改進LSTM三元復合模型的光伏發電功率預測方案設計

摘要：光伏發電環境較為復雜，具有非線性、非平穩特性的光伏發電功率數據的多個特征冗余，且依賴關系不明確，提出一種基于LSTM三元復合模型的光伏發電功率預測方案。考慮光伏板和耐高溫絕緣硅膠墊片實際分布情況，進行光伏發電數據修正與補全，提取光伏發電功率數據的多個特征，通過加權法進行典型特征融合；捕捉光伏發電功率數據的時序依賴關系，構建LSTM三元復合模型，輸出分析發電數據與功率之間的長期或短期依賴關系，完成光伏發電功率預測方案設計。實驗結果表明，在實際應用中，該光伏發電功率預測方案的決定系數較高，95%分位數正負偏差率數值較低，光伏發電功率預測精度高。

關鍵詞：LSTM三元復合模型；光伏發電；發電功率

中圖分類號：TP391；TM615+.2文獻標志碼：A文章編號：1001-5922（2025）02-0181-04

Design of photovoltaic power prediction scheme based on LSTM ternary composite model

HUANG Cunqiang，LI Xuanxuan，LI Junxian，AN Juan，DU Jinshuo

（State Grid Qinghai Electric Power Company Economic and Technology Research Institute，Xining 810001，China）

Abstract：Due to the complex environment of photovoltaic power generation，multiple features of photovoltaic pow-er generation data with nonlinear and non-stationary characteristics are redundant，and the dependency relationship is not clear，a photovoltaic power generation power prediction scheme based on LSTM ternary composite model was proposed.Considering the actual distribution of photovoltaic panels and high-temperature resistant insulating silica gel gaskets，the photovoltaic power generation data was corrected and completed，and multiple features of the photo-voltaic power generation power data were extracted，and the typical features were fused by the weighting method.The temporal dependence of photovoltaic power generation power data was captured，an LSTM ternary composite model was constructed，the long-term or short-term dependence between power generation data and power was out-put and analyzed，and the design of photovoltaic power generation power prediction scheme was completed.The ex-perimental results showed that in practical application，the determination coefficient of the photovoltaic power pre-diction scheme was high，the positive and negative deviation rate of the 95%quantile was low，and the prediction ac-curacy of photovoltaic power generation power was high.

Key words：LSTM ternary composite model；photovoltaic power generation；power generation

光伏發電功率的間歇性和不穩定性給電力系統的調度和管理帶來了挑戰。因此，準確預測光伏發電功率，對于電力系統的穩定運行和優化調度具有極其重要的意義。

從多個來源收集與光伏發電相關的數據，從中提取與光伏發電輸出功率相關的特征，由此構建對應的預測模型，實現對輸出功率的預測[1]。收集波浪發電系統的歷史數據，在變分模式分解的作用下，將波浪信號分解成多個固有模式函數，再從中提取波動的高度、周期等特征量，由此構建向量自回歸模型，對系統的輸出功率進行預測[2]。收集風電場的歷史發電功率數據，從中提取出與風電發電功率相關的特征，利用注意力機制，捕獲時間序列數據中的長期依賴關系，計算不同輸入特征的權重值，提高了預測精度[3]。采集大量的歷史風電功率數據，在改進完全經驗模態分解的作用下，得到相應的模態函數，再從中提取出季節性特征，由此構建對應的網絡模型，實現對風電功率的預測[4]。

研究設計了基于LSTM三元復合模型的光伏發電功率預測方案。

1光伏發電功率預測方案設計

1.1光伏發電數據修正與補全

光伏發電受天氣（如云量、日照強度等）和環境（如溫度、濕度等）因素的影響較大。這些因素會導致功率輸出出現波動和變化，異常數據和缺失數據增加，從而給功率預測帶來不確定性。為此，進行異常數據修正和缺失數據補全[5-7]。

光伏組件經常暴露在戶外環境中，容易受到灰塵、雨水和潮濕等環境影響。耐高溫絕緣硅膠墊片可以起到密封作用，防止灰塵和水分侵入組件內部，風力、機械振動和溫度變化等因素都會導致光伏組件震動，進而產生噪音。考慮光伏板和耐高溫絕緣硅膠墊片實際分布情況，以及噪音異常值的影響，設置異常數據修正函數：

式中：g（x）表示異常數據修正結果；z表示光伏發電數據均值；m表示光伏發電數據的標準差；k表示光伏發電數據數量。若異常數據修正后仍然存在較大的測量誤差，則直接對其進行刪除。

為了更好地反映當前光伏發電系統的特性，對光伏發電功率缺失數據進行補全處理[8]：

式中：g'（x）表示缺失數據補全結果；xi-3、xi-2、xi-1、xi+1、xi+2、xi+3分別表示缺失數據前后3個臨近值。補全光伏發電數據中的缺失數據，

1.2基于LSTM三元復合模型的預測方法

光伏發電功率受到多種因素的影響，包括天氣條件（如太陽輻射、溫度、濕度、風速等）、設備狀態、地理位置以及季節變化等。這些因素中既有短期內的快速變化，也有長期的趨勢性變化。而LSTM模型能夠有效地捕捉這種長短期依賴關系，其在處理序列數據中有著較好的優勢，為合理安排電網的供電計劃提供方便，減少因光伏發電功率波動帶來的電網不穩定性[9-10]。

將修正與補全處理后的光伏發電功率數據作為基礎，提取光伏發電功率數據的多個特征：

式中：g1表示光伏發電功率的輻照度特征；n表示光伏發電功率數據數量；Ei表示在不同時刻的輻照度；g2表示風速特征；Wi表示不同時刻光伏電站的風速；g3表示發電功率特征；Pi表示不同時刻光伏電站的發電功率；g4表示光伏電站的清晰度指數；Ea表示實際輻照度；Et表示理論輻照度。

篩選出典型特征，如輻照度特征、風速特征、發電功率特征、清晰度指數等[11]，用以反映光伏發電功率特性，通過加權法進行多特征融合，生成LSTM三元復合模型，如圖1所示。

由圖1可知，LSTM三元復合模型是由3個不同的LSTM模型融合而成，不同的模型發揮著不同的作用。其中，單一LSTM模型用于捕捉光伏發電功率數據的時序依賴關系，雙向LSTM模型用于分析光伏發電功率數據的前后信息，能夠捕捉更加深層次的特征，堆疊LSTM模型能夠增強非線性映射能力，即：

式中：L表示LSTM三元復合模型；L1表示單一LSTM模型；L2表示雙向LSTM模型；L3表示堆疊LSTM模型；α1、α2、α3分別表示3種LSTM模型對應的加權值；Gi表示篩選結果。

以此分析發電數據與功率之間的長期依賴關系為：

f= ε+ 1+ θi′ Gi′ ηi′ L（5）

式中：f表示長短期依賴關系；ε表示初始發電功率數值；θi表示變換參數；ηi表示誤差系數。

則發電數據與功率之間的短期依賴關系為：

f?=f′ κ′ρ（x）""""""""""""""""""""""" （6）

式中：f?表示短期依賴關系；κ表示發電數據預測參數；ρ（x） 表示依賴關系求解函數。

2實驗結果分析

以某光伏電站作為實驗對象，選擇該光伏電站連續30 d的光伏發電功率實測數據作為實驗數據，在MATLAB中設定實驗環境，所用基本實驗參數如表1所示。

實時監測該發電裝置的運行狀態數據，并將其進行匯總。獲取的光伏發電功率數據如圖2所示。

由圖2可知，在不同的采樣點，光伏發電功率數值在不斷發生變化，說明受到不同采樣點周邊環境的影響，光伏發電功率的存在較大差異。

設計的基于LSTM三元復合模型的光伏發電功率預測為方案1；基于信息共享與變分模式分解的光伏發電功率預測為方案2；基于相連自回歸模型和動態規劃的光伏發電功率預測為方案3。將其進行對比實驗。

決定系數可以反映模型對觀測數據的擬合程度。當決定系數接近1時，表明模型較好地擬合了觀測數據，能夠準確描述數據間的變化規律，對光伏發電功率的預測具有較高的質量和準確性。取值范圍在0到1之間，代表了模型所解釋的方差比例，越接近1說明模型越能解釋數據方差中的部分，因此能夠直觀地解釋預測結果的可信程度。統計不同方法應用過程中的決定系數，如表2所示。

由表2可知，方案1的決定系數較高，且在多次實驗中的數值均較高；方案2和方案3的決定系數數值較低，且在多次實驗中數值較低。因為引入了LSTM三元復合模型，能夠捕捉更加深層次的特征，故提高了預測精度。

光伏發電功率受到天氣、季節和其他因素的影響，存在一定的波動性。通過使用正負偏差率作為實驗指標，使用95%分位數可以提供更為全面的評估，將預測值與真實觀測值進行比較，確定預測值中有5%的可能性低于某個特定值，同時也有5%的可能性高于某個特定值，適應不同應用場景的需求。可以對不同時間段的功率預測結果進行統計，考慮到功率的上下波動范圍。以95%分位數正負偏差率為評價指標，分析實驗結果如圖3所示。

由圖3可知，方案1的95%分位數正負偏差率數值較低，均在2.0%以下；方案2和方案3的95%分位數正負偏差率數值較高，遠高于方案1。因為分層次判斷了發電數據與功率之間的長期/短期依賴關系，逐一匹配光伏發電功率數據的多個特征，為電力系統的調度和管理提供有力的支持。

3結語

基于LSTM三元復合模型的光伏發電功率預測方案在實際應用中，可以捕捉到光伏發電功率變化的復雜模式，進一步增強了發電功率預測過程的穩定性，決定系數較高，95%分位數正負偏差率數值較低，預測精度較高，在光伏發電功率預測領域展現出了顯著優勢，提高了光伏發電功率預測的精度，為電力系統的穩定運行和優化調度提供技術支撐。

【參考文獻】

[1]徐潛，益西措姆，白瑪央宗，等.基于信息共享的光伏清潔能源輸出功率預測方法[J].電網與清潔能源，2023，39（12）：153-158.

[2]羅琦，楊俊華，黃逸，等.基于變分模式分解和向量自回歸模型的波浪發電系統輸出功率預測[J].太陽能學報，2023，44（3）：291-297.

[3]CHAI Z.BiLSTM short-term wind power prediction based on attention mechanism[J].2023 IEEE 3rd International Conference on Electronic Technology，Communication and Information（ICETCI），2023，44（23）：1341-1346.

[4]SUN S，YU P，XING J，et al.Short-term wind power pre-diction based on ICEEMDAN-SE-LSTM neural network model with classifying seasonal[J].Energy Engineering，2023，120（12）：2761-2782.

[5]王福忠，王帥峰，張麗.基于VMD-LSTM與誤差補償的光伏發電超短期功率預測[J].太陽能學報，2022，43（8）：96-103.

[6]陳輝煌，陳志聰，吳麗君，等.利用相似日小波變換和多層感知機的短期光伏功率預測[J].福州大學學報（自然科學版），2022，50（2）：206-213.

[7]盧俊杰，蔡濤，郎建勛，等.基于集群劃分的光伏電站集群發電功率短期預測方法[J].高電壓技術，2022，48（5）：1943-1951.

[8]李科，黃東晨，陶子彬，等.基于偏最大信息系數與組合XGBoost的短期風功率預測[J].電力工程技術，2021，40（6）：95-102.

[9]王一妹，劉輝，宋鵬，等.基于高斯混合模型聚類的風電場短期功率預測方法[J].電力系統自動化，2021，45（7）：37-43.

[10]張健.基于動態規劃的分布式光伏發電容量優化技術[J].粘接，2024，51（1）：169-172.

[11]李東昆，王俊曦.考慮小功率波動的海上風電發電側電化學儲能配置優化及分析[J].粘接，2023，50（9）：132-135.

（責任編輯：平海，蘇幔）