基于VMD和改进TCN的短期光伏发电功率预测

黄 圆，魏云冰，童东兵，王维高

(上海工程技术大学 电子电气工程学院，上海 201620)

相较于化石能源，光伏发电具有成本低和零污染等特性，在全球得到了迅速发展[1]。但光伏发电本身易受气象因素影响，因而存在间歇性、波动性和随机性等问题，并网会影响电力系统的稳定性和安全性[2]。因此，精确的光伏发电功率预测对于光伏发电并网后电力系统的运行、调度、新能源并网消纳以及电网收益具有重要的实际意义[3]。

目前，受复杂的实际环境和气象影响，光伏物理建模法[4]和时间序列法[5]等传统预测方法的预测精度难以提高，因此研究者更倾向于基于数据驱动的预测方法，主要有支持向量机(Support Vector Machine，SVM)[6]、极限学习机(Extreme Learning Machine，ELM)[7]等。随着人工智能在各个领域的发展与应用，以循环神经网络[8]和卷积神经网络[9]为代表的深度学习网络已在光伏发电功率预测中取得了较好的效果[10]。文献[11]利用主成分分析法分析气象数据与光伏发电功率，建立长短期记忆网络(Long Short Term Memory，LSTM)进行预测，但以LSTM为代表的循环神经网络在模型训练上耗时过长且存在梯度问题，而时间卷积网络(Temporal Convolutional Network，TCN)具有可并行计算的特性，能够有效克服LSTM的缺点。目前TCN在风电功率预测[12]、太阳辐射预测[13]等领域已取得良好的效果。

虽然TCN为光伏发电功率预测提供了新思路，但传统TCN网络在实际运行中常忽略了输入特征之间的关联性，且其残差模块中的Dropout在特征图中无法有效抑制信息协同。针对上述问题，本文提出改进的TCN网络预测模型。该模型采用DropBlock随机归零区域激活单元取代传统TCN网络中的Dropout，可有效抑制信息协同，并构建注意力机制，量化并突出关键气象输入特征影响。

针对光伏发电功率时间序列的非平稳性和波动性，在预测前需对序列数据进行预处理。变分模态分解(Variational Mode Decomposition，VMD)可以有效克服模态混叠，且各解析信号的瞬时频率具有实际的物理意义[14]。

本文提出一种基于VMD和改进TCN的短期光伏发电功率预测方法。利用VMD将具有非平稳性的光伏发电功率时间序列分解为不同频率且相对平稳的分量，然后建立各模态分量的改进TCN网络预测模型。相较于其他光伏发电功率预测方法，本文所提预测方法预测精度明显提高。

1 短期光伏发电功率预测模型

基于VMD和改进TCN的短期光伏发电功率预测模型流程分为4步，如图1所示。

步骤1首先利用VMD对光伏发电功率序列数据进行K个模态分解，得到模态分量序列；

步骤2为使达到最佳分解效果，采用中心频率法确定最佳模态分解个数；

步骤3将分解后的每个分量输入至改进TCN网络预测模型，利用DropBlock正则化方法抑制TCN网络卷积层的过拟合并构建注意力机制自主挖掘，量化关键输入特征影响，建立改进TCN网络预测模型；

步骤4重构叠加各个分量的预测结果得出最终光伏发电功率预测结果，并与其他预测模型进行误差对比分析。

图1 基于VMD和改进TCN的短期光伏发电功率预测模型Figure 1. Short-term photovoltaic power prediction model based on VMD and improved TCN

2 基于VMD的光伏发电功率分解

VMD是一种能够有效处理非平稳、波动性信号的自适应信号分解方法[15]。由于光伏发电功率具有非平稳性、非线性和波动性，因此在进行光伏发电功率预测前需利用VMD对其进行时间序列分解，将原始光伏发电功率序列分解为若干个相对平稳且不同频率的光伏功率子序列，以此降低原始光伏功率序列非线性以及非平稳性对预测的干扰，具体实现步骤如下。

VMD将原始光伏发电功率序列信号f分解为k个模态，但需要满足：(1)分解后的每个模态都具有中心频率；(2)每个模态都为有限带宽分量；(3)每个模态的估计带宽之和为最小。分解后的所有模态之和为原始光伏发电功率序列信号，则相应的约束条件可表示为

(1)

式中，K为模态分量总数；∂(t)代表求偏导；δ(t)为狄拉克(Dirac)函数；“*”代表卷积运算；uk表示分解出的第k个模态分量；ωk表示第k个模态分量的中心频率[16]；f(t)表示原始光伏发电功率序列信号。

引入Lagrange乘子λ和二次惩罚因子m，将约束问题转变为无约束问题，具体计算式如下。

(2)

利用交替方向乘子法对上式进行求解，各分解分量uk以及ωk的求解表达式为

(3)

式中，ω表示频率；n表示迭代次数；u′k(ω)、f′(ω)和λ′(ω)分别表示为uk(t)、f(t)和λ(t)的傅里叶变换。

3 基于改进TCN的预测模型

3.1 TCN网络预测模型

TCN网络的扩张卷积与传统卷积的区别在于其结构的具体形式由卷积核和扩张系数所控制，具体结构如图2所示。卷积核和扩张系数分别从网络上层输入神经元的个数和距离来改变TCN网络结构，扩张系数z与网络层数n呈指数关系，即z=2n，且网络信息提取范围与扩张系数呈正比。因此相较于普通卷积网络，TCN网络搭建相对较少的网络层数便可获得较大的感受野且能够避免重复提取信息。

图2 TCN因果扩张卷积结构Figure 2. Structure of TCN causal expansion convolution

卷积核大小、扩张系数、卷积层数共同决定TCN网络神经元的感受野，即网络记忆长度。网络中第s个序列元素的扩张卷积运算可定义为

(4)

式中，x为输入序列；“*”表示卷积运算；z为扩张系数；k为卷积核大小；f(i)为卷积核中的第i个元素[17-18]；xs-z·i为输入序列中与卷积核相对应运算的元素。

时间序列预测要求模型具有时间因果性，即输出序列只能依赖于输入序列在同时刻之前的元素，因此需对每层卷积层进行零填充以保证输出张量与输入张量具有相同的长度。为使TCN的扩张卷积更符合时间序列建模预测要求，在网络每层引入填充系数pn来保证因果卷积。填充系数可描述为pn=(k-1)z。

TCN残差模块包含基础的TCN因果扩张卷积层、权值规范化层(Weight Normalization，WN)、激活函数ReLU和Dropout层，结构如图3所示。

图3 残差块结构图Figure 3. Residual block structure diagram

权值规范化通过对权重值的归一化达到消除梯度爆炸的效果，并且能有效加快计算速度。本文采用线性整流函数ReLU作为网络的激活函数，并利用Dropout层进行正则化出力，防止过拟合并增强模型的泛化性。最后，通过1×1的卷积调整残差张量维度不同的问题。

3.2 改进TCN网络预测模型

TCN网络本质上属于卷积网络，容易过度强化空间特性而弱化个体特性。光伏发电时间序列数据参数种类多，数据量大且时间跨度长，运用相关性分析难以筛选出与光伏功率相关性强的参数，并且容易损失关键参数数据。若直接将光伏发电时间序列输入TCN网络进行预测，则易忽视关键特征影响，导致预测效果不佳。因此本文针对上述问题，在传统TCN网络基础上引入DropBlock正则化和注意力机制两个方面进行改进优化。

3.2.1 DropBlock正则化

常规TCN网络中的Dropout只是简单地随机归零某些激活单元，但网络仍然在被归零激活单元的附近学习相同的特征信息。DropBlock不是随机丢弃激活单元，而是通过随机归零某一区域，从而实现抑制信息协同。两种正则化方法的结构对比如图4所示。

图4 Dropout和DropBlock结构图Figure 4. Dropout and DropBlock structure diagram

DropBlock的计算式可被描述为

(5)

式中，γ表示归零概率，即伯努利函数的概率；bs表示归零块的大小；kp表示激活单元保持有效的概率；fs表示特征图大小。

3.2.2 注意力机制

为筛选并突出关键影响因素对光伏发电功率的影响，构建特征注意力机制来分析各输入的关联性。特征注意力机制通过多层感知机分析出不同输入参量对预测信息的重要程度，量化各个输入特征影响力的权重，从而提高模型学习效果。图5为特征注意力机制结构图。

图5 注意力机制结构图Figure 5. Structural diagram of attentional mechanisms

(6)

(7)

(8)

3.2.3 改进TCN网络预测模型结构

改进TCN网络预测模型结构如图6所示。

图6 改进TCN网络预测模型Figure 6. Improved TCN network prediction model

原始输入数据进入加入DropBlock正则化和注意力机制的改进TCN网络。DropBlock通过抑制区域激活单元，防止在卷积层中出现过拟合现象，提升网络预测效果。在注意力机制中，输入为经过改进TCN网络的输出量，Permute重新排列输入量的维度，Multiply将改进TCN网络残差模块的输出与注意力机制的输出进行对应相乘，从而完成动态加权，实现突出关键特征的影响，提高模型预测精度，最后通过全连接层输出并处理为预测结果。

4 实例分析

本文选取江苏省某光伏电站2019年1月1日～2019年12月30日光伏发电功率数据集，时间跨度为每天07∶00～19∶00，采集频率为15 min。数据集包含光伏发电功率(MW)、总辐照度(W·m-2)、法向直射辐照度(W·m-2)、水平面散射辐照度(W·m-2)、气温(°C)、气压(Pa)和相对湿度(%)。

4.1 基于VMD的光伏发电功率分解结果

在VMD分解过程中，采用中心频率法确定模态分解个数k。分别设置k=3，4，5，6，7，8进行VMD分解，得到不同分解个数的各模态分量的中心频率，如表1所示。

表1 不同模态分量的中心频率

从表1中可看出，当k=7时，u3和u4的中心频率分别为0.123和0.189，两个分量中心频率较为接近，说明VMD过分解；而当k=8时，u2和u3以及u6和u7中心频率相对接近，因此确定分解模态分量个数k为6。任选数据集中5天光伏发电功率序列数据进行VMD分解，结果如图7所示。

图7 光伏发电功率VMD分解图Figure 7. VMD decomposition diagram of photovoltaic power generation

4.2 基于改进TCN的预测结果

为验证模型的预测效果，需对数据集进行数据清洗。本文将数据集的前70%划分为训练集，后30%划分为验证集。为消除数据量纲影响，将VMD分解后的光伏发电功率分量和气象数据进行归一化处理。在改进TCN网络中，设置输入维度为卷积核大小为7，输出维度为1，卷积核大小为2，DropBlock设为0.2，batch size设为32。在注意力机制中，设置每层隐含元个数为5的3层隐含层，学习率设为0.001，batch size设为32，epoch设置为100。所有模型优化算法均为Adam，损失函数均为均方误差(Mean Squared Error，MSE)。为检验模型预测效果，采用均方根误差(Root Mean Squared Error，RMSE)和平均绝对百分比误差(Mean Absolute Percentage Error，MAPE)作为评价指标。

4.3 预测结果分析

为对改进TCN预测模型性能进行分析，以VMD分解后的光伏发电功率分量和气象数据作为预测模型输入，对比改进TCN与LSTM、传统TCN的预测效果，各模型参数都已依据实际情况调整至最优数值。各预测模型的评价指标值如表2所示。

表2 各模型预测评价指标值

从表2中可看出，改进TCN模型预测误差最小，预测效果最佳。其RMSE值对比LSTM下降61%，对比传统TCN下降47%，MAPE值也相应分别下降67%、42%。改进TCN模型中采用DropBlock正则化在光伏发电功率预测中表现优异，不仅克服了LSTM耗时过长和梯度问题，还抑制了传统TCN网络卷积层中的信息协同问题。而改进TCN网络中的注意力机制可以有效突出关键输入特征的影响，量化各气象输入特征与光伏发电功率之间的关联度，在各个时刻主动挖掘总辐照度、法向直射辐照度、水平面散射辐照度、气温、气压和相对湿度对光伏发电功率的权重大小，而不是简单地将各影响因素的权重平均化。

(a)

(b) 图8 各模型预测结果对比图(a)预测结果 (b)预测结果局部放大图 Figure 8. Comparison of prediction results of each model(a)Predicted results(b)Local enlargement of the prediction results

从图8(a)中可看出，3种预测模型的预测曲线在整体上与实际光伏发电功率曲线都相对贴合。但在图8(b)中，LSTM和TCN预测曲线与真实值曲线都有不同程度的偏离，得益于采用DropBlock正则化以及引入注意力机制，改进TCN模型的预测曲线与真实值曲线拟合度最高，与真实值更为接近。这3种模型都是对经VMD分解后的光伏发电功率分量进行预测，在一些突变点的预测上表现都较为出色，可见VMD能够有效提取原始光伏发电功率序列中的细节信息并消除一定的噪声干扰，从而提高预测精度。

4.4 气象输入特征关联性分析

为检验注意机制挖掘气象输入特征关联性效果，提取10个测试集样本的特征分析情况，关联热力图如图9所示。图中小格颜色的深浅表示特征权重系数的大小，颜色越深，表示关联性越强；反之，则关联性越弱。

图9 光伏发电功率与各特征关联热力图Figure 9. Thermal diagram of photovoltaic power generation associated with each feature

从图9中可看出，各特征在不同时刻对光伏发电功率具有不同的影响，总辐照度和水平面散射辐照度颜色相对较深，相关性较大，相对湿度和气温则稍次之，而法向直射辐照度和气压颜色很浅，相关性较弱。特征热力图所呈现的规律与实际光伏发电情况一致。在最后4个采样点中，总光辐照度和水平面散射辐照度颜色显著加深，实际情况中此3个采样点为一天的午时，光照最强时刻，光伏出力显著增大，说明注意力机制可提取并突出关键特征信息。

4.5 预测性能对比

为验证本文所提模型有效性，以SVM、LSTM以及TCN进行对比分析，并分别进行单一模型预测以及与VMD组合预测，其评价指标值如表3所示。

表3 预测性能对比

由表3可看出，对比单一模型，与VMD组合的模型预测精度均有一定程度提高，说明了采用VMD进行数据预处理的必要性。该结果还证明了组合模型预测性能优于单一模型。本文所提方法的RMSE为0.62 MW，MAPE为2.03%，误差小于传统TCN模型。对比其他6种预测模型，本文所提方法的预测结果与真实值更为接近，预测精度最高。

5 结束语

本文针对光伏发电功率自身的波动性、非平稳性以及受个种气象因素影响而导致的随机性，提出一种基于VMD和改进TCN的短期光伏发电功率预测模型。通过实例实验得出如下结论：(1)采用VMD方法能够有效提取原始光伏发电功率序列的细节信息并消除噪声对预测的干扰；(2)在改进TCN网络中，通过DropBlock正则化有效抑制传统TCN卷积层中Dropout所带来的信息协同问题，而注意力机制可有效提取气象输入特征中的关键信息，量化相关权重，突出关键输入特征的影响；(3)本文的改进TCN网络中并未考虑时间角度的特征对预测的影响。在后续工作中，将构建不同维度的注意力机制优化TCN模型，以期提高预测精度。