基于LSTM的超短期光伏发电功率预测

管军霖，智 鑫

（桂林电子科技大学，广西 桂林 541004）

0 引 言

随着社会经济的不断发展，人们对能源的需求也在增长。然而现有的化石燃料不再能够满足人类社会的可持续发展要求。人们需要发现和使用更多的可再生能源。太阳能作为一种清洁友好的可再生能源，已经引起人们越来越多的关注。在过去几十年中，太阳能的利用迅速发展，在电网中所占的比重越来越大，世界上光伏发电站的总装机容量正以迅猛得速度增长。

光伏发电站的装机容量逐渐增加，但是光能的利用却不一定与之匹配。由于光伏发电的间歇性和不确定性，很难准确地预测某一时刻的发电量。如果对此不加以限制将导致发电与功耗之间的不平衡，从而损坏电网。为了减少这种危险情况的发生，保持发电的稳定性，许多发电场采用限制发电量的方法避免此种危险，这导致大量太阳能资源的浪费。实际上，人们需要在保持电网安全的同时，尽可能合理地利用光能。如果可以更准确地预测光伏发电功率，那么调度部门就可以进行合理地调度，这样既保证电网的安全，又同时提高了光能的利用率。

1 影响光伏发电功率的因素分析

在当前的光伏发电条件下，气象、地域等因素都会影响光伏发电的功率。此外，还可以根据光伏面板的物理参数、面积、温度、光照幅度及转化效率等数据建立简单公式模型。这种建模方式比较容易但精度一般，因为无法在预测过程中考虑到所有的物理影响因素，模型原理本身就存在误差。仅仅根据经验公式模型得出的预测结果是不满足电厂调度的需求的，因此需要考虑更多影响光伏发电功率的因素，建立更加复杂的模型来获得更高精度的预测。

2 预测算法简介

光伏发电功率预测算法是以测量或预测得到的天气预报为基础，结合光伏电站所处地理位置的地域特点建立预测模型，实现对未来光伏发电站输出功率的预测。根据预测时间的长短，光伏发电功率预测分为超短期功率预测、短期功率预测及中长期功率预测，其中超短期功率预测的预测时间一般为15 min～4 h。

当前，光伏功率预测领域常用的方法包括物理方法、统计方法及机器学习方法。物理模型需要高度准确的天气预报数据，但是光能非常不稳定，并且在短时间内表现出很强的随机性，所以物理方法一般较少使用。统计方法是通过找出历史数据的内在规律建立历史数据与输出功率的函数映射关系，进一步预测光伏发电功率的一种方法。此方法需要大量历史的光伏电站数据作为建模基础，所以不适用新建的光伏电站。基于机器学习的方法主要是建立数据的非线性关系，使用SVM等模型[7-8]建立非线性映射，较传统方法具有准确率高的优点。

在过去的几年中，研究人员已经在机器学习的基础上开发出了强大的深度神经网络（DNN）。DNN在时间序列预测等领域取得了巨大的成功[4-6]，在学习数据的特征表示方面能够减少手动设计特征的数量。递归神经网络（RNN）是DNN的一种，RNN具有隐藏层状态，并将历史数据与当前数据融合在一起，这种设计在预测时间序列的问题上有很大的优势。但是，RNN对时间跨度小的数据具有很好的预测效果，如果时间跨度较大，则会出现梯度减小问题。为了解决这个问题，本文利用深度学习领域的LSTM模型来预测光伏发电功率，并且使用自编码器以达到减少特征数量，提高模型的泛化能力并缩短训练时间的效果。

3 LSTM简介

长短期记忆网络（Long Short Term Memory Networks，LTSM），是一种时间循环神经网络，适用于处理和预测时间序列中间隔和延迟较长的重要事件，其结构如图1所示。在深度学习领域中，以CNN为代表的传统前馈神经网络在解决分类任务方面表现优异，但无法处理信息之间复杂的时间相关性。由于LSTM的神经网络中包含时间记忆单元，因此在时间序列预测中有应用较多。

4 LSTM在超短期光伏发电功率预测中的应用

基于LSTM预测光伏发电功率是一个热门的研究，已有大量研究证明LSTM在时间序列预测方面可以取得较好的结果，现有文献对我们采用LSTM进行超短期功率预测有启发作用，但更多研究是利用历史发电数据进行预测，本文将结合超短期光伏功率预测的特点，兼顾天气数据与光伏板物理性质，提升LSTM网络在本问题中的预测效果。

4.1 特征选择

将LSTM方法应用于任何数据集以预测未知输出值的过程包括三个一般阶段：数据预处理以提取特征；训练预测模型的同时观察训练数据集的验证准确性；对测试数据集的预训练模型进行评估。其中，先要对采集到的数据进行预处理，使其格式合适，不存在数据丢失、异常值和数据值错误等异常情况，并提取相关特征。

本模型使用了采集到的板温、现场温度、光照强度、转换效率、转换效率、电压、电流、功率、平均功率、风速及风向等参数进行训练和测试。相比于传统的预测流程，引入了光伏发电板本身的物理状态用于对超短期功率的预测。由于特征的加强，超短期功率预测的精度也会相应增加[1-3]。

4.2 自编码器

自编码器是一种全连接的神经网络，用于学习对输入矩阵具有最小重构误差的低维隐藏变量。如图2所示，自编码器包含两个部分：编码器和解码器，编码器实现将数据从高维映射到低维，解码器实现将数据从低维还原。编码器可以看作是一个前馈自底向上的步骤，而解码器可以看作是一个反馈自顶向下的生成步骤。通过自编码器的学习，将高维度的输入矩阵转换为低维度的表示，同时保证重构误差最小。利用编码器部分的输出作为后续模型的输入数据，可以预先挖掘出输入数据之间的内在关系，减小特征的维度，有利于后续LSTM模型对特征的提取。

图1 LSTM结构

图2 自编码器结构

4.3 实验结果

本次实验使用的数据共包含8 410条光伏发电历史数据，表1列出了其中一条数据的内容，每条数据包含11个代表光伏发电站状态的不同特征的特征值。

表1 实验使用的特征

仿真实验中首先将包括发电板的物理状态与天气数据在内的所有特征通过自编码器进行无监督的学习，再将自编码器的隐藏层输出作为LSTM网络的输入，最后利用LSTM网络每隔15 min预测一次超短期功率。本次实验在现有研究的基础上，增加了光伏板本身物理状态用于功率预测。图3显示了预测功率与实际功率的比较，二者曲线基本一致，可见合理利用光伏板物理状态对于超短期功率预测有很大帮助。

5 结 论

图3 超短期功率预测

本文相较于传统的超短期光伏功率预测方法，引入了光伏板本身物理参数如电压、电阻及电流等作为新特征用于LSTM网络的输入。仿真结果表示本改进的LSTM网络在超短期光伏功率预测中表现优秀，可以为光伏电站的能源调度提供帮助，有助于提高整体光伏产量。此外，还有一些影响光伏发电功率的因素本文还没有加入模型用于功率预测，如光伏板灰尘积累等。后续研究将针对此类因素，探究其对光伏发电效率的影响，进一步提高超短期光伏功率预测的准确率。