基于相似日匹配及TCN-Attention的短期光伏出力預(yù)測(cè)

陳禹帆，溫蜜，張凱，余珊

(上海電力大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，上海 200090)

0 引 言

近年來，中國(guó)光伏發(fā)電規(guī)模持續(xù)擴(kuò)大。2019年全國(guó)光伏發(fā)電累計(jì)裝機(jī)達(dá)到20 430萬千瓦，全國(guó)光伏發(fā)電量達(dá)2 243億千瓦時(shí)[1]。隨著大規(guī)模光伏并網(wǎng)發(fā)電在電網(wǎng)中占比的不斷增加，光伏出力固有的隨機(jī)波動(dòng)特性給電力系統(tǒng)的安全穩(wěn)定運(yùn)行和電能質(zhì)量帶來嚴(yán)重挑戰(zhàn)[2-3]。目前，中國(guó)、美國(guó)和歐洲都在大力推進(jìn)大規(guī)模光伏并網(wǎng)，短期光伏出力預(yù)測(cè)成為了電網(wǎng)調(diào)度和光伏市場(chǎng)主體的關(guān)注重點(diǎn)[4]。

目前，短期光伏出力預(yù)測(cè)方法主要分為三類：物理方法、統(tǒng)計(jì)方法和機(jī)器學(xué)習(xí)方法。物理方法是指直接構(gòu)建光伏發(fā)電近似物理模型[5]得到光伏出力，該方法依賴詳細(xì)的電站地理信息和準(zhǔn)確的數(shù)值天氣預(yù)報(bào)(Numerical Weather Prediction，NWP)數(shù)據(jù)，所采用的物理公式本身存在一定的誤差，導(dǎo)致模型的抗干擾能力差、魯棒性低。統(tǒng)計(jì)方法主要采用時(shí)間序列[6]、序列分解[7]等方法對(duì)大量歷史數(shù)據(jù)進(jìn)行統(tǒng)計(jì)和建模預(yù)測(cè)，該方法未能考慮到氣象因素對(duì)光伏出力的影響，預(yù)測(cè)精度通常不高。機(jī)器學(xué)習(xí)方法主要有支持向量機(jī)[8]和神經(jīng)網(wǎng)絡(luò)[9]等，可以直接從氣象、光伏出力歷史數(shù)據(jù)和NWP數(shù)據(jù)中挖掘出變化規(guī)律進(jìn)行預(yù)測(cè)，是目前光伏出力預(yù)測(cè)的主要方法和研究熱點(diǎn)。

隨著深度學(xué)習(xí)的快速發(fā)展[10]，基于深度學(xué)習(xí)的短期光伏出力預(yù)測(cè)方法目前受到廣泛關(guān)注[11]。其中，基于長(zhǎng)短期記憶網(wǎng)絡(luò)(Long Short-Term Memory，LSTM)的模型可以有效捕捉時(shí)間序列的長(zhǎng)期依賴關(guān)系，在短期光伏出力預(yù)測(cè)上取得良好效果[12-13]，成為了深度學(xué)習(xí)中的主流預(yù)測(cè)模型。然而，該方法存在梯度問題和模型訓(xùn)練時(shí)間較長(zhǎng)的問題。卷積神經(jīng)網(wǎng)絡(luò)可并行計(jì)算的結(jié)構(gòu)優(yōu)勢(shì)可以有效避免上述問題。其中，時(shí)序卷積網(wǎng)絡(luò)(Temporal Convolutional Network，TCN)已經(jīng)在風(fēng)電功率預(yù)測(cè)[14]，太陽(yáng)輻射預(yù)測(cè)[15]等領(lǐng)域表現(xiàn)出了較好的預(yù)測(cè)效果。

光伏出力在典型天氣類型中表現(xiàn)出明顯的相似性。相似日模型[16]被提出和廣泛應(yīng)用來解決數(shù)據(jù)冗余帶來的誤差。文獻(xiàn)[17]提出一種晴朗系數(shù)將歷史數(shù)據(jù)劃分為晴天和非晴天兩種類型，通過多層次相似匹配方法選取相似日構(gòu)建ARIMA時(shí)間序列預(yù)測(cè)模型。文獻(xiàn)[18]采用模糊C均值聚類算法將預(yù)測(cè)日按照6種特征進(jìn)行劃分，然后構(gòu)建深度信念網(wǎng)絡(luò)模型進(jìn)行預(yù)測(cè)。上述相似日模型通過主觀篩選特征進(jìn)行分類，將氣象數(shù)據(jù)分為幾類建立模型。但是此類方法對(duì)于天氣類型的劃分沒有考慮到天氣的動(dòng)態(tài)變化，僅由某些時(shí)刻的天氣特征難以捕捉整日光伏出力的相似性。

針對(duì)上述文獻(xiàn)中存在的問題，為了提高光伏出力預(yù)測(cè)精度和模型的訓(xùn)練速度，文章提出一種基于相似日匹配及TCN-Attention的短期光伏出力預(yù)測(cè)方法。首先，采用K-Shape聚類算法對(duì)光伏出力歷史數(shù)據(jù)進(jìn)行基于形態(tài)特征的聚類，在考慮整日光伏出力曲線形狀的情況下將訓(xùn)練集劃分成不同天氣類型下的相似日訓(xùn)練子集。然后，使用最大信息系數(shù)(Maximal Information Coefficient，MIC)根據(jù)待預(yù)測(cè)日的NWP數(shù)據(jù)為待預(yù)測(cè)日匹配合適的相似日訓(xùn)練子集。最后，以歷史相似日數(shù)據(jù)和待預(yù)測(cè)日NWP數(shù)據(jù)作為共同輸入，采用可并行計(jì)算的TCN網(wǎng)絡(luò)進(jìn)行建模學(xué)習(xí)，并引入Attention機(jī)制為隱藏層中不同特征設(shè)置不同的權(quán)重，以加強(qiáng)關(guān)鍵特征對(duì)光伏出力的影響，從而得到更好的預(yù)測(cè)效果。最后，通過基于真實(shí)數(shù)據(jù)集的實(shí)驗(yàn)驗(yàn)證了文章所提出的方法具有更高的預(yù)測(cè)精度和更快的計(jì)算速度。

1 基于形態(tài)特征和氣象相關(guān)性的相似日匹配

光伏出力受到太陽(yáng)輻射、溫度、濕度等諸多氣象特征的影響具有很大的時(shí)變性和不確定性。各種氣象特征在不同的天氣類型中對(duì)光伏出力影響的程度并不相同，合理的相似日匹配有助于突出關(guān)鍵特征，從而使模型訓(xùn)練更具有針對(duì)性[19]，有效提高預(yù)測(cè)精度。文中采用K-Shape聚類算法與MIC相結(jié)合的方式進(jìn)行相似日匹配。

1.1 光伏出力形態(tài)特征分析

文中以全球能源預(yù)測(cè)競(jìng)賽提供的國(guó)外某地區(qū)光伏電站數(shù)據(jù)集為研究對(duì)象[20]。該數(shù)據(jù)集記錄了從2013年1月1日到2013年12月31日的光伏出力數(shù)據(jù)和溫度、濕度、風(fēng)速、總云量、太陽(yáng)輻射等NWP數(shù)據(jù)，時(shí)間間隔為1 h。

受到日地運(yùn)動(dòng)和天氣動(dòng)態(tài)變化的影響，光伏出力整體上表現(xiàn)出顯著的間歇性和波動(dòng)性。其中，間歇性主要是受到地球自轉(zhuǎn)的影響，地球的自轉(zhuǎn)造成了晝夜交替現(xiàn)象，導(dǎo)致夜間的光伏出力為零，日間的光伏出力呈拋物線趨勢(shì)。光伏出力的波動(dòng)性則是由天氣動(dòng)態(tài)變化的相對(duì)不確定性造成的，如環(huán)境溫度會(huì)影響光伏組件溫度，云層會(huì)影響光伏面板受到的太陽(yáng)輻射等。

圖1描繪了典型天氣類型中的光伏出力曲線各十條。其中，晴天光伏出力曲線較為平滑，呈半波型；多云天的光伏出力曲線在體量上與晴天相似，但是云層遮擋會(huì)造成一定的隨機(jī)波動(dòng)；陰天光伏出力體量明顯減少，并伴有隨機(jī)波動(dòng)；雨天光伏出力體量較小，并可能伴有大幅度隨機(jī)波動(dòng)?？梢钥闯觯夥隽η€在不同天氣類型中存在較大差異，在相同天氣類型中具有相似性。

1.2 基于形態(tài)特征的歷史相似日聚類

K-Shape算法在整體設(shè)計(jì)上有聚類中心的計(jì)算過程和簇迭代的過程。該方法使用一種新的時(shí)間序列形態(tài)距離度量方案(Shape-Based Distance，SBD)來描述聚類中的距離。該方法的距離度量不受時(shí)間尺度縮放和位移的影響[21]，從而能夠有效地聚類出相似的光伏出力序列。

圖1 典型天氣類型中光伏出力曲線

對(duì)于兩條光伏出力序列X=[x1,x2,...,xm]與Y=[y1,y2,...,ym]，K-Shape算法的距離為：

(1)

式中Cω(X,Y)是光伏出力序列X和Y的互相關(guān)序列；R0為兩光伏出力序列不發(fā)生相對(duì)位移時(shí)其對(duì)應(yīng)的互相關(guān)系數(shù)值。

K-Shape迭代的過程是不斷地求取聚類中心并依據(jù)到聚類中心的距離為光伏出力歷史日序列進(jìn)行簇劃分的過程。K-Shape算法將聚類中心的計(jì)算轉(zhuǎn)化為一個(gè)優(yōu)化問題，是使聚類中心與該簇中每一條光伏出力序列之間的DSBD取得最小值，如式(2)所示：

(2)

式中Pk為第k類簇；ui為Pk中的第i條光伏出力序列；ck為該方法所提取的聚類中心。

K-Shape算法的整體計(jì)算步驟如表1所示。K-Shape聚類算法可以使光伏出力歷史日數(shù)據(jù)基于整日形態(tài)特征的差異劃分為多個(gè)相似日簇，各簇之間光伏出力具有較大差異，簇內(nèi)光伏出力較為相似。針對(duì)特定的相似日簇建立模型進(jìn)行特征學(xué)習(xí)，可以使預(yù)測(cè)模型的訓(xùn)練更具有針對(duì)性。

1.3 MIC匹配相似日訓(xùn)練子集

MIC是一種新型的相關(guān)性度量方法。相較于pearson系數(shù)等傳統(tǒng)統(tǒng)計(jì)學(xué)方法，該方法能較好地反映數(shù)據(jù)中的非線性相關(guān)性強(qiáng)度且具有較好的魯棒性[22]。根據(jù)MIC的基本原理，對(duì)于待預(yù)測(cè)日某一氣象特征序列S=[s1,s2,…,sn]與歷史日該氣象特征序列T=[t1,t2,…,tn]組成的一個(gè)二元數(shù)據(jù)集D∈R2，將其劃分為x列y行的網(wǎng)格G，則數(shù)據(jù)之間的相關(guān)性可以體現(xiàn)在網(wǎng)格內(nèi)數(shù)據(jù)的分布上，其互信息值為：

(3)

式中p(s,t)為S和T的聯(lián)合概率密度；p(s)和p(t)分別為S和T的邊緣概率密度。

表1 K-Shape算法流程

由于網(wǎng)格G的劃分有多種方案，則互信息值MI(D,x,y)有多種取值。取其中的最大值作為網(wǎng)格劃分G的最大互信息值：

I(D,x,y)=maxMI(D,x,y)

(4)

將求得的最大互信息值歸一化，并求得最大信息系數(shù)如下：

(5)

式中B是一個(gè)關(guān)于樣本規(guī)模n的函數(shù)，通常情況下B=n0.6，分母log2(min(x,y))為歸一化操作。MIC的取值范圍是[0,1]，MIC越大表明該待預(yù)測(cè)日氣象特征與歷史日氣象特征的相關(guān)性越強(qiáng)；反之，則越弱。

通過MIC將K-Shape聚類得到的歷史相似日簇與待預(yù)測(cè)日進(jìn)行基于氣象相似性的匹配，避免歷史日與待預(yù)測(cè)日氣象差異過大引起的誤差。采用MIC匹配歷史相似日簇訓(xùn)練子集具體過程為：

(1)定義待預(yù)測(cè)日n種NWP氣象特征序列(如溫度序列、濕度序列等)組成的矩陣為A=[a1,a2,…,an]，其中向量at(t∈[1,n])為該日第t種氣象序列。定義聚類中心對(duì)應(yīng)氣象特征序列組成的矩陣為B=[b1,b2,…,bn]，其中向量bt(t∈[1,n])為該聚類中心所在簇中所有歷史日第t種氣象序列的均值序列；

(2)通過MIC計(jì)算待預(yù)測(cè)日與聚類中心相應(yīng)氣象特征的相關(guān)性得到相關(guān)性向量M=[m1,m2,…,mn]，其中mt=MIC(at,bt),t∈ [1,n]；

(3)根據(jù)相關(guān)性向量求得待預(yù)測(cè)日與聚類中心的綜合氣象相似度Z如式(6)。選擇綜合氣象相似度最大的聚類中心所在歷史相似日簇作為該待預(yù)測(cè)日的訓(xùn)練子集。

(6)

2 基于相似日匹配及TCN-Attention的預(yù)測(cè)模型

2.1 TCN卷積結(jié)構(gòu)

時(shí)序卷積網(wǎng)絡(luò)是一種序列建模結(jié)構(gòu)，融合了一維全卷積網(wǎng)絡(luò)、因果卷積和擴(kuò)張卷積，有效地避免了循環(huán)神經(jīng)網(wǎng)絡(luò)面臨的梯度消失或者梯度爆炸問題，具有并行計(jì)算、低內(nèi)存消耗、通過改變感受野來控制序列記憶長(zhǎng)短等優(yōu)勢(shì)。

TCN卷積結(jié)構(gòu)如圖2所示。與傳統(tǒng)卷積不同的是，TCN卷積結(jié)構(gòu)允許卷積時(shí)的輸入存在間隔采樣，采樣率為圖2中的d。最下面一層的d=1，表示輸入時(shí)每個(gè)點(diǎn)都采樣，中間層d=2，表示輸入時(shí)每2個(gè)點(diǎn)采樣一個(gè)作為輸入。由此可見，越高的層級(jí)使用的d的大小越大。所以，TCN卷積結(jié)構(gòu)中有效窗口的大小隨著層數(shù)呈指數(shù)型增長(zhǎng)。因此，時(shí)序卷積網(wǎng)絡(luò)用比較少的層，就可以獲得很大的感受野。

圖2 TCN卷積層結(jié)構(gòu)示意圖

由TCN卷積結(jié)構(gòu)可知，該網(wǎng)絡(luò)的記憶長(zhǎng)度，即每個(gè)神經(jīng)元的特征學(xué)習(xí)范圍，與核大小、擴(kuò)張系數(shù)、模型深度均有關(guān)。設(shè)輸入的序列為x，模型設(shè)置的一系列卷積核為f:{0,…,k-1}，則經(jīng)過擴(kuò)張卷積計(jì)算后第s個(gè)神經(jīng)元輸出值的表達(dá)式為：

(7)

式中k為卷積核尺寸；d為擴(kuò)張系數(shù)；“*”為卷積運(yùn)算；f(i)為卷積核中的第i個(gè)元素；xs-d·i為與卷積核中元素對(duì)應(yīng)相乘的序列元素。

2.2 Attention機(jī)制

Attention機(jī)制是對(duì)人腦分配注意力形式的一種模擬，其本質(zhì)是改變隱藏層中特征的權(quán)重[23]。Attention機(jī)制能夠從大量特征中合理地篩選出少量關(guān)鍵特征，并對(duì)他們賦予更多的權(quán)重，減少非關(guān)鍵特征的權(quán)重從而突出關(guān)鍵特征的影響。將Attention機(jī)制與TCN進(jìn)行融合可以更好地突出影響光伏出力的關(guān)鍵特征、提高預(yù)測(cè)精度。Attention機(jī)制結(jié)構(gòu)原理如圖3所示。

圖3 Attention機(jī)制原理示意圖

其中，xt(t∈[0,n])表示TCN網(wǎng)絡(luò)的輸入，ht(t∈[0,n])對(duì)應(yīng)于每一個(gè)輸入通過TCN得到的隱藏層輸出，at(t∈[0,n])為Attention機(jī)制對(duì)TCN隱藏層輸出的注意力權(quán)重，yt(t∈[0,n])為引入Attention機(jī)制的輸出值。Attention機(jī)制的權(quán)重系數(shù)計(jì)算公式可表示為：

et=utanh(wht+b)

(8)

(9)

(10)

式中et表示第t時(shí)刻由TCN網(wǎng)絡(luò)輸出層向量ht所確定的注意力權(quán)重；u和w為權(quán)重系數(shù)；b為偏置系數(shù)；yt為Attention層在第t時(shí)刻的輸出。

2.3 組合預(yù)測(cè)模型設(shè)計(jì)

針對(duì)短期光伏出力預(yù)測(cè)問題，文章將前述相似日匹配方法與引入Attention機(jī)制的TCN模型相結(jié)合，提出一種基于相似日匹配及TCN-Attention的組合預(yù)測(cè)模型(以下簡(jiǎn)稱KTCNA)，模型流程圖如圖4所示。

在相似日匹配階段。首先，通過K-Shape聚類算法基于整日光伏出力形態(tài)特征將光伏出力歷史數(shù)據(jù)劃分為多個(gè)相似日簇；然后，采用MIC計(jì)算待預(yù)測(cè)日NWP數(shù)據(jù)與各個(gè)聚類中心NWP數(shù)據(jù)的相關(guān)性，為待預(yù)測(cè)日匹配訓(xùn)練子集。

圖4 KTCNA組合模型流程圖

在預(yù)測(cè)模型階段，將待預(yù)測(cè)日對(duì)應(yīng)的訓(xùn)練子集及其NWP數(shù)據(jù)輸入到TCN-Attention預(yù)測(cè)模塊中進(jìn)行模型訓(xùn)練，再輸入待預(yù)測(cè)日的NWP數(shù)據(jù)預(yù)測(cè)出光伏出力預(yù)測(cè)值。TCN-Attention預(yù)測(cè)模塊如圖5所示。

圖5 TCN-Attention預(yù)測(cè)模塊

該模塊由輸入層、TCN殘差模塊、Attention機(jī)制、輸出層組成。模塊中每層描述如下：

(1)輸入層輸入歷史相似日訓(xùn)練子集及其NWP歷史數(shù)據(jù)進(jìn)行訓(xùn)練，然后輸入待預(yù)測(cè)日NWP數(shù)據(jù)進(jìn)行預(yù)測(cè)；

(2)TCN殘差模塊在TCN卷積層的基礎(chǔ)上加入了WeightNorm層、激活函數(shù)和Dropout層，并在輸入經(jīng)過兩層TCN卷積層后增加輸入的直接映射。WeightNorm層能有效加快計(jì)算速度，Dropout層使神經(jīng)元隨機(jī)失活防止模型出現(xiàn)過擬合現(xiàn)象。添加輸入的直接映射構(gòu)建殘差連接使模型能夠進(jìn)行更深層次的訓(xùn)練。為了讓模型訓(xùn)練充分，文中模型包含了多個(gè)TCN殘差模塊，并通過加入一個(gè)1×1卷積，解決殘差模塊輸入輸出數(shù)據(jù)可能具有不同維度的問題；

(3)Attention機(jī)制為深層特征自動(dòng)計(jì)算相應(yīng)的權(quán)重分配并與其合并為新的向量。該層輸入為TCN的輸出向量，Permute層將輸入的維度按照給定模式進(jìn)行重排，Multiply層將Attention的輸出與TCN殘差模塊的輸出完成位與位相乘輸出，實(shí)現(xiàn)了對(duì)隱層單元的動(dòng)態(tài)加權(quán)過程，從而突出關(guān)鍵特征對(duì)光伏出力的影響；

(4)輸出層為全連接層，接受來自Attention機(jī)制加權(quán)處理后的輸出向量，將其處理為光伏出力預(yù)測(cè)值。

由此可見，輸入向量從輸入層開始，經(jīng)過多個(gè)TCN殘差模塊處理后進(jìn)入Attention機(jī)制。Attention機(jī)制會(huì)依據(jù)當(dāng)前輸入的向量計(jì)算注意力權(quán)重向量，并將兩者合并得到新的向量，輸入到全連接層中輸出預(yù)測(cè)值。

3 算例分析

文章選取全球能源預(yù)測(cè)競(jìng)賽提供的國(guó)外某地區(qū)光伏電站數(shù)據(jù)集為研究對(duì)象。選取2013年1月1日至2013年12月15日數(shù)據(jù)為訓(xùn)練集，2013年12月16日至12月31日數(shù)據(jù)為測(cè)試集。文中依據(jù)所提KTCNA模型對(duì)測(cè)試集中的待預(yù)測(cè)日進(jìn)行日前預(yù)測(cè)，即根據(jù)NWP數(shù)據(jù)對(duì)未來一天的光伏出力值進(jìn)行預(yù)測(cè)。為說明文章所提出的KTCNA組合模型的有效性，文中與TCN、LSTM和無相似日匹配的TCN-Attention(以下簡(jiǎn)稱TCNA)對(duì)光伏出力的預(yù)測(cè)精度進(jìn)行對(duì)比，并按照簇的劃分，以均方根誤差(Root Mean Square Error，RMSE)和擬合系數(shù)(R2)兩種指標(biāo)對(duì)TCN、LSTM、TCNA和KTCNA的預(yù)測(cè)精度進(jìn)行評(píng)價(jià)。

3.1 數(shù)據(jù)預(yù)處理及預(yù)測(cè)評(píng)價(jià)指標(biāo)

對(duì)原數(shù)據(jù)集按照4種典型的天氣類型進(jìn)行相似日匹配后得到4個(gè)簇，其情況統(tǒng)計(jì)如表2所示。

表2 相似日匹配結(jié)果統(tǒng)計(jì)

為防止各特征量綱不同對(duì)模型的訓(xùn)練造成影響，在輸入模型前對(duì)原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，使其處在(0,1)之間，其計(jì)算公式為：

(11)

式中x為各特征原始數(shù)據(jù)；xmax和xmin為各特征的最大值與最小值；xnormal是標(biāo)準(zhǔn)化處理后的各特征數(shù)據(jù)。

為驗(yàn)證模型的有效性，采用RMSE和R2對(duì)預(yù)測(cè)效果進(jìn)行評(píng)價(jià)，其計(jì)算公式分別如下：

(12)

(13)

3.2 不同方法定量對(duì)比分析

本實(shí)驗(yàn)平臺(tái)硬件配置為處理器是Intel Xeon E5，GPU顯卡是Tesla P100的工作站。模型開發(fā)基于Python語(yǔ)言。實(shí)驗(yàn)中基于TCN的模型在設(shè)計(jì)上均采用7個(gè)殘差模塊，卷積層的卷積核個(gè)數(shù)均設(shè)置為128個(gè)。相對(duì)應(yīng)的，基于LSTM的模型在設(shè)計(jì)上包含了7個(gè)隱藏層，隱藏層的神經(jīng)元個(gè)數(shù)均設(shè)置為128個(gè)。所有模型防止過擬合的dropout率均設(shè)定為0.3。由于LSTM無法進(jìn)行并行計(jì)算，其速度較慢，為最大限度提高LSTM計(jì)算速度，文中采用TensorFlow框架的GPU加速版開發(fā)LSTM模型。詳細(xì)實(shí)驗(yàn)結(jié)果如表3所示。

表3 預(yù)測(cè)誤差定量對(duì)比

3.2.1 待預(yù)測(cè)日各簇整體誤差對(duì)比

圖6為表3中的各簇誤差指標(biāo)平均值的可視化展示。在圖6(a)中，對(duì)于絕對(duì)誤差RMSE而言，KTCNA的誤差在各簇中都是最小的，其效果最好；TCNA與LSTM各具優(yōu)勢(shì)，在簇3與簇4中LSTM誤差較小，而在簇1與簇2中TCNA誤差較??；TCN只在簇2中好于LSTM，在其他簇中的誤差都較大。在圖6(b)中，從擬合系數(shù)R2分析，簇4的擬合程度整體低于其他簇，表明其預(yù)測(cè)難度較大，其中KTCNA擬合程度明顯優(yōu)于其他方法；簇1的預(yù)測(cè)難度較小，各方法均能在該簇取得較好的效果。

圖6 評(píng)價(jià)指標(biāo)平均值對(duì)比

由此可見，文中所提基于相似日匹配的組合模型KTCNA較之其他模型更具有針對(duì)性，在待預(yù)測(cè)日各簇中均能取得較好效果。

3.2.2 各簇中某待預(yù)測(cè)日具體光伏出力預(yù)測(cè)對(duì)比

圖7中分別為TCN，LSTM，TCNA和KTCNA對(duì)簇1中12月19日，簇2中12月18日，簇3中12月16日，簇4中12月23日的光伏出力預(yù)測(cè)曲線。

如圖7(a)，在對(duì)簇1中12月19日的預(yù)測(cè)中，在光伏出力較為平穩(wěn)的情況下，LSTM，TCNA和KTCNA都能相對(duì)穩(wěn)定地進(jìn)行預(yù)測(cè)。就擬合程度而言，KTCNA的R2值為0.965，這表明該方法在出力平穩(wěn)時(shí)具有較好的預(yù)測(cè)效果。

如圖7(b)，在對(duì)簇2中12月18日的預(yù)測(cè)中，KTCNA在大部分采樣點(diǎn)處都能較好地預(yù)測(cè)出力(RMSE為0.045MW，R2為0.976)，但對(duì)于14:00處的波動(dòng)未能預(yù)測(cè)準(zhǔn)確。

如圖7(c)，在對(duì)簇3中12月16日的預(yù)測(cè)中，光伏出力波動(dòng)較大。此時(shí)TCN的預(yù)測(cè)效果顯著降低，但是由于Attention機(jī)制的引入，TCNA和KTCNA的預(yù)測(cè)效果得到了較大提升。

圖7 某日具體光伏出力預(yù)測(cè)誤差對(duì)比

如圖7(d)，在對(duì)簇4中12月23日的預(yù)測(cè)中，光伏出力整體縮減且劇烈波動(dòng)。但是KTCNA(RMSE為0.054 MW，R2為0.733)能夠較好地學(xué)習(xí)到曲線“雙峰”的特征，LSTM(RMSE為0.065 MW，R2為0.615)也能學(xué)習(xí)到該特征，但是效果較差，TCNA(RMSE為0.077 MW，R2為0.481)和TCN(RMSE為0.086 MW，R2為0.333)不能學(xué)習(xí)到該特征。

3.2.3 不同方法整體預(yù)測(cè)效果對(duì)比

文中在考慮預(yù)測(cè)精度的同時(shí)，也考慮到了各方法存在的時(shí)間成本。由于深度學(xué)習(xí)方法的時(shí)間成本在于模型的訓(xùn)練過程，因此文中通過對(duì)各方法訓(xùn)練多次，求取訓(xùn)練時(shí)間的平均值來量化模型的時(shí)間成本。

表4為所有預(yù)測(cè)日的RMSE、R2和模型訓(xùn)練時(shí)長(zhǎng)的平均值。可見，KTCNA的精度是最高的，其RMSE平均值相對(duì)于其他方法分別降低了44.83%、35.35%和20.99%，其R2平均值明顯高于其他方法。對(duì)于模型的平均訓(xùn)練時(shí)長(zhǎng)來說，LSTM模型訓(xùn)練速度最慢，消耗的時(shí)間最長(zhǎng)，其次是TCNA和TCN。得益于相似日匹配的效果，數(shù)據(jù)集復(fù)雜度得到有效降低，在不損失精度的前提下提高了模型訓(xùn)練速度，減少了平均訓(xùn)練時(shí)長(zhǎng)，使得KTCNA精度高、速度快。

表4 不同方法整體對(duì)比

4 結(jié)束語(yǔ)

文章提出了一種基于相似日匹配的TCN-Attention組合預(yù)測(cè)方法。采用K-Shape算法和MIC對(duì)光伏出力數(shù)據(jù)進(jìn)行相似日匹配降低訓(xùn)練集的數(shù)據(jù)冗余，讓模型訓(xùn)練更具有針對(duì)性，有效地減少了模型的訓(xùn)練時(shí)長(zhǎng)。該模型融合了TCN網(wǎng)絡(luò)與Attention機(jī)制，在進(jìn)行特征學(xué)習(xí)的同時(shí)能夠調(diào)整不同深層特征的權(quán)重，與基于LSTM的方法相比，避免了梯度問題并且可以大規(guī)模并行處理數(shù)據(jù)。此外，從預(yù)測(cè)效果可知，文章所采用的方法具有精度高、速度快的特點(diǎn)。

文中采用相似日匹配進(jìn)行預(yù)測(cè)的思想為光伏出力預(yù)測(cè)提供了新的研究思路，具有一定的實(shí)用性。在文章中，僅用該方法進(jìn)行了確定性預(yù)測(cè)，下一步可以考慮將該方法應(yīng)用于光伏出力概率預(yù)測(cè)。