于海龍，劉國巍

(安徽理工大學(xué) 電氣與信息工程學(xué)院,安徽 淮南 232001)

1 引言

近年來，太陽能、風(fēng)能等一些清潔能源走進(jìn)大眾視野，成為一些行業(yè)領(lǐng)域不可缺少的能源。太陽能發(fā)電近些年得到快速發(fā)展，而相較于煤炭發(fā)電有污染小、容易獲取等優(yōu)點(diǎn)。我國光伏裝機(jī)容量近年持續(xù)增長(zhǎng)，2021年上半年全國光伏新增裝機(jī)1301萬kW，光伏產(chǎn)業(yè)穩(wěn)步發(fā)展。而由于太陽輻照具有周期性和間歇性，夜晚期間不發(fā)電，導(dǎo)致光伏電站的發(fā)電量并不穩(wěn)定，是一種波動(dòng)性能源[1，2]。大范圍的光伏電站在并入電網(wǎng)時(shí)會(huì)對(duì)電力系統(tǒng)的穩(wěn)定運(yùn)行帶來危害。因此準(zhǔn)確的光伏發(fā)電預(yù)測(cè)可以為光伏電站合理調(diào)度電能分配計(jì)劃提供重要參考，為整個(gè)電力系統(tǒng)的安全穩(wěn)定運(yùn)行提供重要保障[3]。

光伏功率預(yù)測(cè)方法有多種，一般可分為兩種：一是利用光伏電站各設(shè)備的詳細(xì)參數(shù)等用數(shù)學(xué)方法建立一種物理預(yù)測(cè)模型；二是根據(jù)光伏電站統(tǒng)計(jì)的歷史氣象因素建立與輸出功率之間的一種規(guī)律進(jìn)行直接預(yù)測(cè)[4]。由于傳統(tǒng)方法預(yù)測(cè)精度達(dá)不到期望效果，人工神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)等人工智能方法不斷發(fā)展，在這些預(yù)測(cè)問題上有較好的解決問題能力。長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(LSTM)在處理時(shí)間序列的問題方面更表現(xiàn)出了自身的優(yōu)點(diǎn)，利用LSTM對(duì)風(fēng)電場(chǎng)功率進(jìn)行預(yù)測(cè)，取得了較好的預(yù)測(cè)效果[5]。在LSTM的基礎(chǔ)上加入卷積神經(jīng)網(wǎng)絡(luò)(CNN)，通過組合模型對(duì)光伏功率進(jìn)行預(yù)測(cè)，相比于單一模型具有更好的預(yù)測(cè)精度[6]。隨著深度學(xué)習(xí)的發(fā)展，不在局限于單一模型來處理問題，而是采取不同模型的優(yōu)點(diǎn)取長(zhǎng)補(bǔ)短，通過組合模型來達(dá)到更好的預(yù)測(cè)效果[7]。

本文利用深度學(xué)習(xí)強(qiáng)大的自主學(xué)習(xí)能力，有效建立氣象因子與光伏輸出功率之間的規(guī)律進(jìn)行輸出預(yù)測(cè)。在CNN和LSTM的基礎(chǔ)上利用CNN和BiLSTM進(jìn)行結(jié)合實(shí)現(xiàn)光伏功率精確預(yù)測(cè)。選取與光伏發(fā)電輸出功率相關(guān)性高的太陽輻照、溫度和濕度等氣象因素作為輸入，CNN利用自身優(yōu)勢(shì)提取輸入數(shù)據(jù)空間特征，BiLSTM在時(shí)間序列上對(duì)過去和未來分別計(jì)算依次儲(chǔ)存，最后得到預(yù)測(cè)結(jié)果。

2 CNN-BiLSTM功率預(yù)測(cè)方法

2.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)(CNN)是一種深度學(xué)習(xí)模型，憑借其優(yōu)越的特征提取和非線性擬合能力，已經(jīng)被廣泛應(yīng)用到諸多領(lǐng)域中[8,9]。CNN由卷積層、池化層、全連接層和邏輯回歸層四類神經(jīng)元層構(gòu)成。卷積層通常由多個(gè)卷積核構(gòu)成，每個(gè)卷積核計(jì)算一個(gè)對(duì)應(yīng)的特征映射，用于提取輸入數(shù)據(jù)信息。池化層緊跟卷積層之后，采取最大池化的方法，挖掘數(shù)據(jù)有效特征信息，減小卷積層輸出特征向量的大小。全連接層連接池化層和邏輯回歸層，將提取到的數(shù)據(jù)特征匯聚一起后進(jìn)行分類。邏輯回歸層最后進(jìn)行所有特征組合輸出。

2.2 BiLSTM網(wǎng)絡(luò)

光伏功率此刻的輸出不僅受前一時(shí)刻而且還可能與未來時(shí)刻的因素有關(guān)，因此在模型中采用BiLSTM，即雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)，由上下兩個(gè)LSTM組合而成。對(duì)輸入數(shù)據(jù)進(jìn)行時(shí)間序列上特征挖掘并且向前向后兩個(gè)方向進(jìn)行訓(xùn)練，最后由這兩個(gè)LSTM狀態(tài)共同決定輸出值[10,11]。由于其內(nèi)部加入的輸入門、遺忘門和輸出門特殊神經(jīng)元結(jié)構(gòu)，解決了傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)產(chǎn)生的梯度爆炸等問題，能夠高效地自主學(xué)習(xí)輸入與輸出信息之間的依存規(guī)律，在多變量時(shí)間序列預(yù)測(cè)問題上得到了廣泛的應(yīng)用。

LSTM，即長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)。在循環(huán)神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上改進(jìn)，加入特殊門控結(jié)構(gòu)[12]。通過輸入門、遺忘門和輸出門單元有選擇性地取舍數(shù)據(jù)時(shí)間序列上的有效信息，大大提高了模型數(shù)據(jù)挖掘的高效性，解決了梯度消失問題。圖1為L(zhǎng)STM神經(jīng)元內(nèi)部結(jié)構(gòu)圖，引入的3種門各自信息處理過程如下。

圖1 LSTM神經(jīng)元結(jié)構(gòu)

2.2.1 信息的丟棄

在激活函數(shù)Sigmoid的作用下輸入的h(t-1)和此時(shí)刻的x(t)會(huì)輸出一個(gè)介于0到1之間的值，決定是否通過前一時(shí)刻所學(xué)信息，0表示遺忘所有信息，1表示儲(chǔ)存所有信息。計(jì)算公式如下：

f(t)=σ{wf·[h(t-1),x(t)]+bf}

(1)

式(1)中wf為權(quán)重矩陣；bf為偏置向量；σ為Sigmoid激活函數(shù)。

2.2.2 信息的更新

該過程先是由上一步產(chǎn)生的值決定輸入門更新的信息，然后tanh激活函數(shù)作用于h(t-1)和x(t)得到i(t)，與遺忘門輸出信息結(jié)合得到更新的神經(jīng)元狀態(tài)c(t)。計(jì)算公式如下：

i(t)=σ{wi·[h(t-1),x(t)]+b1}

(2)

g(t)=tanh{wg·[h(t-1),x(t)]+bg}

(3)

c(t)=f(t)·c(t-1)+it·gt

(4)

2.2.3 信息的輸出

LSTM在信息的更新基礎(chǔ)上，利用Sigmoid激活函數(shù)得到輸出o(t)，然后o(t)與經(jīng)過tanh激活函數(shù)處理的c(t)逐對(duì)相乘得到最終的輸出y(t)。計(jì)算公式如下：

o(t)=σ{wo·[h(t-1),x(t)]+bo}

(5)

y(t)=h(t)=o(t)·tanh[C(t)]

(6)

2.3 CNN-BiLSTM預(yù)測(cè)算法結(jié)構(gòu)

本文所采用的預(yù)測(cè)算法架構(gòu)如圖2所示，選取光伏電站采集的太陽輻照、組件溫度等數(shù)據(jù)作為輸入，先利用CNN卷積層對(duì)輸入數(shù)據(jù)進(jìn)行特征提取，然后通過BiLSTM進(jìn)行特征學(xué)習(xí)，最后通過訓(xùn)練建立輸入輸出之間的規(guī)律之后輸出預(yù)測(cè)結(jié)果。

圖2 CNN-BiLSTM算法結(jié)構(gòu)

3 實(shí)驗(yàn)仿真驗(yàn)證

本文選取國內(nèi)某光伏電站2020年7月份采集的

氣象功率等數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，選用MatlabR2020b進(jìn)行仿真驗(yàn)證。光伏數(shù)據(jù)的采集時(shí)間分辨率為15min，預(yù)測(cè)的有效時(shí)段為早上7:00至下午19:00。用不同模型分別對(duì)選取數(shù)據(jù)進(jìn)行訓(xùn)練，選取最后3 d為測(cè)試集。

3.1 預(yù)測(cè)評(píng)價(jià)指標(biāo)

為了更科學(xué)的評(píng)價(jià)所采用模型的優(yōu)越性，使用平均絕對(duì)百分比誤差(MAPE)和均方根誤差(RMSE)作為兩個(gè)評(píng)價(jià)指標(biāo)。MAPE和RMSE的公式如式(7)、(8)所示：

(7)

(8)

式(8)中：pireal表示第i個(gè)采樣點(diǎn)的真實(shí)輸出功率值；pipre表示第i個(gè)采樣點(diǎn)的預(yù)測(cè)輸出功率值；n代表采樣點(diǎn)個(gè)數(shù)。

3.2 實(shí)驗(yàn)結(jié)果與分析

通過實(shí)驗(yàn)平臺(tái)用不同模型對(duì)數(shù)據(jù)訓(xùn)練之后，選取測(cè)試集早上7點(diǎn)到晚上7點(diǎn)共計(jì)147個(gè)樣本點(diǎn)進(jìn)行預(yù)測(cè)，不同實(shí)驗(yàn)?zāi)Ｐ皖A(yù)測(cè)結(jié)果的評(píng)價(jià)指標(biāo)如表1所示，不同模型預(yù)測(cè)值與實(shí)際光伏輸出功率對(duì)比圖如圖3所示。

表1 不同模型評(píng)價(jià)結(jié)果對(duì)比

圖3 不同預(yù)測(cè)模型對(duì)比結(jié)果

通過實(shí)驗(yàn)結(jié)果對(duì)比，從表1中可以看出單一模型的MAPE和RMSE較大，這表明單一模型的預(yù)測(cè)結(jié)果與實(shí)際輸出功率誤差較大，預(yù)測(cè)效果不理想。而組合模型的預(yù)測(cè)結(jié)果精度明顯高于單一模型，組合模型的MAPE和RMSE均最小，這表明采取組合模型可有效發(fā)揮各單一模型的優(yōu)點(diǎn)來達(dá)到理想的預(yù)測(cè)效果。組合模型CNN-LSTM的MAPE和RMSE分別比CNN和LSTM降低了13.04%、6.18MW和17.32%和7.70MW。

本文采取的CNN-BiLSTM模型預(yù)測(cè)精度達(dá)到了更好的效果，MAPE和RMSE降低到了1.96%和0.68MW，比CNN-LSTM降低了0.76%和0.29MW。由此表明本文所采取的組合預(yù)測(cè)方法對(duì)提高光伏功率預(yù)測(cè)精度有一定的效果。

4 結(jié)論

為了提高光伏輸出功率的預(yù)測(cè)精度，本文采取了CNN-BiLSTM算法進(jìn)行預(yù)測(cè)。首先利用CNN提取輸入數(shù)據(jù)之間的空間特征，再送入BiLSTM中挖掘數(shù)據(jù)之間時(shí)間序列上的關(guān)系，用CNN-BiLSTM建立輸入與輸出之間的一種規(guī)律進(jìn)行輸出預(yù)測(cè)。最后通過實(shí)驗(yàn)仿真對(duì)不同的模型進(jìn)行驗(yàn)證，實(shí)驗(yàn)結(jié)果表明所采取的預(yù)測(cè)算法取得了良好的預(yù)測(cè)效果。精準(zhǔn)的光伏功率預(yù)測(cè),對(duì)于降低光伏并網(wǎng)時(shí)對(duì)電網(wǎng)穩(wěn)定運(yùn)行帶來的危害有重大意義，還能夠?yàn)殡娋W(wǎng)部門制定合理配電調(diào)度計(jì)劃提供參考依據(jù)等。