摘要：光伏發(fā)電環(huán)境較為復(fù)雜，具有非線性、非平穩(wěn)特性的光伏發(fā)電功率數(shù)據(jù)的多個特征冗余，且依賴關(guān)系不明確，提出一種基于LSTM三元復(fù)合模型的光伏發(fā)電功率預(yù)測方案?？紤]光伏板和耐高溫絕緣硅膠墊片實際分布情況，進行光伏發(fā)電數(shù)據(jù)修正與補全，提取光伏發(fā)電功率數(shù)據(jù)的多個特征，通過加權(quán)法進行典型特征融合；捕捉光伏發(fā)電功率數(shù)據(jù)的時序依賴關(guān)系，構(gòu)建LSTM三元復(fù)合模型，輸出分析發(fā)電數(shù)據(jù)與功率之間的長期或短期依賴關(guān)系，完成光伏發(fā)電功率預(yù)測方案設(shè)計。實驗結(jié)果表明，在實際應(yīng)用中，該光伏發(fā)電功率預(yù)測方案的決定系數(shù)較高，95%分位數(shù)正負偏差率數(shù)值較低，光伏發(fā)電功率預(yù)測精度高。

關(guān)鍵詞：LSTM三元復(fù)合模型；光伏發(fā)電；發(fā)電功率

中圖分類號：TP391；TM615+.2文獻標志碼：A文章編號：1001-5922（2025）02-0181-04

Design of photovoltaic power prediction scheme based on LSTM ternary composite model

HUANG Cunqiang，LI Xuanxuan，LI Junxian，AN Juan，DU Jinshuo

（State Grid Qinghai Electric Power Company Economic and Technology Research Institute，Xining 810001，China）

Abstract：Due to the complex environment of photovoltaic power generation，multiple features of photovoltaic pow-er generation data with nonlinear and non-stationary characteristics are redundant，and the dependency relationship is not clear，a photovoltaic power generation power prediction scheme based on LSTM ternary composite model was proposed.Considering the actual distribution of photovoltaic panels and high-temperature resistant insulating silica gel gaskets，the photovoltaic power generation data was corrected and completed，and multiple features of the photo-voltaic power generation power data were extracted，and the typical features were fused by the weighting method.The temporal dependence of photovoltaic power generation power data was captured，an LSTM ternary composite model was constructed，the long-term or short-term dependence between power generation data and power was out-put and analyzed，and the design of photovoltaic power generation power prediction scheme was completed.The ex-perimental results showed that in practical application，the determination coefficient of the photovoltaic power pre-diction scheme was high，the positive and negative deviation rate of the 95%quantile was low，and the prediction ac-curacy of photovoltaic power generation power was high.

Key words：LSTM ternary composite model；photovoltaic power generation；power generation

光伏發(fā)電功率的間歇性和不穩(wěn)定性給電力系統(tǒng)的調(diào)度和管理帶來了挑戰(zhàn)。因此，準確預(yù)測光伏發(fā)電功率，對于電力系統(tǒng)的穩(wěn)定運行和優(yōu)化調(diào)度具有極其重要的意義。

從多個來源收集與光伏發(fā)電相關(guān)的數(shù)據(jù)，從中提取與光伏發(fā)電輸出功率相關(guān)的特征，由此構(gòu)建對應(yīng)的預(yù)測模型，實現(xiàn)對輸出功率的預(yù)測[1]。收集波浪發(fā)電系統(tǒng)的歷史數(shù)據(jù)，在變分模式分解的作用下，將波浪信號分解成多個固有模式函數(shù)，再從中提取波動的高度、周期等特征量，由此構(gòu)建向量自回歸模型，對系統(tǒng)的輸出功率進行預(yù)測[2]。收集風電場的歷史發(fā)電功率數(shù)據(jù)，從中提取出與風電發(fā)電功率相關(guān)的特征，利用注意力機制，捕獲時間序列數(shù)據(jù)中的長期依賴關(guān)系，計算不同輸入特征的權(quán)重值，提高了預(yù)測精度[3]。采集大量的歷史風電功率數(shù)據(jù)，在改進完全經(jīng)驗?zāi)B(tài)分解的作用下，得到相應(yīng)的模態(tài)函數(shù)，再從中提取出季節(jié)性特征，由此構(gòu)建對應(yīng)的網(wǎng)絡(luò)模型，實現(xiàn)對風電功率的預(yù)測[4]。

研究設(shè)計了基于LSTM三元復(fù)合模型的光伏發(fā)電功率預(yù)測方案。

1光伏發(fā)電功率預(yù)測方案設(shè)計

1.1光伏發(fā)電數(shù)據(jù)修正與補全

光伏發(fā)電受天氣（如云量、日照強度等）和環(huán)境（如溫度、濕度等）因素的影響較大。這些因素會導(dǎo)致功率輸出出現(xiàn)波動和變化，異常數(shù)據(jù)和缺失數(shù)據(jù)增加，從而給功率預(yù)測帶來不確定性。為此，進行異常數(shù)據(jù)修正和缺失數(shù)據(jù)補全[5-7]。

光伏組件經(jīng)常暴露在戶外環(huán)境中，容易受到灰塵、雨水和潮濕等環(huán)境影響。耐高溫絕緣硅膠墊片可以起到密封作用，防止灰塵和水分侵入組件內(nèi)部，風力、機械振動和溫度變化等因素都會導(dǎo)致光伏組件震動，進而產(chǎn)生噪音。考慮光伏板和耐高溫絕緣硅膠墊片實際分布情況，以及噪音異常值的影響，設(shè)置異常數(shù)據(jù)修正函數(shù)：

式中：g（x）表示異常數(shù)據(jù)修正結(jié)果；z表示光伏發(fā)電數(shù)據(jù)均值；m表示光伏發(fā)電數(shù)據(jù)的標準差；k表示光伏發(fā)電數(shù)據(jù)數(shù)量。若異常數(shù)據(jù)修正后仍然存在較大的測量誤差，則直接對其進行刪除。

為了更好地反映當前光伏發(fā)電系統(tǒng)的特性，對光伏發(fā)電功率缺失數(shù)據(jù)進行補全處理[8]：

式中：g'（x）表示缺失數(shù)據(jù)補全結(jié)果；xi-3、xi-2、xi-1、xi+1、xi+2、xi+3分別表示缺失數(shù)據(jù)前后3個臨近值。補全光伏發(fā)電數(shù)據(jù)中的缺失數(shù)據(jù)，

1.2基于LSTM三元復(fù)合模型的預(yù)測方法

光伏發(fā)電功率受到多種因素的影響，包括天氣條件（如太陽輻射、溫度、濕度、風速等）、設(shè)備狀態(tài)、地理位置以及季節(jié)變化等。這些因素中既有短期內(nèi)的快速變化，也有長期的趨勢性變化。而LSTM模型能夠有效地捕捉這種長短期依賴關(guān)系，其在處理序列數(shù)據(jù)中有著較好的優(yōu)勢，為合理安排電網(wǎng)的供電計劃提供方便，減少因光伏發(fā)電功率波動帶來的電網(wǎng)不穩(wěn)定性[9-10]。

將修正與補全處理后的光伏發(fā)電功率數(shù)據(jù)作為基礎(chǔ)，提取光伏發(fā)電功率數(shù)據(jù)的多個特征：

式中：g1表示光伏發(fā)電功率的輻照度特征；n表示光伏發(fā)電功率數(shù)據(jù)數(shù)量；Ei表示在不同時刻的輻照度；g2表示風速特征；Wi表示不同時刻光伏電站的風速；g3表示發(fā)電功率特征；Pi表示不同時刻光伏電站的發(fā)電功率；g4表示光伏電站的清晰度指數(shù)；Ea表示實際輻照度；Et表示理論輻照度。

篩選出典型特征，如輻照度特征、風速特征、發(fā)電功率特征、清晰度指數(shù)等[11]，用以反映光伏發(fā)電功率特性，通過加權(quán)法進行多特征融合，生成LSTM三元復(fù)合模型，如圖1所示。

由圖1可知，LSTM三元復(fù)合模型是由3個不同的LSTM模型融合而成，不同的模型發(fā)揮著不同的作用。其中，單一LSTM模型用于捕捉光伏發(fā)電功率數(shù)據(jù)的時序依賴關(guān)系，雙向LSTM模型用于分析光伏發(fā)電功率數(shù)據(jù)的前后信息，能夠捕捉更加深層次的特征，堆疊LSTM模型能夠增強非線性映射能力，即：

式中：L表示LSTM三元復(fù)合模型；L1表示單一LSTM模型；L2表示雙向LSTM模型；L3表示堆疊LSTM模型；α1、α2、α3分別表示3種LSTM模型對應(yīng)的加權(quán)值；Gi表示篩選結(jié)果。

以此分析發(fā)電數(shù)據(jù)與功率之間的長期依賴關(guān)系為：

f= ε+ 1+ θi′ Gi′ ηi′ L（5）

式中：f表示長短期依賴關(guān)系；ε表示初始發(fā)電功率數(shù)值；θi表示變換參數(shù)；ηi表示誤差系數(shù)。

則發(fā)電數(shù)據(jù)與功率之間的短期依賴關(guān)系為：

f?=f′ κ′ρ（x）""""""""""""""""""""""" （6）

式中：f?表示短期依賴關(guān)系；κ表示發(fā)電數(shù)據(jù)預(yù)測參數(shù)；ρ（x） 表示依賴關(guān)系求解函數(shù)。

2實驗結(jié)果分析

以某光伏電站作為實驗對象，選擇該光伏電站連續(xù)30 d的光伏發(fā)電功率實測數(shù)據(jù)作為實驗數(shù)據(jù)，在MATLAB中設(shè)定實驗環(huán)境，所用基本實驗參數(shù)如表1所示。

實時監(jiān)測該發(fā)電裝置的運行狀態(tài)數(shù)據(jù)，并將其進行匯總。獲取的光伏發(fā)電功率數(shù)據(jù)如圖2所示。

由圖2可知，在不同的采樣點，光伏發(fā)電功率數(shù)值在不斷發(fā)生變化，說明受到不同采樣點周邊環(huán)境的影響，光伏發(fā)電功率的存在較大差異。

設(shè)計的基于LSTM三元復(fù)合模型的光伏發(fā)電功率預(yù)測為方案1；基于信息共享與變分模式分解的光伏發(fā)電功率預(yù)測為方案2；基于相連自回歸模型和動態(tài)規(guī)劃的光伏發(fā)電功率預(yù)測為方案3。將其進行對比實驗。

決定系數(shù)可以反映模型對觀測數(shù)據(jù)的擬合程度。當決定系數(shù)接近1時，表明模型較好地擬合了觀測數(shù)據(jù)，能夠準確描述數(shù)據(jù)間的變化規(guī)律，對光伏發(fā)電功率的預(yù)測具有較高的質(zhì)量和準確性。取值范圍在0到1之間，代表了模型所解釋的方差比例，越接近1說明模型越能解釋數(shù)據(jù)方差中的部分，因此能夠直觀地解釋預(yù)測結(jié)果的可信程度。統(tǒng)計不同方法應(yīng)用過程中的決定系數(shù)，如表2所示。

由表2可知，方案1的決定系數(shù)較高，且在多次實驗中的數(shù)值均較高；方案2和方案3的決定系數(shù)數(shù)值較低，且在多次實驗中數(shù)值較低。因為引入了LSTM三元復(fù)合模型，能夠捕捉更加深層次的特征，故提高了預(yù)測精度。

光伏發(fā)電功率受到天氣、季節(jié)和其他因素的影響，存在一定的波動性。通過使用正負偏差率作為實驗指標，使用95%分位數(shù)可以提供更為全面的評估，將預(yù)測值與真實觀測值進行比較，確定預(yù)測值中有5%的可能性低于某個特定值，同時也有5%的可能性高于某個特定值，適應(yīng)不同應(yīng)用場景的需求?？梢詫Σ煌瑫r間段的功率預(yù)測結(jié)果進行統(tǒng)計，考慮到功率的上下波動范圍。以95%分位數(shù)正負偏差率為評價指標，分析實驗結(jié)果如圖3所示。

由圖3可知，方案1的95%分位數(shù)正負偏差率數(shù)值較低，均在2.0%以下；方案2和方案3的95%分位數(shù)正負偏差率數(shù)值較高，遠高于方案1。因為分層次判斷了發(fā)電數(shù)據(jù)與功率之間的長期/短期依賴關(guān)系，逐一匹配光伏發(fā)電功率數(shù)據(jù)的多個特征，為電力系統(tǒng)的調(diào)度和管理提供有力的支持。

3結(jié)語

基于LSTM三元復(fù)合模型的光伏發(fā)電功率預(yù)測方案在實際應(yīng)用中，可以捕捉到光伏發(fā)電功率變化的復(fù)雜模式，進一步增強了發(fā)電功率預(yù)測過程的穩(wěn)定性，決定系數(shù)較高，95%分位數(shù)正負偏差率數(shù)值較低，預(yù)測精度較高，在光伏發(fā)電功率預(yù)測領(lǐng)域展現(xiàn)出了顯著優(yōu)勢，提高了光伏發(fā)電功率預(yù)測的精度，為電力系統(tǒng)的穩(wěn)定運行和優(yōu)化調(diào)度提供技術(shù)支撐。

【參考文獻】

[1]徐潛，益西措姆，白瑪央宗，等.基于信息共享的光伏清潔能源輸出功率預(yù)測方法[J].電網(wǎng)與清潔能源，2023，39（12）：153-158.

[2]羅琦，楊俊華，黃逸，等.基于變分模式分解和向量自回歸模型的波浪發(fā)電系統(tǒng)輸出功率預(yù)測[J].太陽能學報，2023，44（3）：291-297.

[3]CHAI Z.BiLSTM short-term wind power prediction based on attention mechanism[J].2023 IEEE 3rd International Conference on Electronic Technology，Communication and Information（ICETCI），2023，44（23）：1341-1346.

[4]SUN S，YU P，XING J，et al.Short-term wind power pre-diction based on ICEEMDAN-SE-LSTM neural network model with classifying seasonal[J].Energy Engineering，2023，120（12）：2761-2782.

[5]王福忠，王帥峰，張麗.基于VMD-LSTM與誤差補償?shù)墓夥l(fā)電超短期功率預(yù)測[J].太陽能學報，2022，43（8）：96-103.

[6]陳輝煌，陳志聰，吳麗君，等.利用相似日小波變換和多層感知機的短期光伏功率預(yù)測[J].福州大學學報（自然科學版），2022，50（2）：206-213.

[7]盧俊杰，蔡濤，郎建勛，等.基于集群劃分的光伏電站集群發(fā)電功率短期預(yù)測方法[J].高電壓技術(shù)，2022，48（5）：1943-1951.

[8]李科，黃東晨，陶子彬，等.基于偏最大信息系數(shù)與組合XGBoost的短期風功率預(yù)測[J].電力工程技術(shù)，2021，40（6）：95-102.

[9]王一妹，劉輝，宋鵬，等.基于高斯混合模型聚類的風電場短期功率預(yù)測方法[J].電力系統(tǒng)自動化，2021，45（7）：37-43.

[10]張健.基于動態(tài)規(guī)劃的分布式光伏發(fā)電容量優(yōu)化技術(shù)[J].粘接，2024，51（1）：169-172.

[11]李東昆，王俊曦.考慮小功率波動的海上風電發(fā)電側(cè)電化學儲能配置優(yōu)化及分析[J].粘接，2023，50（9）：132-135.

（責任編輯：平海，蘇幔）