深度置信网络光伏发电短时功率预测研究

吴坚　郑照红　薛家祥

摘要：针对现有光伏功率预测技术存在提取特征不充分导致预测精度低的问题，提出一种基于深度置信网络的光伏发电短时功率预测方法。根据光伏发电系统的运行特征和深度置信网络的特点，阐述该预测方法的可行性和科学性。搭建功率预测模型，通过无监督学习过程逐层提取输入序列的内在特征；模型顶层采用BP神经网络对特征矩阵和偏移量进行有监督训练，经过误差微调后输出预测结果。综合考虑可能对光伏发电功率产生影响的多种因素（如辐射强度、温度等），并将上述因素做归一化处理后作为模型的初始输入量，在Matlab上对预测模型进行仿真验证。最后将该预测模型与常用的BP神经网络方法进行比较，结果显示所提模型性能优于BP神经网络，证明该模型具有较好的预测准确度。

关键词：光伏发电；短期功率预测；深度置信网络；仿真验证

文献标志码：A 文章编号：1674-5124（2018）05-0006-06

0引言

光伏并网系统的输出功率大小，对于电力系统的稳定性、安全性，以及电力能源的调度具有不可忽略的影响，因而对光伏并网系统功率的预测显得尤为重要。国内外科研人员在该领域采用各种技术和方法进行了大量的研究，主要有基于人工神经网络（如BP神经网络）的预测方法、基于机器学习方法（如支持向量机SVM）的预测方法、基于历史数据的统计预测方法。上述方法中，BP神经网络的预测效果因隐层数量的增加而变差，在选取隐层数量为1～2层时，BP算法提取隐含特征的能力有限，无法充分挖掘影响因子之间的内在联系。SVM方法相对神经网络而言，具有更好的泛化推广能力，但凭经验选择的基函数可能引起无法预料的误差。基于历史数据的统计预测方法则需要大量的历史数据样本，在应用于新建电站的情况下存在较大的局限性。

深度置信网络（deep belief network，DBN）是深度学习的一种经典算法，可利用多层体系架构提取底层数据的潜在典型特征，进而提供给高层进行分类和回归。深度置信网络早已被应用于交通流、风速、PM_2.5等的预测中，并且取得了良好的效果。Hinton等提出了一种无监督的逐层训练的技术，可以快速地从底向上逐层训练DBN模型，使得网络具有较快的训练速度。在光伏发电功率的预测中，深度置信网络可以不依赖先验知识，通过多层次的训练学习更加抽象、更加本质的成因特征，可以进行更准确有效的功率预测，与传统的浅层神经网络相比具有明显优势。

综合考虑太阳辐射强度、温度、风力风速、降雨量等气象因素，本文提出了基于深度置信网络模型的光伏功率短时预测方法，结合一定数量的历史功率数据，构建了少云晴天、多云晴天两种平稳天气，以及晴转雨突变天气条件下的发电功率预测模型，通过Matlab对所构建的模型进行了训练和验证，并与BP神经网络的预测性能进行了对比。

1深度置信网络（DBN）原理

DBN模型由一定数目的受限玻尔兹曼机（restricted Boltzmann machine，RBM）堆叠组成。受限玻尔兹曼机是一种特殊形式的马尔可夫随机场（Markov random field，MRF）。一个RBM包含一个由随机隐单元构成的隐含（不可观测）层和一个由随机可见（观测）单元构成的可见（观测）层。RBM可以表示为双向图，所有的可见单元和隐单元之间都存在连接，但每一层的隱单元之间、可见单元之间不存在连接，即层间全连接，而层内无连接。一个RBM的可见层即可观测的输入层，满足伯努利分布或高斯分布，隐层则对应于所探测的不可见的特征，满足伯努利分布。层与层之间通过对称矩阵进行全连接，其概率满足玻尔兹曼分布。RBM模型如图1所示。

对于一个伯努利一伯努利RBM的可见单元和隐单元，给定模型参数θ，得到它们的联合组态能量函数E（y，h；θ）为

（1）

深度置信网络模型如图2所示。该模型中，底层是由GBRBM和RBM组成的DBN结构。一个RBM层训练后，其输出作为下一RBM层的输入。模型经过自下而上的非监督学习，从不同的RBM隐层中提取输入序列中隐藏的特征。经过如此的逐层训练后，输出权重矩阵和偏移量，作为顶层BP神经网络进行有监督学习的输入初始值。顶层的BP神经网络对权重矩阵和偏移量进行微调，通过自顶而下的反向传播学习，获得误差估计，再应用梯度下降法，计算更新各节点的权值，直到输出误差足够小。

2基于深度置信网络的光伏发电短时功率预测

2.1光伏发电功率预测模型

本文提出基于深度置信网络的光伏发电短时功率预测模型，该模型包括深度训练过程和预测过程。深度学习的训练过程可能包括大量的误差和偏置参数，迭代过程需要计算机进行大量的计算，占据大量的计算机资源，对于计算机的要求较高。为减少深度训练过程在实际应用中的计算量，降低深度训练过程难度，使所提模型在实际中得到广泛的应用，可以先采用高性能的本地服务器或更高性能的云服务器，对模型输入序列进行深度学习和训练，即可得到已训练的预测模型；然后借助于性能一般的本地监控计算机或嵌入式监控设备，利用训练后的模型，输入参数值对光伏功率进行预测。基于深度置信网络的光伏发电短时功率预测模型如图3所示。

2.2数据源及其预处理

本文光伏发电功率历史数据来源于东莞市南城区高盛科技园内的绿色能源小屋3kW光伏电站，所采用气象数据（天气状况、风向、风力、实时气温、最高气温、最低气温等）均来源于东莞市气象局官方网站，光照强度（辐射强度）数据来源于放置于光伏组件附近并且与光伏组件同仰角放置的光强测试仪，囊括了2017年3月1日～2017年7月31日共153 d的每日数据。为了验证预测模型性能，选择天气多变的2017年8月份，采集31 d的天气（环境）数据和发电功率数据作为测试数据，对模型的预测效果进行验证。采用CPU为i5-4590k处理器，内存为8G的台式电脑，在Matlab R2014b中完成相关程序的编写和模型搭建，并输入数据进行模型的仿真验证。

将光伏电站所在地区历史气象信息和光伏历史发电功率数据作为预测模型的输入序列，对收集到的辐射量、风力、最高气温、最低气温等样本数据按下式进行归一化处理：

在DBN模型中完成预测训练后，按照下式对模型输出结果进行去归一化处理，恢复预测结果使其成为真实的功率数据：

2.3评价指标

在光伏发电功率预测中，常采用均方根误差（rootmean squared error，RMSE）和平均绝对百分比误差（mean absolute percentage error，MAPE）两个技术指标来检验和衡量模型的精确度和效果[12-131。RMSE和MAPE的定义如下：

2.4DBN预测模型参数的确定

深度学习模型结构参数的设置，影响训练过程、训练时间、预测结果误差。为了使训练效果达到最优化，减小误差，对预测模型训练的隐层层数和隐层节点数进行讨论和对比优选。本文取隐层数目为2～7层，节点数为2n。设定隐层节点数为2s个节点，对隐层数目进行优选，结果如表1所示。

表中比较了隐层数目变化对预测结果的影响，当隐层数目为5时，平均绝对百分比误差值为10.6%，模型准确度最高，误差最小。而且，隐层数目小于5时，模型误差随隐层数目增加而减小；隐层数目大于5时，模型误差随隐层数目增大而增大，模型凸显“过拟合”效应，训练时间也增加。

假定隐层数目为5，讨论和确定适宜的节点数目。本文讨论节点数目为2⁶-2¹⁰时的预测效果。由表2可知，节点数为2s时，模型预测效果最佳。

因此，本文设定预测模型的隐层数目为5，隐层节点数为256，预测步长为15min，对1d内7：00-18：00时段的光伏发电功率进行预测。

2.5模型仿真结果及分析

在同一计算机设备上，从31 d的测试数据中抽取若干天，分别采用BP神经网络和DBN预测模型进行仿真实验。

平稳天气下，在7：00-11：00时段，光伏出力逐渐上升，发电功率逐渐升高；在11：00-14：00时段，光伏出力达到较高水平，曲线变化较为平稳：在中午12：00-13：00之间，发电功率达到当天内最大：在14：00-18：00时段，光伏出力逐渐下降，发电功率逐渐降低。如图4所示，平稳天气下，DBN模型功率预测曲线与实际功率曲线重合度较高，说明预测误差较小。A日DBN功率预测模型的实际MAPE和RMSE分别为7.57%、80.74，B日DBN功率预测模型的MAPE和RMSE分别为8.33%、62.79。

突变天气下，天气变化随机性很强，导致影响光伏出力的辐射量、温度等的变化随机性也增强，所以光伏发电的出力随机性也增强。在本文功率预测模型下，DBN算法可以预测功率曲线走势，但是准确度不高，偏差相对较大。图5展现了在不同的突变天气光伏出力的情况，由于天气出现变化的时间和情况不一致，因而功率预测曲线变化也不一致。C日在12：00-13：00出现雷雨天气，DBN功率预测模型的MAPE为14.63%，RMSE为86.87；D日在10：00-11：00和12：00-13：00出现雷雨天气，13：00-13：30天氣逐渐转晴，13：30后天气状态逐渐转为阴天，DBN功率预测模型的MAPE为14.94%，RMSE为129.19。突变天气条件下，模型预测结果与实际发电功率差距较大。

图4、图5的对比实验结果也表明，与所提预测模型相比，BP神经网络方法的预测曲线更偏离实际曲线。为了更好地论证所提方法的优势，分别采取所提方法和BP神经网络方法对31 d的测试数据进行仿真实验，并对评判指标RMSE和MAPE取平均值。综合对比两种预测方法的性能指标见表3。

由表可知，在同一预测日期下，BP神经网络方法预测结果的RMSE值大于DBN预测模型，说明BP神经网络的预测结果离散程度比DBN预测模型更大：BP神经网络方法预测结果的MAPE值大于DBN预测模型，说明BP神经网络的预测准确度比DBN预测模型更低。进一步地，对31d的测试数据进行仿真实验后，BP神经网络方法预测结果的平均MAPE值和RMSE值均大于DBN预测模型，说明BP神经网络的平均预测准确度低于DBN预测模型。综上所述，在预测准确度上，所提方法优于BP神经网络方法。

BP神经网络在隐层数目较少（1～2层）时具有较好的训练效果，但隐层数目较少会导致网络参数得不到充分的训练，产生“欠拟合”现象，数目增加到一定值时，会导致“过拟合”现象。而且，梯度下降法要求学习速率较小，因此BP神经网络的收敛速度较慢。在训练过程中，采用梯度下降法，BP神经网络方法还容易陷入局部极小点。

与浅层BP神经网络相比较，本文中DBN模型采用无监督训练的方式，对输入序列进行预训练，在进行有监督训练之前，网络参数就已经靠近最优解，避免了产生局部最优。而且，多隐层的DBN模型，更有利于提取输入序列之间的内在特征。DBN模型顶层采用有监督的BP神经网络，对已靠近最优解的网络参数进行误差调优，使模型具备更高的预测准确度，也减少了有监督学习的时间。

3结束语

本文将深度学习理论应用于分布式光伏发电系统功率预测中，建立了光伏短时发电功率的深度置信网络（DBN）预测模型，并与常用的BP神经网络预测模型进行了性能比较，证明所搭建模型在光伏功率预测上优于BP神经网络。所提模型通过多层次的训练和学习，提取影响光伏发电功率的本质特征和因素，并逐层变换特征矩阵，使得原样本的特征矩阵最终变换为更抽象的特征矩阵。在预测其他地区、其他时段的光伏发电功率时，也可以通过特征矩阵的变换适应差异化的输入样本，获得良好的预测效果，使得模型的应用更具普遍性。

（编辑：商丹丹）