Page 13 - 电力与能源2022年第二期

柳 杰, 等: 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 1 3
1
———前向
式中 h t ——— BiLSTM 的隐藏状态; h t 接之后进行 3 层堆叠, 再经过 BiLSTM 层、 Dense
BD
LSTM 的隐 藏 状 态; h t ' ———后 向 LSTM 的 隐 藏 层, 最终形成本文的用于光伏出力短期预测的融
状态。 合网络。
1.2 IRD-BiLSTM 的残差块结构

[ 18 ]
依据 ResNet 的 思 想, 本 文 设 计 了 如 图 3
所 示 的 残 差 块 结 构 IRD-ResBlock 。 IRD-Res-
Block 通过 短 路 机 制 进 行 残 差 学 习, 输 出 的 表

达式:
H ( X ) F ( X ) +X ( 8 )
=

图 3 IRD-BiLSTM 残差块的结构( IRD-ResBlock )
1.3 IRD-BiLSTM 的密集连接块结构
IRD-BiLSTM 的 密 集 连 接 块 结 构 如 图 4 所

示, 命名为IRD-DenseBlock 。在这个 DenseBlock
中, 拼 接 ( Concat ) 层 将 本 DenseBlock 的 输 入、
IRD-ResBlock 的 输 出、 IRD-ResBlock 输 出 的
图 5 IRD-BiLSTM 的总体结构
1×1 卷积进行拼接。 IRD-DenseBlock 的输出 表
达式: 2 光伏出力短期预测流程
, , ) ( 9 )
采用图 5 所示的 IRD-BiLSTM 融合网络进
X = H ( H 0 X 1 X 2
行光伏出力短期预测的流程如图 6 所示。首发根
据历史气象数据和历史光伏出力数据进行日气象
类型分类, 分解为晴、 阴、 雨数据子集; 同时对历史
数据进行互信息相关性分析, 获取与光伏出力相
关性强的气象因素。然后通 过 IRD-BiLSTM 网
络进行模型训练, 分别得到对应 3 种气象类型的
图 4 IRD-BiLSTM 密集连接块的结构
光伏出力预测模型。最后, 基于训练得到的预测
1.4 IRD-BiLSTM 的总体结构
模型, 输入未来某日的气象预报数据便可对该日
本文将IRD-ResBlock 及IRD-DenseBlock 进
的光伏出力进行预测。
行堆叠以获得深层网络 IRD-BiLSTM , 其总体结
2.1 日气象类型分类
构如图 5 所示。
相对于不同季节, 不同天气类型条件下的光
由图 5 显示, 该结构中, 每一层将稠密连接子
伏出力值有明显差异, 假定天气类型在一天内保
网与残差子网进行并联, 两个子网的输出进行拼
持不变, 则未来一天的天气类型根据天气预报获
接。其中, 稠密连接子网为短IRD-DenseBlock 与
得, 历史日天气可使用式( 10 ) 进行分类 [ 6 ] , 即根据
长 IRD-DenseBlock 进 行 并 联, 短 IRD-Dense-
每日总太阳能散射辐射量和每日总太阳能辐射量
Block的 LSTM 单元数为 N , 长IRD-DenseBlock
之比来划分。
的 LSTM 单元数则为 4 N ; 残差子网为 3 个IRD-
D d = / ( 10 )
ResBlock 的堆叠。稠密连接子网与残差子网拼 ∑ DHR t ∑ GHR t
t
t