基于GRA-BiLSTM模型的中国太阳能光伏产业装机容量预测

陈勇昊

摘要：随着我国能源转型进程的加速和可再生能源市场需求的快速增长，光伏行业创造了更多的就业机会，有效缓解了劳动力市场的就业压力。本文为了准确预测我国太阳能光伏装机容量，提出了一种基于双向长短期记忆的多因素装机容量预测模型。该模型预测了2020—2035年中国的太阳能光伏装机容量。准确预测太阳能光伏装机容量，可以为太阳能光伏产业规划电力发展战略提供有效的决策支持。

关键词：光伏装机容量；就业效应；双向长短期网络模型

中图分类号：F2文献标识码：Adoi：10.19311/j.cnki.16723198.2024.11.006

0引言

全球气候变化促进了世界上可再生能源的快速发展和广泛应用，可再生能源行业逐渐成为各国关注的焦点。太阳能作为一种应用广泛的可再生能源，具有分布广泛、技术应用成熟、可靠性高、建设成本低等特点，它将成为未来能源发展的重要增长极。合理的装机容量对于太阳能光伏行业进入规模经济阶段非常重要，因此，要准确预测我国太阳能光伏装机容量，有必要充分考虑我国太阳能光伏装机容量的影响因素，筛选出与装机容量相关性较强的指标。深度神经网络具有良好的非线性映射、自学习和自适应、联想记忆和并行信息处理能力。它在不同场景下的时间序列数据处理中具有良好的适用性，在处理非线性时间序列预测问题时，深度神经网络通过多层非线性变换有效地提取数据特征，以实现对输出变量的准确预测。在此基础上，建立了基于灰色关联度－双向长短期网络的太阳能光伏装机容量的多因素预测模型。准确的预测结果可以有效地调度和进行能源系统的规划，提高能源系统的稳定性，降低整体运行成本。

1研究设计

1.1研究方法

传统的长短期记忆网络在处理数据时仅向后传播，用于在历史变量中获得先验信息。而双向长短期网络模型神经网络与长短期网络模型之间的主要区别在于，它采用多个门来执行存储单元，以控制网络内部的输入和输出流，并且充分考虑输入数据在时间序列中的双向关系。这种双向处理通过门机制获得了更多的结构性信息，增强了信息智能的方式。双向长短期网络模型对信息进行顺序编码，以获取前后数据的信息特征，从而提高其泛化能力。长短期网络模型单元从输入序列开始，输入序列的反向形式已经集成到长短期网络模型网络中。由前ht和后层h′t生成的双向长短期网络模型，模型如图1所示。

计算正向层中从时间1到时间t，得到并保存每次正向输出。在向后层中反向计算时间t到时间1，每次得到并保存向后层的输出。最后，通过结合前向层和向后层相应时刻的输出结果，可以得到每个时刻的最终输出。

1.2指标选取

本文充分考虑宏观经济指标对电力市场的影响，通过查阅相关文献，确定影响太阳能光伏发电装机容量的因素如下。

国内生产总值和住宅消费支出：经济增长是累计装机容量的主要驱动力。电力消费的发展依赖于工业化、商业化、信息化的持续发展。此外，装机容量的增加取决于国家和私人的投资，而这取决于经济的快速发展。人口：人口是社会经济的一个基本方面。它将直接影响一个地区的电力需求，从而影响装机容量。工业增加值：在一个高度工业化的社会中，材料和产品是以机械化的方式生产的，工业部门使用大量的电力，这增加了对装机容量的需求。本文选择工业增加值作为代表工业化发展的指标。太阳能发电和太阳能消耗：这些能源生产指标与太阳能装机容量最为相关。对电力市场的需求直接推动了电力设备市场的发展。电力进出口：电力的进出口反映了一个国家对电力的依赖性。对能源进口的依赖鼓励各国采取激励措施，发展国内电力市场，并增加政府和私人对发电市场的投资。

2实验结果与讨论

2.1预测结果分析

充分考虑到选定影响因素未来的变化情况，本研究将其作为双向长短期网络模型预测的输入数据，通过模型学习得到2020—2035年中国太阳能光伏装机量，结果如图2所示。

如图2所示，由于2010年以前中国太阳能光伏累计装机容量相对较小，因此本研究将2010—2035年太阳能光伏新增装机容量的变化分为三个阶段进行分析：

第一阶段为2010—2019年。中国太阳能光伏装机容量呈几何增长，2010年累计装机容量为102吉瓦，2017年达到13082吉瓦。然而，2017—2019年，新增的太阳能光伏装机容量逐年下降。造成这一现象的原因是，在光伏市场发展初期，政府对光伏产业的生产、安装和发电进行了大力补贴。

第二个阶段为2020—2025年。根据双向长短期网络模型的预测，中国新型太阳能光伏装机容量将迅速增长，从2020年的5037吉瓦增长到2025年的14676吉瓦。

第三个阶段为2025—2035年。根据模型预测结果，中国太阳能光伏产业的整体发展将呈现稳定增长。到2035年，中国累计太阳能光伏装机容量将达到2833吉瓦。随着材料技术和工艺技术的不断进步，太阳能光伏产业的驱动力从原来的补贴向内生的科技研发驱动力转变，太阳能光伏市场进入“平价上网”时代。

2.2实验结论

本研究预测并分析了中国太阳能光伏产业在能源转型时期的发展前景。

（1）提出了一种基于灰色关联度—双向长短期网络模型的中国太阳能光伏装机容量预测模型。通过对模型参数的优化和调整，评价了模型的预测性能。灰色关联度—双向长短期网络模型的误差值为5995，说明灰色关联度－双向长短期网络模型方法比基准模型长短期网络模型方法更适合于多因素太阳能光伏装机容量预测。太阳能消耗和太阳能发电的影响最大，平均贡献率分别为2642%和2720%。

（2）双向长短期网络模型用于预测2020—2035年中国太阳能光伏装机容量。预测结果显示，中国未来太阳能光伏装机容量将继续增长，2035年中国太阳能光伏装机容量将达到2833吉瓦。同时，结合装机容量的历史数据，探讨了我国装机容量的阶段特点和原因。结果表明，太阳能光伏装机容量在早期呈指数增长趋势，主要是因为太阳能光伏补贴政策在太阳能光伏市场的早期发展中起着至关重要的作用，但随着光伏行业的规模扩大和集约化，补贴的下降，太阳能光伏装机容量的增长率将逐渐放缓。

参考文献

[1]董华展.太阳能光伏发电发展趋势探析[J].现代工业经济和信息化，2023，13（4）：282284.

[2]姚亚军.太阳能光伏发电技术的应用研究[J].科技创新与应用，2022，12（36）：181184.

[3]任远.太阳能光电建筑发电量预测方法研究[D].北京建筑大学，2014.

[4]边博伟.太阳能光伏发电储能控制研究[J].产品可靠性报告，2023，（8）：4344.

[5]缪宇峰.分布式电源光伏发电对低压电网的影响及对策[J].电气技术与经济，2023，（06）：109111.

[6]徐海龙.全过程项目管理在光伏发电工程中的应用[J].光源与照明，2022，（8）：7274.

[7]李超.太阳能光热发电装置及发电量预测方法[D].宁夏大学，2019.

[8]丛建鸥.太阳能光伏并网系统发电量预测方法研究[J].科技与企业，2015，（20）：89.

[9]路小娟，郭琦，董海鹰.基于L-SVM的太阳能短期上网发电量预测方法研究[J].兰州交通大学学报，2014，33（4）：3639.

[10]王少义，李英姿，王泽峰.太阳能光伏并网系统发电量预测方法[J].北京建筑工程学院学报，2013，29（1）：6469.