基于LSTM光伏发电功率超短期预测模型研究_周浩杰.pdf

2023.6Vol.47No.6研 究 与 设 计收稿日期：2022-11-13基金项目：国家自然科学基金(11504227)；中电华创电力技术研究有限公司项目(ZGDL-KJ-2022-012-Y)作者简介：周浩杰(1996)，男，江苏省人，硕士研究生，主要研究方向为光伏功率预测及智能故障诊断。通信作者：王尊基于LSTM光伏发电功率超短期预测模型研究周浩杰1,2，杨建卫3，王尊2，胡磊3，曹晟磊2(1.上海电力大学 数理学院，上海 201306；2.中电华创(苏州)电力技术研究有限公司，江苏 苏州 215123；3.中电华创电力技术研究有限公司，上海 200080)摘要：精准地预测光伏发电功率有利于保证电网的稳定运行。采集了江苏常熟某75 MW光伏电站和山西大同某100MW电站数据，利用相关系数法对影响光伏电站输出功率的因素进行分析。搭建了长短期记忆神经网络(LSTM)功率预测模型，对两个电站的输出功率进行预测。为验证LSTM模型和同一算法下不同电站的功率预测精度，使用循环神经网络(RNN)算法和前馈神经网络(BP)算法搭建预测模型，并与LSTM算法进行对比分析，通过模型评价指标平均绝对误差(MAE)、均方根误差(RMSE)及决定系数R2，对三种模型之间的误差值进行比较，结果表明采用LSTM算法预测模型精度更高，且不同电站采用同一网络模型时，电站输出功率和气象数据的相关系数值越大，模型的功率预测值更加贴近实际值。关键词：功率预测；降维；LSTM神经网络中图分类号：TM 615文献标识码：A文章编号：1002-087 X(2023)06-0785-05DOI:10.3969/j.issn.1002-087X.2023.06.021Research on ultra-short term prediction model of photovoltaic powergeneration based on LSTMZHOU Haojie1,2,YANG Jianwei3,WANG Zun2,HU Lei3,CAO Shenglei2(1.School of Mathematics and Physics,Shanghai Electric Power University,Shanghai 201306,China;2.CLP Huachuang(Suzhou)Power Technology Research Co.,Ltd.,Suzhou Jiangsu 215123,China;3.CLP Huachuang Power Technology Research Co.,Ltd.,Shanghai 200080,China)Abstract:Accurate prediction of photovoltaic power generation is conducive to ensuring the stable operation of thepower grid.The data of a 75 MW photovoltaic power station in Changshu,Jiangsu and a 100 MW station in Datong,Shanxi were collected,and the factors affecting the output power of photovoltaic power station were analyzed by usingthe correlation coefficient method.The LSTM neural network power prediction model was built to predict the outputpower of the two photovoltaic power station.In order to verify the accuracy of the LSTM model and the powerprediction accuracy of different power stations under the same algorithm,RNN algorithm and BP algorithm wereused to build the prediction model,and compared with LSTM algorithm.Through the model evaluation indexesincluding MAE,RMSE and R2,the error values between the three models were compared.The results show that theprediction model with LSTM algorithm has higher accuracy,and when different power stations adopt the samenetwork model,the larger the correlation coefficient between output power and meteorological data,the closer thepower prediction value of the model is to the actual value.Key words:power prediction;dimensionality reduction;LSTM neural network世界各国纷纷提出碳中和战略目标，而太阳能具有分布广泛、取之不尽和能源利用率高等优点1，因此得到了快速发展。但光伏发电的波动性却给电网安全带来了诸多问题，例如：光伏发电量过少会导致电网送电过程中传输电能过少；光伏电站发生弃光现象，导致太阳能资源的大量浪费等。精准预测光伏发电功率有利于减少弃光现象，确保电网运行的稳定性、经济性和安全性。精准预测光伏发电输出功率是当前一个研究热点，YANG等对光伏发电功率进行周期性提取，在不同天气条件下，对不同算法模型的预测曲线进行比较，突出局部敏感哈希算法的优越性1；YANG 等提出一种基于预测经验的卡尔曼滤波光伏功率预测模型，并与基于历史经验的预测方法对比，从而突显此模型的优势2；PAN等利用改进蚁群算法优化支持向量机，优化后的支持向量机算法预测精确度有所提高3。上述文献中，不论是对模型算法进行优化研究，还是分析不同天气条件对预测模型的影响，均只使用了一个光伏电站对光伏发电功率进行预测。本文通过计算江苏常熟某 75 MW 电站和山西大同某7852023.6Vol.47No.6研 究 与 设 计100 MW 电站的光伏发电功率和气象数据之间的相关系数，减少输入变量特征维度，从而降低预测模型的复杂性。以此搭建长短期记忆神经网络(LSTM)超短期功率预测模型，并搭建循环神经网络(RNN)和前馈神经网络(BP)进行对比分析。对两个电站2021年12月31日7时至16时45分时段内15 min分辨率的输出功率进行预测，进一步分析气象数据和光伏发电功率的相关系数对模型预测精度的影响。1 数据处理通过新能源集约化智慧管理平台，下载 2021年 712月江苏常熟某 75 MW 光伏电站和山西大同某 100 MW 光伏电站的数据，设置采样时间间隔15 min。但在数据传输中，难免会有数据缺失和异常值的出现4，因此对数据做预处理必不可缺5-6。1.1 异常值处理异常值与数据集中的其它值存在明显的区别，主要表现在异常值偏离其它样本值7-8。使用箱型图进行数据中偏离值的检测，箱型图如图1所示。当数据集中的值在上下界之外时，即为偏离值。还需要结合实际，判断所检测出的偏离值是否为异常值。找出异常值之后根据数据集中异常值的数量，选择合适的修正公式，在异常值较少的情况下，修正异常值通常采取平均值法，即平均值为修正值，算法如式(1)所示：(1)式中：Xt是异常值；Xt1是异常值前一个数据；Xt+1是异常值后一个数据。1.2 数据归一化不同的特征变量的量纲并不一致，若直接进行数据分析，会影响到预测结果，因此需要对数据进行标准化处理。归一化数据会被压缩到 01 之间，此时数据变为无量纲数据，简化了模型预测的复杂度9，归一化公式如公式(2)所示：(2)式中：Pi、Pa分别为初始序列的最小值和最大值；Pg为归一化的值；P是初始序列值。神经网络训练输出数据是无量纲数据，为使其变为有量纲数据，需要对数据做反归一化，反归一化公式如式(3)所示：(3)式中：gmax为初始数据的最大值；gmin为初始数据的最小值；g为归一化数值；g*为反归一化数值。1.3 相关性分析对气象数据和历史发电功率进行相关性分析，有利于择优选取相关性程度高的输出特征变量10，提高预测精度。使用斯皮尔曼(Spearman)相关系数测算两个变量之间的相关系数11。其计算公式如式(4)所示：(4)式中：di表示两个变量在原始数据集中从小到大排序之后，所产生的位置差值；n表示原始数据集的数量；r表示两个变量相关系数值，需要特别注意的一点是 r 的大小反映两个变量的相关程度，r越大则变量之间的相关性越高。使用 Spearman 相关系数计算出电站的历史发电功率和天气数据之间的相关系数，表 1中显示了发电功率和气象数据之间的相关系数。由表 1可知，常熟某 75 MW 电站和大同某 100 MW 电站的历史发电功率和各气候因素之间的相关系数值。大同某100 MW电站的气象数据中除了辐照度和输出功率呈现较强的相关性，其余气象数据基本上和输出功率没有任何的相关性；在常熟某 75 MW 光伏电站中，电站辐照度及水平散射辐照度和历史发电功率呈现极强相关性，温度和输出功率中等相关，其它气象数据和输出功率基本上无相关性。综上可知，两座电站的辐照度和历史发电功率的相关系数值最大。本文选用电站辐照度、水平散射辐照度、温度作为输入变量，历史发电功率作为标签数据。2 长短期神经网络本文利用LSTM神经网络进行光伏发电功率预测模型的搭建，LSTM神经网络结构图如图2所示。图1箱型框图11=2tttXXX-+igai=PPPPP-*maxminmin=()ggggg-+2121)61(niidrn n=-图2LSTM神经网络结构示意图表 1 发电功率和气象因素相关性分析结果 序号 影响因素 江苏常熟某 75 MW 电站相关系数 山西大同某 100 MW 电站相关系数 1 历史发电功率 1.000 1.000 2 辐照度 0.963 0.761 3 水平散射辐照度 0.758 0.651 4 风向 0.310 0.123 5 风速 0.157 0.245 6 温度 0.548 0.179 7 压强 0.105 0.163 8 湿度 0.535 0.143 7862023.6Vol.47No.6研 究 与 设 计图 2中的模块 A输入数据 at1，并输出长短时记忆单元，长时记忆单元为内部记忆信息单元 ct1，短时记忆单元为输入数据的隐式编码 dt1，ct1和 dt1具有传递数据信息的作用，将长短时记忆信息传输到下一个模块中。LSTM 模块 A内部主要由三种门it、ft、ot组成，输入门、遗忘门和输出门使用各自的功能对当前时刻的输入数据at、上一时刻输入数据的隐式编码dt1以及内部记忆单元输出ct1进行信息处理后，输出下一时刻的长短时记忆单元信息 dt和 ct。其中，三种门采用非线性激活函数 sigmoid 实现对信息的控制，门起到了控制的作用，值域被压缩到01之间，当某种门的值域为0时，此门处于全闭状态，不能传递任何信息，值域为 1时，与 0状态相反。控制门gt使用了tanh函数，信息复合时，可以进行信息修正。输入门、遗忘门、控制门及输出门的信息输出公式如下所示：(5)(6)(7)(8)式中：wai、wdi、waf、wdf、wag、wdg、wao、wdo均为权值矩阵；bi、bf、bg、bo分别为对应门单元的偏置项。内部记忆单元ct1经过门模块，更新为ct。内部记忆单元ct信息输出公式为：(9)输入数据的隐式编码dt的输出公式为：(10)3 算法模型设计3.1 模型设计LSTM训练算法采用多对一的模型，提取 7时到 16时45分时段内间隔 15 min的 40个采样点的历史发电数据和气象数据。温度、电站辐照度、水平散射辐照度、风向、风速、压强及湿度等共计 7维数据构成一天的输入变量初始序列，历史发电功率作为预测标签数据。采用 Spearman 相关系数法分析相关性，将相关系数排行前三的特征变量作为输入变量，输入层节点个数设为 3。使用不同的隐藏层对模型进行训练，选取预测结果最好的一次训练隐藏层，即隐藏层节点数设为10，输出层为预测功率值，输出层节点设为1。同时设置训练集占总数据集80%，测试集占20%。本文中LSTM网络的相关参数如表2所示。其余神经网络的网络模型参数设置和LSTM神经网络相同。基于LSTM长短时记忆神经网络的训练算法流程图如图3所示。图3中，LSTM模型算法如下：输入：训练集Xtrain,Ytrain，测试集Xtext,Ytext；步骤：(1)将训练集数据平均划分为30组；(2)提取每组数据中的LSTM特征Xitrain,Yitrain；(3)根据训练数据，输入 Xitext，计算下一时刻的发电功率来测试Yitext；结束；返回数据；输出：经网络模型训练后的发电功率。3.2 模型评价指标利用单一的指标对模型评价，结果不太精确，所以本文使用决定系数R2、均方根误差RMSE和平均绝对误差 MAE来衡量算法模型的性能12。三种指标的计算公式分别为：(11)(12)(13)式中：n 为测试集数据量；SST 为总平方和；SSR 为回归平方和；SSE为残差平方和。4 算例分析与验证为验证 LSTM 算法在光伏发电功率预测方面的效果，在选取相同数据集的情况下，测试 RNN 和 BP算法的预测模型性能，与LSTM算法结果做对比分析。4.1 算例设计采集 2021 年 712 月每天 7时至 16 时 45 分时段内间隔1sigmoid()taftd ftffw awdb-=+()1sigmoidtaitditiiw aw db-=+1=tan)h(tagtdgtggw aw db-+1sigmoid(+)taotdotoow aw db-=+1tttttccfi g-=+tanh()tttdoc=表 2 LSTM 神经网络参数设置 参数 数值 数据量 7 320 激活函数 sigmoid 网络层数 3 丢失率 0.2 1 000次迭代前学习率 0.009 4 1 000次迭代后学习率 0.000 94 训练最大迭代次数 2 000 图3LSTM训练流程图21()nRMSEn-=预测值实际值1nMAEn-=预测值实际值21=SSESSRRSSTSST-7872023.6Vol.47No.6研 究 与 设 计15 min 常熟某 75 MW 电站和大同某 100 MW 电站的历史数据作为实验数据，利用 Spearman 相关系数法进行相关性分析，降维之后的数据集包含历史发电功率、水平散射辐照度、电站辐照度、温度构成4维数据序列矩阵，为了能够清晰地看出光伏发电功率和气象数据之间的相关性，使用数据分析软件进行数据的相关性拟合，相关性拟合曲线如图4所示。由图 4可知，三大输入特征变量和预测标签数据之间的相关性变化，电站辐照度相关性最高，水平散射辐照度次之，温度和历史发电功率的相关性最低，与表 1中相关性分析结果一致。4.2 算例仿真利用 Tensorflow 神经网络框架进行算例仿真，预测常熟某电站和山西大同某电站 2021 年 12 月 31 日 7 时至 16 时 45分时段内间隔15 min的历史发电功率，仿真结果如图5所示。由图 5可知，LSTM 神经网络预测模型的预测效果优于 RNN算法和BP算法。为了进一步分析不同电站在不同算法下的预测误差，计算3种预测模型的MAE、RMSE和R2进行比较，结果如表3、图6所示。由图 6可知，LSTM 算法下常熟某 75 MW 电站的功率预测值的 RMSE 为 0.008，LSTM 算法下大同某 100 MW 电站的功率预测值的 RMSE是0.019，和其余两种神经网络算法相比略有下降。在MAE评价指标中，LSTM算法下常熟某75 MW电站的功率预测误差和BP算法相比降低了5%，和RNN算法相比降低了4%；而LSTM算法下大同某100 MW电站的功率预测的 MAE 为 0.13，相对 BP 算法而言预测误差值下降 7%，相对RNN算法下降4%。通过R2判断实际曲线和预测曲线的拟合优度，LSTM 算法模型下的 R2值明显要比 BP 算法和RNN 算法的值大，说明与其他两个算法相比，LSTM 算法预测精度更高。此外，由于常熟某75 MW电站的气象数据和历史功率的相关系数值大于大同某 100 MW 电站的相关系数值，故在同一算法模型下，常熟某 75 MW 电站的功率预测值更加贴近实际数值。5 结论随着光伏电站大量并入电网，有针对性地对光伏发电输出功率做出精准预测，能够使电网对光伏发电的不确定性提前预判，本文通过相关系数法分析两个电站的气象数据和历史发电功率之间的相关性，建立了一种LSTM算法预测模型，并将 LSTM 神经网络、BP 神经网络及 RNN 神经网络这三种图4气象因素和历史发电功率相关性拟合曲线图5不同算法下功率预测结果对比图表 3 模型预测误差指标对比 电站类型 网络模型 误差指数 RMSE MAE R2/%江苏常熟某 75 MW电站 LSTM 0.008 0.06 86.0 RNN 0.011 0.10 81.0 BP 0.014 0.11 77.0 山西大同某 100 MW电站 LSTM 0.019 0.13 80.0 RNN 0.025 0.17 75.3 BP 0.036 0.20 70.0 图6不同电站预测误差对比图7882023.6Vol.47No.6研 究 与 设 计算法的预测结果作对比分析，比较不同电站在同一算法下的预测精度，结果表明 LSTM 神经网络预测模型在光伏发电功率预测方面具有明显的优越性、应用性，且不同电站采用同一算法模型时，电站的历史功率和气象数据的相关系数值越大，模型的预测精度越高。致谢：感谢中电华创(苏州)电力技术有限公司提供的训练样本数据。参考文献：1YANG M,HUANG X.Ultra-short-term prediction of photovoltaicpower based on periodic extraction of PV energy and LSHalgorithmJ.IEEE Access,2018,6(51):200-205.2YANG Y,YU T Y,ZHAO W G,et al.Kalman filter photovoltaicpowerpredictionmodelbasedonforecastingexperienceJ.Frontiers in Energy Research,2021,9:682852.3PAN M Z,LI C,GAO R,et al.Photovoltaic power forecastingbased on a support vector machine with improved ant colonyoptimizationJ.Journal of Cleaner Production,2020,277:123938.4岳加利，郝静，卢海林，等.桥梁结构监测数据异常值处理方法J.武汉工程大学学报，2022，44(1)：107-111.5张洁，郝倩男.基于烟花算法优化BP神经网络的光伏功率预测J.计算机技术与发展，2021，31(10)：146-153.6陈德会，杨海艳，曲宏伟.基于 BP神经网络的光伏发电功率预测研究J.东北电力技术，2018，39(4)：42-44.7奚海蛟，张晓林.基于滑动多项式回归分析的区间估计和飞行数据异常值处理J.宇航计测技术，2008，28(6)：55-58.8魏治文，程琳，来记桃，等.几种异常值判别准则在安全监测数据处理中的应用J.大坝与安全，2009(1)：67-69，84.9黎长江，胡燕.基于循环神经网络的音素识别研究J.微电子学与计算机，2017，34(8)：47-51.10苏丽敏，何慧爽.基于区间数的Spearman秩相关系数的多属性决策方法J.统计与决策，2019，35(6)：51-53.11 邵 康 鹏.一 种 晶 圆 测 试 参 数 的 相 关 性 判 断 方 法 及 系 统：CN113933672AP.2022-01-14.12YU S W,HAO S M,MU J,et al.Optimization of wall thicknessbased on a comprehensive evaluation index of thermal mass andinsulationJ.Sustainability,2022,14(3):1143.789