基于小波包分解的長短期記憶網(wǎng)絡(luò)光伏功率預(yù)測*

劉譯文 趙一帆 張?zhí)m蘭 吳 夢

（云南民族大學(xué)電氣信息工程學(xué)院 昆明 650500）

1 引言

隨著能源消費升級和環(huán)境的持續(xù)惡化，發(fā)展新能源成為各個國家的重要能源戰(zhàn)略。全球可再生能源裝機容量迅速擴大［1］，我國的光伏發(fā)電量也迅速增長［2］。對于光伏發(fā)電，受天氣的影響具有明顯的間歇性和波動性，大規(guī)模的光伏并網(wǎng)會給電網(wǎng)安全穩(wěn)定運行帶來沖擊。因此，準確的光伏功率預(yù)測尤為重要。特別是短期、實時、精確的預(yù)測不僅對電網(wǎng)調(diào)度決策提供理論依據(jù)，降低備用容量和運行成本，而且對電力系統(tǒng)穩(wěn)定運行有著十分重要的作用［3］。

光伏發(fā)電預(yù)測建模方法包括物理法和統(tǒng)計方法［4］。物理法是通過對發(fā)電設(shè)備數(shù)學(xué)建模進行預(yù)測，它的過程復(fù)雜且參數(shù)難以估計。統(tǒng)計預(yù)測方法有時間序列法［5］、支持向量機法［6］、神經(jīng)網(wǎng)絡(luò)法［7］等。反向傳播（BP）神經(jīng)網(wǎng)絡(luò)［8］、小波神經(jīng)網(wǎng)絡(luò)［9］、卷積神經(jīng)網(wǎng)絡(luò)［10］、深度神經(jīng)網(wǎng)絡(luò)［11］利用神經(jīng)網(wǎng)絡(luò)的非線性擬合能力和泛化能力，結(jié)合相似日、天氣類型和氣象因素對光伏出力功率進行建模，使預(yù)測精度有了很大的改善。這些預(yù)測方法忽略了光伏出力本身周期性，沒有挖掘功率序列存在的周期性特征。長短期記憶神經(jīng)網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）［12］是一種改進的循環(huán)神經(jīng)網(wǎng)絡(luò)。LSTM特殊的網(wǎng)絡(luò)結(jié)構(gòu)使其具有記憶功能，可以提取時間序列的特征，在電力負荷、語音識別和新能源功率預(yù)測中有優(yōu)異的表現(xiàn)［13］。

根據(jù)上述文獻提出用長短期記憶神經(jīng)網(wǎng)絡(luò)預(yù)測的思路，利用該網(wǎng)絡(luò)對時間序列的處理能力，挖掘功率序列的周期性特征以提高預(yù)測的準確率。光伏發(fā)電功率受氣象因素影響，本身也存在劇烈波動變化。為此，文章提出一種基于小波包分解的長短期記憶神經(jīng)網(wǎng)絡(luò)（Wavepack Decomposition and Reconstruction Long Short-Term Memory，WPDLSTM）光伏出力預(yù)測模型，采用小波包分解和長短期記憶神經(jīng)網(wǎng)絡(luò)模型結(jié)合的方法對光伏出力進行短期預(yù)測。文章利用小波分解技術(shù)將原始光伏發(fā)電功率序列分解成多個不同頻率的子序列提取波動特征，結(jié)合天氣環(huán)境因素建立長短期記憶神經(jīng)網(wǎng)絡(luò)預(yù)測模型。

2 混合預(yù)測模型

2.1 小波包分解

小波分解是一種有效分析信號特征的工具［14］。小波包分解是一種小波分解的方法，是由一系列線性組合的小波函數(shù)組成，可以將頻帶實行多層次的劃分。小波包分解能夠同時對高頻部分和低頻部分進行解析，具有精確的局部分析能力。定義如式（1）：

式（1）中定義小波函數(shù)集合｛u2i(t)｝i?z+，u2i(t)是由u0(t)=Φ(t)所確定的小波包。

2.2 LSTM神經(jīng)網(wǎng)絡(luò)

長 短 期 記 憶 神 經(jīng) 網(wǎng) 絡(luò)［15］是Hochreiter等 在1997年首次提出，近期在語音處理、電力負荷領(lǐng)域有較好的預(yù)測效果。其通過在隱含層引入門控單元，使其對長時間序列具有記憶和遺忘的功能，它解決了循環(huán)神經(jīng)網(wǎng)絡(luò)梯度消失和梯度爆炸的問題。LSTM網(wǎng)絡(luò)結(jié)構(gòu)見圖1。

圖1 LSTM單元網(wǎng)絡(luò)結(jié)構(gòu)

2.3 基于WPD-LSTM預(yù)測模型的建立

為了更好地研究光伏出力功率與氣象因素的關(guān)聯(lián)性，減少數(shù)據(jù)冗余對預(yù)測模型的影響，首先用皮爾遜相關(guān)法對影響光伏出力的氣象因素進行了分析，如表1所示。

表1 影響光伏出力氣象因素的皮爾遜系數(shù)

由表1可知，風(fēng)向與降水量與光伏出力功率的相關(guān)性較小，文中選擇水平輻射、傾角輻射、漫反射傾角輻射、漫反射水平輻射、溫度以及濕度作為預(yù)測模型輸入的氣象因素。然后，用多貝西小波函數(shù)（db3）對歷史光伏功率序列進行分解得到四個不同頻段的光伏功率子序列，將四個不同頻段的子序列單支重構(gòu)。如圖2所示。

由圖2可知，原始光伏功率序列經(jīng)過小波包分解和重構(gòu)后，序列1與原始數(shù)據(jù)趨勢大致相同，序列2、3、4展示出原始序列的高頻特征。為了提高精確的預(yù)測功率，對LSTM神經(jīng)網(wǎng)絡(luò)解決序列預(yù)測問題進行了改進，結(jié)合小波包分解對高頻特征分解的能力和LSTM神經(jīng)網(wǎng)絡(luò)對處理序列問題的優(yōu)勢，文章提出了WPD-LSTM網(wǎng)絡(luò)預(yù)測模型，如圖3所示。

圖2 光伏發(fā)電功率單支重構(gòu)序列

圖3 WPD-LSTM預(yù)測模型

如圖3所示，文中首先對原始數(shù)據(jù)中無效數(shù)據(jù)和錯誤數(shù)據(jù)進行預(yù)處理［16］得到有效的訓(xùn)練樣本集和測試集。使用Daubechies（db3）小波包函數(shù)對光伏發(fā)電功率序列分解和單支重構(gòu)得到四個不同頻段的功率子序列。為解決原始數(shù)據(jù)量綱不一致問題，避免輸入變量數(shù)量級導(dǎo)致的數(shù)值問題，并使網(wǎng)絡(luò)快速收斂，對輸入數(shù)據(jù)做歸一化處理。如式（5）所示。

式中Xi′為歸一化后的數(shù)據(jù)；Xi為原始數(shù)據(jù)；Xmin，Xmax分別為原始數(shù)據(jù)的最小值和最大值。使用Keras搭建LSTM神經(jīng)網(wǎng)絡(luò)模型，輸入節(jié)點為10，三個隱含層結(jié)構(gòu)神經(jīng)元個數(shù)分別為64、32、16。使用平均絕對誤差作為網(wǎng)絡(luò)訓(xùn)練的目標函數(shù)，使用Adam為優(yōu)化器，批次大小為1000，Epoch為200。對模型進行訓(xùn)練。

3 實驗結(jié)果與分析

為驗證文章提出的WPD-LSTM預(yù)測方法的有效性與實用性，使用澳大利亞太陽能研究中心（DKASC）愛麗絲泉光伏發(fā)電系統(tǒng)［17］作為研究對象。選取2016年1月1日至2018年12月31日的歷史發(fā)電數(shù)據(jù)和與其對應(yīng)的氣象數(shù)據(jù)作為訓(xùn)練樣本。分別采用深度神經(jīng)網(wǎng)絡(luò)（DNN）、長短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）、小波包分解的長短期記憶神經(jīng)網(wǎng)絡(luò)（WPD-LSTM）三種預(yù)測模型對該光伏發(fā)電系統(tǒng)在2019年1月1日至2019年12月31日提前一小時進行驗證。

為了對預(yù)測模型進行準確的評估［18］，文中采用平均絕對誤差MAE（Mean Absolute Error）和均方根誤差RMSE（Root Mean Squard Error）兩種評價指標對預(yù)測結(jié)果進行定量分析。如式（6）、（7）。

式中n為光伏功率的序列；N為數(shù)據(jù)總數(shù)；yn和y^n代表n時刻光伏出力功率實際值和預(yù)測功率值。

文章選取3月24日陰天、25日雨天、26日晴天，采用DNN、LSTM、WPD-LSTM三種預(yù)測模型，在日期相近但天氣類型不同情況下，光伏出力功率的實際值和預(yù)測值，如圖4所示。

如圖4可以看出，在不同的天氣類型下，3種預(yù)測模型的預(yù)測結(jié)果與實際光伏出力功率的變化趨勢大體相同。晴天光伏出力功率變化平緩，3種模型預(yù)測的曲線與實際功率變化相近，相比DNN和LSTM，WPD-LSTM預(yù)測結(jié)果更接近與實際出力情況。陰雨、多云天氣由于云團變化劇烈導(dǎo)致實際出力功率劇烈波動，難以準確的預(yù)測，所以3種預(yù)測模型的預(yù)測結(jié)果在某些時段與實際出力功率偏差較大。而WPD-LSTM的預(yù)測結(jié)果更能反應(yīng)實際出力的變化趨勢。由于光伏出力功率預(yù)測的日誤差離散度很大，表2、表3給出了3種預(yù)測模型在四個季節(jié)的預(yù)測誤差。澳大利亞的春季是9月份、10月份、11月份，夏季是12月份、1月份、2月份，秋季是3月份、4月份、5月份，冬季是6月份、7月份、8月份。

表2 3種預(yù)測模型的預(yù)測均方根誤差統(tǒng)計

表3 3種預(yù)測模型的預(yù)測平均絕對誤差統(tǒng)計

圖4 DNN、LSTM、WPD-LSTM在不同天氣類型的預(yù)測結(jié)果

從表2、表3的均方根誤差和平均絕對誤差可以看出，3種模型在秋、冬季節(jié)的預(yù)測準確率要比春、夏季節(jié)要高。就當?shù)貧夂騺碚f，秋、冬季節(jié)為旱季，天晴晴朗的情況比較多，所以3種模型預(yù)測結(jié)果準確度都較高。但夏季為當?shù)氐挠昙?，氣象變化波動大，所?種模型預(yù)測的結(jié)果都不理想。由于離差被絕對值化不會出現(xiàn)正負相抵消的情況，平均絕對誤差能很好地反映預(yù)測值誤差的實際情況。DNN、LSTM、WPD-LSTM的平均均方根誤差分別為0.272、0.242、0.245，它們對應(yīng)的平均絕對誤差分別為0.137、0.104、0.097。文章提出的WPD-LSTM預(yù)測模型能更好地反映實際出力功率的情況。

光伏出力功率預(yù)測會有許多不確定性，像模型訓(xùn)練和預(yù)測過程都有可能出現(xiàn)隨機性。同一模型對不同的光伏出力系統(tǒng)也可能會出現(xiàn)“失靈”的狀態(tài)。一個預(yù)測方法的好壞取決于對整體的預(yù)測效果，而不單局限于某一時間段。為了驗證文章所提的WPD-LSTM預(yù)測模型的魯棒性和泛化能力，文章對九個不同的光伏站點出力功率進行了預(yù)測，表4、表5分別為預(yù)測結(jié)果的均方根誤差和平均絕對誤差。

表4 多站點預(yù)測的均方根誤差統(tǒng)計

表5 多站點預(yù)測的平均絕對誤差統(tǒng)計

由表4、表5可以看出，在光伏出力電站4預(yù)測的均方根誤差LSTM（0.321）優(yōu)于WPD-LSTM（0.327），在光伏出力站點5的預(yù)測中，DNN的RMSE（0.811）和MAE（0.379）都優(yōu)于文章提出的WPD-LSTM的RMSE（0.837）、MAE（0.389）。但單個光伏出力站點預(yù)測結(jié)果的好壞并不能評判預(yù)測模型的好壞，文章計算了所有站點的平均均方根誤差和平均絕對誤差，平均RMSE和MAE的結(jié)果為DNN（0.544）、LSTM（0.519）、WPD-LSTM（0.495）。

對應(yīng)的MAE結(jié) 果 是DNN（0.283）、LSTM（0.260）、WPD-LSTM（0.237）。該結(jié)果表明文章提出的WPD-LSTM預(yù)測模型在RMSE上比LSTM提高了4.624%，在MAE上比LSTM提高了8.846%。

4 結(jié)語

文章基于LSTM神經(jīng)網(wǎng)絡(luò)，提出了WPD-LSTM預(yù)測光伏輸出功率的新方法，用于光伏出力功率的短期預(yù)測。實驗結(jié)果表明文章提出的WPD-LSTM預(yù)測模型在均方根誤差上比LSTM預(yù)測模型提高了4.624%，在平均絕對誤差上比LSTM提高了8.846%。驗證了該方法在光伏發(fā)電功率預(yù)測中的可行性與實用性。