基于天气融合和LSTM网络的分布式光伏短期功率预测方法｜《中国电力》

来源：《中国电力》2022年第11期

引文：李丰君, 王磊, 赵健, 等. 基于天气融合和LSTM网络的分布式光伏短期功率预测方法[J]. 中国电力, 2022, 55(11): 149-154.

点击文章底部左下角“阅读原文”可在手机端查看论文全文，登录官网www.electricpower.com.cn可免费下载全文。

编者按

在脱贫攻坚和乡村振兴等政策支持下，中国能源消费需求不断增长，大量分布式光伏发电装置出现在农村配电网中，能源结构正在发生深刻变化。分布式光伏发电的准确预测，对配电网安全稳定运行有巨大意义。《中国电力》2022年第11期刊发了李丰君等人撰写的《基于天气融合和LSTM网络的分布式光伏短期功率预测方法》一文。文章针对分布式光伏发电缺少气象监测装置时出现的功率预测难题，本文根据现场分布式光伏的实际情况，按天气分类进行训练集融合，并结合长短期记忆网络（long short-term memory，LSTM）算法提出对分布式光伏的预测方法。该方法可对各种天气情况进行全面覆盖，并将融合训练集和深度学习网络相结合，进一步提高预测精度。

摘要

分布式光伏发电功率高精度预测对配电网安全稳定运行有重要意义。针对分布式光伏发电设备的功率预测问题，基于天气信息和深度学习方法提出了一种分布式光伏短期功率预测方法。首先将天气进行分类融合，实现训练集的全面覆盖；然后基于长短期记忆网络（long short-term memory，LSTM）深度学习方法构建分布式光伏短期功率预测模型；最后实现分布式光伏功率预测。

01

相关性分析

本文以河南某农村的分布式光伏发电装置2018年的真实数据为例进行了相关性分析，选取特征量，每15 min取一个监测数据点。

本文进行各时段出力特性分析，该分布式光伏全年仅在05:00—19:45之间有发电功率，以装机功率为基底，统计历史数据中各时段出力的区间概率，发现不同时段的发电功率概率区间有较大差异，具备进行特征提取的前提。进行平行相关性分析，以确定要预测点的功率与其前几天同一时刻点的相关性。通过计算前7天同一时刻的相关性发现，某时刻的发电功率与其前几日同一时刻的功率相关性系数均大于0.8，具有强相关性。同时综合考虑到天气变化过程与3天内的天气关联性较大，因此预测特征量取前3天。进行垂直相关性分析，以确定要预测点功率与同一天前几个时刻点的相关性，通过研究发现某个时刻的发电功率大小与其前3个时刻之间具有强相关性，所得数据可以用于预测。

根据相关性分析并结合现场实际，选取16项特征量作为预测模型的输入量，如表1所示。

表1  特征量

Table 1  Characteristic quantity

02

基于天气融合和LSTM网络的预测方法

本文构建了融合天气数据集对各类天气进行覆盖，并结合LSTM网络具有对数据深层关联有效挖掘的优点，进而完成对分布式光伏发电的准确预测。

对于实际分布式光伏而言，尤其在农村一般不安装小型气象监测装置，没有小范围实时气象信息。在这种情况下能得到的只有当地大范围的模糊气象信息，如晴、多云、阴等。本文构建了4大类融合天气，分别为晴天大类、多云大类、阴天大类和雨雪大类，天气具体情况如表2所示。

表2  各类天气情况

Table 2  Various weather conditions

从表2可以看出，天气融合的关键是对有转变过程的天气归类。本文采用K均值聚类算法的聚类方法取出晴天、多云、阴天和雨雪4种典型天气聚类中心，再通过计算欧氏距离将转变天气融合进4大类天气中，实现对各类天气的覆盖，具体融合结果如表3所示。

表3  天气融合结果

Table 3  Results of weather fusion

由于数据集数据量较大、天气类型复杂，以BP神经网络为代表的浅层学习算法无法对数据集进行有效处理，故本文通过基于LSTM网络的深度学习方法构建了预测模型，以便挖掘数据之间的深层次联系。LSTM网络的结构由“记忆砖块”构成，其中包括记忆单元、输入门、输出门和遗忘门。输入门和输出门用来接收、输出和修正参数。遗忘门用来清除修正参数。记忆单元用来保存神经元目前状态。

本文预测模型包括天气融合和深度学习，通过天气融合来解决气象信息模糊问题，通过深度学习方法解决历史数据特征提取问题，以实现深度挖掘数据特征、记忆特征，配合天气融合数据集，最终获得较好的预测结果。预测模型框架如图1所示。具体预测流程为：（1）基于Kmeans方法对历史数据进行聚类，得到4个聚类中心；（2）通过计算历史数据中转变天气距离聚类中心的欧式距离，将含转变过程的天气融合入4大类天气，实现历史数据集的天气融合；（3）基于LSTM网络，输入天气融合后的历史数据集，进行训练，得到训练好的LSTM网络；（4）输入待预测点的特征量，得到待预测点的预测值。

图1   预测模型的框架

Fig.1  Framework of prediction model

03

预测结果及分析

本文基于天气融合和LSTM网络的深度学习方法对河南某农村实际分布式光伏发电设备进行发电功率预测，并和基于天气融合和BP网络的浅层学习方法对比。该分布式光伏仅在05:00—19:45之间有发电功率。不含天气转变过程的典型天气下预测结果如图2~5所示。含有天气转变过程的典型天气下预测结果如图6~10所示。本文采用2个误差指标来表征预测结果的误差，并将深度学习预测模型与传统的浅层学习预测模型进行对比。

图2   典型晴天

Fig.2  Typical sunny day

图3  典型多云

Fig.3  Typical cloudy day

图4  典型阴天

Fig.4  Typical overcast day

图5  典型雨雪

Fig.5  Typical rain or snow day

图6  晴转小雨

Fig.6  Sunny to light rain

图7  多云转晴

Fig.7  Cloudy to sunny day

图8  多云转阴

Fig.8  Cloudy to overcast

图9  雨转多云

Fig.9  Rain to cloudy

图10  阴转小雨

Fig.10  Overcast to light rain

无量纲误差指标 E_MAPE 可以反映预测误差在该装机容量上的影响程度，其表达式为

式中：P_i为节点i的预测值；P′_i为节点i的实际值；P_Z为装机容量值；N为节点数量。

有量纲误差指标 E_RMSE 可以反映预测值偏离实际值的程度，即

本文对9类典型天气下的预测结果进行误差分析，结果如表4所示。从表4可以看出，本文所提方法能够在不同天气下得到比BP预测方法更好的预测结果，在该装机容量下能够将预测误差的影响降到更低水平，且本文方法能够在不同天气下降低预测值偏离实际值的程度，降低误差值。

表4  误差结果

Table 4  Results of error

综上，结合图2~10及表4可以看出，本文方法能够更加准确地对各种情况下的分布式光伏发电进行预测，且 E_MAPE 和 E_RMSE 的值均较小，精度均有较大的提升。

04

结语

本文提出了一种基于天气融合和LSTM深度学习方法的分布式光伏短期功率预测方法，所提方法通过机器学习进行天气融合，得到包含足够特征的融合数据集，并充分利用LSTM深度学习方法挖掘数据特征，从而更准确地对不同模糊天气下的分布式光伏发电功率进行预测。试验结果表明，所提方法在实际现场天气信息较模糊的情况下通过较少的特征量信息就能实现对分布式光伏发电功率精确预测。

注：本文内容呈现略有调整，如需要请查看原文。

作

者

介

绍

李丰君（1995—），男，硕士，工程师，从事配网运行维护及新能源技术研究，E-mail：[e-mail]

 往期回顾 

编辑：于静茹

校对：王文诗

审核：方彤

声明

根据国家版权局最新规定，纸媒、网站、微博、微信公众号转载、摘编《中国电力》编辑部的作品，转载时要包含本微信号名称、二维码等关键信息，在文首注明《中国电力》原创。个人请按本微信原文转发、分享。欢迎大家转载分享。