精益管理 - 177 - 基于 LSTM 和 BP 神经网络的 联合光伏功率预测 国网甘肃省电力公司定西供电公司，刘琼、田晓梨 安徽继远软件有限公司，陶鹏、左晨亮、刘潇、花凌峰、刘晓强、郑杰文、曹嘉振、费晓虎 摘 要：由于光伏发电的不稳定性，提升光伏功率预测效果成为一项具有挑战性的研究，光伏功率预测成为近些年 来的研究重点。本论文使用一种基于 LSTM 和 BP 神经网络的混合模型来进行光伏发电功率预测。首先使用 BP 神经网络分 析气象实况数据与光伏发电实际功率的关系。其次，使用 LSTM 神经网络降低气象预测数据的误差。再次，提出一种基于 LSTM 和 BP 神经网络的混合模型---CLBN，将这个模型用在气象实况数据、气象预测数据、光伏发电实际功率数据上。最 后，将 CLBN 模型与 BP 神经网络及 SVM 算法进行比较。实验结果显示，CLBN 模型的效果要明显好于 BP 神经网络及 SVM 算法。 关键词：光伏功率；气象数据；LSTM；BP 神经网络 由于全球能源危机和环境污染问题，光伏发电 得到了迅速发展和应用。然而，气象因素的波动使 得光伏发电出现波动性、间歇性和随机性，严重威 胁电网系统的安全性。因此，准确预测光伏发电功 率不仅可以减少气象因素变化对电网的影响，同时 也能保证电网的稳定运行。所以，光伏发电功率预 测成为了研究的焦点。 根据预测时间的长短，光伏发电功率预测可分 为长期预测、中期预测和短期预测。中期预测和长 期预测的时长通常是几个月到几年，主要满足电网 和光伏电站的建设和维护；短期预测的时长通常是 几分钟到几天，主要配合电力调度部门合理规划调 度用电以及妥善安排备用容量。短期预测相比于中 长期预测具有更强的实用性和较高的预测精度，因 此很多学者将关注点放在了光伏发电功率的短期预测。 学者们提出了各种模型来解决光伏发电功率的 短期预测问题。 一种方法 [1]是使用 SVM （支持向量机） 预测气温，再用气温预测光伏发电功率。但是一些 实验表明气温对光伏发电功率的影响很小，所以这 个模型不够实用。文献[2]提出一种基于天气分类和 SVM 的方法去预测光伏系统的输出功率。 首先将气候 条件分为四类，然后对每类天气条件采用 SVM 来预 测光伏发电功率。与[2]相似，[3]提出了一种基于 天气类型的总样本聚类方法，然后利用 SVM 预测每 种天气类型下光伏输出功率。虽然[2]和[3]都能获 得很好的精度，但由于模型大多需要实时迭代，因 此对模型进行分类和聚类的过程比较复杂，不适合 实际应用。因为神经网络可以用来解决复杂的非线 性问题，而且在语音识别、图像处理和自然语言方 面过程中也被证明了具有强大的能力，所以许多学 者致力于使用神经网络算法来进行光伏发电功率预 测。使用 BP 神经网络 [4]、[5]预测光伏发电量。[4]中 的输入特征包括历史气象数据和历史功率数据，但 是这个方法没有利用光伏发电的时间序列特性。 [6] 利用 T-S 模糊神经网络建立模型并进行了实验，结 果表明使用 T-S 模糊神经网络的准确性优于使用 BP 神经网络的准确性。由于 BP 神经网络对初始值敏感 很容易陷入局部最优， 因此 [7]使用了遗传算法去寻找 合适的初始值。结果表明，使用遗传算法可以加快