基于迁移学习的短期光伏发电功率预测研究.pdfVIP

摘要

在过去两百年里，化石能源推动着整个人类社会的发展，但其不可再生性也使人

们对未来潜在的能源危机感到担忧。太阳能资源作为拥有诸多优点的可再生能源，是

世界各国的首选发展目标。光伏发电作为利用太阳能发电的主要方式，利用光生伏特

效应将光能转化为电能，实现绿色发电。但由于光伏发电易受天气等因素影响，使其

具有了间歇性和波动性等不利于电网稳定运行的特点。因此，对光伏发电功率进行精

准预测，有助于光伏电站安全、高效地并入电网，这对光伏发电和可再生能源的推广

都具有重要意义。

随着深度学习技术的发展，不少研究者将其应用于光伏预测研究中。但使用深度

学习模型往往依赖于成熟的数据集，这对于每年大量的新建电站而言，并不满足这一

前提。而迁移学习作为一种利用已有知识来辅助学习新知识的方法，已在多个领域被

用于小数据集下的模型训练任务中，其在缩短模型训练时间、减少对数据集的依赖等

方面发挥了重要作用。因此，本文针对数据稀缺情况下的光伏发电功率预测任务，引

入了迁移学习来实现光伏发电功率短期预测，并提出了一种基于变分模态分解（VMD）

的自适应光伏特征重构方法来提高预测精度。

本论文首先基于Pytorch深度学习框架搭建了门循环单元（GRU）、长短期记忆

网络（LSTM）、卷积神经-长短期记忆网络（CNN-LSTM）、长短期记忆-卷积神经网

络（LSTM-CNN）、双向长短期记忆网络（Bi-LSTM）五种深度学习模型，并且提出

了基于VMD的自适应光伏特征重构方法。随后通过三组实验，验证了该特征重构方

法在提高模型预测精度上的有效性，探讨了LSTM结构在光伏预测方面的性能优势，

并从五种模型中选出了性能相对更好的Bi-LSTM模型作为迁移学习基模型。紧接着

基于Bi-LSTM模型，利用“预训练，微调”策略完成了四个不同数据集之间的相互

迁移，共建立了十二个迁移学习模型，并对数据集之间的差异进行了量化，探讨了源

域的选取对目标域预测模型的影响，证明了深度学习模型结合迁移学习的方法能有效

应对光伏发电功率短期预测任务中的数据稀缺问题。最后，结合光伏发电的实际情况，

对各迁移学习模型进行了评估，证明了深度迁移学习方法在数据稀缺情况下的光伏发

电功率短期预测任务中具有实用性。本文主要结论如下：

（1）基于VMD的自适应光伏特征重构方法能显著改善光伏数据的质量，进而提

高模型的预测精度。在五种深度模型上进行了实验，预测结果相比于原模型，MAE平

均下降了49.27%，RMSE平均下降了46.16%，R²平均上升了1.47%。

（2）构建的迁移学习模型相较于用传统方式训练的深度学习模型，在数据稀缺下

的目标任务中的预测精度有着显著提升，证明了深度学习结合迁移学习的方法能有效

应对光伏发电功率短期预测任务中的数据稀缺问题。

（3）在实际情况中，光伏数据量会逐步累计，因此，光伏功率预测模型在邻近时

间段的预测质量更有意义。受目标域数据的影响，迁移学习模型在与目标域数据片段

相同季节下的预测精度均最接近于理想模型。证明了深度学习结合迁移学习的方法具

有较强的实用性。

关键词：光伏功率预测；深度学习；迁移学习；变分模态分解

Abstract

Solarenergyresourceshaveemergedasthepreferreddevelopmenttargetfor

countriesworldwideduetotheirrenewablenature,incontrasttothenon-renewablefossil

fuelsthathavedrivenhumansocietysprogressoverthepasttwocenturies.Thetechnology

ofphotovoltaicpowergeneration,akeymethodforharnessingsolarenergytoproduce

electricity,capitalizesonthephotovoltaiceffecttoconvertlightenergyintoelectrical

energy,facilitatinggreen