Page 14 - 电力与能源2022年第二期

1 1 4 柳 杰, 等: 基于残差 - 密集连接 - 双向长短期记忆融合网络的光伏出力短期预测

Knowled g e Australia Solar Center , 简 称
DKASC ) 网站公 开 的 AliceS p rin g s 光 伏 电 站 的
数据, 以 1A 站点的历史监测数据作为研究对象,
原始监测数据采样间隔为 5 min , 本文对其进行
重采样, 得到采样间隔为 15min的数据集。数据
集中包括了该站点的历史输出功率, 以及温度、 相
对湿度、 太阳能总辐射量( GHR )、 太阳能散射辐
射量( DHR )、 风速、 风向、 降雨等气象数据。考虑
到气象条件对光伏出力的影响, 本文按照晴天、 阴
图 6 光伏出力短期预测的流程
天、 雨天分别进行建模。本文训练集、 测试集的选
———取值范围代表了这一天的天气类
式中 K d
取为 2019 年 1 月 1 日— 2021 年 1 月 20 日的数
型, K d 在 0~0.15 表示晴天, 在 0.15~0.45 表示
据, 训练集、 测试集按照 8∶2 的比例交替选取, 即
阴天, 0.45~1.00 之间表示雨天; t ———每天的气
连续 10d的数据前 8d 作为训练样本, 后 2d 数
象数据采集点, 每 5min采样一次数据, 则一天共
据作为测试样本。以拟合系数( R )、 均方根误差
2
——— t 时刻的太
有 288 个采样点; DHR t 和 GHR t
( RootMeanS q uareError , RMSE )、 平均绝对误
阳能散射辐射量和太阳能总辐射量。
差( MeanAbsoluteError , MAE ) 3 个指标对常规
2.2 互信息相关性分析
堆叠 BiLSTM 网 络、 堆 叠 IRD-ResBlock 的 残 差
本文使 用 最 大 互 信 息 系 数 ( MaximalInfor-
网络、 本文所提的IRD-BiLSTM 网络的预测精度
mationCoefficient ,简称 MIC ) 来选取用于模型
训练的天气因素特征。 MIC 能快速地评估不同 进行评价。
3.2 测试数据集预处理
类型的关联关系, 以发现广泛范围的关系类型。
由于光伏电站中设备的故障或维护会造成一
其中, 互信息的定义为
些数据的丢失或错误, 因此数据预处理中删除这
y
(
p x ,)
dxd y
I ( x ,) ∫ ( y p x ) () 些缺失或错误值。剔除缺失与错误数据后的数据
y = p x ,) lo g 2
p y
(
( 11 ) 集根据式( 10 ) 计算的 K d 分为晴天、 阴天、 雨天 3
式中 p x ,)———联合概率密度分布函数。 个数据子集。
(
y
最大信息系数 MIC 为 为识别与光伏输出功率相关性较强的气象特
征, 对气象因素与光伏出力进行互信息相关性分
I ( x ,)
y
MIC ( x ,) ( 12 )
y = max
(
a*b <Blo g 2min p a , b ) 析, 即分别针对晴天、 阴天、 雨天按照式( 12 ) 计算
式中 a , b ———两个变量的关系使用散点图表示 MIC 。对晴天数据集进行 MIC 计算得到的热图
时在x 、 方向上所划分的格子数目; B ———设置 如图 7 所示。一般选取相关性系数 >0.1 的特征
y
为数据量的 0.6 次方左右。 作为预测模型的输入特征。从图 7 的分析结果可
2.3 光伏出力预测模型训练 知, 温度、 相对湿度、 GHR 、 DHR 、 风速、 风向与光
针对不同气象类型的数据子集, 输入到IRD- 伏出力相关性较强。由于原始数据集中后期的风
BiLSTM 网络进行训练, 获得不同天气类型下的 速采集数据缺少维护, 因此选取温度、 相对湿度、
预测模型。 GHR 、 DHR 、 风向作为晴天光伏出力的输入。同
2.4 未来日光伏出力预测 样对阴天、 雨天进行 MIC 分析, 分别选取对阴天、
以未来日的天气预报数据作为输入, 根据未 雨天光伏出力相关性强的气象因素作为预测的输
来日的 K d 来选择使用特定天气类型下的训练模 入特征。
型进行该日的光伏出力预测。 3.3 光伏出力预测结果
本文分别选取一个晴天、 阴天、 雨天使用 3 种
3 算例分析
模型进行预测。 3 种模型具体如下。
3.1 测试设置 模型 1 : 2 层堆叠 BiLSTM 网络, 每层 LSTM

本 文 选 取 澳 大 利 亚 太 阳 能 中 心 ( Desert 的单元数目为 24 。