《Array》:Robust Multi-scale LSTM for Reliable and Intelligent Photovoltaic Power Forecasting
编辑推荐:
本研究针对光伏发电因气象条件导致的波动性和随机性问题,提出了一种结合鲁棒主成分分析(RPCA)预处理与多尺度长短期记忆网络(RMS-LSTM)的预测框架。通过RPCA进行数据降噪和特征提取,并构建双分支LSTM结构捕捉短期波动与长期趋势,结合自注意力机制优化特征融合。实验结果表明,该方法在国能数据集上RMSE低至4.9482,显著优于传统模型,为高比例新能源电网的稳定调度提供了可靠技术支撑。
随着全球能源转型加速,光伏发电作为核心可再生能源装机容量已突破1.4太瓦,中国贡献近半份额。然而,光伏出力高度依赖光照强度、云层变化等气象因素,其间歇性和随机性给电网安全运行带来严峻挑战。传统物理模型依赖精确系统参数,统计方法对突变天气适应性差,而普通LSTM模型在复杂气象条件下存在泛化能力不足的问题。如何构建兼顾短期波动响应与长期趋势捕捉的鲁棒预测模型,成为提升新能源消纳能力的关键难题。
针对这一挑战,本研究提出鲁棒多尺度长短期记忆网络(RMS-LSTM)预测框架。首先采用鲁棒主成分分析(RPCA)将原始光伏功率数据分解为低秩矩阵(表征日/季节性规律)和稀疏矩阵(捕获异常波动),通过交替方向乘子法(ADMM)迭代优化实现数据净化。基于预处理数据,构建双分支网络结构:主分支采用三层双向LSTM(BiLSTM)以96时间步长捕捉日内精细变化,辅助分支通过自适应池化将序列压缩至4时间步长提取长期趋势。最后引入自注意力机制动态加权多尺度特征,采用均方误差(MSE)损失函数和Adam优化器进行端到端训练。
关键技术方法包括:①RPCA-ADMM数据预处理流程;②多尺度BiLSTM网络架构设计;③自注意力特征融合机制;④基于国能竞赛数据集(2017-2018年三座电站数据)的验证方案,选取辐照度(GHR)、湿度(WRH)等4个强相关特征(Spearman相关系数>0.32),以96历史样本预测未来15分钟出力。
3.1. RPCA算法效果
通过对比实验验证RPCA预处理可使均方根误差(RMSE)从7.90降至4.95,平均绝对误差(MAE)从3.80降至2.52。如图8所示,经RPCA处理后的预测曲线在低功率区滞后现象显著改善,高功率区波动幅度减小,证明其有效分离噪声与趋势成分。
4.4. 模型对比验证
在三个电站数据集上,RMS-LSTM平均RMSE(0.1154)较支持向量机(SVM)、反向传播神经网络(BPNN)等传统方法降低36%-44%,较双向LSTM(BiLSTM)降低16%。与最新时序模型(Transformer、Mamba等)相比,其RMSE仍保持5%以上优势,且决定系数R2达0.9776,表明对非线性特征具有更强解释力。
4.5. 消融实验分析
移除注意力模块导致WMAPE从6.2%升至6.7%,单独使用LSTM模块的单一尺度模型RMSE恶化至10.99。如图10所示,完整模型在功率陡变区间仍能紧密跟踪真实值,证明多尺度结构与注意力机制对复杂波动模式的协同捕捉能力。
本研究通过RPCA预处理与多尺度LSTM的深度融合,有效解决了光伏功率序列中噪声干扰与多时间尺度特征提取的难题。实验表明该方法在突变天气条件下仍保持稳定性能,其3.1毫秒的单步推理速度满足电网实时调度需求。尽管未考虑灰尘积聚等环境因素,但所提框架为高比例新能源电网的功率预测提供了兼顾精度与鲁棒性的解决方案,对促进可再生能源消纳具有重要实践意义。