基于CNN-BiLSTM的光伏功率预测方法

于海龙，刘国巍

(安徽理工大学 电气与信息工程学院,安徽 淮南 232001)

1 引言

近年来，太阳能、风能等一些清洁能源走进大众视野，成为一些行业领域不可缺少的能源。太阳能发电近些年得到快速发展，而相较于煤炭发电有污染小、容易获取等优点。我国光伏装机容量近年持续增长，2021年上半年全国光伏新增装机1301万kW，光伏产业稳步发展。而由于太阳辐照具有周期性和间歇性，夜晚期间不发电，导致光伏电站的发电量并不稳定，是一种波动性能源[1，2]。大范围的光伏电站在并入电网时会对电力系统的稳定运行带来危害。因此准确的光伏发电预测可以为光伏电站合理调度电能分配计划提供重要参考，为整个电力系统的安全稳定运行提供重要保障[3]。

光伏功率预测方法有多种，一般可分为两种：一是利用光伏电站各设备的详细参数等用数学方法建立一种物理预测模型；二是根据光伏电站统计的历史气象因素建立与输出功率之间的一种规律进行直接预测[4]。由于传统方法预测精度达不到期望效果，人工神经网络、循环神经网络等人工智能方法不断发展，在这些预测问题上有较好的解决问题能力。长短时记忆网络(LSTM)在处理时间序列的问题方面更表现出了自身的优点，利用LSTM对风电场功率进行预测，取得了较好的预测效果[5]。在LSTM的基础上加入卷积神经网络(CNN)，通过组合模型对光伏功率进行预测，相比于单一模型具有更好的预测精度[6]。随着深度学习的发展，不在局限于单一模型来处理问题，而是采取不同模型的优点取长补短，通过组合模型来达到更好的预测效果[7]。

本文利用深度学习强大的自主学习能力，有效建立气象因子与光伏输出功率之间的规律进行输出预测。在CNN和LSTM的基础上利用CNN和BiLSTM进行结合实现光伏功率精确预测。选取与光伏发电输出功率相关性高的太阳辐照、温度和湿度等气象因素作为输入，CNN利用自身优势提取输入数据空间特征，BiLSTM在时间序列上对过去和未来分别计算依次储存，最后得到预测结果。

2 CNN-BiLSTM功率预测方法

2.1 卷积神经网络

卷积神经网络(CNN)是一种深度学习模型，凭借其优越的特征提取和非线性拟合能力，已经被广泛应用到诸多领域中[8,9]。CNN由卷积层、池化层、全连接层和逻辑回归层四类神经元层构成。卷积层通常由多个卷积核构成，每个卷积核计算一个对应的特征映射，用于提取输入数据信息。池化层紧跟卷积层之后，采取最大池化的方法，挖掘数据有效特征信息，减小卷积层输出特征向量的大小。全连接层连接池化层和逻辑回归层，将提取到的数据特征汇聚一起后进行分类。逻辑回归层最后进行所有特征组合输出。

2.2 BiLSTM网络

光伏功率此刻的输出不仅受前一时刻而且还可能与未来时刻的因素有关，因此在模型中采用BiLSTM，即双向长短时记忆网络，由上下两个LSTM组合而成。对输入数据进行时间序列上特征挖掘并且向前向后两个方向进行训练，最后由这两个LSTM状态共同决定输出值[10,11]。由于其内部加入的输入门、遗忘门和输出门特殊神经元结构，解决了传统循环神经网络产生的梯度爆炸等问题，能够高效地自主学习输入与输出信息之间的依存规律，在多变量时间序列预测问题上得到了广泛的应用。

LSTM，即长短时记忆网络。在循环神经网络基础上改进，加入特殊门控结构[12]。通过输入门、遗忘门和输出门单元有选择性地取舍数据时间序列上的有效信息，大大提高了模型数据挖掘的高效性，解决了梯度消失问题。图1为LSTM神经元内部结构图，引入的3种门各自信息处理过程如下。

图1 LSTM神经元结构

2.2.1 信息的丢弃

在激活函数Sigmoid的作用下输入的h(t-1)和此时刻的x(t)会输出一个介于0到1之间的值，决定是否通过前一时刻所学信息，0表示遗忘所有信息，1表示储存所有信息。计算公式如下：

f(t)=σ{wf·[h(t-1),x(t)]+bf}

(1)

式(1)中wf为权重矩阵；bf为偏置向量；σ为Sigmoid激活函数。

2.2.2 信息的更新

该过程先是由上一步产生的值决定输入门更新的信息，然后tanh激活函数作用于h(t-1)和x(t)得到i(t)，与遗忘门输出信息结合得到更新的神经元状态c(t)。计算公式如下：

i(t)=σ{wi·[h(t-1),x(t)]+b1}

(2)

g(t)=tanh{wg·[h(t-1),x(t)]+bg}

(3)

c(t)=f(t)·c(t-1)+it·gt

(4)

2.2.3 信息的输出

LSTM在信息的更新基础上，利用Sigmoid激活函数得到输出o(t)，然后o(t)与经过tanh激活函数处理的c(t)逐对相乘得到最终的输出y(t)。计算公式如下：

o(t)=σ{wo·[h(t-1),x(t)]+bo}

(5)

y(t)=h(t)=o(t)·tanh[C(t)]

(6)

2.3 CNN-BiLSTM预测算法结构

本文所采用的预测算法架构如图2所示，选取光伏电站采集的太阳辐照、组件温度等数据作为输入，先利用CNN卷积层对输入数据进行特征提取，然后通过BiLSTM进行特征学习，最后通过训练建立输入输出之间的规律之后输出预测结果。

图2 CNN-BiLSTM算法结构

3 实验仿真验证

本文选取国内某光伏电站2020年7月份采集的

气象功率等数据进行实验，选用MatlabR2020b进行仿真验证。光伏数据的采集时间分辨率为15min，预测的有效时段为早上7:00至下午19:00。用不同模型分别对选取数据进行训练，选取最后3 d为测试集。

3.1 预测评价指标

为了更科学的评价所采用模型的优越性，使用平均绝对百分比误差(MAPE)和均方根误差(RMSE)作为两个评价指标。MAPE和RMSE的公式如式(7)、(8)所示：

(7)

(8)

式(8)中：pireal表示第i个采样点的真实输出功率值；pipre表示第i个采样点的预测输出功率值；n代表采样点个数。

3.2 实验结果与分析

通过实验平台用不同模型对数据训练之后，选取测试集早上7点到晚上7点共计147个样本点进行预测，不同实验模型预测结果的评价指标如表1所示，不同模型预测值与实际光伏输出功率对比图如图3所示。

表1 不同模型评价结果对比

图3 不同预测模型对比结果

通过实验结果对比，从表1中可以看出单一模型的MAPE和RMSE较大，这表明单一模型的预测结果与实际输出功率误差较大，预测效果不理想。而组合模型的预测结果精度明显高于单一模型，组合模型的MAPE和RMSE均最小，这表明采取组合模型可有效发挥各单一模型的优点来达到理想的预测效果。组合模型CNN-LSTM的MAPE和RMSE分别比CNN和LSTM降低了13.04%、6.18MW和17.32%和7.70MW。

本文采取的CNN-BiLSTM模型预测精度达到了更好的效果，MAPE和RMSE降低到了1.96%和0.68MW，比CNN-LSTM降低了0.76%和0.29MW。由此表明本文所采取的组合预测方法对提高光伏功率预测精度有一定的效果。

4 结论

为了提高光伏输出功率的预测精度，本文采取了CNN-BiLSTM算法进行预测。首先利用CNN提取输入数据之间的空间特征，再送入BiLSTM中挖掘数据之间时间序列上的关系，用CNN-BiLSTM建立输入与输出之间的一种规律进行输出预测。最后通过实验仿真对不同的模型进行验证，实验结果表明所采取的预测算法取得了良好的预测效果。精准的光伏功率预测,对于降低光伏并网时对电网稳定运行带来的危害有重大意义，还能够为电网部门制定合理配电调度计划提供参考依据等。