余 洋，陳 庚，余佳磊，李連坪，師進(jìn)文，李明濤

（1.中國(guó)平煤神馬集團(tuán)尼龍科技有限公司，河南 平頂山 467000；2.西安交通大學(xué)動(dòng)力工程多相流國(guó)家重點(diǎn)實(shí)驗(yàn)室國(guó)際可再生能源研究中心，陜西 西安 710049）

太陽能光熱發(fā)電技術(shù)清潔高效，易于推廣，市場(chǎng)潛力巨大[1]。據(jù)中國(guó)氣象科學(xué)研究院數(shù)據(jù)，中國(guó)不同地區(qū)每年總太陽能輻射量最低為3 340 MJ/m2，最高為5 852 MJ/m2。豐富的資源保障了中國(guó)進(jìn)行太陽能開發(fā)利用的廣闊前景。然而，光熱發(fā)電受天氣因素影響具有明顯的間歇性和波動(dòng)性，這種特性在發(fā)電系統(tǒng)并網(wǎng)后，會(huì)對(duì)電網(wǎng)的穩(wěn)定性帶來沖擊。對(duì)光熱電站的并網(wǎng)電量（簡(jiǎn)稱發(fā)電量）進(jìn)行預(yù)測(cè)，有助于電網(wǎng)提前制定調(diào)度計(jì)劃，有效減輕光熱發(fā)電并網(wǎng)造成的不利影響[2-4]。

在太陽能電站發(fā)電量預(yù)測(cè)方面，當(dāng)前國(guó)內(nèi)外研究多聚焦于氣象參數(shù)的變化預(yù)測(cè)及發(fā)電量與氣象參數(shù)的聯(lián)系[5-7]。Voyant 等人[8]將太陽能預(yù)測(cè)方法分為傳統(tǒng)的物理模型預(yù)測(cè)方法和機(jī)器學(xué)習(xí)預(yù)測(cè)方法。其中物理模型預(yù)測(cè)方法包括間接預(yù)測(cè)天氣的外推法[9]以及利用數(shù)值天氣預(yù)報(bào)（NWP）[10]進(jìn)行分析的數(shù)值天氣預(yù)報(bào)模型法；機(jī)器學(xué)習(xí)預(yù)測(cè)方法主要有人工神經(jīng)網(wǎng)絡(luò)（ANN）、差分自回歸移動(dòng)平均模型（ARIMA）等[1]時(shí)序數(shù)據(jù)連續(xù)預(yù)測(cè)方法。外推法主要是根據(jù)歷史數(shù)據(jù)尋找數(shù)據(jù)間的聯(lián)系與規(guī)律，包含太陽輻照度的預(yù)測(cè)、天氣的預(yù)測(cè)等。Yang 等人[11]利用回歸模型對(duì)光伏發(fā)電數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，獲得未來1 h 的溫度、降水概率和太陽輻照度，最后再運(yùn)用模糊推理方法對(duì)發(fā)電量進(jìn)行精確預(yù)測(cè)。Cao 等人[12]針對(duì)太陽總輻照度的影響因子，利用相關(guān)系數(shù)法對(duì)太陽輻照度影響進(jìn)行排序得出主要影響因子，再利用折現(xiàn)系數(shù)法修正偏差，改進(jìn)輻照度的預(yù)測(cè)方法。數(shù)值天氣模型法是根據(jù)數(shù)值天氣預(yù)報(bào)的情況，將其直接作為輸入?yún)?shù)再結(jié)合統(tǒng)計(jì)學(xué)對(duì)發(fā)電量進(jìn)行建模和預(yù)測(cè)[13-14]。這些方法都是基于太陽能電站的特性以及不同的天氣預(yù)報(bào)變量如水平輻照度、相對(duì)濕度、云量[15]等，當(dāng)天氣穩(wěn)定時(shí)，如晴天，其預(yù)測(cè)性能較高[16]。德國(guó)的Lorenz 等人[17]提出利用天氣預(yù)報(bào)的太陽輻照度預(yù)報(bào)值提前3 天對(duì)歐洲國(guó)家的光伏電站進(jìn)行發(fā)電量預(yù)測(cè)，其平均絕對(duì)誤差百分比在40%以上。

機(jī)器學(xué)習(xí)預(yù)測(cè)方法主要運(yùn)用時(shí)間序列模型以及早期的神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)研究。Kasburg 等人[18]使用循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）模型，將其加入太陽能發(fā)電的預(yù)測(cè)中，改變了傳統(tǒng)的使用有源太陽能跟蹤器提高發(fā)電量的方式，該方法具有較好的非線性處理能力，能更好的預(yù)測(cè)太陽能發(fā)電。Ashraf 等人[19]利用ANN 方法對(duì)Lakshadweep 群島上的光伏并網(wǎng)系統(tǒng)進(jìn)行預(yù)測(cè)，利用ANN 將太陽能光伏發(fā)電輸出與太陽輻射、組件溫度、清潔度指數(shù)等相關(guān)參數(shù)進(jìn)行插值，得出3 個(gè)相關(guān)模型并加以對(duì)比，但預(yù)測(cè)準(zhǔn)確度缺乏實(shí)際驗(yàn)證，且輸入?yún)?shù)的相關(guān)性缺乏分析。此外，Diagne 等人[20]對(duì)混合模型展開了深入研究，將傳統(tǒng)的時(shí)間序列模型（如ARIMA 和自回歸AR 模型）與氣象數(shù)據(jù)結(jié)合，得出一個(gè)更加復(fù)雜但是更加精確的模型。但是該模型要求輸入數(shù)據(jù)的時(shí)間和空間的分辨率極高，并且對(duì)計(jì)算機(jī)的計(jì)算能力要求極高，限制了該方法的推廣應(yīng)用。

綜上所述，當(dāng)前太陽能電站發(fā)電量預(yù)測(cè)從傳統(tǒng)的物理模型方法發(fā)展到現(xiàn)在的機(jī)器學(xué)習(xí)預(yù)測(cè)方法，其預(yù)測(cè)精度在不斷提升。但在當(dāng)前的研究中，通常對(duì)氣象因素的相關(guān)性分析比較寬泛，很多工作僅將太陽輻照度、溫度作為輸入量。此外，大量研究集中于不同預(yù)測(cè)模型的嘗試，而忽略了對(duì)數(shù)據(jù)內(nèi)在邏輯的挖掘，未能將模型與領(lǐng)域知識(shí)深度耦合，限制了其預(yù)測(cè)精度。

對(duì)此，本文以美國(guó)加利福尼亞州（簡(jiǎn)稱加州）光熱發(fā)電系統(tǒng)并網(wǎng)電力預(yù)測(cè)問題為例，首先研究氣象參數(shù)與發(fā)電量之間的相關(guān)性，進(jìn)而利用近鄰傳播（AP）聚類算法對(duì)比不同發(fā)電模式下氣象參數(shù)對(duì)發(fā)電影響差異，挖掘數(shù)據(jù)間的深層聯(lián)系。然后，基于此建立長(zhǎng)短期記憶（LSTM）神經(jīng)網(wǎng)絡(luò)基準(zhǔn)模型對(duì)光熱系統(tǒng)發(fā)電量進(jìn)行預(yù)測(cè)，并根據(jù)聚類結(jié)果針對(duì)性地改進(jìn)預(yù)測(cè)模型，以此提高特殊天氣條件下的預(yù)測(cè)精度。

1 數(shù)據(jù)及處理

1.1 數(shù)據(jù)描述

本文選取美國(guó)加州境內(nèi)光熱電站并網(wǎng)電力總量數(shù)據(jù)作為研究對(duì)象。該數(shù)據(jù)為加州ISO 項(xiàng)目[21]公開數(shù)據(jù)，數(shù)據(jù)時(shí)間分辨率為1 h，單位為MW·h。通過美國(guó)國(guó)家可再生能源實(shí)驗(yàn)室（NREL）公開的光熱電站數(shù)據(jù)獲得加州的全部14 座光熱電站信息。對(duì)其運(yùn)行時(shí)間進(jìn)行梳理，發(fā)現(xiàn)從2014年12月1日至2017年1月31日期間既沒有新建電站投入運(yùn)營(yíng)，也沒有已運(yùn)營(yíng)電站停止發(fā)電，系統(tǒng)運(yùn)行穩(wěn)定。因此將該時(shí)間段內(nèi)的發(fā)電數(shù)據(jù)作為本文研究的數(shù)據(jù)樣本。該時(shí)間段內(nèi)共有13 座電站處于發(fā)電狀態(tài)，其中包含solar electric generating station（SEGS）項(xiàng)目的全部9 座電站，電站數(shù)據(jù)信息見表1[22]。

從表1 電站建設(shè)位置來看，SEGS 項(xiàng)目的9 座電站地處2 個(gè)不同區(qū)域，因此可將其總體看成2 個(gè)發(fā)電位置，加上其余4 座電站總計(jì)可分為6 個(gè)不同的發(fā)電位置。圖1 為美國(guó)加州光熱電站地理位置。

圖1 美國(guó)加州光熱電站地理位置Fig.1 Location of the CSP plants in California,USA

表1 電站數(shù)據(jù)信息Tab.1 Data information of the power plants

根據(jù)上述6 個(gè)位置，從NOAA[23]獲取附近氣象站在該時(shí)段的氣象數(shù)據(jù)，包括8 大氣象參數(shù)：溫度（℃）、降水量（mm/h）、降雪量（mm/h）、積雪量（kg/m2）、空氣密度（kg/m3）、地面太陽輻照度（W/m2）、大氣頂部太陽輻照度（W/m2）以及云量（pu）。天氣數(shù)據(jù)時(shí)間分辨率為1 h，與發(fā)電數(shù)據(jù)完全對(duì)應(yīng)。

1.2 數(shù)據(jù)預(yù)處理

數(shù)據(jù)清洗過程中發(fā)現(xiàn)該電力數(shù)據(jù)集缺少2015年5月8日和2016年3月13日數(shù)據(jù)，觀察上述2 天前后的發(fā)電數(shù)據(jù)，均無異常。由于當(dāng)前可用數(shù)據(jù)量較大，因此忽略上述2 天的缺失數(shù)據(jù)。同時(shí)，刪除上述6 個(gè)位置這2 天的所有天氣數(shù)據(jù)。

針對(duì)聚類分析，本文將電力數(shù)據(jù)分割為24 h 的日發(fā)電樣本，得到共計(jì)791 個(gè)樣本，并將其轉(zhuǎn)換為小時(shí)發(fā)電量的日百分比，以此觀察發(fā)電模式的日內(nèi)與日間變化。針對(duì)發(fā)電量預(yù)測(cè)，本文以給定回溯時(shí)間步長(zhǎng)的歷史氣象參數(shù)和發(fā)電量作為特征構(gòu)建模型輸入，然后對(duì)各輸入特征數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，即轉(zhuǎn)換為標(biāo)準(zhǔn)正態(tài)分布，以平衡特征間的數(shù)值差異，提高模型訓(xùn)練的速度與穩(wěn)定性。

2 方法

2.1 近鄰傳播聚類算法

AP 聚類算法通過數(shù)據(jù)點(diǎn)間的信息傳遞，按照給定規(guī)則經(jīng)過多次迭代來確定適合成為聚類中心的數(shù)據(jù)點(diǎn)，進(jìn)而完成聚類[24]。與其他聚類方法相比，AP 聚類算法的運(yùn)算效率較高且結(jié)果穩(wěn)定，聚類質(zhì)量高于K-means 聚類算法，且無需事先確定需要聚類的數(shù)量[25]。

AP 算法的核心為更新2 個(gè)矩陣：吸引度矩陣R，r(i,k)代表從i到k的消息，用來判定點(diǎn)k是否適合作為數(shù)據(jù)點(diǎn)i的聚類中心；歸屬度矩陣A，a(i,k)代表從k到i的消息，用來判定數(shù)據(jù)點(diǎn)i選擇數(shù)據(jù)點(diǎn)k作為其聚類中心是否合適。最終，對(duì)點(diǎn)i，滿足的點(diǎn)k即為其類中心。此外，算法還用到相似度矩陣S，s(i,k)代表點(diǎn)i和點(diǎn)k的相似度，一般采用2 點(diǎn)之間歐氏距離的相反數(shù)，而s(i,i)稱為參考度，一般將其設(shè)為S的中位數(shù)。

算法具體實(shí)施步驟如下。

1）將吸引度矩陣R和歸屬度矩陣A都初始化為0，計(jì)算相似度矩陣S。

2）按照式(1)迭代吸引度矩陣：

3）按照式(2)迭代歸屬度矩陣：

4）引入阻尼系數(shù)λ，以增強(qiáng)計(jì)算的數(shù)值穩(wěn)定性：

重復(fù)迭代上述步驟2）、3）、4），直到類中心穩(wěn)定或者達(dá)到設(shè)定的迭代次數(shù)。

根據(jù)本文數(shù)據(jù)情況，選取算法的參考度為歐氏距離相似度S的中位數(shù)，阻尼系數(shù)為0.5，最大迭代步數(shù)為200，且當(dāng)類中心保持15 次迭代不發(fā)生改變時(shí)認(rèn)為算法收斂。

2.2 長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)

RNN 包括輸入層、隱藏層及輸出層，隱藏層內(nèi)的節(jié)點(diǎn)相互連接，其當(dāng)前時(shí)間的輸入包含來自輸入層的輸入以及上一時(shí)刻隱藏層的輸出，因此RNN 能對(duì)歷史信息進(jìn)行有效記憶[26]。圖2 為典型RNN 結(jié)構(gòu)。

圖2 RNN 結(jié)構(gòu)Fig.2 The RNN structure

RNN 在遇到時(shí)間序列較長(zhǎng)的數(shù)據(jù)時(shí)，由于隱藏層神經(jīng)單元之間連接緊密，會(huì)出現(xiàn)梯度消失或爆炸的情況，因此不適于較長(zhǎng)時(shí)間序列的數(shù)據(jù)處理[27]。對(duì)此，LSTM 神經(jīng)網(wǎng)絡(luò)在RNN 的基礎(chǔ)上加入新的神經(jīng)單元，解決了梯度爆炸的問題[28]。LSTM 神經(jīng)網(wǎng)絡(luò)包括記憶單元、輸入門、輸出門以及遺忘門，其神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 LSTM 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 The LSTM neural network structure

LSTM 神經(jīng)網(wǎng)絡(luò)的前向與反向傳播計(jì)算已經(jīng)非常成熟，在此不再贅述。根據(jù)本文數(shù)據(jù)情況，選取輸入特征的時(shí)間步長(zhǎng)為1 h，并根據(jù)網(wǎng)格搜索優(yōu)化神經(jīng)網(wǎng)絡(luò)超參數(shù)。

3 實(shí)驗(yàn)與結(jié)果

3.1 氣象參數(shù)與光熱發(fā)電相關(guān)性分析

氣象參數(shù)對(duì)光熱發(fā)電具有決定性的影響。在以往的太陽能電站發(fā)電量預(yù)測(cè)研究中，往往只針對(duì)少數(shù)參數(shù)如環(huán)境溫度、太陽輻照度進(jìn)行分析，對(duì)其余天氣因素的影響分析較少[29-30]。這在很大程度上影響了光熱電站發(fā)電量預(yù)測(cè)的準(zhǔn)確度，尤其在連續(xù)陰雨、降雪以及極端天氣的情況下。

為了研究1.1 小節(jié)6 個(gè)地理位置的氣象參數(shù)對(duì)光熱電站發(fā)電量的影響，本文計(jì)算各氣象站氣象參數(shù)與發(fā)電量、小時(shí)發(fā)電量日百分比之間的皮爾森相關(guān)系數(shù)，根據(jù)計(jì)算結(jié)果篩選有效特征。6 個(gè)氣象站氣象參數(shù)與發(fā)電量（散點(diǎn)）和小時(shí)發(fā)電量日百分比（柱狀）的相關(guān)系數(shù)如圖4 圖所示。

圖4 6 個(gè)氣象站氣象參數(shù)與發(fā)電量（散點(diǎn)）和小時(shí)發(fā)電量日百分比（柱狀）的相關(guān)系數(shù)Fig.4 Correlation coefficients between the meteorological parameters of 6 meteorological stations and the power generation(scatter diagram),the daily percentage of hourly power generation(columnar diagram)

由圖4 可見，6 個(gè)氣象站的氣象參數(shù)與發(fā)電量間的相關(guān)性強(qiáng)于其和小時(shí)發(fā)電量日百分比之間的相關(guān)性，但各氣象參數(shù)的相關(guān)性強(qiáng)弱排序基本一致：地面太陽輻照度>大氣頂部太陽輻照度>溫度>空氣密度>云量>降水量≈積雪量≈降雪量。

3.2 聚類分析

為了更好地挖掘光熱發(fā)電的行為特征及其受氣象參數(shù)的影響差異，本文運(yùn)用AP 聚類算法對(duì)小時(shí)發(fā)電量日百分比數(shù)據(jù)樣本進(jìn)行聚類，得到85 個(gè)類別。聚類結(jié)果的評(píng)價(jià)指標(biāo)中輪廓系數(shù)（SC）、Calinski-Harabasz 指數(shù)（CH）和戴維森堡丁指數(shù)（DB）分別為146.06、0.76 和0.26，表明聚類質(zhì)量高。進(jìn)一步，根據(jù)類樣本的數(shù)量將85 個(gè)類分為代表類A 類、少數(shù)類B 類以及異常類C 類。其中：代表類A 類滿足類內(nèi)樣本數(shù)量大于總樣本數(shù)的1%，即類內(nèi)樣本數(shù)量≥8；少數(shù)類B 類的類內(nèi)樣本數(shù)量在2～7 之間；異常類C 類的類內(nèi)樣本數(shù)量?jī)H為1。圖5 為A、B、C 類日期分布。

圖5 A、B、C 類日期分布Fig.5 The type A,B and C date distribution map

通過對(duì)比氣象參數(shù)與所有樣本和A、B、C 類樣本相關(guān)性變化（圖6）。由圖6 可見：A 類進(jìn)一步強(qiáng)化了發(fā)電模式與強(qiáng)相關(guān)氣象參數(shù)（地面太陽輻照度、大氣頂部太陽輻照度、溫度和空氣密度）的相關(guān)性，結(jié)合其樣本占比83.8%（24 類），可認(rèn)為A類代表了主流發(fā)電模式；B 類則明顯弱化了發(fā)電模式與氣象參數(shù)的相關(guān)性，其樣本占比11.6%（25 類），說明該部分?jǐn)?shù)據(jù)更多地體現(xiàn)了氣象條件以外的其他系統(tǒng)因素，如人為操作對(duì)發(fā)電情況的影響；而C類不僅數(shù)量最少，樣本占比4.6%（36 類），也進(jìn)一步減弱了氣象條件對(duì)發(fā)電的影響，可能代表了發(fā)電系統(tǒng)所經(jīng)歷的各種意外狀況。

圖6 氣象參數(shù)與A、B 和C 類樣本相關(guān)系數(shù)Fig.6 Correlation coefficient diagram of meteorological parameters and type A,B and C samples

根據(jù)聚類結(jié)果，本文選取A 類中日發(fā)電量為0的發(fā)電模式（A0）和典型晴天發(fā)電模式（A1）為例來說明不同類別發(fā)電模式下氣象參數(shù)對(duì)發(fā)電的影響差異。圖7 為影響0 發(fā)電量模式（A0）的主要?dú)庀髤?shù)箱線圖，圖中紅色曲線為平均值。由圖7 可以看出，在A0 中，云量、降水量、降雪量和積雪量4 個(gè)與總體樣本相關(guān)性最低的氣象參數(shù)值明顯比其他發(fā)電模式下大。這與物理常識(shí)相符，但是在以往大樣本數(shù)據(jù)的分析中并沒有得到體現(xiàn)，這直接影響后續(xù)預(yù)測(cè)模型對(duì)氣象參數(shù)特征的選擇，進(jìn)而影響預(yù)測(cè)精度。

圖7 影響0 發(fā)電量模式（A0）的主要?dú)庀髤?shù)箱線圖Fig.7 Box plot of main meteorological parameters affecting 0 generation model(A0)

圖8 和圖9 分別為典型晴天發(fā)電模式（A1）的樣本箱線圖以及與氣象參數(shù)的相關(guān)系數(shù)對(duì)比。由圖8和圖9 可見，典型晴天條件下，發(fā)電模式與地面太陽輻照度、大氣頂部太陽輻照度、溫度和空氣密度這4 大氣象參數(shù)間的相關(guān)性得到了進(jìn)一步強(qiáng)化。因此，眾多研究的預(yù)測(cè)模型在晴天條件下均表現(xiàn)較好[26]。2 種發(fā)電模式下氣象參數(shù)對(duì)發(fā)電的影響差異反映了面對(duì)不同發(fā)電模式或者氣象模式時(shí)，靈活選取氣象參數(shù)特征，構(gòu)建相應(yīng)預(yù)測(cè)模型的重要性。

圖8 典型晴天發(fā)電模式（A1）的樣本箱線圖Fig.8 Sample box plot of typical sunny day power generation model(A1)

圖9 典型晴天發(fā)電模式（A1）樣本與氣象參數(shù)的相關(guān)系數(shù)對(duì)比Fig.9 Correlation coefficients of the samples of typical sunny day power generation model(A1)and meteorological parameters

3.3 LSTM 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

根據(jù)上文相關(guān)性分析與聚類分析的結(jié)果，本節(jié)構(gòu)建LSTM 神經(jīng)網(wǎng)絡(luò)基準(zhǔn)模型和LSTM 神經(jīng)網(wǎng)絡(luò)增量特征模型。在基準(zhǔn)模型中，以地面太陽輻照度、大氣頂部太陽輻照度、溫度、空氣密度和云量這5 大與發(fā)電量相關(guān)性較高的氣象參數(shù)，外加歷史發(fā)電量構(gòu)建LSTM神經(jīng)網(wǎng)絡(luò)時(shí)序樣本作為模型輸入特征；而增量特征模型除基準(zhǔn)模型的輸入特征外，加入降水量、降雪量和積雪量這3 個(gè)弱相關(guān)性氣象參數(shù)作為模型輸入特征進(jìn)行訓(xùn)練。

本文以2014年12月1日至2016年12月31日的發(fā)電數(shù)據(jù)與氣象數(shù)據(jù)作為模型的訓(xùn)練集，其中訓(xùn)練集數(shù)據(jù)的后10%作為驗(yàn)證集，以2017年1月1日至1月31日的數(shù)據(jù)作為測(cè)試集。本文選擇2017年1月的發(fā)電數(shù)據(jù)作為測(cè)試集的原因是該月同時(shí)含有聚類結(jié)果中的代表類A 類（23 天）、少數(shù)類B 類（5 天）和異常類C 類（3 天），其中0 發(fā)電量日期為9 天，具備發(fā)電模式的典型性和代表性，可充分檢驗(yàn)預(yù)測(cè)模型效果。

輸入特征的時(shí)間步長(zhǎng)為1 h，即根據(jù)前1 h 的發(fā)電量和氣象參數(shù)預(yù)測(cè)下1 h 的發(fā)電量。采用tanh作為模型的激活函數(shù)，Adam 為模型訓(xùn)練的優(yōu)化器，均方差作為損失函數(shù)，訓(xùn)練樣本的批量更新大小為1 898（訓(xùn)練集數(shù)據(jù)量的10%），最終輸出為發(fā)電量的預(yù)測(cè)值。采用網(wǎng)格搜索優(yōu)化模型超參數(shù)，確定基準(zhǔn)模型隱藏層為2 層，單元數(shù)為200。

基準(zhǔn)模型在上述參數(shù)設(shè)置下調(diào)參訓(xùn)練過程損失函數(shù)如圖10所示，由圖10 可以看出，訓(xùn)練損失和驗(yàn)證損失都下降并且最終穩(wěn)定至接近重合，這說明在該參數(shù)設(shè)置下，運(yùn)行1 000 次迭代的訓(xùn)練效果較好。故將所有訓(xùn)練數(shù)據(jù)（包括驗(yàn)證集）用于模型的訓(xùn)練，并在1 000 次迭代后停止，得到訓(xùn)練模型。

圖10 調(diào)參訓(xùn)練過程損失函數(shù)Fig.10 Loss function diagram of parameter adjustment training process

對(duì)LSTM神經(jīng)網(wǎng)絡(luò)增量特征模型進(jìn)行與基準(zhǔn)模型相似的參數(shù)調(diào)試和訓(xùn)練。使用訓(xùn)練得到的LSTM神經(jīng)網(wǎng)絡(luò)基準(zhǔn)模型和LSTM神經(jīng)網(wǎng)絡(luò)增量特征模型對(duì)2017年1月1日至1月31日每小時(shí)的發(fā)電量進(jìn)行預(yù)測(cè)。發(fā)電量的預(yù)測(cè)值與實(shí)際值，以及不同類別下的日絕對(duì)誤差如圖11所示。

圖11 測(cè)試集LSTM 神經(jīng)網(wǎng)絡(luò)基準(zhǔn)模型和增量特征模型預(yù)測(cè)結(jié)果Fig.11 Prediction results of the LSTM benchmark model and the incremental feature model in test set

整個(gè)測(cè)試集內(nèi)1月份31 天的實(shí)際總發(fā)電量為41 744.0 MWh，LSTM 神經(jīng)網(wǎng)絡(luò)基準(zhǔn)模型與LSTM神經(jīng)網(wǎng)絡(luò)增量特征模型日發(fā)電量預(yù)測(cè)結(jié)果見表2。

由圖11 和表2 可見，盡管總體預(yù)測(cè)精度只有微小改進(jìn)，但在發(fā)電量為0 的日期中（A0），增加降雪量、降水量和積雪量作為模型輸入特征的LSTM 神經(jīng)網(wǎng)絡(luò)增量特征模型，其日發(fā)電量總絕對(duì)誤差由LSTM 神經(jīng)網(wǎng)絡(luò)基準(zhǔn)模型的839.96 MW·h下降到373.32 MW·h，日發(fā)電量絕對(duì)誤差占比由22.81%下降到10.41%，均下降2 倍以上。但是對(duì)于少數(shù)類B 類，增量特征模型的表現(xiàn)較基準(zhǔn)模型反而總體降低。這反映模型在引入增量特征后，重新分配了對(duì)不同輸入特征的擬合權(quán)重，使得模型對(duì)特定情況（如A0 類）的擬合能力有所提高，但由此也損失了對(duì)其他情況的泛化能力。由此可見，針對(duì)不同發(fā)電模式或者氣象模式，應(yīng)當(dāng)靈活選取氣象參數(shù)特征，構(gòu)建相應(yīng)預(yù)測(cè)模型，以提高預(yù)測(cè)精度。

表2 LSTM 神經(jīng)網(wǎng)絡(luò)基準(zhǔn)模型與LSTM 神經(jīng)網(wǎng)絡(luò)增量特征模型日發(fā)電量預(yù)測(cè)結(jié)果Tab.2 Daily power generation prediction results of the LSTM benchmark model and the LSTM incremental feature model

4 結(jié)語

針對(duì)美國(guó)加州光熱電站并網(wǎng)電力預(yù)測(cè)問題，本文提出了LSTM 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型構(gòu)建方案，并實(shí)現(xiàn)91.41%的日發(fā)電量預(yù)測(cè)精度，可服務(wù)于實(shí)際電站。此外，根據(jù)聚類分析的結(jié)果，發(fā)現(xiàn)不同發(fā)電模式類別下，氣象參數(shù)對(duì)發(fā)電的影響存在顯著差異。而不同特征組合構(gòu)建的預(yù)測(cè)模型，對(duì)不同氣象條件下的光熱電站發(fā)電預(yù)測(cè)能力同樣存在差異。因此，根據(jù)聚類得到的發(fā)電模式類別，構(gòu)建相應(yīng)的特征組合預(yù)測(cè)模型，利用集成學(xué)習(xí)方法，有望進(jìn)一步提高光熱電站發(fā)電預(yù)測(cè)精度。