李新軍 趙 猛 王洪勉 陳博峰 李勝明

（北京智芯微電子科技有限公司，北京 100096）

0 引言

根據(jù)開發(fā)方式的不同，可以將光伏發(fā)電分為集中式和分布式。由于分布式光伏具有安裝靈活、可就地消納等優(yōu)點，因此得到了廣泛應(yīng)用。大規(guī)模分布式光伏接入配電網(wǎng)，增加了電網(wǎng)負荷的波動性，給電力系統(tǒng)的合理調(diào)度帶來了嚴(yán)峻挑戰(zhàn)。準(zhǔn)確的分布式光伏超短期功率預(yù)測對支撐電網(wǎng)的實時調(diào)度、保證實時供需平衡具有重要意義。

然而，現(xiàn)有的研究大多聚焦于集中式光伏，分布式光伏并不具備集中式光伏的氣象數(shù)據(jù)條件，因此不能直接將集中式光伏預(yù)測方法套用于分布式光伏。考慮分布式光伏場站大多處于相同或相似的外部條件下，各場站出力間存在強時空相關(guān)性。因此，充分挖掘場站間的時空相關(guān)性有利于進一步提高分布式光伏發(fā)電功率預(yù)測精度。因此，該文提出了一種基于Attention-LSTM 的分布式光伏超短期功率預(yù)測方法。首先，將目標(biāo)場站與鄰近場站的出力數(shù)據(jù)作為模型的輸入，利用長短期記憶神經(jīng)網(wǎng)絡(luò)提取各場站的時間特征。其次，利用Attention 機制動態(tài)挖掘各場站出力時間特征對目標(biāo)場站出力的影響程度，并對多場站時間特征進行重構(gòu)。最后，利用鄰近場站出力數(shù)據(jù)代替外部氣象數(shù)據(jù)，提高目標(biāo)場站的功率預(yù)測精度。

1 長短期記憶神經(jīng)網(wǎng)絡(luò)

長短期記憶神經(jīng)網(wǎng)絡(luò)（Long Short Term Memory， LSTM）是循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network， RNN） 的一種特殊變體，適合處理和預(yù)測時間序列中間隔和延遲相對較長的重要事件。

LSTM 的基本單元內(nèi)部結(jié)構(gòu)如圖1 所示。一個LSTM 單元由1 個記憶細胞和3 個門結(jié)構(gòu)組成。在時刻下，記憶細胞狀態(tài)、輸入門用于控制哪些信息應(yīng)該被保留，遺忘門用于控制哪些信息應(yīng)當(dāng)被遺忘，輸出門根據(jù)記憶細胞當(dāng)前的狀態(tài)和輸入確定輸出。當(dāng)執(zhí)行學(xué)習(xí)任務(wù)時，LSTM 可以確定應(yīng)該保留還是遺忘上一時刻單元的狀態(tài)，因此能很好地學(xué)習(xí)時間序列長期和短期的依賴關(guān)系。LSTM 的具體計算過程如公式（1）～公式（5）所示。

圖1 長短期記憶神經(jīng)網(wǎng)絡(luò)單元結(jié)構(gòu)圖

式中：f、i、o和c分別為時刻下的遺忘門、輸入門、輸出門和記憶細胞狀態(tài)；W、U、W、U、W、U、W和U為權(quán)重矩陣；b、b、b和b為偏差向量；x為當(dāng)前的輸入；h為-1 時刻LSTM 的輸出；（·）為Sigmoid 激活函數(shù)；（·）為雙曲正切函數(shù)；×為哈達瑪積。

2 注意力機制

注意力（Attention）機制源于對人類視覺的研究。引入注意力機制可以使模型在很多的輸入信息中聚焦對當(dāng)前任務(wù)更關(guān)鍵的信息，降低對其他信息的關(guān)注度，甚至過濾無關(guān)信息。給定時間序列=[，，...，x]，注意力機制的計算過程如下。

計算所有輸入值上的注意力權(quán)重值，如公式（6）所示。

式中：w為時刻的注意力權(quán)重值；x為時刻的輸入值；為查詢向量；（）為注意力得分函數(shù)；（）為激活Sigmoid激活函數(shù)。

計算輸入信息加權(quán)值，如公式（7）所示。。

式中：x為時刻的數(shù)據(jù)信息加權(quán)值。

3 基于Attention-LSTM 的功率預(yù)測

該文所提出的分布式光伏超短期發(fā)電功率預(yù)測方法如圖2 所示。

圖2 該文所提方法的流程圖

具體步驟如下：1）輸入數(shù)據(jù)構(gòu)建。利用長度為24 h、滑動步長為15 min 的滑動窗構(gòu)建輸入數(shù)據(jù)。2）時間特征提取。利用LSTM 提取各個場站功率特征h=[h,...,h]。其中，h為場站在時刻的出力時間特征。3）時間特征重構(gòu)。利用Attention 重構(gòu)各場站的時間特征。給定時刻的多個場站數(shù)據(jù)p=[p,p,...,p]，Attention 權(quán)重a∈=[a,a,...a]如公式（8）、公式（9）所示。4）超短期功率預(yù)測。根據(jù)公式（10）可以獲得-96～的重構(gòu)時間特征h。最終，重構(gòu)特征被用于分布式光伏發(fā)電功率預(yù)測。該過程使用全連接層實現(xiàn)，如公式（11）所示。

4 算例仿真

4.1 數(shù)據(jù)介紹

該試驗數(shù)據(jù)來自河北省某地區(qū)的6 所分布式光伏場站的發(fā)電功率數(shù)據(jù)，其地理位置如圖3 所示。數(shù)據(jù)時間跨度為2020 年7 月1 日—2021 年7 月1 日，數(shù)據(jù)時間分辨率為15 min。該試驗將紅色標(biāo)記處作為目標(biāo)場站，并將該數(shù)據(jù)按照8 ∶1 ∶1 的比例劃分為訓(xùn)練集、驗證集與測試集。

圖3 分布式光伏場站地理分布

4.2 精度指標(biāo)

該文選擇標(biāo)準(zhǔn)化均方根誤差（Normalized Root Mean Square Error， NRMSE）與標(biāo)準(zhǔn)化平均絕對誤差（Normalized Mean Absolute Error， NMAE）作為功率預(yù)測精度評價指標(biāo)，如公式（12）、公式（13）所示。

式中：為目標(biāo)分布式光伏場站出力的最大值；為預(yù)測時間長度；p、p分別為目標(biāo)場站在時刻功率的真實值、預(yù)測值。

4.3 試驗設(shè)置

為證明所提方法的有效性，除該文所提的方法（M）外，設(shè)置了另外3 種模型（M～M）作為對照模型。

M：將目標(biāo)場站與其他場站作為輸入，但僅使用LSTM 進行預(yù)測。即不考慮鄰近場站與目標(biāo)場站間相互影響的強弱。

M：僅將目標(biāo)場站的出力作為輸入，利用LSTM 進行預(yù)測。

M：僅將目標(biāo)場站的出力作為輸入，利用BP 神經(jīng)網(wǎng)絡(luò)進行預(yù)測。各個預(yù)測模型的輸入與輸出均如公式（14）、公式（15）所示。

式中：、分別為輸入、輸出矩陣；p 為分布式光伏場站在時刻的發(fā)電功率。

該文的試驗工作在Python3.8 中展開，仿真設(shè)備硬件配置為AMD Ryzen7 4800H 2.90 GHz CPU，16 GB 內(nèi)存。

0.25 h～4.00 h 不同時間尺度下的預(yù)測結(jié)果的指標(biāo)見表1。在表1 中，加粗了精度最高的指標(biāo)。M具有最高的預(yù)測精度，M與M次之，M的預(yù)測精度最低。M直接利用鄰近場站出力數(shù)據(jù)進行輔助預(yù)測，其預(yù)測性能與僅使用目標(biāo)場站出力數(shù)據(jù)進行預(yù)測的M相差不大，甚至在某些時刻預(yù)測精度低于M。這種現(xiàn)象說明通過相鄰場站的出力對目標(biāo)場站進行預(yù)測可能引入一些冗余特征，最終影響目標(biāo)場站的精度。由此可以看出，充分挖掘各場站間的相互關(guān)系有利于進一步提高目標(biāo)場站的功率預(yù)測精度，M的預(yù)測精度也驗證該理論。M利用BP 神經(jīng)網(wǎng)絡(luò)作為預(yù)測模型，其預(yù)測精度最低，說明利用LSTM 挖掘功率數(shù)據(jù)的時間依賴特性可以實現(xiàn)更高的預(yù)測性能。

表1 預(yù)測結(jié)果的精度指標(biāo)

光伏出力劇烈波動主要是由外部氣象因素引起的，因此通過氣象數(shù)據(jù)能提高功率預(yù)測精度，而對缺乏氣象數(shù)據(jù)的分布式光伏場站來說，使用該方法可以在僅利用歷史功率數(shù)據(jù)的條件下提高目標(biāo)場站的功率預(yù)測精度。4 種方法2021 年6 月13—16 日預(yù)測結(jié)果曲線對例如圖4 所示。

6 月15 日的分布式光伏處于陰雨天氣，其出力呈現(xiàn)極強的波動，僅根據(jù)目標(biāo)場站數(shù)據(jù)并不能準(zhǔn)確預(yù)測該天氣條件下的實際出力情況（M與M方法預(yù)測曲線）；直接利用目標(biāo)場站和鄰近場站功率數(shù)據(jù)，沒有考慮鄰近場站與目標(biāo)場站間時空相關(guān)性的強弱會導(dǎo)致目標(biāo)場站功率預(yù)測引入較多的冗余信息，影響預(yù)測精度，導(dǎo)致M的效果比M差，甚至在某些時刻的預(yù)測結(jié)果比M差。從預(yù)測的時間尺度來看，該文所提的方法提前0.25 h 和1.00 h 的預(yù)測結(jié)果較好地擬合了實際出力曲線（圖4（a）、圖4（b））。

雖然該文所提的方法提前4.00 h 的預(yù)測結(jié)果擬合性較差，但是能反映分布式光伏出力的大體趨勢（圖4（c））。該文所提的方法在出力波動時具有更好的預(yù)測性能。對缺乏氣象數(shù)據(jù)的分布式光伏場站來說，通過多個相鄰場站的功率數(shù)據(jù)輔助目標(biāo)場站進行功率預(yù)測是提高預(yù)測精度的有效途徑。該文所提的方法通過充分探究場站間相互關(guān)系，挖掘各場站出力時間特征對目標(biāo)場站出力的影響程度，進一步提高了功率預(yù)測精度。

圖4 各方法在不同時間尺度下的預(yù)測結(jié)果對比圖

由表2 可知，3 種基于LSTM 的預(yù)測方法訓(xùn)練時間相近，說明利用鄰近場站輔助目標(biāo)場站進行預(yù)測并不會加重模型訓(xùn)練的計算負擔(dān)。

表2 模型訓(xùn)練時間的比較

5 結(jié)語

針對分布式光伏缺乏外部氣象數(shù)據(jù)，不能直接套用現(xiàn)有集中式光伏預(yù)測方法的問題，該文提出了一種基于Attention-LSTM 的分布式光伏超短期功率預(yù)測模型。通過Attention 動態(tài)挖掘各個場站出力的時間特征與目標(biāo)場站功率間的相互關(guān)系，實現(xiàn)精準(zhǔn)預(yù)測目標(biāo)場站發(fā)電功率的目標(biāo)。該方法通過利用鄰近場站的出力數(shù)據(jù)，輔助目標(biāo)場站進行功率預(yù)測，實現(xiàn)了在不依賴外部氣象數(shù)據(jù)條件下進行精準(zhǔn)預(yù)測的目標(biāo)。仿真試驗證明，與不使用鄰近場站數(shù)據(jù)、直接使用鄰近場站數(shù)據(jù)而不考慮其與目標(biāo)場站出力的相互關(guān)系相比，該文所提出的方法由較高的預(yù)測精度。