基于BLSTM-隨機森林的短期光伏發電輸出功率預測

劉志超，袁三男，唐萬成

(1.上海電力大學電子與信息工程學院，上海 200120；2.寧夏廣播電視監測中心，寧夏銀川 750003)

隨著化石燃料的過度使用，化石能源的短缺以及環境污染問題愈發嚴重，大力開發推廣清潔的可再生能源是實現可持續發展的重要方式[1]。光伏發電在我國一系列政策扶持下穩步發展，其裝機容量不斷上升，截至2018 年底，我國的光伏裝機容量達到了1.74 億千瓦，比上一年同比增長34%。精確的光伏發電輸出功率預測可以有效減少不穩定的光伏發電并網對電網電壓造成的波動，是保障電網經濟平穩運行的重要措施[2]。

目前光伏輸出功率預測方法主要包括時間序列法，隨機森林模型，支持向量機模型以及神經網絡模型等[3-5]。文獻[6]針對不同氣象條件分別構建基于差分整合移動平均自回歸模型(ARIMA)時序序列的分布式光伏發電功率預測模型，取得較好的預測效果，但缺點是氣象條件分類不明確以及對各氣象因素缺乏相關性分析。文獻[7]利用遺傳算法優化神經網絡參數并使用平滑控制策略減少預測的光伏功率波動，提高預測的穩定性。文獻[8]利用深度學習算法中的深度置信網絡以及長短期記憶網絡構建組合預測模型，比經典的預測模型精度有了較大的提升，然而搭建的神經層過多導致訓練難度提高，容易使預測模型陷入過擬合。因此有必要對光伏輸出功率預測模型進行神經網絡和其他模型的組合研究。

在此基礎上，本文采用軟閾值的小波降噪算法平滑曲線，降低噪聲數據在訓練模型時對模型預測精度的影響。使用灰色關聯分析討論各氣象因素與輸出功率的相關性，并設置閾值篩選出強相關氣象因素。考慮到輸出功率為非穩定時序序列，搭建雙向長短期記憶網絡(BLSTM)-隨機森林的組合模型，將處理好的氣象因素及歷史功率構建訓練集訓練組合模型，最后輸入待預測日的相關數據，得到當日的光伏發電功率預測值。

1 小波降噪

光伏發電的輸出功率曲線在時域范圍呈現不穩定性和波動性，外界的干擾極易造成輸出功率的突變。以江蘇省高郵振興光伏發電站的實際數據為研究對象，該電站某3 日(共計146 個采樣點)的輸出功率曲線如圖1 所示。發電站的輸出功率具有間歇性，結合實際電站的地理位置設置觀測的時間段為6：00 至17：45。由圖1 可知光伏功率存在周期性，每日的輸出功率變化趨勢都是先升高再降低，并在中午前后達到當天輸出功率的峰值。另外光伏輸出功率曲線具有明顯的波動性，功率的變化并不是平滑穩定的，信號存在噪聲干擾，不利于預測模型對于輸出功率曲線的擬合。為了消除輸出功率中的噪聲和干擾成分，本文采用小波降噪處理歷史輸出功率。

圖1 光伏發電站3日的輸出功率曲線

小波降噪是利用小波分解算法將帶有噪聲的信號分解為低頻和高頻的分量，通過閾值函數處理小波系數，再將小波系數重構為去噪后的信號。常見的小波閾值函數有軟閾值和硬閾值，其中軟閾值函數可以在保留大部分的有效信息的前提下，使數據曲線相對平滑，有效地消除噪聲和信號突變。軟閾值函數的公式如式(1)所示。

利用小波降噪處理輸出功率的步驟為：(1)輸入含噪聲的輸出功率數據，選取小波基和分解層數，將功率數據分解為高頻和低頻的小波系數，考慮到光伏數據的特性和維度，本文選取平滑性高的db4 小波基進行2 層的小波分解；(2)選取合適的閾值和閾值函數處理小波系數，消除高頻的噪聲信息；(3)利用閾值處理后的小波系數重構輸出功率曲線，達到數據平滑的目的。

2 灰色關聯分析

考慮到光伏輸出功率變化受多種復雜因素同時影響，本文首次提出使用灰色關聯分析對各影響因素與功率的相關性進行分析研究，篩選強相關特征構建訓練集。灰色關聯分析具體步驟包括四步。

(1)分別使用m點的輸出功率和n個影響因素的數據構建參考數列和比較數列：

式中：a0m為第m點的輸出功率；aim為第m點的第i個影響因素，i=1,2,…,n。

(2)由于影響因素與輸出功率之間的量綱不同，利用式(3)進行去量綱處理。

式中：A0(j)為第j點的功率；Ai(j)為第j點的第i個影響因素的數據；ρ 為分辨系數，取值范圍一般在[0,1]，本文中ρ 取0.5。

(4)計算第i個影響因素的灰色關聯度：

3 BLSTM-隨機森林的短期光伏功率預測模型

BLSTM 模型作為深度學習模型具有很強的非線性曲線擬合能力，且獨有的結構使得模型處理時序序列數據能力大幅提升，但該模型的訓練成本較高，且容易陷入過擬合。隨機森林模型利用多個分類回歸樹(CART)對結果進行投票輸出，具有收斂快、調參少、不易陷入過擬合等優勢，然而在處理時序序列時無法充分學習訓練數據與預測值的復雜關系。本文搭建BLSTM 與隨機森林構建組合模型，有效地利用了BLSTM 對于時序序列的雙向處理能力以及隨機森林的高精度預測能力，提高短期光伏輸出功率的預測精度。

圖2 基于BLSTM-隨機森林的短期光伏功率預測流程

BLSTM-隨機森林短期光伏功率預測模型流程圖如圖2所示。首先對歷史光伏發電功率進行小波降噪，選取db4 小波作為小波基，將輸出功率分解為高頻和低頻的小波系數，采用固定閾值和軟閾值函數的方式處理小波系數，剔除高頻部分的噪聲信號，再將小波系數重構為平滑的功率曲線。利用灰色關聯分析求得影響因素與輸出功率之間的灰色關聯度，設立閾值篩選強相關特性。小波降噪后的歷史輸出功率與灰色關聯分析處理的影響因素構建訓練集。再對訓練數據進行預處理操作，連續型變量歸一化處理。

建立BLSTM-隨機森林模型，考慮到過多的深度學習網絡層會導致訓練時間長，模型難以收斂，搭建淺層的BLSTM神經層，該層由前向LSTM 層、后向LSTM 層以及兩層全連接層組成。上述的模型收斂后將經過BLSTM 層處理生成的序列以及全連接層處理得到的結果作為訓練數據輸入隨機森林模型進行最終的輸出功率預測。

4 算例分析

算例數據來自江蘇省高郵振興光伏發電站2017 年真實輸出功率數據，時間為5 月1 日至6 月30 日，每日的數據采樣時間為6：00 至17：45，間隔為15 min，共計48 個采樣點。用上述時間的歷史功率及影響因素構建訓練數據，預測7 月1日至7 月3 日光伏輸出功率。

4.1 實驗評判標準

使用平均絕對百分比誤差(MAPE)以及均方根誤差(RMSE)作為評判模型光伏功率預測精度的標準。MAPE與RMSE的公式如下：

式中：yireal為第i個采樣點輸出功率的真實值；yipre為第i個采樣點輸出功率的預測值；n為采樣點個數，本文為48。

4.2 訓練數據預處理

首先使用小波降噪處理歷史輸出功率數據，消除數據中的高頻噪聲。發電站某日(48 個采樣點)小波降噪前后的輸出功率曲線對比如圖3 所示，降噪前曲線波動較大且存在多處突變的尖峰點，經過小波降噪處理后，功率曲線既保留了有效信息，又去除了噪聲點，使得曲線更加平滑。

圖3 小波降噪效果對比圖

因光伏發電受多種氣象因素影響，本文采用灰色關聯度篩選強相關因素。選取2 個月的光照輻射、組件溫度、環境溫度、海拔、濕度作為候選氣象因素，并選取不同跨度的歷史輸出功率計算訓練樣本的灰色關聯度結果如表1 所示。由表1 可知，光照輻射與環境溫度的相關度較高；組件溫度隨環境溫度的變化有一定的延遲導致其相關度較低；海拔和相對濕度受當地地理環境影響變化相對穩定，故兩者相關性最低。此外歷史輸出功率的相關性隨著時間間隔的增加而不斷減小。灰色相關度高于0.5 的影響因素為強相關影響因素，選取光照幅射，環境溫度以及預測點前3 小時內的歷史數據作為模型的輸入。

表1 各影響因素的灰色關聯度

在數據輸入模型訓練之前需要對數據進行歸一化，加快模型訓練速度，如式(8)所示。

式中：P、P'分別為歸一化前與歸一化后的數據；Pmax、Pmin分別為當前數列中的最大值與最小值。

4.3 模型的參數選擇及實驗結果

經過預處理后的訓練數據以9∶1 的比例劃分訓練集和測試集。BLSTM 模型學習率取0.000 1，損失函數選用均方誤差(MSE)，訓練中的梯度下降算法使用Adam 算法，提高誤差函數梯度的收斂速度。BLSTM 層的神經元個數是影響模型的重要參數，適當增加神經元個數可以有效提升模型的非線性擬合能力，但過多的神經元不僅會影響訓練模型速度，還容易陷入過擬合，降低預測精度。對BLSTM 層的神經個數進行對照實驗，結果如表2 所示，BLSTM 層的神經元個數為128 時，模型的準確率最高。隨機森林模型使用網格搜索確定樹的個數為150。

表2 BLSTM 層神經元個數對預測精度的影響

為了驗證本文所提方法的有效性，設置了以下兩種方案進行對比。選取了BLSTM、隨機森林兩組單一模型進行輸出功率預測，并與BLSTM-隨機森林模型比較。BLSTM 模型包含兩層神經元為128 的LSTM 層，隨機森林模型樹的個數為150。預測出的7 月1 日-7 月3 日(共計146 個采樣點)的輸出功率曲線與實際輸出功率曲線如圖4 所示，BLSTM 模型的預測值與真實值存在一定的延時，隨機森林模型在功率變化較大的時段表現較差，BLSTM-隨機森林模型對于不同發電情況下的輸出功率都能準確預測。

針對不同的算法模型，本文也進行了比較實驗。支持向量回歸機模型(SVR)使用高斯徑向基函數(RBF)作為核函數，懲罰系數c=1.0。同時為了驗證本文搭建的BLSTM 層處理時序序列的能力，構建BLSTM-SVR 的組合模型預測光伏發電輸出功率，模型參數與單一的模型相同。不同模型預測結果如表3 所示。

圖4 不同模型預測的結果對比

表3 不同模型的測試結果

由表3 可知，BLSTM-隨機森林模型相比于BLSTM 模型和隨機森林模型預測精度有較大的提高，尤其與BLSTM 模型相比，預測誤差下降了3.17%，組合模型在一定程度上彌補了各自的缺點，綜合提升了預測模型的性能。此外，BLSTMSVR 模型預測誤差也小于單一的SVR 模型，證實了BLSTM提取輸入數據的深層特征可以有效提高模型的預測精度。BLSTM-隨機森林模型具有最小的MAPE和RMSE，分別為3.42%和0.78 MW，體現了組合模型的優越性。

5 結論

針對實際光伏發電站的光伏輸出功率預測，本文利用小波降噪去除歷史輸出功率中的噪聲，采用灰色關聯分析篩選強相關影響因素并與降噪處理后的歷史功率作為訓練數據，建立BLSTM-隨機森林模型預測光伏輸出功率。仿真實驗結果表明：該模型在短期光伏功率預測任務中具有較高的預測精度和泛化能力，實用性良好。