基于Att-LSTM的光伏出力的超短期預測

辛浩淼，李 冶，鄒 巍，李保國

（廣東電網有限責任公司江門供電局，廣東 江門 529000）

0 引 言

隨著全球能源問題愈發嚴重，清潔能源比例不斷上升，對于光伏發電出力預測也越來越重要。風光出力預測的影響因素非常多，因此想要準確預測并部署，需要篩選合適的影響變量。環境溫度、濕度以及當天的氣象都會對光伏出力預測造成影響，如果預測結果不準確，極有可能對電網規劃造成困擾，甚至嚴重情況下會造成整個電網的崩潰[1,2]。

光伏出力預測方法現在主要分為2種：傳統的數學建模預測與現代的人工智能算法預測。傳統的方法主要是依靠相關的物理信息，如天氣數值、衛星監測數據等，采用數學傳統的回歸方法來進行回歸預測。但上述方法的輸入參量太少，且計算非常復雜，現在流行的人工智能算法可以解決上述問題。通過深度學習算法，可以同時考慮多個參量的影響，預測效果非常契合光伏出力的不確定性[3,4]。本文首先基于互信息熵,確定影響光伏發電出力的相關影響變量。將上述影響較大的數據作為整個模型的輸入，并放入Att-LSTM模型中進行訓練。最終通過與其他算法進行比較，驗證了本文提出算法的有效性與準確性。

1 訓練模型原理

1.1 長短期記憶網絡

長短期記憶網絡（Long Short-Term Memory，LSTM）是目前機器學習、人工智能領域應用比較廣泛的一種深度學習算法。其是由循環神經網絡（Recurrent Neural Network，RNN）變種而來，可以解決RNN算法中梯度爆炸的問題，且針對時序數據具有很好的處理效果。LSTM網絡結構如圖1所示。

圖1 LSTM網絡結構

在RNN模型的基礎上，LSTM在短期記憶單元ht上加入了ct來保證長期記憶，除此之外，在原有模型基礎上還加入了3個門控模塊。在固定時間步長t下，將各個層變量組成一個5維向量，計算公式為

式中：xt為模型輸入；σ為sigmoid激活函數；w和b分別為權重系數矩陣和偏置；ht為短期記憶單元；ct為長期記憶單元；it為門控制模塊中的輸入門；ft為遺忘門；ot為輸出門。

1.2 注意力機制

當一個深度學習的神經網絡模型接收了大量的輸入維度時，整個模型的計算性能就會降低，為了保留對輸出影響較大的輸出變量，采用注意力機制可以將模型的計算重點放在對輸出影響較大的輸入上，計算公式為

式中：s(xt,q)為得分函數；xt為輸入；q為查詢向量；αi為注意力分布值系數；W為權重系數矩陣；softmax(·)為激活函數；a為加權平均值。圖2為其機制示意圖。

圖2 注意力機制結構圖

2 仿真驗證

2.1 數據處理

本文選取歷史光伏出力、輻射度、溫度、云量、風速以及濕度等作為模型的輸入。首先通過互信息熵選擇相關性的變量，得到結果如表1所示。

表1 氣象因素和光伏功率的MIE相關系數

本文選擇0.6作為閾值確定變量，選取輻照度、溫度與濕度為輸入參量。

本文數據來自澳大利亞布里斯班昆士蘭大學公布的公開數據，是該地區2012—2013年一整年每天24 h和每1 min的詳細數據。

本文對上述數據進行預處理，選取前15 min的每一個數據的平均值作為結果，以此來降低計算量，提高模型性能。

2.2 仿真結果

晴天預測結果如圖 4 所示，陰天預測結果如圖 5所示，天氣波動較強下預測結果如圖 6 所示。

圖4 天晴日光伏功率確定性預測

圖5 陰雨天光伏功率確定性預測

圖6 天氣劇烈變化日光伏功率確定性預測

在晴天條件下，光伏出力變化較為平穩，波動性較低。在陰天條件下，光伏出力變化較大，波動性更強。一個模型的好壞取決于在天氣劇烈變化下的預測效果，本文算法較BiLSTM與CNN相比較具有更好的預測效果。

2.3 算法比較

算法比較如表2所示。在晴天條件下，本文算法較另外2種具有更高的精度，預測的誤差值更小；在陰天條件下，雖然都發生了波動，但是本文算較另外2種波動幅度較小，且精確度和誤差值都更小；在負載波動條件下，本文算法同樣保持了高精度、低誤差的特點。由此可以看出，本文算法在上述各種條件下均具有良好的預測效果。

表2 算法比較

3 結 論

本文方法首先利用互信息熵，選取對光伏出力影響較大的大參量作為輸入參量，其次將該輸入參量放入加入了注意力機制的長短期記憶網絡模型中進行訓練，將晴天、陰天和復雜天氣變動下3種情況的預測結果與另外2種算法（CNN和BiLSTM）進行比較。經過仿真結果驗證，本文算法在任意天氣條件下均有較高的精度與低誤差，驗證了本文提出算法的有效性。