王建铭，侯北平，边 琛

目前随着全球的快速发展，地球上大量不可再生能源被快速消耗，石油等化石燃料消耗的同时，还有伴随产生严重的大气污染和工业垃圾。为符合可持续发展、健康绿色发展的目标，各种各样新型清洁能源已经受到各国越来越广泛的关注。太阳能作为一种取之不尽用之不竭的清洁能源[1]，已经在许多国家被广泛开发使用。伏发电并被大规模接入国家电网。截至2019年底，亚洲地区光伏装机容量为330 131MW，占全球光伏装机容量56.9%；其次为欧洲地区，光伏装机容量为138 266MW，占全球光伏装机容量的23.8%。据国际能源署预测，到2050年太阳能发电将占全球发电总量的20%～25%，将成为人类的基础能源之一。但光伏发电的出力功率主要受太阳辐射影响，太阳辐射由于受到天空中云与太阳之间的距离、气溶胶、风速、风向等气象要素随机性变化影响，具有明显的波动性和不确定性[2]。光伏发电系统相对于地区电网将是一个不可控源，其发电的波动性和随机性会对地区电网造成巨大冲击，导致输出功率的不连续和不确定，从而影响电网稳定、降低电力质量。有些地方为了防止电网波动，就主动舍弃部分太阳能，弃光现象普遍存在。因此光伏功率预测变得尤为重要[3]。在并网过程中，光伏功率预测越准，给电网安全运行带来的影响就越小，有效地帮助电网调度部门做好各类电源的调度计划。这样电网就会减少光伏限电，由此大大提高了电网消纳阳光的能力，从而减少了由于限电给光伏业主带来的经济损失，增加了光伏电站的投资回报率，帮助光伏电站生产人员合理安排光伏电站的运行方式。

1 太阳光照度特点

由于光照度与辐照度高度相关，几乎呈线性关系，限于数据原因，本文使用光照度代替作为实验数据。随着地球对太阳的公转和地球自转，地面光照度会产生周期性变化。太阳光照度在通过地球大气的过程当中会因为通过云层、气溶胶、雾霾等物质而受到削减。排除云层等干扰，一天中地球上同一地点受到的太阳光照度呈先增后减规律性变化。由于早上和傍晚太阳斜射入大气层，经过的大气层路径更长，故早上和傍晚光照度值将高于正午时刻。除规律性外，云层遮挡太阳时会引起光照度的剧烈下降。由于受到高空风速和风向影响，云层的运动方向和运动速度也具有不规则性。

2 网络结构设计

通过上述分析可以发现太阳光照度受到各种天气因素的影响。在机器学习领域有许多时序预测网络。LSTM网络作为一种优秀的时序预测网络，可以利用历史光照度数据来预测，其缺点是模型的可解释性较差，而一维卷积神经网络可以高效提取历史数据中的特征。故将两种网络进行有机融合，来进一步提高预测效果。在正式介绍本文模型前，先简要介绍下LSTM网络与CNN网络。

2.1 LSTM与CNN原理

LSTM(Long Short Term Memory)[4]神经网络是一种RNN神经网络的变体，其增加了一种携带信息跨越多个时间步的方法。在光照度预测中，当T-n时刻的光照度数据进入LSTM网络时，其信息可被传送到更晚的时间步，网络保存了信息以供后面使用，从而防止较早期的信号在处理过程中丢失。

CNN(Convolutional Neural Networks)[5]卷积神经网络可以识别光照度序列中的局部模式。其原理是通过设置卷积核对输入数据局部区域进行卷积计算，从中提取特征信息，并能够将表示模块化，同时可以高效的利用数据。一维卷积神经网络通过对过去某个时间段光照度序列段进行相应的卷积操作，在这个时间段学到的模式可以在后续时间段的位置被识别，其网络在时间序列上具有平移不变性。

2.2 模型构建

本文设计网络模型示意图如图1所示。

图1 基于CNN-LSTM模型预测过程示意图

模型以历史光照度和云层太阳间距离作为模型输入。首先介绍两个输入的参数。本文采用光照度传感器作为光照度采集设备，传感器测量范围为0～2×105 Lux。由于前文提到云层的运动会极大影响光照度值，故本模型引入云层与太阳间的距离作为模型输入，通过手动标注来测量全景天空图像上太阳中心与靠近太阳运动方向云层的边缘距离。将光照度数据和距离数据通过一维卷积神经网络提取后，将提取到的特征进行融合，放入LSTM网络，并进行回归得到最终预测数值。

3 实验分析

由于过深的网络会导致过拟合以及梯度消失等情况，且限于实验数据样本数量，本文使用较为浅层的网络进行测试。首先将数据进行归一化，然后在卷积层设置了10个大小为5的卷积窗口，通过全连接层，将光照度与距离两种特征融合后放入LSTM网络，LSTM网络中设置50个单元。将得到的输出数据展平后经过两层全连接网络，得到最后的回归结果。模型参数如图2所示。

图2 CNN-LSTM模型网络结构

模型损失函数采用均方误差，在网络参数更新上，采用了自适应学习率Adam算法来替代传统随机梯度下降算法，其能够基于训练数据迭代更新网络权重。在双输入双输出模型中，通过测试发现，当调整预测光照度预测距离损失函数值比重为2：1时，整体误差达到最小。为了说明本模型结构设置的合理性，在实验过程中设置3组对比网络，分别为：1）：一维卷积网络部分用全连接网络替代。2）：时序预测网络部分用全连接网络替代。3）：一维卷积网络与时序预测网络部分都使用全连接网络替代，以下表格用中各网络名称用CNN、LSTM、FC代替。本实验采用平台为Win10操作系统，CPU为i5-8300H，GPU为1050Ti，使用Python语言进行实验。实验数据分为训练集，验证集与测试集三个部分，其中包括训练集数据共2 675个，验证集共425个，测试集共172个，数据来源取自杭州地区中午时刻太阳光照度数据。在时间细粒度上，模型通过历史5个数据来滚动预测未来1分钟数据。实验预测结果如图3～6所示。

图3 光照度预测曲线

图4 距离预测曲线

图5 光照度预测误差分布

图6 距离预测误差分布

本次实验误差结果如表格1所示。通过观察表格中的数据结合预测曲线、误差曲线可以发现，CNN网络与LSTM网络对光照度序列特征提取能力明显高于FC网络，实验结果证明一维卷积神经网络在处理时间模式时表现也很好，甚至可以在某些任务下与时序网络媲美。通过观察发现，CNN+LSTM模型预测结果的误差更小，无论在光照度预测还是云层与太阳距离预测上来看，预测误差函数指标RMSE与MAE均低于其他对比模型，具有良好的预测性能。

表1 实验结果评估

4 总结

CNN网络与LSTM模型已经在很多领域获得良好的预测效果，本文将CNN模型与LSTM模型进行有机融合，以RMSE和MAE作为误差参考标准，同时设置不同对比模型进行数据预测效果比较，通过比较可以发现相对于对比模型，本文提出模型的预测精度相对更高。通过观察可以发现在光照度与距离变化的突变值区域，模型并不能非常完美的预测，其原因在于虽然提供了历史时刻的光照度与云层距离太阳之间的距离，但依旧存在云层的运动方向变化、云层的厚度不一等多种不同因素下的干扰，这对于预测产生了较大的影响，针对云层方面还需要通过有机结合云图以及其他气象数据和大气物理模型进行深入分析，从而进一步提高预测精度。