基于LSTM的超短期光伏發(fā)電功率預(yù)測(cè)

管軍霖，智 鑫

（桂林電子科技大學(xué)，廣西 桂林 541004）

0 引 言

隨著社會(huì)經(jīng)濟(jì)的不斷發(fā)展，人們對(duì)能源的需求也在增長(zhǎng)。然而現(xiàn)有的化石燃料不再能夠滿足人類社會(huì)的可持續(xù)發(fā)展要求。人們需要發(fā)現(xiàn)和使用更多的可再生能源。太陽(yáng)能作為一種清潔友好的可再生能源，已經(jīng)引起人們?cè)絹?lái)越多的關(guān)注。在過去幾十年中，太陽(yáng)能的利用迅速發(fā)展，在電網(wǎng)中所占的比重越來(lái)越大，世界上光伏發(fā)電站的總裝機(jī)容量正以迅猛得速度增長(zhǎng)。

光伏發(fā)電站的裝機(jī)容量逐漸增加，但是光能的利用卻不一定與之匹配。由于光伏發(fā)電的間歇性和不確定性，很難準(zhǔn)確地預(yù)測(cè)某一時(shí)刻的發(fā)電量。如果對(duì)此不加以限制將導(dǎo)致發(fā)電與功耗之間的不平衡，從而損壞電網(wǎng)。為了減少這種危險(xiǎn)情況的發(fā)生，保持發(fā)電的穩(wěn)定性，許多發(fā)電場(chǎng)采用限制發(fā)電量的方法避免此種危險(xiǎn)，這導(dǎo)致大量太陽(yáng)能資源的浪費(fèi)。實(shí)際上，人們需要在保持電網(wǎng)安全的同時(shí)，盡可能合理地利用光能。如果可以更準(zhǔn)確地預(yù)測(cè)光伏發(fā)電功率，那么調(diào)度部門就可以進(jìn)行合理地調(diào)度，這樣既保證電網(wǎng)的安全，又同時(shí)提高了光能的利用率。

1 影響光伏發(fā)電功率的因素分析

在當(dāng)前的光伏發(fā)電條件下，氣象、地域等因素都會(huì)影響光伏發(fā)電的功率。此外，還可以根據(jù)光伏面板的物理參數(shù)、面積、溫度、光照幅度及轉(zhuǎn)化效率等數(shù)據(jù)建立簡(jiǎn)單公式模型。這種建模方式比較容易但精度一般，因?yàn)闊o(wú)法在預(yù)測(cè)過程中考慮到所有的物理影響因素，模型原理本身就存在誤差。僅僅根據(jù)經(jīng)驗(yàn)公式模型得出的預(yù)測(cè)結(jié)果是不滿足電廠調(diào)度的需求的，因此需要考慮更多影響光伏發(fā)電功率的因素，建立更加復(fù)雜的模型來(lái)獲得更高精度的預(yù)測(cè)。

2 預(yù)測(cè)算法簡(jiǎn)介

光伏發(fā)電功率預(yù)測(cè)算法是以測(cè)量或預(yù)測(cè)得到的天氣預(yù)報(bào)為基礎(chǔ)，結(jié)合光伏電站所處地理位置的地域特點(diǎn)建立預(yù)測(cè)模型，實(shí)現(xiàn)對(duì)未來(lái)光伏發(fā)電站輸出功率的預(yù)測(cè)。根據(jù)預(yù)測(cè)時(shí)間的長(zhǎng)短，光伏發(fā)電功率預(yù)測(cè)分為超短期功率預(yù)測(cè)、短期功率預(yù)測(cè)及中長(zhǎng)期功率預(yù)測(cè)，其中超短期功率預(yù)測(cè)的預(yù)測(cè)時(shí)間一般為15 min～4 h。

當(dāng)前，光伏功率預(yù)測(cè)領(lǐng)域常用的方法包括物理方法、統(tǒng)計(jì)方法及機(jī)器學(xué)習(xí)方法。物理模型需要高度準(zhǔn)確的天氣預(yù)報(bào)數(shù)據(jù)，但是光能非常不穩(wěn)定，并且在短時(shí)間內(nèi)表現(xiàn)出很強(qiáng)的隨機(jī)性，所以物理方法一般較少使用。統(tǒng)計(jì)方法是通過找出歷史數(shù)據(jù)的內(nèi)在規(guī)律建立歷史數(shù)據(jù)與輸出功率的函數(shù)映射關(guān)系，進(jìn)一步預(yù)測(cè)光伏發(fā)電功率的一種方法。此方法需要大量歷史的光伏電站數(shù)據(jù)作為建?；A(chǔ)，所以不適用新建的光伏電站?；跈C(jī)器學(xué)習(xí)的方法主要是建立數(shù)據(jù)的非線性關(guān)系，使用SVM等模型[7-8]建立非線性映射，較傳統(tǒng)方法具有準(zhǔn)確率高的優(yōu)點(diǎn)。

在過去的幾年中，研究人員已經(jīng)在機(jī)器學(xué)習(xí)的基礎(chǔ)上開發(fā)出了強(qiáng)大的深度神經(jīng)網(wǎng)絡(luò)（DNN）。DNN在時(shí)間序列預(yù)測(cè)等領(lǐng)域取得了巨大的成功[4-6]，在學(xué)習(xí)數(shù)據(jù)的特征表示方面能夠減少手動(dòng)設(shè)計(jì)特征的數(shù)量。遞歸神經(jīng)網(wǎng)絡(luò)（RNN）是DNN的一種，RNN具有隱藏層狀態(tài)，并將歷史數(shù)據(jù)與當(dāng)前數(shù)據(jù)融合在一起，這種設(shè)計(jì)在預(yù)測(cè)時(shí)間序列的問題上有很大的優(yōu)勢(shì)。但是，RNN對(duì)時(shí)間跨度小的數(shù)據(jù)具有很好的預(yù)測(cè)效果，如果時(shí)間跨度較大，則會(huì)出現(xiàn)梯度減小問題。為了解決這個(gè)問題，本文利用深度學(xué)習(xí)領(lǐng)域的LSTM模型來(lái)預(yù)測(cè)光伏發(fā)電功率，并且使用自編碼器以達(dá)到減少特征數(shù)量，提高模型的泛化能力并縮短訓(xùn)練時(shí)間的效果。

3 LSTM簡(jiǎn)介

長(zhǎng)短期記憶網(wǎng)絡(luò)（Long Short Term Memory Networks，LTSM），是一種時(shí)間循環(huán)神經(jīng)網(wǎng)絡(luò)，適用于處理和預(yù)測(cè)時(shí)間序列中間隔和延遲較長(zhǎng)的重要事件，其結(jié)構(gòu)如圖1所示。在深度學(xué)習(xí)領(lǐng)域中，以CNN為代表的傳統(tǒng)前饋神經(jīng)網(wǎng)絡(luò)在解決分類任務(wù)方面表現(xiàn)優(yōu)異，但無(wú)法處理信息之間復(fù)雜的時(shí)間相關(guān)性。由于LSTM的神經(jīng)網(wǎng)絡(luò)中包含時(shí)間記憶單元，因此在時(shí)間序列預(yù)測(cè)中有應(yīng)用較多。

4 LSTM在超短期光伏發(fā)電功率預(yù)測(cè)中的應(yīng)用

基于LSTM預(yù)測(cè)光伏發(fā)電功率是一個(gè)熱門的研究，已有大量研究證明LSTM在時(shí)間序列預(yù)測(cè)方面可以取得較好的結(jié)果，現(xiàn)有文獻(xiàn)對(duì)我們采用LSTM進(jìn)行超短期功率預(yù)測(cè)有啟發(fā)作用，但更多研究是利用歷史發(fā)電數(shù)據(jù)進(jìn)行預(yù)測(cè)，本文將結(jié)合超短期光伏功率預(yù)測(cè)的特點(diǎn)，兼顧天氣數(shù)據(jù)與光伏板物理性質(zhì)，提升LSTM網(wǎng)絡(luò)在本問題中的預(yù)測(cè)效果。

4.1 特征選擇

將LSTM方法應(yīng)用于任何數(shù)據(jù)集以預(yù)測(cè)未知輸出值的過程包括三個(gè)一般階段：數(shù)據(jù)預(yù)處理以提取特征；訓(xùn)練預(yù)測(cè)模型的同時(shí)觀察訓(xùn)練數(shù)據(jù)集的驗(yàn)證準(zhǔn)確性；對(duì)測(cè)試數(shù)據(jù)集的預(yù)訓(xùn)練模型進(jìn)行評(píng)估。其中，先要對(duì)采集到的數(shù)據(jù)進(jìn)行預(yù)處理，使其格式合適，不存在數(shù)據(jù)丟失、異常值和數(shù)據(jù)值錯(cuò)誤等異常情況，并提取相關(guān)特征。

本模型使用了采集到的板溫、現(xiàn)場(chǎng)溫度、光照強(qiáng)度、轉(zhuǎn)換效率、轉(zhuǎn)換效率、電壓、電流、功率、平均功率、風(fēng)速及風(fēng)向等參數(shù)進(jìn)行訓(xùn)練和測(cè)試。相比于傳統(tǒng)的預(yù)測(cè)流程，引入了光伏發(fā)電板本身的物理狀態(tài)用于對(duì)超短期功率的預(yù)測(cè)。由于特征的加強(qiáng)，超短期功率預(yù)測(cè)的精度也會(huì)相應(yīng)增加[1-3]。

4.2 自編碼器

自編碼器是一種全連接的神經(jīng)網(wǎng)絡(luò)，用于學(xué)習(xí)對(duì)輸入矩陣具有最小重構(gòu)誤差的低維隱藏變量。如圖2所示，自編碼器包含兩個(gè)部分：編碼器和解碼器，編碼器實(shí)現(xiàn)將數(shù)據(jù)從高維映射到低維，解碼器實(shí)現(xiàn)將數(shù)據(jù)從低維還原。編碼器可以看作是一個(gè)前饋?zhàn)缘紫蛏系牟襟E，而解碼器可以看作是一個(gè)反饋?zhàn)皂斚蛳碌纳刹襟E。通過自編碼器的學(xué)習(xí)，將高維度的輸入矩陣轉(zhuǎn)換為低維度的表示，同時(shí)保證重構(gòu)誤差最小。利用編碼器部分的輸出作為后續(xù)模型的輸入數(shù)據(jù)，可以預(yù)先挖掘出輸入數(shù)據(jù)之間的內(nèi)在關(guān)系，減小特征的維度，有利于后續(xù)LSTM模型對(duì)特征的提取。

圖1 LSTM結(jié)構(gòu)

圖2 自編碼器結(jié)構(gòu)

4.3 實(shí)驗(yàn)結(jié)果

本次實(shí)驗(yàn)使用的數(shù)據(jù)共包含8 410條光伏發(fā)電歷史數(shù)據(jù)，表1列出了其中一條數(shù)據(jù)的內(nèi)容，每條數(shù)據(jù)包含11個(gè)代表光伏發(fā)電站狀態(tài)的不同特征的特征值。

表1 實(shí)驗(yàn)使用的特征

仿真實(shí)驗(yàn)中首先將包括發(fā)電板的物理狀態(tài)與天氣數(shù)據(jù)在內(nèi)的所有特征通過自編碼器進(jìn)行無(wú)監(jiān)督的學(xué)習(xí)，再將自編碼器的隱藏層輸出作為L(zhǎng)STM網(wǎng)絡(luò)的輸入，最后利用LSTM網(wǎng)絡(luò)每隔15 min預(yù)測(cè)一次超短期功率。本次實(shí)驗(yàn)在現(xiàn)有研究的基礎(chǔ)上，增加了光伏板本身物理狀態(tài)用于功率預(yù)測(cè)。圖3顯示了預(yù)測(cè)功率與實(shí)際功率的比較，二者曲線基本一致，可見合理利用光伏板物理狀態(tài)對(duì)于超短期功率預(yù)測(cè)有很大幫助。

5 結(jié) 論

圖3 超短期功率預(yù)測(cè)

本文相較于傳統(tǒng)的超短期光伏功率預(yù)測(cè)方法，引入了光伏板本身物理參數(shù)如電壓、電阻及電流等作為新特征用于LSTM網(wǎng)絡(luò)的輸入。仿真結(jié)果表示本改進(jìn)的LSTM網(wǎng)絡(luò)在超短期光伏功率預(yù)測(cè)中表現(xiàn)優(yōu)秀，可以為光伏電站的能源調(diào)度提供幫助，有助于提高整體光伏產(chǎn)量。此外，還有一些影響光伏發(fā)電功率的因素本文還沒有加入模型用于功率預(yù)測(cè)，如光伏板灰塵積累等。后續(xù)研究將針對(duì)此類因素，探究其對(duì)光伏發(fā)電效率的影響，進(jìn)一步提高超短期光伏功率預(yù)測(cè)的準(zhǔn)確率。