王本濤，白 楊，邢紅濤，徐 巖

（1.國網(wǎng)呼倫貝爾供電公司，呼倫貝爾 021000；2.河北冀研能源科學(xué)技術(shù)研究院有限公司，石家莊 050071；3.華北電力大學(xué)電力工程系，保定 071003）

隨著光伏裝機(jī)容量的不斷增長(zhǎng)，電網(wǎng)中光伏發(fā)電接入比率不斷提高。在這種背景下，為保證電網(wǎng)的安全穩(wěn)定運(yùn)行，準(zhǔn)確的光伏功率預(yù)測(cè)不可或缺。光伏電站是典型的間歇性能源，其發(fā)電能力受外部環(huán)境影響較大，波動(dòng)性強(qiáng)，實(shí)現(xiàn)精準(zhǔn)的光伏功率預(yù)測(cè)對(duì)提高光伏電站控制調(diào)度性能意義重大[1]。光伏預(yù)測(cè)從時(shí)間尺度上可以分為超短期、短期和中長(zhǎng)期預(yù)測(cè)，其中超短期光伏預(yù)測(cè)能夠提供光伏出力的詳細(xì)變化信息，反映功率瞬變的波動(dòng)細(xì)節(jié)，因而相關(guān)研究獲得了廣泛關(guān)注。

從預(yù)測(cè)方法來看，已有研究所用的光伏功率預(yù)測(cè)模型大體可分為統(tǒng)計(jì)模型[2-4]、神經(jīng)網(wǎng)絡(luò)模型[5]、傳統(tǒng)機(jī)器學(xué)習(xí)模型[6]3 類。統(tǒng)計(jì)模型以時(shí)間序列分析為理論基礎(chǔ)，通過光伏功率歷史數(shù)據(jù)進(jìn)行建模，理論完備，可解釋性好。例如文獻(xiàn)[2]中分析了光伏出力存在周期性與隨機(jī)性，通過太陽輻射模型與最小二乘理論提出了隨機(jī)分量提取方法；文獻(xiàn)[3]通過多重線性回歸分析構(gòu)建了光伏功率預(yù)測(cè)模型。但是，由于光伏功率與多維特征之間存在復(fù)雜的非線性關(guān)系，因而統(tǒng)計(jì)模型的光伏功率預(yù)測(cè)精度不夠理想。

目前，隨著深度學(xué)習(xí)等技術(shù)的發(fā)展，神經(jīng)網(wǎng)絡(luò)模型，特別是深度神經(jīng)網(wǎng)絡(luò)模型在光伏功率預(yù)測(cè)中得到了廣泛應(yīng)用。深度神經(jīng)網(wǎng)絡(luò)模型具有特征提取能力強(qiáng)、能夠建模時(shí)間序列波動(dòng)特性等優(yōu)勢(shì)。文獻(xiàn)[7-8]通過長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)LSTM（long short-term memory）構(gòu)建了短期光伏發(fā)電預(yù)測(cè)模型；文獻(xiàn)[9]則是采用了卷積神經(jīng)網(wǎng)絡(luò)CNN（convolutional neural network）-LSTM 作為預(yù)測(cè)模型；文獻(xiàn)[10]基于互信息熵對(duì)已有LSTM 模型進(jìn)行改進(jìn)，提出了基于互信息熵MIE（mutual information entropy）-LSTM 的短期光伏功率預(yù)測(cè)方法。但是，這些方法僅適用于單個(gè)光伏電站，無法考慮多光伏電站之間的相關(guān)特征，且在高級(jí)特征有效性方面有待加強(qiáng)。考慮到神經(jīng)網(wǎng)絡(luò)初始權(quán)重與參數(shù)選擇問題，文獻(xiàn)[11]提出了一種雙模式布谷鳥搜索算法對(duì)小波神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，提高了其收斂速度。文獻(xiàn)[12-13]也采用了改進(jìn)的搜索算法來優(yōu)化神經(jīng)網(wǎng)絡(luò)的超參數(shù)。參數(shù)優(yōu)化的目的是通過控制網(wǎng)絡(luò)深度來確保特征有效性，但搜索過程較為復(fù)雜。近年來研究表明可以利用注意力機(jī)制實(shí)現(xiàn)高級(jí)特征的自動(dòng)增強(qiáng)[14]，從而降低參數(shù)搜素過程中的計(jì)算成本，但目前該方法在光伏功率預(yù)測(cè)方面的研究還鮮見報(bào)道。

為提高模型的預(yù)測(cè)效果，已有不少研究在輸入特征方面進(jìn)行改進(jìn)，例如對(duì)功率曲線進(jìn)行分解[6-7，15-16]，或者選定影響功率的主導(dǎo)因素[8-9，17]。在光伏功率分解方面，變分模態(tài)分解[6]、經(jīng)驗(yàn)?zāi)B(tài)分解[7]、小波包變換[16]都是近年來常用的方法。這些功率曲線分解算法偏重于分解信號(hào)的高頻、低頻分量，對(duì)光伏功率的周期性考慮不充分，可解釋性較差。而在影響因素選擇方面，文獻(xiàn)[8，17]通過歷史功率曲線聚類來提取光伏功率與特征之間的關(guān)系，進(jìn)而確定輸入特征。文獻(xiàn)[9]則是通過Granger因果關(guān)系算法選擇出關(guān)鍵氣象因子作為輸入。文獻(xiàn)[5]通過對(duì)歷史氣象因素進(jìn)行密度峰值聚類，利用統(tǒng)計(jì)指標(biāo)構(gòu)建天氣特征向量。文獻(xiàn)[11]中利用C-C方法進(jìn)行混沌吸引子重構(gòu)，挖掘各因素信息對(duì)光伏發(fā)電功率的影響。

由于目前光伏功率預(yù)測(cè)對(duì)象往往是單個(gè)光伏電站，已有研究往往是從單個(gè)電站的角度來考慮輸入特征，同一區(qū)域內(nèi)不同光伏電站功率的相關(guān)性特征還少有考慮。同一區(qū)域內(nèi)氣象環(huán)境變化具有連續(xù)性，基于不同光伏電站歷史功率進(jìn)行聯(lián)合預(yù)測(cè)有助于提高預(yù)測(cè)精度，降低計(jì)算成本。對(duì)于區(qū)域多光伏電站的功率預(yù)測(cè)問題，傳統(tǒng)機(jī)器學(xué)習(xí)方法或統(tǒng)計(jì)學(xué)方法需要對(duì)每個(gè)光伏電站分別建立單獨(dú)模型進(jìn)行預(yù)測(cè)。這種處理方式忽略了不同光伏電站功率預(yù)測(cè)問題中存在的潛在相關(guān)性，同時(shí)存在重復(fù)建模、計(jì)算成本高的問題。而多任務(wù)學(xué)習(xí)僅需要建立1 個(gè)模型，將不同光伏電站的功率預(yù)測(cè)視作是該模型的子任務(wù)，通過不同任務(wù)之間的信息共享提高每個(gè)子任務(wù)的預(yù)測(cè)準(zhǔn)確性。

綜上所述，本文提出了一種基于季節(jié)性分解STL（seasonal and trend decomposition using loess）與MMoE多任務(wù)學(xué)習(xí)的區(qū)域多光伏電站超短期功率聯(lián)合預(yù)測(cè)方法。首先，對(duì)光伏功率曲線進(jìn)行STL，從而確定光伏功率曲線的周期分量、趨勢(shì)分量與剩余分量，進(jìn)而通過MMoE多任務(wù)學(xué)習(xí)方法挖掘同一區(qū)域內(nèi)不同光伏電站功率的剩余分量與趨勢(shì)分量之間的相關(guān)性，通過注意力機(jī)制改進(jìn)的深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測(cè)。

1 預(yù)測(cè)模型構(gòu)建流程

首先，將區(qū)域內(nèi)不同光伏電站功率曲線進(jìn)行STL，分別得到周期分量、趨勢(shì)分量、剩余分量3 種曲線。對(duì)于提取得到的周期分量，可直接通過其參數(shù)進(jìn)行外推，無需預(yù)測(cè)。對(duì)于趨勢(shì)分量與剩余分量，將光伏電站的歷史分量數(shù)據(jù)與氣象因素?cái)?shù)據(jù)共同作為輸入特征進(jìn)行訓(xùn)練，深度神經(jīng)網(wǎng)絡(luò)模型采用注意力機(jī)制進(jìn)行改進(jìn)，采用MMoE多任務(wù)學(xué)習(xí)方法來挖掘不同光伏電站功率之間的相關(guān)性，從而實(shí)現(xiàn)不同光伏電站功率未來趨勢(shì)分量與剩余分量的準(zhǔn)確預(yù)測(cè)。最后，通過對(duì)3種分量進(jìn)行相加得到光伏電站功率超短期預(yù)測(cè)結(jié)果。預(yù)測(cè)模型構(gòu)建如圖1所示。

圖1 預(yù)測(cè)模型構(gòu)建Fig.1 Construction of prediction model

2 STL 模型

STL方法是一種基于局部加權(quán)回歸散點(diǎn)平滑算法（loess）的時(shí)間序列分解方法，能夠?qū)r(shí)間序列分解為周期分量、趨勢(shì)分量、剩余分量3部分。STL包括內(nèi)循環(huán)和外循環(huán)兩個(gè)部分，其中內(nèi)循環(huán)主要通過去趨勢(shì)、去周期、平滑濾波等步驟獲得趨勢(shì)分量與周期分量；外循環(huán)則是通過穩(wěn)健性權(quán)重削減離群點(diǎn)的影響。

STL 模型可以分為加法模型和乘法模型兩種。乘法模型意味著不同分量之間存在相互影響，而對(duì)于本文所述的光伏功率預(yù)測(cè)問題，不同分量之間彼此獨(dú)立，因此加法模型更為適用。以某周光伏電站實(shí)際出力功率曲線為例，STL結(jié)果如圖2所示。

圖2 光伏功率STL 典型分解結(jié)果Fig.2 PV power decomposition result based on typical STL

對(duì)于本文所述的區(qū)域多光伏電站功率預(yù)測(cè)問題，同一區(qū)域內(nèi)不同光伏電站的功率具有顯著一致的周期性，且趨勢(shì)分量與剩余分量的變化存在密切相關(guān)性，因此分解后的結(jié)果對(duì)預(yù)測(cè)問題而言是有益的。

3 基于注意力機(jī)制與LSTM 的MMoE 多任務(wù)學(xué)習(xí)模型

3.1 多任務(wù)學(xué)習(xí)MMoE 模型

多任務(wù)學(xué)習(xí)從實(shí)現(xiàn)方式上可以分為硬共享機(jī)制與軟共享機(jī)制，硬共享機(jī)制中通過參數(shù)共享來實(shí)現(xiàn)特征提取與輸出，而軟共享機(jī)制中每個(gè)任務(wù)都具有單獨(dú)的參數(shù)?？紤]到區(qū)域多光伏電站的功率相關(guān)性較為顯著，并且不同子任務(wù)之間性質(zhì)相近，因此本文采用硬共享機(jī)制實(shí)現(xiàn)多任務(wù)學(xué)習(xí)，其原理如圖3所示。

圖3 基于硬共享機(jī)制的多任務(wù)學(xué)習(xí)Fig.3 Multi-task learning based on hard-sharing mechanism

對(duì)于多任務(wù)學(xué)習(xí)，任務(wù)之間的關(guān)系會(huì)極大地影響多任務(wù)模型的預(yù)測(cè)質(zhì)量。因此，實(shí)現(xiàn)特定任務(wù)目標(biāo)和任務(wù)間關(guān)系之間的建模權(quán)衡是非常重要的。MMoE 模型很好地解決了這一問題，通過將共享層劃分為多個(gè)專家子網(wǎng)（expert），利用門控（gate）機(jī)制實(shí)現(xiàn)了共享層的靈活組合[18]，模型如圖4所示。

圖4 MMoE 模型原理Fig.4 Principle of MMoE model

設(shè)輸入為x，共享網(wǎng)絡(luò)底層為f(x)，子任務(wù)獨(dú)立輸出層為hk(x)，其中k表示第k個(gè)任務(wù)，則第k個(gè)任務(wù)的輸出yk可表示為

式中：n為任務(wù)數(shù)；gk,i(x)為第i個(gè)專家子網(wǎng)門控單元的輸出；fi(x)為第i個(gè)專家子網(wǎng)的輸出。

3.2 LSTM 子任務(wù)層

對(duì)于MMoE 模型，專家子網(wǎng)負(fù)責(zé)提取不同任務(wù)之間的相關(guān)性特征，后續(xù)子任務(wù)層可依據(jù)不同任務(wù)需求選擇。對(duì)于光伏電站預(yù)測(cè)問題，此處選擇LSTM單元組成子任務(wù)層。LSTM單元的結(jié)構(gòu)如圖5所示。

圖5 LSTM 單元結(jié)構(gòu)Fig.5 Structure of LSTM unit

LSTM 單元輸入的相關(guān)變量包括當(dāng)前輸入xt、前1 個(gè)單元的輸出ht-1、前1 個(gè)單元的狀態(tài)ct-1、輸出變量即當(dāng)前單元輸出ht、當(dāng)前單元狀態(tài)ct。LSTM單元包括遺忘門、輸入門和輸出門，其機(jī)制可表示為

式中：ft為遺忘門的輸出，用于控制前一狀態(tài)信息對(duì)當(dāng)前狀態(tài)的影響；it為輸入門的輸出；ot為輸出門的狀態(tài)；Wf、Wi、Wo、Wc分別為網(wǎng)絡(luò)激活函數(shù)輸入的權(quán)重矩陣；bf、bi、bo、bc為偏置項(xiàng)；σ（）為sigmoid函數(shù)；[]表示向量連接組合；符號(hào)°表示Hadamard乘積運(yùn)算。

3.3 注意力機(jī)制

深度學(xué)習(xí)中的注意力機(jī)制本質(zhì)上模仿了人類處理復(fù)雜信息時(shí)的注意力，即從眾多信息中獲取最重要信息的能力。注意力機(jī)制能夠使深度學(xué)習(xí)網(wǎng)絡(luò)自適應(yīng)地進(jìn)行信息篩選，對(duì)重要程度更高的信息加以利用，并抑制其他無關(guān)信息，從而提高信息處理的效率和準(zhǔn)確性。

本文在模型輸出層之前添加注意力層，通過注意力層計(jì)算隱藏層中各神經(jīng)元的權(quán)重，使網(wǎng)絡(luò)主動(dòng)聚焦隱藏層中的關(guān)鍵特征，來提高光伏發(fā)電預(yù)測(cè)的準(zhǔn)確性。根據(jù)注意力權(quán)重計(jì)算方法的不同，可以將注意力機(jī)制分為兩種：①由Bahdanau提出的加法模型；②由Luong 提出的乘法模型。兩者區(qū)別在于加法模型使用第t-1 步的隱藏層狀態(tài)計(jì)算第t步的注意力權(quán)重，而乘法模型則使用第t步的隱藏層狀態(tài)進(jìn)行計(jì)算。算例中將對(duì)兩種注意力機(jī)制模型的效果進(jìn)行對(duì)比，通過算例測(cè)試發(fā)現(xiàn)，加法注意力模型的光伏預(yù)測(cè)誤差更小，因此本文使用加法模型構(gòu)建注意力層。

3.4 MMoE-LSTM-Attention 網(wǎng)絡(luò)結(jié)構(gòu)

結(jié)合上述方法，本文設(shè)計(jì)的MMoE-LSTM-Attention網(wǎng)絡(luò)結(jié)構(gòu)如表1所示。

表1 MMoE-LSTM-Attention 網(wǎng)絡(luò)結(jié)構(gòu)Tab.1 Structure of MMoE-LSTM-Attention network

本文算例對(duì)區(qū)域內(nèi)10 個(gè)光伏電站的趨勢(shì)分量與剩余分量進(jìn)行預(yù)測(cè)，因此子任務(wù)數(shù)為10。多任務(wù)層用于提取不同光伏電站出力之間的相關(guān)性，MMoE層可以自動(dòng)實(shí)現(xiàn)關(guān)聯(lián)性與子任務(wù)目標(biāo)的信息分配，子任務(wù)層則利用了LSTM 層與注意力層實(shí)現(xiàn)了對(duì)每個(gè)光伏電站出力的預(yù)測(cè)。

4 算例分析

本文使用的數(shù)據(jù)來自澳大利亞DKASC 數(shù)據(jù)集[19]，從中選擇了區(qū)域內(nèi)10 個(gè)光伏電站2019 年全年光伏功率數(shù)據(jù)，采樣率為每5 min 采樣1 個(gè)數(shù)據(jù)點(diǎn)。輸入特征包括前6 個(gè)點(diǎn)的光伏功率分解結(jié)果（包括6維趨勢(shì)分量和6維剩余分量）和當(dāng)前時(shí)刻的6個(gè)氣象特征（包括溫度、相對(duì)濕度、全局水平輻射、散射輻射、風(fēng)向、降水），輸入特征共18維。氣象特征的采樣率同樣為每5 min 采樣1 個(gè)數(shù)據(jù)點(diǎn)，預(yù)測(cè)對(duì)象為下一點(diǎn)的功率值，即滯后階為1步。由于夜間光伏功率無需預(yù)測(cè)，為準(zhǔn)確反映所提方法的有效性，本文僅采用日間功率數(shù)據(jù)進(jìn)行訓(xùn)練與測(cè)試，時(shí)間段為07：00—18：00，共11×12=132 個(gè)功率點(diǎn)。將1月—11月數(shù)據(jù)作為訓(xùn)練集，12月數(shù)據(jù)作為測(cè)試集。為驗(yàn)證所提STL、MMoE多任務(wù)學(xué)習(xí)、注意力機(jī)制3方面技術(shù)改進(jìn)有助于提升功率預(yù)測(cè)精度，下面采用控制變量的方法進(jìn)行實(shí)驗(yàn)，即在對(duì)照方法中分別剔除STL分解、MMoE及注意力機(jī)制，以便準(zhǔn)確分析所提方法效果，模型均訓(xùn)練50輪后進(jìn)行預(yù)測(cè)。

4.1 STL 有效性分析

本文所提方法需要分別對(duì)STL 得到的趨勢(shì)分量與剩余分量進(jìn)行預(yù)測(cè)，之后再與周期分量相加得到最終預(yù)測(cè)結(jié)果。為測(cè)試STL 對(duì)光伏功率預(yù)測(cè)的影響，對(duì)比方法使用相同的網(wǎng)絡(luò)結(jié)構(gòu)直接對(duì)光伏功率進(jìn)行預(yù)測(cè)，兩種方法的誤差情況如表2所示。由表2可知，在光伏功率預(yù)測(cè)中，STL能有效提高預(yù)測(cè)精度。在平均絕對(duì)誤差MAE（mean absolute error）與均方根誤差RMSE（root mean square error）兩個(gè)誤差指標(biāo)上，經(jīng)過STL的多任務(wù)學(xué)習(xí)模型預(yù)測(cè)誤差更低。

表2 STL 對(duì)預(yù)測(cè)誤差影響Tab.2 Effect of STL on prediction errors

為進(jìn)一步驗(yàn)證STL的優(yōu)越性，保持模型其他環(huán)節(jié)不變，將STL 替換為多種分解算法，計(jì)算預(yù)測(cè)誤差。對(duì)比方法包括集合經(jīng)驗(yàn)?zāi)B(tài)分解、變分模態(tài)分解[6]和小波包分解[16]。根據(jù)中心頻率法[6]確定集合經(jīng)驗(yàn)?zāi)B(tài)分解數(shù)目為14，變分模態(tài)分解數(shù)目為10，小波包分解數(shù)目參考文獻(xiàn)[16]設(shè)置為2，得到不同分解算法的誤差對(duì)比如表3所示。

表3 不同分解算法的誤差對(duì)比Tab.3 Comparison of errors among different decomposition methods

由表3可知，與其他先進(jìn)分解算法相比，STL算法能有效降低模型預(yù)測(cè)誤差。從算法原理來看，STL尤其適用于具有周期性的時(shí)間序列數(shù)據(jù)。而對(duì)于周期性的光伏功率序列，STL 得到的周期分量無需預(yù)測(cè)即可確保準(zhǔn)確，趨勢(shì)分量的波動(dòng)性不強(qiáng)預(yù)測(cè)相對(duì)容易，剩余分量可通過多任務(wù)學(xué)習(xí)提高預(yù)測(cè)準(zhǔn)確率，因此STL能夠提高光伏功率的預(yù)測(cè)精度。

4.2 MMoE 多任務(wù)學(xué)習(xí)有效性分析

本節(jié)測(cè)試MMoE 多任務(wù)學(xué)習(xí)方法的有效性，選取單任務(wù)學(xué)習(xí)方案作為基準(zhǔn)，即采用子任務(wù)層的網(wǎng)絡(luò)結(jié)構(gòu)分別訓(xùn)練模型進(jìn)行預(yù)測(cè)。傳統(tǒng)的硬共享機(jī)制多任務(wù)學(xué)習(xí)方法作為對(duì)比方法，在測(cè)試集上的預(yù)測(cè)誤差如表4所示。

表4 多任務(wù)學(xué)習(xí)預(yù)測(cè)誤差對(duì)比Tab.4 Comparison of prediction errors among different multi-task learning methods

由表4 可知，兩種多任務(wù)學(xué)習(xí)的方法預(yù)測(cè)誤差低于單任務(wù)學(xué)習(xí)方法，而本文所提基于MMoE的多任務(wù)學(xué)習(xí)方法比傳統(tǒng)的硬共享機(jī)制多任務(wù)學(xué)習(xí)方法的誤差更低，這表明MMoE 中的門控機(jī)制能夠在子任務(wù)訓(xùn)練中實(shí)現(xiàn)不同任務(wù)信息的自動(dòng)權(quán)衡，從而排除任務(wù)之間的無關(guān)因素，有助于提高預(yù)測(cè)精度。

4.3 注意力機(jī)制模型選擇

注意力機(jī)制模型可分為加法模型和乘法模型兩類，本節(jié)分別采用兩種模型進(jìn)行測(cè)試，不使用注意力機(jī)制的方法作為對(duì)照，網(wǎng)絡(luò)的其他部分與表1 所示結(jié)構(gòu)一致。3 種方法的誤差結(jié)果如表5所示。

表5 不同注意力模型誤差對(duì)比Tab.5 Comparison of errors among different attention models

由表5 可知，與不使用注意力機(jī)制相比，使用注意力機(jī)制的效果更好，而加法注意力機(jī)制能夠使模型提取的特征更加突出，這可能是由于某個(gè)光伏電站與其他光伏電站之間的相關(guān)性特征具有可加性導(dǎo)致的。

4.4 預(yù)測(cè)誤差分析

4.4.1 不同時(shí)間區(qū)間的預(yù)測(cè)誤差分析

本節(jié)對(duì)測(cè)試集的預(yù)測(cè)誤差進(jìn)行分析，以小時(shí)為區(qū)間對(duì)預(yù)測(cè)誤差取平均值，并以箱線圖表示，結(jié)果如圖6 所示。由圖6 可知，整體預(yù)測(cè)誤差約為0.5 kW，誤差水平較低，驗(yàn)證了所提方法的有效性。而13：00—14：00 的預(yù)測(cè)誤差明顯高于其他時(shí)段，這是由于此時(shí)段的太陽輻射強(qiáng)度最高，放大了光伏功率的波動(dòng)性，因此從絕對(duì)誤差指標(biāo)來看預(yù)測(cè)誤差更高。

圖6 不同時(shí)間區(qū)間的MAE 對(duì)比Fig.6 Comparison of MAE at different time intervals

4.4.2 不同季節(jié)、天氣類型的預(yù)測(cè)誤差分析

為驗(yàn)證所提模型在不同季節(jié)、不同天氣類型下的預(yù)測(cè)性能，本節(jié)區(qū)分晴、多云、陰和雨/雪4種天氣類型，并使用LSTM、EEMD-LSTM[7]和CNN-LSTM[9]作為對(duì)比方法，對(duì)數(shù)據(jù)集中的3 月（春季）、6 月（夏季）、9 月（秋季）和12 月（冬季）的光伏發(fā)電功率進(jìn)行預(yù)測(cè)，其余數(shù)據(jù)作為訓(xùn)練集，得到MAE指標(biāo)對(duì)比如表6所示。

表6 不同季節(jié)、天氣類型的MAE 指標(biāo)對(duì)比Tab.6 Comparison of MAE under different seasons and different weathers

由表6可知，從季節(jié)因素來看，春季、冬季預(yù)測(cè)誤差略高，夏季、秋季誤差較低，原因是該地區(qū)春季、冬季氣溫較高，光伏功率總體數(shù)值偏大，預(yù)測(cè)絕對(duì)誤差也相應(yīng)增加。從天氣類型類看，晴天光照充足，光伏發(fā)電功率較高，因此預(yù)測(cè)誤差較高；多云、陰、雨/雪天氣的光照逐漸降低，光伏發(fā)電功率減小，預(yù)測(cè)誤差也相應(yīng)降低。從4種方法的預(yù)測(cè)誤差對(duì)比來看，CNN-LSTM 通過CNN 進(jìn)行特征提取，增加了特征的有效性，預(yù)測(cè)誤差較LSTM有所降低；經(jīng)驗(yàn)?zāi)B(tài)分解EEMD（ensemble empirical mode decomposition）-LSTM 則對(duì)原始光伏功率進(jìn)行分解，得到的模態(tài)分量規(guī)律性更強(qiáng)，易于預(yù)測(cè)，因此預(yù)測(cè)誤差進(jìn)一步下降；本文方法則使用STL對(duì)光伏功率序列進(jìn)行分解，并通過MMoE多任務(wù)學(xué)習(xí)模型考慮區(qū)域光伏電站間的關(guān)聯(lián)性，在4種對(duì)比方法中預(yù)測(cè)誤差最低，驗(yàn)證了所提方法的有效性。

5 結(jié)論

本文提出了一種基于STL與MMoE多任務(wù)學(xué)習(xí)的區(qū)域多光伏電站功率聯(lián)合預(yù)測(cè)方法。通過STL獲得光伏功率的周期分量、剩余分量與趨勢(shì)分量。對(duì)于區(qū)域多光伏電站，周期分量無需預(yù)測(cè)，而不同光伏電站的剩余分量與趨勢(shì)分量之間存在關(guān)聯(lián)性，可通過多任務(wù)學(xué)習(xí)進(jìn)行預(yù)測(cè)。對(duì)此，本文提出了MMoE-LSTM-Attention 網(wǎng)絡(luò)，來挖掘同一區(qū)域內(nèi)不同光伏電站剩余分量與趨勢(shì)分量之間的相關(guān)性，通過注意力機(jī)制改進(jìn)深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測(cè)。通過算例驗(yàn)證了所提方法的有效性。主要結(jié)論如下。

（1）與已有分解方法相比，STL更適合光伏功率這種周期時(shí)間序列數(shù)據(jù)，可解釋性更好。分解得到的周期分量、趨勢(shì)分量、剩余分量為后續(xù)建模預(yù)測(cè)提供了便利。

（2）MMoE 多任務(wù)學(xué)習(xí)能夠有效考慮區(qū)域內(nèi)不同光伏電站剩余分量與趨勢(shì)分量之間的弱相關(guān)性，從而提高預(yù)測(cè)精度。此外，MMoE 多任務(wù)學(xué)習(xí)能夠同時(shí)對(duì)多個(gè)光伏電站功率進(jìn)行預(yù)測(cè)，降低了建模與計(jì)算成本。

（3）使用注意力機(jī)制對(duì)深度神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)，進(jìn)一步提高了模型的特征提取能力。算例中對(duì)比了加法注意力模型與乘法注意力模型，證明了加法注意力模型更適合光伏功率預(yù)測(cè)問題。