基于殘差-密集連接-雙向長短期記憶融合網絡的光伏出力短期預測

柳 杰，練小林，黃 冬，李曉露，陳楚靚

(1. 國網上海市電力公司長興供電公司，上海 201913； 2. 上海電力大學 電氣工程學院，上海 200093)

光伏系統的輸出功率受太陽輻射、溫度、濕度等諸多氣象因素影響而具有顯著的間歇性、波動性和不確定性，然而光伏出力預測的準確性對電力調度運行、發電計劃安排極為重要。隨著分布式光伏在配電網的高比例滲透，光伏出力預測的準確性將極大影響配電網運行的穩定性、可靠性和經濟性。

目前常用的光伏出力預測方法分為物理方法、統計方法、人工智能方法，以及這些方法的混合[1-2]。物理方法主要有全天空圖像預測方法、數值天氣預報方法和衛星圖像預測方法[1-3]。在天氣條件穩定的情況下，物理模型的準確性較高，但模型性能極易受到氣象變化的影響。統計方法則基于歷史數據通過將待預測的功率輸出與歷史功率數據相關聯來預測光伏出力，其應用比物理模型更為廣泛，典型的有自回歸滑動平均法(ARMA)、時間序列分析方法等[4-5]。隨著人工智能技術的快速發展，強大的自主學習能力使其在短期光伏出力預測方面受到廣泛關注，如反向傳播(BP)神經網絡[6-7]、卷積神經網絡[8]、長短期記憶網絡(Long Short-Term Memory，簡稱LSTM)[11-14]、時間卷積網絡[15]、生成對抗網絡以及基于幾種神經網絡的混合方法[16-17]。其中，基于LSTM[13]的模型可有效捕捉時間序列的長期依賴關系，具有更好的新能源發電出力短期預測性能[11-14]。

在理論上，增加LSTM網絡堆疊的層數，網絡可進行更加復雜的特征模式提取，預測的準確性也可相應提高。然而，深層網絡存在著梯度消失或者爆炸的問題，導致模型層數越多，訓練越難以收斂。

為解決梯度消失或梯度爆炸以及退化問題，有學者提出了殘差網絡結構(ResNet)[18]、稠密連接網絡結構(DenseNet)[19]。ResNet模型的核心是通過建立前面層與后面層之間的“短路連接”，實現訓練過程中梯度的反向傳播，從而訓練出更深層的網絡。DenseNet的提出，同樣是為了解決深層網絡梯度退化的問題。DenseNet通過建立前面所有層與后面層的密集連接，直接連接不同層的特征，實現特征重用。DenseNet可極大降低網絡參數的數據，并通過特征重用避免過多的冗余特征。ResNet和DenseNet也廣泛用于構建深層的時間序列預測模型。文獻[20-23]將LSTM與ResNet、DenseNet進行組合，希望使用ResNet、DenseNet獲取空間特征或局部特征，使用LSTM獲取序列特征。

對于同時依賴前后信息的時間序列，雙向長短期記憶網絡(Bidirectional LSTM，簡稱BiLSTM)有著更好的預測效果。文獻[22]提出基于BiLSTM的密集連接網絡進行超短期風電出力預測，采用長BiLSTM、短BiLSTM并聯的方式來分別學習長期趨勢和短期趨勢，實現了對新能源出力峰值的更準確預測。

這些研究表明，基于深層網絡的深度學習對于時間序列預測準確度的提高十分有效，眾多研究也針對準確度提升來設計預測模型的網絡結構。為此，本文提出殘差、密集連接、雙向長短時記憶融合的網絡結構，綜合ResNet、DenseNet以及Bi-LSTM的特點，進行光伏出力的短期預測。

1 光伏出力短期預測模型結構

本文結合BiLSTM、ResNet、DenseNet在時間序列數據預測上的特點，設計了基于Res-Dense-BiLSTM融合網絡(Integrated ResNet-DenseNet-BiLSTM Network，簡稱IRD-BiLSTM)的光伏出力短期預測模型。下面對IRD-BiLSTM中關鍵結構塊以及總體結構進行詳細闡述。

1.1 雙向長短期記憶網絡的結構

長短期記憶網絡(LSTM)[24]是為了解決一般的循環神經網絡(RNN)存在的長期依賴問題而專門設計出來的，由t時刻的輸入、單元狀態、臨時單元狀態、隱藏狀態、遺忘門、記憶門、輸出門組成，其結構如圖1所示。

LSTM適合處理和預測時間序列中間隔和延遲非常長的重要事件。STM的輸出表達式為

it=φ(WxiXt+WHiht-1+bi)

(1)

ft=φ(WxfXt+WHfht-1+bf)

(2)

ot=φ(WxoXt+WHoht-1+bo)

(3)

ct=ft°Ct-1+it。tanh(WxcXt+WHcht-1+bc)

(4)

ht=ot。tanh(ct)

(5)

(6)

式中φ——Sigmoid函數；tanh——雙曲正切函數；W——權重；bi，f，o，c——輸入、遺忘、輸出門和單元的偏差；Xt——層的輸入；ht——層的輸出；°——兩個向量的逐項乘積。

BiLSTM的思想來自于雙向循環神經網絡(RNN)，數據序列用兩個隱藏層進行前向和反向處理。BiLSTM由前向LSTM與后向LSTM組合而成，通過雙向的學習提高傳統時間循環網絡的準確率。BiLSTM的結構如圖2所示。

BiLSTM的輸出表達式為

htBD=concat(ht，ht′)

(7)

式中htBD——BiLSTM的隱藏狀態；ht——前向LSTM的隱藏狀態；ht′——后向LSTM的隱藏狀態。

1.2 IRD-BiLSTM的殘差塊結構

依據ResNet[18]的思想，本文設計了如圖3所示的殘差塊結構IRD-ResBlock。IRD-ResBlock通過短路機制進行殘差學習，輸出的表達式：

H(X)=F(X)+X

(8)

1.3 IRD-BiLSTM的密集連接塊結構

IRD-BiLSTM的密集連接塊結構如圖4所示，命名為IRD-DenseBlock。在這個DenseBlock中，拼接(Concat)層將本DenseBlock的輸入、IRD-ResBlock的輸出、IRD-ResBlock輸出的1×1卷積進行拼接。IRD-DenseBlock的輸出表達式：

X=H(H0，X1，X2)

(9)

1.4 IRD-BiLSTM的總體結構

本文將IRD-ResBlock及IRD-DenseBlock進行堆疊以獲得深層網絡IRD-BiLSTM，其總體結構如圖5所示。

由圖5顯示，該結構中，每一層將稠密連接子網與殘差子網進行并聯，兩個子網的輸出進行拼接。其中，稠密連接子網為短IRD-DenseBlock與長IRD-DenseBlock進行并聯，短IRD-DenseBlock的LSTM單元數為N，長IRD-DenseBlock的LSTM單元數則為4N；殘差子網為3個IRD-ResBlock的堆疊。稠密連接子網與殘差子網拼接之后進行3層堆疊，再經過BiLSTM層、Dense層，最終形成本文的用于光伏出力短期預測的融合網絡。

2 光伏出力短期預測流程

采用圖5所示的IRD-BiLSTM融合網絡進行光伏出力短期預測的流程如圖6所示。首發根據歷史氣象數據和歷史光伏出力數據進行日氣象類型分類，分解為晴、陰、雨數據子集；同時對歷史數據進行互信息相關性分析，獲取與光伏出力相關性強的氣象因素。然后通過IRD-BiLSTM網絡進行模型訓練，分別得到對應3種氣象類型的光伏出力預測模型。最后，基于訓練得到的預測模型，輸入未來某日的氣象預報數據便可對該日的光伏出力進行預測。

2.1 日氣象類型分類

相對于不同季節，不同天氣類型條件下的光伏出力值有明顯差異，假定天氣類型在一天內保持不變，則未來一天的天氣類型根據天氣預報獲得，歷史日天氣可使用式(10)進行分類[6]，即根據每日總太陽能散射輻射量和每日總太陽能輻射量之比來劃分。

(10)

式中Kd——取值范圍代表了這一天的天氣類型，Kd在0～0.15表示晴天，在0.15～0.45表示陰天，0.45～1.00之間表示雨天；t——每天的氣象數據采集點，每5 min采樣一次數據，則一天共有288個采樣點；DHRt和GHRt——t時刻的太陽能散射輻射量和太陽能總輻射量。

2.2 互信息相關性分析

本文使用最大互信息系數(Maximal Information Coefficient, 簡稱MIC)來選取用于模型訓練的天氣因素特征。MIC能快速地評估不同類型的關聯關系，以發現廣泛范圍的關系類型。其中，互信息的定義為

(11)

式中p(x，y)——聯合概率密度分布函數。

最大信息系數MIC為

(12)

式中a，b——兩個變量的關系使用散點圖表示時在x、y方向上所劃分的格子數目；B——設置為數據量的0.6次方左右。

2.3 光伏出力預測模型訓練

針對不同氣象類型的數據子集，輸入到IRD-BiLSTM網絡進行訓練，獲得不同天氣類型下的預測模型。

2.4 未來日光伏出力預測

以未來日的天氣預報數據作為輸入，根據未來日的Kd來選擇使用特定天氣類型下的訓練模型進行該日的光伏出力預測。

3 算例分析

3.1 測試設置

本文選取澳大利亞太陽能中心(Desert Knowledge Australia Solar Center，簡稱DKASC)網站公開的Alice Springs光伏電站的數據，以1A站點的歷史監測數據作為研究對象，原始監測數據采樣間隔為5 min，本文對其進行重采樣，得到采樣間隔為15 min的數據集。數據集中包括了該站點的歷史輸出功率，以及溫度、相對濕度、太陽能總輻射量(GHR)、太陽能散射輻射量(DHR)、風速、風向、降雨等氣象數據。考慮到氣象條件對光伏出力的影響，本文按照晴天、陰天、雨天分別進行建模。本文訓練集、測試集的選取為2019年1月1日—2021年1月20日的數據，訓練集、測試集按照8∶2的比例交替選取，即連續10 d的數據前8 d作為訓練樣本，后2 d數據作為測試樣本。以擬合系數(R2)、均方根誤差(Root Mean Square Error，RMSE)、平均絕對誤差(Mean Absolute Error, MAE)3個指標對常規堆疊BiLSTM網絡、堆疊IRD-ResBlock的殘差網絡、本文所提的IRD-BiLSTM網絡的預測精度進行評價。

3.2 測試數據集預處理

由于光伏電站中設備的故障或維護會造成一些數據的丟失或錯誤，因此數據預處理中刪除這些缺失或錯誤值。剔除缺失與錯誤數據后的數據集根據式(10)計算的Kd分為晴天、陰天、雨天3個數據子集。

為識別與光伏輸出功率相關性較強的氣象特征，對氣象因素與光伏出力進行互信息相關性分析，即分別針對晴天、陰天、雨天按照式(12)計算MIC。對晴天數據集進行MIC計算得到的熱圖如圖7所示。一般選取相關性系數>0.1的特征作為預測模型的輸入特征。從圖7的分析結果可知，溫度、相對濕度、GHR、DHR、風速、風向與光伏出力相關性較強。由于原始數據集中后期的風速采集數據缺少維護，因此選取溫度、相對濕度、GHR、DHR、風向作為晴天光伏出力的輸入。同樣對陰天、雨天進行MIC分析，分別選取對陰天、雨天光伏出力相關性強的氣象因素作為預測的輸入特征。

3.3 光伏出力預測結果

本文分別選取一個晴天、陰天、雨天使用3種模型進行預測。3種模型具體如下。

模型1：2層堆疊BiLSTM網絡，每層LSTM的單元數目為24。

模型2：9層堆疊IRD-ResBlock網絡，每層LSTM的單元數目為24。

模型3：3層IRD-BiLSTM網絡，圖5中的IRD-DenseBlock 1、IRD-ResBlock中每層LSTM單元數為6，IRD-DenseBlock 2中每層LSTM單元數為24。

模型訓練中batch_size為32，epoch為20，初始學習率為0.001，訓練過程中如果進入平臺期則進行學習率的調整。使用按照天氣類型劃分的數據子集進行訓練，分別得到3種天氣類型下的3個模型。

使用天氣類型數據子集訓練的3種模型預測結果如表1所示。相比于模型1、模型2，基于IRD-BiLSTM的預測模型，在3種天氣類型下，R2、RMSE、MAE指標均較模型1、模型2有較大的提升。

表1 使用天氣類型數據子集訓練的3種模型預測結果

如果模型訓練數據集不區分天氣類型，選取的晴天、陰天、雨天日期與表1中的相同，訓練出的模型性能如表2所示。對比表1和表2結果可得出，根據天氣類型進行分類訓練和預測，預測性能可得到提升。

表2 使用全數據集訓練的3種模型預測結果

對3種天氣類型采用3種模型的預測結果如圖8所示。由圖8可以看出，相對于模型1和模型2，本文所提出的IRD-BiLSTM預測模型對晴天、陰天、雨天的預測結果都與原始數據有更近似的波形，同時較準確地預測了光伏出力的峰值。3種模型的訓練過程如圖9所示。由圖9可以看出，使用本文的方法，在3種天氣類型下，模型3的訓練過程較模型1、模型2可以更快地收斂，訓練集損失和測試集損失也較低。

4 結語

本文提出了一種融合ResNet與DenseNet特點的光伏出力預測模型，即基于IRD-BiLSTM網絡的光伏出力短期預測模型。采用Kd對光伏歷史監測數據進行分類，使模型訓練更有針對性。該模型融合了DenNet、ResNet以及BiLSTM進行時序數據預測的優點，避免了梯度消失或梯度爆炸問題以及退化問題，構建出深層網絡以提取時序數據的復雜特征模式，從而提高了預測的準確性。