基于Attention-LSTM的分布式光伏超短期发电功率预测

李新军 赵 猛 王洪勉 陈博峰 李胜明

（北京智芯微电子科技有限公司，北京 100096）

0 引言

根据开发方式的不同，可以将光伏发电分为集中式和分布式。由于分布式光伏具有安装灵活、可就地消纳等优点，因此得到了广泛应用。大规模分布式光伏接入配电网，增加了电网负荷的波动性，给电力系统的合理调度带来了严峻挑战。准确的分布式光伏超短期功率预测对支撑电网的实时调度、保证实时供需平衡具有重要意义。

然而，现有的研究大多聚焦于集中式光伏，分布式光伏并不具备集中式光伏的气象数据条件，因此不能直接将集中式光伏预测方法套用于分布式光伏。考虑分布式光伏场站大多处于相同或相似的外部条件下，各场站出力间存在强时空相关性。因此，充分挖掘场站间的时空相关性有利于进一步提高分布式光伏发电功率预测精度。因此，该文提出了一种基于Attention-LSTM 的分布式光伏超短期功率预测方法。首先，将目标场站与邻近场站的出力数据作为模型的输入，利用长短期记忆神经网络提取各场站的时间特征。其次，利用Attention 机制动态挖掘各场站出力时间特征对目标场站出力的影响程度，并对多场站时间特征进行重构。最后，利用邻近场站出力数据代替外部气象数据，提高目标场站的功率预测精度。

1 长短期记忆神经网络

长短期记忆神经网络（Long Short Term Memory， LSTM）是循环神经网络（Recurrent Neural Network， RNN） 的一种特殊变体，适合处理和预测时间序列中间隔和延迟相对较长的重要事件。

LSTM 的基本单元内部结构如图1 所示。一个LSTM 单元由1 个记忆细胞和3 个门结构组成。在时刻下，记忆细胞状态、输入门用于控制哪些信息应该被保留，遗忘门用于控制哪些信息应当被遗忘，输出门根据记忆细胞当前的状态和输入确定输出。当执行学习任务时，LSTM 可以确定应该保留还是遗忘上一时刻单元的状态，因此能很好地学习时间序列长期和短期的依赖关系。LSTM 的具体计算过程如公式（1）～公式（5）所示。

图1 长短期记忆神经网络单元结构图

式中：f、i、o和c分别为时刻下的遗忘门、输入门、输出门和记忆细胞状态；W、U、W、U、W、U、W和U为权重矩阵；b、b、b和b为偏差向量；x为当前的输入；h为-1 时刻LSTM 的输出；（·）为Sigmoid 激活函数；（·）为双曲正切函数；×为哈达玛积。

2 注意力机制

注意力（Attention）机制源于对人类视觉的研究。引入注意力机制可以使模型在很多的输入信息中聚焦对当前任务更关键的信息，降低对其他信息的关注度，甚至过滤无关信息。给定时间序列=[，，...，x]，注意力机制的计算过程如下。

计算所有输入值上的注意力权重值，如公式（6）所示。

式中：w为时刻的注意力权重值；x为时刻的输入值；为查询向量；（）为注意力得分函数；（）为激活Sigmoid激活函数。

计算输入信息加权值，如公式（7）所示。。

式中：x为时刻的数据信息加权值。

3 基于Attention-LSTM 的功率预测

该文所提出的分布式光伏超短期发电功率预测方法如图2 所示。

图2 该文所提方法的流程图

具体步骤如下：1）输入数据构建。利用长度为24 h、滑动步长为15 min 的滑动窗构建输入数据。2）时间特征提取。利用LSTM 提取各个场站功率特征h=[h,...,h]。其中，h为场站在时刻的出力时间特征。3）时间特征重构。利用Attention 重构各场站的时间特征。给定时刻的多个场站数据p=[p,p,...,p]，Attention 权重a∈=[a,a,...a]如公式（8）、公式（9）所示。4）超短期功率预测。根据公式（10）可以获得-96～的重构时间特征h。最终，重构特征被用于分布式光伏发电功率预测。该过程使用全连接层实现，如公式（11）所示。

4 算例仿真

4.1 数据介绍

该试验数据来自河北省某地区的6 所分布式光伏场站的发电功率数据，其地理位置如图3 所示。数据时间跨度为2020 年7 月1 日—2021 年7 月1 日，数据时间分辨率为15 min。该试验将红色标记处作为目标场站，并将该数据按照8 ∶1 ∶1 的比例划分为训练集、验证集与测试集。

图3 分布式光伏场站地理分布

4.2 精度指标

该文选择标准化均方根误差（Normalized Root Mean Square Error， NRMSE）与标准化平均绝对误差（Normalized Mean Absolute Error， NMAE）作为功率预测精度评价指标，如公式（12）、公式（13）所示。

式中：为目标分布式光伏场站出力的最大值；为预测时间长度；p、p分别为目标场站在时刻功率的真实值、预测值。

4.3 试验设置

为证明所提方法的有效性，除该文所提的方法（M）外，设置了另外3 种模型（M～M）作为对照模型。

M：将目标场站与其他场站作为输入，但仅使用LSTM 进行预测。即不考虑邻近场站与目标场站间相互影响的强弱。

M：仅将目标场站的出力作为输入，利用LSTM 进行预测。

M：仅将目标场站的出力作为输入，利用BP 神经网络进行预测。各个预测模型的输入与输出均如公式（14）、公式（15）所示。

式中：、分别为输入、输出矩阵；p 为分布式光伏场站在时刻的发电功率。

该文的试验工作在Python3.8 中展开，仿真设备硬件配置为AMD Ryzen7 4800H 2.90 GHz CPU，16 GB 内存。

0.25 h～4.00 h 不同时间尺度下的预测结果的指标见表1。在表1 中，加粗了精度最高的指标。M具有最高的预测精度，M与M次之，M的预测精度最低。M直接利用邻近场站出力数据进行辅助预测，其预测性能与仅使用目标场站出力数据进行预测的M相差不大，甚至在某些时刻预测精度低于M。这种现象说明通过相邻场站的出力对目标场站进行预测可能引入一些冗余特征，最终影响目标场站的精度。由此可以看出，充分挖掘各场站间的相互关系有利于进一步提高目标场站的功率预测精度，M的预测精度也验证该理论。M利用BP 神经网络作为预测模型，其预测精度最低，说明利用LSTM 挖掘功率数据的时间依赖特性可以实现更高的预测性能。

表1 预测结果的精度指标

光伏出力剧烈波动主要是由外部气象因素引起的，因此通过气象数据能提高功率预测精度，而对缺乏气象数据的分布式光伏场站来说，使用该方法可以在仅利用历史功率数据的条件下提高目标场站的功率预测精度。4 种方法2021 年6 月13—16 日预测结果曲线对例如图4 所示。

6 月15 日的分布式光伏处于阴雨天气，其出力呈现极强的波动，仅根据目标场站数据并不能准确预测该天气条件下的实际出力情况（M与M方法预测曲线）；直接利用目标场站和邻近场站功率数据，没有考虑邻近场站与目标场站间时空相关性的强弱会导致目标场站功率预测引入较多的冗余信息，影响预测精度，导致M的效果比M差，甚至在某些时刻的预测结果比M差。从预测的时间尺度来看，该文所提的方法提前0.25 h 和1.00 h 的预测结果较好地拟合了实际出力曲线（图4（a）、图4（b））。

虽然该文所提的方法提前4.00 h 的预测结果拟合性较差，但是能反映分布式光伏出力的大体趋势（图4（c））。该文所提的方法在出力波动时具有更好的预测性能。对缺乏气象数据的分布式光伏场站来说，通过多个相邻场站的功率数据辅助目标场站进行功率预测是提高预测精度的有效途径。该文所提的方法通过充分探究场站间相互关系，挖掘各场站出力时间特征对目标场站出力的影响程度，进一步提高了功率预测精度。

图4 各方法在不同时间尺度下的预测结果对比图

由表2 可知，3 种基于LSTM 的预测方法训练时间相近，说明利用邻近场站辅助目标场站进行预测并不会加重模型训练的计算负担。

表2 模型训练时间的比较

5 结语

针对分布式光伏缺乏外部气象数据，不能直接套用现有集中式光伏预测方法的问题，该文提出了一种基于Attention-LSTM 的分布式光伏超短期功率预测模型。通过Attention 动态挖掘各个场站出力的时间特征与目标场站功率间的相互关系，实现精准预测目标场站发电功率的目标。该方法通过利用邻近场站的出力数据，辅助目标场站进行功率预测，实现了在不依赖外部气象数据条件下进行精准预测的目标。仿真试验证明，与不使用邻近场站数据、直接使用邻近场站数据而不考虑其与目标场站出力的相互关系相比，该文所提出的方法由较高的预测精度。