Page 11 - 电力与能源2022年第二期

第 43 卷第 2 期 电力与能源
2022 年 4 月 1 1
1
DOI : 10.11973 / dl y n y 202202002

基于残差 密集连接 双向长短期记忆融合网络的
-
-
光伏出力短期预测

柳 杰 , 练小林 , 黄 冬 , 李晓露 , 陈楚靓 2
1
1
2
1
( 1. 国网上海市电力公司长兴供电公司, 上海 201913 ; 2. 上海电力大学 电气工程学院, 上海 200093 )
摘 要: 光伏出力受随机气象因素的影响而具有极大的不确定性, 预测不准将影响配电网系统运行的安全性
和稳定性。提出基于残差 - 密集连接 - 双向长短期记忆融合网络的光伏出力短期预测模型, 按天气类型分类进
行模型训练。算例结果表明, 所提模型在时间序列预测能力及峰值准确性方面都具有良好的性能。
关键词: 光伏出力短期预测; 深度学习; 双向长短期记忆网络; 残差网络; 密集连接网络
基金项目: 国网上海市电力公司科技项目( 5209KZ21002T )
作者简介: 柳杰( 1992 —), 男, 硕士, 工程师, 研究方向为配电自动化和电力调度自动化。
中图分类号: TM62 文献标志码: A 文章编号: 2095-1256 ( 2022 ) 02-0111-06
Short-TermForecastofPVOut p utBasedonResidual-Dense
Connection-BiLSTM FusionNetwork

1 1 1 , 2 2
LIUJie , LIAN Xiaolin , HUANGDon g LIXiaolu , CHENChulian g
( 1.StateGridChan g xin gPowerSu pp l yCom p an y , SMEPC , Shan g hai201913 , China ;
2.SchoolofElectricalEn g ineerin g , Shan g haiUniversit yofElectricPower , Shan g hai200093 , China )

Abstract : Photovoltaicout p utisaffectedb yrandom meteorolo g icalfactorsandhasg reatuncertaint y , whose
inaccuratep redictionwillaffectthesafet yandstabilit yofs y stemo p eration.Thisp a p er p ro p osesashort-term
p redictionmodelofPVout p utbasedonresidual-denseconnection-bidirectionallon gandshort-term memor y
( BiLSTM ) fusionnetwork.Themodelwastrainedaccordin gtoweathert yp es.Thecalculationresultsshow
thatthep ro p osedmodelhasg oodp erformanceintimeseriesp redictionabilit yandp eakaccurac y .
Ke ywords : short-termforecastofPVout p ut , dee p learnin g , bidirectionallon g andshortmemor y network , re-
sidualnetwork , denseconnectionnetwork

光伏系统的输出功率受太阳辐射、 温度、 湿度 率数据相关联来预测光伏出力, 其应用比物理模
等诸多气象因素影响而具有显著的间歇性、 波动 型更为广 泛, 典 型 的 有 自 回 归 滑 动 平 均 法 ( AR-
性和不确定性, 然而光伏出力预测的准确性对电 MA )、 时间序列分析方法 等 [ 4-5 ] 。随着人工智能
力调度运行、 发电计划安排极为重要。随着分布 技术的快速发展, 强大的自主学习能力使其在短
式光伏在配电网的高比例渗透, 光伏出力预测的 期光伏出力预测方面受到广泛关注, 如反向传播
准确性将极大影响配电网运行的稳定性、 可靠性 ( BP ) 神经网络 [ 6-7 ] 、 卷积神经网络 [ 8 ] 、 长短期记忆

和经济性。 网 络 ( Lon g Short-Term Memor y , 简 称
目前常用的光伏出力预测方 法 分 为 物 理 方 LSTM ) 、 时间卷积网络 [ 15 ] 、 生成对抗网络以
[ 11-14 ]
法、 统计方法、 人工智能方法, 以及这些方法的混 及基于几种神经网络的混合方法 [ 16-17 ] 。其中, 基
合 [ 1-2 ] 。物理方法主要有全天空图像预测方法、 数 于 LSTM [ 13 ] 的模型可有效捕捉时间序列的长期
值天气预报方法和卫星图像预测方法 [ 1-3 ] 。在天 依赖关系, 具有更好的新能源发电出力短期预测
气条件稳定的情况下, 物理模型的准确性较高, 但 性能 [ 11-14 ] 。
模型性能极易受到气象变化的影响。统计方法则 在理论上, 增加 LSTM 网络堆叠的层数, 网
基于历史数据通过将待预测的功率输出与历史功 络可进行更加复杂的特征模式提取, 预测的准确