浙江浙能嘉華發(fā)電有限公司 劉 剛 韋向忠 南京朗儀物聯(lián)網(wǎng)技術(shù)有限公司 金心竹

光伏功率的主要特點(diǎn)為間歇性、波動(dòng)性，太陽(yáng)能的大規(guī)模開(kāi)發(fā)會(huì)導(dǎo)致電網(wǎng)存在挑戰(zhàn)。所以，通過(guò)光伏發(fā)電可靠預(yù)測(cè)的方法避免出現(xiàn)棄光問(wèn)題。傳統(tǒng)功率預(yù)測(cè)模型要求使用大量神經(jīng)元，擬合結(jié)果敏感。

本文針對(duì)以上問(wèn)題，以及目前光伏發(fā)電功率預(yù)測(cè)技術(shù)中提取特征不充分、沒(méi)有考慮氣象因素等問(wèn)題，提出了將LSTM 神經(jīng)網(wǎng)絡(luò)作為基礎(chǔ)的光伏發(fā)電功率預(yù)測(cè)方法。通過(guò)設(shè)計(jì)LSTM 神經(jīng)網(wǎng)絡(luò)模型，對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行合理優(yōu)化，實(shí)現(xiàn)組合功率預(yù)測(cè)方法的創(chuàng)建，從而對(duì)光伏功率進(jìn)行預(yù)測(cè)。通過(guò)仿真結(jié)果表示，本文預(yù)測(cè)模型在日類型天氣為晴朗天氣的時(shí)候具有良好的預(yù)測(cè)結(jié)果，對(duì)比傳統(tǒng)方法的精度提高了13%[1]。

1 LSTM 神經(jīng)網(wǎng)絡(luò)模型的設(shè)計(jì)

LSTM 網(wǎng)絡(luò)是指RNN 網(wǎng)絡(luò)的改進(jìn)結(jié)構(gòu)，通過(guò)設(shè)計(jì)特殊結(jié)構(gòu)解決長(zhǎng)時(shí)間記憶能力梯度消失的情況，處理時(shí)間序列預(yù)測(cè)問(wèn)題，神經(jīng)網(wǎng)絡(luò)細(xì)胞典型結(jié)構(gòu)詳見(jiàn)圖1。

圖1 LSTM 神經(jīng)網(wǎng)絡(luò)細(xì)胞典型結(jié)構(gòu)

圖1中的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)：h=[h1,h2,h3,...,hT]，t 時(shí)間相應(yīng)輸出指的是ht，x=[x1,x2,x3,...,xT]，時(shí)間步長(zhǎng)通過(guò)T 表示，t 時(shí)間的輸入通過(guò)xt表示，指的是t 時(shí)間記憶細(xì)胞狀態(tài)。LSTM 記憶單元指的是細(xì)胞狀態(tài)，對(duì)所有狀態(tài)的信息進(jìn)行保存。

遺忘門和遺忘階段：遺忘門決定要通過(guò)細(xì)胞狀態(tài)中對(duì)什么信息遺忘，讀取ht-1與x，通過(guò)sigmoid函數(shù)處理，決定細(xì)胞狀態(tài)上個(gè)時(shí)間信息被遺忘比例，計(jì)算公式為：ft=σ(wf[ht-1,xt]+br)，公式中的權(quán)重矩陣通過(guò)Wf表示，br為偏置向量。

輸入門和選擇記憶階段：記憶選擇是指將選擇性記憶進(jìn)行輸入，篩選重要信息，輸入當(dāng)前的狀態(tài)。在此狀態(tài)下，對(duì)x 圖與ht-1進(jìn)行讀取，通過(guò)sigmoid函數(shù)確定新記憶，實(shí)現(xiàn)記憶細(xì)胞狀態(tài)ct比例的寫入，通過(guò)以下公式表示，公式中的權(quán)重矩陣表示W(wǎng)i，Wc為tanh 層權(quán)重矩陣，偏置向量表示為bi，bc是指tanh 層偏置向量，tanh 是指雙曲正切函數(shù)：

輸出門和輸出階段。通過(guò)sigmoid 函數(shù)計(jì)算輸出層細(xì)胞狀態(tài)的輸出比例，乘以激活后細(xì)胞狀態(tài)得到輸出結(jié)果，計(jì)算公式為：

公式中的Wo指的是輸出門權(quán)重矩陣，bo是指偏置向量[2]。

2 光伏發(fā)電功率預(yù)測(cè)的主成分分析

2.1 光伏功率輸出的影響因素

光伏發(fā)電功率的波動(dòng)性、隨機(jī)性比較大，使預(yù)測(cè)難度得到增加。對(duì)光伏發(fā)電功率影響的因素比較多，主要包括兩種：其一，因?yàn)殡姎饬慵匣?、?nèi)部損耗、參數(shù)設(shè)置與安裝角度等內(nèi)部因素導(dǎo)致；其二，因?yàn)樘?yáng)輻射強(qiáng)度、風(fēng)速、溫度和季節(jié)特性等外部因素導(dǎo)致。因?yàn)槌鰪S時(shí)光伏電池已經(jīng)進(jìn)行檢測(cè)，根據(jù)國(guó)家標(biāo)準(zhǔn)執(zhí)行使用年限和安裝角度。

本文可控常量為光伏電站的內(nèi)部因素，使太陽(yáng)輻射因素、天氣類型和環(huán)境溫度等作為影響光伏發(fā)電功率的主要因素。為了對(duì)模型預(yù)測(cè)結(jié)果精準(zhǔn)性保證，在光伏發(fā)電功率預(yù)測(cè)模型設(shè)計(jì)過(guò)程中要充分考慮氣象因素的影響。但是因?yàn)闅庀笠蛩赜绊懙膹?qiáng)度不同，輸入過(guò)多的強(qiáng)度影響低的氣象因素會(huì)增加數(shù)據(jù)冗余，對(duì)預(yù)測(cè)結(jié)果是非常不利的。

單純是某氣象因素和光伏發(fā)電功率得相關(guān)性分析，會(huì)泄露氣象因素隱含價(jià)值信息。以此表示，使用PCA 處理主要影響因素，能夠?qū)τ袃r(jià)值的信息進(jìn)行提取，對(duì)預(yù)測(cè)精度進(jìn)行保證，降低輸入變量維度，節(jié)約運(yùn)算的時(shí)間[3]。

2.2 主成分分析

PPCA 能夠使m 維空間中的因素群在p 微空間（p＜m）中投影，在具備原始數(shù)據(jù)信息的時(shí)候降低因素整合重構(gòu)維度數(shù)據(jù)，計(jì)算步驟如下：

定義元素矩陣X=(x1,x2,...,xm)通過(guò)m 個(gè)因素和n 組樣本數(shù)構(gòu)成，X 原始矩陣表示為：

原始矩陣中的變量xi和xj相關(guān)系數(shù)rij(i,j=1,2,...,m)與相關(guān)系數(shù)矩陣R 計(jì)算公式為：

公式中xsi和xsj指的是第s 行元素。

利用相應(yīng)系數(shù)矩陣R 特征方程計(jì)算m 個(gè)特征根λ1,λ2,...,λm和單位特征項(xiàng)向量e1,e2,...em，實(shí)現(xiàn)累計(jì)貢獻(xiàn)率閾值a 設(shè)置，那么閾值中前p 個(gè)成分就是主成分。特征根的特征方程表達(dá)公式為：|R-λpI|=0，公式中的I 指的是單位向量。累計(jì)貢獻(xiàn)率閾值表達(dá)公式為，公式中的λj表示特征根。

使初始樣本數(shù)據(jù)序列在p 個(gè)特征向量所創(chuàng)建新序列進(jìn)行投影，此新序列主成分表達(dá)公式為：Yij=xiTej(j=1,2,...,p)，公式中的Yij指的是降維之后p 維主成分，ej指的是特征向量。

累計(jì)貢獻(xiàn)率閾值a 取值以原始數(shù)據(jù)維數(shù)和降維之后試驗(yàn)精度需求進(jìn)行確定，因?yàn)榻稻S之后數(shù)據(jù)矩陣包括原始數(shù)據(jù)大部分的信息，還具備降維作用。所以，本文使用累計(jì)貢獻(xiàn)率的降維參考維度為85～95%。主成分表征數(shù)據(jù)在新維度中轉(zhuǎn)換的維度信息，和初始各維度原始變量物理含義并不對(duì)應(yīng)[4]。

3 光伏發(fā)電功率預(yù)測(cè)模型的設(shè)計(jì)

深度學(xué)習(xí)問(wèn)題要尋找神經(jīng)網(wǎng)絡(luò)的最小損失函數(shù)點(diǎn)，通過(guò)優(yōu)化算法對(duì)輸出網(wǎng)絡(luò)、模型訓(xùn)練的影響進(jìn)行計(jì)算，和最優(yōu)值接近，尋找最小損失點(diǎn)，得到模型的精準(zhǔn)度。通過(guò)PMSProp 算法對(duì)LSTM 網(wǎng)絡(luò)進(jìn)行優(yōu)化，根據(jù)累計(jì)平方梯度實(shí)現(xiàn)迭代，迭代之后具有較大的梯度權(quán)重，利用模型丟棄梯度，對(duì)收斂速度得到加快。使用算法對(duì)學(xué)習(xí)速度進(jìn)行動(dòng)態(tài)調(diào)整，利用衰減系數(shù)控制模型計(jì)算累積平臺(tái)梯度，得到歷史信息，算法過(guò)程為：

其一，計(jì)算梯度g，權(quán)值Nabla 算子為Δw，訓(xùn)練樣本數(shù)為m，公式為：y(i))；其二，對(duì)累積平方梯度r 計(jì)算：r=ρr(1-ρ)g·g，公式中ρ 指的是衰減速率；其三，對(duì)權(quán)值更新計(jì)算：，公式中的δ 指的是接近于0的極小數(shù)，ε 指的是學(xué)習(xí)速率；其四，更新權(quán)值：w=w+Δw。

通過(guò)以上算法實(shí)現(xiàn)光伏發(fā)電功率預(yù)測(cè)模型的設(shè)計(jì)，本文所提出的改進(jìn)LSTM 網(wǎng)絡(luò)光伏發(fā)電預(yù)測(cè)模型進(jìn)行樣本訓(xùn)練，訓(xùn)練后將輸入輸入到模型中實(shí)現(xiàn)預(yù)測(cè)。在預(yù)測(cè)模型訓(xùn)練時(shí)實(shí)現(xiàn)參數(shù)和誤差的更新，在迭代時(shí)進(jìn)行計(jì)算，一般在高性能計(jì)算機(jī)中實(shí)現(xiàn)模型訓(xùn)練，或者通過(guò)云計(jì)算的計(jì)算能力在云服務(wù)器中部署模型，快速得出訓(xùn)練模型。之后，使模型在一般計(jì)算機(jī)中移植并且預(yù)測(cè)[5]，模型整體流程詳見(jiàn)圖2。

圖2 模型的整體流程

4 算例分析

針對(duì)某光伏電站2020年5月～8月四個(gè)月的歷史統(tǒng)計(jì)數(shù)據(jù)進(jìn)行計(jì)算，將每天早晨6點(diǎn)到下午7點(diǎn)作為樣本數(shù)量。另外，通過(guò)相似日指標(biāo)劃分日類型相似天數(shù)，統(tǒng)計(jì)日類型為晴天天數(shù)一共80天、霧霾天氣共5天、多云天氣共20天、陰雨天氣共15天。為了對(duì)各影響因素相互關(guān)系進(jìn)行驗(yàn)證，創(chuàng)建相應(yīng)預(yù)測(cè)模型、兩個(gè)對(duì)比模型開(kāi)展分析，各個(gè)預(yù)測(cè)模型如下：

其一，預(yù)測(cè)模型。光伏影響因素對(duì)太陽(yáng)輻射強(qiáng)度、溫度、濕度、日類型的影響進(jìn)行考慮；其二，對(duì)比模型1。光伏影響因素包括太陽(yáng)輻射強(qiáng)度、溫度和日類型等；其三，對(duì)比模型2。光伏影響因素包括太陽(yáng)輻射強(qiáng)度、濕度、日類型和溫度等。通過(guò)三種預(yù)測(cè)模型計(jì)算預(yù)測(cè)結(jié)果，圖3為預(yù)測(cè)結(jié)果和對(duì)比情況。

圖3 預(yù)測(cè)結(jié)果和對(duì)比情況

通過(guò)圖3可以看出，晴天時(shí)光伏功率預(yù)測(cè)結(jié)果是最佳的。三種預(yù)測(cè)模型對(duì)于預(yù)測(cè)結(jié)果的適應(yīng)性良好，主要是因?yàn)榍缣斓墓夥β视绊懸蛩叵嗤?shù)據(jù)波動(dòng)比較小，從而提高預(yù)測(cè)輸入信息的平滑性，預(yù)測(cè)結(jié)果良好。另外就是多云天氣，要充分考慮日類型對(duì)預(yù)測(cè)結(jié)果的影響，對(duì)預(yù)測(cè)結(jié)果一致性進(jìn)行保證。其他預(yù)測(cè)結(jié)果比較差，是因?yàn)楣夥A(yù)測(cè)時(shí)的影響因子會(huì)受到多種因素的影響，包括云層、降雨量和霧霾等，使預(yù)測(cè)模型巡游能力得到降低，影響光伏功率預(yù)測(cè)的結(jié)果精度。

為了對(duì)各天氣中不同預(yù)測(cè)模型適應(yīng)性進(jìn)行分析，利用光伏功率預(yù)測(cè)評(píng)價(jià)模型適應(yīng)性，不同預(yù)測(cè)模型的預(yù)測(cè)誤差指標(biāo)詳見(jiàn)表1。通過(guò)表1可以看出來(lái)，預(yù)測(cè)模型的預(yù)測(cè)效果良好，不同日類型的預(yù)測(cè)模型光伏預(yù)測(cè)結(jié)果具有不同的偏差。但是存在相同變化規(guī)律數(shù)據(jù)時(shí)候的晴朗天氣，預(yù)測(cè)結(jié)果良好[6]。

表1 不同預(yù)測(cè)模型預(yù)測(cè)誤差的指標(biāo)分布

5 結(jié)語(yǔ)

本文分析了光伏功率預(yù)測(cè)技術(shù)，對(duì)基于優(yōu)化LSTM 算法的光伏發(fā)電預(yù)測(cè)模型進(jìn)行設(shè)計(jì)，針對(duì)實(shí)際工程數(shù)據(jù)，對(duì)本文方法在不同天氣類型中的精準(zhǔn)功率預(yù)測(cè)進(jìn)行分析。通過(guò)測(cè)試結(jié)果顯示，天氣類型存在明顯變化，日預(yù)測(cè)中的模型預(yù)測(cè)精度改善比較明顯。