長短期記憶網(wǎng)絡(luò)在光伏與風(fēng)電功率預(yù)測中的應(yīng)用

周岳 明鏡

關(guān)鍵詞：功率預(yù)測;風(fēng)力發(fā)電;光伏發(fā)電;長短期記憶網(wǎng)絡(luò)

隨著近年來新能源發(fā)電的不斷發(fā)展，我國光伏和風(fēng)電裝機容量的增長極為迅速，并已于2010年年底超越美國成為全球風(fēng)電裝機容量第一的國家，于2016年超越德國成為光伏發(fā)電量世界第一的國家。我國各個地區(qū)新能源裝機量都有大幅度增加，尤其是西北地區(qū)，新能源裝機總量已經(jīng)超過35%，新能源滲透率不斷升高，風(fēng)電與光伏的不穩(wěn)定性所帶來的影響也逐步加大，對未來的風(fēng)電與光伏功率預(yù)測顯得更為重要。

風(fēng)電和光伏功率預(yù)測一般采用包括傳統(tǒng)預(yù)測方法和人工神經(jīng)網(wǎng)絡(luò)方法方法，傳統(tǒng)預(yù)測方法包括時間序列、回歸分析和趨勢外推等方式，其模型簡單，運算高效，但對風(fēng)電和光伏等隨機性較大的系統(tǒng)預(yù)測能力不足。隨著計算機算力的不斷增加，人工智能算法，如小波分析、支持向量機和人工神經(jīng)網(wǎng)絡(luò)等均在功率預(yù)測方面有了長足發(fā)展。

本文介紹的長短期記憶網(wǎng)絡(luò)算法，是一種人工神經(jīng)網(wǎng)絡(luò)算法，適合于功率預(yù)測等時序數(shù)據(jù)的分析和處理。并在此基礎(chǔ)上，提出一種數(shù)據(jù)優(yōu)化方式，提高預(yù)測準確性。

一、長短期記憶網(wǎng)絡(luò)

（一）人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是一種模擬生物神經(jīng)元的算法，理論方面不再贅述，本文僅從具體的實現(xiàn)上進行說明。一個人工神經(jīng)網(wǎng)絡(luò)包括輸入層、輸出層、中間層（隱藏層），層中還包括激活函數(shù)等，計算過程需要使用損失函數(shù)進行參數(shù)優(yōu)化。

中間層一般包括一層或多層，每一層的輸入為上一層的各個節(jié)點，對節(jié)點的數(shù)據(jù)進行線性計算，并將結(jié)果通過激活函數(shù)進行非線性化后，形成這一層的輸出。對于下一層而言，獲取上一層的輸出后，同樣進行線性計算，再通過激活函數(shù)后形成非線性的輸出，直到系統(tǒng)最終的輸出層。對于激活函數(shù)，如果使用線性激活函數(shù)，則整個系統(tǒng)最終也會是一個線性系統(tǒng)。所以要體現(xiàn)出系統(tǒng)的非線性，必須使用非線性激活函數(shù)。常見的激活函數(shù)包括tanh函數(shù)、sigmod函數(shù)、relu函數(shù)等，觀察此類函數(shù)的模型，sigmod和tanh函數(shù)實現(xiàn)了一種從0-1和從-1-1的類線性化，而在0-1和從-1-1之外，函數(shù)的輸出近似為-1、0或1，可見此類激活函數(shù)的功能，是將輸出的一部分“提取出來”，其他部分棄之不用。對于此類激活函數(shù)，神經(jīng)網(wǎng)絡(luò)一定程度上可以看出是由若干個線性系統(tǒng)片段合成的一個非線性系統(tǒng)。Relu函數(shù)是通過0點的突變提供非線性，當輸入低于0時，輸出為0，輸入高于0時，輸出等于輸入。使用此激活函數(shù)，程序計算效率比sigmod更高。除上述函數(shù)外，還有多種激活函數(shù)，一般實際使用中會酌情選擇，也可以多嘗試進行選優(yōu)。

損失函數(shù)用以表示計算（預(yù)測）結(jié)果和實際結(jié)果之間的誤差，損失函數(shù)越小，則計算結(jié)果和實際結(jié)果越接近，神經(jīng)網(wǎng)絡(luò)也越能近似實際系統(tǒng)。損失函數(shù)往往選用均方誤差、平均絕對值誤差、指數(shù)損失函數(shù)、對數(shù)損失誤差等。對于回歸計算，往往采用均方差誤差損失函數(shù)，但異常數(shù)據(jù)較多時，平均絕對值誤差的適應(yīng)性可能更好。實際使用也應(yīng)當對各種損失函數(shù)進行測試。另外，不同損失函數(shù)的損失值不能直接比較，因此如果相比較采用不同損失函數(shù)后，所訓(xùn)練出的模型的優(yōu)劣，需要對數(shù)據(jù)制定額外的評分標準。

（二）循環(huán)神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)有一個問題是，數(shù)據(jù)都只能單獨處理一個或一組輸入，前一個和后一個輸入完全沒有關(guān)系。而在實際數(shù)據(jù)中，上一組輸入輸出往往跟當前的輸入輸出有明顯的關(guān)聯(lián)，數(shù)據(jù)也往往是有序的，傳統(tǒng)神經(jīng)網(wǎng)絡(luò)并不能有效處理這種情況。因此產(chǎn)生一種循環(huán)神經(jīng)網(wǎng)絡(luò)。

循環(huán)神經(jīng)網(wǎng)絡(luò)的中間層，會增加一個與之并列的循環(huán)層，循環(huán)層會保留中間層的權(quán)重矩陣，并提供給下一次中間層進行計算。通過這種中間層和循環(huán)層相互配合，上一次的輸入就可以影響到下一次的輸出。

（三）長短期記憶網(wǎng)絡(luò)

循環(huán)神經(jīng)網(wǎng)絡(luò)的輸出，由當前輸入和上一次輸入決定。對于一個序列數(shù)據(jù)，比如一串時序數(shù)據(jù)較多時，當輸人為最后的數(shù)據(jù)時，第一個數(shù)據(jù)的權(quán)重會不斷降低到幾乎無法使用，或者不斷增加到梯度爆炸。

為了解決這個問題，長短期記憶網(wǎng)絡(luò)使用一組門代替循環(huán)神經(jīng)網(wǎng)絡(luò)的循環(huán)層。這組門可以記住重要的信息，忘記不重要的信息，相比如循環(huán)神經(jīng)網(wǎng)只能無差別的記憶疊加，對歷史輸入信息有了選擇性?？梢哉J為，長短期記憶網(wǎng)絡(luò)是在循環(huán)神經(jīng)網(wǎng)絡(luò)的循環(huán)層進行強化，使其擁有了遺忘、選擇、決定輸出的能力。遺忘功能是根據(jù)當前的輸入和上一次的輸出，共同決定節(jié)點狀態(tài)中的信息的保留程度;選擇功能是根據(jù)當前的輸入和上一次的輸出，決定更新哪些信息;決定輸出是根據(jù)這些信息通過激活函數(shù)實現(xiàn)當前節(jié)點的輸出。通過訓(xùn)練，長短期記憶網(wǎng)絡(luò)對時序數(shù)據(jù)有良好的應(yīng)用效果。

二、氣象數(shù)據(jù)分析

（一）氣象預(yù)測數(shù)據(jù)

常用的氣象預(yù)測數(shù)據(jù)一般包括：不同高度的風(fēng)速、不同高度的風(fēng)向、短波輻射通量、長波輻射通量、氣壓、云量、溫度、濕度、總降水、大尺度降水、對流降水，還有其他動量通量、潛熱通量、感熱通量等。對于風(fēng)電和光伏功率預(yù)測，一般選用相關(guān)性較高的部分信息作為輸入數(shù)據(jù)，選擇輸出功率作為輸出數(shù)據(jù)。

對數(shù)據(jù)的選擇一般需首先對輸入輸出數(shù)據(jù)進行相關(guān)性分析，相關(guān)性較高的數(shù)據(jù)作為輸入數(shù)據(jù)。對于可能產(chǎn)生影響的數(shù)據(jù)，也可酌情選為輸入數(shù)據(jù)。一般來說，對于風(fēng)電功率預(yù)測，風(fēng)速、風(fēng)向、溫度、氣壓等信息應(yīng)當作為輸入數(shù)據(jù);對于光伏功率預(yù)測，短波輻射通量、云量、溫度等信息應(yīng)當作為輸入數(shù)據(jù)。

除了上述有明顯相關(guān)性的數(shù)據(jù)，部分數(shù)據(jù)符合邏輯的數(shù)據(jù)也應(yīng)當作為輸入項，例如光伏數(shù)據(jù)有明顯的周期性，包括日周期和年周期，一般也會將光伏數(shù)據(jù)的時間和日期作為參數(shù);沿海地區(qū)的風(fēng)速和風(fēng)向隨著晝夜變化，一般也會體現(xiàn)出一定的周期性，也可考慮將時間作為輸入?yún)?shù)。

（二）預(yù)測數(shù)據(jù)準確性

對比氣象預(yù)測數(shù)據(jù)和氣象實測數(shù)據(jù)可知，氣象預(yù)測數(shù)據(jù)往往能夠預(yù)測出氣象數(shù)據(jù)的整體變化趨勢，但對于實際數(shù)據(jù)的波動性難以準確預(yù)測。且相較于光照信息、風(fēng)速等信息的預(yù)測精度較差。考慮到風(fēng)速的預(yù)測隨機性較大，算法進行訓(xùn)練時應(yīng)格外注意過擬合問題。

三、功率預(yù)測算法實現(xiàn)

（一）數(shù)據(jù)預(yù)處理

一般情況下，得到的原始數(shù)據(jù)里面會存在有問題的數(shù)據(jù)，此類數(shù)據(jù)會影響預(yù)測的精度，甚至讓模型在某些情況得到完全錯誤的輸出結(jié)果，因此需要對原始數(shù)據(jù)中不合理的部分進行處理。數(shù)據(jù)處理一般包括以下幾類：

1.數(shù)據(jù)錯誤

數(shù)據(jù)錯誤包含情況較多，例如時間數(shù)據(jù)為從1970年的無效數(shù)據(jù);0數(shù)據(jù)表示數(shù)值為0還是空，數(shù)據(jù)的單位不一致，此類情況均需酌情處理。如果本身訓(xùn)練數(shù)據(jù)較為豐富，可以直接將有問題的數(shù)據(jù)進行識別和刪除。

2.缺失值和重復(fù)值

重復(fù)值一般情況下是刪除重復(fù)項即可，但如果是時間相同但數(shù)值不同的重復(fù)數(shù)據(jù)，則需要根據(jù)上下文數(shù)據(jù)進行篩選。缺失值的處理一般按照缺失值多少進行處理，當缺失值較少時，一般使用均值或中位數(shù)進行填補;缺失值較多時，長短期記憶網(wǎng)絡(luò)由于大量數(shù)據(jù)缺失導(dǎo)致無法給網(wǎng)絡(luò)提供一系列穩(wěn)定的時序數(shù)據(jù)組，因此一般不建議使用長短期記憶網(wǎng)絡(luò)。

3.離群值

離群值指部分有一個或少數(shù)幾個數(shù)值與其他數(shù)值差異較大，一般情況下離群值并不能表示整個系統(tǒng)的一般特性，在沒有特殊要求的情況下可以對離群值進行剔除。數(shù)據(jù)較少時，離群值可以通過繪圖后手動確}人，并進行處理，當數(shù)據(jù)較多時，一般需要對數(shù)據(jù)進行聚類后，確定離群值并處理。

（二）功率預(yù)測的流程

本文選擇使用Pvthon程序及其人工智能庫keras等進行開發(fā)。Pvrhon由于其開發(fā)簡單，可用的機器學(xué)習(xí)庫十分豐富，且可以免費使用，在人工神經(jīng)網(wǎng)絡(luò)等應(yīng)用方面得到了廣泛應(yīng)用。Keras庫的使用一般包含下述幾個步驟：

1.讀取數(shù)據(jù)

一般使用pandas庫從csv等表格文件中讀取輸入輸出數(shù)據(jù)。瀆取后的數(shù)據(jù)類型為dataframe，是一種易于使用的數(shù)據(jù)結(jié)構(gòu)。

2.數(shù)據(jù)預(yù)處理

數(shù)據(jù)的預(yù)處理根據(jù)實際情況而定，一般會處理錯誤數(shù)據(jù)、離群數(shù)據(jù)等，另外需要將輸入輸出數(shù)據(jù)的時間嚴格對應(yīng)，即同組的輸入輸出必須為同一時刻。

3.數(shù)據(jù)選擇

處理后的數(shù)據(jù)需要從中選擇輸入、輸出，部分算法還需要對輸入輸出進行歸一化。

4.訓(xùn)練與測試數(shù)據(jù)

一般情況下，為了驗證預(yù)測模型的準確性，會將數(shù)據(jù)分為訓(xùn)練集和測試（驗證）集，訓(xùn)練集的數(shù)據(jù)進行模型訓(xùn)練，測試集的數(shù)據(jù)用來測試模型的準確性。對于長短期記憶網(wǎng)絡(luò)，每次的輸入數(shù)據(jù)除了當前時刻，還包含當前時刻之前的多個數(shù)據(jù)組。

5.搭建模型

使用keras提供的層進行模型的搭建，選擇合適的模型參數(shù)和類型，一般情況下使用默認參數(shù)可以滿足大部分需求。

6.模型訓(xùn)練和測試

將分好的數(shù)據(jù)放入keras進行訓(xùn)練，完成訓(xùn)練后使用測試數(shù)據(jù)進行預(yù)測，并將測試數(shù)據(jù)中的實際值和模型輸出的預(yù)測值進行比較。訓(xùn)練后的模型可以儲存下來重復(fù)訓(xùn)練和使用，這也讓模型具備持續(xù)學(xué)習(xí)的能力。

通過上述過程，可以實現(xiàn)風(fēng)電和光伏功率預(yù)測模型的訓(xùn)練，如果在服務(wù)器設(shè)備上定期執(zhí)行氣象數(shù)據(jù)獲取和預(yù)測任務(wù)，可以實現(xiàn)持續(xù)的功率預(yù)測。

（三）預(yù)測算法的實現(xiàn)

以風(fēng)電為例，首先對數(shù)據(jù)進行相關(guān)性分析，相關(guān)性較高的數(shù)據(jù)為風(fēng)速和風(fēng)向，因此選用不同高度的風(fēng)速和風(fēng)向作為輸入數(shù)據(jù)，可酌情增加溫度等信息。輸出數(shù)據(jù)為風(fēng)力發(fā)電站的實測功率。

將輸入輸出的數(shù)據(jù)時間對應(yīng)，對于完整的數(shù)據(jù)，直接選擇共同的起始時間，選擇合適的數(shù)據(jù)長度。對于可能不完整的數(shù)據(jù)，需要按照時間將所有數(shù)據(jù)一一對應(yīng)。

異常數(shù)據(jù)處理，對于氣象數(shù)據(jù)和發(fā)電站發(fā)電數(shù)據(jù)，首先確定正常的數(shù)據(jù)類型為一定范圍內(nèi)的數(shù)字，對數(shù)據(jù)的處理首先清理掉所有非數(shù)字的內(nèi)容，比如空數(shù)據(jù)，或者“一”等表示空的字符。利用pyrhon中的isNum等函數(shù)可以判斷進而剔除掉非數(shù)字項。對于可能越限的數(shù)據(jù)，首先指定數(shù)據(jù)的合理范圍，比如發(fā)電功率應(yīng)當不超過發(fā)電站的裝機容量，風(fēng)向的范圍是0-360，風(fēng)速的范圍大于0，且不超過當?shù)氐臍v史最大風(fēng)速。

對于超出范圍的數(shù)據(jù)，需人工核查，已確定前期指定的范圍是否合理。如發(fā)電功率在少數(shù)情況下，是會呈現(xiàn)略低于0的負數(shù)，這是因為無風(fēng)無光的情況下，變電站會從電網(wǎng)取少量電能，此類情可以視數(shù)據(jù)為合理值。實踐中可將略低于0的發(fā)電功率人為修改為0，修改后對訓(xùn)練模型無明顯影響。

本文使用長短期記憶網(wǎng)絡(luò)，需將輸入數(shù)據(jù)及其之前一定時間內(nèi)的輸入數(shù)據(jù)合并為更高緯數(shù)據(jù)，例如上述風(fēng)速風(fēng)向的輸入數(shù)據(jù)為1x6的數(shù)組，如果采用1小時的4組數(shù)據(jù)，則組合為1x6x4的數(shù)組作為輸入數(shù)據(jù)。如果這一個小時內(nèi)存在異常數(shù)據(jù)，則該組輸入數(shù)據(jù)應(yīng)當舍棄，從而確保輸入數(shù)據(jù)是連續(xù)的、無誤的一個小時氣象數(shù)據(jù)。

建立基本模型結(jié)構(gòu)，選擇LSTM層+Dense層的組合，層數(shù)與節(jié)點數(shù)量需根據(jù)實際情況多次試驗選定。本文所使用的數(shù)據(jù)，選擇使用3層中間層，每層128個節(jié)點的模型已有較好效果，再增加層數(shù)或節(jié)點數(shù)差異不大。

設(shè)置參數(shù)后進行模型學(xué)習(xí)和預(yù)測，預(yù)測結(jié)果如圖1左：

圖1左中是預(yù)測3天風(fēng)力發(fā)電站的輸出功率，其中兩條曲線分別是實際功率和預(yù)測功率?？梢钥闯鐾ㄟ^預(yù)測天氣數(shù)據(jù)進行預(yù)測的功率能夠大致描述出風(fēng)力發(fā)電站的輸出功率，但細節(jié)和精度較為一般。

對比圖1右這3天的實際功率和實際風(fēng)速曲線可以清晰看出，功率與風(fēng)速有非常明顯的相關(guān)性，這也符合我們對風(fēng)力發(fā)電設(shè)備的預(yù)期。由此也可以得出結(jié)論，氣象預(yù)測數(shù)據(jù)中的風(fēng)速預(yù)測是產(chǎn)生預(yù)測偏差的主要原因。

以光伏為例，首先對數(shù)據(jù)進行相關(guān)性分析可知，光伏發(fā)電功率與短波輻射通量呈明顯的強相關(guān)性，而對其他部分的關(guān)聯(lián)性均不明顯?？勺们樵黾訙囟群惋L(fēng)速等信息作為輸入數(shù)據(jù)。

對數(shù)據(jù)的預(yù)處理與風(fēng)電站基本相似，并額外考慮光功率資源的周期性，一般光伏的輻照強度及發(fā)電功率會呈現(xiàn)明顯的周期性，在夜間數(shù)據(jù)應(yīng)當在0值附近，如果超出范圍則應(yīng)當為異常數(shù)據(jù)。

設(shè)置參數(shù)后進行模型學(xué)習(xí)和預(yù)測，預(yù)測結(jié)果如圖2左：

圖2左中是預(yù)測3天光伏發(fā)電站的輸出功率，兩條曲線分別是實際功率和預(yù)測功率?？梢钥闯鐾ㄟ^預(yù)測天氣數(shù)據(jù)進行預(yù)測的功率能夠大致描述出光伏發(fā)電站的輸出功率，但部分情況下難以準確描述具體的變化細節(jié)。

對比圖2右這3天的實際功率和實際測光數(shù)據(jù)可以看出，測光數(shù)據(jù)（法向直射輻照度）與實際功率的相關(guān)性較高，光伏發(fā)電受云層遮擋影響較大，氣象預(yù)測無法準確計算具體時刻的云層位置和密度，因此通過氣象預(yù)測進行功率預(yù)測也難以預(yù)測出由于云層飄過導(dǎo)致功率暫降等情況。

結(jié)語

本文從數(shù)據(jù)處理、模型分析到編程思路等方面討論了長短期記憶網(wǎng)絡(luò)在光伏與風(fēng)電功率預(yù)測中的應(yīng)用方式，通過該方式可以實現(xiàn)風(fēng)電或光伏發(fā)電站的功率預(yù)測，可作為風(fēng)電和光伏發(fā)電站運行的參考信息。模型具備持續(xù)學(xué)習(xí)的能力，能夠隨著不斷使用，逐步優(yōu)化預(yù)測模型，提升預(yù)測精度。

風(fēng)光功率預(yù)測十分依賴氣象預(yù)測數(shù)據(jù)，氣象數(shù)據(jù)與實際功率的相關(guān)性直接決定了預(yù)測的準確度。通過對比實際功率和實際風(fēng)速、實際光照可知，風(fēng)速、光照與發(fā)電功率呈強相關(guān)性，功率預(yù)測產(chǎn)生偏差的主要環(huán)節(jié)是氣象預(yù)測數(shù)據(jù)與實際風(fēng)速和實際光照的差異。由于氣象預(yù)測一般難以準確預(yù)測出實際風(fēng)速和光照的變化細節(jié)，僅可以表述出大體的變化趨勢.因此預(yù)測出的功率一般也只能表現(xiàn)出整體趨勢。

本文中預(yù)測準確度整體較一般，在下一步研究中應(yīng)當結(jié)合相似日等優(yōu)化算法與人工智能算法相結(jié)合，進一步提高預(yù)測準確度。