基于小波包分解的長短期記憶網絡光伏功率預測*

劉譯文 趙一帆 張蘭蘭 吳 夢

（云南民族大學電氣信息工程學院 昆明 650500）

1 引言

隨著能源消費升級和環境的持續惡化，發展新能源成為各個國家的重要能源戰略。全球可再生能源裝機容量迅速擴大［1］，我國的光伏發電量也迅速增長［2］。對于光伏發電，受天氣的影響具有明顯的間歇性和波動性，大規模的光伏并網會給電網安全穩定運行帶來沖擊。因此，準確的光伏功率預測尤為重要。特別是短期、實時、精確的預測不僅對電網調度決策提供理論依據，降低備用容量和運行成本，而且對電力系統穩定運行有著十分重要的作用［3］。

光伏發電預測建模方法包括物理法和統計方法［4］。物理法是通過對發電設備數學建模進行預測，它的過程復雜且參數難以估計。統計預測方法有時間序列法［5］、支持向量機法［6］、神經網絡法［7］等。反向傳播（BP）神經網絡［8］、小波神經網絡［9］、卷積神經網絡［10］、深度神經網絡［11］利用神經網絡的非線性擬合能力和泛化能力，結合相似日、天氣類型和氣象因素對光伏出力功率進行建模，使預測精度有了很大的改善。這些預測方法忽略了光伏出力本身周期性，沒有挖掘功率序列存在的周期性特征。長短期記憶神經網絡（Long Short-Term Memory，LSTM）［12］是一種改進的循環神經網絡。LSTM特殊的網絡結構使其具有記憶功能，可以提取時間序列的特征，在電力負荷、語音識別和新能源功率預測中有優異的表現［13］。

根據上述文獻提出用長短期記憶神經網絡預測的思路，利用該網絡對時間序列的處理能力，挖掘功率序列的周期性特征以提高預測的準確率。光伏發電功率受氣象因素影響，本身也存在劇烈波動變化。為此，文章提出一種基于小波包分解的長短期記憶神經網絡（Wavepack Decomposition and Reconstruction Long Short-Term Memory，WPDLSTM）光伏出力預測模型，采用小波包分解和長短期記憶神經網絡模型結合的方法對光伏出力進行短期預測。文章利用小波分解技術將原始光伏發電功率序列分解成多個不同頻率的子序列提取波動特征，結合天氣環境因素建立長短期記憶神經網絡預測模型。

2 混合預測模型

2.1 小波包分解

小波分解是一種有效分析信號特征的工具［14］。小波包分解是一種小波分解的方法，是由一系列線性組合的小波函數組成，可以將頻帶實行多層次的劃分。小波包分解能夠同時對高頻部分和低頻部分進行解析，具有精確的局部分析能力。定義如式（1）：

式（1）中定義小波函數集合｛u2i(t)｝i?z+，u2i(t)是由u0(t)=Φ(t)所確定的小波包。

2.2 LSTM神經網絡

長 短 期 記 憶 神 經 網 絡［15］是Hochreiter等 在1997年首次提出，近期在語音處理、電力負荷領域有較好的預測效果。其通過在隱含層引入門控單元，使其對長時間序列具有記憶和遺忘的功能，它解決了循環神經網絡梯度消失和梯度爆炸的問題。LSTM網絡結構見圖1。

圖1 LSTM單元網絡結構

2.3 基于WPD-LSTM預測模型的建立

為了更好地研究光伏出力功率與氣象因素的關聯性，減少數據冗余對預測模型的影響，首先用皮爾遜相關法對影響光伏出力的氣象因素進行了分析，如表1所示。

表1 影響光伏出力氣象因素的皮爾遜系數

由表1可知，風向與降水量與光伏出力功率的相關性較小，文中選擇水平輻射、傾角輻射、漫反射傾角輻射、漫反射水平輻射、溫度以及濕度作為預測模型輸入的氣象因素。然后，用多貝西小波函數（db3）對歷史光伏功率序列進行分解得到四個不同頻段的光伏功率子序列，將四個不同頻段的子序列單支重構。如圖2所示。

由圖2可知，原始光伏功率序列經過小波包分解和重構后，序列1與原始數據趨勢大致相同，序列2、3、4展示出原始序列的高頻特征。為了提高精確的預測功率，對LSTM神經網絡解決序列預測問題進行了改進，結合小波包分解對高頻特征分解的能力和LSTM神經網絡對處理序列問題的優勢，文章提出了WPD-LSTM網絡預測模型，如圖3所示。

圖2 光伏發電功率單支重構序列

圖3 WPD-LSTM預測模型

如圖3所示，文中首先對原始數據中無效數據和錯誤數據進行預處理［16］得到有效的訓練樣本集和測試集。使用Daubechies（db3）小波包函數對光伏發電功率序列分解和單支重構得到四個不同頻段的功率子序列。為解決原始數據量綱不一致問題，避免輸入變量數量級導致的數值問題，并使網絡快速收斂，對輸入數據做歸一化處理。如式（5）所示。

式中Xi′為歸一化后的數據；Xi為原始數據；Xmin，Xmax分別為原始數據的最小值和最大值。使用Keras搭建LSTM神經網絡模型，輸入節點為10，三個隱含層結構神經元個數分別為64、32、16。使用平均絕對誤差作為網絡訓練的目標函數，使用Adam為優化器，批次大小為1000，Epoch為200。對模型進行訓練。

3 實驗結果與分析

為驗證文章提出的WPD-LSTM預測方法的有效性與實用性，使用澳大利亞太陽能研究中心（DKASC）愛麗絲泉光伏發電系統［17］作為研究對象。選取2016年1月1日至2018年12月31日的歷史發電數據和與其對應的氣象數據作為訓練樣本。分別采用深度神經網絡（DNN）、長短期記憶神經網絡（LSTM）、小波包分解的長短期記憶神經網絡（WPD-LSTM）三種預測模型對該光伏發電系統在2019年1月1日至2019年12月31日提前一小時進行驗證。

為了對預測模型進行準確的評估［18］，文中采用平均絕對誤差MAE（Mean Absolute Error）和均方根誤差RMSE（Root Mean Squard Error）兩種評價指標對預測結果進行定量分析。如式（6）、（7）。

式中n為光伏功率的序列；N為數據總數；yn和y^n代表n時刻光伏出力功率實際值和預測功率值。

文章選取3月24日陰天、25日雨天、26日晴天，采用DNN、LSTM、WPD-LSTM三種預測模型，在日期相近但天氣類型不同情況下，光伏出力功率的實際值和預測值，如圖4所示。

如圖4可以看出，在不同的天氣類型下，3種預測模型的預測結果與實際光伏出力功率的變化趨勢大體相同。晴天光伏出力功率變化平緩，3種模型預測的曲線與實際功率變化相近，相比DNN和LSTM，WPD-LSTM預測結果更接近與實際出力情況。陰雨、多云天氣由于云團變化劇烈導致實際出力功率劇烈波動，難以準確的預測，所以3種預測模型的預測結果在某些時段與實際出力功率偏差較大。而WPD-LSTM的預測結果更能反應實際出力的變化趨勢。由于光伏出力功率預測的日誤差離散度很大，表2、表3給出了3種預測模型在四個季節的預測誤差。澳大利亞的春季是9月份、10月份、11月份，夏季是12月份、1月份、2月份，秋季是3月份、4月份、5月份，冬季是6月份、7月份、8月份。

表2 3種預測模型的預測均方根誤差統計

表3 3種預測模型的預測平均絕對誤差統計

圖4 DNN、LSTM、WPD-LSTM在不同天氣類型的預測結果

從表2、表3的均方根誤差和平均絕對誤差可以看出，3種模型在秋、冬季節的預測準確率要比春、夏季節要高。就當地氣候來說，秋、冬季節為旱季，天晴晴朗的情況比較多，所以3種模型預測結果準確度都較高。但夏季為當地的雨季，氣象變化波動大，所以3種模型預測的結果都不理想。由于離差被絕對值化不會出現正負相抵消的情況，平均絕對誤差能很好地反映預測值誤差的實際情況。DNN、LSTM、WPD-LSTM的平均均方根誤差分別為0.272、0.242、0.245，它們對應的平均絕對誤差分別為0.137、0.104、0.097。文章提出的WPD-LSTM預測模型能更好地反映實際出力功率的情況。

光伏出力功率預測會有許多不確定性，像模型訓練和預測過程都有可能出現隨機性。同一模型對不同的光伏出力系統也可能會出現“失靈”的狀態。一個預測方法的好壞取決于對整體的預測效果，而不單局限于某一時間段。為了驗證文章所提的WPD-LSTM預測模型的魯棒性和泛化能力，文章對九個不同的光伏站點出力功率進行了預測，表4、表5分別為預測結果的均方根誤差和平均絕對誤差。

表4 多站點預測的均方根誤差統計

表5 多站點預測的平均絕對誤差統計

由表4、表5可以看出，在光伏出力電站4預測的均方根誤差LSTM（0.321）優于WPD-LSTM（0.327），在光伏出力站點5的預測中，DNN的RMSE（0.811）和MAE（0.379）都優于文章提出的WPD-LSTM的RMSE（0.837）、MAE（0.389）。但單個光伏出力站點預測結果的好壞并不能評判預測模型的好壞，文章計算了所有站點的平均均方根誤差和平均絕對誤差，平均RMSE和MAE的結果為DNN（0.544）、LSTM（0.519）、WPD-LSTM（0.495）。

對應的MAE結 果 是DNN（0.283）、LSTM（0.260）、WPD-LSTM（0.237）。該結果表明文章提出的WPD-LSTM預測模型在RMSE上比LSTM提高了4.624%，在MAE上比LSTM提高了8.846%。

4 結語

文章基于LSTM神經網絡，提出了WPD-LSTM預測光伏輸出功率的新方法，用于光伏出力功率的短期預測。實驗結果表明文章提出的WPD-LSTM預測模型在均方根誤差上比LSTM預測模型提高了4.624%，在平均絕對誤差上比LSTM提高了8.846%。驗證了該方法在光伏發電功率預測中的可行性與實用性。