基于神經網絡模型的光伏發電功率預測研究

摘要：隨著全球環境污染變得日益嚴重以及能源需求的快速增長，太陽能光伏發電受到天氣、大氣狀況等多種因素的影響，其發電功率具有不確定性，需要準確的預測模型來提高其利用效率。文章采用了長短期記憶網絡（Long Short-Term Memory，LSTM）模型來預測太陽能光伏發電功率，將歷史氣象數據及發電功率數據作為輸入變量，將極限學習機（Extreme Learning Machine，ELM）模型作為預測誤差對比，證明長短期記憶網絡模型能夠有效提高預測精度，具有一定的實際指導意義。

關鍵詞：LSTM模型；太陽能光伏發電；功率預測

中圖分類號：TP311文獻標志碼：A

0 引言

太陽能光伏發電功率容易受到多種因素影響，除了自身設備的影響因素外，受氣象因素（溫度、相對濕度、太陽輻照強度、風速等）的影響較大，光伏發電功率的輸出具有顯著的波動性、周期性和隨機性，這對光伏發電功率的準確預測帶來了較大的挑戰［1］。若要更好地利用太陽能光伏發電，就要對光伏發電功率進行準確的預測和判斷。

意大利Malvoni等［2］提出了一種基于多元回歸分析和Elman人工神經網絡相結合的統計方法來預測960 kW并網光伏系統的發電。實驗證實，該模型在不同類型天氣條件下的預測結果可以達到一定的準確性。Mellit等［3］提出了一個具有學習算法的自適應小波網絡模型，它的迭代次數減少，可以很容易地適應位置和氣象數據的變化，并結合阿爾及利亞某氣象站數據進行預測實驗，預測精度高，平均絕對誤差低。朱尤成等［4］提出基于深度學習的中長期風電發電量預測方法，該方法表明LSTM模型更適用于中長期風電預測，可以有效解決長時依賴。金宇悅等［5］提出基于LSTM循環神經網絡算法的風電預測技術方法，該方法驗證了實際風速預測中，在多變量數據里風速本身仍然起決定性因素。李靜茹等［6］提出引入注意力機制的CNN和LSTM復合風電預測模型，該模型可以明顯地提高風電預測的精度。

風力發電和光伏發電都屬于可再生能源［7］，且在預測上均需要考慮到時間序列的特點。LSTM模型則是一種廣泛應用于時間序列數據預測的神經網絡模型。因此，在光伏發電領域采用風力發電的LSTM模型進行遷移是一種可行的方法。研究人員需要針對光伏發電的數據特征和預測需求進行參數調整和模型訓練。經過適當的修改和訓練之后，才能獲得準確可靠的光伏發電功率預測模型。

在此背景下，本文提出了一種基于LSTM模型的光伏發電功率預測方法。該方法首先學習歷史氣象數據，然后通過模型預測未來一段時間的光伏發電功率值。實驗結果表明，該方法在處理長時間序列輸入時有較好的表現，具有較高的預測精度和實用性，為光伏發電功率預測提供了一種新的思路和方法，對研究和應用具有重要意義。

1 LSTM神經網絡模型概述

LSTM網絡模型［8］是一種深度神經網絡模型，和循環神經網絡［9］（Recurrent Neural Networks，RNN）模型結構相似，由輸入層、輸出層和若干個循環單元組成。每個循環單元內部包含了3個門控制器：輸入門、輸出門和遺忘門，相比于傳統的RNN網絡，LSTM網絡在其隱藏層中添加了能夠長期記憶信息的單元C。這種單元的引入使得LSTM網絡在處理光伏發電功率等具有長期時間序列特征的數據時，能夠更好地保留關鍵信息，進一步提高了預測準確性和泛化能力，使得其在光伏發電功率預測中更具優勢。這些門的作用是控制和調節信息的輸入、輸出和存儲，使得模型可以有效地記憶和處理時間序列上的數據［10］。LSTM單元內部結構如圖1所示，各門單元運算公式為：

ft=σ（Wf［ht-1，xt］+bf）（1）

it=σ（Wi［ht-1，xt］+bi）（2）

ot=σ（Wo［ht-1，xt］+bo）（3）

gt=tanh（Wg［ht-1，xt］+bg）（4）

Ct=ftCt-1+itgt（5）

ht=ottanh（Ct）（6）

式中：σ為激活函數，一般是Sigmoid函數；Wf、bf為遺忘門連接權重和偏移值；Ｗi、bi為輸入門連接權重和偏移值；Ｗo、bo為輸出門連接權重及偏移值；gt為臨時狀態。

由上述公式可知，LSTM模型通過門控單元控制信息的流動，避免梯度消失或梯度爆炸問題，從而更好地處理長序列。相比于傳統的循環神經網絡模型，LSTM可以更好地保留對過去信息的記憶，并在需要的時候合理地應用這些信息，進而提高模型的性能。

為了預測太陽能光伏發電的功率，本文使用了LSTM模型。該模型可以對輸入的序列進行建模，從而預測未來的功率輸出。LSTM模型的訓練流程如圖2所示。

LSTM神經網絡的訓練算法是一種隨時間展開的反向傳播算法（Back Propagation Trough Time，BPTT）。LSTM神經網絡訓練算法的具體步驟如下：

LSTM網絡中的每個單元會先進行前向計算，從而得到該單元的輸出值ti、to、tf、tc和ty。接著，誤差項σ將在時間維度上和誤差項前一層的節點上進行反向傳播。在每個節點上通過計算誤差項獲得對應權值的梯度，并使用梯度下降算法更新網絡權值，從而不斷優化整個LSTM網絡模型。該優化方法旨在提高LSTM模型的學習效率和準確性，以更好地適應光伏發電功率等時間序列數據預測任務。

2 數據選取

本文選取寧夏某地區光伏電站2019年全年的歷史光伏發電數據，結合美國國家航空航天局獲取的地面氣溫、氣壓、相對濕度和高度10 m風速等氣象因素數據。為了驗證LSTM模型的優勢，分別選取2月、5月、9月和12月的最后一天作為待測樣本，分別代表春夏秋冬四季。同時，將數據時間段設置為以15 min為一個樣本。

抽取四季中2月、5月、9月和12月最后一天作為“待預測日”，各個月的其他天數數據為訓練樣本。根據光伏發電特性，以冬季為例，提取數據并將數據時間劃分為11：00至18：00，時間間隔為15 min，總共28個樣本數，由于季節不同，所選取的時間段不同，但保證28個樣本數不變。

選取連續3個月（5月、6月和7月），提取數據時間段為早上8：00至晚上20：00，時間間隔為15 min，總計1 488個樣本數。其中，最后240個樣本作為待預測樣本，其余為訓練樣本。防止訓練樣本數較少，選取全年白天光伏發電時間作為對照，總計16 329個樣本，同樣的條件下進行對比。

3 模型性能評估

為了評價3種模型在太陽能光伏發電功率預測中的性能，本文采用了3種評價指標：均方根誤差（RMSE）、平均絕對誤差（MAE）和相關系數R（Correlation coefficient）。RMSE和MAE反映了模型預測值與真實值之間的差異程度。一般情況下，這兩個指標越小意味著模型預測能力越強；而R則是評價模型對實驗數據的擬合程度，其取值范圍為0～1，越接近1表示模型對數據的擬合程度越好。

RMSE、MAE和相關系數R的定義如下：

式中：N為統計樣本數；y為真實值；y′t為預測值。

4 實驗評估

為了更加直觀地比較兩種模型的光伏功率預測值和真實值之間的區別，分別將兩種模型的四季預測值和真實值在一起進行比較，功率對比如圖3所示。

由圖3可知，橫坐標為樣本數，縱坐標為光伏功率。在同樣的樣本數情況下，對比LSTM模型、ELM模型和真實值的區別。LSTM模型在每個季節的功率預測中都更接近真實值，與LSTM模型相比，ELM模型的功率預測結果有所不及，驗證了LSTM模型在短期光伏發電功率的預測能力強于ELM模型。

四季功率對比如圖4所示。在圖4中，橫坐標為樣本數，縱坐標為光伏功率，對比在LSTM模型下的四季光伏功率預測值，可以看出在同樣的樣本數中，夏季的光伏發電功率最大，其次是秋季和春季，光伏發電功率最小的是冬季，幾乎為夏季發電量的一半。

從整體上來看，ELM模型有明顯的偏差，而LSTM模型預測效果更接近真實值，LSTM模型的預測結果均優于ELM模型，再進一步計算兩種預測模型的MAE、RMSE、R數值并分析模型的預測性能，計算結果如表1所示。

從LSTM模型和ELM模型預測結果來看，以春季為例，ELM模型預測結果的RMSE為2.396 5 kW，而LSTM神經網絡的應用使得光伏發電功率預測的RMSE值降低至0.2643 6 kW，這充分說明了LSTM對于長期依賴信息的記憶和提取在光伏發電功率預測方面具備顯著優勢。與傳統模型相比，LSTM神經網絡通過添加“記憶”能力可以更好地處理時間序列數據的長期依賴，從而提高模型的準確性和適用性。

以春季為例，綜合對比MAE、RMSE和R的結果：兩種預測方法中ELM模型MAE=2.036 1 kW；LSTM模型的MAE=0.209 26 kW。結果證明，帶有記憶的LSTM模型可以進一步提高其在光伏發電功率預測中的準確性并更好地發揮其模型擬合能力。

實驗結果表明，與ELM網絡模型相比，LSTM網絡預測模型在預測光伏發電功率方面表現更為優越，這進一步驗證了LSTM網絡在光伏預測任務中的優勢，表明它是一種具有很高應用價值的預測模型。同時，本文分別進行全年和為期3個月的光伏發電功率長期預測，預測結果如圖5所示。

圖5 功率預測結果

由圖5所示，橫坐標都為樣本數，縱坐標為光伏功率和誤差，在圖5（a）和5（b）兩圖中，光伏功率的預測值跟真實值幾乎一樣，而全年的誤差值在-1和1之間，而連續3個月的樣本數中，剛開始出現較為明顯的誤差。因此，在不同的樣本數情況下，全年的預測結果更接近真實值，樣本數量越多，預測結果越接近真實值。對比模型的預測結果如表2所示。

根據預測結果可知，LSTM模型在對中長期光伏發電功率進行預測時，準確性越高，則表明LSTM模型在此領域的可行性越強。這也表明，通過針對LSTM模型進行優化，可以進一步提高其對于中長期光伏發電功率的預測效果，也證實了LSTM模型對于中長期光伏發電功率預測的可行性。LSTM神經網絡在預測光伏發電功率方面擁有更高的預測準確性和廣泛適用性。

5 結語

綜上所述，本研究對基于LSTM模型的太陽能光伏發電功率預測技術進行了全面深入的研究，包括實驗設計、LSTM模型的訓練和預測以及模型性能評估和比較等方面。實驗結果表明，該技術可以準確、可靠地預測太陽能光伏發電功率，具有很大的實際應用價值和推廣價值。

參考文獻

［1］龍平.獨立運行風/光互補監測系統研究［D］.北京：中國科學院研究生院（電工研究所），2004.

［2］MALVONI M， GIORGI D M， CONGEDO P M. Photovoltaic power forecasting using statistical methods：impact of weather data［J］. IET Science， Measurement and Technology，2014（3）：90-97.

［3］MELLIT A，BENGHANEM M，KALOGIROU S. An adaptive wavelet-network model for forecasting daily total solar-radiation［J］. Applied Energy，2006（7）：705-722.

［4］朱尤成，王金榮，徐堅.基于深度學習的中長期風電發電量預測方法［J］.廣東電力，2021（6）：72-78.

［5］金宇悅，康健，陳永杰.基于LSTM循環神經網絡算法的風電預測技術［J］.電子測試，2022（2）：49-51.

［6］李靜茹，姚方.引入注意力機制的CNN和LSTM復合風電預測模型［J］.電氣自動化，2022（6）：4-6.

［7］戚曉俠.基于深度學習的光伏/風電功率預測研究［D］.哈爾濱：哈爾濱工程大學，2020.

［8］GRAVES A. Long short-term memory ［M］. Berlin：Springer，2012.

［9］GREFF K，SRIVASTAVA R K，JAN K，et al. LSTM：A search space odyssey ［J］. IEEE Transactions on Neural Networks and Learning Systems，2017（10）：2222-2232.

［10］李博涵.基于相似時和LSTM神經網絡的短期光伏功率預測［D］.南寧：廣西大學，2020.

Research on power prediction of photovoltaic power generation

based on neural network model

ZhangPeng1， XieNan1，2*， CuiLe1，2

（1.School of Electronic Information and Electrical Engineering， Shangluo College， Shangluo 726000， China;

2.Shangluo New Energy Ramp;D Platform， Shangluo 726000， China）

Abstract： As global environmental pollution becomes increasingly serious and energy demand grows rapidly， solar photovoltaic power generation is affected by various factors such as weather and atmospheric conditions， and its power generation is uncertain， so accurate prediction models are needed to improve its utilization efficiency. In this paper， a Long Short-Term Memory （LSTM）model is used to predict the power of solar PV generation. Historical meteorological data and power generation data are used as input variables， and the prediction error is compared by （Extreme Learning Machine （ELM）model）to prove that the LSTM model can effectively improve the prediction accuracy and some practical guidance.

Key words： LSTM model; solar photovoltaic power generation; power prediction