基于TL-LSTM的新能源功率短期預(yù)測(cè)

鄭真，朱峰，馬小麗，田書欣*，姜皓喆

（1.國(guó)網(wǎng)上海市電力公司青浦供電公司，上海 201700；2.上海電力大學(xué) 電氣工程學(xué)院，上海 200090）

0 引言

新能源電廠的短期功率預(yù)測(cè)是保證主動(dòng)配電網(wǎng)態(tài)勢(shì)預(yù)測(cè)準(zhǔn)確、可靠的重要前提。考慮到新能源出力具有隨機(jī)性和波動(dòng)性［1］，不精確的新能源功率預(yù)測(cè)將影響到主動(dòng)配電系統(tǒng)對(duì)電網(wǎng)全局態(tài)勢(shì)的感知能力［2-4］，不利于配電網(wǎng)的平穩(wěn)運(yùn)行。

新能源功率預(yù)測(cè)屬于時(shí)序預(yù)測(cè)問題。早期階段主要使用統(tǒng)計(jì)學(xué)方法實(shí)現(xiàn)時(shí)序預(yù)測(cè)，如自回歸模型、差分自回歸移動(dòng)平均模型［5］等。而隨著計(jì)算機(jī)科學(xué)的進(jìn)步，利用機(jī)器學(xué)習(xí)等數(shù)據(jù)驅(qū)動(dòng)手段實(shí)現(xiàn)時(shí)序預(yù)測(cè)的方法漸漸被重視。長(zhǎng)短期記憶網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）［6］、門控循環(huán)單元（Gate Recurrent Unit，GRU）［7］等神經(jīng)網(wǎng)絡(luò)均被引入時(shí)序預(yù)測(cè)中，其中LSTM 模型由于其泛用性被大量使用在新能源功率預(yù)測(cè)中。當(dāng)前一部分研究集中于改進(jìn)模型從而提高預(yù)測(cè)精度。文獻(xiàn)［8］利用深度回聲狀態(tài)網(wǎng)絡(luò)進(jìn)行光伏功率預(yù)測(cè)，并利用稀疏高斯混合過程的專家模型對(duì)預(yù)測(cè)誤差進(jìn)行補(bǔ)正。文獻(xiàn)［9］引入自組織聚類方法及寬度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)綜合提高光伏預(yù)測(cè)精度。然而，上述方法很少考慮對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行處理，目前針對(duì)訓(xùn)練數(shù)據(jù)的處理主要有數(shù)據(jù)降維［10］和序列分解［11］。文獻(xiàn)［12］提出可以通過篩選與目標(biāo)每日光伏功率數(shù)據(jù)相近的特征歷史數(shù)據(jù)，使用篩選后數(shù)據(jù)進(jìn)行訓(xùn)練可提高模型的預(yù)測(cè)精度。但由于新能源的不確定性和波動(dòng)性，篩選后的數(shù)據(jù)量較少，可被視為信息不足的小樣本情況，此環(huán)境下模型的精確度較差。類似的，支持向量機(jī)［13］、卷積神經(jīng)網(wǎng)絡(luò)［14］、BP神經(jīng)網(wǎng)絡(luò)［15］等機(jī)器學(xué)習(xí)方法也被使用在時(shí)序預(yù)測(cè)中。但目前電力系統(tǒng)方面關(guān)于神經(jīng)網(wǎng)絡(luò)在小樣本背景下應(yīng)用的研究較少［16-17］。近年來(lái)，遷移學(xué)習(xí)（Transfer Learning，TL）受到了國(guó)內(nèi)外學(xué)者的廣泛關(guān)注。遷移學(xué)習(xí)能夠?qū)⒁粋€(gè)模型的特征遷移到另一個(gè)模型上。我國(guó)新能源投入已有數(shù)十年，擁有大量的歷史新能源運(yùn)行數(shù)據(jù)，這些數(shù)據(jù)可以為神經(jīng)網(wǎng)絡(luò)訓(xùn)練提供充分的輔助數(shù)據(jù)，可作為遷移學(xué)習(xí)的遷移來(lái)源。

綜上所述，為對(duì)現(xiàn)有新能源功率預(yù)測(cè)相關(guān)研究進(jìn)行有效補(bǔ)充和完善，針對(duì)新能源的不確定性和波動(dòng)性，提出了一種基于遷移學(xué)習(xí)長(zhǎng)短期神經(jīng)網(wǎng)絡(luò)（Transfer Learning based Long Short-Term Memory，TL-LSTM）模型的新能源功率短期預(yù)測(cè)方法。首先，在數(shù)據(jù)篩選過程中，使用能夠考慮非線性相關(guān)的kshape 算法將海量數(shù)據(jù)進(jìn)行聚合；其次，引入針對(duì)時(shí)序數(shù)據(jù)相似性的形態(tài)距離指標(biāo)（Shape-based Distance，SBD）實(shí)現(xiàn)輔助數(shù)據(jù)簇的優(yōu)化選擇；最后，提出一種基于TL 與LSTM 組合模型的新能源功率預(yù)測(cè)方法。

1 新能源功率數(shù)據(jù)分析

新能源往往擁有極為豐富的歷史運(yùn)行數(shù)據(jù)，包含新能源的輸出功率特征、當(dāng)?shù)貧夂?、光照等。因此利用歷史數(shù)據(jù)驅(qū)動(dòng)的神經(jīng)網(wǎng)絡(luò)能夠較為精準(zhǔn)地預(yù)測(cè)新能源功率。但是，神經(jīng)網(wǎng)絡(luò)需要大量的數(shù)據(jù)實(shí)現(xiàn)模型構(gòu)建，且網(wǎng)絡(luò)預(yù)測(cè)效果也受訓(xùn)練數(shù)據(jù)的影響。一方面，過多的訓(xùn)練數(shù)據(jù)增加模型的訓(xùn)練成本。另一方面，沒有選擇的使用訓(xùn)練數(shù)據(jù)，會(huì)導(dǎo)致模型在訓(xùn)練中學(xué)習(xí)到大量與目標(biāo)數(shù)據(jù)無(wú)關(guān)的數(shù)據(jù)特征。這會(huì)使得訓(xùn)練好的模型失去針對(duì)性，進(jìn)而導(dǎo)致新能源功率預(yù)測(cè)的精確性下降。為了充分利用新能源歷史數(shù)據(jù)資源，提升新能源預(yù)測(cè)的精度。本文提出一種新能源數(shù)據(jù)預(yù)處理方法。

1.1 新能源數(shù)據(jù)清洗

新能源數(shù)據(jù)往往會(huì)因儀器損壞、傳輸出錯(cuò)等原因包含異常數(shù)據(jù)。而異常數(shù)據(jù)會(huì)直接影響預(yù)測(cè)效果［18］。因此，本文在數(shù)據(jù)預(yù)處理階段利用孤立森林算法［19］對(duì)異常數(shù)據(jù)進(jìn)行辨識(shí)。

孤立森林算法將異常數(shù)據(jù)假設(shè)為游離于正常數(shù)據(jù)集外的孤立數(shù)據(jù)。該算法通過對(duì)1個(gè)超平面不斷進(jìn)行隨機(jī)切割，直至切割所生成的每個(gè)子平面中只包含1 個(gè)數(shù)據(jù)點(diǎn)。而在切割的過程中，越是孤立的數(shù)據(jù)點(diǎn)需要切割的次數(shù)越少。算法具體過程如下。

（1）孤立森林生成。在整個(gè)數(shù)據(jù)集中不斷隨機(jī)抽取m個(gè)樣本形成子集，將每個(gè)子集視為一棵孤立樹的根節(jié)點(diǎn)，并對(duì)每個(gè)子集從根節(jié)點(diǎn)開始進(jìn)行如下操作來(lái)生成孤立樹。

步驟1：隨機(jī)指定當(dāng)前數(shù)據(jù)集的一個(gè)維度，并隨機(jī)選取一個(gè)閾值。

步驟2：將當(dāng)前數(shù)據(jù)集按照該維度的閾值劃分為2 個(gè)子空間，將2 個(gè)子空間作為本節(jié)點(diǎn)的2 個(gè)葉節(jié)點(diǎn)。

步驟3：對(duì)每個(gè)分支的葉節(jié)點(diǎn)遞歸步驟1和步驟2不斷生成新的葉節(jié)點(diǎn)，直至葉節(jié)點(diǎn)只含有1個(gè)樣本或樹的深度達(dá)到設(shè)定值為止。

（2）異常指標(biāo)獲取。通過利用計(jì)算異常指標(biāo)來(lái)估計(jì)樣本為異常數(shù)據(jù)的可能性。異常指標(biāo)值在［0，1］內(nèi)，越接近1則代表該樣本是異常點(diǎn)的可能越大。對(duì)于孤立樹為k的隨機(jī)森林，樣本x的異常指標(biāo)計(jì)算如下

式中：hi（x）為樣本x在第i棵樹深度；E（?）為平均值計(jì)算符；ζ=0.577 215 664 9。

對(duì)于辨識(shí)為異常的數(shù)據(jù)，本文利用其前一時(shí)刻和后一時(shí)刻數(shù)據(jù)的均值進(jìn)行替換。

此外，過長(zhǎng)的數(shù)據(jù)會(huì)加大神經(jīng)網(wǎng)絡(luò)訓(xùn)練成本，且影響后續(xù)聚類效果，還需要對(duì)數(shù)據(jù)進(jìn)行切分。通過指定的單位切分長(zhǎng)度對(duì)收集的數(shù)據(jù)進(jìn)行數(shù)據(jù)切分

式中：V為切分的長(zhǎng)數(shù)據(jù)集；vi（i=1，2，…，b）為切分后長(zhǎng)度為制定切分長(zhǎng)度的數(shù)據(jù)集；b為切分后數(shù)據(jù)集個(gè)數(shù)；g（?）為數(shù)據(jù)切分器。

1.2 基于k-shape聚類的輔助數(shù)據(jù)簇

新能源功率數(shù)據(jù)本質(zhì)上是時(shí)序數(shù)據(jù)，但常規(guī)的k-means算法難以對(duì)時(shí)序數(shù)據(jù)進(jìn)行有效聚類。因此，本文利用k-shape 聚類算法進(jìn)行數(shù)據(jù)的聚類進(jìn)而生成輔助數(shù)據(jù)簇。k-shape 聚類算法是一種基于SBD的時(shí)序數(shù)據(jù)聚類算法。對(duì)比時(shí)序聚類中最常使用的動(dòng)態(tài)時(shí)間規(guī)整（Dynamic Time Warping，DTW）類算法，k-shape 算法在保證非線性相關(guān)數(shù)據(jù)聚類效果的情況下獲得了更快的計(jì)算速度［20］。該算法的核心在于SBD指標(biāo)及基于SBD質(zhì)心的計(jì)算。

1.2.1 SBD指標(biāo)

SBD 指標(biāo)用于判斷2 個(gè)時(shí)序數(shù)據(jù)間形狀的相似性，其值在［0，2］之內(nèi)。SBD 指標(biāo)越小代表2 個(gè)時(shí)序數(shù)據(jù)的形狀越接近，其計(jì)算如下

表2 目標(biāo)數(shù)據(jù)與光伏數(shù)據(jù)簇距離Table 2 Distances between the target data and PV data clusters

式中：x→，y→為需要計(jì)算距離的時(shí)序序列；w為位移次數(shù)；R0（?）為內(nèi)積操作符；CCw（?）為互相關(guān)系數(shù)計(jì)算式；k∈{1 -s，2 -s，…，0，…，s- 2，s- 1}；s為序列y的總長(zhǎng)。

1.2.2 基于SBD的質(zhì)心計(jì)算

常規(guī)的k-means 聚類算法中所采用的基于均值的質(zhì)心計(jì)算并不適合形狀聚類。因此，k-shape 聚類算法將尋找序列質(zhì)心的問題轉(zhuǎn)化為最優(yōu)化問題，以求解與聚類內(nèi)所有序列距離最近序列x，從而得到能夠反映簇內(nèi)時(shí)序數(shù)據(jù)形狀特征的質(zhì)心?；赟BD的時(shí)間序列質(zhì)心計(jì)算如下

利用聚類過程中產(chǎn)生的質(zhì)心序列作為對(duì)應(yīng)數(shù)據(jù)簇的標(biāo)簽，并按照下式獲得輔助數(shù)據(jù)簇

式中：X→aim為目標(biāo)數(shù)據(jù)；μ?為輔助數(shù)據(jù)簇所對(duì)應(yīng)的質(zhì)心序列。

2 基于TL-LSTM 模型的新能源功率預(yù)測(cè)方法

上文中所獲取的輔助數(shù)據(jù)簇包含大量與目標(biāo)序列相似的新能源歷史信息。為有效構(gòu)建數(shù)據(jù)驅(qū)動(dòng)的預(yù)測(cè)模型，本文使用適合處理時(shí)序數(shù)據(jù)的LSTM 神經(jīng)網(wǎng)絡(luò)完成預(yù)訓(xùn)練模型的構(gòu)建，并利用預(yù)訓(xùn)練模型實(shí)現(xiàn)遷移學(xué)習(xí)，實(shí)現(xiàn)對(duì)目標(biāo)序列的預(yù)測(cè)。

2.1 遷移學(xué)習(xí)理論

本文所提遷移有兩方面的含義。一方面為數(shù)據(jù)的遷移，本文旨在利用大量的外源新能源數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)的訓(xùn)練，而這些數(shù)據(jù)并不一定與目標(biāo)數(shù)據(jù)來(lái)源于同一廠站，這些外來(lái)數(shù)據(jù)經(jīng)過預(yù)處理后被用于目標(biāo)數(shù)據(jù)的訓(xùn)練。另一方面為模型的遷移，本文所提模型與常規(guī)神經(jīng)網(wǎng)絡(luò)訓(xùn)練不同，需要經(jīng)過數(shù)次網(wǎng)絡(luò)的訓(xùn)練。網(wǎng)絡(luò)先通過篩選后的數(shù)據(jù)簇進(jìn)行預(yù)訓(xùn)練，然后利用目標(biāo)序列進(jìn)行再訓(xùn)練。其中，若將預(yù)訓(xùn)練模型視為非線性函數(shù)則可以將其表示為

式中：Dpre為構(gòu)建預(yù)訓(xùn)練模型時(shí)使用的的樣本；Ypre預(yù)訓(xùn)練樣本對(duì)應(yīng)的標(biāo)簽；fpre為預(yù)訓(xùn)練模型。

則遷移模型可以表示為

式中：Dtr為訓(xùn)練遷移模型時(shí)使用的樣本；Y為樣本對(duì)應(yīng)的標(biāo)簽；Laim為遷移模型。

2.2 LSTM 模型

本文使用LSTM 模型作為遷移模型和與訓(xùn)練模型的實(shí)現(xiàn)形式。LSTM 基本記憶模塊由遺忘門、輸入門、輸出門所構(gòu)成［21］，擁有長(zhǎng)期、短期2 種單獨(dú)的記憶狀態(tài)，通過這種結(jié)構(gòu)保證網(wǎng)絡(luò)不會(huì)丟失數(shù)據(jù)的時(shí)序關(guān)聯(lián)性。LSTM基本單元結(jié)構(gòu)如圖1所示。

圖1 LSTM 基本單元結(jié)構(gòu)Fig.1 Structure of the LSTM basic unit

由圖1 可知，遺忘門決定長(zhǎng)期記憶狀態(tài)ct-1中被保留的部分，輸入門決定當(dāng)前輸入xt中被保留的部分及長(zhǎng)期狀態(tài)ct的輸出，輸出門決定當(dāng)前單元狀態(tài)ht的輸出，其計(jì)算公式如下

式中：ft，it，ot，ct，ht分別為遺忘門、輸入門、輸出門、長(zhǎng)期記憶單元和輸出單元的狀態(tài)矩陣；σ為sigmoid 激活函數(shù)；c?t為當(dāng)前記憶單元狀態(tài)的候選細(xì)胞向量；wf，wi，wo，wc分別為遺忘門、輸入門、輸出門和記憶單元的權(quán)重矩陣；bf，bi，bo，bc分別為遺忘門、輸入門、輸出門和記憶單元的偏置項(xiàng)；tanh（?）是激活函數(shù)；?表示矩陣對(duì)應(yīng)元素相乘。

利用神經(jīng)網(wǎng)絡(luò)進(jìn)行短期預(yù)測(cè)時(shí)，常出現(xiàn)所預(yù)測(cè)的t+1 時(shí)刻值與實(shí)際數(shù)據(jù)t時(shí)刻值極度接近的情況，如圖2所示，本文稱之為“滯后”現(xiàn)象。

圖2 預(yù)測(cè)滯后示意Fig.2 Prediction lag

該問題是由時(shí)序數(shù)據(jù)的自相關(guān)性及神經(jīng)網(wǎng)絡(luò)追求損失最小化的特性共同導(dǎo)致。出現(xiàn)滯后現(xiàn)象時(shí)，網(wǎng)絡(luò)并沒有實(shí)現(xiàn)預(yù)測(cè)功能，僅僅將本時(shí)刻數(shù)值作為預(yù)測(cè)結(jié)果輸出，屬于無(wú)效預(yù)測(cè)。為了避免此類事件的發(fā)生，本文采用差值化方法處理訓(xùn)練集標(biāo)簽，公式如下

式中：f（?）為代表神經(jīng)網(wǎng)絡(luò)；din，t為t時(shí)刻樣本所對(duì)應(yīng)的歷史信息輸入；oin，t為t時(shí)刻樣本對(duì)應(yīng)的外源數(shù)據(jù)輸入；st+1為t時(shí)刻樣本對(duì)應(yīng)的標(biāo)簽，st+1=dt+1，step-dt，step，即下一刻目標(biāo)數(shù)據(jù)與當(dāng)前時(shí)刻目標(biāo)數(shù)據(jù)的差值；step為t時(shí)刻輸入片段的長(zhǎng)度。

2.3 TL-LSTM 預(yù)測(cè)模型

利用上述理論，可構(gòu)建TL-LSTM 模型。其中，預(yù)訓(xùn)練模型可以表示為

式中：Dsis為利用輔助域數(shù)據(jù)所構(gòu)成的樣本；Ssis為輔助域樣本經(jīng)過差值處理之后得到的樣本標(biāo)簽；fLSTM為預(yù)訓(xùn)練的LSTM模型。

則最終TL-LSTM模型可以表示為

式中：Daim為新能源功率序列所構(gòu)建的輸入樣本；Saim為樣本對(duì)應(yīng)標(biāo)簽經(jīng)過差值化處理所獲得的訓(xùn)練標(biāo)簽；LLSTM為最終的TL-LSTM模型。

基于TL-LSTM 模型的新能源功率預(yù)測(cè)方法的流程如圖3所示，具體步驟如下。

圖3 新能源功率短期預(yù)測(cè)流程Fig.3 Process for short-term forecasting on new energy power

（1）利用外源新能源功率歷史數(shù)據(jù)作為生成輔助數(shù)據(jù)簇的原始數(shù)據(jù)，并對(duì)其進(jìn)行預(yù)處理。通過孤立森林算法實(shí)現(xiàn)異常數(shù)據(jù)辨識(shí)并進(jìn)行替換。將清洗后的數(shù)據(jù)切分為單位片段。

（2）對(duì)切分好的數(shù)據(jù)集利用k-shape算法進(jìn)行聚類，聚類前使用肘方法確定聚類數(shù)量。將質(zhì)心序列作為每個(gè)聚類的標(biāo)簽。

（3）用每一個(gè)數(shù)據(jù)簇分別訓(xùn)練LSTM 模型，得到若干預(yù)訓(xùn)練LSTM 模型，并使用每個(gè)聚類簇的質(zhì)心序列作為各個(gè)模型的標(biāo)簽。

（4）使用SBD 計(jì)算各聚類標(biāo)簽和目標(biāo)序列間的距離，獲取最近的聚類標(biāo)簽及對(duì)應(yīng)預(yù)訓(xùn)練模型。

（5）利用預(yù)訓(xùn)練模型進(jìn)行模型遷移，并且利用目標(biāo)新能源數(shù)據(jù)進(jìn)行TL-LSTM 的訓(xùn)練，得到訓(xùn)練好的TL-LSTM模型。

（6）利用TL-LSTM模型進(jìn)行新能源功率預(yù)測(cè)。

3 算例分析

本算例中，需要進(jìn)行態(tài)勢(shì)預(yù)測(cè)的目標(biāo)數(shù)據(jù)來(lái)自中國(guó)某實(shí)際風(fēng)電場(chǎng)和光伏電站所提供的小段時(shí)序片段，生成輔助域的數(shù)據(jù)來(lái)自于同地區(qū)其他風(fēng)電場(chǎng)和光伏電站的歷史數(shù)據(jù)。

3.1 新能源數(shù)據(jù)預(yù)處理階段

首先對(duì)原數(shù)據(jù)進(jìn)行數(shù)據(jù)填補(bǔ)和異常數(shù)據(jù)的處理，且按照30 d 的時(shí)間跨度將數(shù)據(jù)切分為長(zhǎng)度相等的若干待處理數(shù)據(jù)。

為對(duì)數(shù)據(jù)進(jìn)行k-shape聚類，需要先利用肘方法確定最適宜的聚類數(shù)量。風(fēng)電數(shù)據(jù)的聚類數(shù)與簇內(nèi)聚合度關(guān)系曲線如圖4 所示，光伏數(shù)據(jù)的聚類數(shù)與簇內(nèi)聚合度關(guān)系曲線5所示。

圖4 風(fēng)電聚類數(shù)量確認(rèn)Fig.4 Confirming the number of wind power clusters

圖5 光伏聚類數(shù)量確認(rèn)Fig.5 Confirming the number of PV clusters

由肘方法可以確定，2 種數(shù)據(jù)的最優(yōu)聚類數(shù)量皆為8。利用k-shape 方法進(jìn)行聚類，圖6—7 分別顯示兩類數(shù)據(jù)的聚類結(jié)果中的前3個(gè)聚類，圖中，以風(fēng)機(jī)容量5 MW 為基準(zhǔn)，圖像縱坐標(biāo)采用百分比顯示，紅色曲線為每個(gè)聚類的標(biāo)簽序列。

圖6 風(fēng)電聚類結(jié)果Fig.6 Results of wind power clustering

3.2 風(fēng)力及光伏功率預(yù)測(cè)階段

本算例中，分別使用長(zhǎng)度為8 日的風(fēng)電數(shù)據(jù)和長(zhǎng)度為5日的光伏數(shù)據(jù)作為目標(biāo)序列。利用SBD 指標(biāo)對(duì)各輔助數(shù)據(jù)簇進(jìn)行距離判斷，結(jié)果見表1—2。由計(jì)算結(jié)果可知，與目標(biāo)風(fēng)力數(shù)據(jù)最接近的是6 號(hào)聚類簇，與目標(biāo)光電數(shù)據(jù)最接近的是8號(hào)聚類，通過LSTM訓(xùn)練生成對(duì)應(yīng)與訓(xùn)練模型。

表1 目標(biāo)數(shù)據(jù)與風(fēng)力數(shù)據(jù)簇距離Table 1 Distance between the target data and wind data clusters

利用目標(biāo)序列的80%數(shù)據(jù)作為微調(diào)用訓(xùn)練集，余下20%數(shù)據(jù)作為驗(yàn)證集。所選光伏數(shù)據(jù)測(cè)試集中存在神經(jīng)網(wǎng)絡(luò)較難預(yù)測(cè)的大波動(dòng)數(shù)據(jù)區(qū)段［22］，以此進(jìn)一步檢驗(yàn)?zāi)Ｐ托Ч?。為體現(xiàn)本文所提方法的有效性，設(shè)置對(duì)照組，分別為直接使用目標(biāo)數(shù)據(jù)訓(xùn)練的LSTM 模型、GRU 模型以及雙重注意力長(zhǎng)短期記憶網(wǎng)絡(luò)（Dual-stage Attention-based Long Short -Term Memory Network，DA-LSTM ）模型［23］。所有模型的超參數(shù)均相同，設(shè)置學(xué)習(xí)率為0.003，批尺寸為32，數(shù)據(jù)輸入步長(zhǎng)為96，迭代次數(shù)為1 500，訓(xùn)練集采用差值化處理。結(jié)果分析時(shí)，利用平均絕對(duì)誤差（MAE），均方根誤差（RMSE），決定系數(shù)（R2）3 類指標(biāo)對(duì)4種模型的預(yù)測(cè)結(jié)果進(jìn)行評(píng)估預(yù)測(cè)結(jié)果。風(fēng)電選取整日時(shí)段，光伏只選取06：00—20：00有效功率時(shí)段，預(yù)測(cè)結(jié)果評(píng)估見表3—4，預(yù)測(cè)結(jié)果如圖8及圖9所示。

表3 風(fēng)電預(yù)測(cè)結(jié)果評(píng)估Table 3 Evaluation metrics for wind power forecast results

由圖8、圖9 可知，差值方法能夠有效地抑制神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)中產(chǎn)生的滯后問題。避免了網(wǎng)絡(luò)預(yù)測(cè)過程中出現(xiàn)無(wú)效預(yù)測(cè)行為的可能，預(yù)測(cè)結(jié)果能夠真實(shí)反映模型的預(yù)測(cè)能力。這使得評(píng)估指標(biāo)間的比較更具有價(jià)值。

圖8 風(fēng)電預(yù)測(cè)結(jié)果Fig.8 Predicted wind turbine outputs

圖9 光伏預(yù)測(cè)結(jié)果Fig.9 Predicted PV outputs

圖7 光伏聚類結(jié)果Fig.7 Results of PV clustering

由風(fēng)電功率的預(yù)測(cè)結(jié)果可知，各個(gè)模型的R2指標(biāo)均高于0.800 0，擬合程度較高。LSTM 模型和GRU 模型的各項(xiàng)指標(biāo)均非常接近；DA-LSTM 模型的3 類指標(biāo)均優(yōu)于LSTM 模型與GRU 模型，其結(jié)構(gòu)中的雙重注意力機(jī)制使網(wǎng)絡(luò)能夠關(guān)注于時(shí)序數(shù)據(jù)的重要特征，提升模型的預(yù)測(cè)精度；TL-LSTM 模型的3類預(yù)測(cè)效果指標(biāo)均優(yōu)于其他模型。由光伏數(shù)據(jù)預(yù)測(cè)結(jié)果可知，所有模型的R2指標(biāo)均低于0.8，擬合程度較低，TL-LSTM 的預(yù)測(cè)效果仍要比其他3 類模型更好。

表4 光伏預(yù)測(cè)結(jié)果評(píng)估Table 4 Evaluation metrics for PV forecast results

綜上可知，TL-LSTM 模型對(duì)兩類不同特征的新能源均能獲得較好的功率預(yù)測(cè)效果。這是由于本文所提遷移學(xué)習(xí)方法的本質(zhì)就是使用外來(lái)電廠的大量相似數(shù)據(jù)對(duì)目標(biāo)數(shù)據(jù)進(jìn)行擴(kuò)充。尤其是在光伏算例中，面對(duì)歷史數(shù)據(jù)中不常見的大波動(dòng)數(shù)據(jù)，TL-LSTM 模型仍可以保持較好的預(yù)測(cè)精度。此外，考慮到本算例使用的訓(xùn)練數(shù)據(jù)相較于常規(guī)神經(jīng)網(wǎng)絡(luò)訓(xùn)練所用數(shù)據(jù)更少，所提TL-LSTM 模型也可以應(yīng)用于小信息環(huán)境下的新能源預(yù)測(cè)。

4 結(jié)論

本文基于TL 和LSTM 的組合模型提出了一種新能源功率的短期預(yù)測(cè)方法，并通過理論分析和試驗(yàn)驗(yàn)證得到如下結(jié)論。

（1）本文采用的差值預(yù)測(cè)方法抑制了神經(jīng)網(wǎng)時(shí)序預(yù)測(cè)時(shí)常出現(xiàn)的“滯后”現(xiàn)象，保證了模型的有效性，避免了無(wú)效網(wǎng)絡(luò)預(yù)測(cè)行為的出現(xiàn)。

（2）本文所提的k-shape 聚類算法以及基于SBD的聚類選擇方法可有效地在外來(lái)新能源數(shù)據(jù)中提取與目標(biāo)數(shù)據(jù)最接近的數(shù)據(jù)，并能夠借助該數(shù)據(jù)實(shí)現(xiàn)對(duì)原數(shù)據(jù)集的擴(kuò)充。

（3）算例分析可知，本文所提遷移學(xué)習(xí)方法具有一定魯棒性，且能應(yīng)用于小樣本背景下數(shù)據(jù)量不足時(shí)的新能源功率預(yù)測(cè)。

（4）本文所提方法適用于環(huán)境相對(duì)穩(wěn)定的常規(guī)新能源電站，對(duì)于海上風(fēng)電這類極易發(fā)生時(shí)序數(shù)據(jù)突變的站點(diǎn)而言，需要構(gòu)建相關(guān)的突變預(yù)測(cè)模型來(lái)進(jìn)行態(tài)勢(shì)預(yù)測(cè)，具有一定局限性。因此，后續(xù)研究工作也將圍繞著這些內(nèi)容展開。