基于多特征神經網絡的日前光伏功率預測

王志寶，吳柏錚，孟令哲

（上海電力大學電子與信息工程學院，上海 201306）

伴隨著世界能源危機的加速演變和人們環保意識的增強，新能源發電，特別是光伏發電在世界范圍內獲得了廣泛的應用[1]。然而，由于區域內負荷類型復雜，且光伏出力隨機性大[2]，給電網的穩定運行帶來了嚴重的挑戰。太陽輻照度、天氣狀況以及周圍環境溫濕度等因素是影響光伏發電的主要原因[3]。為了提高光伏發電的有效性和穩定性，使得電網安全穩定運行避免遭受沖擊，有效的光伏發電功率預測方法一直是電網建設的研究熱點[4]。

光伏發電功率預測是一個非線性的隨機問題，神經網絡、支持向量機、粒子群等機器學習智能算法被廣泛應用[5]。研究關注點在于提高日前光伏功率預測精度，如文獻[6]提出粒子群算法和支持向量機結合的預測方法。現階段的研究專注于提高單一預測方法的預測精度，對于預測共性的研究較少。為了提高各種預測模型下的預測精度，提出衍生和基礎神經網絡特征融合（DBDeepFF）架構，該架構利用計算的衍生數據特征顯著改善了光伏功率的預測結果。

1 特征融合架構

1.1 神經網絡架構

深度學習解決方案，特別是順序模型，如LSTM、RNN 和GRU 等模型，正在成為序列預測的流行選擇[7]。RNN 是遞歸神經網絡的一種，它以序列數據為輸入，在序列的演進方向進行遞歸且所有節點（循環單元）按鏈式連接[8]。它的本質是像人一樣擁有記憶的能力。因此，其輸出依賴于當前的輸入和記憶。RNN 展開結構如圖1 所示。

圖1 RNN展開結構

典型的LSTM 通過三個門的基本結構來實現信息的保護和控制，這三個門分別為輸入門、遺忘門和輸出門[9]。詳細的LSTM 模型的內部計算結構如圖2所示。

圖2 LSTM模型中單個細胞的內部結構

LSTM 內部的具體計算方法可以表示為：

同時，LSTM、RNN 和GRU 也有相應的雙向序模型。雙向模型的優點是可以從正向和反向兩個方向觀察輸入特征[10]，這三種雙向序列結構類似。其中，LSTM 單元雙向序列結構如圖3 所示。

圖3 LSTM單元雙向序列模型

1.2 基礎數據和衍生數據

對于光伏輸入數據而言，溫度T和輻照度R對光伏發電數據影響非常大，特別是輻照度，其趨勢與光伏功率的趨勢非常相似[11]。考慮到深度學習模型處理非線性數據的能力[12]，數據必須轉換成一個序列，以便它可以輸入到所提出的架構，以預測下一個時間間隔的功率數據[13]。順序模型，如LSTM 和BLSTM等，需要輸入過去時間步長的數據來提取它們的特征和時間信息，以預測下一個時間步長[14]。為了使數據可用于訓練這樣的模型，數據只能轉化為特定的序列。如以天為單位，用K天功率預測一天的發電功率數據。

除了考慮上述已有的基礎特征外，還考慮了額外的衍生特征。基礎特征為上述的功率、太陽輻照度等；而衍生的特征是從基礎特征中計算出來的，這兩種特征在功率預測中都很重要。基本特征提供了不同參數的絕對值，而衍生特征利用了不同值之間的相關性，幫助深度學習模型學習更多特征。衍生特征主要包括：

1）過去K天步長發電的平均功率；

2）過去K天步長發電的平均功率的標準差；

3）過去一天步長發電的平均功率；

4）過去一天步長發電的平均功率的標準差。

其中，平均數能較好地反映一組數據的整體情況，標準差能反映一組數據集的離散程度。

2 Y序列神經網絡預測架構

DBDeepFF 是一種Y 序列模型架構，它將基礎數據和衍生特征輸入到單獨的層中，提取學習到的特征。對基礎序列和衍生序列使用單獨的輸入層的目的是允許順序層獨立地從兩個輸入序列中學習，為的是利用基礎序列和衍生序列與預測功率的相關性。DBDeepFF 架構如圖4 所示。

圖4 DBDeepFF架構

在特征輸入之前需要計算好需要輸入的衍生序列，同時基礎序列和衍生序列的維度有所不同，要對數據的維度進行處理。由圖4 可知，基礎特征如光伏功率和太陽輻照度和衍生特征數據會被合并輸入到一個密集的層。全連接層由n個節點組成，通過校正線性單元(ReLU)激活[15]，通過實驗確定n的最佳值。全連接層的作用是將從基礎特征和衍生特征中提取的信息進行非線性合并[16]。將全連接層的輸出通過線性激活輸出層進行處理，對想要預測的功率進行最終預測。DBDeepFF 模型算法基本流程圖如圖5 所示。

圖5 DBDeepFF模型算法流程圖

3 實驗結果與分析

以澳大利亞DKASC 光伏系統公開數據集為實驗數據，選取了四年光伏發電數據。該數據包含發電功率、溫度等重要信息，時間間隔為5 min。為了滿足基本的提前一天調度需求標準，在實驗中以15 min 的時間分辨率對數據進行采樣。這些數據下載之后并不是完全完整的，需對異常點進行刪除，少部分的缺失數據可以前后時間的數據進行了平均。由于數據量較為龐大，因此刪除異常點不會帶來負面影響。數據的處理過程如圖6 所示。

圖6 數據的處理過程

同時，實驗中劃分測試集和訓練集比例如圖7所示。

圖7 數據集劃分

3.1 評價指標

為了評價提出的模型的預測性能，預測實驗中選擇了三個精度估計指標，分別為均方根誤差（RMSE）、平均絕對誤差（MAE）和平均絕對百分比誤差（MAPE）[17]，計算方法如下：

式中，y(i)為實際的光伏功率，y′(i)為預測值，N為y(i)值的個數。但是需要注意的是，夜晚的發電數據為大多為0，無法計算MAPE 的值或算出來的值無窮大，因此在計算MAPE 時需要剔除掉這些點，否則，結果會存在很大偏差。

3.2 實驗結果

文中對短期負荷預測框架在開放數據集上進行大量嚴格實驗。將DBDeepFF 架構(所有六個衍生結構)的結果與來自文獻[18]中提出順序模型和其他順序模型進行了比較。將該數據集與序列模型的其他基本模型(RNN、LSTM、GRU、BRNN、BLSTM、BGRU)進行了不含衍生特征的測試，即單一的順序模型。在基礎架構下的預測結果如表1 所示。

表1 基礎架構下的預測結果

表1 中的六個基礎數據序列在總體架構上是相同的，它們之間的唯一區別是在順序層中使用不同的單元(RNN、LSTM 或GRU)和它們的雙向對應單元(BRNN、BLSTM 或BGRU)。將表1 中的六種結構改成如圖4 所示的Y 序列，從而驗證DBDeepFF 架構的作用。DBDeepFF 架構下的預測結果如表2 所示。

表2 DBDeepFF架構下的預測結果

從表2 中可以看出，六個基礎數據序列模型與使用DBDeepFF 架構后的預測結果相比，MAPE 均提高了4%以上。文中提出的架構可以使預測模型獲得更多的數據特征，從而提高預測精度。具體原因是DBDeepFF 架構增加了一個學習維度。在基礎序列輸入的同時，將計算特征加入到網絡中，使得模型能夠充分學習隱形的數據特征。臨近的時間在大多數情況下外部環境相似，同時平均值和標準差本身就是反映數據的平均水平和離散程度。因此，計算特征的輸入將預測數據限制在與真實值接近的區間內。柱狀圖清楚地顯示了MAPE 在DBDeepFF 架構引入前后的變化，如圖8 所示。

圖8 改進架構前后MAPE對比

4 結論

為了提高現存的多種預測神經網絡的預測精度，提出了一種基于序列層的深度學習體系結構，并在深度學習模型中引入衍生數據特征，得到了DBDeepFF 架構。通過這種端到端的學習模型的預處理方法，用于日前光伏功率預測。通過嚴格的實驗證明，進行了大量的檢驗和驗證，給出了三個統計指標的統計結果。統計結果表明，改進后的模型性能良好，其MAPE 至少降低了4%。針對現有的基礎模型架構缺乏對數據特征的學習，預測結果表現力稍差，提出的新模型體系結構確實提高了預測精度，符合預期結果。

總而言之，該架構使神經網絡能夠提升學習單獨處理的數據特征的能力，取得了良好的效果。接下來，可能需要增加模型類型的研究，比如引入混合模型，看看是否能得到更好的結果。其他光伏電站的數據也可以加入到數據集中進行驗證。