基于分時(shí)LSTM的光伏發(fā)電功率預(yù)測

許可，王玨，姚鐵錘，李凱

1.中國科學(xué)院計(jì)算機(jī)網(wǎng)絡(luò)信息中心，北京 100190

2.中國科學(xué)院大學(xué)，北京 100049

引 言

近年來，隨著科學(xué)技術(shù)的不斷發(fā)展，太陽能發(fā)電的綜合利用已經(jīng)成為新興產(chǎn)業(yè)[1]。隨著光伏電站裝機(jī)容量的增長，光伏發(fā)電的不確定性為電網(wǎng)新能源消納帶來了挑戰(zhàn)[2]。準(zhǔn)確的預(yù)測光伏發(fā)電功率可以降低電力系統(tǒng)的運(yùn)行成本，保證電網(wǎng)的電能質(zhì)量，促進(jìn)大規(guī)模的光伏并網(wǎng)發(fā)展[3]。

光伏發(fā)電是一個(gè)連續(xù)不斷的過程，光伏發(fā)電數(shù)據(jù)作為一個(gè)典型的時(shí)間序列，不僅是非線性的，而且具有時(shí)間相關(guān)性[4-5]，光伏發(fā)電功率每時(shí)刻的變化取決于當(dāng)前時(shí)刻和過去時(shí)刻的氣象特征[6]。針對時(shí)間相關(guān)性的研究，黃磊等人[7]利用支持向量回歸對不同時(shí)間尺度的光伏功率序列進(jìn)行分析，基于多維時(shí)間序列特征建立了光伏功率預(yù)測模型。模型在一定程度上提升了預(yù)測精度，但在功率變化強(qiáng)烈的情況下模型表現(xiàn)不佳。趙濱濱等[8]建立了基于差分整合移動(dòng)平均自回歸模型對功率序列進(jìn)行時(shí)間相關(guān)性分析，采用二階差分對輸出功率的樣本值進(jìn)行預(yù)處理，計(jì)算輸出功率樣本值的自相關(guān)系數(shù)和偏自相關(guān)系數(shù)。研究結(jié)果表明每時(shí)刻的功率與前六個(gè)時(shí)刻的特征均相關(guān)，與前一時(shí)刻的特征具有高度相關(guān)性。江雪辰等人[9]研究出了一種基于時(shí)間管理序列的光伏發(fā)電功率模擬方法，文章所述方法極大地保留了時(shí)序特征的自相關(guān)性，并且在概率和數(shù)據(jù)統(tǒng)計(jì)特性上預(yù)測效果更優(yōu)。

本文提出了基于分時(shí)長短期記憶神經(jīng)網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）的光伏發(fā)電功率預(yù)測模型。首先利用Pearson 相關(guān)系數(shù)計(jì)算總輻照度、環(huán)境溫度、環(huán)境濕度、風(fēng)速等氣象特征與光伏發(fā)電功率之間的相關(guān)性，選擇與光伏發(fā)電功率相關(guān)度較高的歷史氣象特征輸入到光伏發(fā)電功率預(yù)測模型中。接著從時(shí)間維度研究各個(gè)氣象特征歷史時(shí)刻與當(dāng)前時(shí)刻功率之間的時(shí)間相關(guān)性。然后構(gòu)建分時(shí)LSTM光伏發(fā)電功率預(yù)測模型。當(dāng)使用傳統(tǒng)LSTM 模型輸入全部歷史特征時(shí)往往會(huì)影響模型的復(fù)雜度而出現(xiàn)較大的誤差[10]，且光伏數(shù)據(jù)本身存在時(shí)間不對齊等特點(diǎn)，因此從時(shí)間維度對氣象特征進(jìn)行分析有助于提升光伏發(fā)電功率預(yù)測精度。針對真實(shí)光伏電站進(jìn)行案例分析驗(yàn)證所述方法的有效性。

1 氣象特征與光伏發(fā)電功率的相關(guān)性

1.1 影響光伏發(fā)電功率的氣象特征

本文利用Pearson 相關(guān)系數(shù)對光伏發(fā)電功率的時(shí)序特征以及氣象特征進(jìn)行研究，量化氣象特征對光伏發(fā)電功率的影響權(quán)重，選擇與光伏發(fā)電功率相關(guān)度較高的歷史氣象特征作為光伏發(fā)電功率預(yù)測模型的輸入。Pearson 相關(guān)系數(shù)[11]的公式如下所示。

以某真實(shí)光伏電站為案例，提取光伏電站的場站實(shí)測氣象數(shù)據(jù)、數(shù)值天氣預(yù)報(bào)數(shù)據(jù)以及歷史光伏發(fā)電功率構(gòu)建數(shù)據(jù)集。數(shù)據(jù)集中包含2018年7月1日至2019年6月13日共348 天逐15 分鐘數(shù)據(jù)，其中每個(gè)時(shí)刻點(diǎn)數(shù)據(jù)包含場站實(shí)測氣象數(shù)據(jù)中的實(shí)測總輻照度、實(shí)測直射輻照度、實(shí)測散射輻照度、實(shí)測環(huán)境溫度、實(shí)測氣壓、實(shí)測風(fēng)向、實(shí)測風(fēng)速，數(shù)值天氣預(yù)報(bào)中的預(yù)測時(shí)間、預(yù)測總輻照度、預(yù)測直射輻照度、預(yù)測散射輻照度、預(yù)測總云量、預(yù)測低云量、預(yù)測地面百葉箱氣溫、預(yù)測地面百葉箱相對濕度、預(yù)測地面10 米風(fēng)速、預(yù)測地面10 米風(fēng)向、預(yù)測空氣質(zhì)量、預(yù)測地面氣壓、預(yù)測逐15 分鐘降水以及光伏電站功率值。

將數(shù)據(jù)集中氣象特征與歷史光伏發(fā)電功率輸入到公式（1）中，計(jì)算得到每個(gè)氣象特征與光伏發(fā)電的相關(guān)性，結(jié)果如表1 所示。

表1 氣象特征與光伏發(fā)電功率的相關(guān)性Table 1 Correlation between meteorological factors and photovoltaic power

由表1 可知，光伏電站數(shù)據(jù)集中的預(yù)測總輻照度、預(yù)測直射輻照度、預(yù)測散射輻照度和實(shí)測總輻照度、實(shí)測直射輻照度、實(shí)測散射輻照度與功率呈正相關(guān)，具有強(qiáng)相關(guān)性。預(yù)測地面百葉箱氣溫、預(yù)測地面10 米風(fēng)速、實(shí)測環(huán)境溫度、實(shí)測風(fēng)速與功率呈正相關(guān)，具有中等相關(guān)性。預(yù)測地面百葉箱相對濕度與功率呈負(fù)相關(guān)，具有中等相關(guān)性。預(yù)測總云量、預(yù)測低云量、預(yù)測地面10 米風(fēng)向、預(yù)測地面氣壓、預(yù)測逐15 分鐘降水、實(shí)測風(fēng)向與功率呈負(fù)相關(guān)，具有弱相關(guān)性。預(yù)測氣壓與功率呈正相關(guān)，具有弱相關(guān)性。將中等相關(guān)程度以上的氣象特征輸入到光伏發(fā)電功率預(yù)測模型。

1.2 時(shí)間相關(guān)性

時(shí)間相關(guān)性是指同一時(shí)序特征在不同時(shí)刻的相關(guān)程度[12], 光伏發(fā)電功率不僅與歷史時(shí)刻自身功率序列密切相關(guān)，還與不同時(shí)刻的總輻照度、散射輻照度、環(huán)境溫度等氣象特征密切相關(guān)。利用如下公式計(jì)算不同時(shí)刻氣象特征與功率之間的相關(guān)系數(shù)，研究氣象特征與光伏功率的時(shí)間相關(guān)性。

將不同時(shí)刻氣象特征如預(yù)測總輻照度等代入到公式（2）中，計(jì)算不同時(shí)刻氣象特征與當(dāng)前時(shí)刻發(fā)電功率之間的時(shí)間相關(guān)性。選擇與光伏發(fā)電功率相關(guān)度較高的歷史氣象特征輸入到光伏發(fā)電功率預(yù)測模型中，其相關(guān)性熱力圖結(jié)果如下圖1 所示。

圖1 功率與氣象特征時(shí)間相關(guān)性熱力圖Fig.1 Time correlation thermal map between power and meteorological factors

如圖所示，不同氣象特征在每時(shí)刻對功率的影響程度不同，實(shí)測氣象特征與功率間的時(shí)間相關(guān)性大于預(yù)測氣象特征的相關(guān)性，其中功率與歷史時(shí)刻功率的相關(guān)性最強(qiáng)，輻照度等與功率間相關(guān)性次之，環(huán)境溫度等與功率間相關(guān)性最低，這與表1 結(jié)果相符。

此外，不同時(shí)刻的光伏發(fā)電功率與歷史時(shí)刻的氣象特征時(shí)間相關(guān)性不同，每時(shí)刻的功率至少與前兩個(gè)時(shí)刻的氣象特征具有強(qiáng)關(guān)聯(lián)。隨著時(shí)間尺度的增加，氣象特征與功率間的時(shí)間相關(guān)性降低。因此針對不同時(shí)刻的預(yù)測功率，光伏發(fā)電功率預(yù)測模型根據(jù)時(shí)間相關(guān)性強(qiáng)度確定歷史時(shí)長的輸入。

2 基于分時(shí)LSTM 的光伏發(fā)電功率預(yù)測

2.1 LSTM 結(jié)構(gòu)

LSTM 主要用于處理時(shí)序數(shù)據(jù)[13]。當(dāng)前時(shí)刻信息輸入到LSTM 網(wǎng)絡(luò)中時(shí)，記憶單元中的輸入門用于控制信息輸入，遺忘門用于更新單元?dú)v史狀態(tài)，輸出門用于控制信息的輸出。圖2 展示了LSTM 單元結(jié)構(gòu)。

圖2 LSTM 單元結(jié)構(gòu)Fig.2 LSTM cell construction

2.2 基于分時(shí)LSTM 的光伏發(fā)電功率預(yù)測模型

在此基礎(chǔ)上，本文建立了基于分時(shí)LSTM 的光伏發(fā)電功率預(yù)測模型，其步驟如下：

（1）讀入光伏電站數(shù)據(jù)集，選擇每天5:15-19:30逐15 分鐘有光伏發(fā)電功率的時(shí)刻構(gòu)成時(shí)間序列數(shù)據(jù)。

（2）將氣象特征與光伏發(fā)電功率輸入到公式（1）中計(jì)算相關(guān)系數(shù)，選取中等相關(guān)程度以上的氣象特征作為強(qiáng)相關(guān)的氣象特征。

（3）利用公式（2）計(jì)算每個(gè)強(qiáng)相關(guān)的氣象特征與光伏發(fā)電功率間的時(shí)間相關(guān)性，選擇強(qiáng)相關(guān)時(shí)刻的氣象特征作為每時(shí)刻功率預(yù)測模型的輸入。

（4）將選取的氣象特征及功率序列按照如下公式進(jìn)行歸一化。

（5）利用LSTM 提取訓(xùn)練集中的輸入時(shí)間序列與輸出功率之間的非線性關(guān)系，建立光伏功率預(yù)測模型。

（6）將模型輸出的預(yù)測功率進(jìn)行反歸一化。

（7）利用訓(xùn)練好的基于分時(shí)LSTM 的光伏發(fā)電功率預(yù)測模型對未來時(shí)刻的光伏發(fā)電功率進(jìn)行預(yù)測。

圖3 基于分時(shí)LSTM 的光伏發(fā)電預(yù)測功率Fig.3 Photovoltaic power forecasting model based on timedivision LSTM

基于分時(shí)LSTM 的光伏功率預(yù)測模型采用雙層LSTM 模型逐點(diǎn)預(yù)測光伏功率。模型隱含層抽象為特征提取部分和特征回歸部分，其中特征提取部分由LSTM 深度學(xué)習(xí)方法完成，特征回歸部分由全連接層完成[17]。模型輸入數(shù)據(jù)首先經(jīng)過雙層LSTM 網(wǎng)絡(luò)，動(dòng)態(tài)捕捉輸入數(shù)據(jù)的時(shí)序特征，然后送入帶有RuLU激活函數(shù)的全連接層，動(dòng)態(tài)輸出光伏發(fā)電預(yù)測功率。

3 光伏發(fā)電功率預(yù)測模型實(shí)驗(yàn)

本文所有數(shù)據(jù)均來源于某地區(qū)真實(shí)光伏電站，已在1.1 節(jié)中詳細(xì)介紹?；赥ensorflow[16]實(shí)現(xiàn)本文提出的光伏發(fā)電功率預(yù)測模型。利用均方根誤差(RMSE)和平均絕對誤差(MAE)[14]評(píng)估模型輸出預(yù)測功率與真實(shí)功率之間的誤差。RMSE 可以衡量預(yù)測值與期望值之間的離散程度，MAE 用來反映預(yù)測誤差的絕對值。式中為測試集中的樣本數(shù)，和分別為功率的實(shí)際值和預(yù)測值。

分別采用本文提出的分時(shí)LSTM 模型和傳統(tǒng)LSTM 模型[18]對光伏發(fā)電功率進(jìn)行預(yù)測，驗(yàn)證本文所述方法的可行性。分時(shí)LSTM 模型的輸入為高度相關(guān)的特征及歷史時(shí)刻，傳統(tǒng)LSTM 模型的輸入為歷史一天的全部氣象特征。光伏發(fā)電在不同的天氣類型下具有不同的曲線特征，因此分別選取晴天和陰雨天兩種天氣類型對分時(shí)LSTM 模型和LSTM 模型進(jìn)行對比實(shí)驗(yàn)。圖4 為預(yù)測功率與實(shí)際發(fā)電功率在不同天氣類型下的對比圖。

圖4 光伏發(fā)電功率預(yù)測曲線Fig.4 Photovoltaic power forecasting curve

由圖4 和表2 可知，在晴天和陰雨天兩種天氣類型下，分時(shí)LSTM 模型的預(yù)測結(jié)果均優(yōu)于傳統(tǒng)LSTM 模型，預(yù)測功率與真實(shí)功率之間的RMSE 和MAE 誤差更小。晴天時(shí)，分時(shí)LSTM和傳統(tǒng)LSTM 模型的預(yù)測精度較高，兩模型間的誤差較小。陰雨天的預(yù)測精度低于晴天的預(yù)測精度，這是因?yàn)榍缣鞎r(shí)光伏發(fā)電功率曲線較平滑，更易于準(zhǔn)確預(yù)測。陰雨天時(shí)功率波動(dòng)性較大，模型很難動(dòng)態(tài)感知功率曲線的變化。

表2 光伏發(fā)電功率預(yù)測結(jié)果對比Table 2 Comparison of photovoltaic power forecasting results

從預(yù)測曲線來看，傳統(tǒng)LSTM 模型對光伏功率的起止點(diǎn)預(yù)測效果有待提升，陰雨天時(shí)傳統(tǒng)LSTM 模型可以預(yù)測出光伏功率的大致趨勢，預(yù)測曲線較平滑且波動(dòng)性不強(qiáng)，而在實(shí)際光伏發(fā)電中，光伏發(fā)電功率受到各種自然因素的影響而呈現(xiàn)較強(qiáng)的波動(dòng)性。分時(shí)LSTM 模型針對高度相關(guān)的氣象特征及歷史時(shí)刻進(jìn)行建模，減少了模型的復(fù)雜度。與傳統(tǒng)LSTM 模型相比，分時(shí)LSTM模型預(yù)測誤差RMSE 降低36.2%，MAE 降低39.4%，說明分時(shí)LSTM 模型應(yīng)用于光伏發(fā)電功率預(yù)測的可行性和高效性。

4 結(jié)論與展望

本文結(jié)合實(shí)際問題從時(shí)間維度研究氣象特征對光伏發(fā)電的影響，提出了一種基于分時(shí)LSTM 的光伏發(fā)電功率預(yù)測模型。針對不同時(shí)刻的預(yù)測功率，光伏發(fā)電功率預(yù)測模型根據(jù)時(shí)間相關(guān)性強(qiáng)度確定輸入的歷史時(shí)長，減少了模型的復(fù)雜度，解決了光伏數(shù)據(jù)時(shí)間不對齊和預(yù)測精度低的問題。算例分析結(jié)果表明，本文所述模型較傳統(tǒng)LSTM 模型相比具有更高的精度，說明基于分時(shí)LSTM 的光伏發(fā)電功率預(yù)測模型可以滿足光伏發(fā)電實(shí)時(shí)調(diào)度需求。研究光伏發(fā)電的時(shí)間相關(guān)特性對準(zhǔn)確預(yù)測光伏發(fā)電功率具有重要的意義。

利益沖突聲明

所有作者聲明不存在利益沖突關(guān)系。