Page 15 - 电力与能源2022年第二期

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 1 5
1
天、 阴天、 雨天的预测结果都与原始数据有更近似
的波形, 同时较准确地预测了光伏出力的峰值。 3
种模型的训练过程如图 9 所示。由图 9 可以看
出, 使用本文的方法, 在 3 种天气类型下, 模型 3
的训练过程较模型 1 、 模型 2 可以更快地收敛, 训
练集损失和测试集损失也较低。
表 2 使用全数据集训练的 3 种模型预测结果

-2
-2
-1
R ( ×10 ) RMSE ( ×10 ) MAE ( ×10 )
2
模型
晴天 阴天 雨天 晴天 阴天 雨天 晴天 阴天 雨天
模型 1 9.61 9.76 9.68 5.5 4.1 4.2 3.6 2.6 2.3
模型 2 9.68 9.80 9.81 3.9 3.8 3.3 3.8 2.4 1.8
模型 3 9.88 9.89 9.82 3.2 2.9 3.3 1.9 1.8 1.6
图 7 晴天 MIC 分析结果
模型 2 : 9 层 堆 叠 IRD-ResBlock 网 络, 每 层
LSTM 的单元数目为 24 。
模型 3 : 3 层 IRD-BiLSTM 网 络, 图 5 中 的
IRD-DenseBlock1 、 IRD-ResBlock 中每层 LSTM
单元数为 6 , IRD-DenseBlock2 中每层 LSTM 单
元数为 24 。
模型训练中 batch _ size为32 , e p och 为20 , 初
始学习率为 0.001 , 训练过程中如果进入平台期
则进行学习率的调整。使用按照天气类型划分的
数据子集进行训练, 分别得到 3 种天气类型下的
3 个模型。
使用天气类型数据子集训练的 3 种模型预测
结果如 表 1 所 示。相 比 于 模 型 1 、 模 型 2 , 基 于
IRD-BiLSTM 的预测 模 型, 在 3 种 天 气 类 型 下,
R 、 RMSE 、 MAE 指标均较模型 1 、 模型 2 有较大
2
的提升。
表 1 使用天气类型数据子集训练的 3 种模型预测结果
2
R ( ×10 ) RMSE ( ×10 ) MAE ( ×10 )
-1
-2
-2
模型
晴天 阴天 雨天 晴天 阴天 雨天 晴天 阴天 雨天
模型 1 9.67 9.85 9.80 5.8 3.8 3.4 4.0 2.3 1.8
模型 2 9.70 9.76 9.86 5.5 3.8 2.9 3.6 2.9 1.5
模型 3 9.92 9.92 9.93 3.1 2.9 2.3 1.5 1.7 1.1
如果模型训练数据集不区分天气类型, 选取 图 8 3 种模型预测结果
的晴天、 阴天、 雨天日期与表 1 中的相同, 训练出
4 结语
的模型性能如表 2 所示。对比表 1 和表 2 结果可
得出, 根据天气类型进行分类训练和预测, 预测性 本文 提 出 了 一 种 融 合 ResNet 与 DenseNet

能可得到提升。 特点的光伏出力预测模型, 即基于 IRD-BiLSTM
对 3 种天气类型采用 3 种模型的预测结果如 网络的光伏出力短期预测模型。采用 K d 对光伏
图 8 所示。由图 8 可以看出, 相对于模型 1 和模 历史监测数据进行分类, 使模型训练更有针对性。
型 2 , 本文所提出的IRD-BiLSTM 预测模型对晴 该模型融合了 DenNet 、 ResNet以及 BiLSTM 进