基于氣象因素充分挖掘的BiLSTM光伏發(fā)電短期功率預(yù)測①

徐先峰,劉阿慧,陳雨露,蔡路路

(長安大學(xué) 電子與控制工程學(xué)院,西安 710064)

引言

太陽能作為環(huán)境友好型的可再生能源,應(yīng)用前景一片明朗[1].因此,利用太陽能發(fā)電的光伏技術(shù)已成為我國應(yīng)對世界能源危機和經(jīng)濟發(fā)展新形勢的戰(zhàn)略新興產(chǎn)業(yè).據(jù)統(tǒng)計,2018年,光伏發(fā)電躍居成為我國第四大主力電源,共發(fā)電1775億千瓦時,同比增長50%,居世界首位[2].然而,光伏發(fā)電的輸出功率受多種氣象因素影響,表現(xiàn)出明顯的間歇性、隨機性和波動性,進而嚴重影響與其連接的電網(wǎng)穩(wěn)定性[3].為確保光伏功率預(yù)測系統(tǒng)的預(yù)測精度,有效的光伏發(fā)電功率預(yù)測方法在電力生產(chǎn)方面占有舉足輕重的地位[4].

現(xiàn)存的光伏發(fā)電功率預(yù)測方法,總體可歸納為兩類[5]:基于物理模型的間接預(yù)測法和基于歷史數(shù)據(jù)的直接預(yù)測法.后者因無需預(yù)測光照幅度,建模簡單、預(yù)測成本較低,而得到大量應(yīng)用.主要包括多元線性回歸[6]、支持向量機[7](Support Vector Machine,SVM)和人工神經(jīng)網(wǎng)絡(luò)法 (Artificial Neural Network,ANN)[8].相對于傳統(tǒng)的預(yù)測算法,人工神經(jīng)網(wǎng)絡(luò)具有良好的容錯性,泛化能力好,適于擬合復(fù)雜的非線性關(guān)系,應(yīng)用領(lǐng)域廣泛.其中,文獻[9]運用LSTM 單一模型預(yù)測,模型簡單,精度一般;文獻[10]建立基于DBN的短期光伏出力預(yù)測模型,達到較高精度的預(yù)測效果,但其輸入變量的遴選是直接選取的,即未考慮除光照強度、溫度等相關(guān)性較強因素以外的氣象因子對輸出功率的影響;文獻[11]對不同發(fā)電站的輸出功率進行預(yù)測時采用主成分分析法,預(yù)測準確度因氣象因素的進一步利用得到了提高,但是只是主觀上突出主要矛盾,規(guī)避次要因素的影響,相對缺乏客觀實驗結(jié)果支持.可見,現(xiàn)有方法抑或不考慮氣象因素對光伏出力的影響;抑或主觀采用僅反映預(yù)測對象某一或某幾方面顯著特征的方法進行預(yù)測,導(dǎo)致未能對多元氣象因素進行充分挖掘、有效利用;再者因氣象因素充分挖掘工作復(fù)雜等原因而將所有影響因素未加選擇地全部作為預(yù)測模型的輸入,未剔除相關(guān)性極小、甚至不相關(guān)因素,使得訓(xùn)練時間過長、預(yù)測精度不高.

為了充分挖掘氣象因素對光伏出力的影響,有效利用深度學(xué)習(xí)技術(shù)在非線性擬合方面的優(yōu)勢,并穩(wěn)定發(fā)揮復(fù)合模型強大的建模能力和顯著的預(yù)測能力,本文提出一種基于氣象因素充分挖掘的BiLSTM網(wǎng)絡(luò)的光伏發(fā)電短期功率預(yù)測方法.在KNN算法的遴選機制下,采用馬氏距離衡量各因素與發(fā)電數(shù)據(jù)之間的相關(guān)性,篩選出與輸出相關(guān)性最強的K個氣象因素,按序排列,優(yōu)化樣本.將重新構(gòu)建的氣象因素數(shù)據(jù)序列與歷史發(fā)電功率作為BiLSTM預(yù)測模型的輸入,訓(xùn)練并建立與出力值之間的映射關(guān)系,并以誤差最小時對應(yīng)的K值的預(yù)測結(jié)果作為最終的預(yù)測值.從而達到氣象因素的充分挖掘,高效利用,進而提高預(yù)測精度的目的.基于實測數(shù)據(jù)的實驗結(jié)果及對比結(jié)果表明,該方法具有高效的氣象因素利用率、優(yōu)渥的預(yù)測準確率,是一種有效的光伏發(fā)電功率預(yù)測途徑.

1 KNN-BiLSTM光伏發(fā)電短期功率預(yù)測方法

本文所提的KNN-BiLSTM光伏短期功率預(yù)測方法,先利用KNN算法對原始氣象數(shù)據(jù)進行相關(guān)性篩選,生成按與光伏發(fā)電功率相關(guān)性強弱排列的全新數(shù)據(jù)集;然后,將此數(shù)據(jù)集與歷史發(fā)電功率一同作為BiLSTM的輸入,依據(jù)評價指標,得出最佳K值的預(yù)測結(jié)果.圖1為模型圖.其中,擬采用的理論知識介紹如下.

圖1 預(yù)測方法模型圖

1.1 基于KNN的關(guān)鍵氣象因素遴選模塊

為充分挖掘氣象因素對光伏功率的影響程度,因KNN算法具備強大的相似度問題處理能力,故采用KNN 構(gòu)建關(guān)鍵氣象因素遴選模塊.其核心思想為:對于由氣象數(shù)據(jù)及歷史發(fā)電量構(gòu)成的測試樣本,從中選取目標光伏發(fā)電功率為參照樣本,基于距離度量找出訓(xùn)練集中與參照樣本最靠近的k個樣本,然后綜合參照樣本及這k個“鄰居”信息來進行預(yù)測.結(jié)合影響光伏發(fā)電氣象因素的特點,在眾多距離度量方法中,鑒于馬氏距離具有獨立于測量尺度,不受坐標之間量綱影響的特性,采用馬氏距離來衡量待選取特征與發(fā)電功率之間的相關(guān)程度.其具體計算公式為:

式中,x0為光伏發(fā)電輸出功率值,xi為數(shù)據(jù)集中第i個氣象因素的檢測值.

1.2 BiLSTM模塊

BiLSTM,即雙向長短期記憶神經(jīng)網(wǎng)絡(luò),用其構(gòu)建的預(yù)測模型具有良好的適應(yīng)性,可以高效快速利用氣象因素和歷史發(fā)電功率數(shù)據(jù),表現(xiàn)出卓越的光伏發(fā)電功率預(yù)測能力[12].

BiLSTM由正、反向LSTM結(jié)合形成,可對時間序列實現(xiàn)向前和向后兩次LSTM訓(xùn)練,進一步提高特征提取的全局性和完整性.LSTM,即長短期記憶網(wǎng)絡(luò),在普通循環(huán)神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上,通過加入的“門”結(jié)構(gòu)(即遺忘門、輸入門和輸出門),顯著改善了傳統(tǒng)RNN存在的梯度消失、梯度爆炸以及長期記憶不足等問題,從而有效控制信息的流動量,學(xué)習(xí)到準確的長期依賴關(guān)系.因此,在處理時間序列的預(yù)測和分類問題中被廣泛應(yīng)用[13].其結(jié)構(gòu)如圖2所示.

LSTM中信息的傳遞須經(jīng)過以下3個過程.

圖2 LSTM模型結(jié)構(gòu)

(1)信號的取舍.遺忘門將LSTM在上一時刻隱藏層的輸出h(t-1)和當前的輸入x(t)連接,在激勵函數(shù)Sigmoid的激勵下使輸出值在[0,1]之間,決定是否讓上一時刻所學(xué)信息C(t-1)通過或部分通過.0表示全部舍棄,1表示全部保留.具體公式如下:

式中,Wf為權(quán)重,ft為隱含層的輸出.

(2)信號的更新.該環(huán)節(jié)包括3部分:首先是輸入門通過Sigmoid層決定用于更新的信息o(t),然后利用tanh生成新的候選值i(t),最后將這兩部分產(chǎn)生的值結(jié)合后進行信息的更新.具體公式如下:

(3)信號的輸出.首先通過Sigmoid層得到一個初始輸出o(t),然后使用tanh 將其值縮放,再將處理后的值與Sigmoid層的輸出逐對相乘,最終得到模型的輸出h(t).具體表達式如下:

若記t時刻正向LSTM輸出的隱藏狀態(tài)為ht1,反向LSTM輸出的隱藏狀態(tài)為ht2,則BiLSTM輸出的隱藏狀態(tài)ht:ht=ht1⊕ht2.

1.3 可能影響光伏輸出功率的氣象因素

光伏輸出功率與太陽輻射強度、溫度、濕度和風(fēng)況等因素息息相關(guān),但影響程度存在差異[14].然而實際中影響光伏發(fā)電功率的氣象因素不止于此.列舉本文中研究的可能影響光伏出力的氣象因素如表1所示.

表1 氣象因素列表

1.4 預(yù)測算法實現(xiàn)流程

依據(jù)BiLSTM神經(jīng)網(wǎng)絡(luò)在時序數(shù)據(jù)分析中強大的適應(yīng)性,與KNN算法相結(jié)合,構(gòu)建光伏出力短期預(yù)測模型,確定參數(shù)并進行訓(xùn)練測試,得出預(yù)測結(jié)果.預(yù)測流程圖如圖3所示.

圖3 預(yù)測模型流程圖

2 算例分析

為驗證本算法的科學(xué)性和實用性,本文實驗在Tensorflow1.8.0、Python3.6的運行環(huán)境下,并以某地區(qū)2010年1月1日到2010年12月31日的525 576光伏發(fā)電功率和氣象數(shù)據(jù)為依托進行驗證.數(shù)據(jù)采集周期為1分鐘,除記錄發(fā)電功率值外,每條歷史數(shù)據(jù)還包括時刻、氣溫、濕度等信息.最后與經(jīng)典的KNN預(yù)測模型[15]、BiLSTM網(wǎng)絡(luò)模型、DBN預(yù)測模型[10]、以及PCA-LSTM預(yù)測結(jié)果[11]進行對比分析.

2.1 訓(xùn)練集和測試集劃分

以2010年1月1日至2010年11月30日光伏發(fā)電數(shù)據(jù)及氣象數(shù)據(jù)為訓(xùn)練集,以2010年12月1日至31日數(shù)據(jù)作為測試數(shù)據(jù)集用于驗證模型的有效性.

2.2 性能評測指標

為了準確評估各類模型的預(yù)測效果,本文選用了3個評價指標,分別為:均方誤差(MSE)、均方根誤差(RMSE)、決定系數(shù)R2.各評價指標的表達式如下:

式中,yi實際光伏發(fā)電功率,為預(yù)測發(fā)電功率,為真實發(fā)光功率的平均值,N為測試集的大小.其中,MSE、RMSE的值越小,R2越接近1,表征模型的預(yù)測能力越好.

2.3 BiLSTM超參數(shù)確定

本文所提預(yù)測方法依附于BiLSTM模型強大的“記憶”功能,故該模型參數(shù)的設(shè)置是實現(xiàn)高預(yù)測準確度的前提.文獻[16]指出,LSTM 主要由以下參數(shù)確定:輸入層維數(shù)、輸出層維數(shù)、輸入層時間步長、模型的層數(shù)以及每層維數(shù),BiLSTM亦然.其中,輸入層維數(shù)即輸入變量的個數(shù),則該值等于每次輸入BiLSTM模型的氣象因素個數(shù)加1;輸出層數(shù)值為1.輸入層時間步長、模型的層數(shù)以及每層維數(shù)3項參數(shù)將通過控制變量法進行逐步調(diào)優(yōu),得出相應(yīng)數(shù)值.

(1)輸入層時間步長

輸入層時間步長即用于預(yù)測當前時刻光伏出力的輸入?yún)?shù)的長度.若該值過小,則不能充分發(fā)揮BiLSTM在解決時間序列長期依賴問題中的優(yōu)勢;反之,則因隱含層信息容量有限導(dǎo)致訓(xùn)練時間過長,準確率降低.圖4為輸入層時間步長對預(yù)測準確度的影響.由RMSE及R2結(jié)果可得,當輸入時間步長為6時,預(yù)測效果最好.其含義為該分鐘的光伏出力由前6分鐘的氣象數(shù)據(jù)和發(fā)電數(shù)據(jù)預(yù)測得出.

圖4 不同時間步長下的預(yù)測結(jié)果

(2)模型的層數(shù)以及每層維數(shù)

模型的層數(shù)以及每層維數(shù)的選取對于最終的預(yù)測精度有直接影響.模型的層數(shù)越多,非線性擬合能力越強,但復(fù)雜度也會隨之增加.確定模型的層數(shù)及其維數(shù)時,按以下實驗步驟進行:第1步,確定單層模型時維數(shù)的最佳值并將其固定;第2步,增加一層隱藏層,并在第一步基礎(chǔ)之上確定該層最佳維數(shù);以此類推,預(yù)測誤差最小時所對應(yīng)的層數(shù)及其維數(shù)為模型最終參數(shù).實驗結(jié)果如圖5所示.

圖5 不同層參數(shù)下的預(yù)測結(jié)果

實驗表明:模型的層數(shù)為2,維數(shù)分別為50、40時,BiLSTM模型預(yù)測性能最佳.最終BiLSTM模型相關(guān)參數(shù)設(shè)置如表2所示.

表2 相關(guān)參數(shù)設(shè)置

2.4 實驗結(jié)果及分析

采用KNN方法實現(xiàn)影響光伏出力氣象因素的遴選,達到高效利用相關(guān)因子提高預(yù)測準確度的目的.K值不同即選取的相關(guān)氣象因素個數(shù)不同,將不同K值下選取的因子及訓(xùn)練結(jié)果記錄如下.表3為不同K值遴選出的氣象因素,表4給出了不同K值時的預(yù)測誤差.

表3 不同K值遴選出的氣象因素

表4 不同K值所得實驗結(jié)果

由以上結(jié)果可得,當K=1時,選取的氣象因素為THSW指數(shù),即溫度、濕度、輻射、風(fēng)4個參數(shù)綜合起來的參數(shù).在該數(shù)據(jù)集所有的氣象因素中,僅此特征含有與光伏發(fā)電功率相關(guān)性最強的因素——太陽輻射強度,則實驗結(jié)果與1.3 中進行的理論分析完全吻合,再次驗證該算法的準確性;當K=2時,選取的氣象因素為THSW指數(shù)和Temp_Out(外界溫度)項,可見溫度是影響光伏發(fā)電的另一個重要因素;當K=10時,預(yù)測效果最佳,此時R2的值可高達0.981 37,說明合理高效利用氣象因素對光伏出力的影響,有助于預(yù)測精度的提高:遴選出影響光伏發(fā)電功率相關(guān)性較強的氣象因素作為輸入,剔除相關(guān)性較弱的因子,實現(xiàn)光伏發(fā)電功率與氣象影響因子關(guān)聯(lián)關(guān)系研究的基礎(chǔ)上,預(yù)測準確度也因此得以提高.結(jié)果顯示,是否降雨、降雨量大小、以及氣壓與光伏出力相關(guān)性較弱,加入上述因素作為輸入結(jié)果未升反降,為得到最佳預(yù)測結(jié)果,最終確定除此之外的10項氣象因素為影響光伏出力的關(guān)鍵因素.

同時,本文利用KNN-BiLSTM方法得到的預(yù)測值與其實際值進行對比,如圖6所示.圖中,紅色實線為預(yù)測功率,藍色實線為實際功率.

圖6 KNN-BiLSTM 仿真結(jié)果

2.5 對比試驗

為了驗證KNN-BiLSTM的有效性,與KNN、DBN、BiLSTM、PCA-LSTM相比,以完成對模型的評估工作,性能指標對比如表5,預(yù)測結(jié)果如圖7.可見,采用任一指標衡量,本文提出的算法均具有最佳性能.再結(jié)合圖7,可以看出DBN、KNN預(yù)測精度一般,在發(fā)電量峰值谷值均有較大偏差.而BiLSTM、PCALSTM 雖預(yù)測精度有所提高,但輸出功率出現(xiàn)波動時偏差較大.所以,各項誤差均有明顯改善,優(yōu)于其他模型.

表5 各算法性能指標對比表

圖7 各算法仿真結(jié)果對比圖

3 結(jié)論

本文采用KNN-BiLSTM方法通過歷史光伏發(fā)電功率、氣象因素作為輸入,預(yù)測光伏出力,可得結(jié)論:

1)該方法有效解決了氣象因素挖掘不深入、利用率不高等問題,實現(xiàn)了充分挖掘氣象因素對光伏出力的影響,達到提高預(yù)測精度的目的.2)該方法考慮發(fā)電數(shù)據(jù)的時序性,選擇BiLSTM作為模型的核心算法,結(jié)果表明,與KNN、BiLSTM預(yù)測模型相比,預(yù)測效果有較大提升;與DBN 及PCA-LSTM相比,具有更好的預(yù)測性能,預(yù)測誤差更小,準確度更高.