有限信息下基于深度學(xué)習(xí)模型的小型分布式光伏電站功率預(yù)測

甄 皓

華北電力大學(xué)經(jīng)濟與管理學(xué)院

0 引言

可再生能源的利用是應(yīng)對中國環(huán)境和能源問題的重要措施。中國在《能源發(fā)展戰(zhàn)略行動計劃（2014-2020）》《可再生能源中長期發(fā)展規(guī)劃（2007-2020）》中指出，在2020年實現(xiàn)非化石能源占一次能源消費比重達(dá)到15%。然而，可再生能源整合進電網(wǎng)的主要挑戰(zhàn)在于可再生能源的間歇性、不穩(wěn)定性。為了可靠地利用可再生能源、保障電網(wǎng)平衡、實時調(diào)度，不同時間范圍內(nèi)的可再生能源功率預(yù)測十分重要。

針對光伏功率預(yù)測，大多數(shù)文章都通過間接太陽輻照度等氣象信息來預(yù)測光伏功率。一方面，全球水平輻照度預(yù)測往往與溫度預(yù)測相結(jié)合，通過物理模型來預(yù)測光伏功率輸出。另一方面，越來越多的學(xué)者提出了人工神經(jīng)網(wǎng)絡(luò)模型（Artificial Neural Networks, ANN）[1，2]、支持向量機（Support Vector Machine, SVM）等機器學(xué)習(xí)模型[3，4]來預(yù)測光伏電站輸出。具體來講，用于功率預(yù)測模型的輸入數(shù)據(jù)往往涉及到小型氣象站監(jiān)測的氣象數(shù)據(jù)，一般包括全球水平輻射、溫度、漫射輻射水平、風(fēng)速等。采用物理模型或者機器學(xué)習(xí)方法，都涉及到一段時間內(nèi)當(dāng)?shù)貧庀髷?shù)據(jù)的獲取和利用。

一部分學(xué)者對有限氣象信息條件下的光伏功率預(yù)測進行了研究。Cai Tao等人提出了一種神經(jīng)網(wǎng)絡(luò)預(yù)測模型，解決了無輻照量數(shù)據(jù)情況下的光伏功率預(yù)測問題[5]。Gianni Bianchini等人通過PVUSA參數(shù)模型，分別利用云量信息和光伏功率歷史數(shù)據(jù)[6]、以及溫度預(yù)測及光伏功率歷史數(shù)據(jù)等[7]解決了無輻照量和溫度信息下的光伏功率預(yù)測問題。然而，這些方法都假定可以得到有關(guān)光伏電站所在站點云覆蓋指數(shù)或歷史溫度，對很多分布式小型光伏電站均不能適用。

在實際情況中，往往既沒有準(zhǔn)確的電站物理模型，也沒有直接的太陽輻照度，或者其它氣象信息（比如溫度、相對濕度）的測量?；跉庀髷?shù)據(jù)的功率預(yù)測需要在站內(nèi)安裝一系列的測試設(shè)備，包括濕度、云量、雨量等傳感器，建立分布式光伏電站氣象數(shù)據(jù)采集系統(tǒng)并配備小型氣象站。大型的光伏電站因規(guī)模大可以搭建氣象站，成百上千個小型獨立運營的分布式光伏電站，以及小型微網(wǎng)中的屋頂光伏電站等，往往不具備這種條件。如何在缺少氣象信息的條件下，利用有限的歷史數(shù)據(jù)準(zhǔn)確預(yù)測分布式光伏電站功率具有重大的意義。

僅利用歷史數(shù)據(jù)的光伏功率線性預(yù)測模型，比如：模糊理論，灰色理論，馬爾可夫鏈（MC），自回歸移動平均( Auto Regressive Moving Average，ARMA) 模型和自回歸綜合移動平均( Auto Regressive Integrated Moving Average，ARIMA)模型等，由于光伏出力數(shù)據(jù)的非線性，往往不能做到準(zhǔn)確預(yù)測。計算機硬件和軟件以及大數(shù)據(jù)技術(shù)的不斷改進，深度學(xué)習(xí)網(wǎng)絡(luò)已經(jīng)得到關(guān)注和發(fā)展，深度學(xué)習(xí)模型具有有效提取高維復(fù)雜非線性特征的能力，并具有從輸入到輸出直接映射的能力。至今，人們已經(jīng)提出了多種深度神經(jīng)網(wǎng)絡(luò)模型來預(yù)測光伏功率，包括循環(huán)神經(jīng)網(wǎng)絡(luò)( Recurrent Neural Network，RNN)、卷積神經(jīng)網(wǎng)絡(luò)(CNN)等。崔承剛等人[8]基于氣象信息及電站信息等特征值，利用LSTM 模型對光伏電站功率進行了預(yù)測。簡獻(xiàn)忠等人[9]通過CNN-LSTM 混合模型對短期光伏電站功率輸出進行預(yù)測，結(jié)論表明所提模型的性能良好。但深度學(xué)習(xí)模型進行光伏功率預(yù)測大多針對氣象信息齊全的大型光伏電站，對缺乏氣象信息的小型分布式光伏電站研究較少。

本文針對解決無氣象站配備的小型分布式光伏電站，在無法測量氣象變量（即太陽輻照度、溫度、相對濕度等）的情況下，提出了一種僅基于區(qū)域內(nèi)光伏電站歷史功率數(shù)據(jù)的雙層LSTM深度學(xué)習(xí)模型，來預(yù)測分布式光伏電站的功率。為取得最佳的預(yù)測效果，對LSTM 模型的層數(shù)及超參數(shù)對其預(yù)測效果的影響進行了分析。此外，為驗證該模型的準(zhǔn)確性，利用澳大利亞愛麗絲泉地區(qū)的分布式光伏電站的數(shù)據(jù)進行實例驗證，并與使用氣象數(shù)據(jù)進行預(yù)測的模型效果進行了對比。結(jié)果表明，在有限信息條件下，借助區(qū)域內(nèi)光伏電站歷史功率數(shù)據(jù)進行光伏功率預(yù)測的效果良好，適用于無氣象站情景下的光伏功率預(yù)測。

1 基于深度學(xué)習(xí)的長短期記憶模型

長短期記憶模型（Long Short-Term Memory，LSTM）是Hochreiter＆Schmidhuber[10]提出的一種遞歸神經(jīng)網(wǎng)絡(luò)。它的內(nèi)部存儲單元和門機制克服了傳統(tǒng)遞歸神經(jīng)網(wǎng)絡(luò)（RNN）訓(xùn)練中的梯度消失和梯度爆炸問題，將時間序列中的延遲事件保存下來，并在后續(xù)訓(xùn)練中進行提取，因此特別出力時間序列預(yù)測問題。為了使子模塊保存長期記憶，LSTM 引進了核心結(jié)構(gòu)“遺忘門”和“輸入門”。遺忘門可以讓循環(huán)神經(jīng)網(wǎng)絡(luò)遺忘無用的信息，輸入門可以輸入補充最新的記憶，兩者的密切配合決定了信息的遺忘與保留。LSTM 門機制包括遺忘門、輸入門、更新門和輸出門。LSTM 模型的核心計算公式如下：

圖1 LSTM 內(nèi)部結(jié)構(gòu)

基于梯度的優(yōu)化算法有隨機梯度下降（Stochastic Gradient Descent，SGD）、AdaGrad、RMSProp、Adam 等算法。Adam 算法是由Diederik Kingma 和Jimmy Ba 在2015 年中提出[12]，該算法是隨機梯度下降算法的拓展，它能有效地基于訓(xùn)練數(shù)據(jù)迭代更新神經(jīng)網(wǎng)絡(luò)權(quán)重，近年來廣泛應(yīng)用于深度學(xué)習(xí)中，因此本文采用Adam算法。

LSTM 模型具體的構(gòu)建與實現(xiàn)分為3個步驟。

1)獲取所需數(shù)據(jù)集，對原始數(shù)據(jù)進行清洗和處理，并對訓(xùn)練集和驗證集進行劃分。

2)確定用于LSTM 模型的輸入向量及輸出，確定LSTM 模型的架構(gòu)及具體參數(shù)，完成模型的構(gòu)建。

3)利用實驗數(shù)據(jù)對模型進行檢驗和修改，進行預(yù)測。

2 算例分析

本文為了驗證所提出的模型，使用了從澳大利亞Alice Springs［51］的DKASC 的發(fā)電數(shù)據(jù)，該地區(qū)位于澳大利亞中部，南緯23°42′，東經(jīng)133°52′，海拔545m。實際五個光伏系統(tǒng)收集的數(shù)據(jù)，五個光伏系統(tǒng)均采用固定式單晶硅組件[13]。五個電站每5 分鐘記錄一次從DKASC 收集的數(shù)據(jù)。五個電站信息如表1所示。

(1)路堤表面工后沉降曲線大致呈“勺”形，處理前，工后沉降最大值為6.7 cm，地基處理后，工后沉降值減小至2.2 cm。原因在于地基處理使地表沉降明顯減小，路堤表面工后沉降也隨之減小。

表1 五個光伏電站信息

2.1 相關(guān)性分析

如何選取合適的輸入量作為光伏功率預(yù)測模型的訓(xùn)練數(shù)據(jù)，是建立功率預(yù)測模型的重要環(huán)節(jié)。De Giorgi 等人[14]對不同輸入向量對光伏功率預(yù)測模型性能的影響進行了研究，他們設(shè)計了三種類型的向量，即向量1 包含歷史PV 輸出數(shù)據(jù)，向量2 包含太陽輻照度值，向量3 包含光伏組件溫度。研究結(jié)果表明，三種不同向量情況下，預(yù)測誤差分別為12.57%、12.60%和10.91%。Liu等人[15]對歷史PV輸出數(shù)據(jù)、當(dāng)日天氣數(shù)據(jù)、歷史氣溶膠指數(shù)（AI）、歷史風(fēng)速、天氣和濕度數(shù)據(jù)等作為PV 輸出預(yù)測模型的輸入進行了研究，結(jié)果表明，PV輸出預(yù)測模型的性能隨輸入變量的變化而變化。因此，合適的輸入對提高光伏功率預(yù)測的準(zhǔn)確性和模型性能，尤其在降低模型計算復(fù)雜性和計算成本方面起著至關(guān)重要的作用。如果預(yù)測模型輸入的選擇不當(dāng)，將導(dǎo)致預(yù)測模型的誤差增加。

光伏電站的輸出功率（P）與整體水平輻射量（GHR）、水平擴散輻射（DHR）、環(huán)境溫度（T）、風(fēng)速（WS）和相對濕度（RH）等相關(guān)。本文對臨近電站的歷史輸出、氣象因素等分布式光伏電站的功率輸出相關(guān)性進行了分析，對原始數(shù)據(jù)與各個變量之間相關(guān)性進行了直觀描述，后選取2016 年一年的數(shù)據(jù)計算了各個變量（xi）與分布式光伏電站功率P之間的皮爾遜相關(guān)系數(shù)r，計算公式如下

圖2 變量與光伏功率輸出變化

原始PV功率序列和相關(guān)的氣象因素變化如圖2所示，可以直觀理解所選變量與光伏電站輸出之間的關(guān)系。所選輸入變量的范圍和Pearson相關(guān)系數(shù)r如表2所示。相鄰電站的歷史功率數(shù)據(jù)既體現(xiàn)了時間和季節(jié)變化趨勢，也由于處在同一地區(qū)，反映了相關(guān)氣象信息的影響。根據(jù)分析可得，與10號光伏電站相關(guān)性最高的因素從高到低排序為12、13、19、18號光伏電站，整體輻射水平、漫射輻射水平、風(fēng)速、溫度、相對濕度，同一地區(qū)臨近的光伏電站出力數(shù)據(jù)整體相關(guān)性大于氣象數(shù)據(jù)的相關(guān)性。

2.2 數(shù)據(jù)處理

1）數(shù)據(jù)標(biāo)準(zhǔn)化

本文標(biāo)準(zhǔn)化采用了min-max標(biāo)準(zhǔn)化方法，它默認(rèn)將每種特征的值都?xì)w一化到[0，1]之間。首先調(diào)用sklearn.preprocessing 中的MinMaxScaler 對數(shù)據(jù)進行歸一化處理，將每種特征的值都?xì)w一化到[0，1]之間，其轉(zhuǎn)換公式如下

2）訓(xùn)練測試集劃分

本文對2015年1月1日到2018年12月31日4年的數(shù)據(jù)進行模型訓(xùn)練和驗證。該數(shù)據(jù)集每5分鐘一個數(shù)據(jù)點，每天288個數(shù)據(jù)點，一共420 126條數(shù)據(jù)。本文將2015 年1 月1 日至2017 年10 月20 日294 088條數(shù)據(jù)用作訓(xùn)練數(shù)據(jù)集，將2015年6月1日至2016 年6 月12 日126 036 條數(shù)據(jù)用作測試數(shù)據(jù)集，訓(xùn)練數(shù)據(jù)與測試數(shù)據(jù)之間比例為7:3。

表2 變量范圍以及皮爾遜相關(guān)系數(shù)

3）誤差評估

本文采用均方根誤差（Root Mean Square Error, RMSE）進行LSTM 預(yù)測模型性能評估[48]，評價指標(biāo)的定義如下

2.3 模型驗證

本文結(jié)合澳大利亞Alice Springs的DKASC發(fā)電數(shù)據(jù)，應(yīng)用LSTM 預(yù)測模型進行實驗驗證。主要包含以下內(nèi)容。

1）LSTM網(wǎng)絡(luò)層的選取及超參數(shù)影響分析

改變隱藏層層數(shù)，通過實驗預(yù)測結(jié)果確定合適的網(wǎng)絡(luò)層數(shù)。一般來講，隱藏層越多，LSTM模型數(shù)據(jù)處理能力和學(xué)習(xí)能力越好，但神經(jīng)元的增加會增加模型復(fù)雜度從而降低訓(xùn)練速度。首先，將LSTM模型設(shè)置不同的隱藏層層數(shù)，通過訓(xùn)練集對網(wǎng)絡(luò)進行訓(xùn)練，用測試集進行驗證得到不同隱藏層層數(shù)下網(wǎng)絡(luò)的預(yù)測效果，如表3 所示。根據(jù)模型在不同隱藏層層數(shù)下的均方根誤差，選擇LSTM 網(wǎng)絡(luò)結(jié)構(gòu)隱藏層層數(shù)為兩層。

表3 不同隱藏層層數(shù)的光伏功率預(yù)測結(jié)果

選取隱藏層層數(shù)后，本文對超參數(shù)訓(xùn)練塊大小（Batch Size）、對LSTM 模型預(yù)測效果影響進行了分析。訓(xùn)練塊大小表示輸入矩陣的大小。在神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中，合理范圍內(nèi)增大訓(xùn)練塊大小，可以更有效地利用內(nèi)存，處理數(shù)據(jù)速度也會得到提升。訓(xùn)練塊越大，下降方向可以更加容易確定，訓(xùn)練震蕩會穩(wěn)定在合理范圍內(nèi)。但若盲目增大訓(xùn)練塊大小，內(nèi)存容量會被迅速占用，造成數(shù)據(jù)溢出，程序崩潰。不同訓(xùn)練塊大小訓(xùn)練效果對比如表4 所示。由表4 可知，當(dāng)訓(xùn)練塊大小在80 左右時，訓(xùn)練效果最好。

表4 訓(xùn)練塊大小對光伏功率預(yù)測效果影響分析

2）基于鄰近電站歷史數(shù)據(jù)的分布式光伏功率預(yù)測性能實證及比較

根據(jù)上文分析結(jié)果，建立雙層LSTM 分布式光伏功率預(yù)測模型，第一層為4個輸入單元，128個輸出單元，第二層為128個輸入單元，一個輸出單元。訓(xùn)練塊大小設(shè)為80，學(xué)習(xí)率通過keras 提供的回調(diào)函數(shù)學(xué)習(xí)率調(diào)節(jié)器（Learning Rate Scheduler）動態(tài)調(diào)整，步長為1，優(yōu)化器采用Adam 算法。根據(jù)3.1節(jié)相關(guān)性分析結(jié)果，在缺少氣象數(shù)據(jù)的條件下，選取12、13、18、19 號光伏電站的歷史功率數(shù)據(jù)對10號分布式電站進行功率預(yù)測，即通過P12(t-1)、P13(t-1)、P18(t-1)、P19(t-1)來預(yù)測P12(t)。驗證無大型氣象站下的小型分布式光伏電站通過臨近光伏電站歷史數(shù)據(jù)預(yù)測功率的準(zhǔn)確性。

此外，本文也使用LSTM 模型進行了基于氣象信息的分布式光伏電站功率預(yù)測，以對比驗證缺乏小型氣象站的分布式光伏電站，充分利用鄰近電站歷史功率數(shù)據(jù)進行準(zhǔn)確功率預(yù)測的性能。用于對比的模型輸入向量包括風(fēng)速（Wind Speed）、溫度(Weather Temperature)、相對濕度(Weather Relative Humidity)、水平輻射量(Global Horizontal Radiation)、水平散射量(Diffuse Horizontal Radiation)五個變量。該模型也采用雙層LSTM 模型，第一層為5個輸入單元，128個輸出單元，第二層為128個輸入單元，一個輸出單元，并為了更好的預(yù)測效果，在LSTM模型中引入dropout機制。

基于鄰近電站歷史數(shù)據(jù)的分布式光伏功率預(yù)測結(jié)果如圖5 所示，基于氣象信息的LSTM 分布式光伏功率預(yù)測如圖6 所示，兩個模型的預(yù)測效果如表5所示。根據(jù)預(yù)測結(jié)果基于氣象信息的LSTM分布式光伏功率預(yù)測的均方誤差為0.0477，而基于鄰近電站歷史數(shù)據(jù)的分布式光伏功率預(yù)測均誤差為0.0439，這表明在小型分布式光伏電站缺乏氣象站的條件下，通過臨近光伏電站歷史功率數(shù)據(jù)來預(yù)測光伏功率的均方誤差更小，效果良好。

圖5 基于歷史數(shù)據(jù)的未來三天的光伏功率預(yù)測

圖6 基于氣象信息的LSTM分布式光伏功率預(yù)測

表5 不同輸入向量下的分布式光伏功率預(yù)測

3 結(jié)論

本文針對無氣象站配備的小型分布式光伏電站功率預(yù)測問題，提出了一種僅基于區(qū)域內(nèi)光伏電站歷史功率數(shù)據(jù)的雙層LSTM深度學(xué)習(xí)模型。本文通過對鄰近光伏電站的歷史數(shù)據(jù)、輻照度、相對濕度等變量與所研究的光伏電站功率輸出進行了相關(guān)性分析，證明了相鄰電站歷史數(shù)據(jù)作為輸入向量的合理性，通過對LSTM 模型的層數(shù)及超參數(shù)的影響分析，選取合適的層數(shù)及超參數(shù)構(gòu)建了LSTM 模型。同時，為驗證該模型的準(zhǔn)確性，利用澳大利亞愛麗絲泉地區(qū)的分布式光伏電站的數(shù)據(jù)進行實例驗證，并與使用氣象數(shù)據(jù)進行預(yù)測的模型效果進行了對比。結(jié)果表明，在有限信息情景下，借助區(qū)域內(nèi)光伏電站歷史功率數(shù)據(jù)進行光伏功率預(yù)測的效果良好，均方根誤差為0.0477，適用于無氣象站情景下的分布式光伏功率預(yù)測。