基于LSTM-LGB模型的光伏电站辐照强度预测

邱瑞东，何 山,2*，董 宁，王冉旭，董广凯

(1.新疆大学 电气工程学院，新疆 乌鲁木齐 830049；2.新疆大学 可再生能源发电与并网技术教育部工程研究中心，新疆 乌鲁木齐 830049)

受天气状况及光伏电站自身环境影响，光伏发电功率出现较大的随机性和波动性，对电网产生不良影响.及时准确预测光伏电站出力，有助于电网调度及电力系统安全稳定运行.

针对序列数据的光伏功率预测方法有：时间序列、支持向量机、决策树以及神经网络法.基于机器学习的方法能处理辐照强度与光伏出力、温度等因素间的非线性关系.文献[11]采用小波神经网络构建太阳辐射量预测模型，通过数据预处理及结构优化，有效提升了预测精度.文献[12]针对光伏电站出力预测模型结构复杂、泛化能力低的问题，提出了基于深度信念网络的预测模型，采用重构误差法确定隐含层数，该模型预测精度高、运算量低.文献[13]提出基于改进BP(back propagation)神经网络的光伏电站辐照强度预测模型，但因天气类型划分太复杂，该模型难以适应复杂天气下辐照强度的波动性.在光伏功率预测中，单一模型存在局限性，而组合模型能得到不同数据的特征，故组合模型具有较高的预测准确性.

长短时记忆网络(long short term memory network，简称LSTM)是一种改进的循环神经网络模型，由于具有特殊的门及记忆结构，能处理序列数据的预测问题.轻梯度提升机(light gradient boosting machine 简称LightGBM)模型在保证良好预测精度的同时极大提升了辐照强度的预测速度.该文在LSTM和LightGBM模型的基础上，提出二者的组合(LSTM-LGB)模型，对光伏电站辐照强度进行预测.首先，对辐照强度历史数据及光伏电站气象数据进行特征分析，找出关联度高的影响因素，再构造特征；然后，对辐照强度进行预测；最后，比较不同模型的预测精度.

1 辐照强度预测模型

1.1 LSTM模型

LSTM利用单元状态、输入门、输出门及遗忘门间的关系，解决了循环神经网络中的梯度消失问题.LSTM按顺序处理数据，记忆单元通过门操作进行信息存储.LSTM模型结构如图1所示.

图1 LSTM模型结构

图1中，

f

<>为遗忘门，

i

<>为输入门，

o

<>为输出门，

c

<-1>为记忆单元状态，

σ

为非线性sigmoid函数.LSTM接收当前时刻的输入

x

<>及上一时刻隐藏状态的输入

h

<-1>.LSTM中相关单元状态及信息流的表达式为

f

<>=

σ

(

W

x

<>+

W

h

<-1>+

b

)，

(1)

i

<>=

σ

(

W

x

<>+

W

h

<-1>+

b

)，

(2)

o

<>=

σ

(

W

x

<>+

W

h

<-1>+

b

)，

(3)

(4)

(5)

h

<>=tanh(

o

<>⊙

c

<>)，

(6)

1.2 LightGBM模型

LightGBM是基于梯度提升决策树(gradient boosting decision tree，简称GBDT)的改进模型.尽管GBDT在很多机器学习任务上表现出好的学习效果，但是随着数据量的几何级增长，出现了过拟合、训练速度慢等问题.LightGBM模型包括直方图算法以及带深度限制的Leaf-wise决策树生长策略，在不降低预测准确性的同时，能加快预测速度并降低内存使用率，适应了辐照强度预测中的大数据特性.

LightGBM模型中的直方图算法，将连续特征值分为

k

个间隔，在

k

个间隔中选择划分点.因此，它的训练速度和空间效率均优于GBDT.直方图算法具有正则化效果，可有效防止过拟合.图2为带深度限制的Leaf-wise生长方式，与其他生长方式相比，这种方式生长相同叶子时，可减少更多误差.

图2 带深度限制的Leaf-wise生长方式

1.3 组合预测模型

LightGBM为树模型，LSTM为神经网络模型，该文将二者组合得到LSTM-LGB模型，以提高辐照强度预测的准确性.图3为该文提出的LSTM-LGB模型结构.

图3 LSTM-LGB模型结构

两种模型分别对辐照强度数据样本进行训练，由于LightGBM的训练速度快，故将LightGBM模型的预测结果作为LSTM的一个特征输入.得到LSTM及LightGBM的预测结果后，采用误差倒数法对以上两种模型数据进行加权组合，得到组合模型的预测值为

(7)

其中：

w

,

w

分别为LSTM和LightGBM对应的权重系数；

u

,

u

分别为LSTM和LightGBM的预测误差.通过对误差小的模型赋予较大的权重，能够取长补短，降低整个组合模型的预测误差，从而提升光伏电站辐照强度的整体预测效果.

2 辐照强度数据预处理

温度、风速及风向等因素对辐照强度有不同程度的影响，因而辐照强度表现出较强的随机性和波动性.对异常数据，需要预处理，将异常数据替换为其前后数据的平均值.通过合理的数据处理，可使辐照强度预测模型取得较好的预测效果.

3 算例分析

3.1 实验平台和数据

实验硬件平台为Intel(R)Core i5-5200U CPU@2.20 GHz.使用Python3.7语言实现所提组合模型.该文使用的数据为某光伏电站现场收集的9 600个实测样本数据，前9 000个样本数据作为训练集，后600个为测试集.每个数据包括辐照强度历史数据、气象数据及光伏电站采集的数据.

3.2 评价指标

选取MAPE及RMSE描述模型的相关预测效果，MAPE，RMSE的计算公式分别为

(8)

(9)

其中：

K

为测试集的样本数；

y

,

y

分别为第

i

个样本的实际辐照强度和预测结果.MAPE，RMSE越小，模型的预测精度越高.

3.3 预测结果

该文分析平稳天气以及突变天气下的预测结果，且将该文组合模型与其他模型的预测结果进行对比.

图4为平稳天气下3种模型的预测结果与实际数据的对比.由图4可知，该文LSTM-LGB模型的预测精度最高，LSTM模型误差最大，LightGBM模型的误差略小于LSTM.

图4 平稳天气下3种模型的预测结果与实际数据的对比

图5为突变天气下3种模型的预测结果与实际数据的对比.由图5可知，突变天气下，辐照强度波动性较大，该文LSTM-LGB模型仍能够很好地预测辐照强度，其预测误差最小，LSTM模型预测误差最大，明显高于LightGBM.

图5 突变天气下3种模型的预测结果与实际数据的对比

表1为两种天气下3种模型MAPE及RMSE的对比.由表1可看出： LSTM-LGB模型在两种天气下的MAPE及RMSE均最小；LSTM模型在突变天气下的MAPE及 RMSE，均明显大于LightGBM模型的，这是因为LSTM需要调节的参数较多，且突变天气下辐照强度波动较大.

表1 MAPE及RMSE的对比

图6为LSTM-LGB及XGB-LGB模型的预测结果对比.由图6可知，LSTM-LGB模型的预测结果好于XGB-LGB模型.

图6 LSTM-LGB及XGB-LGB模型的预测结果对比

LSTM-LGB模型的MAPE和RMSE，在平稳天气下分别为0.015，5.20，突变天气下分别为0.067，18.66；XGB-LGB模型的MAPE和RMSE，在平稳天气下分别为0.067，13.19，突变天气下分别为0.127，21.60.可见，相比于XGB-LGB模型，LSTM-LGB模型的预测精度更高.

4 结束语

笔者提出了一种基于LSTM和LightGBM的组合模型(LSTM-LGB)，用于预测辐照强度.通过算例分析可知：辐照强度的数据特征直接影响模型的预测精度，辐照强度数据预处理对模型的预测精度有一定的提升；相对于LSTM，LightGBM，XGB-LGB模型，LSTM-LGB模型有最高的预测精度.预测光伏功率将为笔者后续的研究工作.