基于相似日的BOHB-Elman光伏電站短期功率預測方法

[摘 要]隨著可再生能源在全球能源結構中的比重逐漸增加，光伏發電站的短期功率預測成為電網管理和能源調度的重要環節。文中提出了一種結合BOHB優化算法和Elman神經網絡的短期光伏短期功率預測方法，該方法注重歷史數據中相似日的選取，以提高預測精度。研究采用了先進的數據處理技術，對大量歷史數據進行深入分析，篩選出與預測日氣象和發電特性最為相似的日子，進而利用這些數據訓練BOHB-Elman模型。試驗結果表明，該方法相比傳統的預測模型具有更高的準確性和穩定性，為光伏發電站的能源管理提供了一種新的解決方案。

[關鍵詞]光伏短期功率預測；Elman神經網絡；BOHB算法；相似日

[中圖分類號]TM615 [文獻標志碼]A [文章編號]2095–6487（2024）06–0159–03

Short Term Power Prediction Method for BOHB Elman Photovoltaic Power Stations Based on Similar Days

ZHAO Xianzhi，YUAN Lu

[Abstract]With the increasing proportion of renewable energy in the global energy structure， power prediction of photovoltaic power plants has become an important link in grid management and energy scheduling. This study proposes a short-term photovoltaic power prediction method that combines BOHB optimization algorithm and Elman neural network. The method focuses on the selection of similar days in historical data to improve prediction accuracy. The study utilized advanced data processing techniques to conduct indepth analysis of a large amount of historical data， selecting the days that are most similar to the predicted daily meteorological and power generation characteristics， and then using these data to train the BOHB Elman model. The experimental results show that this method has higher accuracy and stability compared to traditional prediction models， providing a new solution for energy management of photovoltaic power plants.

[Keywords]photovoltaic power prediction； Elman neural network； BOHB algorithm； similar day

1 概述

1.1 光伏短期功率預測

光伏短期功率預測在提高電網的調度靈活性、優化光伏系統的運行管理等方面發揮著重要作用。光伏短期功率預測方法可分為統計方法和機器學習方法。統計方法依賴于歷史數據，通過建立數學模型來預測未來的光伏短期功率，這類方法簡便易行，但在處理非線性、非平穩數據時表現不佳。機器學習方法能夠通過學習歷史數據中的模式來預測未來的短期功率，這類方法在處理復雜數據時顯示出更高的準確性和靈活性。隨著技術的不斷進步，機器學習方法逐漸成為光伏短期功率預測領域的研究熱點。

1.2 Elman神經網絡

Elman神經網絡是一種典型的遞歸神經網絡，由輸入層、隱藏層、上下文層及輸出層構成。其特點是在隱藏層和上下文層之間存在反饋連接。上下文層的作用是存儲過去的信息，使網絡具有處理時間序列數據的能力。Elman網絡能夠學習和記憶先前的狀態，這使得其在處理具有時間依賴性的序列預測問題時表現出色。在光伏短期功率預測中，Elman神經網絡能有效捕捉到時間序列數據中的動態變化，從而提高預測的準確性。

1.3 BOHB算法

BOHB是Hyperband（機器學習超參數優化算法）的后續工作。Hyperband在生成新的配置時，沒有利用已有的Trial（試驗）結果，而BOHB算法利用了Trial結果。BOHB中，HB表示Hyperband，BO表示貝葉斯優化（Byesian Optimization）。BOHB會建立多個TPE（熱塑性彈性體）模型，從而利用已完成的Trial生成新的配置。該算法通過貝葉斯優化的概率模型來指導搜索過程，同時利用高斯帶寬選擇方法來調整搜索范圍，使得算法能在較短的時間內快速收斂到最優解。BOHB算法在多種機器學習任務中表現出了優異的性能，尤其是在神經網絡的結構和參數優化上。其高效性不僅體現在搜索時間上，也體現在找到的超參數對應模型性能的提升上。

1.4 相似日方法在光伏預測中的應用

相似日方法是一種基于歷史數據尋找與目標日具有相似特征的日子，進而用于預測的方法。在光伏短期功率預測中，通過分析歷史天氣條件、溫度、輻照度等因素，選擇與預測日氣候條件相似的日子作為參考，可以提高預測的準確性。這種方法的優勢在于其考慮了環境因素對光伏短期功率的影響，能夠適應光伏發電的高度非線性和時間變化特征。結合機器學習方法，相似日方法可以進一步提煉數據特征，優化預測模型，為光伏短期功率預測提供更為精準的數據支持。

2 方法論

2.1 數據收集與處理

在光伏短期功率預測的研究中，數據收集與處理是基礎且關鍵的步驟，需要從可靠的數據源收集光伏發電站的歷史數據，包括光伏短期功率輸出、太陽輻照度、溫度、風速等。這些數據來源可能是公開的數據集、合作的光伏電站或其他相關機構。收集到的數據需要經過嚴格的質量控制，確保數據的完整性和準確性。

數據預處理是將原始數據轉化為適合進行模型訓練的格式的過程。這一過程包括數據清洗、缺失值處理、異常值檢測和修正、數據歸一化或標準化等步驟。數據清洗主要是去除數據集中的無關信息，如非運行時間的數據記錄。對于缺失值，可以采用插值、刪除或預測等方法進行處理，確保數據的完整性。異常值的檢測和修正則是為了確保數據質量，避免異常數據影響模型的訓練效果。數據的歸一化或標準化是為了消除不同量綱的影響，使得模型更容易訓練，提高模型的穩定性和預測準確度。

2.2 相似日的選擇標準

在光伏短期功率預測中，選擇與預測日氣候條件相似的歷史日子作為參考是一種有效方法。相似日的選擇標準通常基于多個維度，如天氣條件、季節變化、溫度等，確保所選歷史日子在關鍵特征上與預測日接近。這一過程要求綜合考慮多種因素，制訂合理的標準，以確保選出的相似日對預測日的代表性。

相似度計算是相似日選擇過程中的核心環節。常用的相似度計算方法包括歐氏距離、皮爾遜相關系數、余弦相似性等。這些方法從不同角度衡量歷史日子與預測日的相似程度。例如，歐氏距離可以直觀反映兩個日子在多個維度上的差異程度，而皮爾遜相關系數則能夠評估其在變化趨勢上的相似性。選擇合適的相似度計算方法對于提高預測準確性至關重要。

確定相似度計算方法后，接下來的相似日篩選流程包括計算預測日與歷史日子在選定指標上的相似度，然后根據相似度對歷史日子進行排序，最后選取相似度最高的幾天作為相似日。這一流程要求高效且準確地處理大量數據，以確保最終選出的相似日能夠為光伏短期功率預測提供可靠參考。

2.3 BOHB-Elman模型構建

在構建基于相似日的BOHB-Elman光伏電站短期功率預測模型時，采用Elman神經網絡作為基礎框架，其遞歸特性適合處理時間序列數據。模型的輸入層接收選定的氣象和發電數據，隱藏層通過時間反饋連接到上下文層，存儲歷史信息以增強預測連續性和穩定性。應用BOHB算法對Elman網絡的超參數進行優化。BOHB結合了貝葉斯優化的全局搜索能力和Hyperband的快速收斂性，可有效調整網絡結構和學習參數，如學習率、隱藏層神經元數等。通過迭代試驗，BOHB選擇性能最佳的配置，提升模型對未來功率的預測精度。此外，模型構建過程中還需重視數據預處理和相似日的精確選擇，確保輸入數據的質量和相關性，從而最大化預測模型的準確性和可靠性。

2.4 模型訓練與驗證

2.4.1 訓練集與測試集的劃分

為了訓練并驗證BOHB-Elman模型的性能，需要將收集到的數據集分為訓練集和測試集。訓練集用于模型的訓練，而測試集則用于評估模型的泛化能力。通常，這種劃分會遵循一定的比例，例如70%的數據用作訓練集，30%的數據用作測試集。合理的數據劃分不僅能夠保證模型有足夠的數據進行學習，還能有效評估模型對未知數據的預測能力。

2.4.2 模型訓練過程

在訓練階段，BOHB-Elman模型通過輸入訓練集中的數據，不斷調整網絡參數，以最小化預測值和實際值之間的差異。訓練過程中，模型的參數更新依賴于反向傳播算法和優化器，如梯度下降法。模型訓練的目標是找到一組最優的網絡參數，使得在訓練集上的預測誤差最小。

2.4.3 模型驗證指標

常用的模型驗證指標包括均方誤差、均方根誤差、平均絕對誤差及決定系數。通過這些指標，可以全面評價模型的預測精度和穩定性。驗證過程中，如果模型在測試集上的表現接近于訓練集，說明模型具有良好的泛化能力，沒有出現過擬合或欠擬合的問題。過擬合指的是模型在訓練集上表現優異，但在測試集上表現不佳。這通常是因為模型過于復雜，捕捉到了訓練數據中的噪聲而非潛在的數據生成規律。相反，欠擬合則表明模型過于簡單，無法捕捉數據中的基本結構，導致在訓練集和測試集上都表現不佳。

在評估模型性能時，不同的指標反映了模型性能的不同方面。均方誤差和均方根誤差側重于衡量預測值與真實值之間的平均差距，能夠提供預測誤差的大小。平均絕對誤差則給出了預測值偏離真實值的平均程度，更加直觀。決定系數反映了模型預測值與真實值之間的相關程度，值越接近1表示模型的解釋能力越強，預測性能越好。

3 試驗設置與結果分析

3.1 試驗設置

在光伏短期功率預測的研究中，試驗設置是確保試驗結果可靠性和有效性的關鍵。試驗設置包括確定試驗的硬件環境、軟件環境及參數配置。硬件環境通常指定試驗所使用的計算機配置，如處理器類型、內存大小、存儲空間等，這些硬件配置直接影響試驗的運行速度和數據處理能力。軟件環境則包括操作系統、編程語言、使用的機器學習框架及其版本等，這些軟件工具的選擇和配置會影響試驗的復現性和穩定性。

試驗參數配置是試驗設置中至關重要的部分，包括模型訓練的各種參數，如學習率、批次大小、迭代次數等。這些參數直接影響模型訓練的效果和效率。例如，學習率的選擇會影響模型收斂的速度和穩定性，批次大小則影響每次迭代的計算量和內存使用，迭代次數決定了模型訓練的充分程度。合理的參數配置能夠確保模型訓練過程的高效性和最終預測結果的準確性。

在進行光伏短期功率預測試驗之前，需要仔細規劃和設定這些試驗參數，以確保試驗的順利進行和結果的可靠性。此外，試驗過程中還應記錄詳細的試驗日志，包括模型訓練的進度、中間結果、最終結果，以及遇到的問題和解決方案等，這些記錄對于試驗結果的分析和未來研究的參考都具有重要價值。

3.2 預測結果展示

在光伏短期功率預測試驗完成后，展示預測結果是評估模型性能的重要環節。預測結果的展示通常包括圖表和數值兩種形式。圖表可以直觀地展示模型預測值與實際值之間的對比，常用的圖表包括折線圖、散點圖等。折線圖能夠清晰地顯示出預測值和實際值隨時間變化的趨勢，便于觀察模型在不同時間點的預測準確性。散點圖則能夠展示出預測值和實際值在各個數值范圍內的分布情況，有助于分析模型在不同功率水平下的預測性能。

數值結果則通過具體的數值指標來反映模型的預測性能，包括前文提到的均方誤差、均方根誤差、平均絕對誤差及決定系數等。這些指標能夠從不同角度量化模型的預測誤差和準確性，為模型性能的評估提供了客觀的標準。

3.3 結果分析

結果分析是試驗研究的核心部分，通過對預測結果的深入分析，可以揭示模型的性能特點，理解模型在不同情況下的表現，并為未來的研究提供指導。

在結果分析階段，需要對模型的整體預測性能進行評估，分析模型在整個測試集上的平均表現。通過對比模型的預測結果與實際數據，可以評價模型捕捉數據趨勢的能力。此外，還要關注模型在特定條件下的表現，如不同天氣條件、不同時間段的預測準確率，從而評估模型的魯棒性和適應性。

進一步的分析可能包括識別模型預測性能的影響因素。例如，探討數據特征對預測結果的影響，分析哪些特征對模型的預測結果影響最大，以及模型是否對某些特征過度敏感。通過這種分析，可以揭示模型的內部工作機制，為模型結構的優化提供線索。

此外，結果分析還包括與其他研究成果的比較。將所開發的模型與現有的模型或方法進行比較，可以展現模型在當前研究領域內的競爭力和創新性。這種比較不僅限于預測準確性，還包括模型的計算效率、易用性及可擴展性等方面。

基于以上分析，可總結模型的優點和局限性，并提出未來改進模型的建議。這些建議包括如何調整模型結構、如何優化訓練過程、如何更好地處理數據等，旨在指導未來的研究工作，進一步提高光伏短期功率預測的準確性和效率。

4 結束語

本研究通過實施基于相似日的BOHB-Elman模型，對光伏電站的短期功率進行預測，展示了該模型在提高預測準確性方面的有效性。通過精細化的數據處理、模型訓練與驗證，以及深入的結果分析，研究證實了結合相似日選擇和BOHB優化的Elman神經網絡在光伏短期功率預測領域的應用價值。光伏能源企業應積極采用先進的預測模型，如BOHB-Elman模型，對歷史數據進行深度分析和學習，從而優化光伏發電的調度與管理。展望未來，隨著人工智能和機器學習技術的不斷進步，光伏短期功率預測的準確度和實用性將持續提升，不僅能為光伏能源企業帶來更高的經濟效益，也將推動可再生能源的廣泛應用和能源結構的優化升級。

參考文獻

[1] 盧俊杰，蔡濤，郎建勛，等.基于集群劃分的光伏電站集群發電功率短期預測方法[J].高電壓技術，2022，48（5）：1943-1951.

[2] 王本濤，白楊，邢紅濤，等.基于STL與MMoE多任務學習的區域多光伏電站超短期功率聯合預測方法[J].電力系統及其自動化學報，2022，34（9）：17-23，31.

[3] 梁志峰，董存，吳驥，等.組合輻射衰減因子預報與RBF神經網絡的光伏短期功率預測方法[J].電網技術，2020（11）：4114-4120.