3.3 光伏短期功率预测模型设计
本部分采用RBF神经网络建立光伏功率短期预测模型，包括输入层、隐含层和输出层共3层。训练数据由归一化的NWP和光伏发电功率实时数据值组成，采样间隔为1小时，从早上5:00～下午18:00共14个采样点。
3.3.1 预测模型的结构设计
设预测日为t，RBF网络的输入量由NWP得到，包括预测日最高温度Tmax（t）、最大湿度Hmax（t）、最大能见度Wmax（t）以及14小时辐照度值G1（t）～G14（t）。输出P1（t）～P14（t）为预测日的14小时发电量，其可表达为
式中
网络中隐含层激励函数选用高斯核函数为
RBF神经元数N依据训练数据的类型而定，函数中心c采用聚类算法选取确定；方差
，dmax为选取中心点之间的最大距离。
因此，最后所建立的光伏系统短期功率预测模型结构如图3-10所示。
图3-10 光伏系统短期功率预测模型结构
3.3.2 预测结果及评估
本部分选用上海地区的光伏电站，总装机容量30kW，2017年3月至2017年5月底的实际运行数据作为样本建立预测模型，分别在4种不同天气类型下对未来24小时光伏功率进行预测。同时，为验证所采用的聚类算法对预测模型的有效性，与传统聚类算法对比。
为评价预测的精度，预测值与实测值采用平均绝对误差百分比（MAPE）和方均根误差（RMSE）衡量系统的预测性能，它们分别定义为
式中 Ph（i）——功率预测值；
Py（i）——功率实测值；
Z=24——一日小时采样点个数。MAPE可评估模型的预测误差程度，而RMSE可衡量预测结果的整体精度。预测误差统计指标见表3-5。
表3-5 预测误差统计指标
图3-11为光伏功率预测曲线图，其中，图3-11a、图3-11b分别为采用本部分的提出聚类算法、采用传统的K-means聚类算法后的功率预测结果。图中，纵坐标变量P为每小时发电功率，图上的空心圆线、实心圆线分别表示预测功率、实际功率。
图3-11 光伏功率预测曲线
从图3-11和表3-5的分析可以得出
1）晴天条件下辐照度良好，气候平稳，其聚类结果基本一致，两种方法均与实际值接近，其预测误差相对较小。
2）阴天时实际功率有所下降，波动变化增加，采用传统方法与本部分方法相比其聚类精度已有一定程度下降。但从表3-5可知，传统方法预测的误差程度在1kW范围内，整体精度也保持在60%左右，仍能与实际发电功率的变化保持一致。
3）当在气象状况差的小雨条件下时，辐照度大幅衰减，采用传统聚类方法已不能保证精度，预测的功率曲线已经严重偏离实际值，不能够反映实际功率的变化趋势；而采用改进聚类算法的预测曲线虽较晴天和阴天误差有一定程度增加，但依然能够对实际发电功率的波动特性进行跟踪。
4）在大雨条件下，因辐照度的严重衰减，造成实际功率曲线的随机性变化增加，降低了相邻日发电功率之间的相似性，增大了预测的难度，导致传统聚类方法的预测值与实际值出现严重偏差，而采用改进的聚类法考虑了雨天条件下的影响因子，减少了特征信息的冗余，从而提高了预测精度。
5）由表3-5可见，对于反映预测值和实际值的偏离程度RMSE和整体精度MAPE两个指标，改进聚类的预测模型均优于传统聚类，即使在复杂的天气状态下误差量较大，但仍能达到发电功率的有效预测。