張 進(jìn),劉 運(yùn),彭曙蓉
(1.陜西科技大學(xué)電氣與控制工程學(xué)院,西安710021;2.長(zhǎng)沙理工大學(xué)電氣與信息工程學(xué)院,長(zhǎng)沙410114)
光伏發(fā)電是可再生能源太陽(yáng)能最重要的一種應(yīng)用,截至2018 年底,全球總光伏裝機(jī)量大于500 GW,2018 年全球新增光伏裝機(jī)量約103 GW,其中,我國(guó)新增光伏發(fā)電裝機(jī)量為43 GW,占2018 年全球新增光伏發(fā)電裝機(jī)量的40%以上,中國(guó)已成為全球最大的光伏發(fā)電市場(chǎng)。光伏出力具有很大的隨機(jī)性和波動(dòng)性,大面積并網(wǎng)會(huì)對(duì)電力系統(tǒng)產(chǎn)生一定影響[1]。有學(xué)者提出,光伏發(fā)電系統(tǒng)的發(fā)電功率在電力系統(tǒng)總發(fā)電功率中占比的提高會(huì)使電網(wǎng)調(diào)度難度加大,當(dāng)比例大于15%時(shí),則會(huì)造成發(fā)電系統(tǒng)錯(cuò)亂的后果[2]。因此,對(duì)光伏發(fā)電功率的準(zhǔn)確預(yù)測(cè)能夠很大程度上解決光伏發(fā)電所帶來(lái)的問(wèn)題,使電網(wǎng)實(shí)現(xiàn)效率最大化。
國(guó)內(nèi)外學(xué)者針對(duì)光伏預(yù)測(cè)已經(jīng)做了較多的研究,主要的預(yù)測(cè)方法分為直接法和間接法[3]。直接預(yù)測(cè)法是根據(jù)光伏發(fā)電的歷史數(shù)據(jù)和氣象預(yù)測(cè)數(shù)據(jù)直接預(yù)測(cè)發(fā)電功率或發(fā)電量,直接法雖然預(yù)測(cè)過(guò)程簡(jiǎn)單但是考慮因素比較單一,預(yù)測(cè)的發(fā)電功率也不夠精確;例如文獻(xiàn)[4-5]中采用直接法構(gòu)造了ARMA模型以及馬爾科夫鏈模型預(yù)測(cè)短時(shí)間光伏發(fā)電功率,這種模型僅僅在晴天狀況下的出力預(yù)測(cè)效果較好,適用條件太單一。間接預(yù)測(cè)法則是先根據(jù)相關(guān)數(shù)據(jù)預(yù)測(cè)出太陽(yáng)輻照度,再通過(guò)某種算法來(lái)預(yù)測(cè)光伏發(fā)電功率或者光伏發(fā)電量,間接法的預(yù)測(cè)精度比直接法高很多,使用也越來(lái)越廣泛。文獻(xiàn)[6-7]中參考了相似日和相似時(shí)段光伏出力的基礎(chǔ)上,對(duì)不同天氣狀況下的光伏出力預(yù)測(cè)搭建了BP 神經(jīng)網(wǎng)絡(luò)、Elman 神經(jīng)網(wǎng)絡(luò)和Spiking 神經(jīng)網(wǎng)絡(luò)模型,這些模型只適合于天氣類型單一的日光伏出力預(yù)測(cè),而對(duì)于1 d 當(dāng)中歷經(jīng)多種天氣變化情況的預(yù)測(cè)效果相對(duì)較差。文獻(xiàn)[8]中進(jìn)行光伏出力預(yù)測(cè)的方法選取的是灰度神經(jīng)網(wǎng)絡(luò)混合模型算法,對(duì)光伏出力有主要影響的因素納入了考量范圍,所得結(jié)果比單一模型好,但利用此模型進(jìn)行預(yù)測(cè)時(shí)必須依照天氣情況來(lái)劃分子模型,實(shí)際適用效果較差;文獻(xiàn)[9]中使用多種灰色預(yù)測(cè)模型相互結(jié)合的方式對(duì)光伏出力預(yù)測(cè)進(jìn)行建模,但是因?yàn)槲唇Y(jié)合天氣、溫度、濕度等因素,預(yù)測(cè)的精度不是很好。文獻(xiàn)[10-11]中建立了基于支持向量機(jī)的光伏預(yù)測(cè)系統(tǒng),利用歷史數(shù)據(jù)和氣象數(shù)據(jù)按照統(tǒng)一建模和按時(shí)間順序建模對(duì)光伏出力進(jìn)行了分析與預(yù)測(cè),將兩種建模方式進(jìn)行對(duì)比,得到按時(shí)間順序建模預(yù)測(cè)精度較高的結(jié)論,但是因?yàn)榭紤]的影響因素較少,沒(méi)有進(jìn)行特征挖掘,得到的結(jié)論并不精準(zhǔn)。深度學(xué)習(xí)方法預(yù)測(cè)過(guò)程簡(jiǎn)單、結(jié)果較為準(zhǔn)確,近年來(lái)受到了廣大學(xué)者的青睞。文獻(xiàn)[12-13]中則利用了SVG 模型、玻爾茲曼機(jī)算法、梯度累積策略等深度學(xué)習(xí)方法對(duì)光伏出力進(jìn)行分析與預(yù)測(cè),得到了較為精確的預(yù)測(cè)結(jié)果,但由于沒(méi)有考慮光伏出力的特征挖掘,預(yù)測(cè)精度還可有待提高。
本文提出深度學(xué)習(xí)方法中基于特征挖掘的門控循環(huán)單元網(wǎng)絡(luò)和注意力機(jī)制(Gated Recurrent Unit-Attention,GRU-A)光伏發(fā)電功率預(yù)測(cè)模型。門控循環(huán)模型(Gated Recurrent Unit,GRU)是基于長(zhǎng)短期記憶模型(Long Short-Term Memory,LSTM)的一種變體,它把LSTM的遺忘門和輸入門合并成一個(gè)更新門,這樣可以簡(jiǎn)化模型,使計(jì)算過(guò)程變得更加快速簡(jiǎn)單。但LSTM和GRU均無(wú)法表示隱層輸出的重要性[14]。所以,文中在GRU的基礎(chǔ)上加入了可以體現(xiàn)每個(gè)輸出重要程度的注意力機(jī)制(Attention),賦予隱層不同的權(quán)重,處理長(zhǎng)向量序列。將GRU模型和Attention模型結(jié)合起來(lái),建立了GRU-A 光伏預(yù)測(cè)模型。最后,根據(jù)某個(gè)光伏電站的實(shí)際光伏數(shù)據(jù)進(jìn)行仿真,仿真結(jié)果證明了基于特征挖掘的GRU-A 光伏發(fā)電功率預(yù)測(cè)模型相比于其他模型能得到更為精確的結(jié)果。
由光伏發(fā)電原理可知,太陽(yáng)實(shí)發(fā)輻照度與實(shí)際功率呈現(xiàn)正相關(guān)關(guān)系,光伏發(fā)電功率的實(shí)際大小很大程度上由實(shí)際輻照度決定。由圖1 可以看出,實(shí)發(fā)輻照度與實(shí)際功率呈完全正相關(guān),尤其在時(shí)間點(diǎn)50 和150前后,兩條曲線完全重合,實(shí)發(fā)輻照度和實(shí)際功率大致成100 倍的關(guān)系(文中相關(guān)圖片橫坐標(biāo)時(shí)間點(diǎn)的數(shù)據(jù)采樣頻率為15 min。)
圖1 光伏實(shí)際功率與實(shí)發(fā)輻照度關(guān)系
圖2 展示了光伏實(shí)際功率與溫度的關(guān)系??梢钥闯鰞烧咧g并不是簡(jiǎn)單的正比例關(guān)系,當(dāng)溫度出現(xiàn)峰值時(shí),光伏實(shí)際功率則會(huì)驟降至零,并在溫度下降過(guò)程中,一直保持為零。
圖2 光伏實(shí)際功率與溫度關(guān)系
雖然實(shí)發(fā)輻照度與溫度和實(shí)際功率呈線性關(guān)系,但濕度、風(fēng)速、風(fēng)向和壓強(qiáng)與光伏實(shí)際出力并沒(méi)有明顯的線性關(guān)系,由圖3 ~6 很難找到兩條曲線的線性關(guān)系。除此之外,由輻照度、溫度、濕度、風(fēng)速、風(fēng)向及壓強(qiáng)構(gòu)成的統(tǒng)計(jì)特征和多項(xiàng)式特征對(duì)光伏實(shí)際功率也存在一定影響。因此需要以這些特征為基礎(chǔ)建立構(gòu)造特征,以便模型能夠更好地學(xué)習(xí)各個(gè)特征與光伏實(shí)際出力之間的關(guān)系。
圖3 光伏實(shí)際功率與濕度關(guān)系
圖4 光伏實(shí)際功率與風(fēng)速關(guān)系
圖5 光伏實(shí)際功率與風(fēng)向關(guān)系
圖6 光伏實(shí)際功率與壓強(qiáng)關(guān)系
預(yù)測(cè)未來(lái)的光伏實(shí)際功率用到的數(shù)據(jù)都是未來(lái)的相關(guān)預(yù)測(cè)數(shù)據(jù)。溫度、濕度、壓強(qiáng)等和天氣相關(guān)的預(yù)測(cè)數(shù)據(jù)都可以通過(guò)氣象預(yù)報(bào)得到,但是預(yù)測(cè)輻照度(文中簡(jiǎn)稱輻照度)就得通過(guò)圖7 分析獲得。從圖中可以看出,輻照度具有較強(qiáng)的周期性規(guī)律,因此構(gòu)造兩種特征來(lái)表示這種周期性,即dis2peak和peak輻照度。前者代表距周期峰值的距離;后者代表輻照度峰值的實(shí)際值。
圖7 dis2peak與peak輻照度特征構(gòu)造方法
為了使模型預(yù)測(cè)更精確,需要考慮更多的影響因素。通過(guò)分析,在上文1.1 的基礎(chǔ)上添加了時(shí)間特征、相關(guān)因素的均值、方差、平方等特征,以及每天的白天溫差特征,還有各因素差值構(gòu)造,例如白天溫差就是當(dāng)天白天最大溫度和最小溫度差值,其他因素差值做相同處理。
風(fēng)速及大氣濕度會(huì)影響太陽(yáng)能光伏板表面的積灰程度,從而影響光伏出力。諸如此類的影響因素通過(guò)特征構(gòu)造后共有132 個(gè)特征,這種特征構(gòu)造對(duì)光伏出力的影響因素考慮全面,既能增加特征的非線性性,還可以發(fā)掘特征融合后對(duì)光伏發(fā)電功率的影響,使光伏預(yù)測(cè)更加精確。特征構(gòu)造的方法是對(duì)相關(guān)因素之間進(jìn)行多項(xiàng)式特征和統(tǒng)計(jì)特征構(gòu)造,其中多項(xiàng)式特征的構(gòu)造方法為:假設(shè)有特征a、b,則對(duì)應(yīng)特征為1,a,b,ab等;統(tǒng)計(jì)特征的構(gòu)造方法為:假設(shè)有特征a、b,則對(duì)應(yīng)統(tǒng)計(jì)特征為amean,bmean,astd,bstd。
1.2.1 多項(xiàng)式特征
(1)a,b分別為各個(gè)特征的獨(dú)立模型,如風(fēng)速、風(fēng)向、濕度、溫度、輻照度、壓強(qiáng)、白天溫差等。
(2)特征a·b:輻照度·風(fēng)速、風(fēng)速·溫度、溫度·壓強(qiáng)、風(fēng)速·壓強(qiáng)、輻照度·壓強(qiáng)、風(fēng)速·風(fēng)向、輻照度std·風(fēng)速mean、風(fēng)速·風(fēng)速、濕度·濕度、溫度·溫度等。
(3)特征a/b:輻照度/風(fēng)速、風(fēng)速/溫度、溫度/壓強(qiáng)、風(fēng)速/壓強(qiáng)、輻照度/壓強(qiáng)、風(fēng)速/風(fēng)向、輻照度std /風(fēng)速std、濕度mean/風(fēng)速mean等。
(4)特征a+b:輻照度+風(fēng)速、風(fēng)速+溫度、溫度+壓強(qiáng)、風(fēng)速+壓強(qiáng)、輻照度+壓強(qiáng)、風(fēng)速+風(fēng)向、輻照度std+風(fēng)速mean等。
(5)特征a-b:輻照度-風(fēng)速、風(fēng)速-溫度、溫度-壓強(qiáng)、風(fēng)速-壓強(qiáng)、輻照度-壓強(qiáng)、風(fēng)速-風(fēng)向、風(fēng)速mean-輻照度std等。
1.2.2 統(tǒng)計(jì)特征
(1)特征a或b的均值(mean)。如風(fēng)速mean、濕度mean、溫度mean、輻照度mean、壓強(qiáng)mean、白天溫差mean等。
(2)特征a或b的標(biāo)準(zhǔn)差(std)。如風(fēng)速std、濕度std、溫度std、輻照度std、壓強(qiáng)std、白天溫差std等。
文中考慮到的特征與其他現(xiàn)有文章相比更加全面,不再拘泥于幾個(gè)因素,而是全方位地構(gòu)造出了上百個(gè)特征,同等條件下,考慮的特征越多,則預(yù)測(cè)精度就越高。在預(yù)測(cè)模型建造好之后,構(gòu)造好的特征將作為輸入數(shù)據(jù)傳送到預(yù)測(cè)模型中,以實(shí)現(xiàn)使文中光伏發(fā)電功率預(yù)測(cè)精度更高的目的。
GRU網(wǎng)絡(luò)是一種比LSTM 網(wǎng)絡(luò)更加簡(jiǎn)單、快速的循環(huán)神經(jīng)網(wǎng)絡(luò),加進(jìn)了門控機(jī)制來(lái)控制信息更新的方式。在LSTM原有的基礎(chǔ)上引入了一個(gè)更新門來(lái)決定此刻狀態(tài)從上一時(shí)刻狀態(tài)中保留的信息量以及從候選狀態(tài)中選取的信息量[15]。它的傳遞公式如下:
其中:
①Zt∈[0,1]是更新門,當(dāng)Zt=0 時(shí),當(dāng)前狀態(tài)ht和前一時(shí)刻狀態(tài)ht-1互為非線性函數(shù)關(guān)系;當(dāng)Zt=1時(shí),當(dāng)前狀態(tài)ht和前一時(shí)刻狀態(tài)ht-1互為線性函數(shù)關(guān)系,ht-1是上一時(shí)刻狀態(tài)。?為向量乘積符號(hào)。
②ht是當(dāng)前時(shí)刻的候選狀態(tài)。rt∈[0,1]是重置門,用來(lái)控制ht的計(jì)算。當(dāng)rt=0 時(shí),ht只和當(dāng)前輸入xt有關(guān),和歷史狀態(tài)無(wú)關(guān)。當(dāng)rt=1 時(shí),ht和當(dāng)前輸入xt與歷史狀態(tài)ht-1都有關(guān)。
③σ為Sigmoid函數(shù);tanh為雙曲正切函數(shù)。
由式(1)可以看出,Zt= 0,rt=1 時(shí),GRU 網(wǎng)絡(luò)為簡(jiǎn)單循環(huán)網(wǎng)絡(luò);Zt=0,rt=0 時(shí),ht只和xt有關(guān),和ht-1無(wú)關(guān);當(dāng)Zt=1 時(shí),ht=ht-1,和當(dāng)前輸入xt無(wú)關(guān)。
圖8 為GRU循環(huán)單元結(jié)構(gòu),其中zt表示更新門,rt代表重置門。zt用于控制前一時(shí)刻的狀態(tài)信息被帶入到當(dāng)前狀態(tài)中的程度,zt的值越小,前一時(shí)刻的狀態(tài)信息被帶入到當(dāng)前狀態(tài)的就越少。rt控制前一狀態(tài)的信息被傳送到當(dāng)前候選狀態(tài)ht中的數(shù)量,rt越大,前一狀態(tài)的信息被寫入當(dāng)前候選狀態(tài)的就越多。
圖8 GRU結(jié)構(gòu)圖
當(dāng)需要處理大量輸入數(shù)據(jù)時(shí),就可以用注意力機(jī)制(Attention機(jī)制)來(lái)從大量信息中選擇一些關(guān)鍵信息進(jìn)行處理,這可以簡(jiǎn)化運(yùn)算、減小神經(jīng)網(wǎng)絡(luò)的計(jì)算負(fù)擔(dān)、節(jié)約計(jì)算機(jī)資源。注意力模型如圖9 所示,其中x1,x2,x3,…為輸入,h1,h2,h3,…為輸出。
圖9 注意力模型
Attention機(jī)制的計(jì)算可以分為兩個(gè)步驟:① 在所有輸入數(shù)據(jù)中計(jì)算注意力分布;②根據(jù)注意力分布來(lái)計(jì)算加權(quán)平均。這里選用自注意力模型作為輸入的注意力模型。假設(shè)輸入信息為x=[x1,x2,…,xN,]∈,輸出信息為,通過(guò)線性變換可以得到以下3 組向量序列:
式中:Q是查詢向量序列;K 是鍵向量序列;V 是值向量序列;WQ、WK、WV分別是可學(xué)習(xí)的參數(shù)矩陣;i,j∈[1,N]為輸出和輸入向量序列的位置,連接權(quán)重αij由注意力機(jī)制動(dòng)態(tài)生成。
文中所提的GRU-A 模型結(jié)構(gòu)如圖10 所示。GRU-A模型使用上文中所搭建的特征群作為輸入x1,x2,…,xi,通過(guò)GRU 模型進(jìn)行計(jì)算得到對(duì)應(yīng)輸出h1,h2,…,hi,然后在隱藏層中利用Attention 機(jī)制計(jì)算各個(gè)輸入的注意力概率分布值a1,a2,…,ai,輸出層的輸入是上一層Attention 層的輸出。最后利用Softmax 函數(shù)對(duì)輸出層的輸入進(jìn)行相應(yīng)計(jì)算,從而得到下一時(shí)刻的光伏發(fā)電功率預(yù)測(cè)。
圖10 GRU-A模型結(jié)構(gòu)圖
GRU-A模型的訓(xùn)練和測(cè)試流程圖如圖11 所示。將上文1.2 中提出經(jīng)過(guò)特征挖掘工程處理后的特征如濕度、風(fēng)速、輻照度、壓強(qiáng)等作為輸入傳送進(jìn)GRU-Attention網(wǎng)絡(luò),經(jīng)過(guò)一系列計(jì)算最終可輸出光伏功率的預(yù)測(cè)值。
圖11 模型預(yù)測(cè)流程
模型參數(shù)的優(yōu)化采用一階Adam(Adaptive Moment Estimation)優(yōu)化算法。此算法可以通過(guò)連續(xù)更新迭代網(wǎng)絡(luò)神經(jīng)元節(jié)點(diǎn)的權(quán)重和偏置使函數(shù)值降至最優(yōu)值。在模型訓(xùn)練期間,根據(jù)訓(xùn)練輸出和標(biāo)準(zhǔn)化實(shí)際功率計(jì)算GRU-A的損失MSE(Mean Squared Eorr),
式中:n為樣本數(shù);yi為實(shí)際值;^yi為模型輸出值。
光伏功率預(yù)測(cè)的評(píng)價(jià)指標(biāo)選定如下:
R2(R-squared)可決系數(shù)
MAE(Mean Absolute Error)均方根誤差
MAPE(Mean Absolute Percentage Error)相對(duì)百分誤差絕對(duì)值的平均值
根據(jù)某個(gè)光伏電站的實(shí)際光伏數(shù)據(jù)共41 853 條數(shù)據(jù),數(shù)據(jù)采樣頻率為15 min,從2018-01-01 0:00:00開(kāi)始直到2019-04-26 4:00:00。在cpu:i7-9 700K,gpu:2080Ti 11 GB,內(nèi)存:16 GB 的計(jì)算機(jī)條件下進(jìn)行。在41 853 條數(shù)據(jù)中選用33 853 條作為訓(xùn)練數(shù)據(jù),剩余8 000 條作為測(cè)試數(shù)據(jù)。數(shù)據(jù)中包含了時(shí)間、輻照度(預(yù)測(cè)輻照度)和來(lái)自數(shù)字天氣預(yù)報(bào)的風(fēng)速、風(fēng)向、溫度、壓強(qiáng)、濕度。采用下式對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化,
式中:μ是該特征的均值;σ是該列特征的方差。
文中采集了實(shí)際的光伏數(shù)據(jù)集對(duì)模型進(jìn)行實(shí)驗(yàn),選擇LSTM、BP、SVR、GRU 預(yù)測(cè)模型與文中所提出的GRU-A預(yù)測(cè)模型進(jìn)行結(jié)果對(duì)比。5 種模型的輸入數(shù)據(jù)保持一致,均包括原始特征和經(jīng)特征工程構(gòu)造后的特征。這些特征組成輸入特征矩陣,分別采用以上5 種模型進(jìn)行建模訓(xùn)練和預(yù)測(cè)。由此可以驗(yàn)證特征工程構(gòu)造的預(yù)測(cè)精度以及GRU-A 模型的優(yōu)良性能。模型及其參數(shù)見(jiàn)表1,其中神經(jīng)網(wǎng)絡(luò)的參數(shù)代表其每層的單元數(shù)。
表1 各個(gè)模型參數(shù)
采用表1 中5 個(gè)模型分別對(duì)原始特征和特征工程構(gòu)造后的特征進(jìn)行建模,可得表2 給出的共8 000 個(gè)點(diǎn)的預(yù)測(cè)值平均MAE、R2、MAPE。經(jīng)過(guò)對(duì)比可以看出,構(gòu)造特征后的5 個(gè)模型的MAE、R2、MAPE 基本都有所提高,證明了對(duì)輸入數(shù)據(jù)進(jìn)行特征構(gòu)造可以使模型精度顯著提高。
表2 各個(gè)模型預(yù)測(cè)結(jié)果
表2 的預(yù)測(cè)結(jié)果中包含各類型復(fù)雜天氣情況,由于光伏發(fā)電功率受天氣影響隨機(jī)波動(dòng)性較大,有必要深入分析不同變化情況下的光伏實(shí)際預(yù)測(cè)情況。為了具體驗(yàn)證GRU-A模型的有效性,將不同天氣下基于構(gòu)造特征的模型的預(yù)測(cè)結(jié)果進(jìn)行展示。由于夜晚不存在陽(yáng)光,所以只關(guān)注早上6:00 到晚上18:00 的光伏發(fā)電功率。
圖12 展示了晴天的光伏發(fā)電功率預(yù)測(cè)曲線圖。如圖所示,5 個(gè)模型都能擬合出實(shí)際光伏發(fā)電功率,擬合精度與穩(wěn)定性卻有較大差別。BP 模型的預(yù)測(cè)曲線和實(shí)際功率曲線走向穩(wěn)定性比較一致,但精確度不夠。SVR、BP、LSTM、GRU 4 個(gè)模型的預(yù)測(cè)曲線穩(wěn)定性和精度均不佳。而GRU-A 的功率預(yù)測(cè)曲線和實(shí)際功率曲線最靠近,預(yù)測(cè)穩(wěn)定性和精度都最好。
圖12 晴天下光伏發(fā)電功率預(yù)測(cè)對(duì)比
圖13 展示了復(fù)雜天氣情況下(上午晴天下午陰天)的光伏功率預(yù)測(cè)結(jié)果。此時(shí),只有GRU-A 預(yù)測(cè)模型曲線與實(shí)際功率曲線大致貼合,說(shuō)明該算法在天氣復(fù)雜時(shí)仍然能較好地預(yù)測(cè)光伏發(fā)電功率的變化情況。
圖13 天氣變化下光伏發(fā)電功率預(yù)測(cè)對(duì)比
圖14 展示了陰天情況下光伏功率預(yù)測(cè)情況,可看出,在此情況下只有GRU-A模型預(yù)測(cè)結(jié)果能大致擬合實(shí)際光伏發(fā)電功率。說(shuō)明此類天氣下,需要有記憶能力的模型來(lái)預(yù)測(cè)光伏發(fā)電功率才會(huì)更加準(zhǔn)確。
圖14 陰天下光伏發(fā)電功率預(yù)測(cè)對(duì)比
將仿真結(jié)果繪制成表格形式如表3 所示,其中,“變天”指1 d當(dāng)中天氣在晴朗和陰天當(dāng)中變換不定。對(duì)比分析可得,晴天時(shí),GRU-A 模型預(yù)測(cè)結(jié)果的MAE和MAPE低了將近50%,而R2則與其他模型接近,顯然,GRU-A預(yù)測(cè)模型性能最好。而當(dāng)天氣由晴好到變天時(shí),其他模型的預(yù)測(cè)誤差率增大了50%以上,只有GRU-A的誤差率增大最少,變天情況下,誤差率也最小。由此,天氣復(fù)雜情況下,GRU-A 預(yù)測(cè)模型的預(yù)測(cè)性能最好。陰天時(shí),GRU-A模型的3 項(xiàng)指標(biāo)都比其他4 個(gè)模型好。由此可得,不論在何種天氣情況下,GRU-A模型的預(yù)測(cè)準(zhǔn)確率都比其他模型更高。
以上通過(guò)仿真實(shí)驗(yàn)曲線圖和數(shù)據(jù)圖表的形式對(duì)比了3 種不同天氣情況下各個(gè)模型的光伏發(fā)電功率預(yù)測(cè)結(jié)果。對(duì)此結(jié)果進(jìn)行對(duì)比分析,充分證明GRU-A模型可以獲得更好的光伏發(fā)電功率預(yù)測(cè)指標(biāo)和預(yù)測(cè)精度,既具有GRU模型的記憶能力,又比其他傳統(tǒng)模型具有更好的泛化能力和穩(wěn)定性,具有顯著的優(yōu)越性。
表3 不同天氣下不同模型的預(yù)測(cè)參數(shù)
光伏發(fā)電功率受到天氣狀況、輻照度、溫度、濕度等因素以及各因素組合等特征的影響,發(fā)電量的不穩(wěn)定性會(huì)嚴(yán)重影響電網(wǎng)的調(diào)度質(zhì)量、安全穩(wěn)定運(yùn)行及經(jīng)濟(jì)效益。因此提出了一種基于特征挖掘的GRU-A 模型的光伏發(fā)電功率預(yù)測(cè)模型。文中首先對(duì)影響因素進(jìn)行特征構(gòu)造,然后對(duì)比使用原始特征和構(gòu)造后特征兩種情況下各個(gè)模型的預(yù)測(cè)準(zhǔn)確率,得出使用構(gòu)造后特征會(huì)顯著提高預(yù)測(cè)精確度的結(jié)論。最后通過(guò)仿真實(shí)驗(yàn)對(duì)比了使用構(gòu)造后特征的各個(gè)模型在不同天氣情況下的光伏預(yù)測(cè)情況,經(jīng)過(guò)與其他模型的比較,證明了GRU-A模型有以下優(yōu)點(diǎn):① 具有很強(qiáng)的泛化能力、構(gòu)造了統(tǒng)計(jì)特征與多項(xiàng)式特征使預(yù)測(cè)結(jié)果更加精確;②搭建的GRU-A模型使預(yù)測(cè)結(jié)果更加穩(wěn)定精準(zhǔn),不論天氣情況單一還是復(fù)雜多變,GRU-A模型都能夠精確地預(yù)測(cè)光伏出力。總而言之,與其他傳統(tǒng)模型相比,基于特征挖掘的GRU-A 光伏發(fā)電功率預(yù)測(cè)模型的預(yù)測(cè)精度更高、預(yù)測(cè)穩(wěn)定性更好。