基于超参数优化DCNN-BiGRU的光伏功率预测与气象评估数据

《Sustainable Computing: Informatics and Systems》：Optimized hyperparametric DCNN-BiGRU based photovoltaic power prediction and weather assessment data

　　

• •
  提出了一种基于CNN、残差连接和BiGRU模块的混合模型，以提高光伏（PV）发电预测的准确性。
• •
  提出了一种能够有效利用历史数据和天气预报数据的网络架构。
• •
  通过群体智能优化算法进一步优化网络架构。
• •
  进行了实验验证，并将所提出的模型应用于光伏电站。

引言

随着全球能源需求不断增长以及应对气候变化的紧迫需要，可再生能源已成为推动可持续发展的关键。其中，光伏发电凭借利用半导体材料将阳光直接转化为电能的能力脱颖而出，为人类社会提供清洁可再生能源。在过去十年中，得益于技术进步、成本下降以及有利的政策举措，光伏系统的应用规模急剧增长。到2023年，全球光伏系统累计装机容量已超过286吉瓦（GW），预计到2024年将达到近310吉瓦（GW），凸显了该技术的快速普及和可扩展性。然而，光伏发电固有的波动性和间歇性——很大程度上受到不可预测且变化莫测的天气条件影响——给其并入现有电网带来了重大挑战。提高光伏发电预测的精度对于突破这一瓶颈并促进光伏技术的更广泛采用至关重要。为提升短期光伏发电预测精度，研究人员已探索了多种方法。随着技术的发展，深度学习技术，尤其是循环神经网络（RNN）[1]、[2]、[3]、[4]、[5]、[6]、[7]、[8]、[9]和时序卷积网络（TCN）[10]、[11]、[12]，因其能够有效捕获时间序列数据中的长期依赖关系而受到关注。TCN可以在一定程度上缓解RNN在处理长序列时可能面临的梯度消失问题。然而，单一模型的性能仍然有限，因此融合多种方法的模型可以进一步提升预测能力。混合模型能够有效结合不同算法的优势，以应对光伏发电数据固有的非线性与波动性[3]、[13]、[14]、[15]、[16]。值得注意的是，将卷积神经网络（CNN）与RNN相结合（如CNN-LSTM架构）可以显著提高预测精度，通过有效捕获空间和时序特征[2]、[3]、[8]、[17]。注意力机制使模型能够选择性地关注输入序列中的关键部分，从而捕获更复杂的依赖关系并增强预测性能[1]、[18]、[19]、[20]、[21]、[22]。此外，利用合成天气预报数据结合长短期记忆网络（LSTM），不仅能增强模型对变化气象条件的适应能力，还能提高预测结果的可靠性[6]、[23]、[24]。通过贝叶斯优化和群体智能算法等技术进行超参数优化和网络架构微调，可以进一步提升光伏发电预测的精度和适应性[25]、[26]、[27]、[28]。尽管取得了这些进展，实现高精度和高可靠性的预测仍然具有挑战性。针对先前研究中观察到的局限性，我们比较了CNN、双向门控循环单元（BiGRU）、注意力机制和变分模态分解（VMD）对短期光伏发电预测的影响，最终提出了一种新颖的1DCNN-BiGRU网络模型。图1展示了我们模型的框架：左侧为历史数据，左上角为天气预报数据，模型处理流程位于中心，预测输出功率位于右侧。通过鲸鱼优化算法（WOA）、蜣螂优化器（DBO）和麻雀搜索算法（SSA）对模型架构进行调整以优化预测性能。实验结果证实了我们所提出模型在短期光伏发电预测中的优越性能。本研究的主要创新与贡献可总结如下：（1）我们提出了一种带残差连接的新型1DCNN-BiGRU架构，与主要使用CNN-LSTM或CNN-BiLSTM的先前工作不同（例如[2]、[3]、[4]、[7]、[29]），该架构利用计算效率更高的GRU单元嵌入双向结构中，以更有效地捕获光伏发电数据中的长期时序依赖关系。残差连接的引入进一步缓解了梯度消失问题，使得更深层次、更稳定的网络训练成为可能，这是相较于标准CNN-RNN混合模型的重要改进，因为后者在增加网络深度时往往出现性能退化。（2）为在输入数据有限的情况下增强时序预测精度，我们提出了一种新颖的数据融合策略，超越了简单地将历史数据和预报数据在输入层进行拼接的做法。通过在初始CNN层之后（如图5所示）战略性地设置拼接操作，我们的模型先从历史数据中提取稳健特征，然后再融入未来天气预报数据。这种设计使后续的BiGRU层能够更好地理解历史模式与未来气象条件之间复杂的非线性关系，从而获得更优的预测精度，尤其是在历史数据有限的情况下——这在实际光伏预测中是一个常见挑战。（3）使用五年真实数据提供了全面的实证评估，包括严格的消融实验以分离每个组件（如CNN层、融合时机等）的贡献。此外，与近期在时序预测领域崭露头角的最新TCN模型进行了对比分析，但后者尚未经过与混合CNN-RNN架构在该特定应用领域的全面基准测试。本文组织结构如下：第2节介绍相关文献，第3节介绍CNN和BiGRU模块以及所提出的1DCNN-BiGRU模型，第4节介绍用于为所提模型选择最佳超参数的三种优化器，第5节比较所有涉及模型的性能，包括数据集和性能评估标准，第6节展示结果与讨论。

章节片段

深度学习方法

深度学习技术的快速发展为时间序列预测带来了新的机遇。例如，尹等人[7]提出了一种加权全连接回归网络来预测光伏发电。与传统方法相比，深度学习具有更强的非线性建模和自适应能力，使其非常适合处理复杂的时间序列数据[7]、[30]。循环神经网络（RNN），包括LSTM和门控循环单元（GRU），已被广泛应用于

1DCNN-BiGRU

所提出的模型CNN-BiGRU将CNN和BiGRU整合为一个端到端神经网络，以优化数据处理流程并增强模型性能。通过串联卷积层、池化层和GRU组件，该模型能够从不同角度和时间尺度捕获数据特征，从而实现更精确的数据分析和预测能力。该复合模型有效利用了空间特征提取和时序信息处理的优势，

超参数优化

利用智能算法进一步确定网络架构。超参数优化的主要目标是找到使验证集上预测误差最小化的参数组。该优化的目标函数定义为在训练集上训练模型后，在验证数据集上计算的均方根误差（RMSE）。因此，优化问题可表述为：$$\underset{\Theta }{min}{\mathrm{RMSE}}_{\mathrm{val}}\left(\Theta \right)=\underset{\Theta }{min}$$

数据集

实验数据收集自温州的一个光伏电站，包括实测数据和天气预报数据。该电站的经纬度坐标为（120, 28）。实测数据从2017年1月1日收集至2018年12月31日，而天气预报数据从2017年1月1日记录至2019年6月12日。两类数据的时间分辨率均为15分钟，总数据量为69984个数据点。选择该数据集是因为其经过充分验证，

结论

用于时间序列的深度学习方法为光伏发电提供了重要的技术支持。本文提出了一种新的光伏发电预测混合方法，即1DCNN-BiGRU。由于光伏发电具有复杂性和非线性特征，1DCNN-BiGRU模型分别利用CNN和GRU对时间序列进行空间特征提取和时序特征提取。利用天气预报数据引导1DCNN-BiGRU

CRediT作者贡献声明

罗晟：撰写——初稿、软件、资源、方法论、正式分析、数据整理。吕东阳：撰写——审阅与编辑、软件、资源、概念构思。王浩：撰写——初稿、可视化、验证、软件、资源、正式分析、概念构思。徐金华：可视化、验证、软件、资源、方法论、调查研究、资金获取、正式分析。王德佳：撰写——审阅与编辑、可视化、软件、

利益冲突声明

作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：Rashid Abbasi报告由温州大学提供支持。Rashid Abbasi报告与温州大学存在以下关系：。Rashid Abbasi有一项待申请专利提交至NA。NA 若有其他作者，他们声明不存在已知可能影响本文所报告工作的竞争性财务利益或个人关系。

致谢

资金声明：不适用。

罗晟|吕东阳|王浩|徐金华|王德佳|刘美佳|Rashid Abbasi|Md Belal Bin Heyat