基于神经网络模型的光伏发电功率预测研究.pdf

第 17 期2023 年 9 月无线互联科技Wireless Internet TechnologyNo.17September,2023基金项目:商洛学院科研项目;项目编号:18SKY-FWD005。项目名称:商洛市科技局计划资助项目;项目编号:SK2019-07。作者简介:张鹏(1999),男,陕西咸阳人,本科生;研究方向:光伏发电功率预测。通信作者:谢楠(1986),男,陕西商洛人,讲师,硕士;研究方向:机电智能控制。基于神经网络模型的光伏发电功率预测研究张 鹏1,谢 楠1,2,崔 乐1,2(1.商洛学院 电子信息与电气工程学院,陕西 商洛 726000;2.商洛市新能源研发平台,陕西 商洛 726000)摘要:随着全球环境污染变得日益严重以及能源需求的快速增长,太阳能光伏发电受到天气、大气状况等多种因素的影响,其发电功率具有不确定性,需要准确的预测模型来提高其利用效率。文章采用了长短期记忆网络(Long Short-Term Memory,LSTM)模型来预测太阳能光伏发电功率,将历史气象数据及发电功率数据作为输入变量,将极限学习机(Extreme Learning Machine,ELM)模型作为预测误差对比,证明长短期记忆网络模型能够有效提高预测精度,具有一定的实际指导意义。关键词:LSTM 模型;太阳能光伏发电;功率预测中图分类号:TP311 文献标志码:A0 引言 太阳能光伏发电功率容易受到多种因素影响,除了自身设备的影响因素外,受气象因素(温度、相对湿度、太阳辐照强度、风速等)的影响较大,光伏发电功率的输出具有显著的波动性、周期性和随机性,这对光伏发电功率的准确预测带来了较大的挑战1。若要更好地利用太阳能光伏发电,就要对光伏发电功率进行准确的预测和判断。意大利 Malvoni 等2提出了一种基于多元回归分析和 Elman 人工神经网络相结合的统计方法来预测960 kW 并网光伏系统的发电。实验证实,该模型在不同类型天气条件下的预测结果可以达到一定的准确性。Mellit 等3提出了一个具有学习算法的自适应小波网络模型,它的迭代次数减少,可以很容易地适应位置和气象数据的变化,并结合阿尔及利亚某气象站数据进行预测实验,预测精度高,平均绝对误差低。朱尤成等4提出基于深度学习的中长期风电发电量预测方法,该方法表明 LSTM 模型更适用于中长期风电预测,可以有效解决长时依赖。金宇悦等5提出基于 LSTM 循环神经网络算法的风电预测技术方法,该方法验证了实际风速预测中,在多变量数据里风速本身仍然起决定性因素。李静茹等6提出引入注意力机制的 CNN 和 LSTM 复合风电预测模型,该模型可以明显地提高风电预测的精度。风力发电和光伏发电都属于可再生能源7,且在预测上均需要考虑到时间序列的特点。LSTM 模型则是一种广泛应用于时间序列数据预测的神经网络模型。因此,在光伏发电领域采用风力发电的 LSTM 模型进行迁移是一种可行的方法。研究人员需要针对光伏发电的数据特征和预测需求进行参数调整和模型训练。经过适当的修改和训练之后,才能获得准确可靠的光伏发电功率预测模型。在此背景下,本文提出了一种基于 LSTM 模型的光伏发电功率预测方法。该方法首先学习历史气象数据,然后通过模型预测未来一段时间的光伏发电功率值。实验结果表明,该方法在处理长时间序列输入时有较好的表现,具有较高的预测精度和实用性,为光伏发电功率预测提供了一种新的思路和方法,对研究和应用具有重要意义。1 LSTM 神经网络模型概述 LSTM 网络模型8是一种深度神经网络模型,和循环神经网络9(Recurrent Neural Networks,RNN)模型结构相似,由输入层、输出层和若干个循环单元组成。每个循环单元内部包含了 3 个门控制器:输入门、输出门和遗忘门,相比于传统的 RNN 网络,LSTM网络在其隐藏层中添加了能够长期记忆信息的单元C。这种单元的引入使得 LSTM 网络在处理光伏发电功率等具有长期时间序列特征的数据时,能够更好地保留关键信息,进一步提高了预测准确性和泛化能力,使得其在光伏发电功率预测中更具优势。这些门的作用是控制和调节信息的输入、输出和存储,使得模型可以有效地记忆和处理时间序列上的数据10。LSTM 单元内部结构如图 1 所示,各门单元运算公式为:ft=(Wfht-1,xt+bf)(1)it=(Wiht-1,xt+bi)(2)831第 17 期2023 年 9 月无线互联科技研究创新No.17September,2023图 1 LSTM 神经网络结构ot=(Woht-1,xt+bo)(3)gt=tanh(Wght-1,xt+bg)(4)Ct=ftCt-1+itgt(5)ht=ottanh(Ct)(6)式中:为激活函数,一般是 Sigmoid 函数;Wf、bf为遗忘门连接权重和偏移值;Wi、bi为输入门连接权重和偏移值;Wo、bo为输出门连接权重及偏移值;gt为临时状态。由上述公式可知,LSTM 模型通过门控单元控制信息的流动,避免梯度消失或梯度爆炸问题,从而更好地处理长序列。相比于传统的循环神经网络模型,LSTM 可以更好地保留对过去信息的记忆,并在需要的时候合理地应用这些信息,进而提高模型的性能。为了预测太阳能光伏发电的功率,本文使用了LSTM 模型。该模型可以对输入的序列进行建模,从而预测未来的功率输出。LSTM 模型的训练流程如图2 所示。LSTM 神经网络的训练算法是一种随时间展开的反向传播算法(Back Propagation Trough Time,BPTT)。LSTM 神经网络训练算法的具体步骤如下:LSTM 网络中的每个单元会先进行前向计算,从而得到该单元的输出值 ti、to、tf、tc和 ty。接着,误差项 将在时间维度上和误差项前一层的节点上进行反向传播。在每个节点上通过计算误差项获得对应权值的梯度,并使用梯度下降算法更新网络权值,从而不断优化整个 LSTM 网络模型。该优化方法旨在提高 LSTM 模型的学习效率和准确性,以更好地适应光伏发电功率等时间序列数据预测任务。2 数据选取 本文选取宁夏某地区光伏电站 2019 年全年的历史光伏发电数据,结合美国国家航空航天局获取的地面气温、气压、相对湿度和高度 10 m 风速等气象因素数据。为了验证 LSTM 模型的优势,分别选取 2 月、5月、9 月和 12 月的最后一天作为待测样本,分别代表春夏秋冬四季。同时,将数据时间段设置为以 15 min为一个样本。图 2 LSTM 网络训练流程抽取四季中 2 月、5 月、9 月和 12 月最后一天作为“待预测日”,各个月的其他天数数据为训练样本。根据光伏发电特性,以冬季为例,提取数据并将数据时间划分为 11:00 至 18:00,时间间隔为 15 min,总共28 个样本数,由于季节不同,所选取的时间段不同,但保证 28 个样本数不变。选取连续 3 个月(5 月、6 月和 7 月),提取数据时间段为早上 8:00 至晚上 20:00,时间间隔为 15 min,总计 1 488 个样本数。其中,最后 240 个样本作为待预测样本,其余为训练样本。防止训练样本数较少,选取全年白天光伏发电时间作为对照,总计 16 329个样本,同样的条件下进行对比。3 模型性能评估 为了评价 3 种模型在太阳能光伏发电功率预测中的性能,本文采用了 3 种评价指标:均方根误差(RMSE)、平 均 绝 对 误 差(MAE)和 相 关 系 数 R(Correlation coefficient)。RMSE 和 MAE 反映了模型预测值与真实值之间的差异程度。一般情况下,这两个指标越小意味着模型预测能力越强;而 R 则是评价模型对实验数据的拟合程度,其取值范围为 01,越接近 1 表示模型对数据的拟合程度越好。RMSE、MAE 和相关系数 R 的定义如下:931第 17 期2023 年 9 月无线互联科技研究创新No.17September,2023RMSE=Nt=1(yt-yt)2N(7)MAE=1NNt=1|yt-yt|(8)R=Cov(yt,yt)V(yt)V(yt)(9)式中:N 为统计样本数;y 为真实值;yt为预测值。4 实验评估 为了更加直观地比较两种模型的光伏功率预测值和真实值之间的区别,分别将两种模型的四季预测值和真实值在一起进行比较,功率对比如图 3 所示。图 3 功率对比 由图 3 可知,横坐标为样本数,纵坐标为光伏功率。在同样的样本数情况下,对比 LSTM 模型、ELM模型和真实值的区别。LSTM 模型在每个季节的功率预测中都更接近真实值,与 LSTM 模型相比,ELM 模型的功率预测结果有所不及,验证了 LSTM 模型在短期光伏发电功率的预测能力强于 ELM 模型。四季功率对比如图 4 所示。在图 4 中,横坐标为样本数,纵坐标为光伏功率,对比在 LSTM 模型下的四季光伏功率预测值,可以看出在同样的样本数中,夏季的光伏发电功率最大,其次是秋季和春季,光伏发电功率最小的是冬季,几乎为夏季发电量的一半。从整体上来看,ELM 模型有明显的偏差,而LSTM 模型预测效果更接近真实值,LSTM 模型的预测结果均优于 ELM 模型,再进一步计算两种预测模型的 MAE、RMSE、R 数值并分析模型的预测性能,计算结果如表 1 所示。041第 17 期2023 年 9 月无线互联科技研究创新No.17September,2023表 1 两组预测模型的预测结果季节ELM 模型LSTM 模型MAE/kWRMSE/kWRMAE/kWRMSE/kWR春季2.036 12.396 50.989 270.209 260.264 360.999 97夏季2.095 42.322 90.997 370.639 950.668 060.99 99秋季1.805 61.930 40.999 10.748 961.064 70.999 65冬季1.1591.220 20.998 850.385 90.460 830.999 93图 4 四季功率对比 从 LSTM 模型和 ELM 模型预测结果来看,以春季为例,ELM 模型预测结果的 RMSE 为 2.396 5 kW,而 LSTM 神经网络的应用使得光伏发电功率预测的 RMSE 值降低至 0.2643 6 kW,这充分说明了 LSTM 对于长期依赖信息的记忆和提取在光伏发电功率预测方面具备显著优势。与传统模型相比,LSTM神经网络通过添加“记忆”能力可以更好地处理时间序列数据的长期依赖,从而提高模型的准确性和适用性。以春季为例,综合对比 MAE、RMSE 和 R 的结果:两种预测方法中 ELM 模型 MAE=2.036 1 kW;LSTM模型的 MAE=0.209 26 kW。结果证明,带有记忆的LSTM 模型可以进一步提高其在光伏发电功率预测中的准确性并更好地发挥其模型拟合能力。实验结果表明,与 ELM 网络模型相比,LSTM 网络预测模型在预测光伏发电功率方面表现更为优越,这进一步验证了 LSTM 网络在光伏预测任务中的优势,表明它是一种具有很高应用价值的预测模型。同时,本文分别进行全年和为期 3 个月的光伏发电功率长期预测,预测结果如图 5 所示。图 5 功率预测结果 由图 5 所示,横坐标都为样本数,纵坐标为光伏功率和误差,在图 5(a)和 5(b)两图中,光伏功率的预测值跟真实值几乎一样,而全年的误差值在-1 和 1之间,而连续 3 个月的样本数中,刚开始出现较为明 显的误差。因此,在不同的样本数情况下,全年的预测结果更接近真实值,样本数量越多,预测结果越接近真实值。对比模型的预测结果如表 2 所示。141第 17 期2023 年 9 月无线互联科技研究创新No.17September,2023表 2 中长期功率预测的预测结果样本数MAE/kWRMSE/kWR2019 年全年0.298 070.310 980.999 98连续 3 个月0.378 790.476 030.999 94根据预测结果可知,LSTM 模型在对中长期光伏发电功率进行预测时,准确性越高,则表明 LSTM 模型在此领域的可行性越强。这也表明,通过针对LSTM 模型进行优化,可以进一步提高其对于中长期光伏发电功率的预测效果,也证实了 LSTM 模型对于中长期光伏发电功率预测的可行性。LSTM 神经网络在预测光伏发电功率方面拥有更高的预测准确性和广泛适用性。5 结语 综上所述,本研究对基于 LSTM 模型的太阳能光伏发电功率预测技术进行了全面深入的研究,包括实验设计、LSTM 模型的训练和预测以及模型性能评估和比较等方面。实验结果表明,该技术可以准确、可靠地预测太阳能光伏发电功率,具有很大的实际应用价值和推广价值。参考文献1龙平.独立运行风/光互补监测系统研究D.北京:中国科学院研究生院(电工研究所),2004.2MALVONI M,GIORGI D M,CONGEDO P M.Photovoltaic power forecasting using statistical methods:impact of weather dataJ.IET Science,Measurement and Technology,2014(3):90-97.3MELLIT A,BENGHANEM M,KALOGIROU S.An adaptive wavelet-network model for forecasting daily total solar-radiationJ.Applied Energy,2006(7):705-722.4朱尤成,王金荣,徐坚.基于深度学习的中长期风电发电量预测方法J.广东电力,2021(6):72-78.5金宇悦,康健,陈永杰.基于 LSTM 循环神经网络算法的风电预测技术 J.电子测试,2022(2):49-51.6李静茹,姚方.引入注意力机制的 CNN 和 LSTM复合风电预测模型J.电气自动化,2022(6):4-6.7戚晓侠.基于深度学习的光伏/风电功率预测研究D.哈尔滨:哈尔滨工程大学,2020.8GRAVES A.Long short-term memory M.Berlin:Springer,2012.9GREFF 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.基于相似时和 LSTM 神经网络的短期光伏功率预测D.南宁:广西大学,2020.(编辑 王雪芬)Research on power prediction of photovoltaic power generation based on neural network modelZhang Peng1 Xie Nan1 2 Cui Le1 2 1.School of Electronic Information and Electrical Engineering Shangluo College Shangluo 726000 China 2.Shangluo New Energy R&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 prediction241