基于LSTM网络模型的光伏发电功率短期预测系统

基于LSTM 网络模型的光伏发电功率短期预测系统
DOI ：10.19557/ki.1001-9944.2024.04.006
常振成，游国栋，肖梓跃，李兴韫
（天津科技大学电子信息与自动化学院，天津300222）
摘要：光伏发电受天气因素影响，具有明显的间歇性和波动性特征。

该文提出了一种基于
LSTM 网络模型的光伏发电功率短期预测方法，该方法以STM32单片机为控制核心，实时采
集光照辐度、温度、相对湿度、风速等数据。

利用相关系数法筛选相关度较高的因素，作为
LSTM 网络模型的输入变量，对未来光伏发电功率进行短期预测。

MATLAB 仿真实验结果表
明，该文所提方法与其他预测模型相比具有较高的预测精度，在晴天与多云天气下预测的
MAPE 值分别为4.943%和4.997%，有利于我国电力系统的稳定运行和电网工作人员的调度。

关键词：STM32单片机；短时预测；LSTM 网络模型；实时采集；光伏发电功率中图分类号：TM615；TP18
文献标识码：A
文章编号：１００１鄄９９４４（２０24）04鄄００26鄄０5
Short 鄄term Power Prediction System for Photovoltaic Power Generation Based on LSTM Model
CHANG Zhencheng ，YOU Guodong ，XIAO Ziyue ，LI Xingyun
（School of Electronic Information and Automation ，Tianjin University of Science &Technology ，Tianjin 300222，China ）
Abstract ：Photovoltaic power generation is af fected by weather factors and has obvious intermittent and fluctuating characteristics.In this paper ，a short 鄄term prediction method of photovoltaic power generation based on LSTM network model is proposed ，which uses STM32microcontroller as the control core to collect data such as radiance ，tempera 鄄ture ，relative humidity ，and wind speed in real time.The correlation coefficient method is used to screen the factors with high correlation and use them as input variables of the LSTM network model to make short 鄄term predictions of future photovoltaic power generation.The results of MATLAB simulation experiments show that the proposed method has high prediction accuracy compared with other prediction models ，and the MAPE values predicted in sunny and cloudy weather are 4.943%and 4.997%respectively ，which is conducive to the stable operation of China ’s power system and the dispatch of power grid staff.
Key words ：STM32MCU ；short 鄄term forecasting ；LSTM network model ；real 鄄time collection ；photovoltaic power generation
收稿日期：2023-11-14；修订日期：2024-03-06
基金项目：天津市应用基础与前沿技术研究计划项目（13JCZDJC29100）；天津市重点研发计划项目（17YFZCNC00230）；大
学生创新创业计划项目（202310057101）
作者简介：常振成（2002—），男，本科，研究方向为新能源并网发电；游国栋（通信作者）（1973—），男，硕士，教授，研究方向
为新能源并网发电。

由于一次能源的大量使用，全球出现能源危机。

太阳能作为一种来源丰富的清洁能源，利用太阳能进行光伏发电受到各个国家的重视。

2022年全球光伏新增装机230GW ，同比增长35.3%，累计装
机容量约1156GW ，同时也反映了光伏发电技术具有广阔的应用前景[1]。

按照预测时间期限的不同，光伏发电功率预测方法可分为长期预测、中期预测、短期预测、超短期预
测[2]。

短期预测的预测时间尺度为4～72h，预测结果时间分辨率为15min；超短期预测的预测时间尺度为0～4h，预测结果时间分辨率为15min，每15min 滚动预测。

以长远发展的眼光来看，短期功率预测算法的研究不仅有助于减少光伏发电弃用量，还能够帮助优化电力系统的度与管理[3]。

按照预测原理的不同，光伏发电功率预测可划分为物理预测、统计预测及人工智能预测等方法[4]。

文献[5]中提出一种基于自适应神经模糊推理系统（adaptive network鄄based fuzzy inference system，AN鄄FIS）的光伏发电功率预测模型在不断变化的天气条件下预测光伏发电功率；文献[6]中提出一种基于确
定性预测的概率模型对光伏电站日前逐时发电进行预测。

在深度学习中，由于可以从大量的样本中挖掘出更多的规律，因此，深度学习一直是国内外研究人员关注的热点。

长短期记忆网络（long鄄short term memony，LSTM）是循环神经网络（rerrent neural network，RNN）模型的一种变体形式，解决了RNN模型在训练过程中容易出现梯度消失而无法继续提高模型精度的问题。

为解决电力系统中对未来发电功率的预测不准确的问题，本文提出一种基于LSTM网络模型的光伏发电功率短期预测系统。

通过对采集的数据进行预处理，利用相关系数法计算各个天气因子与光伏发电功率间的相关系数，筛选出对光伏发电功率影响较大的因子，将这些因子作为LSTM网络模型的输入变量。

1光发电功率预测流程
1.1数据采集
影响光伏发电功率的天气因素主要包括：光照辐度、温度、相对湿度、风速、云量和气压等。

本文通过STM32单片机采集模块，对河北某发电站2022年7月1日至2023年6月30日的光照辐度、温度、相对湿度、风速以及太阳能电池板的光伏发电功率进行采集。

光伏发电厂的输出功率和气象数据均为全天记录，采样时间间隔15min。

利用光伏发电数据采集装置实时获取数据并记录，采集装置如图1所示。

该设备是以STM32单片机为基础，通过搭载光照辐度、温度、相对湿度、风速传感器，可以完成对太阳能电池板周围的光照辐度、温度、相对湿度、风速等信息的数据的实时采集，并且本文采用的各种传感器相互独立，不易出现数据失真、相互干扰等问题，在接收到数据以后，STM32单片机还可以将其进行长时间的存储。

采集系统的具体工作流程为
（1）每日从6：00～20：00，每隔15min进行一次数据采集，经模数转换器（analog to digital converter，ADC）变换后，存储于STM32单片机内；
（2）通过微控制单元（microcontroller unit，MCU）对电流和电压两者数据进行相乘，从而获得光伏发电功率，并进行记录存储；
（3）将采集的数据返回至终端并在OLED屏幕上实时显示上述数据；
（4）一天中的其他时间，系统并不工作；
（5）每次工作结束后，利用串口将STM32单片机中的数据进行记录并存储入PC机里。

1.2数据预处理
1.2.1数据集分析介绍
本文以河北某光伏发电厂为例，数据包含2022年7月1日至2023年6月30日整一年的气象数据（光照辐度、温度、相对湿度、风速以及光伏发电功率等），现随机选择一天（如2022年7月30日）的采集数据如表1所示。

1.2.2数据归一化处理
为了消除数据计算过程中出现的维数不一致、结点饱和、数据量纲之间影响过大以及计算量较大等问题，该方法针对各项数据的特性，采用归一化处理的方法。

将数据集中的所有特征变量和输出变量都统一归一化到［0，1］范围内。

归一化公式为
x′＝x-x min
x max-x min
（1）式中：x′为各组数据的归一化处理后的结果；x max和
图1光伏发电数据采集装置
Fig.1Photovoltaic power generation data
acquisition
device
表1河北某光伏发电系统运行日志
Tab.1Operation log of a photovoltaic power
generation system in Hebei
x min 分别为每组数据的最大值和最小值；x 为各组数
据的实际值。

1.2.3气象因素相关性分析
影响光伏发电功率的气象因素众多，若是全部
都进行考虑，势必会影响到预测模型的运行速度[7]，为了减少数据维度过高、统计指标过多对预测模型运行速度的影响，需要在进行LSTM 预测模型训练前先筛选出光伏发电的主要气象影响因素。

本文采用Pearson 相关系数对所得气象数据与光伏发电功率之间进行相关性分析，其中Pearson 相关系数公式表示如下：
p xy =
∑n
i=１（x i -x
軃）（y i -y 軃）∑n i=１（x i -x 軃）2∑n i=１（y i -y 軃）
2
姨（2）
式中：p xy 为Pearson 相关系数；x i 表示序列x 的第i
个分量，x
軃=１n
∑n
i=１x i ；y i 表示序列y 的第i 个分量，y 軃=１n ∑n i=１
y i。

随着p xy 的增大，数列x 与数列y 的关系将会变得更加密切。

p xy 越趋近于1，表明两者之间的相
关程度越好反之则相关程度越差。

计算各影响因子与光伏发电功率间的相关系数，计算结果如表2所示，各因素影响趋势如图2所示。

通过表2可知，光照辐度、温度与光伏发电功率呈正相关，尤其光照辐度对光伏发电功率的影响最大，其次是温度，而相对湿度和风速与光伏功率呈负相关关系。

通过对比各气象因子的相关系数，本文选择光照辐度、温度、相对湿度作为LSTM 网络模型的输入变量。

1.2.4基于层次分析法确定权重
层次分析法是在进行定量分析时经常使用的
一种客观赋权法，在进行光伏发电短期功率预测综合评价的时候，这种方法能够根据各个指标本身的离散性进行赋权，是一种解决多目标的复杂问题的定性
与定量相结合的决策分析方法，结果比较公正客观，避免了主观因素的影响[7-8]。

本文使用层次分析法对几种天气情况进行权重确定，结果如表3所示。

通过表3可知，本文通过层次分析法对气象因子进行权重计算，用算术平均法、几何平均法、特征值法分别得出各气象因子的权重，所得权重的平均值分别为0.4748、0.2950、0.2302。

其中光照辐度所占光伏发电功率的权重影响最大，其次是温度，相对湿度所占光伏发电功率的权重影响最小。

通过计
算得出这3种方法所求权重的平均值，并将其作为网络模型的更新权重。

时刻
光照辐度
/（W ·m -2）
温度/（℃）
相对湿度/%
风速
/（m ·s －1）功率
/（kW ）
6:00
626.4751.440.1606:151026.2450.630.530.046:305226.0349.730.380.356:458726.8049.870.270.95…
…
…
…
…
…
18:4512527.1743.050.76 1.8519:007927.3944.450.520.8619:156526.8645.680.670.5819:304326.7945.930.740.2419:45826.5245.950.270.0320:00626.46
46.250.320
表2
气象因素与光伏功率之间的相关系数
Tab.2Correlation coefficient between meteorological
factors and photovoltaic power
变量光照辐度
温度
相对湿度
风速
光伏输出功率
0.99090.6213-0.5343-0.1630
相关系数p xy
图2各因素影响趋势
Fig.2Factors influence trends
10005000光照辐度/（W ·m -2）0
510
152025
3035时间尺度/（15min ）
40200-2010050042020100温度/（℃）相对湿度/（％）
风速/（m ·s -1）风力/（k W ）×103
表3
光伏发电中气象因子的各项权重
Tab.3Weights of meteorological factors in
photovoltaic power generation
气象因子权重
算术平均法
几何平均法
特征值法
光照辐度 0.4750 0.4742 0.4752温度 0.2949 0.2953 0.2948相对湿度
0.2301 0.2305 0.2300
2
基于LSTM 的光伏短期功率预测模型
2.1
长短时记忆网络结构
长短期记忆网络是RNN 模型的一种变体，
RNN 模型由于梯度消失的原因只具有短期记忆，无法继续提高模型精度，LSTM 网络模型通过精妙的门控制将短期记忆与长期记忆结合起来[9]。

LSTM 网络模型的单元结构如图3所示。

2.2建模流程
建立LSTM 短期光伏功率预测模型有两个关键
因素，一个是选取模型输入变量以及各项数据的预处理，另一个是模型参数的构建[10]。

构建光伏发电短期功率预测的LSTM 网络模型，要对网络的4个参数分别进行选择，即输入层的单元个数、输入层的时间步长数、隐藏层的数量以及输出层个数，然后对参数进行验证。

在此基础上，对已有的数据进行预处理，采用基于随机梯度的批量算法对训练得到的LSTM 算法中的权重等参数进行动态调节，最终得到损失最小的LSTM 网络模型。

光伏发电功率预测LSTM 模型建立流程如图4所示。

3
光伏发电功率预测系统仿真验证
3.1
评价指标的选择
对预测模型的评估以及对实验数据进行的定量
分析，可以反映光伏功率预测的有效性。

本文选择的评价指标为均方根误差（root mean square error ，RMSE ）、平均绝对误差（mean absolute error ，MAE ）和平均百分比误差（mean absolute percentage error ，MAPE ）。

3.2光伏发电功率模型预测
本文采用LSTM 网络模型对晴天、多云两种不同
天气条件下的光伏发电功率进行预测，并将预测结果与RNN 、门控循环单元（gate recurrent unit ，GRU ）两种预测模型以及实际功率进行比较。

本实验选择
4月11日、4月21日这两天作为预测日期，天气类型为晴朗、多云。

选取4月1日至10日、4月11日
至20日的历史发电数据作为两种天气类型的训练数据。

实验过程以15min 为采样时间间隔，采样时间段为6：00～20：00，并采用滚动预测。

以次日各预测点的实际输出功率与预测功率进行对比，当预测精度不满足要求时，以预测点的实际功率和实测天气数据重新作为模型输出量，下一个预测点的功率进行修正预测[11-13]。

晴天与多云天气的预测结果如图5、图6所示。

预测模型误差指标数据如表4所示。

图3LSTM 单元结构
Fig.3LSTM unit structure
输出循环
循环输入
循环
输入
输入门
σ
i
z g
h
块输入
输入
循环
输出门
σo y 窥视孔
遗忘门循环
输入
f
记忆
细胞
c
块输出σ
图4
光伏发电功率预测LSTM 模型建立流程
Fig.4Photovoltaic power generation prediction
LSTM model establishment flow chart
图5晴天天气下光伏发电模型预测曲线
Fig.5Prediction curve of photovoltaic power
generation model in sunny weather
1412
1086420输出功率/（k W ）
67
8
91011121314151617181920
时间/h
实际值
LSTM GRU RNN
实测气象数据
历史发电功率
数据预处理及转化输入LSTM 网络模型
实验训练及验证模型
测试和评估模型
精度符合要求？
调整模型参数
输出预测结果
结束
Y
N
在晴天天气中，光伏发电功率较大，规律性强，多云天气下，由于太阳能电池板上的光强较弱、大气温度较低且有云层遮挡，光伏系统的发电效率较低，规律性弱。

但无论在晴天天气还是多云天气，LSTM 预测曲线比其他两种预测模型更接近实际输出功率曲线，预测效果最好。

RNN 和GRU 的预测曲线比较接近，但与实际曲线偏离较大，说明RNN 和GRU 模型的预测结果较差。

由表4可知，LSTM 网络模型的预测误差波动相对较小。

与GRU 模型和RNN 模型相比，在晴天天气下，均方根误差分别降低2.508%和3.605%，平均绝对误差分别降低2.161%和2.913%，平均绝对百分比误差分别降低3.751%和5.594%。

在多云天气下，均方根误差分别降低2.802%和3.872%，平均绝对误差分别降低2.479%和3.112%，平均绝对百分比误差分别降低4.628%和7.570%。

且LSTM 网络模型的平均绝对百分比误差（MAPE ）在不同天气下均小于5%，预测精度较高，误差较小，训练有效且符合实验需求。

4结语
针对电力系统中对未来发电功率的预测不
准确的问题，本文提出一种基于LSTM 网络模型的
光伏发电功率短期预测系统，并通过仿真模拟进行验证。

结果表明，利用Pearson 相关系数筛选相关度较高的因素对光伏发电功率影响较大的天气因子，为
LSTM 网络模型的输入变量提供了可靠的数据支撑。

对光伏发电功率影响较大的变量数据输入预测模型，并对LSTM 模型参数进行调整，提高了模型的预测精度。

将RNN 、LSTM 、GRU 三种网络模型在晴天和多云天气下进行仿真实验，本文所提出的LSTM 网络模型具有较小的误差值，得到的预测精度最高，实验符合预期结果。

参考文献：
[1]
陈元峰，马溪原，程凯，等.基于气象特征量选取与SVM 模型参数优化的新能源超短期功率预测[J].太阳能学报，2023，44（12）：
568-576.[2]陈龙，张菁，张昊立，等.基于VMD 和射箭算法优化改进ELM 的短期光伏发电预测[J].太阳能学报，2023，44（10）：135-141.[3]
周家亿，赵双双，王忠东，等.结合用户画像的DTW 鄄MANN 鄄FM 分布式光伏短期出力预测模型[J].太阳能学报，2023，44（9）：
187-193.
[4]吴珺玥，赵二刚，郭增良，等.基于Spearman 系数和TCN 的光伏出力超短期多步预测[J].太阳能学报，2023，44（9）：180-186.
[5]
Li P ，Zhou K ，Lu X ，et al.A hybrid deep learning model for short 鄄term PV power forecasting [J].Applied Energy ，2020，259：1-11.
[6]Jimenez F A L ，Olarte T S ，Santamaria Z J P ，et al.Probabilistic photovoltaic power forecasting model based on deterministic fore 鄄casts[J].E3S Web of Conferences ，2020，152：1-5.
[7]潘思佳，徐潇源，严正，等.基于多仿射决策规则的电-氢耦合系统多阶段鲁棒优化调度[J].电力系统自动化，2023，47（20）：42-
52.
[8]谢小瑜，周俊煌，张勇军，等.基于W 鄄BiLSTM 的可再生能源超短期发电功率预测方法[J].电力系统自动化，2021，45（8）：175-
184.
[9]金黎明，周宁，冯丽，等.光伏发电系统的时序概率模型研究[J].电力建设，2016，37（7）：27-32.
[10]陈骏嚎，张娜，刘广忱，等.基于EOSSA 鄄ELM 的光伏短期输出功
率预测[J].可再生能源，2022，40（7）：890-898.
[11]方鹏，高亚栋，潘国兵，等.基于LSTM 神经网络的中长期光伏电
站发电量预测方法研究[J].可再生能源，2022，40（1）：48-54.
[12]宋子博，葛曼玲，谢冲，等.基于改进CSO 算法的光伏系统发电
功率短期预测[J].电源技术，2022，46（2）：182-185.
[13]刘志超，袁三男，唐万成.基于BLSTM-随机森林的短期光伏发
电输出功率预测[J].电源技术，2021，45（4）：495-498.
■
图6多云天气下光伏发电模型预测曲线
Fig.6Prediction curve of photovoltaic power
generation model in cloudy weather
1412
1086420输出功率/（k W ）
67
8
91011121314151617181920
时间/h
实际值
LSTM GRU RNN
表4
预测模型误差指标数据
Tab.4Predictive model error metric data
天气
预测模型
RMSE/%MAE/%MAPE/%晴天
LSTM
2.068 1.414 4.943GRU 4.576
3.5758.694RNN 5.673
4.32710.537多云LSTM
2.165 1.546 4.997GRU 4.967 4.0259.625RNN
6.037
4.658
12.567。