張 波，王曉晨，周 旺，陳志華，王劍強

(國家電網(wǎng)金華供電公司，浙江 金華 321017)

1 研究背景

隨著社會的快速發(fā)展，電力需求量越來越大。當前我國主要依靠火力發(fā)電，火力發(fā)電主要來源于煤、天然氣和石油等化石燃料燃燒，但大量使用這些化石燃料已經(jīng)造成了化石燃料的巨大消耗和環(huán)境污染問題[1-2]。鑒于這些事實，人們已經(jīng)深入探索使用替代能源來滿足電力需求，其中可再生能源(如太陽風、風能等)在全球范圍內(nèi)得到了極大關(guān)注。與傳統(tǒng)能源相比，可再生能源具有溫室氣體排放極低、使用壽命長、成本低等優(yōu)點，是一種環(huán)境友好型能源[3-4]。盡管近年來我國大力推進可再生能源，如太陽能和風能，但是發(fā)電量非常少[5-6]，2020年國家更是出臺了關(guān)于“碳中和碳達峰”的政策，目的是控制碳的排放量并大力發(fā)展新能源[7]。

太陽能發(fā)電主要分為太陽能熱發(fā)電和光伏發(fā)電，其中光伏發(fā)電每年以較快的速度增長。然而，光伏發(fā)電依賴于各種因素，如氣候條件、風壓、濕度、太陽輻射、環(huán)境溫度和組件溫度。由于光照的隨機性和晝夜的周期性，光伏電站發(fā)電具有典型的波動性和間歇性特征[8]。太陽能輸出功率的突變會對電力系統(tǒng)的可靠性、穩(wěn)定性和規(guī)劃產(chǎn)生影響。為了避免這種情況的發(fā)生，需要對光伏發(fā)電功率進行準確預測。

光伏發(fā)電功率預測方法主要有3類。第一類是基于物理模型；第二類是傳統(tǒng)的時間系列分析方法；第三類是機器學習算法。物理方法是根據(jù)光伏發(fā)電原理建立的數(shù)學模型，利用數(shù)值天氣預報獲得的太陽輻射、溫度、濕度、云量、氣壓和風速，結(jié)合光伏系統(tǒng)安裝角度、光伏陣列轉(zhuǎn)換效率建立物理模型，然后直接計算光伏發(fā)電功率。物理預測模型不需要歷史數(shù)據(jù)，僅依賴于詳細的站點地理信息、準確的氣象數(shù)據(jù)和完整的數(shù)據(jù)光伏電池的信息[9]。由于認知程度的關(guān)系，所建立的物理相關(guān)模型存在一定的誤差，且模型需要依賴經(jīng)驗參數(shù)(閾值)，而不同區(qū)域之間的經(jīng)驗參數(shù)不同，導致局部抗干擾能力差、魯棒性弱[10]。

常用的統(tǒng)計預測方法有時間序列法[11]、回歸分析法[12]、灰色理論[13]、模糊理論[14]、時空相關(guān)法[15]。統(tǒng)計方法是通過對處理過的太陽輻射、光伏發(fā)電出力等歷史數(shù)據(jù)進行曲線擬合、參數(shù)估計和相關(guān)分析，建立投入產(chǎn)出數(shù)據(jù)之間的相關(guān)映射關(guān)系，從而實現(xiàn)對未來光伏發(fā)電產(chǎn)量的預測。與物理方法不同，統(tǒng)計建模不需要對復雜的光電轉(zhuǎn)換關(guān)系有清晰完整的認識，對光伏系統(tǒng)進行初步的了解，僅通過數(shù)據(jù)分析技術(shù)實現(xiàn)。

然而，這種技術(shù)通常產(chǎn)生低精度的預測，也不能很好地處理非線性數(shù)據(jù)。鑒于機器學習具有高效提取高維復雜非線性特征并將其直接映射到輸出的能力，因此已成為最常用的時間序列預測方法之一。Antonanzas等學者使用支持向量機(SVM)和隨機森林(RandFore)機器學習技術(shù)預測光伏發(fā)電功率[16]。Leva等學者利用人工神經(jīng)網(wǎng)絡(luò)(ANN)基于天氣預報數(shù)據(jù)預測每日的PV輸出功率[17]。Wang等學者比較了深度學習模型，包括卷積神經(jīng)網(wǎng)絡(luò)、長短期記憶網(wǎng)絡(luò)以及它們的組合，用于光伏發(fā)電功率預測[18]。文獻[19]提出了一種基于ANN的太陽能發(fā)電預測模型，并在研究中選擇氣象數(shù)據(jù)作為模型的輸入。結(jié)果表明，基于人工神經(jīng)網(wǎng)絡(luò)預測模型的預測性能優(yōu)于一些典型的物理和統(tǒng)計預測模型。深度神經(jīng)網(wǎng)絡(luò)具有比淺層神經(jīng)網(wǎng)絡(luò)更高的特征提取能力，能顯著改善淺層神經(jīng)網(wǎng)絡(luò)的梯度消失問題，已經(jīng)被證明是時間序列預測的非常強大的工具。常見的深度神經(jīng)網(wǎng)絡(luò)(DNN)主要有卷積神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)(CNN)、深度信念網(wǎng)絡(luò)(DBN)、堆疊去噪自動編碼器(SDAE)和長短期記憶神經(jīng)網(wǎng)絡(luò)(LSTM)、門控循環(huán)單元(GRU)、一維卷積神經(jīng)網(wǎng)絡(luò)(CNN1D)和其他混合架構(gòu)[20]。Gensler等學者采用編碼器和LSTM對光伏發(fā)電功率進行預測。結(jié)果表明，與眾所周知的多層感知器網(wǎng)絡(luò)(MLP)相比，Auto-LSTM具有較好的效果[21]。De團隊提出了基于循環(huán)神經(jīng)網(wǎng)絡(luò)的LSTM算法進行光伏發(fā)電功率預測[22]。Mellit等學者對比了多種深度學習算法的光伏發(fā)電功率預測結(jié)果，這些算法包括長短期記憶(LSTM)、雙向LSTM (BiLSTM)、門控循環(huán)單元(GRU)、雙向GRU (BiGRU)以及混合一維卷積神經(jīng)網(wǎng)絡(luò)。結(jié)果表明，這些深度神經(jīng)網(wǎng)絡(luò)算法預測結(jié)果都很準，當預測時間窗口非常短時，預測更準確[23]。

本文將采用機器學習算法，包括4個傳統(tǒng)機器學習算法和2個深度學習算法，預測金華市3個地區(qū)(萬里揚發(fā)電站、領(lǐng)跑發(fā)電站、蒙牛乳業(yè)發(fā)電站)的光伏發(fā)電功率。因為光伏發(fā)電功率數(shù)據(jù)中沒有天氣信息，本文擬首先通過網(wǎng)絡(luò)爬蟲獲取對應(yīng)時間的天氣數(shù)據(jù)，將這些天氣信息作為輸入，對不同類型天氣預測光伏發(fā)電功率。

2 數(shù)據(jù)分析與預處理

2.1 數(shù)據(jù)概述

國家電網(wǎng)金華供電公司有浙江省金華市3個光伏發(fā)電站數(shù)據(jù)，分別是萬里揚光伏發(fā)電站、零跑光伏發(fā)電站和蒙牛乳業(yè)發(fā)電站。時間段：2020年1月1日—2020年1月25日和2021年5月1日—2021年5月20日，以每5分鐘記錄的數(shù)據(jù)，其中2021年5月8日—2021年5月11日四天的數(shù)據(jù)缺失，因此一共有57 d以每5分鐘記錄的光伏發(fā)電功率數(shù)據(jù)。

由于光伏發(fā)電功率主要受天氣影響，本文首先分析不同天氣下光伏發(fā)電功率(MW)。不妨將晴天、晴天轉(zhuǎn)多云設(shè)為“晴天”，將多云、多云轉(zhuǎn)陰、晴轉(zhuǎn)陰設(shè)為“多云”，將陰、晴轉(zhuǎn)小雨、多云轉(zhuǎn)小雨設(shè)為“陰”，將其他天氣如陰轉(zhuǎn)小雨、雷陣雨、大中小雨和其他惡劣天氣設(shè)為“雨雪等天氣”。從2020年1月1日—2020年1月25日和從2021年5月1日—2021年5月20日金華市這4類天氣的天數(shù)分別為7 d、8 d、10 d和40 d。

為了預測4類天氣光伏發(fā)電功率，本文分析4類天氣的發(fā)電功率與時間的變化關(guān)系。不妨從數(shù)據(jù)集中隨機選擇5 d四種天氣類型(見圖1)，可以發(fā)現(xiàn)晴朗的天氣光伏發(fā)電較為穩(wěn)定，而陰天和雨雪等天氣光伏發(fā)電功率的波動性很大，表明光伏發(fā)電功率受天氣影響非常大。從圖1中可以看出一般6：00以后光伏發(fā)電站才能收集到發(fā)電數(shù)據(jù)，19：00以后幾乎收集不到發(fā)電數(shù)據(jù)，表明光伏發(fā)電時間段集中于6：00—19：00。

圖1 四類天氣的每5分鐘的光伏發(fā)電功率(MW)(隨機選擇5 d數(shù)據(jù))

為了更準確地預測光伏發(fā)電功率，本位期望預測出每5分鐘的光伏發(fā)電功率。通過網(wǎng)絡(luò)爬蟲，獲取了每小時的天氣信息，包括濕度(humidity)、AQI(空氣質(zhì)量指數(shù))、weather(天氣)、wind(風向)、winp(風速)、temp(溫度：攝氏度)。前5行數(shù)據(jù)如表1所示。

表1 爬取的金華市2020年1月1日前5小時的天氣數(shù)據(jù)

本文僅僅能爬取每小時的天氣信息，同時假設(shè)每小時內(nèi)天氣變化不大，為了能匹配光伏發(fā)電站以每5分鐘收集的數(shù)據(jù)，將爬取的天氣數(shù)據(jù)復制12次，即每小時內(nèi)的天氣信息相同。理論上光伏發(fā)電與光照強度非常相關(guān)，但是筆者爬取不到光照強度數(shù)據(jù)。因此擬通過上述特征作為輸入，預測每5分鐘的光伏發(fā)電功率。

2.2 數(shù)據(jù)預處理

1)數(shù)值類型Z-score標準化方法。

(1)

2)字符類型特征數(shù)值化方法。基于某個特征，找出所有不同的字符串及個數(shù)，將不同字符串用整數(shù)標號，最后再對這一特征進行Z-score標準化處理。

3 光伏發(fā)電預測研究

本文采用6種算法預測網(wǎng)絡(luò)異常行為和預測安全威脅等級，分別為貝葉斯算法(Byes)，K最近鄰算法(KNN)，支持向量機(SVM)，隨機森林(RandFore)以及2個深度學習算法，即多層人工神經(jīng)網(wǎng)絡(luò)(BP)和雙向循環(huán)神經(jīng)網(wǎng)絡(luò)(Bi-LSTM)。

這些算法可以從Python中的第三方庫直接調(diào)用。對于貝葉斯算法(Byes)，K最近鄰算法(KNN)，支持向量機(SVM)，隨機森林(RandFore)4種算法，本文直接用默認參數(shù)，對于BP和Bi-LSTM算法，采用3個隱藏層，每層神經(jīng)元數(shù)量為64個，最后一層采用全連接層。為了減少或避免進入局部最優(yōu)解和過擬合，dropout設(shè)為0.2，即隨機將20%的神經(jīng)元當作遺忘。運算批量大小batch_size為200。

為了研究預測效果，給出3種預測準確度的評價指標，分別為均方根誤差RMSE，平均絕對誤差MAE，R2分數(shù)。

均方根誤差(RMSE)：用于刻畫預測值存在多大的誤差。其計算公式如下：

(2)

平均絕對誤差(MAE)：用于評估預測值與真實值之間的平均絕對誤差，與RMSE一樣，MAE值越小越好。其計算公式如下：

(3)

R2分數(shù)(R-Squre score)：反映預測結(jié)果大概有多準。其定義如下：

(4)

其中，R2≤1，其值越大預測得越準。當R2小于0時，表示預測結(jié)果非常差。

基于上述算法和評估指標，對4類天氣以每5分鐘為單位的光伏發(fā)電進行預測。不妨選擇2020年1月8日(“晴天”)、2020年1月20日(“多云”)、2020年1月22日(“陰”)、2021年5月17日(“雨雪等”)四天作為測試集進行預測，其他數(shù)據(jù)作為訓練集。如表2所示，從3個指標的結(jié)果揭示Bi-LSTM算法占據(jù)絕對優(yōu)勢，除了2020年1月22日中的BP算法在MAE指標高于Bi-LSTM外，其他所有數(shù)據(jù)都顯示Bi-LSTM更好。其他4個傳統(tǒng)機器學習算法中隨機森林預測結(jié)果更準，之后是最近鄰KNN算法，貝葉斯Byes和支持向量機SVM兩個算法預測結(jié)果較差。此外，筆者還發(fā)現(xiàn)，“晴天”和“多云”2類天氣預測得更準，而“陰”和“雨雪等”2類天氣預測結(jié)果相對較差，R2指標甚至出現(xiàn)負數(shù)，表明預測結(jié)果很差。

表2 基于不同光伏功率預測算法下的3種評估指標結(jié)果

為了更好地顯示和對比各類算法的預測結(jié)果，筆者給出上述各類天氣的可視化預測結(jié)果和真實結(jié)果對照圖，這里僅僅展示“多云”和“雨雪等天氣”的預測結(jié)果，如圖2和圖3所示。從圖2中可以明顯看出BP和Bi-LSTM兩種算法的預測結(jié)果明顯好于其他4種，尤其是Bi-LSTM算法的預測結(jié)果顯示在光伏發(fā)電功率的最高值時有點偏差，其他時刻預測非常準確。Byes算法和SVM算法預測結(jié)果非常差。

圖2 六種算法對2020年1月8日(“多云”)光伏發(fā)電功率P(MW)預測結(jié)果

圖3 六種算法對2021年5月17日(“雨雪等”)光伏發(fā)電P(MW)預測結(jié)果

2021年5月17日“雨雪等天氣”各算法光伏發(fā)電功率的預測結(jié)果(見圖3)，明顯可以看出，除了Bi-LSTM算法預測結(jié)果與真實值比較吻合外，其他算法預測的結(jié)果都非常糟糕，雖然BP算法在前面的例子中展現(xiàn)了較高的預測準確度，但是在本例子中預測也非常差，其主要原因可能是沒有捕捉到時間系列特征，而Bi-LSTM算法能很好地對前和后2個序列的特征進行捕捉，因此Bi-LSTM算法預測得更準。

4 結(jié)語

光伏發(fā)電系統(tǒng)的出力受天氣、氣候等因素影響較大。這些特點給高比例光伏接入后的電力系統(tǒng)帶來了新的挑戰(zhàn)，如增加了電網(wǎng)調(diào)度的難度和復雜性。本文利用4個傳統(tǒng)的機器學習算法和2個深度學習算法研究對金華市3個光伏發(fā)電站的光伏發(fā)電功率進行預測。發(fā)現(xiàn)“晴天”和“多云”2種類型天氣的光伏發(fā)電功率隨著時間呈現(xiàn)較為穩(wěn)定的正態(tài)分布，而“陰”天和“雨雪等天氣”波動較大。針對這種情況，筆者爬取了天氣數(shù)據(jù)，將天氣數(shù)據(jù)作為輸入特征，基于6種機器學習算法預測各類型天氣的每5分鐘光伏發(fā)電功率，模擬結(jié)果揭示，雙向循環(huán)神經(jīng)網(wǎng)絡(luò)(Bi-LSTM)算法的預測結(jié)果最好，也最穩(wěn)定，此外，“晴天”和“多云”2種類型天氣的預測結(jié)果比“陰”天和“雨雪等天氣”預測結(jié)果更準。

已有研究發(fā)現(xiàn)光伏發(fā)電功率與光照強度非常相關(guān)[24]。本文并沒有爬取到光照信息，如果有光照信息，預測結(jié)果很可能會進一步提高。不少研究結(jié)果揭示采用混合算法，可能會得到更好的預測結(jié)果[25]。如Liu等學者提出了基于變分模態(tài)分解、奇異譜分析、LSTM網(wǎng)絡(luò)和ELM的混合模型，用于提高預測精度和魯棒性[26]。Wang等學者提出了一種小波變換和CNN相結(jié)合的混合預測模型，實現(xiàn)了對確定性和概率光伏功率的直接預測[27]。未來將嘗試采用混合算法預測光伏發(fā)電功率，找出預測結(jié)果更準確的算法。