基于對稱CNN-LSTM網絡的太陽輻照度超短期預測研究

王建銘，侯北平，邊 琛

目前隨著全球的快速發展，地球上大量不可再生能源被快速消耗，石油等化石燃料消耗的同時，還有伴隨產生嚴重的大氣污染和工業垃圾。為符合可持續發展、健康綠色發展的目標，各種各樣新型清潔能源已經受到各國越來越廣泛的關注。太陽能作為一種取之不盡用之不竭的清潔能源[1]，已經在許多國家被廣泛開發使用。伏發電并被大規模接入國家電網。截至2019年底，亞洲地區光伏裝機容量為330 131MW，占全球光伏裝機容量56.9%；其次為歐洲地區，光伏裝機容量為138 266MW，占全球光伏裝機容量的23.8%。據國際能源署預測，到2050年太陽能發電將占全球發電總量的20%～25%，將成為人類的基礎能源之一。但光伏發電的出力功率主要受太陽輻射影響，太陽輻射由于受到天空中云與太陽之間的距離、氣溶膠、風速、風向等氣象要素隨機性變化影響，具有明顯的波動性和不確定性[2]。光伏發電系統相對于地區電網將是一個不可控源，其發電的波動性和隨機性會對地區電網造成巨大沖擊，導致輸出功率的不連續和不確定，從而影響電網穩定、降低電力質量。有些地方為了防止電網波動，就主動舍棄部分太陽能，棄光現象普遍存在。因此光伏功率預測變得尤為重要[3]。在并網過程中，光伏功率預測越準，給電網安全運行帶來的影響就越小，有效地幫助電網調度部門做好各類電源的調度計劃。這樣電網就會減少光伏限電，由此大大提高了電網消納陽光的能力，從而減少了由于限電給光伏業主帶來的經濟損失，增加了光伏電站的投資回報率，幫助光伏電站生產人員合理安排光伏電站的運行方式。

1 太陽光照度特點

由于光照度與輻照度高度相關，幾乎呈線性關系，限于數據原因，本文使用光照度代替作為實驗數據。隨著地球對太陽的公轉和地球自轉，地面光照度會產生周期性變化。太陽光照度在通過地球大氣的過程當中會因為通過云層、氣溶膠、霧霾等物質而受到削減。排除云層等干擾，一天中地球上同一地點受到的太陽光照度呈先增后減規律性變化。由于早上和傍晚太陽斜射入大氣層，經過的大氣層路徑更長，故早上和傍晚光照度值將高于正午時刻。除規律性外，云層遮擋太陽時會引起光照度的劇烈下降。由于受到高空風速和風向影響，云層的運動方向和運動速度也具有不規則性。

2 網絡結構設計

通過上述分析可以發現太陽光照度受到各種天氣因素的影響。在機器學習領域有許多時序預測網絡。LSTM網絡作為一種優秀的時序預測網絡，可以利用歷史光照度數據來預測，其缺點是模型的可解釋性較差，而一維卷積神經網絡可以高效提取歷史數據中的特征。故將兩種網絡進行有機融合，來進一步提高預測效果。在正式介紹本文模型前，先簡要介紹下LSTM網絡與CNN網絡。

2.1 LSTM與CNN原理

LSTM(Long Short Term Memory)[4]神經網絡是一種RNN神經網絡的變體，其增加了一種攜帶信息跨越多個時間步的方法。在光照度預測中，當T-n時刻的光照度數據進入LSTM網絡時，其信息可被傳送到更晚的時間步，網絡保存了信息以供后面使用，從而防止較早期的信號在處理過程中丟失。

CNN(Convolutional Neural Networks)[5]卷積神經網絡可以識別光照度序列中的局部模式。其原理是通過設置卷積核對輸入數據局部區域進行卷積計算，從中提取特征信息，并能夠將表示模塊化，同時可以高效的利用數據。一維卷積神經網絡通過對過去某個時間段光照度序列段進行相應的卷積操作，在這個時間段學到的模式可以在后續時間段的位置被識別，其網絡在時間序列上具有平移不變性。

2.2 模型構建

本文設計網絡模型示意圖如圖1所示。

圖1 基于CNN-LSTM模型預測過程示意圖

模型以歷史光照度和云層太陽間距離作為模型輸入。首先介紹兩個輸入的參數。本文采用光照度傳感器作為光照度采集設備，傳感器測量范圍為0～2×105 Lux。由于前文提到云層的運動會極大影響光照度值，故本模型引入云層與太陽間的距離作為模型輸入，通過手動標注來測量全景天空圖像上太陽中心與靠近太陽運動方向云層的邊緣距離。將光照度數據和距離數據通過一維卷積神經網絡提取后，將提取到的特征進行融合，放入LSTM網絡，并進行回歸得到最終預測數值。

3 實驗分析

由于過深的網絡會導致過擬合以及梯度消失等情況，且限于實驗數據樣本數量，本文使用較為淺層的網絡進行測試。首先將數據進行歸一化，然后在卷積層設置了10個大小為5的卷積窗口，通過全連接層，將光照度與距離兩種特征融合后放入LSTM網絡，LSTM網絡中設置50個單元。將得到的輸出數據展平后經過兩層全連接網絡，得到最后的回歸結果。模型參數如圖2所示。

圖2 CNN-LSTM模型網絡結構

模型損失函數采用均方誤差，在網絡參數更新上，采用了自適應學習率Adam算法來替代傳統隨機梯度下降算法，其能夠基于訓練數據迭代更新網絡權重。在雙輸入雙輸出模型中，通過測試發現，當調整預測光照度預測距離損失函數值比重為2：1時，整體誤差達到最小。為了說明本模型結構設置的合理性，在實驗過程中設置3組對比網絡，分別為：1）：一維卷積網絡部分用全連接網絡替代。2）：時序預測網絡部分用全連接網絡替代。3）：一維卷積網絡與時序預測網絡部分都使用全連接網絡替代，以下表格用中各網絡名稱用CNN、LSTM、FC代替。本實驗采用平臺為Win10操作系統，CPU為i5-8300H，GPU為1050Ti，使用Python語言進行實驗。實驗數據分為訓練集，驗證集與測試集三個部分，其中包括訓練集數據共2 675個，驗證集共425個，測試集共172個，數據來源取自杭州地區中午時刻太陽光照度數據。在時間細粒度上，模型通過歷史5個數據來滾動預測未來1分鐘數據。實驗預測結果如圖3～6所示。

圖3 光照度預測曲線

圖4 距離預測曲線

圖5 光照度預測誤差分布

圖6 距離預測誤差分布

本次實驗誤差結果如表格1所示。通過觀察表格中的數據結合預測曲線、誤差曲線可以發現，CNN網絡與LSTM網絡對光照度序列特征提取能力明顯高于FC網絡，實驗結果證明一維卷積神經網絡在處理時間模式時表現也很好，甚至可以在某些任務下與時序網絡媲美。通過觀察發現，CNN+LSTM模型預測結果的誤差更小，無論在光照度預測還是云層與太陽距離預測上來看，預測誤差函數指標RMSE與MAE均低于其他對比模型，具有良好的預測性能。

表1 實驗結果評估

4 總結

CNN網絡與LSTM模型已經在很多領域獲得良好的預測效果，本文將CNN模型與LSTM模型進行有機融合，以RMSE和MAE作為誤差參考標準，同時設置不同對比模型進行數據預測效果比較，通過比較可以發現相對于對比模型，本文提出模型的預測精度相對更高。通過觀察可以發現在光照度與距離變化的突變值區域，模型并不能非常完美的預測，其原因在于雖然提供了歷史時刻的光照度與云層距離太陽之間的距離，但依舊存在云層的運動方向變化、云層的厚度不一等多種不同因素下的干擾，這對于預測產生了較大的影響，針對云層方面還需要通過有機結合云圖以及其他氣象數據和大氣物理模型進行深入分析，從而進一步提高預測精度。