基于VMD和双重注意力机制LSTM的短期光伏功率预测

杨晶显; 张帅; 刘继春; 刘俊勇; 向月; 韩晓言

doi:10.7500/AEPS20200226011

您当前的位置：

首页 >

文章列表页 >

基于VMD和双重注意力机制LSTM的短期光伏功率预测

学术研究 | 更新时间：2025-06-16

- 基于VMD和双重注意力机制LSTM的短期光伏功率预测
- Short-term Photovoltaic Power Prediction Based on Variational Mode Decomposition and Long Short-term Memory with Dual-stage Attention Mechanism
- 电力系统自动化-方正平台 2021年45卷第3期页码：174-182
- 作者机构：
  
  1.四川大学电气工程学院，四川省成都市 610065
  2.国网四川省电力公司，四川省成都市 610041
- 作者简介：
  
  杨晶显(1984—)，女，博士研究生，主要研究方向：新能源预测、电力系统运行与规划。E-mail：yangjxian12@163.com
  张帅(1987—)，男，博士研究生，主要研究方向：电力系统运行与控制、电力市场。E-mail：shuaizhang@stu.csu.edu.cn
  刘继春(1975—)，男，通信作者，教授，博士生导师，IEEE高级会员,主要研究方向：电力系统数据挖掘、稳定与控制，电力市场。E-mail：jichunliu@scu.edu.cn
- 基金信息：
  
  国家重点研发计划资助项目(2018YFB0905200)
- DOI：10.7500/AEPS20200226011
  中图分类号：
- 收稿日期：2020-02-26，
  
  修回日期：2020-08-19，
  
  网络出版日期：2020-11-11，
  
  纸质出版日期：2021-02-10
- 稿件说明：
移动端阅览
杨晶显,张帅,刘继春等.基于VMD和双重注意力机制LSTM的短期光伏功率预测[J].电力系统自动化,2021,45(3):174-182.

YANG Jingxian,ZHANG Shuai,LIU Jichun,et al.Short-term Photovoltaic Power Prediction Based on Variational Mode Decomposition and Long Short-term Memory with Dual-stage Attention Mechanism[J].Automation of Electric Power Systems,2021,45(3):174-182.
杨晶显,张帅,刘继春等.基于VMD和双重注意力机制LSTM的短期光伏功率预测[J].电力系统自动化,2021,45(3):174-182. DOI： 10.7500/AEPS20200226011.

YANG Jingxian,ZHANG Shuai,LIU Jichun,et al.Short-term Photovoltaic Power Prediction Based on Variational Mode Decomposition and Long Short-term Memory with Dual-stage Attention Mechanism[J].Automation of Electric Power Systems,2021,45(3):174-182. DOI： 10.7500/AEPS20200226011.

摘要

提出了一种基于变分模态分解（VMD）和双重注意力机制长短期记忆（LSTM）的短期光伏功率预测方法。针对光伏功率信号的波动性和非平稳性，利用VMD将光伏功率输出分解为不同频率的分量，使用LSTM对各分量进行预测，并在LSTM基础上引入特征和时序双重注意力机制。为自主挖掘光伏功率输出与各气象特征之间的关联关系，避免传统方法依赖于专家经验关联规则阈值的限制，引入特征注意力机制实时计算各气象特征量的贡献率，并对特征权重进行修正；同时，为挖掘当前时刻光伏功率输出与历史时序信息之间的关联关系，引入时序注意力机制自主提取历史关键时刻点信息，提高长时间序列预测效果的稳定性。基于中国西南某实际光伏发电站数据进行预测实验，并与其他方法进行对比，验证了该方法的有效性。

Abstract

This paper proposes a short-term photovoltaic (PV) power prediction method based on variational mode decomposition (VMD) and long short-term memory (LSTM) with dual-stage attention mechanism. Aiming at the fluctuation and instability of PV power signals

VMD is used to decompose the PV power output into different components with different frequencies. LSTM is used to predict the individual components. A dual-stage attention mechanism including the feature attention mechanism and temporal attention mechanism is adopted based on LSTM. For expressing the association between PV power output and various meteorological characteristics and avoiding the limitation of the threshold relying on the expert experience in the traditional method

the feature attention mechanism is introduced to calculate the contribution rate of different meteorological characteristic variables and modify feature weights in real time. Meanwhile

in order to obtain the association between the PV power outputs at the current time and the historical time series

the temporal attention mechanism is introduced to automatically extract historical key time point information

which improves the stability of prediction performance of long-term sequences. The prediction experiment is carried out based on the data of an actual PV power station in Southwest China. The effectiveness of the proposed algorithm is verified by the comparison with other methods.

关键词

Keywords

references

BAE K Y ， JANG H S ， SUNG D K . Hourly solar irradiance prediction based on support vector machine and its error analysis ［J］. IEEE Transactions on Power Systems ， 2017 ， 32 （ 2 ）： 935 - 945 .

CECI M ， CORIZZO R ， FUMAROLA F ， et al . Predictive modeling of PV energy production： how to set up the learning task for a better prediction？［J］. IEEE Transactions on Industrial Informatics ， 2017 ， 13 （ 3 ）： 956 - 966 .

OSPINA J ， NEWAZ A ， FARUQUE M O . Forecasting of PV plant output using hybrid wavelet-based LSTM-DNN structure model ［J］. IET Renewable Power Generation ， 2019 ， 13 （ 7 ）： 1087 - 1095 .

SHENG Hanmin ， XIAO Jian ， CHENG Yuhua ， et al . Short-term solar power forecasting based on weighted gaussian process regression ［J］. IEEE Transactions on Industrial Electronics ， 2018 ， 65 （ 1 ）： 300 - 308 .

SANJARI M J ， GOOI H B . Probabilistic forecast of PV power generation based on higher order Markov chain ［J］. IEEE Transactions on Power Systems ， 2017 ， 32 （ 4 ）： 2942 - 2952 .

张倩，马愿，李国丽，等 . 频域分解和深度学习算法在短期负荷及光伏功率预测中的应用［J］. 中国电机工程学报， 2019 ， 39 （ 8 ）： 2221 - 2230 .

ZHANG Qian ， MA Yuan ， LI Guoli ， et al . Applications of frequency domain decomposition and deep learning algorithms in short-term load and photovoltaic power forecasting ［J］. Proceedings of the CSEE ， 2019 ， 39 （ 8 ）： 2221 - 2230 .

刘杰，陈雪梅，陆超，等 . 基于数据统计特性考虑误差修正的两阶段光伏功率预测［J］. 电网技术， 2020 ， 44 （ 8 ）： 2891 - 2897 .

LIU Jie ， CHEN Xuemei ， LU Chao ， et al . Two-stage photovoltaic power forecasting and error correction method based on statistical characteristics of data ［J］. Power System Technology ， 2020 ， 44 （ 8 ）： 2891 - 2897 .

OGLIARI E ， DOLARA A ， MANZOLINI G ， et al . Physical and hybrid methods comparison for the day ahead PV output power forecast ［J］. Renewable Energy ， 2017 ， 113 ： 11 - 21 .

赵书强，张婷婷，李志伟，等 . 基于数值特性聚类的日前光伏出力预测误差分布模型［J］. 电力系统自动化， 2019 ， 43 （ 13 ）： 36 - 45 .

ZHAO Shuqiang ， ZHANG Tingting ， LI Zhiwei ， et al . Distribution model of day-ahead photovoltaic power forecasting error based on numerical characteristic clustering ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 13 ）： 36 - 45 .

黎敏，林湘宁，张哲原，等 . 超短期光伏出力区间预测算法及其应用［J］. 电力系统自动化， 2019 ， 43 （ 3 ）： 10 - 16 .

LI Min ， LIN Xiangning ， ZHANG Zheyuan ， et al . Interval prediction algorithm for ultra-short-term photovoltaic output and its application ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 3 ）： 10 - 16 .

CHEN Bo ， LI Jinghua . Combined probabilistic forecasting method for photovoltaic power using an improved Markov chain ［J］. IET Generation ， Transmission & Distribution ， 2019 ， 13 （ 19 ）： 4364 - 4373 .

FENG Yu ， HAO Weiping ， LI Haoru ， et al . Machine learning models to quantify and map daily global solar radiation and photovoltaic power ［J］. Renewable and Sustainable Energy Reviews ， 2020 ， 118 ： 109393 .

郑伟民，叶承晋，张曼颖，等 . 基于Softmax概率分类器的数据驱动空间负荷预测［J］. 电力系统自动化， 2019 ， 43 （ 9 ）： 117 - 127 .

ZHENG Weimin ， YE Chengjin ， ZHANG Manying ， et al . Data-driven spatial load forecasting method based on Softmax probabilistic classifier ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 9 ）： 117 - 127 .

谭津，邓长虹，杨威，等 . 微电网光伏发电的Adaboost天气聚类超短期预测方法［J］. 电力系统自动化， 2017 ， 41 （ 21 ）： 33 - 39 .

TAN Jin ， DENG Changhong ， YANG Wei ， et al . Ultra-short-term photovoltaic power forecasting in microgrid based on Adaboost clustering ［J］. Automation of Electric Power Systems ， 2017 ， 41 （ 21 ）： 33 - 39 .

陆继翔，张琪培，杨志宏，等 . 基于CNN-LSTM混合神经网络模型的短期负荷预测方法［J］. 电力系统自动化， 2019 ， 43 （ 8 ）： 131 - 137 .

LU Jixiang ， ZHANG Qipei ， YANG Zhihong ， et al . Short-term load forecasting method based on CNN-LSTM hybrid neural network model ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 8 ）： 131 - 137 .

LIANG Yuxuan ， KE Songyu ， ZHANG Junbo ， et al . GeoMAN： multi-level attention networks for geo-sensory time series prediction ［C］// Twenty-seventh International Joint Conference on Artificial Intelligence （IJCAI-18）， July 13 - 19 ， 2018 ， Stockholm， Sweden： 3428 - 3434 .

许芳芳，杨俊杰，刘宏志 . 基于ST-LSTM网络的位置预测模型［J］. 计算机工程， 2019 ， 45 （ 9 ）： 1 - 7 .

XU Fangfang ， YANG Junjie ， LIU Hongzhi . Location prediction model based on ST-LSTM network ［J］. Computer Engineering ， 2019 ， 45 （ 9 ）： 1 - 7 .

王毅，谷亿，丁壮，等 . 基于EMD-模糊熵和集成学习的电动汽车充电需求预测［J］. 电力系统自动化， 2020 ， 44 （ 3 ）： 114 - 121 .

WANG Yi ， GU Yi ， DING Zhuang ， et al . Charging demand forecasting of electric vehicle based on empirical mode decomposition-fuzzy entropy and ensemble learning ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 3 ）： 114 - 121 .

QING Xiangyun ， NIU Yugang . Hourly day-ahead solar irradiance prediction using weather forecasts by LSTM ［J］. Energy ， 2018 ， 148 ： 461 - 468 .

GAO Ming ， LI Jianjing ， HONG Feng ， et al . Day-ahead power forecasting in a large-scale photovoltaic plant based on weather classification using LSTM ［J］. Energy ， 2019 ， 187 ： 115838 .

WANG Jianxiao ， ZHONG Haiwang ， LAI Xiaowen ， et al . Exploring key weather factors from analytical modeling toward improved solar power forecasting ［J］. IEEE Transactions on Smart Grid ， 2019 ， 10 （ 2 ）： 1417 - 1427 .

焦田利，章坚民，李熊，等 . 基于空间相关性的大规模分布式用户光伏空间分群方法［J］. 电力系统自动化， 2019 ， 43 （ 21 ）： 97 - 102 .

JIAO Tianli ， ZHANG Jianmin ， LI Xiong ， et al . Spatial clustering method for large-scale distributed user photovoltaics based on spatial correlation ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 21 ）： 97 - 102 .

崔宇，侯慧娟，胥明凯，等 . 基于双重注意力机制的变压器油中溶解气体预测模型［J］. 中国电机工程学报， 2020 ， 40 （ 1 ）： 338 - 347 .

CUI Yu ， HOU Huijuan ， XU Mingkai ， et al . A prediction method for dissolved gas in power transformer oil based on dual-stage attention mechanism ［J］. Proceedings of the CSEE ， 2020 ， 40 （ 1 ）： 338 - 347 .

YANG Tongguang ， LI Bin ， XUN Qian . LSTM-attention-embedding model-based day-ahead prediction of photovoltaic power output using Bayesian optimization ［J］. IEEE Access ， 2019 ， 7 ： 171471 - 171484 .

LIU D R ， LEE S J ， HUANG Y ， et al . Air pollution forecasting based on attention‐based LSTM neural network and ensemble learning ［J］. Expert Systems ， 2020 ， 37 （ 3 ）： 1 - 16 .

LIN Zhifeng ， CHENG Lianglun ， HUANG Guoheng . Electricity consumption prediction based on LSTM with attention mechanism ［J］. IEEJ Transactions on Electrical and Electronic Engineering ， 2020 ， 15 （ 4 ）： 556 - 562 .

QIN Yao ， SONG Dongjin ， CHEN Haifeng ， et al . A dual-stage attention-based recurrent neural network for time series prediction ［EB/OL］. ［ 2020-01-14 ］. https：//arxiv.org/abs/1704.02971 https://arxiv.org/abs/1704.02971 .

凌兴宏，李杰，朱斐，等 . 基于双重注意力机制的异步优势行动者评论家算法［J］. 计算机学报， 2020 ， 43 （ 1 ）： 93 - 106 .

LING Xinghong ， LI Jie ， ZHU Fei ， et al . Asynchronous advantage actor-critic with double attention mechanisms ［J］. Chinese Journal of Computers ， 2020 ， 43 （ 1 ）： 93 - 106 .

王粟，江鑫，曾亮，等 . 基于VMD-DESN-MSGP模型的超短期光伏功率预测［J］. 电网技术， 2020 ， 44 （ 3 ）： 917 - 925 .

WANG Su ， JIANG Xin ， ZENG Liang ， et al . Ultra-short-term photovoltaic power prediction based on VMD-DESN-MSGP model ［J］. Power System Technology ， 2020 ， 44 （ 3 ）： 917 - 925 .

ZHAO Yujie ， LI Chaoshun ， FU Wenlong ， et al . A modified variational mode decomposition method based on envelope nesting and multi-criteria evaluation ［J］. Journal of Sound and Vibration ， 2020 ， 468 ： 115099 .

ZHANG Jinliang ， TAN Zhongfu ， WEI Yiming . An adaptive hybrid model for day-ahead photovoltaic output power prediction ［J］. Journal of Cleaner Production ， 2020 ， 244 ： 118858 .

MAJUMDER I ， DASH P K ， BISOI R . Variational mode decomposition based low rank robust kernel extreme learning machine for solar irradiation forecasting ［J］. Energy Conversion and Management ， 2018 ， 171 ： 787 - 806 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于天气相似聚类与QRNN的短期光伏功率区间概率预测

基于负荷尖峰特征LSTM自编码器的窃电识别方法

基于双重注意力LSTM神经网络的可解释海上风电出力预测