基于遺傳算法優(yōu)化卷積長(zhǎng)短記憶混合神經(jīng)網(wǎng)絡(luò)模型的光伏發(fā)電功率預(yù)測(cè)*

王晨陽 段倩倩 周凱 姚靜 蘇敏 傅意超紀(jì)俊羊 洪鑫 劉雪芹? 汪志勇

1) (重慶理工大學(xué)理學(xué)院, 綠色能源材料技術(shù)與系統(tǒng)重慶市重點(diǎn)實(shí)驗(yàn)室, 重慶 400054)2) (西南大學(xué)物理科學(xué)與技術(shù)學(xué)院, 重慶 400715)(2019年12月20日收到; 2020年2月6日收到修改稿)

光伏發(fā)電受天氣與地理環(huán)境影響, 呈現(xiàn)出波動(dòng)性和隨機(jī)多干擾性, 其輸出功率容易隨著外界因素變化而變化, 因此預(yù)測(cè)發(fā)電輸出功率對(duì)于優(yōu)化光伏發(fā)電并網(wǎng)運(yùn)行和減少不確定性的影響至關(guān)重要. 本文提出一種基于遺傳算法(GA)優(yōu)化的卷積長(zhǎng)短記憶神經(jīng)網(wǎng)絡(luò)混合模型(GA-CNN-LSTM), 首先利用CNN 模塊對(duì)數(shù)據(jù)的空間特征提取, 再經(jīng)過LSTM 模塊提取時(shí)間特征和附近隱藏狀態(tài)向量, 同時(shí)通過GA 優(yōu)化LSTM 訓(xùn)練網(wǎng)絡(luò)的超參數(shù)權(quán)重與偏置值. 在初期對(duì)歷史數(shù)據(jù)進(jìn)行歸一化處理, 以及對(duì)所有特征作灰色關(guān)聯(lián)度分析, 提取重要特征降低數(shù)據(jù)計(jì)算復(fù)雜度, 然后對(duì)本文提出來的經(jīng)GA 優(yōu)化后的CNN-LSTM 混合神經(jīng)網(wǎng)絡(luò)(GA-CNN-LSTM)算法模型進(jìn)行光伏功率預(yù)測(cè)實(shí)驗(yàn). 同時(shí)與CNN, LSTM 兩個(gè)單一神經(jīng)網(wǎng)絡(luò)模型以及未經(jīng)GA 優(yōu)化的CNNLSTM 混合神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)性能進(jìn)行比較. 結(jié)果顯示在平均絕對(duì)誤差率(MAPE)指標(biāo)下, 本文提出的GA-CNN-LSTM 算法模型比單一神經(jīng)網(wǎng)絡(luò)模型最好的結(jié)果減少了1.537%的誤差, 同時(shí)比未經(jīng)優(yōu)化的CNNLSTM 混合神經(jīng)網(wǎng)絡(luò)算法模型減少了0.873%的誤差. 本文的算法模型對(duì)光伏發(fā)電功率具有更好的預(yù)測(cè)性能.

1 引 言

隨著全球傳統(tǒng)化石能源日益枯竭, 并且污染嚴(yán)重, 能源危機(jī)與環(huán)境問題漸顯突出. 當(dāng)前光伏新能源具有清潔、可持續(xù)性等特點(diǎn), 越來越受到人們的重視. 但是近些年我國(guó)新能源遭遇嚴(yán)重的棄光問題. 光伏發(fā)電受天氣等多種因素影響呈現(xiàn)出波動(dòng)不穩(wěn)定[1], 所以在其并網(wǎng)輸出電力使用時(shí), 提前預(yù)測(cè)發(fā)電輸出功率變得尤其重要.

目前在光伏發(fā)電功率預(yù)測(cè)領(lǐng)域研究熱點(diǎn)是基于人工智能的方法, 主要包括機(jī)器學(xué)習(xí), 以及深度學(xué)習(xí)[2]神經(jīng)網(wǎng)絡(luò)等技術(shù). 2012年, Shi 等[3]建立基于支持向量機(jī)(SVM)的預(yù)測(cè)模型, 從預(yù)測(cè)效果來看機(jī)器學(xué)習(xí)模型明顯好于傳統(tǒng)數(shù)學(xué)統(tǒng)計(jì)模型.2016年, Liu 等[4]采用最大期望(EM)算法將天氣進(jìn)行聚類, 通過聚類結(jié)果, 選出反應(yīng)預(yù)測(cè)日天氣特點(diǎn)的樣本作為輸入, 利用小波SVM 回歸模型進(jìn)行輸出預(yù)測(cè), 分類后的機(jī)器學(xué)習(xí)模型表現(xiàn)出更好的預(yù)測(cè)效果. 2018年, Liu 等[5]提出反向傳播(BP)神經(jīng)網(wǎng)絡(luò)模型, 利用15 kW 并網(wǎng)光伏系統(tǒng)的四種光伏輸出和氣象數(shù)據(jù)對(duì)該方法進(jìn)行了測(cè)試, 在置信度分別為95%, 90%, 85%和80%的置信水平下計(jì)算預(yù)測(cè)區(qū)間覆蓋率(PICPs), 它們所提出的模型在短期光伏功率輸出和相關(guān)不確定性的預(yù)測(cè)方面優(yōu)于傳統(tǒng)的預(yù)測(cè)方法. 2019年, Gao 等[6]提出利用長(zhǎng)短記憶神經(jīng)網(wǎng)絡(luò)(LSTM)對(duì)光伏系統(tǒng)的輸出功率進(jìn)行預(yù)測(cè), 該方法使用一年內(nèi)不同地點(diǎn)的每小時(shí)數(shù)據(jù)集進(jìn)行評(píng)估, LSTM 進(jìn)一步減少了預(yù)測(cè)誤差, 體現(xiàn)出更優(yōu)的預(yù)測(cè)效果[7]. 雖然上述的研究取得了不錯(cuò)的結(jié)果, 但是他們所采用的模型, 特別是人工神經(jīng)網(wǎng)絡(luò)模型, 過多的輸入數(shù)據(jù)、隱含層數(shù)和隱含層節(jié)點(diǎn)很可能導(dǎo)致網(wǎng)絡(luò)訓(xùn)練的過擬合、梯度消失和爆炸等問題, 并且單一神經(jīng)網(wǎng)絡(luò)模型普遍表現(xiàn)出預(yù)測(cè)精度不夠高等缺點(diǎn).

針對(duì)以上問題與缺點(diǎn), 本文提出了一種基于遺傳算法(GA)優(yōu)化的卷積長(zhǎng)短記憶神經(jīng)網(wǎng)絡(luò)混合模型(GA-CNN-LSTM). 首先對(duì)數(shù)據(jù)進(jìn)行歸一化處理去除量綱, 統(tǒng)一數(shù)據(jù)范圍, 然后對(duì)歷史數(shù)據(jù)特征進(jìn)行灰色關(guān)聯(lián)度分析[8], 選取最重要幾個(gè)特征變量, 達(dá)到了降低計(jì)算復(fù)雜度和提高預(yù)測(cè)精度的目的. 該模型利用GA 算法解決了訓(xùn)練容易陷入局部最小值、收斂速度慢等問題, 同時(shí)使用輟學(xué)機(jī)制[9](Dropout)避免了模型易出現(xiàn)過擬合等缺點(diǎn), 以及CNN 和LSTM 相結(jié)合的混合神經(jīng)網(wǎng)絡(luò)模型明顯提高了預(yù)測(cè)精度, 并且在運(yùn)行時(shí)間上表現(xiàn)出良好的性能.

2 數(shù)據(jù)預(yù)處理

本研究采用DC 競(jìng)賽光伏發(fā)電輸出功率預(yù)測(cè)數(shù)據(jù)[10], 截取其中66860 組單年份數(shù)據(jù)作分析, 其中有風(fēng)速、風(fēng)向、溫度、壓強(qiáng)、濕度和實(shí)發(fā)輻照度為輸入變量特征, 輸出為實(shí)際發(fā)電功率. 我們首先對(duì)數(shù)據(jù)進(jìn)行預(yù)處理, 將所有輸入數(shù)據(jù)特征進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化, 去除量綱, 便于一致性分析, 然后采取灰色關(guān)聯(lián)度分析篩選其中與輸出實(shí)際發(fā)電功率相關(guān)程度更高的變量特征, 降低整體計(jì)算的復(fù)雜度, 同時(shí)能提高模型的精度.

2.1 歸一化

數(shù)據(jù)歸一化主要目的是將多種變量的數(shù)據(jù)統(tǒng)一縮放到一個(gè)范圍[11], 這樣的范圍通常是(–1, 1)的一個(gè)數(shù)值區(qū)間, 轉(zhuǎn)換函數(shù)為

其中max 為樣本數(shù)據(jù)的最大值, min 為樣本數(shù)據(jù)的最小值.x為當(dāng)前樣本點(diǎn)的值,x'為歸一化轉(zhuǎn)換計(jì)算所得的數(shù)值. 通過統(tǒng)一的歸一化處理有利于加快模型的收斂速度, 同時(shí)能提升其計(jì)算結(jié)果的精度.

2.2 灰色關(guān)聯(lián)度分析

通過分析兩個(gè)變化量之間的關(guān)系, 來衡量?jī)蓚€(gè)量之間的關(guān)聯(lián)程度, 以表達(dá)一個(gè)量對(duì)另外一個(gè)量的影響程度, 計(jì)算其灰色關(guān)聯(lián)度的值通常有以下五個(gè)步驟[12]:

步驟1對(duì)所有數(shù)據(jù)進(jìn)行歸一化處理;

步驟2計(jì)算每個(gè)樣本點(diǎn)的差值絕對(duì)值X;

步驟3找出樣本點(diǎn)的最大值和最小值MAX,MIN;

步驟4計(jì)算每個(gè)對(duì)應(yīng)的關(guān)聯(lián)系數(shù)Y, 公式如(2)式所示:

步驟5對(duì)每列的所有關(guān)聯(lián)系數(shù)Y做平均計(jì)算, 得出結(jié)果. 結(jié)果越接近于1, 相關(guān)聯(lián)程度越高.

通過歸一化和灰色關(guān)聯(lián)度分析后得出結(jié)果如表1 所列, 其中實(shí)發(fā)輻照度的關(guān)聯(lián)度值最高, 壓強(qiáng)的關(guān)聯(lián)度值最小. 在風(fēng)況數(shù)據(jù)特征中, 雖然風(fēng)速和風(fēng)向與功率相關(guān)程度相近, 但是風(fēng)速對(duì)光伏板的影響更為直接, 一方面, 風(fēng)速越大光伏板的表面積塵越少, 進(jìn)而使得光伏板實(shí)際接收到的輻照度越大;另一方面, 在白天工作時(shí), 風(fēng)速越大光伏板表面散熱效果越好, 光伏板表面溫度降低, 有利于光伏輸出. 實(shí)驗(yàn)數(shù)據(jù)分析選取前四個(gè)相關(guān)聯(lián)程度最高的特征變量(實(shí)發(fā)輻照度、濕度、溫度、風(fēng)速)作為下一步算法模型的輸入數(shù)據(jù)樣本變量. 這樣的篩選, 一方面減少了特征數(shù)量, 有助于降低計(jì)算成本; 另一方面, 通過選擇相關(guān)聯(lián)程度更高的特征量有利于提高模型預(yù)測(cè)精度.

表1 灰色關(guān)聯(lián)度分析值Table 1. Grey relational analysis value.

3 算法模型

本文采用遺傳算法(GA)優(yōu)化后的CNNLSTM 混合算法模型, 如圖1 所示. 模型結(jié)構(gòu)主要由卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短記憶神經(jīng)網(wǎng)絡(luò)組成, 先由卷積神經(jīng)網(wǎng)絡(luò)提取數(shù)據(jù)的空間特征[13], 再由長(zhǎng)短記憶神經(jīng)網(wǎng)絡(luò)提取時(shí)間特征. 整個(gè)模型結(jié)合了兩種神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì), 并且在訓(xùn)練LSTM 神經(jīng)網(wǎng)絡(luò)的超參數(shù)時(shí), 網(wǎng)絡(luò)的權(quán)重系數(shù)和偏置值由GA 更新計(jì)算, 替換了傳統(tǒng)的梯度下降法的訓(xùn)練方法, 使得整個(gè)訓(xùn)練學(xué)習(xí)的過程得到了優(yōu)化.

圖1 CNN-LSTM 混合算法模型Fig. 1. CNN-LSTM hybrid algorithm model.

3.1 卷積神經(jīng)網(wǎng)絡(luò)(CNN)

CNN 是一種專門用于處理具有已知網(wǎng)格狀拓?fù)浣Y(jié)構(gòu)的數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)[14]. 例如,時(shí)間序列數(shù)據(jù)可以看作是按一定時(shí)間間隔采樣的一維網(wǎng)格, 圖像數(shù)據(jù)可以看作是由像素組成的二維網(wǎng)格, 在計(jì)算時(shí), 網(wǎng)絡(luò)主要采用了一種稱為卷積的數(shù)學(xué)運(yùn)算. 卷積是一種特殊的線性運(yùn)算, 由它來代替一般矩陣計(jì)算可以達(dá)到多倍的運(yùn)算效果[15]. 隨著CNN 的發(fā)展, 出現(xiàn)了許多卷積網(wǎng)絡(luò)結(jié)構(gòu)的變體, 但它們的基本結(jié)構(gòu)大多相似, 包括輸入層、卷積層、池化層、全連接層和輸出層[16]. 由于本文實(shí)驗(yàn)數(shù)據(jù)是以時(shí)間序列為主, 所以本文采用的是一維的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu), 如圖2 所示, 這樣的選擇避免了前期輸入和后期輸出數(shù)據(jù)維度的轉(zhuǎn)換. 一維卷積核以時(shí)間步長(zhǎng)單一方向的滑動(dòng)為主, 這樣的設(shè)置更有利于對(duì)時(shí)間序列數(shù)據(jù)的卷積處理.

圖2 一維卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)[14]Fig. 2. One dimensional convolutional neural network structure.

3.2 長(zhǎng)短記憶神經(jīng)網(wǎng)絡(luò)(LSTM)

LSTM 網(wǎng)絡(luò)是一種遞歸神經(jīng)網(wǎng)絡(luò)[17](RNN).與所有的遞歸神經(jīng)網(wǎng)絡(luò)一樣, LSTM 可以計(jì)算傳統(tǒng)計(jì)算機(jī)在具有足夠網(wǎng)絡(luò)元素情況下的數(shù)據(jù), 特別對(duì)時(shí)序數(shù)據(jù)能夠體現(xiàn)更好的優(yōu)勢(shì). 它的大體結(jié)構(gòu)如圖3 所示.

圖中三個(gè)模塊框部分可以看成三個(gè)細(xì)胞結(jié)構(gòu),前后兩個(gè)細(xì)胞A代表前一個(gè)時(shí)刻和后一個(gè)時(shí)刻的細(xì)胞狀態(tài), 中間的細(xì)胞是當(dāng)前時(shí)刻的狀態(tài), 它可以分為三個(gè)門控部分, 分別表示遺忘門、輸入門、輸出門[18]. 三個(gè)門接收前一個(gè)時(shí)間狀態(tài)的LSTM 輸出值ht-1和當(dāng)前時(shí)間的輸入數(shù)據(jù)xt作為輸入[19].遺忘門部分的ft可以看成是由輸入的xt和ht–1得到, 用來控制ct–1中的信息的遺忘程度,ft中的每個(gè)值都是屬于[0, 1]的范圍, 下界值0 代表完全遺忘, 上界值1 代表完全不變, 可以保留下來[20]. 遺忘門決定了前一個(gè)時(shí)期狀態(tài)信息的遺忘程度, 之后輸入門的作用就是往當(dāng)前狀態(tài)信息中添加新的內(nèi)容[21]. 同樣, 輸入門部分由輸入的xt和ht–1得到當(dāng)前的it用以控制當(dāng)前狀態(tài)信息的更新程度. 這里當(dāng)前狀態(tài)信息cg也是通過輸入的xt和ht–1計(jì)算得出.那么當(dāng)前新的狀態(tài)信息ct就很顯然可以通過下面的公式計(jì)算得出, 通俗地說就是遺忘一些舊信息,更新一些新信息進(jìn)去[22]. 最后就是輸出門部分, 類似地, 根據(jù)xt和ht–1計(jì)算得出ot用以控制哪些信息需要作為輸出. 具體計(jì)算公式為:

圖3 LSTM 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)[17]Fig. 3. LSTM neural network structure.

其中w和b表示上述門的權(quán)矩陣和偏置向量,Ct表示存儲(chǔ)單元,s和tanh 代表s 型函數(shù)和雙曲正切激活函數(shù).

3.3 遺傳算法(GA)

遺傳算法(GA)是模擬生物進(jìn)化進(jìn)行個(gè)體的選擇、交叉和變異的一種算法, 它的主要核心是參數(shù)編碼、初始群的設(shè)定和適應(yīng)函數(shù)的確定, 然后通過最終的搜索得到最優(yōu)解[23]. 本論文采用GA 優(yōu)化LSTM 神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)權(quán)值以及偏置的確定計(jì)算, 優(yōu)化改進(jìn)模型流程如圖4 所示.

圖4 遺傳算法優(yōu)化流程Fig. 4. Optimization process of genetic algorithm.

4 誤差性能指標(biāo)

在衡量模型預(yù)測(cè)的性能時(shí), 通常選取以下四個(gè)誤差指標(biāo): 平均絕對(duì)誤差(MAE)、平均平方差(MSE)、平均平方根誤差(RMSE)和平均絕對(duì)誤差率(MAPE). MAE 是一種基礎(chǔ)性的考察誤差的指標(biāo); MSE 作為平方效果后的誤差, 側(cè)重放大偏差較大的誤差, 可評(píng)估出一個(gè)模型的穩(wěn)定性;RMSE 作為一種方均根誤差對(duì)異常點(diǎn)比較敏感[24];MAPE 不僅考慮預(yù)測(cè)值與真實(shí)值的誤差, 同時(shí)它更能顯現(xiàn)出誤差與真實(shí)值的比率[25]. 假定預(yù)測(cè)值為x={x1,x2,x3,x4,··· ,xn}, 真實(shí)值為y={y1,y2,y3,y4,··· ,yn}, 四種指標(biāo)的計(jì)算為:

5 結(jié)果與討論

為驗(yàn)證算法模型的可行性, 本文選取前期預(yù)處理好的實(shí)驗(yàn)數(shù)據(jù)集, 將80%的數(shù)據(jù)作為訓(xùn)練集, 剩余20%的數(shù)據(jù)作為測(cè)試集. 實(shí)驗(yàn)選擇在電腦上進(jìn)行, CPU 配 置 為Inter Core I7-3770k, 頻 率 為3.60 GHZ, 顯卡為MX250, 系統(tǒng)為win10, 程序代碼選擇python3.6 版本, 編輯器是pycharm.

實(shí)驗(yàn)對(duì)本文提出的GA-CNN-LSTM 算法模型進(jìn)行測(cè)試, 同時(shí)與CNN, LSTM 兩個(gè)單一神經(jīng)網(wǎng)絡(luò)模型和未經(jīng)優(yōu)化的CNN-LSTM 混合神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果進(jìn)行比較. 本實(shí)驗(yàn)不僅考量模型的預(yù)測(cè)誤差性能指標(biāo), 還考量整個(gè)模型的訓(xùn)練和測(cè)試運(yùn)行時(shí)間.

5.1 多種模型實(shí)驗(yàn)誤差性能對(duì)比結(jié)果

實(shí)驗(yàn)對(duì)LSTM, CNN 兩個(gè)單神經(jīng)網(wǎng)絡(luò)模型和CNN-LSTM 混合神經(jīng)網(wǎng)絡(luò)算法模型, 以及一種經(jīng)過GA 優(yōu)化過的CNN-LSTM 混合神經(jīng)網(wǎng)絡(luò)算法模型進(jìn)行性能測(cè)試. 實(shí)驗(yàn)測(cè)試結(jié)果如圖5—圖8 所示, 分別為四種模型截取一周預(yù)測(cè)數(shù)據(jù)的時(shí)間與發(fā)電功率的關(guān)系圖, 選取每15 min 為一個(gè)間隔的發(fā)電輸出功率值, 其中紅線代表實(shí)際發(fā)電輸出功率,綠線代表預(yù)測(cè)發(fā)電輸出功率. 單方面從圖的預(yù)測(cè)線和實(shí)際線重合程度來看, 經(jīng)GA 優(yōu)化的CNNLSTM 混合神經(jīng)網(wǎng)絡(luò)模型明顯優(yōu)于其他三種模型,特別是在夜晚時(shí)間呈現(xiàn)的擬合情況, 預(yù)測(cè)值更貼近于實(shí)際值.

圖5 CNN 模型預(yù)測(cè)功率圖Fig. 5. Power diagram of CNN model prediction.

圖6 LSTM 模型預(yù)測(cè)功率圖Fig. 6. Power diagram of LSTM model prediction.

圖7 CNN-LSTM 模型預(yù)測(cè)功率圖Fig. 7. Power diagram of CNN-LSTM model prediction.

圖8 GA-CNN-LSTM 模型預(yù)測(cè)功率圖Fig. 8. Power diagram of GA-CNN-LSTM model prediction.

進(jìn)一步通過具體的預(yù)測(cè)誤差指標(biāo)分析, 如表2所列, 在MAE 和MAPE 指標(biāo)下, LSTM 預(yù)測(cè)值呈現(xiàn)性能最差, CNN 模型次之, GA-CNN-LSTM 預(yù)測(cè)最好. 特別是在MAPE 指標(biāo)下, GA-CNNLSTM 比單一神經(jīng)網(wǎng)絡(luò)模型最好的結(jié)果減少了1.537%的誤差, 比未經(jīng)優(yōu)化的CNN-LSTM 混合神經(jīng)網(wǎng)絡(luò)算法模型減少了0.873%的誤差. 在MSE 和RMSE 指標(biāo)下, CNN 模型預(yù)測(cè)值呈現(xiàn)性能最差, LSTM 模型次之, GA-CNN-LSTM 預(yù)測(cè)效果依然是最好的. 尤其是在RMSE 指標(biāo)下, GACNN-LSTM 比CNN-LSTM 減少了8.108%的誤差, 體現(xiàn)了GA 訓(xùn)練超參數(shù)的優(yōu)勢(shì), 不僅避免了模型訓(xùn)練過擬合, 同時(shí)防止了梯度消失和爆炸的情況發(fā)生, 提高模型結(jié)果預(yù)測(cè)精度. 綜合圖像和圖表結(jié)果, 本文提出的GA-CNN-LSTM 模型在各種誤差指標(biāo)下都呈現(xiàn)最優(yōu)效果, 而且相對(duì)于單一神經(jīng)網(wǎng)絡(luò)模型, 混合的神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)性能更好, 充分表現(xiàn)了CNN-LSTM 混合模型既保留了CNN 在空間特征提取的優(yōu)勢(shì)也發(fā)揮了LSTM 在時(shí)間特征提取的優(yōu)勢(shì).

表2 模型預(yù)測(cè)誤差指標(biāo)Table 2. Error index of model prediction.

5.2 多種算法模型運(yùn)行時(shí)間對(duì)比結(jié)果

從運(yùn)行時(shí)間方面來看, 具體訓(xùn)練與測(cè)試時(shí)間值如表3 所列. 首先在訓(xùn)練時(shí), CNN 和LSTM 兩個(gè)單神經(jīng)網(wǎng)絡(luò)模型所耗時(shí)間分別是456.434 和51.576 s, 而混合神經(jīng)網(wǎng)絡(luò)模型CNN-LSTM 和GA-CNN-LSTM 所耗時(shí)間分別為 611.88 和503.74 s. 其次在測(cè)試時(shí), CNN, LSTM, CNNLSTM 和GA-CNN-LSTM 四個(gè)模型所耗時(shí)間分別是1.13, 1.22, 3.69 和2.77 s. 單一神經(jīng)網(wǎng)絡(luò)模型消耗訓(xùn)練時(shí)間和測(cè)試時(shí)間都相對(duì)較少, 但是綜合誤差性能, 混合神經(jīng)網(wǎng)絡(luò)模型更具性價(jià)比, 尤其是經(jīng)過GA 優(yōu)化后的混合算法模型更具優(yōu)勢(shì).

表3 模型運(yùn)行時(shí)間Table 3. Model running time.

6 結(jié) 論

為了保證光伏發(fā)電與電網(wǎng)電力供需平衡, 進(jìn)一步提高光伏發(fā)電預(yù)測(cè)的準(zhǔn)確率, 本文提出了基于遺傳算法(GA)優(yōu)化CNN-LSTM 混合神經(jīng)網(wǎng)絡(luò)的模型, 通過數(shù)據(jù)處理和算法模型實(shí)驗(yàn)分析表明:

1)采用歸一化處理和灰色關(guān)聯(lián)度分析, 降低了數(shù)據(jù)的維度, 減少了計(jì)算成本, 同時(shí)通過保留相關(guān)性較高的數(shù)據(jù)特征有助于為后期提高模型精度作準(zhǔn)備;

2)通過將CNN 和LSTM 混合, 等同于將兩種神經(jīng)網(wǎng)絡(luò)在空間特征與時(shí)間特征提取的優(yōu)勢(shì)相結(jié)合. 在MAPE 誤差指標(biāo)下, CNN-LSTM 混合模型比單一神經(jīng)網(wǎng)絡(luò)模型最好的結(jié)果減少了0.574%誤差, 能夠進(jìn)一步提高模型精度;

3)經(jīng)GA 優(yōu)化LSTM 訓(xùn)練后所得的GACNN-LSTM 混合神經(jīng)網(wǎng)絡(luò)模型, 改進(jìn)了傳統(tǒng)梯度下降法的訓(xùn)練缺點(diǎn). 在MAPE 誤差指標(biāo)下, 比未經(jīng)優(yōu)化的CNN-LSTM 混合神經(jīng)網(wǎng)絡(luò)算法模型減少了0.873%的誤差, 表現(xiàn)出更高的預(yù)測(cè)精度;

4)從訓(xùn)練與測(cè)試運(yùn)行時(shí)間來看, GA-CNNLSTM 模型所花費(fèi)時(shí)間略高于單個(gè)神經(jīng)網(wǎng)絡(luò)模型,但劣勢(shì)不是太明顯.

綜合預(yù)測(cè)性能和運(yùn)行時(shí)間比較結(jié)果, GACNN-LSTM 模型在光伏預(yù)測(cè)系統(tǒng)以及整個(gè)光伏發(fā)電站運(yùn)維工作中, 具有一定的應(yīng)用價(jià)值.