基于LSTM神經網絡的光伏發電功率預測分析

浙江浙能嘉華發電有限公司 劉 剛 韋向忠 南京朗儀物聯網技術有限公司 金心竹

光伏功率的主要特點為間歇性、波動性，太陽能的大規模開發會導致電網存在挑戰。所以，通過光伏發電可靠預測的方法避免出現棄光問題。傳統功率預測模型要求使用大量神經元，擬合結果敏感。

本文針對以上問題，以及目前光伏發電功率預測技術中提取特征不充分、沒有考慮氣象因素等問題，提出了將LSTM 神經網絡作為基礎的光伏發電功率預測方法。通過設計LSTM 神經網絡模型，對神經網絡模型進行合理優化，實現組合功率預測方法的創建，從而對光伏功率進行預測。通過仿真結果表示，本文預測模型在日類型天氣為晴朗天氣的時候具有良好的預測結果，對比傳統方法的精度提高了13%[1]。

1 LSTM 神經網絡模型的設計

LSTM 網絡是指RNN 網絡的改進結構，通過設計特殊結構解決長時間記憶能力梯度消失的情況，處理時間序列預測問題，神經網絡細胞典型結構詳見圖1。

圖1 LSTM 神經網絡細胞典型結構

圖1中的神經網絡結構：h=[h1,h2,h3,...,hT]，t 時間相應輸出指的是ht，x=[x1,x2,x3,...,xT]，時間步長通過T 表示，t 時間的輸入通過xt表示，指的是t 時間記憶細胞狀態。LSTM 記憶單元指的是細胞狀態，對所有狀態的信息進行保存。

遺忘門和遺忘階段：遺忘門決定要通過細胞狀態中對什么信息遺忘，讀取ht-1與x，通過sigmoid函數處理，決定細胞狀態上個時間信息被遺忘比例，計算公式為：ft=σ(wf[ht-1,xt]+br)，公式中的權重矩陣通過Wf表示，br為偏置向量。

輸入門和選擇記憶階段：記憶選擇是指將選擇性記憶進行輸入，篩選重要信息，輸入當前的狀態。在此狀態下，對x 圖與ht-1進行讀取，通過sigmoid函數確定新記憶，實現記憶細胞狀態ct比例的寫入，通過以下公式表示，公式中的權重矩陣表示Wi，Wc為tanh 層權重矩陣，偏置向量表示為bi，bc是指tanh 層偏置向量，tanh 是指雙曲正切函數：

輸出門和輸出階段。通過sigmoid 函數計算輸出層細胞狀態的輸出比例，乘以激活后細胞狀態得到輸出結果，計算公式為：

公式中的Wo指的是輸出門權重矩陣，bo是指偏置向量[2]。

2 光伏發電功率預測的主成分分析

2.1 光伏功率輸出的影響因素

光伏發電功率的波動性、隨機性比較大，使預測難度得到增加。對光伏發電功率影響的因素比較多，主要包括兩種：其一，因為電氣零件老化、內部損耗、參數設置與安裝角度等內部因素導致；其二，因為太陽輻射強度、風速、溫度和季節特性等外部因素導致。因為出廠時光伏電池已經進行檢測，根據國家標準執行使用年限和安裝角度。

本文可控常量為光伏電站的內部因素，使太陽輻射因素、天氣類型和環境溫度等作為影響光伏發電功率的主要因素。為了對模型預測結果精準性保證，在光伏發電功率預測模型設計過程中要充分考慮氣象因素的影響。但是因為氣象因素影響的強度不同，輸入過多的強度影響低的氣象因素會增加數據冗余，對預測結果是非常不利的。

單純是某氣象因素和光伏發電功率得相關性分析，會泄露氣象因素隱含價值信息。以此表示，使用PCA 處理主要影響因素，能夠對有價值的信息進行提取，對預測精度進行保證，降低輸入變量維度，節約運算的時間[3]。

2.2 主成分分析

PPCA 能夠使m 維空間中的因素群在p 微空間（p＜m）中投影，在具備原始數據信息的時候降低因素整合重構維度數據，計算步驟如下：

定義元素矩陣X=(x1,x2,...,xm)通過m 個因素和n 組樣本數構成，X 原始矩陣表示為：

原始矩陣中的變量xi和xj相關系數rij(i,j=1,2,...,m)與相關系數矩陣R 計算公式為：

公式中xsi和xsj指的是第s 行元素。

利用相應系數矩陣R 特征方程計算m 個特征根λ1,λ2,...,λm和單位特征項向量e1,e2,...em，實現累計貢獻率閾值a 設置，那么閾值中前p 個成分就是主成分。特征根的特征方程表達公式為：|R-λpI|=0，公式中的I 指的是單位向量。累計貢獻率閾值表達公式為，公式中的λj表示特征根。

使初始樣本數據序列在p 個特征向量所創建新序列進行投影，此新序列主成分表達公式為：Yij=xiTej(j=1,2,...,p)，公式中的Yij指的是降維之后p 維主成分，ej指的是特征向量。

累計貢獻率閾值a 取值以原始數據維數和降維之后試驗精度需求進行確定，因為降維之后數據矩陣包括原始數據大部分的信息，還具備降維作用。所以，本文使用累計貢獻率的降維參考維度為85～95%。主成分表征數據在新維度中轉換的維度信息，和初始各維度原始變量物理含義并不對應[4]。

3 光伏發電功率預測模型的設計

深度學習問題要尋找神經網絡的最小損失函數點，通過優化算法對輸出網絡、模型訓練的影響進行計算，和最優值接近，尋找最小損失點，得到模型的精準度。通過PMSProp 算法對LSTM 網絡進行優化，根據累計平方梯度實現迭代，迭代之后具有較大的梯度權重，利用模型丟棄梯度，對收斂速度得到加快。使用算法對學習速度進行動態調整，利用衰減系數控制模型計算累積平臺梯度，得到歷史信息，算法過程為：

其一，計算梯度g，權值Nabla 算子為Δw，訓練樣本數為m，公式為：y(i))；其二，對累積平方梯度r 計算：r=ρr(1-ρ)g·g，公式中ρ 指的是衰減速率；其三，對權值更新計算：，公式中的δ 指的是接近于0的極小數，ε 指的是學習速率；其四，更新權值：w=w+Δw。

通過以上算法實現光伏發電功率預測模型的設計，本文所提出的改進LSTM 網絡光伏發電預測模型進行樣本訓練，訓練后將輸入輸入到模型中實現預測。在預測模型訓練時實現參數和誤差的更新，在迭代時進行計算，一般在高性能計算機中實現模型訓練，或者通過云計算的計算能力在云服務器中部署模型，快速得出訓練模型。之后，使模型在一般計算機中移植并且預測[5]，模型整體流程詳見圖2。

圖2 模型的整體流程

4 算例分析

針對某光伏電站2020年5月～8月四個月的歷史統計數據進行計算，將每天早晨6點到下午7點作為樣本數量。另外，通過相似日指標劃分日類型相似天數，統計日類型為晴天天數一共80天、霧霾天氣共5天、多云天氣共20天、陰雨天氣共15天。為了對各影響因素相互關系進行驗證，創建相應預測模型、兩個對比模型開展分析，各個預測模型如下：

其一，預測模型。光伏影響因素對太陽輻射強度、溫度、濕度、日類型的影響進行考慮；其二，對比模型1。光伏影響因素包括太陽輻射強度、溫度和日類型等；其三，對比模型2。光伏影響因素包括太陽輻射強度、濕度、日類型和溫度等。通過三種預測模型計算預測結果，圖3為預測結果和對比情況。

圖3 預測結果和對比情況

通過圖3可以看出，晴天時光伏功率預測結果是最佳的。三種預測模型對于預測結果的適應性良好，主要是因為晴天的光伏功率影響因素相同、數據波動比較小，從而提高預測輸入信息的平滑性，預測結果良好。另外就是多云天氣，要充分考慮日類型對預測結果的影響，對預測結果一致性進行保證。其他預測結果比較差，是因為光伏預測時的影響因子會受到多種因素的影響，包括云層、降雨量和霧霾等，使預測模型巡游能力得到降低，影響光伏功率預測的結果精度。

為了對各天氣中不同預測模型適應性進行分析，利用光伏功率預測評價模型適應性，不同預測模型的預測誤差指標詳見表1。通過表1可以看出來，預測模型的預測效果良好，不同日類型的預測模型光伏預測結果具有不同的偏差。但是存在相同變化規律數據時候的晴朗天氣，預測結果良好[6]。

表1 不同預測模型預測誤差的指標分布

5 結語

本文分析了光伏功率預測技術，對基于優化LSTM 算法的光伏發電預測模型進行設計，針對實際工程數據，對本文方法在不同天氣類型中的精準功率預測進行分析。通過測試結果顯示，天氣類型存在明顯變化，日預測中的模型預測精度改善比較明顯。