打开文本图片集

摘要：光伏发电因其间歇性和不确定性，对电网的稳定性造成了一定的冲击，因此需要准确的光伏发电预测技术。本文提出了一种基于LSTM-CNN-PSO集成模型的短期光伏发电预测方法，通过粒子群优化（PSO）对长短期记忆 （LSTM）和卷积神经网络（CNN）的预测结果赋予权重，形成一个集成模型。结果表明，相较于单一模型，集成模型的预测精度更高。

关键词：光伏发电预测；集成学习；粒子群优化

随着能源需求的增加和化石燃料的枯竭，光伏发电在发电领域受到了巨大的关注。然而，光伏发电具有一定的随机性、间歇性和波动性，可能对电力系统的稳定运行造成冲击。因此需要准确的光伏发电预测技术。

根据预测范围，光伏发电预测可以分为短期、中期和长期预测三类，短期预测是目前最为流行的一种，其预测范围从几秒到6小时不等，而机器学习技术近年来广泛用于短期光伏发电预测。Kumari等人提出的长短期记忆（LSTM）和卷积神经网络（CNN）的混合模型LSTM-CNN在太阳能辐照预测中比单一模型具有更高的可靠性。王超等人提出了一种基于注意力机制的门控循环单元（GRU）模型，并加入了粒子群优化算法（PSO）对其超参数进行优化，得到了更高的预测精度。谭海旺等人提出的XGBoost-LSTM短期光伏出力预测集成模型也证实了集成模型比单一模型预测更稳定可靠。

本文提出了一种基于LSTM-CNN-PSO集成模型的短期光伏发电功率预测方法，该模型使用PSO计算LSTM和CNN模型的权重，对两个基模型的结果进行加权得到最终的预测结果。

一、模型概述

（一）长短期记忆网络（LSTM）

LSTM模型是循环神经网络（RNN）的一种改进模型，克服了RNN预测过程中的长期依赖问题。LSTM隐藏层的结构如图 1所示，隐藏层中包含了输入门，遗忘门和输出门，这些门单元的相关公式如下：

其中，b和W分别为偏置向量和权重矩阵， σ代表sigmoid函数。而ft是遗忘门的函数，决定是否保留ht-1和xt中历史信息。ot用于决定输出哪些信息，而ht的作用则是更新每一次的输出。

（二）卷积神经网络（CNN）

卷积神经网络（CNN）具有强大的高维数据处理能力，可以提取到数据集中的空间相关性， 图 2展示了本文所使用的CNN的结构，由输入层、卷积层、池化层、Flatten层、Dropout层、全连接层和输出层组成。

卷积层的公式如下：

其中表示第l层的输出映射，表示第（l-1）层第i个通道的特征映射。和分别表示第l层的权重和偏置。Cl和C（l-1）分别表示第l层和第（l-1）层的通道数。

（三）粒子群优化算法（PSO）

粒子群优化算法源于鸟类的捕食行为，通过粒子群内部信息交换的方式，计算出每个粒子的历史最佳位置和速度，并得出所有粒子的历史最佳位置和速度，经多次迭代得到最优解。

（四）LSTM-CNN-PSO集成模型

本文提出了LSTM-CNN-PSO集成模型。该模型通过PSO计算LSTM和CNN的最佳权重组合，加权得到集成模型的预测值。经过PSO的计算，LSTM的权重为0.447。

二、结果讨论

（一）数据集描述及预处理

本文使用的数据集来自澳大利亚的沙漠太阳能中心（DKASC）的20号站点。该数据可以从http：//dkasolarcentre.com.au公开访问。本文选取2015-2016年的数据作为训练集， 2017年全年的数据作为测试集，使用皮尔逊相关性系数进行特征筛选，并删除了数据集中的缺失值。

（二）结果分析

为探究所提出模型的精度，表 1给出了本文所提出的集成模型与单一LSTM、CNN、XGBoost以及LGBM的评价指标。本文提出的LSTM-CNN-PSO集成模型的MAE、RMSE和R2值分别为0.1296、0.2641、96.66%，均为最低。

图 3（a）展示了某一天中各模型的预测结果，可以看出，本文提出的模型预测值与真实值最为接近，且表 1也可以证明该模型的误差最小。图 3（b）将各模型的评价指标更直观地表现了出来， LSTM-CNN-PSO模型所有评价指标均为最优。

三、结论

本文基于LSTM-CNN-PSO集成模型对短期光伏发电功率进行预测，该模型使用LSTM和CNN对光伏发电数据集分别进行独立预测，再通过PSO算法计算两个模型的最佳权重分配。该模型克服了传统基于树的集成模型无法保证基模型多样性的缺点，获得了更准确地预测结果。

参考文献：

[1]王超，刘世明.基于PSO-GRU的光伏电站短期功率预测研究[J].工业控制计算机，2021，34（10）：101-102+105.

[2]谭海旺，杨启亮，邢建春，等.基于XGBoost-LSTM组合模型的光伏出力预测[J].太阳能学报，2022，43（8）：7.

致谢

本论文得到重庆理工大学研究生创新项目资助（No.gzlcx20223301）。