基于LSTM神经网络的光伏系统功率预测_朱润泽.pdf

电力科技与环保2023,39(3):201 206Electric Power Technology and Environmental Protection201基于基于 LSTMLSTM 神经网络的光伏系统功率预测神经网络的光伏系统功率预测朱润泽，王德军(国家能源集团新能源技术研究院有限公司，北京102209)摘要：在光伏产业快速发展的背景下，为了确保电力系统的安全调度和稳定运行，提高光伏企业的经济运行水平和生产管理水平，本文提出了一种基于长短期记忆（long short-term memory，LSTM）神经网络的光伏系统功率预测方法。该方法分析SCADA 系统记录的大量监测参数，根据光伏系统出力的工作原理，选择当前时刻辐照度、温度、风速和功率作为模型输入参数，选择下一时刻功率作为模型输出参数，通过局部异常因子算法（local Outlier Factor，LOF）、降采样、时间对齐和归一化方法对以上数据进行异常数据剔除和数据轴统一，进而建立基于长短期记忆神经网络的光伏系统模型，同时通过优模型权重和阈值提高模型预测精度。测试阶段，选取 6 399 组数据集训练并测试该模型对新能源院光伏系统发电功率的预测性能。结果表明，LSTM 网络下的预测模型与普通 BP 网络预测模型相比，前者的发电功率平均绝对误差和均方根误差分别为 45.5 kW和 92.3 kW，明显小于后者的 52.3 kW 和 95.6 kW，LSTM 网络下的预测模型能够更加准确的预测光伏系统功率。因此，所设计模型可有效预测光伏发电功率，可为实际应用提供指导。关键词：光伏系统；人工神经网络；功率预测；LSTM 算法中图分类号:TM615文章编号:1674-8069(2023)03-201-06文献标识码:ADOI 编号:10.19944/j.eptep.1674-8069.2023.03.003引用本文格式朱润泽,王德军.基于 LSTM 神经网络的光伏系统功率预测J.电力科技与环保,2023,39(3):201-206.ZHU Runze,WANG Dejun.Power prediction of photovoltaic system based on LSTM neural networkJ.Electric Power Technology andEnvironmental Protection,2023,39(3):201-206.Power prediction of photovoltaic system based on LSTM neural networkZHU Runze，WANG Dejun(China Energy New Energy Technology Research Institute Co.,Ltd,Beijing 102209,China)Abstract：In the context of the rapid development of the photovoltaic industry,to ensure the safe dispatching and stableoperation of the power system and improve the economic operation level and production management level of photovoltaicenterprises,this paper proposes a photovoltaic system power prediction method based on long short-term memory(LSTM)neural network.This method analyzes a large number of monitoring parameters recorded by the SCADA system.According to the working principle of the photovoltaic system output,the irradiance,temperature,wind speed and power atthe current moment are selected as the model input parameters,and the power at the next moment is selected as themodel output parameter.The local outlier factor(LOF)algorithm,downsampling,time alignment and normalization methodare used to eliminate the abnormal data and unify the data axis of the above data.Then a photovoltaic system model basedon long-term and short-term memory neural network is established.At the same time,the model prediction accuracy isimproved by optimizing the model weight and threshold.In the test phase,6 399 sets of data sets were selected to train andtest the prediction performance of the model on the power generation of the photovoltaic system of the new energyinstitute.The results show that compared with the ordinary BP network prediction model,the average absolute error androot mean square error of the power generation of the LSTM network prediction model are 45.5 kW and 92.3 kW,respectively.They are significantly smaller than the latters 52.3 kW and 95.6 kW.The prediction model under the LSTMnetwork can predict the photovoltaic system power more accurately.Therefore,the designed model can effectively predictphotovoltaic power generation and provide guidance for practical application.Key words:photovoltaic system;artificial neural network;power prediction;LSTM algorithm收稿日期：2022-10-07基金项目：北京市科技计划课题“新能源场站智能管控平台研建(2021 年)”(Z211100004521007)2023 年 6 月电力科技与环保第 39 卷第 3 期2021引言近年来，随着“碳中和”、“碳达峰”等概念的深入，我国光伏电站年装机容量较往年有所增加。在国内光伏市场蓬勃发展进程中，光伏功率预测的准确性显得尤其重要，这关乎电网的合理调度、安全运行和系统稳定。现阶段光伏发电功率预测技术受到了广泛关注，备受国内外学者青睐。发电功率预测方式也形成了一门完整的学科，包含了多种预测类别，如预测原理、预测时间、预测方式和数学模型，其中涵盖了光伏系统物理模型、大数据和人工智能等方面知识1-2。相对于传统的预测算法，人工神经网络具有良好的容错性，泛化能力好，适于拟合复杂的非线性关系，应用领域广泛。据统计，在光伏发电功率预测的主流方法各种预测方中，人工神经网络的占比达到 24%3-4。在传统神经网络光伏功率预测模型方面，文献5-8均在 BP 神经网络进行了改进，并充分考虑气象条件，构建了气象预测模型和光伏功率预测模型，验证了模型和算法有效性和可行性。文献9采用 Elman 神经网络算法，结合相似日气象数据和光伏输出功率数据，建立了光伏发电短期功率预测模型。然而，上述模型中神经网络不具备时间记忆能力，无法充分挖掘光伏功率预测与关键环境因素随时间变化的本质特征，缺乏对环境因素数据的有效利用，导致模型预测准确率不高，而且存在收敛速度慢和易陷入局部收敛的缺陷。因此，为了对光伏系统功率进行准确预测，本文提出一种LSTM网络与SCADA系统结合的办法，通过建立基于 LSTM 网络的光伏系统功率预测模型，利用 SCADA 系统数据对模型进行训练，不断优化相应权重、偏置等参数；SCADA 系统包含对功率相关环境数据，对其进行预处理并作为模型的输入数据；而 LSTM 网络按照链式结构连接并充分挖掘 SCADA 时序信息，在多层网络中不断进行数据处理和传递，最终输出功率预测值。2试验方法2.1光伏电站工作原理光伏发电是一种发电技术，其核心部件是太阳能光伏电池，主要是由单晶硅或多晶硅等材料制成，工作原理与二极管相似，都是利用太阳能电池的光生伏特效应特点，以太阳光子和光辐射热推动 P-N结空穴和电子运动。整套光伏系统基本是由太阳能电池方阵、汇流箱、直流配电柜、逆变器、交流配电柜、电网接入系统等设备组成。太阳能光伏发电系统的基本原理是：太阳能光伏系统将直射太阳光转化为直流电，光伏系统通过直流汇流箱并联接入直流配电柜，汇流后接入逆变器直流输入端，将直流电转变为交流电，逆变器交流输出端接入交流配电柜，经交流配电柜直接并入用户侧或通过升压变压器变压后接入电网10-12。图 1光伏电站工作原理Fig.1Working principle of photovoltaic power station2.2光伏模型数据预处理2.2.1LOF 异常检测算法局部异常因算法（local outlier factor，LOF）是基于密度的经典算法，通过给每个数据点都分配一个依赖于邻域密度的离群因子，即邻域内点的密集程度，进而判断该数据点是否为离群点。其优势在于可以量化每个数据点的异常程度，并且直观反映到电力和气象时序数据的变化趋势，异常点通常会偏离数据变化趋势，导致其位置离群度较大13-17。其中算法相关定义如下：1）点 p 与点 o 之间的距离：记作 d(p,o)。2）点 p 第 k 距离：记作 k_distance(p)，即距离点 p 第 k 远的点的距离。3）点 p 第 k 距离邻域：记作 Nk(p)，即距离点p 小于等于第 k 距离的所有点的集合4）可达距离：reach_distance。点 p 到点 o 的可达距离定义为：reac_distancek(p,o)=maxk_distance(p),d(p,o)（1）5）局部可达密度：点 p 的局部可达密度定义为2023 年朱润泽 等：基于 LSTM 神经网络的光伏系统功率预测第 3 期203点 p 的第 k 邻域内的点到点 p 的平均可达距离的倒数，计算式为：lrdk(P)=1/(ONk(P)reacdistk(p,o)Nk(P)（2）6）局部离群因子：LOFk(p)表示对象 p 的邻域点 Nk(p)的局部可达密度之比的平均数，对象 p 的LOF 意义在于其值越接近 1，说明点 p 与其邻域点的密度相差越小，属于同一类簇；如果比值大于 1，说明点 p 的密度小于其邻域点的密度，p 有可能是异常点。LOFk(P)=ONk