光伏发电功率预测方法

戴煜琪，官舒俊，邓为鑫

上海工程技术大学， 上海市 201620

摘要

光伏发电功率的预测是为了提升光伏发电的开发利用，保证电网的稳定性有着重要的作用。本文简要分析光伏发电功率的预测方法分类，讨论了机器学习在光伏发电功率预测中的应用。并用长短期记忆网络方法为例证明了其预测的准确性和优越性。

关键词：光伏；功率预测；预测技术；

光伏功率预测是指预测未来某个时间点或一段时间内的光伏发电量。光伏发电具有间歇性、随机性和波动性，由此给电网的安全运行带来了一系列问题。随着光伏发电站接入电网电源结构比重的增加，光伏功率预测系统变得尤为重要，光伏功率预测越准，光伏并网给电网的安全运行带来的影响就越小。光伏功率预测帮助光伏电站减少由于限电带来的经济损失，提高光伏电站运营管理。

1光伏发电功率预测系统的分类

1.1 按时间尺度分类

光伏发电功率预测按时间尺度分类可分为超短期预测和短期预测、中长期预测。超短期预测（4 小时以内) 主要采用统计、物理混合方法，主要原理是根据地球同步卫星拍摄的卫星云图推测云层运动情况，预测到达地面的辐照强度，通过太阳辐照强度与功率转换效率模型，从而对功率进行预测。一般用于光伏发电控制、电能质量评估及光伏电站组件部分的研发设计等。

短期预测(48 小时以内) 主要以NWP（天气预报信息） 数据为主，通过建立历史输入数据与历史输出功率的映射关系，进而获得光伏电站输出功率的预测值。一般用于电力系统的功率平衡和经济调度、日前发电计划制定、电力市场交易、暂态稳定评估等。

中长期预测(大于1 周) 主要用于系统的检修安排、发电量的预测等。

1.2 按预测原理分类

光伏发电功率预测按原理可分为基于物理模型预测和基于数据驱动的模型方法。基于物理模型是指利用光伏发电场中光伏组件的物理特性,结合天气因素、日期、时间、日照时间等参数,通过计算公式模拟出预测功率值。将NWP 数据作为输入，研究光伏发电设备特性( 包括光伏组件、逆变器等) ，考虑诸多因素的影响，建立光伏发电功率与NWP 数据的对应数学模型，进一步对光伏发电功率进行预测的一种方法。基于物理模型的预测方法优点是不需要大量历史数据的支持，适用于新建的光伏电站。

基于数据驱动的模型方法不需要对光伏发电机理以及发电系统的各项参数建模，而是通过找出其历史数据内在规律，排除病态数据点，建立历史数据与输出功率的函数映射关系，进一步对光伏发电功率预测的一种方法。基于数据驱动方法需要大量历史的光伏电站出具数据作为建模基础，只适用投运时间大于等于一年的光伏电站，不适用新建的光伏电站。

1.3基于机器学习法的光伏发电功率预测方法的分类

基于机器学习法是基于数据驱动方法中的一种，它采用人工智能的方式去建立一种输入与输出的映射关系，主要应用于非线性映射模型。在机器学习中，通过对大量数据的学习和训练，机器可以自动识别和理解数据中的模式和规律，从而对未知的数据进行预测和分类。几种常用的机器学习方法如表1。

表1 几种常用的机器学习方法

	回归模型预测方法	时间序列预测法	神经网络方法
定义	回归预测是根据负荷过去的历史资料，建立可以进行数学分析的数学模型，对未来的负荷进行预测	把负荷数据看作是一个按季节、按周、按天以及按小时周期性变化的时间序列	运用神经网络技术进行电力负荷预测，神经网络结构类比于人类神经系统，是由具有自适应性的简单单元组成的模型。
介绍	主要分为线性回归和非线性回归，也分为一元回归和多元回归将预测目标的因素作为自变量，将预测目标作为因变量	根据负荷的历史资料，设法建立一个数学模型来描述电力负荷这个随机变量变化过程的统计规律性，在数学模型的基础上确立负荷预测的数学表达式	模仿人脑的智能化处理，对大量非结构、非精确性规律具有自适应功能，具有信息记忆、自主学习、知识推理和优化计算的特点，特别是其自学习和自适应功能较好的解决了天气和温度等因素与负荷的对应关系。
特点	表明多个自变量对一个因变量的影响强度，模型比较简单	利用统计学方式根据过去的变化趋势预测未来	能够针对输入的信号进行自动学习和调整

从上表可以看出，基于神经网络的光伏发电预测方法通过输入大量的历史数据和当前的气象数据，训练模型，并预测未来一段时间内的光伏功率输出。该方法能够进行自动学习和结构调整以适应各种复杂的环境变化。

2 基于LSTM的光伏发电预测

2.1  LSTM模型介绍

长短期记忆网络（LSTM）是一种递归神经网络（RNN）结构，旨在解决传统 RNN 中常见的梯度消失问题。LSTM模型使用门和单元状态来调节信息流，因此能够捕捉连续数据中的短期和长期依赖关系。

LSTM单个结构如图1所示，LSTM在t时刻有三个输入，分别为细胞状态Ct-1，隐层状态ht-1，t时刻输入向量xt，两个输出，分别为细胞状态Ct和隐层状态ht。LSTM的门结构一共有三个：遗忘门，更新门，输出门层。遗忘门控制着前一个单元状态的哪些信息应该被遗忘。LSTM将上一个隐藏状态h

t-1和当前输入xt作为输入，通过sigmoid函数产生介于 0 和 1 之间的值。它表示单元状态中的哪些信息保留或丢弃多少。0表示不保留，1表示都保留。遗忘门的计算公式为

其中，代表激活函数，是遗忘门的权重矩阵，为偏置。

更新门决定了哪些新信息应该被添加到细胞状态中。更新门由两部分组成：输入门本身it和一个新的候选细胞状态。输入门先将前一个单元的隐藏状态和当前单元的输入传递给 sigmoid函数，由此将值转换为0到1来决定要更新哪些值。0为防止候选值存入单元状态，1则反之。隐藏状态和当前输入传递给tanh函数，将它们压缩到-1和1之间以帮助调节网络。然后将it输出与输出相乘。它的数学表达形式如下：

最后，输出门控制着从单元状态输出到下一个单元的隐藏状态的信息。输出门将先前的隐藏状态和当前输入传递给sigmoid函数，并将新的单元状态传递给tanh函数，然后把sigmoid输出与tanh输出相乘，以决定隐藏状态应携带的信息并传递到下一个时间步。

图1   LSTM单个结构

2.2 基于LSTM光伏功率预测实例

在进行光伏发电功率的预测时，需要通过传感器、气象站等设备采集光照、风速、温度等相关环境数据，作为神经网络的训练数据。本文采用国能日新光伏功率预测大赛第二届的数据集作为LSTM模型预测实例。其训练集数据提供了电场脱敏后的环境数据，电场实际辐照度和电场发电功率。数据集中共有七个回归元，辐照度，风速，风向，温度，湿度，压强，实际辐照度，一个测变量，实际功率。数据的时间分辨率为15分钟，实例将其中70%作为训练集，30%作为测试集。为了检验模型预测光伏功率的能力，如下所示的均方根差RMSE，平均绝对误差MAE，平均绝对百分误差MAPE，以及R2将用于评估训练和预测过程的准确性。

本文搭建的LSTM网络由python的pytorch框架搭建，从中选用了一个LSTM层和一个全连接层，分别使用Adam和MSE作为优化器和损失函数，设定的学习率为0.01。预测结果如图2所示，蓝线为LSTM预测结果，黄线为真实值。预测结果RMSE为1.09，MAE为0.58，MAPE为0.46，R2值为0.95。从图中可知，LSTM对光伏发电的大体趋势的预测较为准确，但在小幅波动预测上无法达到很好的效果。

图2   LSTM模型光伏预测结果

3总结

基于神经网络的光伏发电功率预测方法具有预测精度较高、应用范围广的特点。但在神经网络进行光伏发电功率预测的实际应用中，还存在一定的问题和挑战，例如采集的数据质量不高、模型参数选取不当等。

从根本上保证光伏发电功率预测精准度，需要配合使用更为专项可行的数据预处理技术手段。在功率预测分析期间收集全面精准的光伏电组件运行数据，为后续光伏电组件功率值的计算与评估工作提供充足理论依据。光伏发电产出数据具有一定的连续性特征、数据样本量较小，数据丢失问题会极大程度影响到功率预测结果的精准度，因此还需要配合使用差值技术手段，提高技术预处理期间的Nwp数据时间分辨率。由于太阳能数据值具有较为显著的可变性与实际化，还需要结合现有数据建立功能空间，配合使用Svw分类模型，对丢失数据进行恢复处理。太阳光辐射处于持续变化过程，收集数据之间的关联性较强，可以对数据进行关联性分析与预处理，将组成成分分析工作及数据值应用在功力损耗预测期间。做好数据归一化处理工作。光伏大气层与数据值会随天气、季节性变化影响发生改变，还应当配合使用更为先进的统计学分析手段，着重关注光伏大气与数据产品的去趋势研究工作，借助光照指标标准或者将光照度转变为晴空指标进行统一计算。

参考文献和数据来源

【1】基于宽度学习系统的光伏发电功率超短期预测 《电力系统自动化》 | 2021 年第 001 期

【2】 太阳能光伏发电板实时参数测量教学实验平台教学应用研究 《中国现代教育装备》 | 2021 年第 005 期

【3】 基于LSTM与迁移学习的光伏发电功率预测数字孪生模型史凯钰，张东霞，韩肖清， ...-《电网技术》-2022年

【4】基于LSTM网络的光伏发电功率短期预测方法的研究宋绍剑，李博涵-《可再生能源》-2021年

1