1、2023 年第 36 卷第 3 期Electronic Sci.Tech./Mar.15，2023h t t p s:/j o u r n a l.x i d i a n.e d u.c n收稿日期:2012-09-08基金项目:国家自然科学基金(51507157)National Natural Science Foundation of China(51507157)作者简介:黄圆(1997 )，男，硕士研究生。研究方向:电力市场、新能源发电预测。魏云冰(1970 )，男，博士，教授。研究方向:电力系统自动化、智能运检。基于 VMD 和改进 TCN 的短期光伏发电功率预测黄圆，魏云冰，童东
2、兵，王维高(上海工程技术大学 电子电气工程学院，上海 201620)摘要光伏发电功率存在波动性，且光伏出力易受各种气象特征影响，传统 TCN 网络容易过度强化空间特性而弱化个体特性。针对上述问题，文中提出一种基于 VMD 和改进 TCN 的短期光伏发电功率预测模型。通过 VMD 将原始光伏发电功率时间序列分解为若干不同频率的模态分量，将各个模态分量以及相对应的气象数据输入至改进 TCN 网络进行建模学习。利用中心频率法确定 VMD 的最优分解模态分解个数。在传统 TCN 预测模型的基础上，使用 DropBlock 正则化取代 Dropout 正则化以达到抑制卷积层中信息协同的效果，并引入注意力
3、机制自主挖掘并突出关键气象输入特征的影响，量化各气象因素对光伏发电的影响，从而提高预测精度。以江苏省某光伏电站真实数据为例进行仿真实验，结果表明所提预测方法的 MSE 为 0 62 MW，MAPE 为 2 03%。关键词光伏发电功率;变分模态分解;时序卷积神经网络;DropBlock 正则化;注意力机制;功率预测;时间序列预测;数据分解中图分类号TP183;TN99文献标识码A文章编号1007 7820(2023)03 042 08doi:10.16180/ki.issn1007 7820.2023.03.007Short Term Photovoltaic Power Prediction
4、Based on VMD and Improved TCNHUANG Yuan，WEI Yunbing，TONG Dongbing，WANG Weigao(School of Electronic and Electrical Engineering，Shanghai University of Engineering Science，Shanghai 201620，China)AbstractPhotovoltaic power generation fluctuates，photovoltaic output is easily affected by various meteoro-lo
5、gical characteristics，and traditional TCN networks tend to over enhance spatial characteristics and weaken indi-vidual characteristics In view of these problem，a short term photovoltaic power generation prediction model basedon VMD and improved TCN is proposed in this study The original photovoltaic
6、 power generation time series is de-composed into several modal components of different frequencies through VMD，and each modal component and thecorresponding meteorological data are input to the improved TCN network for modeling and learning The center fre-quency method is used to determine the opti
7、mal decomposition modal number of VMD On the basis of the traditionalTCN prediction model，DropBlock regularization is used to replace Dropout regularization to achieve the effect of sup-pressing information synergy in the convolutional layer，and the attention mechanism is introduced to autonomouslym
8、ine and highlight the impact of key meteorological input characteristics and quantify the impact of various meteoro-logical factors on photovoltaic power generation to improve forecasting precision Based on the real data of a photovol-taic power station in Jiangsu，the simulation experiments show tha
9、t the MSE of the proposed prediction method is0 62 MW and the MAPE is 203%Keywordsphotovoltaic power generation;variational modal decomposition;time series convolutional neuralnetwork;DropBlock regularization;attention mechanism;power forecast;time series forecasting;data decomposition相较于化石能源，光伏发电具有
10、成本低和零污染等特性，在全球得到了迅速发展1。但光伏发电本身易受气象因素影响，因而存在间歇性、波动性和随机性等问题，并网会影响电力系统的稳定性和安全性2。因此，精确的光伏发电功率预测对于光伏发电并网后电力系统的运行、调度、新能源并网消纳以及电网收益具有重要的实际意义3。目前，受复杂的实际环境和气象影响，光伏物理建模法4 和时间序列法5 等传统预测方法的预测精度难以提高，因此研究者更倾向于基于数据驱动的预测方法，主要有支持向量机(Support Vector Machine，SVM)6、极 限 学 习 机(Extreme Learning Machine，ELM)7 等。随着人工智能在各个领域的
11、发展与应24黄圆，等:基于 VMD 和改进 TCN 的短期光伏发电功率预测Electronic Science and Technologyh t t p s:/j o u r n a l.x i d i a n.e d u.c n用，以循环神经网络8 和卷积神经网络9 为代表的深度学习网络已在光伏发电功率预测中取得了较好的效果10。文献 11 利用主成分分析法分析气象数据与光伏发电功率，建立长短期记忆网络(Long Short TermMemory，LSTM)进行预测，但以 LSTM 为代表的循环神经网络在模型训练上耗时过长且存在梯度问题，而时间卷积网络(Temporal Convoluti
12、onal Network，TCN)具有可并行计算的特性，能够有效克服 LSTM 的缺点。目前 TCN 在风电功率预测12、太阳辐射预测13 等领域已取得良好的效果。虽然 TCN 为光伏发电功率预测提供了新思路，但传统 TCN 网络在实际运行中常忽略了输入特征之间的关联性，且其残差模块中的 Dropout 在特征图中无法有效抑制信息协同。针对上述问题，本文提出改进的TCN 网络预测模型。该模型采用 DropBlock 随机归零区域激活单元取代传统 TCN 网络中的 Dropout，可有效抑制信息协同，并构建注意力机制，量化并突出关键气象输入特征影响。针对光伏发电功率时间序列的非平稳性和波动性，在
13、预测前需对序列数据进行预处理。变分模态分解(Variational Mode Decomposition，VMD)可以有效克服模态混叠，且各解析信号的瞬时频率具有实际的物理意义14。本文提出一种基于 VMD 和改进 TCN 的短期光伏发电功率预测方法。利用 VMD 将具有非平稳性的光伏发电功率时间序列分解为不同频率且相对平稳的分量，然后建立各模态分量的改进 TCN 网络预测模型。相较于其他光伏发电功率预测方法，本文所提预测方法预测精度明显提高。1短期光伏发电功率预测模型基于 VMD 和改进 TCN 的短期光伏发电功率预测模型流程分为 4 步，如图 1 所示。步骤 1首先利用 VMD 对光伏发电
14、功率序列数据进行 K 个模态分解，得到模态分量序列;步骤 2为使达到最佳分解效果，采用中心频率法确定最佳模态分解个数;步骤 3将分解后的每个分量输入至改进 TCN网络预测模型，利用 DropBlock 正则化方法抑制 TCN网络卷积层的过拟合并构建注意力机制自主挖掘，量化关键输入特征影响，建立改进 TCN 网络预测模型;步骤 4重构叠加各个分量的预测结果得出最终光伏发电功率预测结果，并与其他预测模型进行误差对比分析。图 1 基于 VMD 和改进 TCN 的短期光伏发电功率预测模型Figure 1 Short term photovoltaic power prediction modelbas
15、ed on VMD and improved TCN2基于 VMD 的光伏发电功率分解VMD 是一种能够有效处理非平稳、波动性信号的自适应信号分解方法15。由于光伏发电功率具有非平稳性、非线性和波动性，因此在进行光伏发电功率预测前需利用 VMD 对其进行时间序列分解，将原始光伏发电功率序列分解为若干个相对平稳且不同频率的光伏功率子序列，以此降低原始光伏功率序列非线性以及非平稳性对预测的干扰，具体实现步骤如下。VMD 将原始光伏发电功率序列信号 f 分解为 k 个模态，但需要满足:(1)分解后的每个模态都具有中心频率;(2)每个模态都为有限带宽分量;(3)每个模态的估计带宽之和为最小。分解后的所
16、有模态之和为原始光伏发电功率序列信号，则相应的约束条件可表示为minKk=1(t)(t)+jt()*uk(t)ejkt22s tKk=1uk=f(t)(1)式中，K 为模态分量总数;(t)代表求偏导;(t)为狄拉克(Dirac)函数;“*”代表卷积运算;uk表示分解出的第 k 个模态分量;k表示第 k 个模态分量的中心频率16;f(t)表示原始光伏发电功率序列信号。34Electronic Science and Technology黄圆，等:基于 VMD 和改进 TCN 的短期光伏发电功率预测h t t p s:/j o u r n a l.x i d i a n.e d u.c n引入 Lagrange 乘子 和二次惩罚因子 m，将约束问题转变为无约束问题，具体计算式如下。L(uk，k，)=m(t)(t)+jt()*uk(t)ejkt22+f(t)Kk=1uk(t)22+(t)，f(t)Kk=1uk(t)(2)利用交替方向乘子法对上式进行求解，各分解分量 uk以及 k的求解表达式为un+1k()=f()ikun+1k()+ni()21+2m(k)2n+1k=0un+1k()2d0u