基于LSTM-Attention和CNN-BiGRU誤差修正的光伏功率預(yù)測(cè)

摘 要：為有效分析與利用光伏功率預(yù)測(cè)模型中以特定規(guī)律分布的預(yù)測(cè)誤差，提出基于LSTM-Attention和CNN-BiGRU誤差修正的光伏功率預(yù)測(cè)模型。首先，引入注意力機(jī)制（Attention）彌補(bǔ)輸入序列長(zhǎng)時(shí)長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）難以保留關(guān)鍵信息的不足，建立LSTM-Attention的預(yù)測(cè)模型對(duì)光伏功率進(jìn)行初步預(yù)測(cè)。其次，將卷積神經(jīng)網(wǎng)絡(luò)（CNN）在非線性特征提取上的優(yōu)勢(shì)與雙向門(mén)控循環(huán)單元（BiGRU）在防止多種特征相互干擾的優(yōu)勢(shì)相結(jié)合，搭建CNN-BiGRU誤差預(yù)測(cè)模型對(duì)可能產(chǎn)生的誤差進(jìn)行預(yù)測(cè)，從而對(duì)初步預(yù)測(cè)結(jié)果進(jìn)行修正。經(jīng)過(guò)實(shí)例分析表明：與未經(jīng)誤差修正的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比，經(jīng)CNN-BiGRU誤差預(yù)測(cè)模型進(jìn)行誤差修正后在不同天氣類(lèi)型中均能有效提高預(yù)測(cè)精度。

關(guān)鍵詞：光伏功率預(yù)測(cè)；深度學(xué)習(xí)；誤差修正；注意力機(jī)制；長(zhǎng)短期神經(jīng)網(wǎng)絡(luò)；雙向門(mén)控循環(huán)單元

中圖分類(lèi)號(hào)：M615 " " " " " " "文獻(xiàn)標(biāo)志碼：A

0 引 言

太陽(yáng)能發(fā)電作為新型發(fā)電方式得到廣泛應(yīng)用［1］。由于光伏發(fā)電固有的不確定性和不穩(wěn)定性等特征將嚴(yán)重威脅電力系統(tǒng)的安全性、穩(wěn)定性及可靠性，因此準(zhǔn)確預(yù)測(cè)光伏電站發(fā)電功率對(duì)電網(wǎng)運(yùn)行計(jì)劃調(diào)整與優(yōu)化至關(guān)重要［2-3］。

物理方法［4］和元啟發(fā)式學(xué)習(xí)方法等［5］是光伏功率預(yù)測(cè)常用方法。物理模型將光伏電場(chǎng)站的有關(guān)地形環(huán)境信息、地理位置坐標(biāo)以及光電場(chǎng)站的功率引入到一個(gè)物理公式中進(jìn)行預(yù)測(cè)，但模型繁瑣，無(wú)法準(zhǔn)確模擬太陽(yáng)輻照度及組件在某些極端天氣下的參數(shù)變化，抗沖擊能力弱，不具備推廣能力［6］。

元啟發(fā)式學(xué)習(xí)方法是一種基于啟發(fā)式算法的機(jī)器學(xué)習(xí)方法，它通過(guò)將啟發(fā)式算法與機(jī)器學(xué)習(xí)算法相結(jié)合，來(lái)解決復(fù)雜的優(yōu)化問(wèn)題［7］。常用方法包括遺傳算法、人工神經(jīng)網(wǎng)絡(luò)等方法［8-10］。其中長(zhǎng)短期記憶網(wǎng)絡(luò)（long short-term memory， LSTM）在時(shí)序數(shù)據(jù)預(yù)測(cè)方面具有較好的效果，近年來(lái)得到廣泛應(yīng)用［11］。文獻(xiàn)［12］提出基于混合數(shù)據(jù)驅(qū)動(dòng)模型的新型預(yù)測(cè)方法，將支持向量機(jī)和人工神經(jīng)網(wǎng)絡(luò)相結(jié)合，并引入不同的元啟發(fā)式優(yōu)化算法優(yōu)化支持向量回歸（support vector regression， SVR）和人工神經(jīng)網(wǎng)絡(luò)（artificial neural network， ANN）的超參數(shù)，提高了模型在未適當(dāng)調(diào)優(yōu)的情況下的預(yù)測(cè)精度；文獻(xiàn)［13］將注意力機(jī)制與LSTM相結(jié)合，彌補(bǔ)了LSTM輸入序列較長(zhǎng)時(shí)易忽略重要時(shí)序信息的問(wèn)題，通過(guò)構(gòu)建組合模型將多個(gè)模型的優(yōu)勢(shì)相結(jié)合提高了預(yù)測(cè)精度；文獻(xiàn)［14］在此基礎(chǔ)上，針對(duì)極端天氣歷史數(shù)據(jù)量匱乏導(dǎo)致預(yù)測(cè)精度低的問(wèn)題，用改進(jìn)的生成對(duì)抗網(wǎng)絡(luò)對(duì)極端天氣的訓(xùn)練集數(shù)據(jù)進(jìn)行擴(kuò)充，有效提高了預(yù)測(cè)精度。

上述研究都是從預(yù)測(cè)模型的角度入手提高預(yù)測(cè)精度，另外有學(xué)者則從預(yù)測(cè)誤差角度著手考慮進(jìn)一步提升預(yù)測(cè)精度。文獻(xiàn)［15］將光伏功率分解成一系列子模態(tài)后進(jìn)行預(yù)測(cè)，并用最小二乘支持向量機(jī)預(yù)測(cè)進(jìn)行誤差預(yù)測(cè)并對(duì)初始預(yù)測(cè)值進(jìn)行補(bǔ)償，提高了不同天氣類(lèi)型下光伏功率預(yù)測(cè)的準(zhǔn)確性；文獻(xiàn)［16］針對(duì)預(yù)測(cè)誤差尖峰輕尾的統(tǒng)計(jì)特性，將功率的預(yù)測(cè)誤差進(jìn)行分層操作，根據(jù)不同層級(jí)預(yù)測(cè)誤差給予合適的處理方案；文獻(xiàn)［17］利用極限梯度提升（extreme gradient boosting，XGBoost）算法將誤差劃分為低、中、高3類(lèi)誤差，最后將模型的與預(yù)測(cè)結(jié)果與功率誤差預(yù)測(cè)值相加得到最終預(yù)測(cè)值。

預(yù)測(cè)模型誤差中不僅包含隨機(jī)誤差，也包含了基于模型原理而帶來(lái)的固有誤差，而此類(lèi)誤差分布則存在一定規(guī)律。為有效解決上述問(wèn)題，本文建立基于LSTM-Attention和CNN-BiGRU誤差修正的光伏功率預(yù)測(cè)模型。首先，搭建LSTM-Attention功率預(yù)測(cè)模型對(duì)光伏功率進(jìn)行初步預(yù)測(cè)，引入注意力機(jī)制彌補(bǔ)LSTM輸入序列較長(zhǎng)時(shí)易忽略重要時(shí)序信息的問(wèn)題；其次，將卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network， CNN）在非線性特征提取上的優(yōu)勢(shì)與雙向門(mén)控循環(huán)單元（Bidirectional gated recurrent unit， BiGRU）在解決多種特征相互干擾問(wèn)題的能力相結(jié)合，搭建CNN-BiGRU誤差預(yù)測(cè)模型對(duì)誤差進(jìn)行預(yù)測(cè)，從而修正初步預(yù)測(cè)結(jié)果。通過(guò)與未經(jīng)誤差修正的預(yù)測(cè)結(jié)果對(duì)比，驗(yàn)證了本文所提方法的有效性。

1 數(shù)據(jù)預(yù)處理

由于光伏電場(chǎng)的天氣因素、設(shè)備故障、網(wǎng)絡(luò)波動(dòng)、電網(wǎng)限電等原因，導(dǎo)致收集光伏實(shí)測(cè)數(shù)據(jù)存在缺失值以及異常值［18］。拉依達(dá)準(zhǔn)則（3σ）作為計(jì)算簡(jiǎn)單、適用廣泛的質(zhì)量控制方法，常用于光伏和風(fēng)功率數(shù)據(jù)清洗［19］。通過(guò)3σ準(zhǔn)則對(duì)異常數(shù)據(jù)進(jìn)行識(shí)別，然后采用線性插值法填補(bǔ)剔除的異常數(shù)據(jù)。3σ準(zhǔn)則計(jì)算方法如式（1）、式（2）所示。

[?=1p-1i=1p（Xi-Xi）2] （1）

[X-X＞3?] （2）

式中：[X=[X1，X2，…，Xq]s]——光伏數(shù)據(jù)特征值；[X=[X1，X2，…，][Xq]]——光伏數(shù)據(jù)特征平均值；[?=[?1，?2，…，?q]]——特征標(biāo)準(zhǔn)差；[q]——數(shù)據(jù)特征維度；[p]——數(shù)據(jù)樣本量。

為消除不同特征之間因量綱不同對(duì)預(yù)測(cè)過(guò)程的影響，進(jìn)而提高模型的準(zhǔn)確性和穩(wěn)定性，對(duì)數(shù)據(jù)歸一化處理，歸一化公式為：

[x=x*-x*minx*max-x*min] （3）

式中：[x*]——輸入數(shù)據(jù)； [x*max]——輸入最大值；[x*min]——輸入最小值；[x]——?dú)w一化后數(shù)據(jù)。

2 相關(guān)方法和理論

2.1 LSTM理論

LSTM通過(guò)引入輸入門(mén)、遺忘門(mén)和輸出門(mén)可實(shí)現(xiàn)對(duì)時(shí)序數(shù)據(jù)的有效建模和預(yù)測(cè)，并在一定程度上緩解了模型梯度消失和梯度爆炸的問(wèn)題［20］。LSTM拓?fù)浣Y(jié)構(gòu)如圖1所示。遺忘門(mén)用ft表示，主要作用是控制哪些信息需被遺忘。輸入門(mén)用it表示，主要作用是控制哪些新信息需被加入到記憶細(xì)胞中。輸出門(mén)用Ot表示，主要作用是控制輸出隱藏狀態(tài)向量。計(jì)算公式如式（4）～式（9）所示。

[ft=σ（Wf[ht-1，xt]+bf）] （4）

[it=σ（Wi[ht-1，xt]+bi）] （5）

[Ot=σ（Wo[ht-1，xt]+bo）] （6）

[Ct=tanh（Wc[ht-1，xt]+bc）] （7）

[Ct=ft⊙Ct-1+it⊙Ct] （8）

[ht=Ot⊙tanh（Ct）] （9）

式中：[xt]——輸入序列第[t]個(gè)時(shí)間步的輸入；[ht]——第[t]個(gè)時(shí)間步的隱藏狀態(tài)； [Ct]——第[t]個(gè)時(shí)間步候選單元狀態(tài)； [Ct]——第[t]個(gè)時(shí)間步更新細(xì)胞狀態(tài)；[Wf]、[Wi]、[Wo]、[Wc]——各模塊對(duì)應(yīng)的權(quán)值矩陣；[bf]、[bi]、[bo]、[bc]——各模塊對(duì)應(yīng)的偏置矩陣； [σ]——Sigmoid激活函數(shù)； [⊙]——Hadamard積。

2.2 Attention機(jī)制

Attention機(jī)制是一種用于增強(qiáng)神經(jīng)網(wǎng)絡(luò)對(duì)輸入數(shù)據(jù)關(guān)注和處理的技術(shù)，其基本原理是通過(guò)計(jì)算每個(gè)輸入位置的權(quán)重，從而使模型更加關(guān)注這些位置的信息。注意力機(jī)制對(duì)于權(quán)重值的計(jì)算，通常是通過(guò)引入評(píng)分函數(shù)，計(jì)算隱含層輸出數(shù)據(jù)與中間狀態(tài)的特征向量的相似度，評(píng)分函數(shù)與相關(guān)度呈正相關(guān)，相關(guān)度越小則計(jì)算出的評(píng)分函數(shù)越小，反之亦然。使用Softmax函數(shù)將相似度轉(zhuǎn)換為概率分布，然后將值向量按概率分布進(jìn)行加權(quán)和，得到最終的權(quán)重值。

2.3 CNN理論

CNN是一種前饋神經(jīng)網(wǎng)絡(luò)，主要用于圖像、語(yǔ)音和自然語(yǔ)言處理等領(lǐng)域。其具有自動(dòng)特征提取、平移不變性、共享權(quán)重、處理大規(guī)模數(shù)據(jù)和遷移學(xué)習(xí)等優(yōu)點(diǎn)，通過(guò)使用卷積操作可提取輸入數(shù)據(jù)中的局部特征［21］。CNN網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。輸入層接收原始數(shù)據(jù)，卷積層通過(guò)卷積操作提取特征，池化層通過(guò)降采樣操作減少特征圖的維度，全連接層通過(guò)多層感知器實(shí)現(xiàn)分類(lèi)或回歸任務(wù)，輸出層輸出預(yù)測(cè)結(jié)果。

2.4 BiGRU理論

門(mén)控循環(huán)單元神經(jīng)網(wǎng)絡(luò)（gated recurrent unit，GRU）是基于LSTM思想進(jìn)行改進(jìn)，在減少模型參數(shù)量的同時(shí)提高了訓(xùn)練效率［22］。在某些較小的數(shù)據(jù)集上，GRU相比于LSTM表現(xiàn)出更好的性能。GRU的基本結(jié)構(gòu)包括重置門(mén)和更新門(mén)，通過(guò)非線性變換控制了隱藏狀態(tài)的更新和使用。GRU模型的網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。計(jì)算公式如式（10）～式（13）所示。

[rt=σWrxt+Urht-1+br] （10）

[zt=σWzxt+Uzht-1+bz] （11）

[h*t=tanhWhxt+rtUht-1+bh] （12）

[ht=（1-zt）h*t+ztht-1] （13）

式中：[rt]——重置門(mén)；[zt]——更新門(mén)； tanh——雙曲正切激活函數(shù)；[ht]——第[t]個(gè)時(shí)間步候選隱藏狀態(tài)；[Wr]、[Wz]、[Wh]——各模塊對(duì)應(yīng)的權(quán)值矩陣；[br]、[bz]、[bh]——各模塊對(duì)應(yīng)的偏置矩陣。

BiGRU是一種結(jié)合了雙向RNN和GRU的神經(jīng)網(wǎng)絡(luò)模型。與傳統(tǒng)的RNN相比，GRU可更好地解決梯度消失和爆炸的問(wèn)題，同時(shí)還能捕捉到長(zhǎng)序列的依賴關(guān)系。而雙向RNN可同時(shí)考慮過(guò)去和未來(lái)的輸入，更好地處理序列數(shù)據(jù)。BiGRU在處理序列數(shù)據(jù)時(shí)，首先將輸入序列分別由前向和后向的兩個(gè)GRU網(wǎng)絡(luò)處理，然后將兩個(gè)網(wǎng)絡(luò)的輸出進(jìn)行拼接，得到最終的輸出結(jié)果。BiGRU能同時(shí)考慮過(guò)去和未來(lái)的信息，更好地捕捉序列中的依賴關(guān)系。光伏功率的變化往往會(huì)受到多種氣象特征以及外部條件等因素的影響。因此，采用BiGRU模型解決影響因素相互干擾的問(wèn)題，將使得模型誤差的預(yù)測(cè)效果更佳。BiGRU的結(jié)構(gòu)如圖4所示。

3 基于誤差修正的光伏功率預(yù)測(cè)模型

為有效分析與利用光伏功率預(yù)測(cè)模型中以特定規(guī)律分布的預(yù)測(cè)誤差，提出基于LSTM-Attention和CNN-BiGRU誤差修正的光伏功率預(yù)測(cè)模型。在傳統(tǒng)LSTM網(wǎng)絡(luò)中，不同重要程度的特征數(shù)據(jù)被賦予相同權(quán)重，受限于遺忘門(mén)的存在，部分關(guān)鍵信息在學(xué)習(xí)過(guò)程中被丟棄，從而影響模型預(yù)測(cè)準(zhǔn)確性；注意力機(jī)制的加入增強(qiáng)了重要特征的權(quán)重，避免了重要信息的丟失，從而增強(qiáng)模型對(duì)信息的提取能力與選擇能力。因此，將LSTM和Attention機(jī)制相結(jié)合來(lái)達(dá)到提高預(yù)測(cè)精度的目的。

首先，利用LSTM-Attention模型進(jìn)行預(yù)測(cè)得到初步預(yù)測(cè)值。其次，將CNN和BiGRU相結(jié)合構(gòu)成誤差修正模型進(jìn)行誤差預(yù)測(cè)。最后，通過(guò)疊加誤差預(yù)測(cè)值及原功率預(yù)測(cè)結(jié)果以求得最終預(yù)測(cè)結(jié)果?；谡`差修正的光伏功率預(yù)測(cè)流程如圖5所示。

LSTM-Attention模型結(jié)構(gòu)如圖6所示。LSTM獲得輸入的光伏數(shù)據(jù)后，利用其隱含層計(jì)算獲得氣象數(shù)據(jù)中間狀態(tài)，隨后采用函數(shù)[scoreht，j，ht]求解特征向量[ht，j]與隱藏狀態(tài)[ht]相似度。其計(jì)算方法為：

[scoreht，i，ht=WshTt+bs] （14）

式中：[Ws]——全連接層權(quán)值矩陣；[bs]——偏置向量值； [hTt]——隱藏狀態(tài)[ht]轉(zhuǎn)置；[scoreht，j，ht]——[hi，j]與[ht]的相關(guān)性。

通常， Softmax函數(shù)用來(lái)求解隱藏層向量注意力權(quán)重[αi]，經(jīng)過(guò)與[hi，j]加權(quán)求和即可求得注意力層輸出[h*t]，[αi]、[h*t]，其計(jì)算方法如式（15）、式（16）所示。

[αi=expscoreht，i，htj=1τexpscoreht，j，ht] （15）

[h*t=i=1ταiht，i] （16）

式中：[t]——全連接層輸出節(jié)點(diǎn)。

在采用人工智能算法進(jìn)行的光伏發(fā)電預(yù)測(cè)中，許多因素會(huì)造成預(yù)測(cè)誤差，進(jìn)而影響模型預(yù)測(cè)的精度。對(duì)這些誤差進(jìn)行分析并進(jìn)行誤差修正，是一種非常有效提高預(yù)測(cè)準(zhǔn)確率的途徑。誤差修正方法是指經(jīng)預(yù)測(cè)模型得到預(yù)測(cè)值之后得到預(yù)測(cè)誤差。將得出的誤差按時(shí)間序列進(jìn)行排序，并將之作為新的特征序列。將氣象特征和預(yù)測(cè)的輸出功率一起輸入到合適的預(yù)測(cè)模型進(jìn)行訓(xùn)練，其輸出為預(yù)測(cè)誤差。最后，最終預(yù)測(cè)值為預(yù)測(cè)誤差和預(yù)測(cè)輸出功率之和。

為了使功率預(yù)測(cè)模型能得到充分訓(xùn)練，將歷史光伏數(shù)據(jù)按5∶4∶1分成訓(xùn)練集a、訓(xùn)練集b和驗(yàn)證集c。訓(xùn)練集a用來(lái)訓(xùn)練LSTM-Attention功率預(yù)測(cè)模型，將訓(xùn)練集b輸入到訓(xùn)練好的光伏功率預(yù)測(cè)模型得到功率預(yù)測(cè)值[y′b（t）]。通過(guò)光伏功率預(yù)測(cè)誤差公式計(jì)算得到訓(xùn)練集b的誤差序列[eb（t）]，進(jìn)而訓(xùn)練得到誤差預(yù)測(cè)模型。用驗(yàn)證集c對(duì)訓(xùn)練好的模型進(jìn)行驗(yàn)證，將驗(yàn)證集c分別輸入到光伏功率預(yù)測(cè)模型和誤差預(yù)測(cè)模型，得到功率預(yù)測(cè)值[y′c][（t）]和誤差預(yù)測(cè)值[e′c（t）]，利用[e′c（t）]修正功率預(yù)測(cè)值即可得到最終預(yù)測(cè)值[y″c（t）]，其修正流程如圖7所示。光伏功率預(yù)測(cè)誤差公式為：

[e=y′-y] （17）

式中：[e]——功率預(yù)測(cè)值誤差；[y′]——功率預(yù)測(cè)值；[y]——功率真實(shí)值。

根據(jù)CNN-BiGRU原理建立光伏功率誤差預(yù)測(cè)模型，計(jì)算公式為：

[e′（t）=f[e（t-T），e（t-2T），…，e（t-nT）]] （18）

式中：[e′]——誤差預(yù)測(cè)模型預(yù)測(cè)的功率誤差值；[T]——預(yù)測(cè)時(shí)間尺度。

通過(guò)誤差預(yù)測(cè)值對(duì)光伏功率預(yù)測(cè)值進(jìn)行修正，計(jì)算公式為：

[y″=y′+e′] （19）

式中：[y″]——功率預(yù)測(cè)修正值。

GRU是LSTM網(wǎng)絡(luò)的一種效果很好的變體，其只有兩個(gè)門(mén)控單元，因此計(jì)算量比LSTM更小。當(dāng)數(shù)據(jù)集較少時(shí)，使用GRU模型進(jìn)行預(yù)測(cè)可獲得更高的準(zhǔn)確率。在訓(xùn)練誤差預(yù)測(cè)模型時(shí)，訓(xùn)練集b的數(shù)據(jù)較少，所以本文將CNN對(duì)時(shí)序數(shù)據(jù)特征提取的能力與BiGRU對(duì)時(shí)序數(shù)據(jù)預(yù)測(cè)能能力相結(jié)合，提出CNN-BiGRU模型對(duì)預(yù)測(cè)模型的誤差進(jìn)行預(yù)測(cè)。CNN可對(duì)時(shí)序數(shù)據(jù)進(jìn)行非線性特征能力的提取，而B(niǎo)iGRU則能解決多種氣象特征及外部條件因素相互干擾的問(wèn)題。因此可將CNN和BiGRU相結(jié)合構(gòu)成CNN-BiGRU誤差預(yù)測(cè)模型以發(fā)揮它們各自的優(yōu)勢(shì)，使誤差預(yù)測(cè)模型的預(yù)測(cè)效果更佳。

4 實(shí)驗(yàn)仿真

4.1 數(shù)據(jù)來(lái)源

以澳洲愛(ài)麗絲泉某光伏發(fā)電站2015年3月1日—2016年2月29日的光伏輸出功率、總輻照度、溫度、風(fēng)速、風(fēng)向和相對(duì)濕度數(shù)據(jù)進(jìn)行分析。由于光伏發(fā)電在夜間的輸出功率為0，因此只考慮每天07：00—18：00之間的數(shù)據(jù)，采樣分辨率為5 min，每天共133個(gè)采樣點(diǎn)。功率預(yù)測(cè)模型的訓(xùn)練集a、誤差預(yù)測(cè)模型的訓(xùn)練集b和驗(yàn)證集c按各天氣類(lèi)型歷史光伏數(shù)據(jù)的5∶1進(jìn)行分配。

4.2 評(píng)價(jià)指標(biāo)

為評(píng)價(jià)模型的預(yù)測(cè)性能，分別利用均方根誤差（root mean squared error， RMSE）、平均絕對(duì)誤差（mean average error， MAE）、決定系數(shù)（[R2]）和仿真時(shí)間（[T]）評(píng)價(jià)建立的功率及誤差預(yù)測(cè)模型，計(jì)算公式分別如式（20）～式（22）所示。

[ERMSE=1Nt=1N（yt-y′t）2] （20）

[EMAE=t=1Nyt-y′tN] （21）

[R2=1-t=1Ny′t-yt2i=1Nyt-yt2] （22）

式中：[N]——日采樣點(diǎn)數(shù)量；[yt]——[t]時(shí)刻的光伏功率真實(shí)值；[y′t]——[t]時(shí)刻的模型預(yù)測(cè)值；[yt]——功率真實(shí)值的平均值。

4.3 光伏功率影響因素及相關(guān)性分析

本文通過(guò)計(jì)算相關(guān)氣象數(shù)據(jù)與輸出功率間的Pearson相關(guān)系數(shù)來(lái)確定預(yù)測(cè)模型輸入特征。Pearson相關(guān)系數(shù)用[pxy]表示，[pxy]的絕對(duì)值越大表示兩個(gè)變量的相關(guān)性越強(qiáng)，計(jì)算公式為：

[pxy=t=1N（ut-u）?（yt-y）t=1N（ut-u）2?t=1N（yt-y）2] （23）

式中：[ut]——[t]時(shí)刻氣象因素值；[u]——?dú)庀笠蛩氐钠骄怠?/p>

通過(guò)分析獲得的Pearson相關(guān)系數(shù)如表1所示。各關(guān)鍵因素中，總輻照度、相對(duì)濕度、溫度及風(fēng)速的相關(guān)系數(shù)較大，即表明其相關(guān)性很強(qiáng)，故作為預(yù)測(cè)模型的輸入特征；而風(fēng)向的相關(guān)系數(shù)較小，表明其相關(guān)性較弱，故省去未做考慮。

4.4 LSTM-Attention初步預(yù)測(cè)結(jié)果分析

本研究以每天的總輻照度、相對(duì)濕度和溫度這3個(gè)氣象因素構(gòu)建特征向量。特征向量組成包括這3個(gè)氣象因素的標(biāo)準(zhǔn)差、峰值系數(shù)和平均值。標(biāo)準(zhǔn)差反映數(shù)據(jù)的離散程度，峰值系數(shù)反映數(shù)據(jù)分布的陡峭程度，平均值反映數(shù)據(jù)的中心位置。將每天的特征向量作為輸入，采用K-均值++聚類(lèi)算法將原始數(shù)據(jù)集劃分為晴天、多云和雨雪3種天氣類(lèi)型。聚類(lèi)結(jié)果如表2所示，通過(guò)對(duì)待預(yù)測(cè)日進(jìn)行先聚類(lèi)再預(yù)測(cè)，能顯著提高模型的預(yù)測(cè)效果。

為驗(yàn)證LSTM-Attention預(yù)測(cè)模型，分別選用LSTM、RNN和GRU預(yù)測(cè)模型進(jìn)行對(duì)比驗(yàn)證。取晴天、多云、雨雪各1 d作為測(cè)試集進(jìn)行預(yù)測(cè)，4種模型在3種天氣類(lèi)型下的預(yù)測(cè)結(jié)果如圖8所示。

表3展示了晴天、多云和雨雪天氣下4種預(yù)測(cè)方法的結(jié)果對(duì)比。由表3所示結(jié)果可知，相較于其他模型，本文提出的模型在上述的3種天氣類(lèi)型下具有最優(yōu)預(yù)測(cè)誤差，表現(xiàn)為

最小均方根誤差、最低平均絕對(duì)誤差和最高決定系數(shù)。進(jìn)一步分析預(yù)測(cè)結(jié)果可得：

1）在晴天、多云和雨雪3種天氣類(lèi)型下，LSTM和GRU預(yù)測(cè)模型的RMSE、MAE和[R2]均優(yōu)于RNN預(yù)測(cè)模型，說(shuō)明LSTM和GRU作為RNN的改進(jìn)模型，在預(yù)測(cè)性能上有明顯提升。但在預(yù)測(cè)時(shí)間上LSTM和GRU預(yù)測(cè)模型比RNN預(yù)測(cè)模型所需要計(jì)算的時(shí)間更久。LSTM和GRU預(yù)測(cè)模型在晴天時(shí)預(yù)測(cè)準(zhǔn)確性相差不大，而在多云和雨雪兩種天氣類(lèi)型時(shí)，LSTM比GRU預(yù)測(cè)模型的RMSE分別降低10.0%和4.6%，MAE分別降低了2.2%和7.9%，表明LSTM模型在數(shù)據(jù)集較豐富時(shí)，使用LSTM模型比GRU模型更具優(yōu)勢(shì)。但相應(yīng)的LSTM比GRU模型更復(fù)雜，在預(yù)測(cè)時(shí)所需時(shí)間更久。

2）相較于LSTM模型，LSTM-Attention預(yù)測(cè)模型在3種天氣類(lèi)型下預(yù)測(cè)誤差和預(yù)測(cè)計(jì)算時(shí)間均有所降低。晴天時(shí)RMSE和MAE分別降低12.8%和6.9%；多云時(shí)RMSE和MAE分別降低14.0%和11.1%；雨雪時(shí)RMSE和MAE分別降低15.0%和4.7%。

4.5 CNN-BiGRU誤差預(yù)測(cè)模型有效性驗(yàn)證

為避免預(yù)測(cè)模型自身性能導(dǎo)致的預(yù)測(cè)誤差，本文從誤差的角度搭建CNN-BiGRU誤差預(yù)測(cè)模型來(lái)對(duì)預(yù)測(cè)功率進(jìn)行修正從而改進(jìn)預(yù)測(cè)準(zhǔn)確性。為進(jìn)一步驗(yàn)證本文所建模型對(duì)光伏功率預(yù)測(cè)精度的有效性，選擇LSTM和BiGRU模型建立誤差預(yù)測(cè)模型進(jìn)行對(duì)比試驗(yàn)。各天氣類(lèi)型初步預(yù)測(cè)值誤差修正后曲線如圖9所示。

表4分別列出晴天、多云及雨雪天氣類(lèi)型下的初步預(yù)測(cè)值誤差修正結(jié)果。根據(jù)表4中可得，本文所示的誤差預(yù)測(cè)模

型相較于其他傳統(tǒng)誤差預(yù)測(cè)模型在上述3種天氣類(lèi)型下對(duì)初步預(yù)測(cè)值進(jìn)行誤差修正后具有最優(yōu)性能，表現(xiàn)為最小均方根誤差、最低平均絕對(duì)誤差和最高決定系數(shù)；進(jìn)一步的，通過(guò)綜合分析預(yù)測(cè)誤差修正結(jié)果可得：

1）BiGRU誤差預(yù)測(cè)模型比LSTM誤差預(yù)測(cè)模型對(duì)預(yù)測(cè)初值的誤差修正效果更好；針對(duì)晴天、多云、雨雪等天氣類(lèi)型，BiGRU模型與未進(jìn)行誤差修正相比其RMSE分別降低19.3%、28.5%和32.6%，MAE分別降低9%、15.9%和21.4%。

2）利用CNN-BiGRU模型能夠進(jìn)行分析誤差的特性，將誤差中的可用信息提取出來(lái)；針對(duì)晴天、多云、雨雪等天氣類(lèi)型，本文所建的CNN-BiGRU誤差修正模型與未進(jìn)行誤差修正相比其RMSE分別降低22%、31%和34.4%，MAE分別降低了9%、22.9%和26.9%。與BiGRU誤差修正模型相比，CNN-BiGRU模型可從預(yù)測(cè)誤差中提取更多的誤差規(guī)律信息，對(duì)預(yù)測(cè)結(jié)果的修正效果更具優(yōu)勢(shì)。

3）由計(jì)算時(shí)間可看出，通過(guò)引入誤差修正模型在提高預(yù)測(cè)精度的同時(shí)也增加了預(yù)測(cè)時(shí)間。其中，因?yàn)榍缣祛?lèi)型歷史數(shù)據(jù)最多，因此預(yù)測(cè)用時(shí)最長(zhǎng)，其次分別為雨雪和多云天氣類(lèi)型。本文提出的誤差預(yù)測(cè)模型與其他兩種誤差預(yù)測(cè)模型相比，在增加較少計(jì)算時(shí)間的情況下有效提高了誤差預(yù)測(cè)精度，從而實(shí)現(xiàn)對(duì)初步預(yù)測(cè)結(jié)果修正。

4）極端天氣時(shí)利用誤差預(yù)測(cè)模型對(duì)誤差進(jìn)行預(yù)測(cè)并對(duì)初步預(yù)測(cè)值進(jìn)行修正時(shí)，預(yù)測(cè)模型的精度提升更明顯。究其原因是極端天氣的預(yù)測(cè)誤差中有用信息比晴天天氣中更多導(dǎo)致。

5 結(jié) 論

為有效分析與利用光伏功率預(yù)測(cè)模型中以特定規(guī)律分布的預(yù)測(cè)誤差，本文提出基于LSTM-Attention和CNN-BiGRU誤差修正的光伏功率預(yù)測(cè)模型。得出如下主要結(jié)論：

1）針對(duì)LSTM模型在輸入序列較長(zhǎng)時(shí)忽略關(guān)鍵時(shí)序信息，造成預(yù)測(cè)精度降低的問(wèn)題；通過(guò)結(jié)合LSTM與注意力機(jī)制優(yōu)勢(shì)從而解決了難以保留長(zhǎng)輸入序列關(guān)鍵信息的問(wèn)題，提高了模型整體預(yù)測(cè)性能。

2）為充分利用預(yù)測(cè)模型的預(yù)測(cè)誤差中存在的有價(jià)值信息，本文提出CNN-BiGRU誤差預(yù)測(cè)模型。將CNN在非線性特征提取上的優(yōu)勢(shì)與BiGRU在解決多種特征相互干擾的問(wèn)題的能力相結(jié)合，較好地解析了時(shí)序誤差數(shù)據(jù)前后的相互依賴關(guān)系，并提取出了預(yù)測(cè)誤差的分布規(guī)律。實(shí)驗(yàn)結(jié)果表明：CNN-BiGRU能有效分析誤差分布規(guī)律，進(jìn)而修正初步預(yù)測(cè)結(jié)果，有效提高模型整體預(yù)測(cè)性能。

本文所建立的結(jié)合深度學(xué)習(xí)與注意力機(jī)制的誤差修正光伏功率預(yù)測(cè)模型在降低預(yù)測(cè)誤差的同時(shí)延長(zhǎng)了預(yù)測(cè)時(shí)間。未來(lái)研究可通過(guò)改進(jìn)模型計(jì)算速度，實(shí)現(xiàn)快速準(zhǔn)確的光伏功率預(yù)測(cè)。

［參考文獻(xiàn)］

［1］ 賴昌偉， 黎靜華， 陳博， 等. 光伏發(fā)電出力預(yù)測(cè)技術(shù)研究綜述［J］. 電工技術(shù)學(xué)報(bào)， 2019， 34（6）： 1201-1217.

LAI C W， LI J H， CHEN B， et al. Review of photovoltaic power output prediction technology［J］. Transactions of China Electrotechnical Society， 2019， 34（6）： 1201-1217.

［2］ 楊國(guó)清， 李建基， 王德意， 等. 基于信息熵變權(quán)區(qū)間組合和邊界逼近的短期光伏功率區(qū)間預(yù)測(cè)［J］. 太陽(yáng)能學(xué)報(bào)， 2023， 44（2）： 381-390.

YANG G Q， LI J J， WANG D Y， et al. Short-term photovoltaic power interval prediction based on information entropy variable weight interval combination and boundary approximation［J］. Acta energiae solaris sinica， 2023， 44（2）： 381-390.

［3］ 張家安， 郝峰， 董存， 等. 基于兩階段不確定性量化的光伏發(fā)電超短期功率預(yù)測(cè)［J］. 太陽(yáng)能學(xué)報(bào)， 2023， 44（1）： 69-77.

ZHANG J A， HAO F， DONG C， et al. Ultra-short-term power forecasting of photovoltaic power generation based on two-stage uncertainty quantization［J］. Acta energiae solaris sinica， 2023， 44（1）： 69-77.

［4］ 劉潔， 林舜江， 梁煒焜， 等. 基于高階馬爾可夫鏈和高斯混合模型的光伏出力短期概率預(yù)測(cè)［J］. 電網(wǎng)技術(shù)， 2023， 47（1）： 266-275.

LIU J， LIN S J， LIANG W K， et al. Short-term probabilistic forecast for power output of photovoltaic station based on high order Markov chain and Gaussian mixture model［J］. Power system technology， 2023， 47（1）： 266-275.

［5］ 董雪， 趙宏偉， 趙生校， 等. 基于SOM聚類(lèi)和二次分解的BiGRU超短期光伏功率預(yù)測(cè)［J］. 太陽(yáng)能學(xué)報(bào)， 2022， 43（11）： 85-93.

DONG X， ZHAO H W， ZHAO S X， et al. Ultra-short-term forecasting method of photovoltaic power based on SOM clustering， secondary decomposition and BiGRU［J］. Acta energiae solaris sinica， 2022， 43（11）： 85-93.

［6］ 吉鋅格， 李慧， 葉林， 等. 基于波動(dòng)特性挖掘的短期光伏功率預(yù)測(cè)［J］. 太陽(yáng)能學(xué)報(bào)， 2022， 43（5）： 146-155.

JI X G， LI H， YE L， et al. Short-term photovoltaic power forecasting based on fluctuation characteristics mining［J］. Acta energiae solaris sinica， 2022， 43（5）： 146-155.

［7］ YANG M， ZHAO M， HUANG D W， et al. A composite framework for photovoltaic day-ahead power prediction based on dual clustering of dynamic time warping distance and deep autoencoder［J］. Renewable energy， 2022， 194： 659-673.

［8］ 劉倩， 胡強(qiáng)， 楊凌帆， 等. 基于時(shí)間序列的深度學(xué)習(xí)光伏發(fā)電模型研究［J］. 電力系統(tǒng)保護(hù)與控制， 2021， 49（19）： 87-98.

LIU Q， HU Q， YANG L F， et al. Deep learning photovoltaic power generation model based on time series［J］. Power system protection and control， 2021， 49（19）： 87-98.

［9］ YAN J C， HU L， ZHEN Z， et al. Frequency-domain decomposition and deep learning based solar PV power ultra-short-term forecasting model［J］. IEEE transactions on industry applications， 2021， 57（4）： 3282-3295.

［10］ 張雨金， 楊凌帆， 葛雙冶， 等. 基于Kmeans-SVM的短期光伏發(fā)電功率預(yù)測(cè)［J］. 電力系統(tǒng)保護(hù)與控制， 2018， 46（21）： 118-124.

ZHANG Y J， YANG L F， GE S Y， et al. Short-term photovoltaic power forecasting based on Kmeans algorithm and support vector machine［J］. Power system protection and control， 2018， 46（21）： 118-124.

［11］ 譚海旺， 楊啟亮， 邢建春， 等. 基于XGBoost-LSTM組合模型的光伏發(fā)電功率預(yù)測(cè)［J］. 太陽(yáng)能學(xué)報(bào)， 2022， 43（8）： 75-81.

TAN H W， YANG Q L， XING J C， et al. Photovoltaic power prediction based on combined XGBoost-LSTM model［J］. Acta energiae solaris sinica， 2022， 43（8）： 75-81.

［12］ ALRASHIDI M， RAHMAN S. Short-term photovoltaic power production forecasting based on novel hybrid data-driven models［J］. Journal of big data， 2023， 10： 26.

［13］ 馬磊， 黃偉， 李克成， 等. 基于Attention-LSTM的光伏超短期功率預(yù)測(cè)模型［J］. 電測(cè)與儀表， 2021， 58（2）： 146-152.

MA L， HUANG W， LI K C， et al. Photovoltaic ultra-short-term power prediction model based on Attention-LSTM［J］. Electrical measurement amp; instrumentation， 2021， 58（2）： 146-152.

［14］ 雷柯松， 吐松江·卡日， 伊力哈木·亞爾買(mǎi)買(mǎi)提， 等. 基于WGAN-GP和CNN-LSTM-Attention的短期光伏功率預(yù)測(cè)［J］. 電力系統(tǒng)保護(hù)與控制， 2023， 51（9）： 108-118.

LEI K S， TUSONGJIANG K， YILIHAMU Y， et al. Prediction of short-term photovoltaic power based on WGAN-GP and CNN-LSTM-Attention［J］. Power system protection and control， 2023， 51（9）： 108-118.

［15］ 余向陽(yáng)， 趙怡茗， 楊寧寧， 等. 基于VMD-SE-LSSVM和迭代誤差修正的光伏發(fā)電功率預(yù)測(cè)［J］. 太陽(yáng)能學(xué)報(bào)， 2020， 41（2）： 310-318.

YU X Y， ZHAO Y M， YANG N N， et al. Photovoltaic power generation forecasting based on VMD-SE-LSSVM and iterative error correction［J］. Acta energiae solaris sinica， 2020， 41（2）： 310-318.

［16］ 劉帥， 朱永利， 張科， 等. 基于誤差修正ARMA-GARCH模型的短期風(fēng)電功率預(yù)測(cè)［J］. 太陽(yáng)能學(xué)報(bào)， 2020， 41（10）： 268-275.

LIU S， ZHU Y L， ZHANG K， et al. Short-term wind power forecasting based on error correction ARMA-GARCH model［J］. Acta energiae solaris sinica， 2020， 41（10）： 268-275.

［17］ 丁婷婷， 楊明， 于一瀟， 等. 基于誤差修正的短期風(fēng)電功率集成預(yù)測(cè)方法［J］. 高電壓技術(shù)， 2022， 48（2）： 488-496.

DING T T， YANG M， YU Y X， et al. Short-term wind power integration prediction method based on error correction［J］. High voltage engineering， 2022， 48（2）： 488-496.

［18］ 丁明， 王磊， 畢銳. 基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電系統(tǒng)輸出功率短期預(yù)測(cè)模型［J］. 電力系統(tǒng)保護(hù)與控制， 2012， 40（11）： 93-99， 148.

DING M， WANG L， BI R. A short-term prediction model to forecast output power of photovoltaic system based on improved BP neural network［J］. Power system protection and control， 2012， 40（11）： 93-99， 148.

［19］ 孫國(guó)良， 伊力哈木·亞爾買(mǎi)買(mǎi)提， 張寬， 等. 基于小波變換與IAGA-BP神經(jīng)網(wǎng)絡(luò)的短期風(fēng)電功率預(yù)測(cè)［J］. 電測(cè)與儀表， 2024， 61（5）： 126-134， 145.

SUN G L， YILIHAMU Y， ZHANG K， et al. Short-term prediction of wind power based on wavelet transform and IAGA-BP neural network［J］. Electrical measurement amp; instrumentation， 2024， 61（5）： 126-134， 145.

［20］ QU J Q， QIAN Z， PEI Y. Day-ahead hourly photovoltaic power forecasting using attention-based CNN-LSTM neural network embedded with multiple relevant and target variables " prediction " pattern［J］. "Energy， " 2021， " 232： 120996.

［21］ 邢紅濤， 郭江龍， 劉書(shū)安， 等. 基于CNN-LSTM混合神經(jīng)網(wǎng)絡(luò)模型的NOx排放預(yù)測(cè)［J］. 電子測(cè)量技術(shù)， 2022， 45（2）： 98-103.

XING H T， GUO J L， LIU S A， et al. NOx emission forecasting based on CNN-LSTM hybrid neural network［J］. Electronic measurement technology， 2022， 45（2）： 98-103.

［22］ 鄒智， 吳鐵洲， 張曉星， 等. 基于貝葉斯優(yōu)化CNN-BiGRU混合神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)［J］. 高電壓技術(shù)， 2022， 48（10）： 3935-3945.

ZOU Z， WU T Z， ZHANG X X， et al. Short-term load forecast based on Bayesian optimized CNN-BiGRU hybrid neural networks［J］. High voltage engineering， 2022， 48（10）： 3935-3945.

PHOTOVOLTAIC POWER PREDICTION BASED ON

LSTM-ATTENTION AND CNN-BiGRU ERROR CORRECTION

Kari·Tusongjiang1，Lei Kesong2，Ma Xiaojing1，Wu Xian1，Yu Kaifeng1

（1. School of Electrical Engineering， Xinjiang University， Urumqi 830049， China；

2. State Grid Changji Power Supply Company， Changji 831100， China）

Abstract：To effectively analyze and utilize the prediction errors distributed in a specific pattern in the photovoltaic power prediction model， a photovoltaic power prediction model based on LSTM-Attention and CNN-BiGRU error correction is proposed. Firstly， the LSTM-Attention mechanism is introduced to compensate for the shortcomings of the long short-term memory （LSTM） network， which is difficult to retain key information in the input sequence. Secondly， the advantages of convolutional neural network （CNN） in non-linear feature extraction are combined with the advantages of Bidirectional gated recurrent unit （BiGRU） in preventing multiple features from interfering with each other to build a CNN-BiGRU error prediction model is used to predict the possible errors and to correct the initial prediction results. The experimental results indicates that the CNN-BiGRU error prediction model can effectively improve the prediction accuracy in different weather types when compared with the prediction results without error correction.

Keywords：photovoltaic power prediction； deep learning； error correction； attention mechanism； long-short term memory network； bidirectional gated recurrent unit