基于機器學習的光伏發電功率預測研究

北京市市政工程設計研究總院有限公司 陶廷偉

1 基于Stacking-支持向量機的光伏發電功率預測

1.1 集成學習理論

集成學習可理解為一種分布式機器學習框架，其主要作用在于整合多個學習器，完成相應學習任務，在實際運用時需預先打造一組基學習器。之后，依托結合策略實現學習器輸出結果的融合。通常基學習器大多依靠訓練集訓練決策樹等機器學習算法，相較于傳統的單一學習器來說預測性能更加突出。常見的集成學習理論主要包括：boosting。是指對弱學習器性能實現增強的算法，該算法的優勢在于基學習器件性能能夠相互影響，產生極強的依賴效果，能依照基學習器誤差賦予相應權重；bagging 方法。是指借助并行形式完成基學習器的構建，利用引入隨機特征選擇方式，強化機學習器的多樣性，保證模型的泛化功能。

1.2 模型構建

為了更好地實現光伏發電功率的預測，筆者認為需要以上述集成學習理論為依托打造預測模型，借助多種參數反映光伏發電系統的實際工作情況，具體公式為：S（t）={Idc（t），Vdc（t），T（t），Iac（t），Vac（t），P（t），E（t）}，其中：Idc（t），Vdc（t），Iac（t），Vac（t）分別表示直流電流、直流電壓、交流電流、交流電壓，而T（t），P（t）分別表示組件溫度和發電功率，至于E（t）則用于表示累計發電量。

在充分考慮光伏發電特性的基礎上，將連續時刻下的光伏系統工作狀態S（t），S（t-1）作為樣本特征，依靠大量數據參數將下一時刻的發電功率P（t+1）設計為目標值，此時訓練樣本可采用下述公式進行表示：sampie（t）={[t，S（t），S（t-1），P(t+1)]}。至于預測模型則主要表現為：P（t+1）=model（t，S（t），S（t-1）)。

對于集成學習來說，主要依靠融合多個學習器來滿足預測目標。其應用要點更多地表現為基學習器的構建以及融合，前者大多采用隨機子空間法，通過預先從原始訓練集中采集樣本，抽取樣本特征，獲取初級訓練集，憑借基學習器訓練達到基學習器生成的目的。該方法能夠從樣本擾動等方面推動機學習器多樣性的大幅度強化，從而保證模型預測性能，滿足實際需求，之后借助選擇性集成篩選性能優良的基學習器。

在應用Stacking 支持向量機模型時還要注意，應優先采用K 均值聚類算法進行訓練集的聚類分析，并劃分為多個子樣本集，通過輸入篩選獲得相應的次級訓練集，并將每條樣本特征值設計為基學習器的輸出值，從而使用次級訓練集完成各類別語言學習器的訓練。

1.3 數據處理與評價指標

在數據處理方面，主要任務在于解決不同參數單位差異性造成的影響，具體的處理方式如下：（xi-xmin）/（xmax-xmin），式中：分別表示輸入數據以及處理后的數據，xmin、xmax分別表示輸入的最大值、最小值。至于在模型評價指標的設置上，則依靠百分比誤差mape以及均方根誤差rmse兩種指標來實現模型的性能預測，具體方法為：

式中：xmodel,i，xactual,i分別表示預測值以及實測值，n表示常數，i表示樣本集序列。

1.4 算例分析

為進一步驗證上述光伏發電功率預測模型的可行性與適用性，本文以自身所在城市的光伏發電站作為研究對象，并采用2019年5～7月以及2020年5～7月的數據進行預測模型的訓練，進一步考察該模型在2021年6月不同氣象條件下的具體表現。借助實驗法，確定K 均值聚類數，并選取基學習器數量的1/3，實現集成處理。根據研究顯示，在晴天條件下光伏發電功率不會產生較強波動，Stacking 支持向量機模型所生成的預測曲線基本與實測值保持一致。但在發電站開始發電以及結束發電時會存在較高的預測偏差。而在雨天環境下，光伏發電功率本身會出現多個尖峰，此時會進一步加大預測難度。

根據Stacking 支持向量機模型的預測結果顯示，發電功率的變化趨勢均被準確掌握。即便在上午、傍晚等波動較為嚴重的時間，Stacking 支持向量機模型仍能保持極佳的預測效果。而在多云氣候條件下，對于光伏發電影響的主要因素表現為光照，在受風力、云層位置的影響下光伏發電功率的波動較為強烈。此時Stacking 支持向量機模型仍能具備極佳的預測精確性，準確判斷多云天氣的發電功率的變化趨勢。具體的預測結果如表1所示。

表1 不同氣象條件下預測模型的百分比誤差mape 以及均方根誤差rmse

根據上述數據可知，Stacking 支持向量機模型的預測性能較為突出，相較于傳統的K 均值聚類支持向量機模型來說，能夠更好的應對氣象環境波動造成的影響，在雨天下更具有預測優勢。

2 基于長短期記憶網絡與注意力機制的光伏發電功率預測

上述章節中主要探究了在加入光伏系統參數后，實現光伏發電功率預測精確性的增強，驗證了Stacking 支持向量機模型的預測效果。但要注意，Stacking 支持向量機模型需要根據季節特性克服惡劣天氣造成的影響，因此在實際應用時無形增加了模型訓練量，也對工作人員的專業能力提出了更高的要求，且模型使用不夠便捷，更多的依靠光伏發電特性的設計樣本特征，因此無法進行較長時間范圍的預測。

為解決此類問題，本文提出基于長短期記憶網絡的光伏發電功率預測模型，其中長短期記憶網絡可以理解為一種時間遞歸神經網絡，更適合運用在預測時間序列領域，且在語音識別等方向已取得一定應用成果。通過在此模型上加入注意力機制達到模擬生物視覺注意力的目的，從而自動關注重要參數，幫助預測模型，依托發電功率、時間序列，為下一時刻發電功率進行準確評估[1]。

2.1 預測模型算法

根據實際調查顯示，以往采用的神經網絡模型各層節點無有效連接，更多的表現為層與層之間的全連接，此類結構經常會出現時序數據預測精確性達不到預期標準的問題。究其原因在于，時序數據與原始數據存在聯系，而神經網絡則難以有效記憶之前參數。至于循環神經網絡，雖然能夠在時序數據分析過程中具備良好的適應效果，且隱藏神經元存在連接，可以將之前信息記憶并輸出，但在實際應用時則難以有效學習數據內的長期依賴特征，且在訓練過程中也經常會出現梯度爆炸的不足之處。為此，我國學者提出了長短期記憶網絡，其本質上屬于一種時間循環神經網絡，可憑借傳遞算法結合錯誤修改每次權重。在設置過程中，誤差能夠隨著倒回計算，直至數值被過濾掉，以此使循環神經網絡正確處理時序信息[2]。

相較于傳統的基于機器學習的光伏發電功率預測，基于長短期記憶網絡的光伏發電功率預測模型添加了注意力機制，通過打造生物視覺系統，使人體能夠將精力放在相關數據信息上，以此最大程度提高觀察效率。注意力機制本質上屬于一種模擬大腦注意力的網絡架構，能夠在特定時刻進行注意力的合理分配，以此減少計算資源占用。將其運用在深度神經網絡中，能夠更好的篩選輸入向量內的相關特征，降低其他特征造成的不良影響，保證模型的泛化性能最大化。

在實際應用過程中，通常將長短期網絡記憶的隱藏輸出向量作為輸入，之后尋找特征向量，分配注意力權重，具體公式表現如下[3]：ei=tanh（Whhi+其中：Wh、bh、ai分別表示權值矩陣、偏置項及權重參數，hi表示特征量，ei表示注意力機制，t為輸出向量子集個數。

2.2 預測模型構建

在模型構建方面，需要依照光伏發電站的相關數據參數，充分考慮相關學者的研究結果，將光伏發電功率時間序列作為主要輸入，搭配組件溫度時間序列，從而實現下一時刻的發電功率預測。對于輸入中包含的大量參數信息，需要進行分類型的特征提取。將前者輸入長短期記憶網絡，憑借注意力機制進行隱藏輸出的持續關注，并對隱層輸出的各個元素賦予差異性注意力權重。而在后者的處理方面則與前者基本保持一致，之后將注意力權重展開成一維向量，借助全連接層預測發電功率。過程中要注意，模型訓練階段需充分考慮網絡前向傳播的真實訓練輸出值，并將其結合實際功率值完成平方損失函數的推演，通過適當優化網絡架構降低平方損失值，直至返歸一化處理后獲得實際預測結果[4]。

2.3 數據處理與評價指標

在數據處理方面基本與Stacking 支持向量機的光伏發電功率預測保持相同，主要目的在于解決不同參數之間單位差異造成的影響，控制好數量級大小。同時還要利用滑窗法獲得訓練樣本，設置樣本特征值，從而為下一時刻的實際功率值設計訓練目標，并同樣采用絕對百分比誤差來評價模型的實際預測性能。

2.4 算例分析

為進一步驗證上述模型的適用性以及可行性，同樣選取筆者所在城市的光伏發電站作為研究對象，收集2019、2020年信息以及2021年1～9月的數據完成模型訓練，并將2021年10月至次年9月的信息設為訓練集，進一步考察長短期網絡記憶模型在不同季節下、不同時間區間內的預測效果，與上述章節中的Stacking 支持向量機光伏發電功率預測模型進行比對。其中基準模型可進一步描述成，采用兩個長短期網絡記憶層實現發電功率的時間序列特征提取，并將其拉成一維后，與組件溫度時間序列合并輸出預測結果。根據預測結果顯示，基于長短期網絡記憶和注意力機制的光伏發電功率預測模型能夠在30min 時段做出精準預測，60min 時間段同樣具備極佳的預測效果，預測值與實際值誤差極小[5]。

3 基于機器學習的光伏發電預測未來發展

在信息化時代背景下大數據技術的應用愈發廣泛，該技術的迅速興起也為大規模數據處理提供助力，通過將其與機器學習深度結合，能夠進一步挖掘數據背后的價值意義。大數據技術的應用尚處于摸索階段，因此本文在進行分析時主要以hadoop大數據處理平臺作為研究對象，搭建試驗群，以此存儲光伏發電數據，實現光伏發電信息的建模預測。hadoop 本質上屬于一種分布式大數據處理框架，能夠具備負載均衡、任務調度等功能，可直接部署在廉價的集群上實現文件的切分處理，保留多個文件備份，具有極高的容錯性。在實際應用時需要結合決策樹、梯度提升算法以及隨機森林，分別完成回歸任務、殘差訓練以及基學習器集成。

根據實際研究發現，相較于上述兩種方法來說，基于大數據技術的光伏發電預測同樣能夠準確預測光伏發電功率，具有極高的應用潛力。同時，為保證光伏發電預測模型的準確應用，還需要相關技術人員加強對先進技術手段的學習與使用，明確相關算法的優劣，結合實際情況進行科學運用，具備一定的信息化素養，能夠有效應對突發狀況，降低人為操作干擾，更多的依靠系統程序的自動計算模擬，保證參數錄入準確。總結算法應用規律，持續開發循環控制單元、相似日選擇等一系列機器學習的光伏發電功率預測，適當結合信息化手段、人工智能，迎合適當發展潮流，并注重預測時間段的延長，從而滿足實際需要[6]。