太阳能发电受天气、温度、光照强度等多种因素影响，具有间歇性和波动性，准确预测太阳能发电功率对于电网调度和能源管理至关重要。人工神经网络（ANN）由于其自适应、自学习和非线性映射能力，在太阳能发电预测中得到了广泛应用。本文将从神经网络的基本原理入手，逐步深入到其在太阳能发电预测中的应用，并以Matlab神经网络工具箱为例，展示如何利用神经网络构造预测模型。

1 神经网络的基本原理

人工神经网络（ANN）是一种模拟人脑神经元网络结构和功能的数学模型。它由大量的神经元（节点）相互连接而成，通过调整连接权重来学习和存储知识。典型的神经元结构及对应的公式如下：

其中，$x_1,x_2,\cdots ,x_d$ 为一个神经元的输入，$a$ 为输出，$f()$ 为激活函数包括Sigmoid函数、tanh函数和ReLU函数等，可以查阅资料查看不同激活函数对应的数学公式。

神经元是神经网络的基本单元，一个神经网络包含大量神经元的堆叠,其基本结构包括输入层、隐藏层和输出层。输入层接收外部数据输入，隐藏层对数据进行处理和变换，输出层则给出最终结果：

其中，隐藏层的神经元的个数和层数可以自己定义，如图中共有2个隐藏层，第1个隐藏层的神经元个数为5个，第2个隐藏层的神经元个数为3个。

输入层和输出层则不同，输入层的神经元个数需要看输入的特征有几个，例如影响太阳能发电的因素有环境温度、光伏组件温度以及太阳辐射量这三个量，则输入的特征和输入层的神经元个数也就是3个。输出层的神经元数量则根据输出的数量来决定，本案例太阳能板输出量为产生的直流功率，因此输出层的神经元数量只有1个。

2 Matlab神经网络工具箱简介

Matlab神经网络工具箱提供了一套完整的神经网络建模工具，使得用户能够方便地创建、训练和评估各种类型的神经网络。该工具箱支持多种神经网络架构，包括前馈神经网络、径向基函数网络、卷积神经网络等。用户可以通过图形界面或编程方式来操作神经网络。我是用的是 MATLAB R2024a 版，打开方式如下：

1.点击界面顶端的APP，然后点开选项栏。

2.然后找到机器学习和深度学习板块，选择神经网络拟合工具。

3.打开界面如下：

在使用Matlab神经网络工具箱时，首先需要定义网络的结构，包括输入层、隐藏层和输出层的神经元数量以及连接方式。然后，选择合适的训练算法和性能函数，对网络进行训练。训练过程中，工具箱会自动调整网络的连接权重和偏置，以最小化网络的输出误差。最后，通过测试集对训练好的网络进行评估，验证其泛化能力。下面将以太阳能板预测发电案例来进行实战演练。

3 神经网络在太阳能发电预测中的应用案例

3.1 数据处理

首先，收集历史太阳能发电数据以及相关的气象数据，并对数据进行归一化处理，以便于网络的训练。本案例所使用的数据来源于GitHub上面的Solar-Power-Plant，如果上不去的小伙伴可以点击光伏数据进行下载。我们只取其中一个光伏发电厂的数据来进行演示。

Plant_1_Generation_Data.csv文件存储的是发电量信息，数据结构如下：

DATE_TIME	PLANT_ID	SOURCE_KEY	DC_POWER	AC_POWER	DAILY_YIELD	TOTAL_YIELD

这里只简要介绍案例所要用到的信息：DATE_TIME（发电数据的采样时间，每15分钟采样21次）；DC_POWER（光伏板产生的直流电功率，单位为kW）；AC_POWER（光伏板产生的交流电功率，单位为kW）。

（这里有点问题，光伏板只产生直流，如果要产生交流需加逆变器，因此我猜测这里应该是将光伏板产生的一部分直流转化成了交流电，因此我们在预测发电的时候需预测这两个量，才能代表光伏发电总功率）

Plant_1_Weather_Sensor_Data.csv文件存储的是天气信息，数据结构为：

DATE_TIME	PLANT_ID	SOURCE_KEY	AMBIENT_TEMPERATURE	MODULE_TEMPERATURE	IRRADIATION	TOTAL_YIELD

DATE_TIME（天气数据的采样时间，每15分钟采样1次）；AMBIENT_TEMPERATURE（环境温度℃）；MODULE_TEMPERATURE（光伏组件温度℃）；IRRADIATION（太阳辐射量）

这里我们可以看到，发电功率每15分钟采样21次，而天气数据每15分钟采样1次，两者的数据量不匹配，因此我们这里做一个调整。我们将21次发电功率采样的平均值作为这15分钟的发电功率代表。

因此我们进行如下数据处理：

1.将原始数据导入matlab中
首先打开MATLAB进入到数据所在文件夹，然后创建一个process.m脚本文件，输入以下代码：

clc
clear

% 指定文件路径
generation_filename = 'Plant_1_Generation_Data.csv';

% 使用 readtable 函数读取 CSV 文件
generation_data = readtable(generation_filename);

% 将时间戳列转换为 datetime 格式
generation_data.DATE_TIME = datetime(generation_data.DATE_TIME, 'InputFormat', 'dd-MM-yyyy HH:mm');

% 提取时间戳、DC_POWER 和 AC_POWER 列
time_stamps = generation_data.DATE_TIME;
dc_power = generation_data.DC_POWER;
ac_power = generation_data.AC_POWER;

% 找到所有唯一的时间戳
unique_times = unique(time_stamps);

% 初始化存储平均值的表格
mean_table = table('Size', [length(unique_times), 3], ...
'VariableTypes', {'datetime', 'double', 'double'}, ...
'VariableNames', {'DATE_TIME', 'DC_POWER_mean', 'AC_POWER_mean'});

% 遍历每个唯一的时间戳，计算平均值
for i = 1:length(unique_times)
current_time = unique_times(i);

% 找到当前时间戳对应的所有行
idx = time_stamps == current_time;

% 计算当前时间戳对应的 DC_POWER 和 AC_POWER 的平均值
mean_dc = mean(dc_power(idx));
mean_ac = mean(ac_power(idx));

% 将结果存储到表格中
mean_table.DATE_TIME(i) = current_time;
mean_table.DC_POWER_mean(i) = mean_dc;
mean_table.AC_POWER_mean(i) = mean_ac;

end

由于时间是唯一值，所以我们对时间相同的所有行取平均值，就可代表这个时间的平均发电功率。（这里我们只对DC_POWER和AC_POWER两列数据进行处理）

处理完成后，我们打开变量 mean_table，发现时间都是单独的，且间隔15min，说明我们已经将15min内多次采样转化成了1次采样，这样的数据能够与天气数据进行匹配。

然后我们处理天气数据，由于天气数据是15min采样1次，因此不需要过多处理。我们在原来的代码基础上添加如下代码：

weather_data = readtable('Plant_1_Weather_Sensor_Data.csv');

% 提取我们需要的列数据
selected_weather_Data = weather_data(:, {'DATE_TIME', 'AMBIENT_TEMPERATURE', 'MODULE_TEMPERATURE', 'IRRADIATION'});

同样打开 selected_weather_Data 变量，发现结构与上面 mean_table 类似。

通过以上处理，我们需要的数据已经全部导入MATLAB。通过观察发现，上面两个变量的行数不一样，一个为3158，另一个为3182，说明第一个变量中的数据有缺失。为确保输入和输出形成一一对应关系，我们只取两个变量在DATA_TIME都有的时间所对应的行，继续输入以下代码：

commonElements = intersect(mean_table.DATE_TIME, selected_weather_Data.DATE_TIME); % 返回两个列的交集（按升序排列）

% 在原来的时间序列DATE_TIME中提取两个文件中都有的时间数据（有的文件中数据不完整），形成一一对应关系
used_gen_data = mean_table(ismember(mean_table.DATE_TIME, commonElements), :);
used_weather_data = selected_weather_Data(ismember(selected_weather_Data.DATE_TIME, commonElements),:);

最后我们单独建立两个数组矩阵来创建输入(Input)和标签(Label)。继续在原来的代码中输入下面代码：

% 构建输入和标签
Input = [used_weather_data.AMBIENT_TEMPERATURE, used_weather_data.MODULE_TEMPERATURE, used_weather_data.IRRADIATION];

Label = [used_gen_data.DC_POWER_mean, used_gen_data.AC_POWER_mean];

Input即为神经网络的输入，Label为输入所对应的标签值。下面我们来构造神经网络进行训练。

3.2 神经网络训练

1.找到机器学习和深度学习板块，选择神经网络拟合工具，打开后点击导入数据：

2.预测变量一栏选择 Input 变量，响应一栏选择 Label 变量，观察值勾选 行 的原因在于MATLAB默认是以列为一组特征向量，看到 Input 和Label 的描述为3个特征和2个特征就说明设置成功了，然后点击确定。

3.界面显示如下，我们可以调整验证数据和测试数据的百分比，以及调整隐藏层的神经元个数（层大小），前面我们提到神经网络的隐藏层的层数在这里只有1层，且无法增加层数（如果想要添加隐藏层数量需要使用代码来构建神经网络，请关注后续文章）

4.我们使用默认的参数进行训练，点击训练，迭代完成后显示以下界面：

我们可以看到只训练了11轮，模型就已经收敛了，如果想查看训练的结果图，可以点上面蓝色圈里面的 训练状态 性能 误差直方图 等，该工具箱默认绘制了常使用到的图像，可以稍微更改后放入论文之中。

比如我们点击 性能 图，然后可选择 将绘图导出为图窗 。

图像更改完成后，鼠标移至画布上，然后会出现几个选项，最后移至红色箭头处点击复制为图像，即可保存绘图。 ``

5.模型训练完成后的目的是为了去预测新的数据，因此我们需要将模型保存在本地，点击 导出到工作区 即可将模型文件保存到工作区，然后再保存到本地

6.回到主界面，我们可以看到模型文件已经保存到工作区中的 results ，可以右键选择另存到本地文件夹中，方便下次直接加载使用

7.由于模型已经在工作区中，因此无需重新加载，我们新建一个 forest.m 文件来预测新的数据，输入下面代码：

new_weather_data = [25,25,0.5]'
prediction = results.Network(new_weather_data)

取出 results 变量中的 Network 来进行预测，新的天气数据为环境温度为25，光伏组件温度为25，太阳辐射量为0.5，构建一个行矩阵， 记住模型的输入特征向量默认为列向量，我们构建的数据为行向量，因此需要加 ' 来进行转置。

预测结果如下，预测出来的直流功率为7088.4kW，交流功率为700.1kW。

4 总结

通过使用人工神经网络和Matlab神经网络工具箱，我们成功构建了一个太阳能发电预测模型。该模型能够根据历史数据和相关气象信息，预测未来的太阳能发电量。这有助于电力公司和电网运营商提前做好调度安排，提高电网的稳定性和可靠性。

然而，这样的模型十分简陋，并没有考虑到时间序列信息，数据也没有进行归一化处理，正负样本比例也没有调整，后续可以在此基础上加以完善。也可以考虑使用能够识别时间序列的模型，例如LSTM、RNN、Transformer等模型，后续有时间我会逐一以实战的方式来实现对更多能源系统的预测，敬请关注后续文章，感谢您的阅览！

欢迎在评论区进行交流！