基于Att-LSTM的光伏出力的超短期預(yù)測(cè)

辛浩淼，李 冶，鄒 巍，李保國(guó)

（廣東電網(wǎng)有限責(zé)任公司江門供電局，廣東 江門 529000）

0 引 言

隨著全球能源問題愈發(fā)嚴(yán)重，清潔能源比例不斷上升，對(duì)于光伏發(fā)電出力預(yù)測(cè)也越來越重要。風(fēng)光出力預(yù)測(cè)的影響因素非常多，因此想要準(zhǔn)確預(yù)測(cè)并部署，需要篩選合適的影響變量。環(huán)境溫度、濕度以及當(dāng)天的氣象都會(huì)對(duì)光伏出力預(yù)測(cè)造成影響，如果預(yù)測(cè)結(jié)果不準(zhǔn)確，極有可能對(duì)電網(wǎng)規(guī)劃造成困擾，甚至嚴(yán)重情況下會(huì)造成整個(gè)電網(wǎng)的崩潰[1,2]。

光伏出力預(yù)測(cè)方法現(xiàn)在主要分為2種：傳統(tǒng)的數(shù)學(xué)建模預(yù)測(cè)與現(xiàn)代的人工智能算法預(yù)測(cè)。傳統(tǒng)的方法主要是依靠相關(guān)的物理信息，如天氣數(shù)值、衛(wèi)星監(jiān)測(cè)數(shù)據(jù)等，采用數(shù)學(xué)傳統(tǒng)的回歸方法來進(jìn)行回歸預(yù)測(cè)。但上述方法的輸入?yún)⒘刻伲矣?jì)算非常復(fù)雜，現(xiàn)在流行的人工智能算法可以解決上述問題。通過深度學(xué)習(xí)算法，可以同時(shí)考慮多個(gè)參量的影響，預(yù)測(cè)效果非常契合光伏出力的不確定性[3,4]。本文首先基于互信息熵,確定影響光伏發(fā)電出力的相關(guān)影響變量。將上述影響較大的數(shù)據(jù)作為整個(gè)模型的輸入，并放入Att-LSTM模型中進(jìn)行訓(xùn)練。最終通過與其他算法進(jìn)行比較，驗(yàn)證了本文提出算法的有效性與準(zhǔn)確性。

1 訓(xùn)練模型原理

1.1 長(zhǎng)短期記憶網(wǎng)絡(luò)

長(zhǎng)短期記憶網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）是目前機(jī)器學(xué)習(xí)、人工智能領(lǐng)域應(yīng)用比較廣泛的一種深度學(xué)習(xí)算法。其是由循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）變種而來，可以解決RNN算法中梯度爆炸的問題，且針對(duì)時(shí)序數(shù)據(jù)具有很好的處理效果。LSTM網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 LSTM網(wǎng)絡(luò)結(jié)構(gòu)

在RNN模型的基礎(chǔ)上，LSTM在短期記憶單元ht上加入了ct來保證長(zhǎng)期記憶，除此之外，在原有模型基礎(chǔ)上還加入了3個(gè)門控模塊。在固定時(shí)間步長(zhǎng)t下，將各個(gè)層變量組成一個(gè)5維向量，計(jì)算公式為

式中：xt為模型輸入；σ為sigmoid激活函數(shù)；w和b分別為權(quán)重系數(shù)矩陣和偏置；ht為短期記憶單元；ct為長(zhǎng)期記憶單元；it為門控制模塊中的輸入門；ft為遺忘門；ot為輸出門。

1.2 注意力機(jī)制

當(dāng)一個(gè)深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型接收了大量的輸入維度時(shí)，整個(gè)模型的計(jì)算性能就會(huì)降低，為了保留對(duì)輸出影響較大的輸出變量，采用注意力機(jī)制可以將模型的計(jì)算重點(diǎn)放在對(duì)輸出影響較大的輸入上，計(jì)算公式為

式中：s(xt,q)為得分函數(shù)；xt為輸入；q為查詢向量；αi為注意力分布值系數(shù)；W為權(quán)重系數(shù)矩陣；softmax(·)為激活函數(shù)；a為加權(quán)平均值。圖2為其機(jī)制示意圖。

圖2 注意力機(jī)制結(jié)構(gòu)圖

2 仿真驗(yàn)證

2.1 數(shù)據(jù)處理

本文選取歷史光伏出力、輻射度、溫度、云量、風(fēng)速以及濕度等作為模型的輸入。首先通過互信息熵選擇相關(guān)性的變量，得到結(jié)果如表1所示。

表1 氣象因素和光伏功率的MIE相關(guān)系數(shù)

本文選擇0.6作為閾值確定變量，選取輻照度、溫度與濕度為輸入?yún)⒘俊?/p>

本文數(shù)據(jù)來自澳大利亞布里斯班昆士蘭大學(xué)公布的公開數(shù)據(jù)，是該地區(qū)2012—2013年一整年每天24 h和每1 min的詳細(xì)數(shù)據(jù)。

本文對(duì)上述數(shù)據(jù)進(jìn)行預(yù)處理，選取前15 min的每一個(gè)數(shù)據(jù)的平均值作為結(jié)果，以此來降低計(jì)算量，提高模型性能。

2.2 仿真結(jié)果

晴天預(yù)測(cè)結(jié)果如圖 4 所示，陰天預(yù)測(cè)結(jié)果如圖 5所示，天氣波動(dòng)較強(qiáng)下預(yù)測(cè)結(jié)果如圖 6 所示。

圖4 天晴日光伏功率確定性預(yù)測(cè)

圖5 陰雨天光伏功率確定性預(yù)測(cè)

圖6 天氣劇烈變化日光伏功率確定性預(yù)測(cè)

在晴天條件下，光伏出力變化較為平穩(wěn)，波動(dòng)性較低。在陰天條件下，光伏出力變化較大，波動(dòng)性更強(qiáng)。一個(gè)模型的好壞取決于在天氣劇烈變化下的預(yù)測(cè)效果，本文算法較BiLSTM與CNN相比較具有更好的預(yù)測(cè)效果。

2.3 算法比較

算法比較如表2所示。在晴天條件下，本文算法較另外2種具有更高的精度，預(yù)測(cè)的誤差值更?。辉陉幪鞐l件下，雖然都發(fā)生了波動(dòng)，但是本文算較另外2種波動(dòng)幅度較小，且精確度和誤差值都更??；在負(fù)載波動(dòng)條件下，本文算法同樣保持了高精度、低誤差的特點(diǎn)。由此可以看出，本文算法在上述各種條件下均具有良好的預(yù)測(cè)效果。

表2 算法比較

3 結(jié) 論

本文方法首先利用互信息熵，選取對(duì)光伏出力影響較大的大參量作為輸入?yún)⒘?，其次將該輸入?yún)⒘糠湃爰尤肓俗⒁饬C(jī)制的長(zhǎng)短期記憶網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練，將晴天、陰天和復(fù)雜天氣變動(dòng)下3種情況的預(yù)測(cè)結(jié)果與另外2種算法（CNN和BiLSTM）進(jìn)行比較。經(jīng)過仿真結(jié)果驗(yàn)證，本文算法在任意天氣條件下均有較高的精度與低誤差，驗(yàn)證了本文提出算法的有效性。