基于LSTM的超短期光伏發電功率預測

管軍霖，智 鑫

（桂林電子科技大學，廣西 桂林 541004）

0 引 言

隨著社會經濟的不斷發展，人們對能源的需求也在增長。然而現有的化石燃料不再能夠滿足人類社會的可持續發展要求。人們需要發現和使用更多的可再生能源。太陽能作為一種清潔友好的可再生能源，已經引起人們越來越多的關注。在過去幾十年中，太陽能的利用迅速發展，在電網中所占的比重越來越大，世界上光伏發電站的總裝機容量正以迅猛得速度增長。

光伏發電站的裝機容量逐漸增加，但是光能的利用卻不一定與之匹配。由于光伏發電的間歇性和不確定性，很難準確地預測某一時刻的發電量。如果對此不加以限制將導致發電與功耗之間的不平衡，從而損壞電網。為了減少這種危險情況的發生，保持發電的穩定性，許多發電場采用限制發電量的方法避免此種危險，這導致大量太陽能資源的浪費。實際上，人們需要在保持電網安全的同時，盡可能合理地利用光能。如果可以更準確地預測光伏發電功率，那么調度部門就可以進行合理地調度，這樣既保證電網的安全，又同時提高了光能的利用率。

1 影響光伏發電功率的因素分析

在當前的光伏發電條件下，氣象、地域等因素都會影響光伏發電的功率。此外，還可以根據光伏面板的物理參數、面積、溫度、光照幅度及轉化效率等數據建立簡單公式模型。這種建模方式比較容易但精度一般，因為無法在預測過程中考慮到所有的物理影響因素，模型原理本身就存在誤差。僅僅根據經驗公式模型得出的預測結果是不滿足電廠調度的需求的，因此需要考慮更多影響光伏發電功率的因素，建立更加復雜的模型來獲得更高精度的預測。

2 預測算法簡介

光伏發電功率預測算法是以測量或預測得到的天氣預報為基礎，結合光伏電站所處地理位置的地域特點建立預測模型，實現對未來光伏發電站輸出功率的預測。根據預測時間的長短，光伏發電功率預測分為超短期功率預測、短期功率預測及中長期功率預測，其中超短期功率預測的預測時間一般為15 min～4 h。

當前，光伏功率預測領域常用的方法包括物理方法、統計方法及機器學習方法。物理模型需要高度準確的天氣預報數據，但是光能非常不穩定，并且在短時間內表現出很強的隨機性，所以物理方法一般較少使用。統計方法是通過找出歷史數據的內在規律建立歷史數據與輸出功率的函數映射關系，進一步預測光伏發電功率的一種方法。此方法需要大量歷史的光伏電站數據作為建模基礎，所以不適用新建的光伏電站。基于機器學習的方法主要是建立數據的非線性關系，使用SVM等模型[7-8]建立非線性映射，較傳統方法具有準確率高的優點。

在過去的幾年中，研究人員已經在機器學習的基礎上開發出了強大的深度神經網絡（DNN）。DNN在時間序列預測等領域取得了巨大的成功[4-6]，在學習數據的特征表示方面能夠減少手動設計特征的數量。遞歸神經網絡（RNN）是DNN的一種，RNN具有隱藏層狀態，并將歷史數據與當前數據融合在一起，這種設計在預測時間序列的問題上有很大的優勢。但是，RNN對時間跨度小的數據具有很好的預測效果，如果時間跨度較大，則會出現梯度減小問題。為了解決這個問題，本文利用深度學習領域的LSTM模型來預測光伏發電功率，并且使用自編碼器以達到減少特征數量，提高模型的泛化能力并縮短訓練時間的效果。

3 LSTM簡介

長短期記憶網絡（Long Short Term Memory Networks，LTSM），是一種時間循環神經網絡，適用于處理和預測時間序列中間隔和延遲較長的重要事件，其結構如圖1所示。在深度學習領域中，以CNN為代表的傳統前饋神經網絡在解決分類任務方面表現優異，但無法處理信息之間復雜的時間相關性。由于LSTM的神經網絡中包含時間記憶單元，因此在時間序列預測中有應用較多。

4 LSTM在超短期光伏發電功率預測中的應用

基于LSTM預測光伏發電功率是一個熱門的研究，已有大量研究證明LSTM在時間序列預測方面可以取得較好的結果，現有文獻對我們采用LSTM進行超短期功率預測有啟發作用，但更多研究是利用歷史發電數據進行預測，本文將結合超短期光伏功率預測的特點，兼顧天氣數據與光伏板物理性質，提升LSTM網絡在本問題中的預測效果。

4.1 特征選擇

將LSTM方法應用于任何數據集以預測未知輸出值的過程包括三個一般階段：數據預處理以提取特征；訓練預測模型的同時觀察訓練數據集的驗證準確性；對測試數據集的預訓練模型進行評估。其中，先要對采集到的數據進行預處理，使其格式合適，不存在數據丟失、異常值和數據值錯誤等異常情況，并提取相關特征。

本模型使用了采集到的板溫、現場溫度、光照強度、轉換效率、轉換效率、電壓、電流、功率、平均功率、風速及風向等參數進行訓練和測試。相比于傳統的預測流程，引入了光伏發電板本身的物理狀態用于對超短期功率的預測。由于特征的加強，超短期功率預測的精度也會相應增加[1-3]。

4.2 自編碼器

自編碼器是一種全連接的神經網絡，用于學習對輸入矩陣具有最小重構誤差的低維隱藏變量。如圖2所示，自編碼器包含兩個部分：編碼器和解碼器，編碼器實現將數據從高維映射到低維，解碼器實現將數據從低維還原。編碼器可以看作是一個前饋自底向上的步驟，而解碼器可以看作是一個反饋自頂向下的生成步驟。通過自編碼器的學習，將高維度的輸入矩陣轉換為低維度的表示，同時保證重構誤差最小。利用編碼器部分的輸出作為后續模型的輸入數據，可以預先挖掘出輸入數據之間的內在關系，減小特征的維度，有利于后續LSTM模型對特征的提取。

圖1 LSTM結構

圖2 自編碼器結構

4.3 實驗結果

本次實驗使用的數據共包含8 410條光伏發電歷史數據，表1列出了其中一條數據的內容，每條數據包含11個代表光伏發電站狀態的不同特征的特征值。

表1 實驗使用的特征

仿真實驗中首先將包括發電板的物理狀態與天氣數據在內的所有特征通過自編碼器進行無監督的學習，再將自編碼器的隱藏層輸出作為LSTM網絡的輸入，最后利用LSTM網絡每隔15 min預測一次超短期功率。本次實驗在現有研究的基礎上，增加了光伏板本身物理狀態用于功率預測。圖3顯示了預測功率與實際功率的比較，二者曲線基本一致，可見合理利用光伏板物理狀態對于超短期功率預測有很大幫助。

5 結 論

圖3 超短期功率預測

本文相較于傳統的超短期光伏功率預測方法，引入了光伏板本身物理參數如電壓、電阻及電流等作為新特征用于LSTM網絡的輸入。仿真結果表示本改進的LSTM網絡在超短期光伏功率預測中表現優秀，可以為光伏電站的能源調度提供幫助，有助于提高整體光伏產量。此外，還有一些影響光伏發電功率的因素本文還沒有加入模型用于功率預測，如光伏板灰塵積累等。后續研究將針對此類因素，探究其對光伏發電效率的影響，進一步提高超短期光伏功率預測的準確率。