宋紹劍，李博涵

（廣西大學(xué) 電氣工程學(xué)院，廣西 南寧530004）

0 引言

由于光伏發(fā)電功率具有隨機(jī)性和波動(dòng)性等特性，因此，大規(guī)模光伏發(fā)電并網(wǎng)會(huì)造成電網(wǎng)功率劇烈波動(dòng)，嚴(yán)重影響了電網(wǎng)系統(tǒng)的安全穩(wěn)定運(yùn)行以及調(diào)度規(guī)劃[1]。精準(zhǔn)預(yù)測(cè)光伏發(fā)電功率有利于電網(wǎng)調(diào)度人員合理調(diào)整發(fā)電計(jì)劃、維護(hù)電力系統(tǒng)的穩(wěn)定運(yùn)行。

目前，光伏發(fā)電功率預(yù)測(cè)方法有兩種，分別為基于物理模型的直接預(yù)測(cè)方法和基于歷史數(shù)據(jù)的間接預(yù)測(cè)方法[2]，[3]。直接預(yù)測(cè)方法主要依托天氣數(shù)值或氣象云圖等信息預(yù)測(cè)發(fā)電功率，所用的模型有天氣數(shù)值模型[4]、地基云圖模型[5]以及天氣數(shù)值與云量圖像相結(jié)合的預(yù)測(cè)模型[6]等。直接預(yù)測(cè)方法需要準(zhǔn)確的天氣預(yù)報(bào)信息、電站地理信息和大量的天空?qǐng)D像信息，且對(duì)采集設(shè)備和采集方式有較高的要求，導(dǎo)致該預(yù)測(cè)方法的魯棒性較差。同時(shí)，直接預(yù)測(cè)方法所用模型具有無法獲取時(shí)間相關(guān)性信息、缺少對(duì)歷史數(shù)據(jù)的記憶能力等缺點(diǎn)。間接預(yù)測(cè)方法包括時(shí)間序列法[7]、回歸分析法[8]等統(tǒng)計(jì)方法和人工神經(jīng)網(wǎng)絡(luò)[9]、支持向量機(jī)[10]等人工智能方法。間接預(yù)測(cè)方法能夠克服直接預(yù)測(cè)方法對(duì)物理機(jī)理掌握不足等困難，適用于光伏短期、超短期功率預(yù)測(cè)。長短期記憶（Long Short-term Memory，LSTM）網(wǎng)絡(luò)是一種具有時(shí)序記憶功能的遞歸神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Networks，RNN），將其應(yīng)用到光伏發(fā)電功率預(yù)測(cè)領(lǐng)域成為當(dāng)前的研究熱點(diǎn)。文獻(xiàn)[11]首次將LSTM網(wǎng)絡(luò)應(yīng)用到光伏發(fā)電功率預(yù)測(cè)中，分析結(jié)果表明，加入具有記憶能力的神經(jīng)網(wǎng)絡(luò)能夠有效提高預(yù)測(cè)精度。但由于此類研究尚處于起步階段，相關(guān)的研究較少，因此，基于LSTM網(wǎng)絡(luò)的預(yù)測(cè)方法仍然須要進(jìn)一步優(yōu)化研究。

本文建立了一種基于LSTM網(wǎng)絡(luò)的光伏發(fā)電功率短期預(yù)測(cè)模型（以下簡稱為LSTM網(wǎng)絡(luò)預(yù)測(cè)模型），利用LSTM網(wǎng)絡(luò)的歷史記憶能力和人工智能算法的自學(xué)能力，進(jìn)一步提高該模型的預(yù)測(cè)精度和適應(yīng)性能。在原始數(shù)據(jù)預(yù)處理過程中，本文依據(jù)日照晴朗指數(shù)將天氣類型量化為[0，1]內(nèi)的數(shù)值；然后，依據(jù)光伏電站當(dāng)?shù)貧夂蛱攸c(diǎn)將樣本數(shù)據(jù)進(jìn)行季節(jié)標(biāo)識(shí)；接著，為了降低輸入數(shù)據(jù)序列維度和模型復(fù)雜度，本文采用主成分分析法（Principal Component Analysis，PCA）對(duì)多元影響因素?cái)?shù)據(jù)進(jìn)行處理、分析，并篩選出累計(jì)貢獻(xiàn)率排名前8位的主成分作為本文模型的輸入，并結(jié)合歷史發(fā)電數(shù)據(jù)對(duì)LSTM網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行訓(xùn)練和測(cè)試；最后，將本文模型的預(yù)測(cè)結(jié)果與基于誤差反向傳播（Back Propagation，BP）的短期預(yù)測(cè)模型（以下簡稱為BP網(wǎng)絡(luò)預(yù)測(cè)模型）和不帶記憶能力的RNN網(wǎng)絡(luò)短期預(yù)測(cè)模型（以下簡稱為RNN網(wǎng)絡(luò)預(yù)測(cè)模型）進(jìn)行對(duì)比分析。分析結(jié)果表明，本文方法對(duì)時(shí)序數(shù)據(jù)預(yù)測(cè)具有較強(qiáng)的魯棒性、預(yù)測(cè)結(jié)果更加準(zhǔn)確，為電力調(diào)度部門調(diào)整發(fā)電計(jì)劃提供更有力的保障。

1 光伏發(fā)電功率的主成分分析

1.1 影響光伏功率輸出的關(guān)鍵因素

光伏發(fā)電功率的隨機(jī)性、波動(dòng)性等特征大大增加了預(yù)測(cè)難度。影響光伏發(fā)電功率的因素較多且復(fù)雜，主要分為兩類：一類是由電氣零件老化、參數(shù)設(shè)置、內(nèi)部損耗和安裝角度等光伏電站內(nèi)部因素導(dǎo)致的；另一類是由太陽輻射強(qiáng)度、溫度、風(fēng)速、季節(jié)特性等外部氣象因素導(dǎo)致的。由于光伏電池在出廠時(shí)已進(jìn)行了各項(xiàng)檢測(cè)，安裝角度和使用年限也是依據(jù)國家規(guī)定標(biāo)準(zhǔn)執(zhí)行的，因此，轉(zhuǎn)換效率等參數(shù)差別不大，于是本文將光伏電站內(nèi)部因素作為可控常量，僅把環(huán)境溫度、太陽輻射強(qiáng)度、天氣類型等外部氣象因素作為光伏發(fā)電功率預(yù)測(cè)的主要影響因素。為保證模型預(yù)測(cè)結(jié)果的準(zhǔn)確性，在建立光伏發(fā)電功率預(yù)測(cè)模型的過程中，應(yīng)全面考慮有關(guān)氣象因素的影響，但因這些氣象因素影響強(qiáng)度不同，過多輸入影響強(qiáng)度較低的氣象因素反而會(huì)增加數(shù)據(jù)冗余，對(duì)預(yù)測(cè)結(jié)果不利。另外，有些氣象因素之間存在一定的耦合性，而另一些氣象因素之間相互獨(dú)立，單純將某一氣象因素與光伏發(fā)電功率做相關(guān)性分析和篩選，會(huì)在一定程度上造成該氣象因素的隱含價(jià)值信息疏漏。綜上可知，采用PCA對(duì)主要影響因素進(jìn)行處理，既能提取有價(jià)值的信息、保證預(yù)測(cè)精度，又能降低輸入變量維度、節(jié)省運(yùn)算時(shí)間。

1.2 主成分分析

PCA將m維空間內(nèi)的因素群投影到p維空間上（p＜m），在包含原始數(shù)據(jù)信息的同時(shí)，將各因素整合重組構(gòu)成新的、維度較少的主成分?jǐn)?shù)據(jù)，計(jì)算步驟如下[12]。

①定義元素矩陣X=（x1，x2，…，xm）由m個(gè)因素，n組樣本數(shù)組成，則X的原始矩陣可表示為

②原始矩陣中變量xi與xj的相關(guān)系數(shù)rij（i，j=1，2，…，m）和相關(guān)系數(shù)矩陣R的計(jì)算式分別為

式中：I為單位向量。

累計(jì)貢獻(xiàn)率閾值的表達(dá)式為

式中：λj為特征根。

④將初始樣本數(shù)據(jù)序列投影到p個(gè)特征向量構(gòu)成的新序列，該新序列的主成分表達(dá)式為

式中：Yij為降維后的p維主成分；ej為特征向量。

累計(jì)貢獻(xiàn)率閾值a的取值根據(jù)原始數(shù)據(jù)維數(shù)和降維后試驗(yàn)精度的要求確定，由于降維后的數(shù)據(jù)矩陣既要包含原始數(shù)據(jù)的大部分有效信息，又要具有降維作用，因此，本文選取累計(jì)貢獻(xiàn)率在85%～95%的維度作為PCA的降維參考維度。主成分表征數(shù)據(jù)轉(zhuǎn)換到新維度中的維度信息，并不對(duì)應(yīng)初始各維度中原始變量的物理含義[13]。

2 長短期記憶神經(jīng)網(wǎng)絡(luò)

2.1 LSTM網(wǎng)絡(luò)結(jié)構(gòu)

LSTM是一種以循環(huán)神經(jīng)網(wǎng)絡(luò)RNN為基礎(chǔ)并加以改進(jìn)的深度學(xué)習(xí)算法，其核心思想是將數(shù)值為小數(shù)的梯度由連乘形式變?yōu)槔奂有问?，該方法可使LSTM在處理長期時(shí)序信息時(shí)解決梯度消失的問題。LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與RNN相似，均由輸入層、隱藏層和輸出層組成。LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖如圖1所示。圖中：xt-1，xt，xt+1分別為t-1，t，t+1時(shí)刻的網(wǎng)絡(luò)輸入變量；ht-1，ht，ht+1分別為t-1，t，t+1時(shí)刻輸出的短期狀態(tài)；ct-1，ct分別為t-1，t時(shí)刻的網(wǎng)絡(luò)記憶狀態(tài)；ft，it，ot分別為遺忘門、輸入門和輸出門；σ為sigmoid激活函數(shù)；gt為更新t時(shí)刻輸入狀態(tài)的控制門。

圖1 LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig.1 Schematic of LSTM neural network structure

由圖1可知，LSTM中模塊A讀取輸入xt，并輸出ht，信息從上一個(gè)步驟傳遞到當(dāng)前步驟進(jìn)行計(jì)算。與RNN不同的是，LSTM的模塊A中添加了由3個(gè)“控制門”單元和時(shí)間記憶“傳送帶”組成的記憶模塊。3個(gè)“控制門”分別為遺忘門ft、輸入門it和輸出門ot。遺忘門負(fù)責(zé)篩掉須要丟棄的信息；輸入門負(fù)責(zé)決定輸入新信息的數(shù)量；輸出門負(fù)責(zé)輸出狀態(tài)信息的位置。3個(gè)“控制門”是由sigmoid激活函數(shù)σ和一個(gè)逐點(diǎn)相乘的連接，實(shí)現(xiàn)對(duì)信息的控制。在信息傳輸過程中，ct-1通過遺忘門和輸入門的信息處理更新自身狀態(tài)變?yōu)閏t；然后，由tanh函數(shù)對(duì)ct進(jìn)行處理，處理結(jié)果與ot輸出項(xiàng)相乘，確定LSTM中模塊A須要輸出的結(jié)果，該結(jié)果與ct一同輸送到下一模塊中。網(wǎng)絡(luò)運(yùn)算過程中，ct與輸入信息共同決定輸出信息的同時(shí)，ct自身狀態(tài)也在不斷更新。攜帶記憶信號(hào)的ct，解決了RNN網(wǎng)絡(luò)梯度消失的問題，使得LSTM神經(jīng)網(wǎng)絡(luò)能夠真正有效地利用時(shí)序信息，各隱藏層之間的相互聯(lián)系使ct在時(shí)序數(shù)據(jù)分析中有很強(qiáng)的適應(yīng)能力，LSTM記憶模塊如圖2所示。

圖2 LSTM記憶模塊Fig.2 Memorymodule of LSTM

2.2 LSTM網(wǎng)絡(luò)的訓(xùn)練算法

LSTM神經(jīng)網(wǎng)絡(luò)的訓(xùn)練算法是一種隨時(shí)間展開的反向傳播算法 （Back Propagation Trough Time，BPTT）。LSTM神經(jīng)網(wǎng)絡(luò)的訓(xùn)練算法的具體步驟如下：首先，前向計(jì)算每個(gè)LSTM單元的輸出值；然后，反向計(jì)算每個(gè)單元的誤差項(xiàng)，利用相應(yīng)的誤差項(xiàng)計(jì)算每個(gè)權(quán)重的梯度；最后，權(quán)重通過梯度下降算法更新。LSTM訓(xùn)練流程圖如圖3所示。

3 光伏發(fā)電預(yù)測(cè)模型設(shè)計(jì)

3.1 數(shù)據(jù)處理

圖3 LSTM訓(xùn)練流程圖Fig.3 Process of LSTM network training

在實(shí)際預(yù)測(cè)過程中，存在由于設(shè)備故障、人為失誤、極端天氣等因素導(dǎo)致數(shù)據(jù)樣本出現(xiàn)信息異?；蛉笔В约坝捎谖锢硪饬x和單位量綱不同導(dǎo)致變量之間存在較大數(shù)量級(jí)差距的問題。為了解決上述問題，本文對(duì)原始數(shù)據(jù)樣本進(jìn)行缺失信息補(bǔ)充、歸一化等預(yù)處理，該做法在提高模型預(yù)測(cè)精度的同時(shí)減少了運(yùn)算步驟、提高了模型的訓(xùn)練效率。本文以2017年3月1日-2018年2月28日廣西某額定裝機(jī)容量為20MW的光伏電站的歷史發(fā)電數(shù)據(jù)作為實(shí)驗(yàn)依據(jù)。發(fā)電功率采樣時(shí)間間隔為30min。氣象因素采用中國氣象網(wǎng)和美國國家航空航天局（National Aeronautics and Space Administration，NASA）獲取的太陽輻射強(qiáng)度、地表溫度、天氣晴朗指數(shù)等。

缺失信息分為數(shù)值型數(shù)據(jù)和非數(shù)值型數(shù)據(jù)。當(dāng)缺失信息為數(shù)值型數(shù)據(jù)時(shí)，以該數(shù)據(jù)對(duì)應(yīng)的氣象因素的其他所有樣本數(shù)據(jù)的平均值來補(bǔ)充缺失信息；若缺失信息為非數(shù)值型數(shù)據(jù)時(shí)，可根據(jù)統(tǒng)計(jì)學(xué)中的眾數(shù)概念，以該缺失信息對(duì)應(yīng)的氣象因素中出現(xiàn)次數(shù)最多的信息補(bǔ)充缺失信息。將電站實(shí)測(cè)發(fā)電數(shù)據(jù)和對(duì)應(yīng)日氣象數(shù)據(jù)匹配后，通過歸一化處理，可使各維特征限定在一定的范圍內(nèi)，以降低運(yùn)算陷入局部最優(yōu)化的概率，歸一化公式為

式中：Xnorm為歸一化后的數(shù)據(jù)；X為原始數(shù)據(jù)；Xmax，Xmin分別為原始數(shù)據(jù)集中的最大值和最小值。

由于天氣類型屬于描述性詞匯，無法直接帶入模型，而日照晴朗指數(shù)是受天氣影響的一種無量綱量，不能完全替代天氣類型帶入模型，因此，本文以日照晴朗指數(shù)作為量化天氣類型的依據(jù)。隨機(jī)選取晴朗、多云、陰天、雨（雪）4種天氣類型各50 d的光伏電站的日發(fā)電量數(shù)據(jù)組成樣本集，利用該樣本集和對(duì)應(yīng)日的日照晴朗指數(shù)輸出散點(diǎn)圖如圖4所示。

圖4 各天氣類型樣本點(diǎn)與對(duì)應(yīng)日的日照晴朗指數(shù)的關(guān)系散點(diǎn)圖Fig.4 Relationship between weather types and insolation clearness index

以雨（雪）天氣為例，由圖4可知，散點(diǎn)分布對(duì)應(yīng)的日照晴朗指數(shù)集中在[0.1，0.3]，日照晴朗指數(shù)為0.15處的散點(diǎn)分布最為密集。4種天氣類型對(duì)應(yīng)的日照晴朗指數(shù)由小到大依次為雨（雪）＜陰天＜多云＜晴朗。本文將天氣類型按日照晴朗指數(shù)的平均值量化為[0，1]的離散數(shù)值。天氣類型量化結(jié)果如表1所示。

表1 天氣類型量化結(jié)果Table 1 Quantitative chartofweather type

除受氣象因素影響外，光伏電站發(fā)電功率也會(huì)隨季節(jié)更替發(fā)生變化。同種天氣類型出現(xiàn)在不同季節(jié)，光伏電站發(fā)電功率也會(huì)不同。以多云天氣為例，從數(shù)據(jù)樣本中抽取不同季節(jié)多云天氣時(shí)的光伏電站發(fā)電功率組成4組樣本，每組樣本取樣時(shí)間均為15 d。不同季節(jié)多云天氣類型光伏電站發(fā)電功率如圖5所示。

由圖5可知：夏季，光伏電站的發(fā)電功率高于其它季節(jié)；冬季，光伏電站的發(fā)電功率低于其它季節(jié)。為了進(jìn)一步提高本文模型的預(yù)測(cè)能力，將光伏電站的歷史發(fā)電功率與氣象因素對(duì)應(yīng)后，按季節(jié)對(duì)光伏電站的歷史發(fā)電功率進(jìn)行劃分，基于日照時(shí)間夏長冬短，雨、旱季節(jié)分明等氣候特點(diǎn)，以及光伏電站歷史發(fā)電功率的分析結(jié)果，將本文預(yù)測(cè)模型對(duì)四季時(shí)長的定義進(jìn)行了重新劃分。

圖5 不同季節(jié)多云天氣類型光伏電站發(fā)電功率Fig.5 Power generation of cloudyweather types in different seasons

圖6為廣西1981-2010年各月平均環(huán)境溫度曲線圖。

圖6 廣西1981-2010年各月平均環(huán)境溫度曲線圖Fig.6 Historical temperature curve of eachmonth in sampling area

由圖6可知，廣西全年歷史最低溫度出現(xiàn)在1月和12月，4-10月溫度偏高，2，3，11月為氣溫過渡月。根據(jù)中國氣象局統(tǒng)計(jì)的廣西氣候特征顯示，廣西氣候干濕分明，其中，4-9月為雨季，10月-次年3月為干季。結(jié)合氣候特征和候溫季節(jié)劃分法，將預(yù)測(cè)模型定義的春季設(shè)置為2-3月、夏季設(shè)置為4-9月、秋季設(shè)置為10-11月、冬季設(shè)置為12月-次年1月，其中，夏季標(biāo)識(shí)時(shí)長為6個(gè)月，其余3個(gè)季節(jié)標(biāo)識(shí)時(shí)長均縮短為2個(gè)月。

3.2 模型參數(shù)設(shè)置

LSTM網(wǎng)絡(luò)預(yù)測(cè)模型的輸入層為多元數(shù)據(jù)序列，根據(jù)實(shí)際采集到的信息相關(guān)性分析，輸入變量初始序列包含06：30-18：00時(shí)段，時(shí)間間隔為30 min的24個(gè)采樣點(diǎn)發(fā)電功率（春季選取時(shí)段為06：30-18：00，其它季節(jié)時(shí)段選取稍有不同，但每天采樣點(diǎn)數(shù)不變），結(jié)合采樣日對(duì)應(yīng)的地表溫度、距地面2m處的溫度、當(dāng)日最高溫度、當(dāng)日最低溫度、紅外線輻射量、霜點(diǎn)、濕度、風(fēng)速、天氣類型以及季節(jié)標(biāo)識(shí)信息，共計(jì)34維數(shù)據(jù)構(gòu)成一天的輸入變量初始序列。采用PCA對(duì)預(yù)處理后的輸入變量初始序列進(jìn)行分析，計(jì)算出序列中各主成分協(xié)方差矩陣特征值、方差貢獻(xiàn)率和累計(jì)貢獻(xiàn)率見表2。

表2 各主成分協(xié)方差矩陣特征值、方差貢獻(xiàn)率和累計(jì)貢獻(xiàn)率Table 2 Covariancematrix eigenvalues and variance contribution rate and accumulated contribution rate

由表2可知，前8個(gè)主成分累計(jì)貢獻(xiàn)率為94.983%，前8個(gè)主成分可以涵蓋原始樣本數(shù)據(jù)序列的絕大部分信息，主成分個(gè)數(shù)繼續(xù)增加后對(duì)應(yīng)的累計(jì)貢獻(xiàn)率增幅不大，因此，主成分?jǐn)?shù)量設(shè)置為8個(gè)。將34維初始輸入序列矩陣降維至新的8維矩陣中，輸入層節(jié)點(diǎn)數(shù)設(shè)置為8。模型的隱藏層層數(shù)越多，其非線性擬合能力越強(qiáng)，但訓(xùn)練時(shí)間也隨模型復(fù)雜度的提高而增長。經(jīng)過多次訓(xùn)練可知，LSTM隱含層節(jié)點(diǎn)數(shù)為14的結(jié)構(gòu)可以取得較好的預(yù)測(cè)效果，因此模型隱含層節(jié)點(diǎn)數(shù)設(shè)置為14。預(yù)測(cè)結(jié)果為待預(yù)測(cè)日06：30-18：00時(shí)間間隔為30min的發(fā)電功率，因此，預(yù)測(cè)模型輸出層的神經(jīng)節(jié)點(diǎn)數(shù)設(shè)置為24。

3.3 模型評(píng)價(jià)指標(biāo)

由于決定預(yù)測(cè)模型精確性的評(píng)價(jià)指標(biāo)較多，采取單一的評(píng)價(jià)指標(biāo)容易受到計(jì)算誤差的影響，因此，本文采用平均絕對(duì)誤差MAE、均方根誤差RMSE和相關(guān)系數(shù)R這3種誤差標(biāo)準(zhǔn)分別對(duì)預(yù)測(cè)結(jié)果進(jìn)行分析。MAE和RMSE值越小，R值越大表明預(yù)測(cè)效果越好。MAE，RMSE和R的計(jì)算式分別為

4 算例分析

為了檢驗(yàn)LSTM網(wǎng)絡(luò)預(yù)測(cè)模型的預(yù)測(cè)性能，從樣本中根據(jù)不同季度隨機(jī)抽取連續(xù)3 d的發(fā)電數(shù)據(jù)作為測(cè)試樣本，其余作為訓(xùn)練樣本。將LSTM網(wǎng)絡(luò)預(yù)測(cè)模型反歸一化的預(yù)測(cè)結(jié)果與基于BP和RNN網(wǎng)絡(luò)搭建的預(yù)測(cè)模型預(yù)測(cè)結(jié)果進(jìn)行比較，3種預(yù)測(cè)模型均采用同一數(shù)據(jù)集進(jìn)行訓(xùn)練和測(cè)試。BP網(wǎng)絡(luò)預(yù)測(cè)模型輸入層節(jié)點(diǎn)數(shù)為PCA降維后的8個(gè)輸入變量，輸出層節(jié)點(diǎn)數(shù)與LSTM網(wǎng)絡(luò)預(yù)測(cè)模型輸出層均為24個(gè)，隱含層節(jié)點(diǎn)數(shù)依據(jù)經(jīng)驗(yàn)公式計(jì)算得出合理范圍，經(jīng)過多次試驗(yàn)驗(yàn)證，最終設(shè)置為16個(gè)。RNN網(wǎng)絡(luò)預(yù)測(cè)模型結(jié)構(gòu)同理，輸入層節(jié)點(diǎn)數(shù)為8個(gè)，輸出層節(jié)點(diǎn)數(shù)為24個(gè)，經(jīng)過反復(fù)試驗(yàn)將其隱含層節(jié)點(diǎn)數(shù)設(shè)置為11個(gè)。3組預(yù)測(cè)模型學(xué)習(xí)速率均設(shè)為0.01，訓(xùn)練的目標(biāo)誤差為1×10-4，最大訓(xùn)練次數(shù)為1×103次。圖7為4個(gè)季節(jié)連續(xù)3 d測(cè)試樣本的發(fā)電功率預(yù)測(cè)結(jié)果對(duì)比。

圖7 不同季節(jié)下，3種模型連續(xù)3 d預(yù)測(cè)結(jié)果對(duì)比Fig.7 Comparison of threemodels for three consecutive days in different seasons

通過對(duì)比MAE，RMSE和R三者的結(jié)果分析預(yù)測(cè)模型的精度，3種預(yù)測(cè)模型預(yù)測(cè)四個(gè)季節(jié)的預(yù)測(cè)結(jié)果如表3所示。

以春季為例，BP，RNN網(wǎng)絡(luò)預(yù)測(cè)模型預(yù)測(cè)結(jié)果的MAE分別為4.771和3.216，而LSTM網(wǎng)絡(luò)預(yù)測(cè)模型的MAE降低到了1.657；BP，RNN網(wǎng)絡(luò)預(yù)測(cè)模型預(yù)測(cè)結(jié)果的RMSE分別為7.34，5.29，LSTM網(wǎng)絡(luò)預(yù)測(cè)模型的RMSE降低到了4.1。

為進(jìn)一步驗(yàn)證LSTM網(wǎng)絡(luò)預(yù)測(cè)模型在不同天氣類型下預(yù)測(cè)光伏發(fā)電功率的準(zhǔn)確性，在相同季節(jié)（春季）的樣本中，再次隨機(jī)選取4種天氣類型各一天的發(fā)電功率作為測(cè)試樣本，剩余樣本數(shù)據(jù)作為訓(xùn)練樣本。不同天氣類型下3種網(wǎng)絡(luò)預(yù)測(cè)模型的預(yù)測(cè)結(jié)果與實(shí)測(cè)發(fā)電功率數(shù)據(jù)如圖8所示。

表3 3種預(yù)測(cè)模型四季的預(yù)測(cè)結(jié)果Table 3 Error results of three predictionmodels in four seasons

圖8 3種模型在不同天氣類型下的預(yù)測(cè)結(jié)果對(duì)比Fig.8 Comparison of threemodels in differentweather types

由圖8可知，晴朗與多云天氣條件下LSTM網(wǎng)絡(luò)預(yù)測(cè)模型的預(yù)測(cè)結(jié)果明顯優(yōu)于BP與RNN網(wǎng)絡(luò)預(yù)測(cè)模型，而陰天和雨天的預(yù)測(cè)結(jié)果相對(duì)稍差，故再次計(jì)算了4種天氣類型中3組預(yù)測(cè)模型的MAE，RMSE，R進(jìn)行比較，計(jì)算結(jié)果見表4。

表4 3種預(yù)測(cè)模型不同天氣類型的預(yù)測(cè)結(jié)果Table 4 Error results of three predictionmodels in differentweather types

由表4可知，在晴朗和多云天氣下，LSTM網(wǎng)絡(luò)預(yù)測(cè)模型的預(yù)測(cè)誤差明顯低于其他兩種預(yù)測(cè)模型；陰天和雨天的MAE小于4，RMSE小于5.5，R值為0.966，均優(yōu)于BP和RNN網(wǎng)絡(luò)預(yù)測(cè)模型的預(yù)測(cè)結(jié)果。

在光伏發(fā)電功率預(yù)測(cè)方面，本文基于LSTM網(wǎng)絡(luò)搭建的預(yù)測(cè)模型的預(yù)測(cè)誤差明顯低于BP、RNN網(wǎng)絡(luò)預(yù)測(cè)模型的預(yù)測(cè)誤差，在不同季節(jié)的預(yù)測(cè)結(jié)果都具有良好的預(yù)測(cè)精度，由此證明了本文方法在時(shí)序預(yù)測(cè)方面的準(zhǔn)確性，以及預(yù)測(cè)模型在惡劣天氣條件下運(yùn)算的魯棒性，在光伏發(fā)電預(yù)測(cè)方面具有較為明顯的優(yōu)勢(shì)。

5 結(jié)論

由于光伏發(fā)電功率數(shù)據(jù)具有時(shí)序性和非線性的特點(diǎn)，而傳統(tǒng)的機(jī)器學(xué)習(xí)模型和物理模型無法同時(shí)兼顧這兩個(gè)問題，使得預(yù)測(cè)精度較低。本文基于LSTM網(wǎng)絡(luò)搭建的預(yù)測(cè)模型在訓(xùn)練和預(yù)測(cè)時(shí)，可以有效地保留或剔除歷史訓(xùn)練產(chǎn)生的影響因素，使預(yù)測(cè)結(jié)果能夠更好地體現(xiàn)數(shù)據(jù)信息的時(shí)序性。在預(yù)處理階段按季節(jié)劃分樣本數(shù)據(jù)，經(jīng)過對(duì)冗余信息處理后輸入到預(yù)測(cè)模型中，提高預(yù)測(cè)模型的數(shù)據(jù)處理效率。將LSTM，RNN和BP網(wǎng)絡(luò)預(yù)測(cè)模型均在劃分好的數(shù)據(jù)集中比較試驗(yàn)，試驗(yàn)結(jié)果證明LSTM在預(yù)測(cè)光伏發(fā)電功率時(shí)具有更好的魯棒性和泛化能力。