深度置信網(wǎng)絡(luò)光伏發(fā)電短時(shí)功率預(yù)測(cè)研究

吳堅(jiān)　鄭照紅　薛家祥

摘要：針對(duì)現(xiàn)有光伏功率預(yù)測(cè)技術(shù)存在提取特征不充分導(dǎo)致預(yù)測(cè)精度低的問題，提出一種基于深度置信網(wǎng)絡(luò)的光伏發(fā)電短時(shí)功率預(yù)測(cè)方法。根據(jù)光伏發(fā)電系統(tǒng)的運(yùn)行特征和深度置信網(wǎng)絡(luò)的特點(diǎn)，闡述該預(yù)測(cè)方法的可行性和科學(xué)性。搭建功率預(yù)測(cè)模型，通過無監(jiān)督學(xué)習(xí)過程逐層提取輸入序列的內(nèi)在特征；模型頂層采用BP神經(jīng)網(wǎng)絡(luò)對(duì)特征矩陣和偏移量進(jìn)行有監(jiān)督訓(xùn)練，經(jīng)過誤差微調(diào)后輸出預(yù)測(cè)結(jié)果。綜合考慮可能對(duì)光伏發(fā)電功率產(chǎn)生影響的多種因素（如輻射強(qiáng)度、溫度等），并將上述因素做歸一化處理后作為模型的初始輸入量，在Matlab上對(duì)預(yù)測(cè)模型進(jìn)行仿真驗(yàn)證。最后將該預(yù)測(cè)模型與常用的BP神經(jīng)網(wǎng)絡(luò)方法進(jìn)行比較，結(jié)果顯示所提模型性能優(yōu)于BP神經(jīng)網(wǎng)絡(luò)，證明該模型具有較好的預(yù)測(cè)準(zhǔn)確度。

關(guān)鍵詞：光伏發(fā)電；短期功率預(yù)測(cè)；深度置信網(wǎng)絡(luò)；仿真驗(yàn)證

文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1674-5124（2018）05-0006-06

0引言

光伏并網(wǎng)系統(tǒng)的輸出功率大小，對(duì)于電力系統(tǒng)的穩(wěn)定性、安全性，以及電力能源的調(diào)度具有不可忽略的影響，因而對(duì)光伏并網(wǎng)系統(tǒng)功率的預(yù)測(cè)顯得尤為重要。國(guó)內(nèi)外科研人員在該領(lǐng)域采用各種技術(shù)和方法進(jìn)行了大量的研究，主要有基于人工神經(jīng)網(wǎng)絡(luò)（如BP神經(jīng)網(wǎng)絡(luò)）的預(yù)測(cè)方法、基于機(jī)器學(xué)習(xí)方法（如支持向量機(jī)SVM）的預(yù)測(cè)方法、基于歷史數(shù)據(jù)的統(tǒng)計(jì)預(yù)測(cè)方法。上述方法中，BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果因隱層數(shù)量的增加而變差，在選取隱層數(shù)量為1～2層時(shí)，BP算法提取隱含特征的能力有限，無法充分挖掘影響因子之間的內(nèi)在聯(lián)系。SVM方法相對(duì)神經(jīng)網(wǎng)絡(luò)而言，具有更好的泛化推廣能力，但憑經(jīng)驗(yàn)選擇的基函數(shù)可能引起無法預(yù)料的誤差。基于歷史數(shù)據(jù)的統(tǒng)計(jì)預(yù)測(cè)方法則需要大量的歷史數(shù)據(jù)樣本，在應(yīng)用于新建電站的情況下存在較大的局限性。

深度置信網(wǎng)絡(luò)（deep belief network，DBN）是深度學(xué)習(xí)的一種經(jīng)典算法，可利用多層體系架構(gòu)提取底層數(shù)據(jù)的潛在典型特征，進(jìn)而提供給高層進(jìn)行分類和回歸。深度置信網(wǎng)絡(luò)早已被應(yīng)用于交通流、風(fēng)速、PM_2.5等的預(yù)測(cè)中，并且取得了良好的效果。Hinton等提出了一種無監(jiān)督的逐層訓(xùn)練的技術(shù)，可以快速地從底向上逐層訓(xùn)練DBN模型，使得網(wǎng)絡(luò)具有較快的訓(xùn)練速度。在光伏發(fā)電功率的預(yù)測(cè)中，深度置信網(wǎng)絡(luò)可以不依賴先驗(yàn)知識(shí)，通過多層次的訓(xùn)練學(xué)習(xí)更加抽象、更加本質(zhì)的成因特征，可以進(jìn)行更準(zhǔn)確有效的功率預(yù)測(cè)，與傳統(tǒng)的淺層神經(jīng)網(wǎng)絡(luò)相比具有明顯優(yōu)勢(shì)。

綜合考慮太陽輻射強(qiáng)度、溫度、風(fēng)力風(fēng)速、降雨量等氣象因素，本文提出了基于深度置信網(wǎng)絡(luò)模型的光伏功率短時(shí)預(yù)測(cè)方法，結(jié)合一定數(shù)量的歷史功率數(shù)據(jù)，構(gòu)建了少云晴天、多云晴天兩種平穩(wěn)天氣，以及晴轉(zhuǎn)雨突變天氣條件下的發(fā)電功率預(yù)測(cè)模型，通過Matlab對(duì)所構(gòu)建的模型進(jìn)行了訓(xùn)練和驗(yàn)證，并與BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)性能進(jìn)行了對(duì)比。

1深度置信網(wǎng)絡(luò)（DBN）原理

DBN模型由一定數(shù)目的受限玻爾茲曼機(jī)（restricted Boltzmann machine，RBM）堆疊組成。受限玻爾茲曼機(jī)是一種特殊形式的馬爾可夫隨機(jī)場(chǎng)（Markov random field，MRF）。一個(gè)RBM包含一個(gè)由隨機(jī)隱單元構(gòu)成的隱含（不可觀測(cè)）層和一個(gè)由隨機(jī)可見（觀測(cè)）單元構(gòu)成的可見（觀測(cè)）層。RBM可以表示為雙向圖，所有的可見單元和隱單元之間都存在連接，但每一層的隱單元之間、可見單元之間不存在連接，即層間全連接，而層內(nèi)無連接。一個(gè)RBM的可見層即可觀測(cè)的輸入層，滿足伯努利分布或高斯分布，隱層則對(duì)應(yīng)于所探測(cè)的不可見的特征，滿足伯努利分布。層與層之間通過對(duì)稱矩陣進(jìn)行全連接，其概率滿足玻爾茲曼分布。RBM模型如圖1所示。

對(duì)于一個(gè)伯努利一伯努利RBM的可見單元和隱單元，給定模型參數(shù)θ，得到它們的聯(lián)合組態(tài)能量函數(shù)E（y，h；θ）為

（1）

深度置信網(wǎng)絡(luò)模型如圖2所示。該模型中，底層是由GBRBM和RBM組成的DBN結(jié)構(gòu)。一個(gè)RBM層訓(xùn)練后，其輸出作為下一RBM層的輸入。模型經(jīng)過自下而上的非監(jiān)督學(xué)習(xí)，從不同的RBM隱層中提取輸入序列中隱藏的特征。經(jīng)過如此的逐層訓(xùn)練后，輸出權(quán)重矩陣和偏移量，作為頂層BP神經(jīng)網(wǎng)絡(luò)進(jìn)行有監(jiān)督學(xué)習(xí)的輸入初始值。頂層的BP神經(jīng)網(wǎng)絡(luò)對(duì)權(quán)重矩陣和偏移量進(jìn)行微調(diào)，通過自頂而下的反向傳播學(xué)習(xí)，獲得誤差估計(jì)，再應(yīng)用梯度下降法，計(jì)算更新各節(jié)點(diǎn)的權(quán)值，直到輸出誤差足夠小。

2基于深度置信網(wǎng)絡(luò)的光伏發(fā)電短時(shí)功率預(yù)測(cè)

2.1光伏發(fā)電功率預(yù)測(cè)模型

本文提出基于深度置信網(wǎng)絡(luò)的光伏發(fā)電短時(shí)功率預(yù)測(cè)模型，該模型包括深度訓(xùn)練過程和預(yù)測(cè)過程。深度學(xué)習(xí)的訓(xùn)練過程可能包括大量的誤差和偏置參數(shù)，迭代過程需要計(jì)算機(jī)進(jìn)行大量的計(jì)算，占據(jù)大量的計(jì)算機(jī)資源，對(duì)于計(jì)算機(jī)的要求較高。為減少深度訓(xùn)練過程在實(shí)際應(yīng)用中的計(jì)算量，降低深度訓(xùn)練過程難度，使所提模型在實(shí)際中得到廣泛的應(yīng)用，可以先采用高性能的本地服務(wù)器或更高性能的云服務(wù)器，對(duì)模型輸入序列進(jìn)行深度學(xué)習(xí)和訓(xùn)練，即可得到已訓(xùn)練的預(yù)測(cè)模型；然后借助于性能一般的本地監(jiān)控計(jì)算機(jī)或嵌入式監(jiān)控設(shè)備，利用訓(xùn)練后的模型，輸入?yún)?shù)值對(duì)光伏功率進(jìn)行預(yù)測(cè)?；谏疃戎眯啪W(wǎng)絡(luò)的光伏發(fā)電短時(shí)功率預(yù)測(cè)模型如圖3所示。

2.2數(shù)據(jù)源及其預(yù)處理

本文光伏發(fā)電功率歷史數(shù)據(jù)來源于東莞市南城區(qū)高盛科技園內(nèi)的綠色能源小屋3kW光伏電站，所采用氣象數(shù)據(jù)（天氣狀況、風(fēng)向、風(fēng)力、實(shí)時(shí)氣溫、最高氣溫、最低氣溫等）均來源于東莞市氣象局官方網(wǎng)站，光照強(qiáng)度（輻射強(qiáng)度）數(shù)據(jù)來源于放置于光伏組件附近并且與光伏組件同仰角放置的光強(qiáng)測(cè)試儀，囊括了2017年3月1日～2017年7月31日共153 d的每日數(shù)據(jù)。為了驗(yàn)證預(yù)測(cè)模型性能，選擇天氣多變的2017年8月份，采集31 d的天氣（環(huán)境）數(shù)據(jù)和發(fā)電功率數(shù)據(jù)作為測(cè)試數(shù)據(jù)，對(duì)模型的預(yù)測(cè)效果進(jìn)行驗(yàn)證。采用CPU為i5-4590k處理器，內(nèi)存為8G的臺(tái)式電腦，在Matlab R2014b中完成相關(guān)程序的編寫和模型搭建，并輸入數(shù)據(jù)進(jìn)行模型的仿真驗(yàn)證。

將光伏電站所在地區(qū)歷史氣象信息和光伏歷史發(fā)電功率數(shù)據(jù)作為預(yù)測(cè)模型的輸入序列，對(duì)收集到的輻射量、風(fēng)力、最高氣溫、最低氣溫等樣本數(shù)據(jù)按下式進(jìn)行歸一化處理：

在DBN模型中完成預(yù)測(cè)訓(xùn)練后，按照下式對(duì)模型輸出結(jié)果進(jìn)行去歸一化處理，恢復(fù)預(yù)測(cè)結(jié)果使其成為真實(shí)的功率數(shù)據(jù)：

2.3評(píng)價(jià)指標(biāo)

在光伏發(fā)電功率預(yù)測(cè)中，常采用均方根誤差（rootmean squared error，RMSE）和平均絕對(duì)百分比誤差（mean absolute percentage error，MAPE）兩個(gè)技術(shù)指標(biāo)來檢驗(yàn)和衡量模型的精確度和效果[12-131。RMSE和MAPE的定義如下：

2.4DBN預(yù)測(cè)模型參數(shù)的確定

深度學(xué)習(xí)模型結(jié)構(gòu)參數(shù)的設(shè)置，影響訓(xùn)練過程、訓(xùn)練時(shí)間、預(yù)測(cè)結(jié)果誤差。為了使訓(xùn)練效果達(dá)到最優(yōu)化，減小誤差，對(duì)預(yù)測(cè)模型訓(xùn)練的隱層層數(shù)和隱層節(jié)點(diǎn)數(shù)進(jìn)行討論和對(duì)比優(yōu)選。本文取隱層數(shù)目為2～7層，節(jié)點(diǎn)數(shù)為2n。設(shè)定隱層節(jié)點(diǎn)數(shù)為2s個(gè)節(jié)點(diǎn)，對(duì)隱層數(shù)目進(jìn)行優(yōu)選，結(jié)果如表1所示。

表中比較了隱層數(shù)目變化對(duì)預(yù)測(cè)結(jié)果的影響，當(dāng)隱層數(shù)目為5時(shí)，平均絕對(duì)百分比誤差值為10.6%，模型準(zhǔn)確度最高，誤差最小。而且，隱層數(shù)目小于5時(shí)，模型誤差隨隱層數(shù)目增加而減?。浑[層數(shù)目大于5時(shí)，模型誤差隨隱層數(shù)目增大而增大，模型凸顯“過擬合”效應(yīng)，訓(xùn)練時(shí)間也增加。

假定隱層數(shù)目為5，討論和確定適宜的節(jié)點(diǎn)數(shù)目。本文討論節(jié)點(diǎn)數(shù)目為2⁶-2¹⁰時(shí)的預(yù)測(cè)效果。由表2可知，節(jié)點(diǎn)數(shù)為2s時(shí)，模型預(yù)測(cè)效果最佳。

因此，本文設(shè)定預(yù)測(cè)模型的隱層數(shù)目為5，隱層節(jié)點(diǎn)數(shù)為256，預(yù)測(cè)步長(zhǎng)為15min，對(duì)1d內(nèi)7：00-18：00時(shí)段的光伏發(fā)電功率進(jìn)行預(yù)測(cè)。

2.5模型仿真結(jié)果及分析

在同一計(jì)算機(jī)設(shè)備上，從31 d的測(cè)試數(shù)據(jù)中抽取若干天，分別采用BP神經(jīng)網(wǎng)絡(luò)和DBN預(yù)測(cè)模型進(jìn)行仿真實(shí)驗(yàn)。

平穩(wěn)天氣下，在7：00-11：00時(shí)段，光伏出力逐漸上升，發(fā)電功率逐漸升高；在11：00-14：00時(shí)段，光伏出力達(dá)到較高水平，曲線變化較為平穩(wěn)：在中午12：00-13：00之間，發(fā)電功率達(dá)到當(dāng)天內(nèi)最大：在14：00-18：00時(shí)段，光伏出力逐漸下降，發(fā)電功率逐漸降低。如圖4所示，平穩(wěn)天氣下，DBN模型功率預(yù)測(cè)曲線與實(shí)際功率曲線重合度較高，說明預(yù)測(cè)誤差較小。A日DBN功率預(yù)測(cè)模型的實(shí)際MAPE和RMSE分別為7.57%、80.74，B日DBN功率預(yù)測(cè)模型的MAPE和RMSE分別為8.33%、62.79。

突變天氣下，天氣變化隨機(jī)性很強(qiáng)，導(dǎo)致影響光伏出力的輻射量、溫度等的變化隨機(jī)性也增強(qiáng)，所以光伏發(fā)電的出力隨機(jī)性也增強(qiáng)。在本文功率預(yù)測(cè)模型下，DBN算法可以預(yù)測(cè)功率曲線走勢(shì)，但是準(zhǔn)確度不高，偏差相對(duì)較大。圖5展現(xiàn)了在不同的突變天氣光伏出力的情況，由于天氣出現(xiàn)變化的時(shí)間和情況不一致，因而功率預(yù)測(cè)曲線變化也不一致。C日在12：00-13：00出現(xiàn)雷雨天氣，DBN功率預(yù)測(cè)模型的MAPE為14.63%，RMSE為86.87；D日在10：00-11：00和12：00-13：00出現(xiàn)雷雨天氣，13：00-13：30天氣逐漸轉(zhuǎn)晴，13：30后天氣狀態(tài)逐漸轉(zhuǎn)為陰天，DBN功率預(yù)測(cè)模型的MAPE為14.94%，RMSE為129.19。突變天氣條件下，模型預(yù)測(cè)結(jié)果與實(shí)際發(fā)電功率差距較大。

圖4、圖5的對(duì)比實(shí)驗(yàn)結(jié)果也表明，與所提預(yù)測(cè)模型相比，BP神經(jīng)網(wǎng)絡(luò)方法的預(yù)測(cè)曲線更偏離實(shí)際曲線。為了更好地論證所提方法的優(yōu)勢(shì)，分別采取所提方法和BP神經(jīng)網(wǎng)絡(luò)方法對(duì)31 d的測(cè)試數(shù)據(jù)進(jìn)行仿真實(shí)驗(yàn)，并對(duì)評(píng)判指標(biāo)RMSE和MAPE取平均值。綜合對(duì)比兩種預(yù)測(cè)方法的性能指標(biāo)見表3。

由表可知，在同一預(yù)測(cè)日期下，BP神經(jīng)網(wǎng)絡(luò)方法預(yù)測(cè)結(jié)果的RMSE值大于DBN預(yù)測(cè)模型，說明BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果離散程度比DBN預(yù)測(cè)模型更大：BP神經(jīng)網(wǎng)絡(luò)方法預(yù)測(cè)結(jié)果的MAPE值大于DBN預(yù)測(cè)模型，說明BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)準(zhǔn)確度比DBN預(yù)測(cè)模型更低。進(jìn)一步地，對(duì)31d的測(cè)試數(shù)據(jù)進(jìn)行仿真實(shí)驗(yàn)后，BP神經(jīng)網(wǎng)絡(luò)方法預(yù)測(cè)結(jié)果的平均MAPE值和RMSE值均大于DBN預(yù)測(cè)模型，說明BP神經(jīng)網(wǎng)絡(luò)的平均預(yù)測(cè)準(zhǔn)確度低于DBN預(yù)測(cè)模型。綜上所述，在預(yù)測(cè)準(zhǔn)確度上，所提方法優(yōu)于BP神經(jīng)網(wǎng)絡(luò)方法。

BP神經(jīng)網(wǎng)絡(luò)在隱層數(shù)目較少（1～2層）時(shí)具有較好的訓(xùn)練效果，但隱層數(shù)目較少會(huì)導(dǎo)致網(wǎng)絡(luò)參數(shù)得不到充分的訓(xùn)練，產(chǎn)生“欠擬合”現(xiàn)象，數(shù)目增加到一定值時(shí)，會(huì)導(dǎo)致“過擬合”現(xiàn)象。而且，梯度下降法要求學(xué)習(xí)速率較小，因此BP神經(jīng)網(wǎng)絡(luò)的收斂速度較慢。在訓(xùn)練過程中，采用梯度下降法，BP神經(jīng)網(wǎng)絡(luò)方法還容易陷入局部極小點(diǎn)。

與淺層BP神經(jīng)網(wǎng)絡(luò)相比較，本文中DBN模型采用無監(jiān)督訓(xùn)練的方式，對(duì)輸入序列進(jìn)行預(yù)訓(xùn)練，在進(jìn)行有監(jiān)督訓(xùn)練之前，網(wǎng)絡(luò)參數(shù)就已經(jīng)靠近最優(yōu)解，避免了產(chǎn)生局部最優(yōu)。而且，多隱層的DBN模型，更有利于提取輸入序列之間的內(nèi)在特征。DBN模型頂層采用有監(jiān)督的BP神經(jīng)網(wǎng)絡(luò)，對(duì)已靠近最優(yōu)解的網(wǎng)絡(luò)參數(shù)進(jìn)行誤差調(diào)優(yōu)，使模型具備更高的預(yù)測(cè)準(zhǔn)確度，也減少了有監(jiān)督學(xué)習(xí)的時(shí)間。

3結(jié)束語

本文將深度學(xué)習(xí)理論應(yīng)用于分布式光伏發(fā)電系統(tǒng)功率預(yù)測(cè)中，建立了光伏短時(shí)發(fā)電功率的深度置信網(wǎng)絡(luò)（DBN）預(yù)測(cè)模型，并與常用的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行了性能比較，證明所搭建模型在光伏功率預(yù)測(cè)上優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。所提模型通過多層次的訓(xùn)練和學(xué)習(xí)，提取影響光伏發(fā)電功率的本質(zhì)特征和因素，并逐層變換特征矩陣，使得原樣本的特征矩陣最終變換為更抽象的特征矩陣。在預(yù)測(cè)其他地區(qū)、其他時(shí)段的光伏發(fā)電功率時(shí)，也可以通過特征矩陣的變換適應(yīng)差異化的輸入樣本，獲得良好的預(yù)測(cè)效果，使得模型的應(yīng)用更具普遍性。

（編輯：商丹丹）