. 配电网故障行波定位动模实验平台[J]. 电力科学与技术学报, 2017, 32(3): 81-85.

JIANG Yun, PENG Honghai, ZENG Xiangjun, et al. Dynamic simulation experimental platform for traveling-wave-based fault location in distribution network[J]. Journal of Electric Power Science and Technology, 2017, 32(3): 81-85.

[16] YONA A, SENJYU T, FUNABASHI T. Application of recurrent neural network to short-term-ahead generating power forecasting for photovoltaic system[C]// IEEE Power Engineering Society General Meeting. Tampa, FLORIDA, USA: Institute of Electrical and Electronics Engineers, 2007: 1-6.

[17] 唐俊熙, 何迪, 郭创新. 基于模糊综合评估的电网人因可靠性分析[J]. 电力科学与技术学报, 2017, 32(3): 63-68.

TANG Junxi, HE Di, GUO Chuangxin. Analysis of human reliability in power grid based on fuzzy synthetic evaluation[J]. Journal of Electric Power Science and Technology, 2017, 32(3): 63-68.

[18] 张世丰. 影响太阳能光伏发电的气象因子分析[J]. 农业与技术, 2014, 34(7): 194-201.

ZHANG Shifeng. Analysis of meteorological factors affecting solar photovoltaic power generation[J]. Agriculture and Technology, 2014, 34(7): 194-201.

[19] 宫娅宁, 苏舒, 林湘宁, 等. 独立光伏发电储能系统能量管理与经济调度研究[J]. 电力科学与技术学报, 2017, 32(2): 3-9, 30.

GONG Yaning, SU Shu, LIN Xiangning, et al. Study on energy management and economic dispatch of stand-alone photovoltaic generation system with hybrid energy storage[J]. Journal of Electric Power Science and Technology, 2017, 32(2): 3-9, 30.

[20] 刘雪飞, 田启东, 焦昊, 等. 考虑多风险因素的电网调度操作风险评估[J]. 电力科学与技术学报, 2016, 31(4): 109-115.

LIU Xuefei, TIAN Qidong, JIAO Hao, et al. Power grid risk assessment of dispatching operation considering multi-risk elements[J]. Journal of Electric Power Science and Technology, 2016, 31(4): 109-115.

[21] 龙海超, 欧阳森, 张华赢. 基于BP神经网络的电网电压暂降源定位方法[J]. 电力科学与技术学报, 2017, 32(2): 62-69.

LONG Haichao, OUYANG Sen, ZHANG Huaying. A novel location method of power grid voltage sag source with BP neural network[J]. Journal of Electric Power Science and Technology, 2017, 32(2): 62-69.

[22] 刘晓楠, 周介圭, 贾宏杰, 等. 基于非参数核密度估计与数值天气预报的风速预测修正方法[J]. 电力自动化设备, 2017, 37(10): 15-20.

LIU Xiaolan, ZHOU Jiewa, JIA Hongjie, et al. Correction method of wind speed prediction based on non-parametric kernel density estimation and numerical weather prediction[J]. Power Automation Equipment, 2017, 37(10): 15-20.

[23] 解玖霞. 基于粒子群算法的主动配电网经济优化调度[J]. 电气技术, 2017(9): 15-18.

XIE Jiuxia. Economic optimization scheduling of active power distribution[J]. Electrical Technology, 2017(9): 15-18.

[24] 陈深, 肖俊阳, 黄玉程, 等. 基于改进量子粒子群算法的微网多目标优化调度[J]. 电力科学与技术学报, 2015, 30(2): 41-47.

CHEN Shen, XIAO Junyang, HUANG Yucheng, et al. Multi-objective optimal dispatching of micro-grid with improved quantum-behaved particle swarm algorithm[J]. Journal of Electric Power Science and Technology, 2015, 30(2): 41-47.

[25] 乔颖, 鲁宗相, 闵勇. 提高风电功率预测精度的方法[J]. 电网技术, 2017, 41(10): 3261-3269.

QIAO Ying, LU Zongxiang, MIN Yong, et al. Research & application of raising wind power prediction accuracy[J]. Power Grid Technology, 2017, 41(10): 3261-3269.

[26] 史常凯, 闫文棋, 张筱慧, 等. 基于BP网络和灰色模型的春节配变重过载预测[J]. 电力科学与技术学报, 2016, 31(3): 140-145.

SHI Changkai, YAN Wenqi, ZHANG Xiaohui, et al. Heavy overload forecasting of distribution festival based on BP network transformer during the spring and grey model[J]. Journal of Electric Power Science and Technology, 2016, 31(3): 140-145.

(编辑  陈灿华)

收稿日期：2017-10-12；修回日期：2017-12-15

基金项目(Foundation item)：国家自然科学基金资助项目(51307009) (Project(51307009) supported by the National Natural Science Foundation of China)

通信作者：夏向阳，博士，教授，硕士生导师，从事新能源并网控制和柔性直流输电控制研究；E-mail: xia_xy@126.com