基于雙重注意力GRU與相似修正的光伏功率預(yù)測

摘 要：提出一種基于雙重注意力機(jī)制GRU網(wǎng)絡(luò)（dual-attention-GRU）及相似序列修正的光伏功率預(yù)測模型。在Encoder-Decoder框架的基礎(chǔ)上引入特征注意力以及時間注意力，能有效解決GRU網(wǎng)絡(luò)對于輸入特征及時間序列存在注意力分散的問題；采用相似功率序列的未來功率值對DA-GRU預(yù)測結(jié)果進(jìn)行修正，能進(jìn)一步改進(jìn)預(yù)測結(jié)果。算例采用DKASC數(shù)據(jù)進(jìn)行驗證，對比模型在不同預(yù)測步長下的表現(xiàn)，結(jié)果表明：相比于其他傳統(tǒng)模型，DA-GRU在不同評價指標(biāo)下具有最佳的預(yù)測表現(xiàn)，且相似序列修正方法能進(jìn)一步提高其預(yù)測精度。

關(guān)鍵詞：光伏發(fā)電；神經(jīng)網(wǎng)絡(luò)；功率預(yù)測；注意力機(jī)制；相似修正

中圖分類號：TM615； TP183" " " " " " " 文獻(xiàn)標(biāo)志碼：A

0 引 言

光伏發(fā)電是使用廣泛且極具前景的可再生能源發(fā)電技術(shù)之一［1］。然而光伏發(fā)電的間歇性、波動性、隨機(jī)性對電力系統(tǒng)的運(yùn)行、調(diào)度、規(guī)劃帶來了很大挑戰(zhàn)［2］。因此，準(zhǔn)確的光伏功率預(yù)測對于電網(wǎng)調(diào)度以及光伏電站運(yùn)行有重大意義。

目前，光伏功率預(yù)測采用的預(yù)測方法主要包括物理方法、統(tǒng)計方法、機(jī)器學(xué)習(xí)方法［3］。物理方法通過數(shù)值天氣預(yù)報（numerical weather prediction， NWP），基于經(jīng)驗?zāi)Ｐ停?］或物理模型［5］來實現(xiàn)光伏功率預(yù)測。統(tǒng)計方法基于歷史數(shù)據(jù)，建立歷史數(shù)據(jù)與目標(biāo)預(yù)測數(shù)據(jù)之間的映射關(guān)系來實現(xiàn)預(yù)測［6］。機(jī)器學(xué)習(xí)方法在大量數(shù)據(jù)下具有很強(qiáng)的建模能力，能準(zhǔn)確建立輸入與輸出之間的復(fù)雜非線性關(guān)系，有隨機(jī)森林［7］、XGBoost［8］、梯度提升回歸樹［9］以及深度學(xué)習(xí)方法等［10］。文獻(xiàn)［11］采用天空成像數(shù)據(jù)，使用卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)提前15 min光伏功率預(yù)測，但一般光伏電站并不具備全天成像設(shè)備。文獻(xiàn)［12］采用NWP數(shù)據(jù)進(jìn)行日前發(fā)電預(yù)測，并添加太陽位置角計算結(jié)果作為輸入，提高了功率預(yù)測的準(zhǔn)確性，但由于模型采用NWP數(shù)據(jù)作為輸入，其預(yù)測精度很大程度取決于NWP數(shù)據(jù)的準(zhǔn)確性。文獻(xiàn)［13］提出一種基于Pearson相關(guān)系數(shù)進(jìn)行特征篩選的長短期記憶網(wǎng)絡(luò)（long short-term memory network，LSTM）光伏功率預(yù)測模型，去除相關(guān)系數(shù)較小特征，采用太陽輻照度、溫度及濕度作為輸入特征進(jìn)行預(yù)測，但部分特征雖然相關(guān)系數(shù)較小，仍可能包含重要信息，直接刪除特征可能會減少模型獲得的有效信息。

針對上述問題，本文提出一種基于雙重注意力機(jī)制（gate recurrent unit，GRU）及相似序列修正的超短期光伏功率預(yù)測模型。采用歷史發(fā)電及氣象數(shù)據(jù)作為輸入，在Encoder-Decoder框架下利用特征注意力模塊和時間注意力模塊對輸入特征及不同時間點動態(tài)分配權(quán)重，提高了模型的有效信息提取能力。另外根據(jù)輸入的光伏功率序列進(jìn)行搜索，得到相似的功率序列，采用其未來功率值和初步預(yù)測值訓(xùn)練GRU神經(jīng)網(wǎng)絡(luò)得到相似序列修正模型，進(jìn)一步提高預(yù)測精度。本文比較GRU在不同注意力機(jī)制下的表現(xiàn)，并對比不同預(yù)測步長下以及采用相似序列修正后的預(yù)測結(jié)果，驗證了雙重注意力機(jī)制以及相似序列修正對于提高預(yù)測精度的有效性。

1 DA-GRU網(wǎng)絡(luò)模型

1.1 DA-GRU網(wǎng)絡(luò)結(jié)構(gòu)

為了提高模型提取有效信息的能力，實現(xiàn)更準(zhǔn)確的功率預(yù)測，在Encoder-Decoder框架［14］及GRU網(wǎng)絡(luò)［15］的基礎(chǔ)上增加特征注意力模塊和時間注意力模塊。模型整體結(jié)構(gòu)如圖1所示。

1.2 注意力機(jī)制

注意力機(jī)制能對輸入特征動態(tài)分配權(quán)重，對于影響較大的特征分配更高的權(quán)重來實現(xiàn)有效的信息提取。DA-GRU中的特征及時間注意力模塊的注意力權(quán)重采用加性注意力機(jī)制計算得到，計算方式如式（1）～式（3）［16］所示：

[qt=Wqxt+bq] （1）

[et=VTetanh（Wext+Ueqt+be）] （2）

[αti=exp（eti）/i=1Nexp（eti）] （3）

式中：[qt]——查詢向量；[Wq、][Ve、][We、][Ue]——可學(xué)習(xí)的權(quán)重；[xt]——特征注意力模塊或時間注意力模塊的輸入向量；[et]——注意力得分；[bq、][be]——可學(xué)習(xí)的偏置；[αti]——[et]中第[i]個特征的注意力權(quán)重。

2 基于DA-GRU及相似序列修正的光伏功率預(yù)測模型

2.1 數(shù)據(jù)分析與預(yù)處理

可靠、高質(zhì)量的歷史數(shù)據(jù)對于模型和算法非常重要，因此模型訓(xùn)練前的數(shù)據(jù)分析及預(yù)處理十分必要。

由于數(shù)據(jù)采集和傳輸系統(tǒng)受環(huán)境等可變因素影響，往往導(dǎo)致收集數(shù)據(jù)中存在部分缺失值及異常值，對于存在大規(guī)模缺失數(shù)據(jù)的日期進(jìn)行刪除，存在少量缺失的日期采用前值進(jìn)行填補(bǔ)?？紤]到隨機(jī)變量數(shù)量足夠大時，其概率分布服從正態(tài)分布，因此對于每個時間點的異常值采用3-sigma原理來進(jìn)行識別，計算方式如式（4）、式（5）所示：

[|Xi-Xi|gt;3σi，" " i=1，2，…，m] （4）

[σi=1k-1j=1k（Xij-Xi）2，" " i=1，2，…，m] （5）

式中：[Xi]——第[i]時刻的特征值；[Xi]——第[i]時刻的特征均值；[σi]——第[i]時刻的特征標(biāo)準(zhǔn)差；[m]——時刻數(shù)目；[k]——樣本數(shù)量；[Xij]——[Xi]特征的第[j]個樣本。對識別出的異常數(shù)據(jù)也采用前值進(jìn)行填補(bǔ)。

不同特征之間存在量綱差異，數(shù)據(jù)歸一化能消除量綱和數(shù)量級影響，加快算法的收斂速度，在一定程度上提高模型訓(xùn)練精度，歸一化方式如式（6）所示：

[xnorm=x-xminxmax-xmin] （6）

式中：[xnorm]——標(biāo)準(zhǔn)化后數(shù)據(jù)；[x]——待標(biāo)準(zhǔn)化數(shù)據(jù)；[xmin]——輸入數(shù)據(jù)的最小值；[xmax]——輸入數(shù)據(jù)的最大值。

2.2 相似序列修正

光伏功率序列存在明顯的周期性，對于變化趨勢相似的序列，其未來的功率變化也有較大概率相似，因此采用部分相似序列未來的功率值可幫助修正預(yù)測結(jié)果，得到更精確的預(yù)測值。

為了衡量兩段功率序列的相似性，得到相似度較高的功率序列，采用歐式距離作為衡量標(biāo)準(zhǔn)，計算方式如式（7）所示：

[d=i=1p（xnowi-xsimilari）2] （7）

式中：[p]——功率序列中的功率值數(shù)目；[xnowi]——當(dāng)前功率序列中的第i個功率值；[xsimiliari]——判斷是否相似的功率序列中的第i個功率值。[d]越小，說明兩序列之間越相似。

本文采用[d]最小的7個相似功率序列的未來功率值來修正預(yù)測值，相似功率序列根據(jù)輸入的功率序列在歷史數(shù)據(jù)中進(jìn)行搜索。得到相似功率序列后，將相似功率序列的未來功率值和DA-GRU預(yù)測功率值拼接作為新特征，輸入到相似序列修正模型中可完成對初步預(yù)測值的修正，得到最終預(yù)測值。相似序列修正模型由訓(xùn)練集數(shù)據(jù)訓(xùn)練GRU神經(jīng)網(wǎng)絡(luò)得到。

2.3 光伏功率預(yù)測模型

本文采用2個具有相同類型組件及逆變器和安裝方式的光伏陣列數(shù)據(jù)，其中一個陣列數(shù)據(jù)作為訓(xùn)練集用于模型的訓(xùn)練，另一個陣列數(shù)據(jù)作為測試集用于檢驗訓(xùn)練后的光伏功率預(yù)測模型有效性，模型的具體流程如圖2所示。

首先對兩陣列的原始數(shù)據(jù)采用2.1節(jié)方法進(jìn)行數(shù)據(jù)預(yù)處理，并對數(shù)據(jù)進(jìn)行歸一化消除量綱和數(shù)量級影響。模型的輸入為歷史天氣及發(fā)電數(shù)據(jù)，預(yù)測目標(biāo)為未來功率值。采用訓(xùn)練集數(shù)據(jù)對DA-GRU網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到初步的預(yù)測結(jié)果以及訓(xùn)練好的DA-GRU預(yù)測模型，并根據(jù)每個預(yù)測點輸入的功率序列采用2.2節(jié)方法搜索得到相似功率序列。將相似功率序列未來的光伏功率值與DA-GRU的初步預(yù)測結(jié)果拼接得到新的特征，以預(yù)測點的未來真實功率值作為預(yù)測目標(biāo)，訓(xùn)練GRU神經(jīng)網(wǎng)絡(luò)得到相似序列修正模型。

對訓(xùn)練后的模型采用測試集數(shù)據(jù)進(jìn)行模型評估，將歷史天氣及發(fā)電數(shù)據(jù)歸一化后輸入DA-GRU預(yù)測模型得到初步預(yù)測值，并根據(jù)預(yù)測點輸入的功率序列在歷史功率數(shù)據(jù)中搜索得到相似功率序列，采用其未來功率值和初步預(yù)測值拼接后輸入相似序列修正模型，得到修正后的最終預(yù)測值。采用不同的評價指標(biāo)對修正后的最終預(yù)測值與實際的未來功率值進(jìn)行評估可得到模型在不同方面具體的預(yù)測性能結(jié)果。

3 光伏電站數(shù)據(jù)及評價指標(biāo)

3.1 光伏電站歷史數(shù)據(jù)

本文的歷史光伏發(fā)電及天氣數(shù)據(jù)來自于澳大利亞DKASC（Desert Knowledge Australia Solar Centre），分別為陣列A［17］及陣列B［18］，數(shù)據(jù)采樣間隔為5 min，光伏組件參數(shù)如表1所示。通過取均值將數(shù)據(jù)轉(zhuǎn)換成15 min間隔，陣列A數(shù)據(jù)為訓(xùn)練集，陣列B數(shù)據(jù)為測試集。由于兩陣列組件數(shù)量不同，因此取組件平均功率作為預(yù)測目標(biāo)。

原始數(shù)據(jù)存在一定的缺失及異常點，采用2.1節(jié)方法對數(shù)據(jù)進(jìn)行預(yù)處理。處理后的陣列A共414天數(shù)據(jù)，陣列B共365天數(shù)據(jù)，包含平均相電流（[I，]A）、有功功率（[P，]kW）、環(huán)境溫度（WT，℃）、總水平輻照度（GHI，W/m2）、風(fēng)速（WS，m/s）、風(fēng)向（WD，（ °））。

對數(shù)據(jù)進(jìn)行處理后，陣列A光伏功率與各特征之間的Pearson相關(guān)系數(shù)值如圖3所示。從圖3可看出，平均相電流、GHI與功率高度相關(guān)，風(fēng)速以及環(huán)境溫度與功率中度相關(guān)，風(fēng)向與功率的相關(guān)性較弱。

3.2 模型評價指標(biāo)

為了評價不同模型的預(yù)測能力，采用不同的誤差評價指標(biāo)進(jìn)行評估：Pearson相關(guān)系數(shù)（[r]）、均方根誤差（[ERMSE]）、平均絕對誤差（[EMAE]）和平均絕對百分比誤差（[EMAPE]），計算方式如式（8）～式（11）所示：

[r=i=1n[（xi-x）（yi-y）]i=1n（xi-x）2i=1n（yi-y）2] （8）

[ERMSE=1ni=1n（xi-yi）2] （9）

[EMAE=1ni=1n|xi-yi|] （10）

[EMAPE=100%ni=1nxi-yixi] （11）

式中：[n]——樣本數(shù)量；[xi]——實際值；[x]——實際數(shù)據(jù)平均值；[yi]——預(yù)測值；[y]——預(yù)測數(shù)據(jù)的平均值。

4 算例分析

本節(jié)采用3.2節(jié)的評價指標(biāo)來評估預(yù)測結(jié)果，通過對比模型在不同注意力機(jī)制下、不同預(yù)測步長下以及相似序列修正后的預(yù)測性能來驗證雙重注意力機(jī)制及相似序列修正的有效性。主要對比GRU、CNN（convolutional neural network）、CNN-LSTM、XGBoost、RandomForest、GBDT（gradient boosting decision tree）模型在單步以及多步預(yù)測下的性能。神經(jīng)網(wǎng)絡(luò)模型采用MAE作為損失函數(shù)，采用Adam優(yōu)化器進(jìn)行優(yōu)化，參數(shù)根據(jù)網(wǎng)格搜索得到，epoch為50，初始學(xué)習(xí)率為0.001，每10個epoch衰減為之前的90%，batch size為32。其中GRU結(jié)構(gòu)為［128，64，32］，相似序列修正的GRU結(jié)構(gòu)為單層64個神經(jīng)元。注意力模塊中，時間注意力隱藏層神經(jīng)元數(shù)量為56個，特征注意力隱藏層神經(jīng)元數(shù)量為40個。

模型均基于pytorch及scikit-learn在Python3.8環(huán)境下，在筆記本電腦Intel Core i7 12700H 2.7GHz 16G及NVIDIA GeForce RTX 3060 6G GDDR6上運(yùn)行。

4.1 單步預(yù)測與多步預(yù)測

令[zt=[zt1，zt2，…，ztm]]為[t]時刻的各特征數(shù)據(jù)，單步預(yù)測根據(jù)歷史時間序列數(shù)據(jù)來預(yù)測[t+1]時刻的光伏輸出功率值[yt+1]，可用式（12）進(jìn)行表述：

[yt+1=f（zt，zt-1，…，zt-k+1）] （12）

式中：[f]——預(yù)測模型；[zt，][zt-1，]…，[zt-k+1]——當(dāng)前時刻及歷史時間序列。對于單步預(yù)測，輸入的歷史時間序列數(shù)量太少，模型得到的信息不足；輸入的歷史時間序列數(shù)量太多，模型得到的信息冗余。經(jīng)過測試本文采用預(yù)測時間點前3個小時的歷史時間序列作為單步預(yù)測輸入，此時模型能得到合適的有效信息。

多步預(yù)測根據(jù)歷史時間序列數(shù)據(jù)來預(yù)測未來多步輸出功率，假設(shè)預(yù)測的步長數(shù)量為h，則多步預(yù)測可由式（13）表述：

[yt+1，yt+2，…，yt+h=f（zt，zt-1，…，zt-k+1）] （13）

式中：[yt+1，][yt+2，]…，[yt+h]——預(yù)測的時間序列。本文驗證了模型在4步（1 h）、8步（2 h）下的多步預(yù)測性能，分別采用前12小時、前24小時的歷史時間序列作為預(yù)測輸入。

4.2 不同注意力機(jī)制對比

為了評估雙重注意力機(jī)制的有效性，對比了在陣列A數(shù)據(jù)為訓(xùn)練集，陣列B數(shù)據(jù)為測試集的情況下，GRU、基于時間注意力的GRU（TA-GRU）、基于特征注意力的GRU（FA-GRU）、基于雙重注意力的GRU（DA-GRU）在單步預(yù)測下的預(yù)測精度。圖4顯示了不同季節(jié)下一天中的預(yù)測結(jié)果，表2為采用測試集一年數(shù)據(jù)的評估結(jié)果。

從圖4可看出，在氣象條件較平穩(wěn)的天氣圖4c、圖4d下所有模型均具有較高預(yù)測精度，但DA-GRU的精度比其他模型要更高，在氣象條件波動較大的天氣圖4a、圖4b下，DA-GRU也具有比其他模型更好的表現(xiàn)。從表2可看出，DA-GRU在不同評價指標(biāo)下都有最佳的表現(xiàn)，其中ERMSE和EMAPE分別達(dá)到了1.8857 kW、12.44%，預(yù)測表現(xiàn)最佳，說明了雙重注意力機(jī)制能提高GRU預(yù)測精度。

圖5為不同天氣下預(yù)測正午時刻的注意力權(quán)重?zé)崃D，對應(yīng)于圖4的不同天氣，歷史時間點12為離預(yù)測最近的時間點。從圖5可看出，在氣象條件較平穩(wěn)的天氣圖5c、圖5d下，模型的注意力主要集中在歷史光伏功率數(shù)據(jù)，另外還有少部分集中在歷史GHI數(shù)據(jù)，且主要集中在靠近預(yù)測點的部分歷史時間點。在氣象條件波動較大的天氣圖5a、圖5b下，模型的注意力也主要集中在歷史光伏功率數(shù)據(jù)，少部分集中在歷史GHI數(shù)據(jù)，但注意力權(quán)重分布較平穩(wěn)天氣更分散。雙重注意力機(jī)制使得模型可根據(jù)輸入動態(tài)分配注意力權(quán)重來關(guān)注不同時刻影響更大的特征，進(jìn)而提高預(yù)測精度。

同預(yù)測步長下采用測試集一年數(shù)據(jù)的評估結(jié)果；圖6～圖8分別為單步、4步、8步預(yù)測在不同季節(jié)下的一天預(yù)測結(jié)果，預(yù)測日與圖4中一致。

由表3可見，隨著預(yù)測的步長增加，所有模型的[ERMSE]、[EMAPE]都逐漸增大，即預(yù)測誤差增大，與此同時[r]逐漸減小，說明模型擬合效果下降。這是因為隨著預(yù)測步長的增加，待預(yù)測的光伏功率值與歷史時間序列數(shù)據(jù)之間的相關(guān)性、依賴性逐漸減弱，因此導(dǎo)致預(yù)測模型的精度下降。

從圖6～圖8中可以看出，在不同天氣及預(yù)測步長下，DA-GRU預(yù)測結(jié)果能更好地貼近真實值，且隨著預(yù)測步長的增加，相比其他模型其預(yù)測精度的提升越明顯，具體表現(xiàn)為：在單步預(yù)測下，DA-GRU模型的[EMAPE]相比CNN-LSTM、RandomForest模型分別降低了10.12%、34.46%，[ERMSE]分別降低了1.58%、7.20%；在4步預(yù)測下，[EMAPE]分別降低了11.01%、36.23%，[ERMSE]分別降低了2.59%、4.65%；在8步預(yù)測下，[EMAPE]分別降低了14.52%、32.62%，ERMSE分別降低了6.29%、5.87%。

4.4 相似序列修正有效性評估

本節(jié)通過采用2.2節(jié)的相似序列修正方法對DA-GRU預(yù)測結(jié)果進(jìn)行進(jìn)一步的修正。通過在歷史數(shù)據(jù)中尋找與輸入功率序列相似的序列，利用相似功率序列未來功率值來提高最終預(yù)測結(jié)果的精度。評估了DA-GRU在單步、4步、8步預(yù)測下經(jīng)過相似序列修正后的最終預(yù)測結(jié)果，表4為采用測試集一年數(shù)據(jù)的評估結(jié)果。

與表3中DA-GRU評價指標(biāo)結(jié)果相比，從表4可看出，經(jīng)過相似序列修正后，[ERMSE、EMAE]有明顯提升，其中4步預(yù)測下提升最明顯，[EMAE、ERMSE]相比修正前提高9.43%、2.35%。這是因為單步預(yù)測下歷史數(shù)據(jù)與預(yù)測數(shù)據(jù)相關(guān)性較強(qiáng)，模型本身具備較高精度，相似序列修正提升效果較小；隨著預(yù)測步長增加，相關(guān)性減弱，相似序列修正提升效果增大；當(dāng)預(yù)測步長增大到一定范圍后，相似序列修正提升效果逐步下降。

圖9為4步預(yù)測下一天中09：00—17：00，DA-GRU、僅采用相似序列、采用相似序列修正DA-GRU預(yù)測結(jié)果與真實值的差異，從圖9可看出修正后的預(yù)測值能更好地貼近真實值。

5 結(jié) 論

本文提出一種采用歷史數(shù)據(jù)進(jìn)行光伏功率預(yù)測的方法，在基于GRU網(wǎng)絡(luò)及Encoder-Decoder框架的基礎(chǔ)上引入基于加性注意力的特征及時間注意力模塊，并采用相似序列修正預(yù)測結(jié)果，對比了其他神經(jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)模型在單步及多步預(yù)測下的表現(xiàn)。本文得到以下主要結(jié)論：

1）所提模型僅基于歷史數(shù)據(jù)獲得了較準(zhǔn)確的預(yù)測結(jié)果，減少了對NWP及天空成像數(shù)據(jù)的依賴，適用范圍較廣。

2）基于加性注意力的特征及時間注意力模塊能有效提高GRU網(wǎng)絡(luò)對有效信息的挖掘能力，提高模型在單步及多步預(yù)測下的精度。

3）所提相似序列修正方法能修正DA-GRU預(yù)測結(jié)果，進(jìn)一步提高模型在不同預(yù)測步長下的預(yù)測精度。

本文提出的模型僅基于歷史天氣及發(fā)電數(shù)據(jù)進(jìn)行預(yù)測，在遭遇突變天氣時預(yù)測性能還有一定的提升空間，可考慮結(jié)合天空圖像、天氣分類、數(shù)據(jù)增強(qiáng)等方式來進(jìn)一步提高其準(zhǔn)確性。

［參考文獻(xiàn)］

［1］ AHMED R， SREERAM V， MISHRA Y， et al. A review and evaluation of the state-of-the-art in PV solar power forecasting： techniques and optimization［J］. Renewable and sustainable energy reviews， 2020， 124： 109792.

［2］ DOLARA A， LEVA S， MANZOLINI G. Comparison of different physical models for PV power output prediction［J］. Solar energy， 2015， 119： 83-99.

［3］ AGGA A， ABBOU A， LABBADI M， et al. CNN-LSTM： an efficient hybrid deep learning architecture for predicting short-term" photovoltaic" power" production［J］." Electric power systems research， 2022， 208： 107908.

［4］ DE LA PARRA I， MU?OZ M， LORENZO E， et al. PV performance modelling： a review in the light of quality assurance" "for" "large" "PV" "plants［J］." "Renewable" "and sustainable energy reviews， 2017， 78： 780-797.

［5］ WANG M， PENG J Q， LUO Y M， et al. Comparison of different simplistic prediction models for forecasting PV power output： assessment with experimental measurements［J］. Energy， 2021， 224： 120162.

［6］ BOLAND J， DAVID M， LAURET P. Short term solar radiation forecasting： island versus continental sites［J］. Energy， 2016， 113： 186-192.

［7］ NIU D X， WANG K K， SUN L J， et al. Short-term photovoltaic power generation forecasting based on random forest feature selection and CEEMD： a case study［J］. Applied soft computing， 2020， 93： 106389.

［8］ 王獻(xiàn)志， 曾四鳴， 周雪青， 等. 基于XGBoost聯(lián)合模型的光伏發(fā)電功率預(yù)測［J］. 太陽能學(xué)報， 2022， 43（4）： 236-242.

WANG X Z， ZENG S M， ZHOU X Q， et al. Power forecast of photovoltaic generation based on XGBoost combined model［J］. Acta energiae solaris sinica， 2022， 43（4）： 236-242.

［9］ 魏聯(lián)濱， 王彬， 王瑩， 等. 基于氣象相似日選取與提升回歸樹的光伏發(fā)電短期功率預(yù)測［J］. 電子器件， 2022， 45（1）： 183-188.

WEI L B， WANG B， WANG Y， et al. Short-term power forecast of photo-voltaic power generation based on weather similarity day and boosting regression tree［J］. Chinese journal of electron devices， 2022， 45（1）： 183-188.

［10］ LEE D H， KIM K. PV power prediction in a peak zone using recurrent neural networks in the absence of future meteorological information［J］. Renewable energy， 2021， 173： 1098-1110.

［11］ NIE Y H， ZAMZAM A S， BRANDT A. Resampling and data" augmentation" for" short-term" PV" output" prediction based on an imbalanced sky images dataset using convolutional" neural" networks［J］." Solar" energy，" 2021， 224： 341-354.

［12］ MARKOVICS D， MAYER M J. Comparison of machine learning methods for photovoltaic power forecasting based on" "numerical" "weather" "prediction［J］." Renewable" "and sustainable energy reviews， 2022， 161： 112364.

［13］ CHEN H L， CHANG X F. Photovoltaic power prediction of LSTM model based on Pearson feature selection［EB/OL］. 2015： arXiv：1511.04868v2. https：//arxiv.org/abs/1511.04868v2.

［14］ JAITLY N， LE Q V， VINYALS O， et al. An online sequence-to-sequence model using partial conditioning［J］. Computer science， 2015：DOI： 10.48550/arXiv. 1511. 04868.

［15］ CHO K， MERRIENBOER B V， GULCEHRE C， et al. Learning phrase representations using RNN encoder-decoder for statistical machine translation［EB/OL］. 2014： arXiv： 1406.1078. http：//arxiv.org/abs/1406.1078.pdf.

［16］ FAZLIPOUR Z， MASHHOUR E， JOORABIAN M. A deep model for short-term load forecasting applying a stacked autoencoder based on LSTM supported by a multi-stage attention mechanism［J］. Applied energy， 2022， 327： 120063.

［17］ DKASC： Array 3-B， 38.3 kW， mono-Si， Roof， 2016-2017，Yulara Solar System. https：//dkasolarcentre.com.au/source/yulara/yulara-3-roof-sails-in-the-desert-1-1.

［18］ DKASC： Array 3-C， 45.78 kW， mono-Si， Roof， 2017-2018，Yulara Solar System. https：//dkasolarcentre.com.au/source/yulara/yulara-3-roof-sails-in-the-desert-1.

PHOTOVOLTAIC POWER FORECASTING BASED ON

DUAL-ATTENTION-GRU AND SIMILARITY MODIFICATION

He Wei1，Su Zhongyuan1，Shi Jinlin2，Wu Yanlin3，Ma Changliu3，Wang Jun1

（1. Jiangsu Provincial Key Laboratory of Solar Energy Science and Technology， School of Energy and Environment，

Southeast University， Nanjing 210096， China；

2. Zhejiang Huadong Holding Co.， Ltd.， Hangzhou 311122， China；

3. Tianchang Zhongdianjian Daqiao New Energy Co. Ltd.， Chuzhou 239304， China）

Abstract：A photovoltaic power forecasting model based on dual-attention-GRU network and similar sequences modification is proposed. On the basis of the Encoder-Decoder framework， feature attention and temporal attention are introduced， which can effectively solve the problem of GRU network’" s distraction from input features and time series. The DA-GRU forecasting results can be further improved by using the future power values of similar power sequences to modify the forecasting results. The example is verified by DKASC data， and the performance of the model under different forecasting steps is compared. The results show that DA-GRU has the best performance under different evaluation indexes compared with other traditional models， and the similar sequences modification method can further improve its forecasting accuracy.

Keywords：photovoltaic power； neural network； power forecasting； attention mechanism； similarity modification