基于改進(jìn)貝葉斯深度學(xué)習(xí)的光伏功率概率預(yù)測

韓坤

（中國大唐集團(tuán)科學(xué)技術(shù)研究總院有限公司，北京 100040）

0 引言

作為增長最快的可再生能源之一，太陽能并網(wǎng)由于其可變性和不確定性給電力系統(tǒng)帶來了巨大挑戰(zhàn)。作為促進(jìn)太陽能在電力系統(tǒng)中集成的有效途徑，概率預(yù)測的價(jià)值在最近十年越來越得到人們的認(rèn)可。雖然目前概率預(yù)測在電力系統(tǒng)中的使用很有限，但已經(jīng)進(jìn)行了大量的研究來促進(jìn)概率預(yù)測的應(yīng)用，并且已經(jīng)提出了許多方法。

當(dāng)前光伏電力系統(tǒng)中使用的大多數(shù)預(yù)測都是確定性的。一般而言，確定性預(yù)測或點(diǎn)預(yù)測僅為每個(gè)時(shí)間點(diǎn)提供一個(gè)單一值，并且通常無法解釋與預(yù)測相關(guān)的不確定性。概率預(yù)測明確考慮了不確定性信息，這些信息通常采用概率分布的形式。根據(jù)是否使用顯式參數(shù)形式，概率預(yù)測可以分為參數(shù)方法以及非參數(shù)方法。參數(shù)方法通常計(jì)算成本較低，因?yàn)樵趨?shù)估計(jì)之前先對(duì)預(yù)測分布形狀進(jìn)行了假設(shè)。最普遍的參數(shù)化方法之一是通過預(yù)定義的預(yù)測分布將點(diǎn)預(yù)測轉(zhuǎn)換為概率預(yù)測。如文獻(xiàn)［3］建立了一個(gè)具有四種不同預(yù)測分布的預(yù)測分布池，選擇pin?ball損失最小的分布作為最佳預(yù)測分布。非參數(shù)方法是無分布的，它們的預(yù)測分布是通過觀察或場景推斷出來的。非參數(shù)概率預(yù)測方法主要包括基于分位數(shù)回歸的方法、高斯過程、模擬預(yù)測器和模擬集成方法等。其中基于分位數(shù)回歸的方法和模擬預(yù)測器因其簡單而更受歡迎。同時(shí)還有基于貝葉斯神經(jīng)網(wǎng)絡(luò)的概率預(yù)測方法，這種網(wǎng)絡(luò)通過將權(quán)重用概率分布的形式表示，使模型學(xué)習(xí)數(shù)據(jù)隨機(jī)特性的能力得到提升，同時(shí)也不會(huì)依賴于預(yù)先設(shè)置的參數(shù)。

本文依據(jù)光伏功率的兩類輸入數(shù)據(jù)特性，以不同方法對(duì)其進(jìn)行預(yù)處理，將預(yù)處理結(jié)果送入貝葉斯網(wǎng)絡(luò)，以此改進(jìn)其網(wǎng)絡(luò)結(jié)構(gòu)。從仿真結(jié)果可知，本文方法有良好的光伏功率概率預(yù)測效果。

1 改進(jìn)貝葉斯神經(jīng)網(wǎng)絡(luò)

1.1 貝葉斯神經(jīng)網(wǎng)絡(luò)

如圖1所示，貝葉斯神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)的深度神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)是相似的，也是由輸入層、隱藏層、輸出層三個(gè)層次構(gòu)成。但與其他類型的神經(jīng)網(wǎng)絡(luò)不同的是其具有概率層，而概率層的權(quán)值服從概率分布。

圖1 貝葉斯神經(jīng)網(wǎng)絡(luò)概率層結(jié)構(gòu)

在圖1中，表示隱藏層的輸入，為隱藏層的輸出；w和b分別為第個(gè)神經(jīng)元的權(quán)重和偏置，其中權(quán)重服從形式為（w|,）的概率分布。

貝葉斯神經(jīng)網(wǎng)絡(luò)所特有的概率層使網(wǎng)絡(luò)能夠表達(dá)不確定性，其在特定輸入下，具備多種不同輸出的可能。所以貝葉斯神經(jīng)網(wǎng)絡(luò)本身可當(dāng)成無窮個(gè)子網(wǎng)絡(luò)的融合，與融合神經(jīng)網(wǎng)絡(luò)相似。不過與一般神經(jīng)網(wǎng)絡(luò)進(jìn)行簡單融合不同，貝葉斯神經(jīng)網(wǎng)絡(luò)的各子網(wǎng)絡(luò)并非彼此毫無關(guān)聯(lián)，在實(shí)際的訓(xùn)練過程中，每一輪訓(xùn)練均可以做到對(duì)所有子網(wǎng)絡(luò)進(jìn)行優(yōu)化。而在預(yù)測過程中，可通過在同一測試集上多次實(shí)行前向傳播，讓預(yù)測的最終結(jié)果來源于多個(gè)不同的子網(wǎng)絡(luò)，所以貝葉斯深度網(wǎng)絡(luò)模型擁有良好的正則化效果，比一般的神經(jīng)網(wǎng)絡(luò)能夠更好的抑制過擬合。

1.2 網(wǎng)絡(luò)結(jié)構(gòu)改進(jìn)

光伏功率受諸多因素的影響，而不同類型的因素對(duì)光伏功率的預(yù)測造成的影響程度亦不一樣，復(fù)雜的輸入數(shù)據(jù)特性給功率預(yù)測帶來較大的困難，其中輸入數(shù)據(jù)根據(jù)特性大致可以分為兩類，即復(fù)雜氣象因素和歷史運(yùn)行數(shù)據(jù)。根據(jù)兩類數(shù)據(jù)本身的特點(diǎn)，本文從輸入端對(duì)貝葉斯神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)。

針對(duì)復(fù)雜氣象因素，本文利用堆疊自動(dòng)編碼器（圖2）良好的提取數(shù)據(jù)特征表示的能力，對(duì)復(fù)雜多維氣象因素進(jìn)行關(guān)鍵特征量提取，達(dá)到對(duì)復(fù)雜氣象因素自動(dòng)降維的目的，減少輸入噪聲，突出關(guān)鍵特征。

圖2 自動(dòng)編碼器網(wǎng)絡(luò)結(jié)構(gòu)

光伏功率歷史運(yùn)行數(shù)據(jù)為典型的時(shí)序數(shù)據(jù)，需要時(shí)序模型來對(duì)其進(jìn)行處理。本文利用1維卷積神經(jīng)網(wǎng)絡(luò)（1D CNN）對(duì)時(shí)間數(shù)據(jù)特征挖掘與提取的優(yōu)勢，充分提取時(shí)間序列數(shù)據(jù)的關(guān)聯(lián)信息，學(xué)習(xí)光伏功率的趨勢變化，1D CNN工作原理如圖3所示。

圖3 自動(dòng)編碼器網(wǎng)絡(luò)結(jié)構(gòu)

如上所述，本文通過將不同類型的輸入數(shù)據(jù)先行送入合適的網(wǎng)絡(luò)結(jié)構(gòu)中進(jìn)行處理，隨后再將處理后的形成的特征數(shù)據(jù)喂給貝葉斯深度網(wǎng)絡(luò)，達(dá)到改進(jìn)貝葉斯深度網(wǎng)絡(luò)的目的。

2 基于改進(jìn)貝葉斯深度學(xué)習(xí)的光伏功率預(yù)測

2.1 光伏特征輸入特征構(gòu)建

如前文所述，本文在貝葉斯深度網(wǎng)絡(luò)的輸入前端加入堆疊自動(dòng)編碼器和1DCNN網(wǎng)絡(luò)作為整個(gè)預(yù)測模型的預(yù)處理模塊。其中復(fù)雜氣象數(shù)據(jù)送入堆疊自動(dòng)編碼器進(jìn)行預(yù)處理，提取復(fù)雜氣象數(shù)據(jù)中與光伏功率強(qiáng)相關(guān)性數(shù)據(jù)，同時(shí)達(dá)到的輸入降維的目的；將光伏功率歷史運(yùn)行數(shù)據(jù)送入1DCNN網(wǎng)絡(luò)，提取時(shí)序數(shù)據(jù)的關(guān)聯(lián)特征。同時(shí)，本文還將與當(dāng)前光伏功率緊密相關(guān)的前一時(shí)刻光伏功率直接送入概率層。由此，光伏功率預(yù)測的特征輸入由此三個(gè)部分構(gòu)成，于概率層進(jìn)行匯合連接，使貝葉斯深度網(wǎng)絡(luò)的結(jié)構(gòu)得到改進(jìn)，能夠更好地適應(yīng)不同特性的輸入數(shù)據(jù)。

2.2 概率預(yù)測評(píng)價(jià)標(biāo)準(zhǔn)

本文采用了兩種常用的概率評(píng)分方法。一個(gè)是彈球（pinball）失分，可以綜合表示可靠性和銳度，另一個(gè)是Winkler評(píng)分，可以表示預(yù)測區(qū)間的銳度和無條件覆蓋度。

pinball失分是對(duì)任何分位數(shù)∈（0，1）的加權(quán)絕對(duì)誤差度量，可表述為：

對(duì)于（1-）×100%置信水平，Winkler得分定義為

式中，U和L分別是預(yù)測區(qū)間的上界和下界，S=U-L是區(qū)間寬度。如果實(shí)際功率值落入預(yù)測區(qū)間，那么Winkler分?jǐn)?shù)僅取決于預(yù)測區(qū)間寬度。否則，由于懲罰因子，分?jǐn)?shù)會(huì)很高。分?jǐn)?shù)越低，表示預(yù)測效果越好。

3 仿真驗(yàn)證

3.1 數(shù)據(jù)集

本文數(shù)據(jù)集取自澳大利亞昆士蘭大學(xué)露西亞校區(qū)的平板光伏系統(tǒng)的昆士蘭大學(xué)中心（UQCen?tre），該樓布置在建筑物屋頂?shù)?806塊多晶硅太陽能電池構(gòu)成，裝機(jī)容量為433.44 kW，如圖4所示。原始數(shù)據(jù)集是2012年和2013年完整的2 a、每天24 h和1 min采樣周期的數(shù)據(jù)。因?yàn)楣夥β示哂虚g歇性的特性，所以數(shù)據(jù)集實(shí)際只提取07:00—18:00時(shí)間段內(nèi)的功率數(shù)據(jù)。

圖4 昆士蘭大學(xué)中心（UQ Centre）光伏系統(tǒng)

為了平衡數(shù)據(jù)量以及數(shù)據(jù)自身特征的保留情況，本文對(duì)原1 min采樣周期的原始數(shù)據(jù)進(jìn)行了重采用，每15 min抽取一個(gè)數(shù)據(jù)，是時(shí)間尺度由1 min擴(kuò)為15 min，最終的光伏功率數(shù)據(jù)點(diǎn)總數(shù)為32320（15 min）。

3.2 預(yù)測效果

為了測試本文所述網(wǎng)絡(luò)的實(shí)際可行性和優(yōu)越性，本文分別在80%和90%兩種置信水平下進(jìn)行了光伏功率概率預(yù)測，并在80%置信水平下，與正態(tài)分布法和持續(xù)區(qū)間預(yù)測法進(jìn)行了對(duì)比驗(yàn)證。

（1）80%置信水平下預(yù)測情況。如圖5所示。

圖5 80%置信水平光伏功率概率預(yù)測

（2）90%置信水平下預(yù)測情況。如圖6所示。

圖6 90%置信水平光伏功率概率預(yù)測

（3）預(yù)測對(duì)比。如圖7所示。

圖7 不同算法風(fēng)電功率預(yù)測區(qū)間對(duì)比

從圖5和圖6可知，基于改進(jìn)貝葉斯深度網(wǎng)絡(luò)的光伏功率概率預(yù)測與確定性功率預(yù)測相比，其可以及時(shí)響應(yīng)光伏功率的波動(dòng)情況，對(duì)下一預(yù)測點(diǎn)功率可能出現(xiàn)的波動(dòng)給出一個(gè)范圍上下限，且準(zhǔn)確率較高。

為了驗(yàn)證本文方法的優(yōu)越性，基于pinball指標(biāo)和Winkler指標(biāo)，將本文所述改進(jìn)貝葉斯深度網(wǎng)絡(luò)和正態(tài)分布法及持續(xù)區(qū)間預(yù)測法進(jìn)行了對(duì)比仿真。從表1的pinball指標(biāo)和Winkler指標(biāo)可知，本文所提方法的預(yù)測效果更好。

表1 風(fēng)電概率預(yù)測性能對(duì)比

4 結(jié)語

為克服光伏功率點(diǎn)預(yù)測的缺點(diǎn)，本文以具備概率層的貝葉斯深度網(wǎng)絡(luò)為基礎(chǔ)，依據(jù)數(shù)據(jù)特性，通過堆疊自動(dòng)編碼器和1DCNN分別對(duì)氣象因素和歷史運(yùn)行數(shù)據(jù)進(jìn)行特征提取，從而改進(jìn)貝葉斯深度網(wǎng)絡(luò)，使其具備適用不同輸入特性的能力。最終以彈球（pinball）失分和Winkler評(píng)分兩種概率預(yù)測評(píng)分標(biāo)準(zhǔn)為依據(jù)，與正態(tài)分布法及持續(xù)區(qū)間預(yù)測法進(jìn)行對(duì)比驗(yàn)證可知，本文方法能更準(zhǔn)確的響應(yīng)功率波動(dòng)，預(yù)測效果更好。