李新軍 趙 猛 王洪勉 陳博峰 李勝明
(北京智芯微電子科技有限公司,北京 100096)
根據(jù)開(kāi)發(fā)方式的不同,可以將光伏發(fā)電分為集中式和分布式。由于分布式光伏具有安裝靈活、可就地消納等優(yōu)點(diǎn),因此得到了廣泛應(yīng)用。大規(guī)模分布式光伏接入配電網(wǎng),增加了電網(wǎng)負(fù)荷的波動(dòng)性,給電力系統(tǒng)的合理調(diào)度帶來(lái)了嚴(yán)峻挑戰(zhàn)。準(zhǔn)確的分布式光伏超短期功率預(yù)測(cè)對(duì)支撐電網(wǎng)的實(shí)時(shí)調(diào)度、保證實(shí)時(shí)供需平衡具有重要意義。
然而,現(xiàn)有的研究大多聚焦于集中式光伏,分布式光伏并不具備集中式光伏的氣象數(shù)據(jù)條件,因此不能直接將集中式光伏預(yù)測(cè)方法套用于分布式光伏??紤]分布式光伏場(chǎng)站大多處于相同或相似的外部條件下,各場(chǎng)站出力間存在強(qiáng)時(shí)空相關(guān)性。因此,充分挖掘場(chǎng)站間的時(shí)空相關(guān)性有利于進(jìn)一步提高分布式光伏發(fā)電功率預(yù)測(cè)精度。因此,該文提出了一種基于Attention-LSTM 的分布式光伏超短期功率預(yù)測(cè)方法。首先,將目標(biāo)場(chǎng)站與鄰近場(chǎng)站的出力數(shù)據(jù)作為模型的輸入,利用長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)提取各場(chǎng)站的時(shí)間特征。其次,利用Attention 機(jī)制動(dòng)態(tài)挖掘各場(chǎng)站出力時(shí)間特征對(duì)目標(biāo)場(chǎng)站出力的影響程度,并對(duì)多場(chǎng)站時(shí)間特征進(jìn)行重構(gòu)。最后,利用鄰近場(chǎng)站出力數(shù)據(jù)代替外部氣象數(shù)據(jù),提高目標(biāo)場(chǎng)站的功率預(yù)測(cè)精度。
長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)(Long Short Term Memory, LSTM)是循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network, RNN) 的一種特殊變體,適合處理和預(yù)測(cè)時(shí)間序列中間隔和延遲相對(duì)較長(zhǎng)的重要事件。
LSTM 的基本單元內(nèi)部結(jié)構(gòu)如圖1 所示。一個(gè)LSTM 單元由1 個(gè)記憶細(xì)胞和3 個(gè)門(mén)結(jié)構(gòu)組成。在時(shí)刻下,記憶細(xì)胞狀態(tài)、輸入門(mén)用于控制哪些信息應(yīng)該被保留,遺忘門(mén)用于控制哪些信息應(yīng)當(dāng)被遺忘,輸出門(mén)根據(jù)記憶細(xì)胞當(dāng)前的狀態(tài)和輸入確定輸出。當(dāng)執(zhí)行學(xué)習(xí)任務(wù)時(shí),LSTM 可以確定應(yīng)該保留還是遺忘上一時(shí)刻單元的狀態(tài),因此能很好地學(xué)習(xí)時(shí)間序列長(zhǎng)期和短期的依賴(lài)關(guān)系。LSTM 的具體計(jì)算過(guò)程如公式(1)~公式(5)所示。
圖1 長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)單元結(jié)構(gòu)圖
式中:f、i、o和c分別為時(shí)刻下的遺忘門(mén)、輸入門(mén)、輸出門(mén)和記憶細(xì)胞狀態(tài);W、U、W、U、W、U、W和U為權(quán)重矩陣;b、b、b和b為偏差向量;x為當(dāng)前的輸入;h為-1 時(shí)刻LSTM 的輸出;(·)為Sigmoid 激活函數(shù);(·)為雙曲正切函數(shù);×為哈達(dá)瑪積。
注意力(Attention)機(jī)制源于對(duì)人類(lèi)視覺(jué)的研究。引入注意力機(jī)制可以使模型在很多的輸入信息中聚焦對(duì)當(dāng)前任務(wù)更關(guān)鍵的信息,降低對(duì)其他信息的關(guān)注度,甚至過(guò)濾無(wú)關(guān)信息。給定時(shí)間序列=[,,...,x],注意力機(jī)制的計(jì)算過(guò)程如下。
計(jì)算所有輸入值上的注意力權(quán)重值,如公式(6)所示。
式中:w為時(shí)刻的注意力權(quán)重值;x為時(shí)刻的輸入值;為查詢向量;()為注意力得分函數(shù);()為激活Sigmoid激活函數(shù)。
計(jì)算輸入信息加權(quán)值,如公式(7)所示。。
式中:x為時(shí)刻的數(shù)據(jù)信息加權(quán)值。
該文所提出的分布式光伏超短期發(fā)電功率預(yù)測(cè)方法如圖2 所示。
圖2 該文所提方法的流程圖
具體步驟如下:1)輸入數(shù)據(jù)構(gòu)建。利用長(zhǎng)度為24 h、滑動(dòng)步長(zhǎng)為15 min 的滑動(dòng)窗構(gòu)建輸入數(shù)據(jù)。2)時(shí)間特征提取。利用LSTM 提取各個(gè)場(chǎng)站功率特征h=[h,...,h]。其中,h為場(chǎng)站在時(shí)刻的出力時(shí)間特征。3)時(shí)間特征重構(gòu)。利用Attention 重構(gòu)各場(chǎng)站的時(shí)間特征。給定時(shí)刻的多個(gè)場(chǎng)站數(shù)據(jù)p=[p,p,...,p],Attention 權(quán)重a∈=[a,a,...a]如公式(8)、公式(9)所示。4)超短期功率預(yù)測(cè)。根據(jù)公式(10)可以獲得-96~的重構(gòu)時(shí)間特征h。最終,重構(gòu)特征被用于分布式光伏發(fā)電功率預(yù)測(cè)。該過(guò)程使用全連接層實(shí)現(xiàn),如公式(11)所示。
該試驗(yàn)數(shù)據(jù)來(lái)自河北省某地區(qū)的6 所分布式光伏場(chǎng)站的發(fā)電功率數(shù)據(jù),其地理位置如圖3 所示。數(shù)據(jù)時(shí)間跨度為2020 年7 月1 日—2021 年7 月1 日,數(shù)據(jù)時(shí)間分辨率為15 min。該試驗(yàn)將紅色標(biāo)記處作為目標(biāo)場(chǎng)站,并將該數(shù)據(jù)按照8 ∶1 ∶1 的比例劃分為訓(xùn)練集、驗(yàn)證集與測(cè)試集。
圖3 分布式光伏場(chǎng)站地理分布
該文選擇標(biāo)準(zhǔn)化均方根誤差(Normalized Root Mean Square Error, NRMSE)與標(biāo)準(zhǔn)化平均絕對(duì)誤差(Normalized Mean Absolute Error, NMAE)作為功率預(yù)測(cè)精度評(píng)價(jià)指標(biāo),如公式(12)、公式(13)所示。
式中:為目標(biāo)分布式光伏場(chǎng)站出力的最大值;為預(yù)測(cè)時(shí)間長(zhǎng)度;p、p分別為目標(biāo)場(chǎng)站在時(shí)刻功率的真實(shí)值、預(yù)測(cè)值。
為證明所提方法的有效性,除該文所提的方法(M)外,設(shè)置了另外3 種模型(M~M)作為對(duì)照模型。
M:將目標(biāo)場(chǎng)站與其他場(chǎng)站作為輸入,但僅使用LSTM 進(jìn)行預(yù)測(cè)。即不考慮鄰近場(chǎng)站與目標(biāo)場(chǎng)站間相互影響的強(qiáng)弱。
M:僅將目標(biāo)場(chǎng)站的出力作為輸入,利用LSTM 進(jìn)行預(yù)測(cè)。
M:僅將目標(biāo)場(chǎng)站的出力作為輸入,利用BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)。各個(gè)預(yù)測(cè)模型的輸入與輸出均如公式(14)、公式(15)所示。
式中:、分別為輸入、輸出矩陣;p 為分布式光伏場(chǎng)站在時(shí)刻的發(fā)電功率。
該文的試驗(yàn)工作在Python3.8 中展開(kāi),仿真設(shè)備硬件配置為AMD Ryzen7 4800H 2.90 GHz CPU,16 GB 內(nèi)存。
0.25 h~4.00 h 不同時(shí)間尺度下的預(yù)測(cè)結(jié)果的指標(biāo)見(jiàn)表1。在表1 中,加粗了精度最高的指標(biāo)。M具有最高的預(yù)測(cè)精度,M與M次之,M的預(yù)測(cè)精度最低。M直接利用鄰近場(chǎng)站出力數(shù)據(jù)進(jìn)行輔助預(yù)測(cè),其預(yù)測(cè)性能與僅使用目標(biāo)場(chǎng)站出力數(shù)據(jù)進(jìn)行預(yù)測(cè)的M相差不大,甚至在某些時(shí)刻預(yù)測(cè)精度低于M。這種現(xiàn)象說(shuō)明通過(guò)相鄰場(chǎng)站的出力對(duì)目標(biāo)場(chǎng)站進(jìn)行預(yù)測(cè)可能引入一些冗余特征,最終影響目標(biāo)場(chǎng)站的精度。由此可以看出,充分挖掘各場(chǎng)站間的相互關(guān)系有利于進(jìn)一步提高目標(biāo)場(chǎng)站的功率預(yù)測(cè)精度,M的預(yù)測(cè)精度也驗(yàn)證該理論。M利用BP 神經(jīng)網(wǎng)絡(luò)作為預(yù)測(cè)模型,其預(yù)測(cè)精度最低,說(shuō)明利用LSTM 挖掘功率數(shù)據(jù)的時(shí)間依賴(lài)特性可以實(shí)現(xiàn)更高的預(yù)測(cè)性能。
表1 預(yù)測(cè)結(jié)果的精度指標(biāo)
光伏出力劇烈波動(dòng)主要是由外部氣象因素引起的,因此通過(guò)氣象數(shù)據(jù)能提高功率預(yù)測(cè)精度,而對(duì)缺乏氣象數(shù)據(jù)的分布式光伏場(chǎng)站來(lái)說(shuō),使用該方法可以在僅利用歷史功率數(shù)據(jù)的條件下提高目標(biāo)場(chǎng)站的功率預(yù)測(cè)精度。4 種方法2021 年6 月13—16 日預(yù)測(cè)結(jié)果曲線對(duì)例如圖4 所示。
6 月15 日的分布式光伏處于陰雨天氣,其出力呈現(xiàn)極強(qiáng)的波動(dòng),僅根據(jù)目標(biāo)場(chǎng)站數(shù)據(jù)并不能準(zhǔn)確預(yù)測(cè)該天氣條件下的實(shí)際出力情況(M與M方法預(yù)測(cè)曲線);直接利用目標(biāo)場(chǎng)站和鄰近場(chǎng)站功率數(shù)據(jù),沒(méi)有考慮鄰近場(chǎng)站與目標(biāo)場(chǎng)站間時(shí)空相關(guān)性的強(qiáng)弱會(huì)導(dǎo)致目標(biāo)場(chǎng)站功率預(yù)測(cè)引入較多的冗余信息,影響預(yù)測(cè)精度,導(dǎo)致M的效果比M差,甚至在某些時(shí)刻的預(yù)測(cè)結(jié)果比M差。從預(yù)測(cè)的時(shí)間尺度來(lái)看,該文所提的方法提前0.25 h 和1.00 h 的預(yù)測(cè)結(jié)果較好地?cái)M合了實(shí)際出力曲線(圖4(a)、圖4(b))。
雖然該文所提的方法提前4.00 h 的預(yù)測(cè)結(jié)果擬合性較差,但是能反映分布式光伏出力的大體趨勢(shì)(圖4(c))。該文所提的方法在出力波動(dòng)時(shí)具有更好的預(yù)測(cè)性能。對(duì)缺乏氣象數(shù)據(jù)的分布式光伏場(chǎng)站來(lái)說(shuō),通過(guò)多個(gè)相鄰場(chǎng)站的功率數(shù)據(jù)輔助目標(biāo)場(chǎng)站進(jìn)行功率預(yù)測(cè)是提高預(yù)測(cè)精度的有效途徑。該文所提的方法通過(guò)充分探究場(chǎng)站間相互關(guān)系,挖掘各場(chǎng)站出力時(shí)間特征對(duì)目標(biāo)場(chǎng)站出力的影響程度,進(jìn)一步提高了功率預(yù)測(cè)精度。
圖4 各方法在不同時(shí)間尺度下的預(yù)測(cè)結(jié)果對(duì)比圖
由表2 可知,3 種基于LSTM 的預(yù)測(cè)方法訓(xùn)練時(shí)間相近,說(shuō)明利用鄰近場(chǎng)站輔助目標(biāo)場(chǎng)站進(jìn)行預(yù)測(cè)并不會(huì)加重模型訓(xùn)練的計(jì)算負(fù)擔(dān)。
表2 模型訓(xùn)練時(shí)間的比較
針對(duì)分布式光伏缺乏外部氣象數(shù)據(jù),不能直接套用現(xiàn)有集中式光伏預(yù)測(cè)方法的問(wèn)題,該文提出了一種基于Attention-LSTM 的分布式光伏超短期功率預(yù)測(cè)模型。通過(guò)Attention 動(dòng)態(tài)挖掘各個(gè)場(chǎng)站出力的時(shí)間特征與目標(biāo)場(chǎng)站功率間的相互關(guān)系,實(shí)現(xiàn)精準(zhǔn)預(yù)測(cè)目標(biāo)場(chǎng)站發(fā)電功率的目標(biāo)。該方法通過(guò)利用鄰近場(chǎng)站的出力數(shù)據(jù),輔助目標(biāo)場(chǎng)站進(jìn)行功率預(yù)測(cè),實(shí)現(xiàn)了在不依賴(lài)外部氣象數(shù)據(jù)條件下進(jìn)行精準(zhǔn)預(yù)測(cè)的目標(biāo)。仿真試驗(yàn)證明,與不使用鄰近場(chǎng)站數(shù)據(jù)、直接使用鄰近場(chǎng)站數(shù)據(jù)而不考慮其與目標(biāo)場(chǎng)站出力的相互關(guān)系相比,該文所提出的方法由較高的預(yù)測(cè)精度。