深度置信網絡光伏發電短時功率預測研究

吳堅　鄭照紅　薛家祥

摘要：針對現有光伏功率預測技術存在提取特征不充分導致預測精度低的問題，提出一種基于深度置信網絡的光伏發電短時功率預測方法。根據光伏發電系統的運行特征和深度置信網絡的特點，闡述該預測方法的可行性和科學性。搭建功率預測模型，通過無監督學習過程逐層提取輸入序列的內在特征；模型頂層采用BP神經網絡對特征矩陣和偏移量進行有監督訓練，經過誤差微調后輸出預測結果。綜合考慮可能對光伏發電功率產生影響的多種因素（如輻射強度、溫度等），并將上述因素做歸一化處理后作為模型的初始輸入量，在Matlab上對預測模型進行仿真驗證。最后將該預測模型與常用的BP神經網絡方法進行比較，結果顯示所提模型性能優于BP神經網絡，證明該模型具有較好的預測準確度。

關鍵詞：光伏發電；短期功率預測；深度置信網絡；仿真驗證

文獻標志碼：A 文章編號：1674-5124（2018）05-0006-06

0引言

光伏并網系統的輸出功率大小，對于電力系統的穩定性、安全性，以及電力能源的調度具有不可忽略的影響，因而對光伏并網系統功率的預測顯得尤為重要。國內外科研人員在該領域采用各種技術和方法進行了大量的研究，主要有基于人工神經網絡（如BP神經網絡）的預測方法、基于機器學習方法（如支持向量機SVM）的預測方法、基于歷史數據的統計預測方法。上述方法中，BP神經網絡的預測效果因隱層數量的增加而變差，在選取隱層數量為1～2層時，BP算法提取隱含特征的能力有限，無法充分挖掘影響因子之間的內在聯系。SVM方法相對神經網絡而言，具有更好的泛化推廣能力，但憑經驗選擇的基函數可能引起無法預料的誤差。基于歷史數據的統計預測方法則需要大量的歷史數據樣本，在應用于新建電站的情況下存在較大的局限性。

深度置信網絡（deep belief network，DBN）是深度學習的一種經典算法，可利用多層體系架構提取底層數據的潛在典型特征，進而提供給高層進行分類和回歸。深度置信網絡早已被應用于交通流、風速、PM_2.5等的預測中，并且取得了良好的效果。Hinton等提出了一種無監督的逐層訓練的技術，可以快速地從底向上逐層訓練DBN模型，使得網絡具有較快的訓練速度。在光伏發電功率的預測中，深度置信網絡可以不依賴先驗知識，通過多層次的訓練學習更加抽象、更加本質的成因特征，可以進行更準確有效的功率預測，與傳統的淺層神經網絡相比具有明顯優勢。

綜合考慮太陽輻射強度、溫度、風力風速、降雨量等氣象因素，本文提出了基于深度置信網絡模型的光伏功率短時預測方法，結合一定數量的歷史功率數據，構建了少云晴天、多云晴天兩種平穩天氣，以及晴轉雨突變天氣條件下的發電功率預測模型，通過Matlab對所構建的模型進行了訓練和驗證，并與BP神經網絡的預測性能進行了對比。

1深度置信網絡（DBN）原理

DBN模型由一定數目的受限玻爾茲曼機（restricted Boltzmann machine，RBM）堆疊組成。受限玻爾茲曼機是一種特殊形式的馬爾可夫隨機場（Markov random field，MRF）。一個RBM包含一個由隨機隱單元構成的隱含（不可觀測）層和一個由隨機可見（觀測）單元構成的可見（觀測）層。RBM可以表示為雙向圖，所有的可見單元和隱單元之間都存在連接，但每一層的隱單元之間、可見單元之間不存在連接，即層間全連接，而層內無連接。一個RBM的可見層即可觀測的輸入層，滿足伯努利分布或高斯分布，隱層則對應于所探測的不可見的特征，滿足伯努利分布。層與層之間通過對稱矩陣進行全連接，其概率滿足玻爾茲曼分布。RBM模型如圖1所示。

對于一個伯努利一伯努利RBM的可見單元和隱單元，給定模型參數θ，得到它們的聯合組態能量函數E（y，h；θ）為

（1）

深度置信網絡模型如圖2所示。該模型中，底層是由GBRBM和RBM組成的DBN結構。一個RBM層訓練后，其輸出作為下一RBM層的輸入。模型經過自下而上的非監督學習，從不同的RBM隱層中提取輸入序列中隱藏的特征。經過如此的逐層訓練后，輸出權重矩陣和偏移量，作為頂層BP神經網絡進行有監督學習的輸入初始值。頂層的BP神經網絡對權重矩陣和偏移量進行微調，通過自頂而下的反向傳播學習，獲得誤差估計，再應用梯度下降法，計算更新各節點的權值，直到輸出誤差足夠小。

2基于深度置信網絡的光伏發電短時功率預測

2.1光伏發電功率預測模型

本文提出基于深度置信網絡的光伏發電短時功率預測模型，該模型包括深度訓練過程和預測過程。深度學習的訓練過程可能包括大量的誤差和偏置參數，迭代過程需要計算機進行大量的計算，占據大量的計算機資源，對于計算機的要求較高。為減少深度訓練過程在實際應用中的計算量，降低深度訓練過程難度，使所提模型在實際中得到廣泛的應用，可以先采用高性能的本地服務器或更高性能的云服務器，對模型輸入序列進行深度學習和訓練，即可得到已訓練的預測模型；然后借助于性能一般的本地監控計算機或嵌入式監控設備，利用訓練后的模型，輸入參數值對光伏功率進行預測。基于深度置信網絡的光伏發電短時功率預測模型如圖3所示。

2.2數據源及其預處理

本文光伏發電功率歷史數據來源于東莞市南城區高盛科技園內的綠色能源小屋3kW光伏電站，所采用氣象數據（天氣狀況、風向、風力、實時氣溫、最高氣溫、最低氣溫等）均來源于東莞市氣象局官方網站，光照強度（輻射強度）數據來源于放置于光伏組件附近并且與光伏組件同仰角放置的光強測試儀，囊括了2017年3月1日～2017年7月31日共153 d的每日數據。為了驗證預測模型性能，選擇天氣多變的2017年8月份，采集31 d的天氣（環境）數據和發電功率數據作為測試數據，對模型的預測效果進行驗證。采用CPU為i5-4590k處理器，內存為8G的臺式電腦，在Matlab R2014b中完成相關程序的編寫和模型搭建，并輸入數據進行模型的仿真驗證。

將光伏電站所在地區歷史氣象信息和光伏歷史發電功率數據作為預測模型的輸入序列，對收集到的輻射量、風力、最高氣溫、最低氣溫等樣本數據按下式進行歸一化處理：

在DBN模型中完成預測訓練后，按照下式對模型輸出結果進行去歸一化處理，恢復預測結果使其成為真實的功率數據：

2.3評價指標

在光伏發電功率預測中，常采用均方根誤差（rootmean squared error，RMSE）和平均絕對百分比誤差（mean absolute percentage error，MAPE）兩個技術指標來檢驗和衡量模型的精確度和效果[12-131。RMSE和MAPE的定義如下：

2.4DBN預測模型參數的確定

深度學習模型結構參數的設置，影響訓練過程、訓練時間、預測結果誤差。為了使訓練效果達到最優化，減小誤差，對預測模型訓練的隱層層數和隱層節點數進行討論和對比優選。本文取隱層數目為2～7層，節點數為2n。設定隱層節點數為2s個節點，對隱層數目進行優選，結果如表1所示。

表中比較了隱層數目變化對預測結果的影響，當隱層數目為5時，平均絕對百分比誤差值為10.6%，模型準確度最高，誤差最小。而且，隱層數目小于5時，模型誤差隨隱層數目增加而減小；隱層數目大于5時，模型誤差隨隱層數目增大而增大，模型凸顯“過擬合”效應，訓練時間也增加。

假定隱層數目為5，討論和確定適宜的節點數目。本文討論節點數目為2⁶-2¹⁰時的預測效果。由表2可知，節點數為2s時，模型預測效果最佳。

因此，本文設定預測模型的隱層數目為5，隱層節點數為256，預測步長為15min，對1d內7：00-18：00時段的光伏發電功率進行預測。

2.5模型仿真結果及分析

在同一計算機設備上，從31 d的測試數據中抽取若干天，分別采用BP神經網絡和DBN預測模型進行仿真實驗。

平穩天氣下，在7：00-11：00時段，光伏出力逐漸上升，發電功率逐漸升高；在11：00-14：00時段，光伏出力達到較高水平，曲線變化較為平穩：在中午12：00-13：00之間，發電功率達到當天內最大：在14：00-18：00時段，光伏出力逐漸下降，發電功率逐漸降低。如圖4所示，平穩天氣下，DBN模型功率預測曲線與實際功率曲線重合度較高，說明預測誤差較小。A日DBN功率預測模型的實際MAPE和RMSE分別為7.57%、80.74，B日DBN功率預測模型的MAPE和RMSE分別為8.33%、62.79。

突變天氣下，天氣變化隨機性很強，導致影響光伏出力的輻射量、溫度等的變化隨機性也增強，所以光伏發電的出力隨機性也增強。在本文功率預測模型下，DBN算法可以預測功率曲線走勢，但是準確度不高，偏差相對較大。圖5展現了在不同的突變天氣光伏出力的情況，由于天氣出現變化的時間和情況不一致，因而功率預測曲線變化也不一致。C日在12：00-13：00出現雷雨天氣，DBN功率預測模型的MAPE為14.63%，RMSE為86.87；D日在10：00-11：00和12：00-13：00出現雷雨天氣，13：00-13：30天氣逐漸轉晴，13：30后天氣狀態逐漸轉為陰天，DBN功率預測模型的MAPE為14.94%，RMSE為129.19。突變天氣條件下，模型預測結果與實際發電功率差距較大。

圖4、圖5的對比實驗結果也表明，與所提預測模型相比，BP神經網絡方法的預測曲線更偏離實際曲線。為了更好地論證所提方法的優勢，分別采取所提方法和BP神經網絡方法對31 d的測試數據進行仿真實驗，并對評判指標RMSE和MAPE取平均值。綜合對比兩種預測方法的性能指標見表3。

由表可知，在同一預測日期下，BP神經網絡方法預測結果的RMSE值大于DBN預測模型，說明BP神經網絡的預測結果離散程度比DBN預測模型更大：BP神經網絡方法預測結果的MAPE值大于DBN預測模型，說明BP神經網絡的預測準確度比DBN預測模型更低。進一步地，對31d的測試數據進行仿真實驗后，BP神經網絡方法預測結果的平均MAPE值和RMSE值均大于DBN預測模型，說明BP神經網絡的平均預測準確度低于DBN預測模型。綜上所述，在預測準確度上，所提方法優于BP神經網絡方法。

BP神經網絡在隱層數目較少（1～2層）時具有較好的訓練效果，但隱層數目較少會導致網絡參數得不到充分的訓練，產生“欠擬合”現象，數目增加到一定值時，會導致“過擬合”現象。而且，梯度下降法要求學習速率較小，因此BP神經網絡的收斂速度較慢。在訓練過程中，采用梯度下降法，BP神經網絡方法還容易陷入局部極小點。

與淺層BP神經網絡相比較，本文中DBN模型采用無監督訓練的方式，對輸入序列進行預訓練，在進行有監督訓練之前，網絡參數就已經靠近最優解，避免了產生局部最優。而且，多隱層的DBN模型，更有利于提取輸入序列之間的內在特征。DBN模型頂層采用有監督的BP神經網絡，對已靠近最優解的網絡參數進行誤差調優，使模型具備更高的預測準確度，也減少了有監督學習的時間。

3結束語

本文將深度學習理論應用于分布式光伏發電系統功率預測中，建立了光伏短時發電功率的深度置信網絡（DBN）預測模型，并與常用的BP神經網絡預測模型進行了性能比較，證明所搭建模型在光伏功率預測上優于BP神經網絡。所提模型通過多層次的訓練和學習，提取影響光伏發電功率的本質特征和因素，并逐層變換特征矩陣，使得原樣本的特征矩陣最終變換為更抽象的特征矩陣。在預測其他地區、其他時段的光伏發電功率時，也可以通過特征矩陣的變換適應差異化的輸入樣本，獲得良好的預測效果，使得模型的應用更具普遍性。

（編輯：商丹丹）