基于Attention-LSTM的分布式光伏超短期發電功率預測

李新軍 趙 猛 王洪勉 陳博峰 李勝明

（北京智芯微電子科技有限公司，北京 100096）

0 引言

根據開發方式的不同，可以將光伏發電分為集中式和分布式。由于分布式光伏具有安裝靈活、可就地消納等優點，因此得到了廣泛應用。大規模分布式光伏接入配電網，增加了電網負荷的波動性，給電力系統的合理調度帶來了嚴峻挑戰。準確的分布式光伏超短期功率預測對支撐電網的實時調度、保證實時供需平衡具有重要意義。

然而，現有的研究大多聚焦于集中式光伏，分布式光伏并不具備集中式光伏的氣象數據條件，因此不能直接將集中式光伏預測方法套用于分布式光伏。考慮分布式光伏場站大多處于相同或相似的外部條件下，各場站出力間存在強時空相關性。因此，充分挖掘場站間的時空相關性有利于進一步提高分布式光伏發電功率預測精度。因此，該文提出了一種基于Attention-LSTM 的分布式光伏超短期功率預測方法。首先，將目標場站與鄰近場站的出力數據作為模型的輸入，利用長短期記憶神經網絡提取各場站的時間特征。其次，利用Attention 機制動態挖掘各場站出力時間特征對目標場站出力的影響程度，并對多場站時間特征進行重構。最后，利用鄰近場站出力數據代替外部氣象數據，提高目標場站的功率預測精度。

1 長短期記憶神經網絡

長短期記憶神經網絡（Long Short Term Memory， LSTM）是循環神經網絡（Recurrent Neural Network， RNN） 的一種特殊變體，適合處理和預測時間序列中間隔和延遲相對較長的重要事件。……