基于CNN-VMD-PCA...融合的光伏发电功率预测研究_田雨薇.pdf

I8 收稿日期：基金项目：国家自然科学基金资助项目（）作者简介：田雨薇（），女，云南文山人，硕士研究生，主要从事建筑节能及太阳能光热利用相关研究。基于 特征融合的光伏发电功率预测研究田雨薇，罗会龙，薛国辉（昆明理工大学 建筑工程学院，云南 昆明）摘 要：为了较为准确地预测光伏发电功率，提出一种特征融合的功率预测模型。模型首先使用一维卷积神经网络（，）提取光伏光电数据深度特征，然后用变分模态分解方法（，）分解数据原特征，再把分解后的特征和深度特征融合，用主成分分析法（，）提取融合后特征的主成分，最后用（，）模型进行功率预测。根据对所提模型的实测评估，并与其他预测模型对比，得出基于 特征融合的预测模型具有较高预测精度，其拟合优度达 ，能够得到更可靠的功率预测结果。关键词：变分模态分解；卷积神经网络；主成分分析法；光伏发电功率预测中图分类号：文献标识码：文章编号：（），（，）：，（），（），（），（），：；引 言传统能源资源日益减少，清洁能源的使用对环境的保护作用日益突出，太阳能资源凭借其储量大且绿色可再生的优势成为人们关注的焦点，对太阳能的应用成为许多学者研究的主要方向。其中，太阳能光伏发电有着能源质量高、安全可靠、无污染无公害、发电过程简单、设备精练等许多优点，因而成为全球大力发展的方向，光伏发电产业增长迅猛。但是，受到各种气候类型因素和特殊天气原因等的综合影响，光伏发电获得能源时存在季节波动等问题，这也造成在使用光伏发电时存在发电功率不稳定的问题，且大规模的集中式或分散式并网运营也可能对电力系统整体的安全稳定经济运行造成负面影响。因此，结合太阳辐射与环境温度对光伏电站的输出功率进行分析预测，对新能源与储能DOI:10.16189/ki.nygc.2023.01.006 年，第 期 I9 提前统筹安排电网运行显得更加重要。目前，针对光伏发电功率预测的方法有很多，按预测原理划分主要可分为物理预测、统计学预测及智能预测。其中物理预测精度较低，统计学预测则需要利用大量历史数据，工作量大且适应性不强。相较之下，利用更为简捷快速的神经网络智能预测 备受人们青睐。王先军等将蚁群算法运用到光伏发电预测中，且与遗传算法对比准确率更高，预测的最大功率较大，但是预测时间相对较长。张波等采用 种传统机器学习算法及 种深度学习算法预测各类型天气的光伏发电功率，结果表明，除了 算法预测精度较好外，其他算法结果都差强人意，且算法较为单一，在没有光照信息的情况下不能更好地提高预测精度。王昕等提出了基于 的短期预测方法，实现了对不同天气类型条件下更为精准的光伏发电功率预测，且相较于单一的 模型预测精度更高。本文提出的基于 的预测模型将 提取的深层次特征与 分解的特征融合，用 对融合的特征进行降维，提取特征主成分，在解决信号噪声干扰以及避免模态混叠问题上相较更为有效。最后通过 模型预测，并与回归预测及其他预测模型结果进行对比，结果表明该模型具有较高预测精度。光伏发电功率预测模型对光伏发电功率进行预测，不仅有利于促进电网系统及调度部门全面协调安排常规能源和光伏发电，做到及时有效地统筹配合光伏发电计划，合理安排电网运营方案，还能有利于减少光伏接入对电网整体的影响，使得电力系统运行更加安全稳定，电网运营成本得到有效降低，从而获得更大的经济和社会效益。本文提出了基于 特征融合的光伏发电功率预测模型，图 为预测模型的流程图，主要流程如下。）通过使用 模型对多状态天气参数进行综合分析，进一步提取出深层次的非线性时域特征，用以表征天气状态，从而简化模型结构，并有效保证预测精度；）利用 可以自适应分解非平稳信号，将信号采用非递归的处理策略分解为若干个相对稳定的模态分量，充分展现信号局部特征；）把 分解后的特征和 提取的深度特征融合，利用 对特征数据进行降维，提取数据主成分，加快模型的收敛速度；）利用 模型对光伏发电功率进行预测，并对比此方法与其他预测方法的预测精度。图 基于 的光伏发 电功率预测模型流程图 基于 特征融合 一维卷积神经网络（）本文使用一维卷积神经网络提取天气参数的深度特征，该方法与二维卷积神经网络相比在输入和运算速度上更为简单。一维卷积能够通过改变卷积核尺寸大小和移动方向直接从状态参数样本入手，实现特征的提取并进行回归分析，从而避免了构建和处理多维样本时所需的复杂操作。在卷积操作中，输入数据维度为，过滤器维度为，则卷积后输出的数据维度为 。的模型结构如图 所示，其结构包括输入层、卷积层和池化层、全连接层以及输出层。变分模态分解（）变分模态分解的实现主要步骤如下。）首先将变分问题进行转换，看作是用中心频率求解 个有限带宽的模态函数，并要求每个模态的带宽估计之和最小。将时间序列设为（），模态函数设为（），。（）()（）（）|（）式中：为卷积计算；（）为狄拉克分布；为有限带宽的模态函数总数；为本征模态分量（，为分解得到的 个本征新能源与储能 20 图 的模型结构模态分量）；（）为模态函数的中心频率（，为各个分量的中心频率）。）针对上述约束变量，引进二次惩罚因子 以及拉格朗日乘法算子（），把约束问题转变为非约束问题，从而求得最优解。得到的增广拉格朗日函数如下：（，）（）()（）（）（）（），（）（）（）式中引入 和（）的目的是分别保证了信号的重构精度及约束条件的严格性。）为求得原问题的最优解，利用交替方向乘子算法，叠代后求得增广 函数的鞍点，所有分量都可以从频域里获取。表达式为：（）（）（）（）（）（）式中：（）（）为当前剩余量，其通过维纳滤波器之后的结果可表示为（）。）算法中，利用下式可以根据各模态分量重新更新计算中心频率，得到新的，各个模态的功率谱重心处被赋予新的中心频率。（）（）（）如图、图 所示分别为利用 将数据自适应分解七次后得到的 分解图及分解后信号的频谱图，对应原数据的不同模态，从图中可以看出分解后可靠的局部信号特征。图 分解图图 分解信号的频谱图新能源与储能 年，第 期 21 主成分分析法（）将 分解后的特征与 神经网络提取的深度特征融合，再用 提取主成分。主成分分析法提取主成分的基本原理如下。）假设分析的研究对象共有 组，每组的变量共有 个，可写出原始数据的矩阵表达式：|（）原始数据可能存在变量量纲不统一以及数值差异过大的问题，为了消除影响，将原始矩阵标准化处理，生成的标准矩阵 算式为：（）（）式中：为第 个变量所对应的数据，且，（其中 ，；，）；为的均值，为的方差。）相关系数矩阵 通过计算得到，计算式为：（）（）特征方程 ，求解方程得到方程的特征根，（），并得到特征根对应的单位特征向量，。）将上式求解的特征根按照从大到小排列，利用式（）计算每个特征值的贡献率。，（）保留累计贡献率达 以上的特征值，取特征值的前 个所对应的单位特征向量来作为列向量，组成新的特征向量矩阵。）将上述组成的特征向量矩阵转换到由个单位特征向量构成的新空间中，得到下式：|（）式中：为原始变量相关矩阵的第个特征值所对应的 维特征向量；为主成分的第 个分量。预测分析 回归预测回归预测的主要步骤如下：）确定预测目标，明确方程的自变量和因变量。本文中预测目标为光伏发电功率，则将发电功率设为因变量，自变量为天气数据。）建立回归方程，将回归方程作为预测模型。本文中天气数据与光伏发电功率之间为非线性关系，因而采用非线性回归预测，则回归预测模型设为：（），（），（）式中：（），（），（），（）；（），（），（），（）；（）为光伏发电功率时间序列；（）为 维随时间变化的参量；（）为输入的各个影响因素；为离散时间。）利用递阶递推算法推导出 的公式，则：（）（）（）（），（）（），（），（）式中：（）为 的第 次估值，且：（），（），（），（）（）（）（）（），（）（），（）将式（）变化为：（）（）（），（）（），（）（），（），（）式中：为适当选取的正数。）使用均值近似法或周期分析法，依据时变序列参数估计的特点，可以得到动态系统向前 步的预测模型：（），（），式中：（），（），（），（），（）；（），（），（），（），（），（）（）和 （）分别表示（）和（）向新能源与储能 22 前移动 步的预测值。）回归方程只有通过模型的检验，且预测误差在可接受范围内才能作为预测模型进行使用。本文用相对残差检验法对预测模型进行评估：（）（）（）（），（，）（）式中：（）为实际值；（）为预测值。预测陈天奇等提出了高效的 系统，其在本质上还是一种基于决策树的集成算法，但是力争在系统中把速度和效率发展到极致。决策树的构建步骤如下：）构建目标函数。损失函数及正则项两部分构成了目标函数，其中损失函数表征模型与数据的拟合程度，正则项目的是把控模型的复杂度。目标函数如式（）所示。我们不难看出，要使目标函数最小，只需要有一颗合适的树（），不断迭代 次就可完成 个训练。(，（）)（）（）式中：为损失函数；（）为正则项；为常数项；（）为其中一颗回归树；为树的数量。）对损失函数二阶泰勒展开得到式（）：(，（）)（，）（，）（）（，）（）|（）将式中（，）定义为；将（，）定义为，则目标函数可写为：（，）（）（）（）决策树的复杂度包含了树的叶子节点个数和叶子节点的取值，则有：（）（）。（）表示叶子节点的编号，表示叶子节点的取值。将正则项写为：（）（）式中：为叶子节点的个数；为叶子结点权重。）将上式带入目标函数中，忽略常数项，则目标函数改写为：（）（）（）化简为：(（）)(（）)（）将式中（）定义为；（）定义为，则：（）（）通过对 求偏导，带入极值点，可得到：（）则可得到叶子节点取值表达式：（）对节点进行分裂，计算增益：（）（）（）式中：为节点分裂后左边叶子节点的损失；为节点分裂后右边叶子节点的损失；（）（）为节点不分裂的损失；为加入新叶 子 节 点 引 入 的 复 杂 度 代 价。只 有 当 （）（）|大于 时候才选择分裂。这样，通过不停地迭代，就可以完成 的训练过程。实例验证本文通过网络爬虫爬取某光伏发电站数据，以其为研究对象，选取 年 月 日至 年 月 日的天气数据作为样本，其中包括时间、太阳辐照度、风速、风向、温度、湿度、压强、实际光伏发电功率等实测数据。将数据前 作为训练集训练模型，后 作为测试集用来预测光伏发电功率。分别用回归模型和 模型进行光伏发电功率预测，并与实际发电功率对比，新能源与储能 年，第 期 23 计算平均绝对误差（）与均方根误差（）及拟合优度作为预测准确度的评价指标，其中平均绝对误差与均方根误差的值越小越好，拟合优度越接近，则说明预测的拟合程度越好。得到对比结果如表 所示。平均绝对误差：（）均方根误差计算：（）（）式（）、式（）中和分别表示观测值和预测值。表 回归预测与 预测误差统计 拟合优度回归预测模型 预测模型 基于 的预测模型 由表 可以看出，基于 的特征融合模型平均绝对误差为 ，其均方根误差仅 ，拟合优度达 ，预测结果较回归预测模型及单一的 预测模型更为准确，所以使用该模型进行预测能在一定程度上更好地满足光伏发电功率预测要求。余向阳等将不同算法融合并进行优势互补，提出基于 迭代误差的光伏发电功率预测模型，量化天气类型，预测精度得到显著提高；刘旭丽等提出基于 的新型域融合深度预测模型，同时提取时域和频域特征，利用 增强模型预测能力，具有显著优势。将本文预测方法与文献及文献中的预测方法相比较，分别计算各个预测模型的平均绝对误差与均方根误差，计算结果如表 所示。表 不同预测模型的 比较预测方法 迭代误差 特征融合 由表 可以看出，本文提出的基于 的特征融合模型预测模型相比较基于 迭代误差的预测模型或是基于 的预测模型，其平均绝对误差和均方根误差都更低，预测精度更为准确，进一步说明本文方法的可行性与先进性。结 语本文提出的基于 特征融合的光伏发电功率预测模型，首先用 及 将数据特征进行提取并融合，再用 将融合后的特征提取主成分，最终用 模型进行功率预测。该模型能有效解决信号噪声干扰，提高预测精度，拟合优度高达 且均方根误差小，较单一的回归、预测模型及其他融合的模型方法更为准确。该模型能在一定程度