一种基于LSTM的多功能序列预测框架设计

背景及需求分析

风电和光伏发电功率具有较强的随机性和波动性，大规模新能源并网运行给电网调度部门的调峰调频工作带来了新的挑战。通过预测，新能源出力将从未知变为基本已知，调度运行人员可根据预测的波动情况，合理安排应对措施，提高电网的安全性和可靠性，改善电网调峰能力，增加新能源的并网容量。2009年我国首套风电功率预测系统在吉林电网调度中心正式上线运行，风电功率预测逐渐成为风电并网调度日常工作的重要内容。紧跟风电功率预测步伐，2010年我国首套光伏发电功率预测系统在宁夏电网调度中心正式上线运行，光伏发电功率预测也成为新能源发电并网调度日常工作的重要内容。

在我国，短期预测主要为调度部门制定发电计划服务，那么短期预测就应该与发电计划制定的时间空间要求一致，国家标准《风电场接入电力系统技术规定》和能源行业标准《风电功率预测功能规范》中均规定短期预测的时间长度为未来0-72小时，时间空间分辨率也与我国的电力调度运行控制分辨率保持一致，每个风电场提供每15分钟一个预测数据。超短期预测主要为调度部门的实时调度服务，由于我国的电源结构以火电为主且缺少快速调节的电源，需要火电参与电网调频，而火电机组的启停时间至少需要4个小时，因此标准中规定超短期预测的时间长度为未来0-4小时，为火电参与电网调节预留时间，时间分辨率为15分钟。

因此，设计一款支持快速开发、部署、多功能（短期和超短期）切换灵活多变的序列预测框架的必要性呼之欲出。

基于LSTM多功能序列预测框架设计

模型整体由编码器（Encoder）、解码器（Decoder）、条件层（Conditionality）以及融合层（Fusion）组成，编解码作用与seq2seq模型一致；融合层可选SUM、DOT、CONCAT等算子，实现抽象层面的长程关联；条件层对预测输出加入一定限制，例如对单站光伏出力进行NvM预测，待预测的未来M天天气预报信息可作为条件，融合进模型后，精准调节M天实预测输出，使模型适应因未来天气突变导致的光伏出力的潜在突变，单站光伏出力强度与天气因素关联如下图所示，

                                            不同天气下光伏发电曲线

以上这些模块不同组合方式可支持不同场景下的序列预测需求，例如Nv1(N个输入1个输出)、NvM（N个输入M个输出）、1vM（1个输入M个输出）、NvM|C（一定条件下N个输入M个输出）、短期、超短期以及稍长期序列预测。

Loss设计

实践中发现短期、超短期预测中，不同Loss设计对预测精度影响较大，尤其对单站光伏出力预测，选择合适的loss函数对预测效果事半功倍，单站光伏出力主要发生在如出到日落白天时间，之外的时间段光伏出力趋近于0，要求模型对白天出力预测更加精准，晚间预测精度要求可不做要求（极端情况下，晚间预测准确率0%，可根据领域知识将预测值设定为常数0，此时准确率亦~100%）,因此这里设计加权均方误差（WMSE）loss、加权绝对误差（WMAE）loss，实践中如果完全忽略零值区域拟合，导致零值区域噪声过大，因此可同时引入eps适当增加零值区域loss贡献；考虑到可将光伏出力0值误差设定为不贡献loss，也设计了绝对误差零值掩码loss和均方差零值掩码loss。各loss表达式如下

实践与评测

选取某地单站光伏真实出力数据，把2021.08—2022.08生产数据作为训练数据，对2022.09.05—2022.09.15进行预测评估，训练数据特征维度如下，其中pv表示光伏出力标的。

（1）不同Loss函数，epochs=20，eps=0，收敛如下

（2）不同Loss函数，epochs=20，eps=0.02，预测如下

（3）评测量化

---

本文来源于微信公众号“ 野马逐星 ” 。更多内容与最新技术动态尽在公众号发布。

关注回复关键词有惊喜，例如 svm,face,lstm,xgboost等