基于Att-LSTM的光伏出力的超短期预测

辛浩淼，李 冶，邹 巍，李保国

（广东电网有限责任公司江门供电局，广东 江门 529000）

0 引 言

随着全球能源问题愈发严重，清洁能源比例不断上升，对于光伏发电出力预测也越来越重要。风光出力预测的影响因素非常多，因此想要准确预测并部署，需要筛选合适的影响变量。环境温度、湿度以及当天的气象都会对光伏出力预测造成影响，如果预测结果不准确，极有可能对电网规划造成困扰，甚至严重情况下会造成整个电网的崩溃[1,2]。

光伏出力预测方法现在主要分为2种：传统的数学建模预测与现代的人工智能算法预测。传统的方法主要是依靠相关的物理信息，如天气数值、卫星监测数据等，采用数学传统的回归方法来进行回归预测。但上述方法的输入参量太少，且计算非常复杂，现在流行的人工智能算法可以解决上述问题。通过深度学习算法，可以同时考虑多个参量的影响，预测效果非常契合光伏出力的不确定性[3,4]。本文首先基于互信息熵,确定影响光伏发电出力的相关影响变量。将上述影响较大的数据作为整个模型的输入，并放入Att-LSTM模型中进行训练。最终通过与其他算法进行比较，验证了本文提出算法的有效性与准确性。

1 训练模型原理

1.1 长短期记忆网络

长短期记忆网络（Long Short-Term Memory，LSTM）是目前机器学习、人工智能领域应用比较广泛的一种深度学习算法。其是由循环神经网络（Recurrent Neural Network，RNN）变种而来，可以解决RNN算法中梯度爆炸的问题，且针对时序数据具有很好的处理效果。LSTM网络结构如图1所示。

图1 LSTM网络结构

在RNN模型的基础上，LSTM在短期记忆单元ht上加入了ct来保证长期记忆，除此之外，在原有模型基础上还加入了3个门控模块。在固定时间步长t下，将各个层变量组成一个5维向量，计算公式为

式中：xt为模型输入；σ为sigmoid激活函数；w和b分别为权重系数矩阵和偏置；ht为短期记忆单元；ct为长期记忆单元；it为门控制模块中的输入门；ft为遗忘门；ot为输出门。

1.2 注意力机制

当一个深度学习的神经网络模型接收了大量的输入维度时，整个模型的计算性能就会降低，为了保留对输出影响较大的输出变量，采用注意力机制可以将模型的计算重点放在对输出影响较大的输入上，计算公式为

式中：s(xt,q)为得分函数；xt为输入；q为查询向量；αi为注意力分布值系数；W为权重系数矩阵；softmax(·)为激活函数；a为加权平均值。图2为其机制示意图。

图2 注意力机制结构图

2 仿真验证

2.1 数据处理

本文选取历史光伏出力、辐射度、温度、云量、风速以及湿度等作为模型的输入。首先通过互信息熵选择相关性的变量，得到结果如表1所示。

表1 气象因素和光伏功率的MIE相关系数

本文选择0.6作为阈值确定变量，选取辐照度、温度与湿度为输入参量。

本文数据来自澳大利亚布里斯班昆士兰大学公布的公开数据，是该地区2012—2013年一整年每天24 h和每1 min的详细数据。

本文对上述数据进行预处理，选取前15 min的每一个数据的平均值作为结果，以此来降低计算量，提高模型性能。

2.2 仿真结果

晴天预测结果如图 4 所示，阴天预测结果如图 5所示，天气波动较强下预测结果如图 6 所示。

图4 天晴日光伏功率确定性预测

图5 阴雨天光伏功率确定性预测

图6 天气剧烈变化日光伏功率确定性预测

在晴天条件下，光伏出力变化较为平稳，波动性较低。在阴天条件下，光伏出力变化较大，波动性更强。一个模型的好坏取决于在天气剧烈变化下的预测效果，本文算法较BiLSTM与CNN相比较具有更好的预测效果。

2.3 算法比较

算法比较如表2所示。在晴天条件下，本文算法较另外2种具有更高的精度，预测的误差值更小；在阴天条件下，虽然都发生了波动，但是本文算较另外2种波动幅度较小，且精确度和误差值都更小；在负载波动条件下，本文算法同样保持了高精度、低误差的特点。由此可以看出，本文算法在上述各种条件下均具有良好的预测效果。

表2 算法比较

3 结 论

本文方法首先利用互信息熵，选取对光伏出力影响较大的大参量作为输入参量，其次将该输入参量放入加入了注意力机制的长短期记忆网络模型中进行训练，将晴天、阴天和复杂天气变动下3种情况的预测结果与另外2种算法（CNN和BiLSTM）进行比较。经过仿真结果验证，本文算法在任意天气条件下均有较高的精度与低误差，验证了本文提出算法的有效性。