可再宝能源
Renewable Energy Resources
第39卷第2期2021年2月
Vol.39 No.2Feb. 2021
基于改进CNN 的光热电场太阳
直接法向辐射预测研究
杨德州1，李锦键2，吕金历1，杨维满2，王兴贵2
(1.国网甘肃省电力公司经济技术研究院，甘肃兰州730000； 2.兰州理工大学电气工程与信息工程学院,
甘肃兰州730050)
摘要：为了在实际运行中更好地利用光热电站，文章建立了一种基于改进卷积神经网络的光热电场太阳直
接法向辐射的预测模型。首先，通过分析光热发电系统的运行机理，得到影响光热发电系统出力的主要因素是
太阳直接法向辐射，并根据太阳直接法向辐射特点选用卷积神经网络对其进行预测；然后，针对卷积神经网络
在实际应用过程中存在的预测精度较低和训练时间较长的问题，引入带有稀疏约束的损失函数和自适应学习
率思想，并提出一种改进卷积神经网络；最后，利用改进卷积神经网络建立了光热电场太阳直接法向辐射的预 测模型。模拟结果表明：文章提出的改进卷积神经网络能够解决一般卷积神经网络在实际应用中存在的预测
精度较低和训练速度较慢的问题；基于改进卷积神经网络的预测模型可以较准确地预测出太阳直接法向辐射
的变化趋势及其数值。
关键词：光热发电；太阳直接法向辐射；卷积神经网络；稀疏约束；自适应学习率
中图分类号：TK519 文献标志码：A 文章编号：1671-5292(2021)02-0182-07
0引言
太阳能作为新能源发电的主要能源。合理地 使用太阳能，可以基本满足人类生产和生活的需 要即現由于太阳能是一种具有不确定性的能源，
因此，太阳能发电系统产生的电能在并网时会给
电力系统带来较大的冲击。聚光太阳能发电 (Concentrating Solar Power,CSP)也被称为光热发
电，是一种利用太阳辐射中直接法向辐射(Direct
Normal Irradiance,DNI)的能量使液态水转化为蒸 汽，并用蒸汽的压力推动汽轮发电机组工作的发 电方式。由于光热发电系统配有能量缓冲作用的
储热系统，可以减轻光热发电系统产生的电能在 并网时对电力系统的冲击，因此，光热发电具有广
阔的应用前景。为了使CSP 电站产生的电能在并 网时可以充分发挥其优势，且易受电力系统调度， 本文须要准确预测决定CSP 电站出力的主要因
素一直接法向辐射DNI 。
正则化可以产生稀疏权值
目前，预测DNI 的手段主要有随机学习法、 数值天气预报法、全天空成像外推法和卫星成像
外推法等。数值天气预报法为通过拟合历史天气
预报数据与DNI 之间的关系，并利用人工神经网 络等统计方法预测两者之间关系的方法冋性作为 人工神经网络中的典型模型,BP 神经网络和小波 神经网络已应用到DNI 的预测中冋叫 但在学习
时，传统人工神经网络无法获取数据深层次的特 征，因此，会降低预测的准确性叫由Hinton 提出 的深度学习模型凭借着强大的特征提取能力，被
应用到DNI 预测、风电功率预测和齿轮箱状态监 测等研究中卧™。由于卷积神经网络(Convolu
tional Neural Networks,CNN)能较好地处理具有 网格结构的数据，因此，文献[11], [12]分别利用混
沌融合算法和门控循环单元对卷积神经网络结构 和学习参数进行优化，并应用到DNI 和超短期风
电功率预测中。
为了在实际运行中更好地利用CSP 电站，本 文建立了一种基于改进CNN 的光热电场DNI 的 预测模型。首先，本文根据DNI 数据的特点选用
CNN 对DNI 进行预测；然后，本文针对CNN 在实
收稿日期：2019-12-18。
基金项目：国家自然科学基金(51867016)；国家电网公司科学技术项目(52272817000L)。
作者简介：杨德州(1968-)，男，高级工程师，主要从事电力系统规划、能源的研究工作。E-mail :****************
通讯作者：杨维满(1984-)，男，博士，副教授，硕士生导师，主要从事电力电子系统建模、控制及分析，新能源电力系统电能质量控制与
分析的研究工作 o E-mail : **************
・ 182 -
杨德州，等基于改进CNN的光热电场太阳直接法向辐射预测研究
际应用中存在的预测精度较低和训练时间较长的问题，在CNN的训练阶段引入带有稀疏约束的损失函数，使网络结构稀疏化，同时在预训练阶段采用自适应学习率的方法优化网络参数，并提出一种改进CNN；最后，本文基于改进CNN建立了光热电场DNI的预测模型。
1光热电站运行原理及DNI特点
1.1光热电站运行原理
本文对CSP电站各子系统间的能量流进行简化,CSP电站基本能量流示意图如图］所示问。
图1CSP电站基本能量流示意图
Fig.l The basic energy flow diagram of CSP station
图中:P："为t时刻聚光集热子系统(Solar
TSS
Field Subsystem,SFS)收集能量的功率迅为t时刻储热子系统(Thermal Storage Subsystem,TSS)中存储的能量；成为t时刻输送到汽轮机发电子系统(Powerblock Subsystem,PS)中能量的功率;P*，和P：「p分别为t时刻各子系统按箭头方向传输能量的功率。
CSP发电系统的运行原理:SFS收集太阳能，并将能量通过传热流体(Heat-transfer Fluid, HTF)传递至其余各子系统。当DNI充足时，由SFS收集到的能量一部分用于PS进行发电，另一部分存储到TSS中；当
DNI不足时,TSS通过放热的方式释放能量,TSS放出的能量与SFS收集到的能量共同向PS提供满足发电要求的能量；当DNI的值为0，即无光照时,PS所需能量完全由TSS放热提供。综上可知，影响CSP电站出力的主要因素为SFS聚光场的DNI。
1.2DNI的特点
时间序列是指一组按照时间顺序进行排列的随机变量，即在等距的采样条件下，对某种随机过程进行观测所得到的结果。时间序列的数学表达为假设有一随机过程X(t)(t e T,T=t】,t2,…，切)，则t时刻对X⑴的观测样本XQ1,2,…,N)为一个时间序列网。DNI序列是由地面观测点对太阳辐射这一随机变量进行观测和记录得到的，又因为太阳辐射是按照时间顺序进行变化的随机变量，因此,DNI序列在数学本质上属于时间序列，从而得知,DNI具有长期性、季节性、循环性和不规则性的特征，这些DNI序列特征决定了可以通过CNN挖掘其数据中隐藏的深层关系，进而实现预测。
2改进卷积神经网络
作为深度学习网络中监督学习的典型代表, CNN的基本思想是通过搭建多层感知网络的方法对输入层得到的信息进行多层分解，根据分解结果获得数据更深层次的隐藏信息，从而得到比一般人工神经网络泛化性更强的网络。CNN通过卷积层获得数据深层次的隐藏信息并减小保存数据所需的内存。由于卷积操作具有上述特性，因此,CNN主要应用在处理具有类似网格结构数据的场景中。隐含层是由卷积层与池化
层构成的低层和由全连接层构成的高层组成，隐含层的结构可以方便CNN提取网络输入数据深层次的特征。CNN特有的卷积层、池化层和它们内部的权值共享既可以有效地减少网络参数的数量，又可以增强网络的泛化能力和鲁棒性问。图2为以图像识别为例的CNN典型网络结构演示图。
输入特征图特征图集 特征图集输出层
卷积 池化 全连接
图2以图像识别为例的CNN典型网络结构演示图Fig.2The CNN typical network structure represented by
image recognition as an example
在CNN的训练过程中，一般采用BP算法最小化损失函数和利用迭代训练的策略不断调节网络参数，从而不断提高网络的精度。但是，在CNN 的训练过程中，大量的冗余网络参数和固定学习率的训练算法会造成网络预测精度较低、训练时间较长冋。为了解决上述问题，须要对传统CNN 训练算法进行改进。
2.1CNN的稀疏化
文献［16］指出，在CNN训练过程中，存在大量的冗余网络参数，因此，须要对其中无用的连接权重进行归零，即稀疏化操作。对CNN进行稀疏化操作就是寻一种判定准则，并以此为准，剔掉
•183
•
可冉圭能源2021,39(2)
CNN结构中对输出影响较低的连接和节点，从而提升CNN的稀疏度。稀疏化操作可以有效提高CNN的运行速度，减少网络参数所占内存，从而降低过拟合现象发生的概率巩
目前，稀疏化操作主要包括训练过程中的稀疏约束和训练完成后的剪枝的。本文采用的稀疏化操作是训练过程中的稀疏约束，即在CNN损失函数中添加稀疏约束项，以实现训练过程中网络的稀疏化。
带有稀疏约束的损失函数表达式为
1N
arg min丽X Z［ne/.o(i),yJ+A||0||p(1) 0v i=i
式中:N为样本总数量；处/.。(0为网络实际输出；Ji为网络期望输出;Z［net.o(i),y＞］为损失函数；入为权衡范数惩罚的相对贡献项;||0||P为正则化项，其中pw｛0,l｝。
带有上述正则化项约束的损失函数在反向传播网络参数的调优阶段会使一些不重要的权重连接断开，即权重值为0，从而进一步提升训练完成后的CNN的稀疏度，提高其泛化性能，降低过拟合现象出现的概率。本文以全连接层为例，说明稀疏化操作对CNN结构的影响。
稀疏化示意图如图3所示。
删除节点
保留节点
图3稀疏化示意图
Fig.3The schematic diagram of sparse constraints
2.2采用自适应学习率的训练算法
2009年,Raina提出了自适应学习率思想叫文献［20］将自适应学习率思想应用到深度信念网络，分析结果表明，该思想可以有效提高深度信念网络的训练速度和准确性。因此，本文将自适应学习率思想引入到CNN的训练过程中，以提高CNN的训练速度和准确性。
自适应学习率的核心思想为根据连续2次网络参数更新方向的异同，使学习率自适应地进行调整。
自适应学习率7｝的表达式为式中为学习率增加的速率;d为学习率减小的速率皿为调整前的学习率;"为网络参数的更新方向。
在CNN的训练过程中，卷积层的参数更新表达式为
⑶
old
⑷
c c BL
9W ali
&二
式中:C，甲二分别为更新前、后CNN中卷积层
的连接权重；心,6二分别为更新前、后CNN中卷积层的偏置；帀为卷积层的学习率。
全连接层参数的更新表达式为
⑸
b=b w
new old⑹式中：严二分别为更新前、后CNN中全连接层的连接权重；心，丄分别为更新前、后CNN中全连接层的偏置;"2为全连接层的学习率冷为全连接层的激活函数。
综上所述，采用自适应学习率的CNN反向参数调优训练算法流程图如图4所示。
图4采用自适应学习率的CNN反向参数
调优训练算法流程图
Fig.4The flow chart of CNN reverse parameter tuning training algorithmwith adaptive learning rate
•184
-
杨德州，等基于改进CNN的光热电场太阳直接法向辐射预測研究
3预测模型的构建及性能评估
3.1预测模型整体框架设计
CNN模型的构建过程主要包括前向传播、BP
反向传播、权值更新等步骤。前向传播是将输入层
输入的样本按图2所示的顺序，经过卷积层、池化
层和全连接层之后，得到对应的输出向量。BP反
向传播是利用CNN实际输出向量与期望输出向
量之间的差值，通过BP算法顺着网络逆向传播，
并结合自适应学习率的训练算法对CNN参数进
行调优设置。
本文选用甘肃省敦煌市(94OE,4(FN)2007-
2016年的气象数据作为预测模型学习和预测
的样本叫本文先剔除原始数据中的异常数据；然
后，随机选取500组数据作为测试样本，其余数据
作为训练样本，其中，训练样本用于网络参数优化
的训练过程，测试样本用于测试训练后的网络性
能。为了避免因数据量级差异过大对网络训练速
度和预测精度造成不利影响，本文引入归一化操
作，使数据保持在［0,1］之间。归一化后数据丈的
表达式为
J~Y-Y(7)
式中:X为归一化前的数据;X込为数据中的最小
值;X皿为数据中的最大值。
基于改进CNN的预测模型构建过程见图5。
所有训］
归一i fcaa[
一
训练后的网络预測网络生成
初始网络一
S
向
优
nn
图5基于改进CNN的预测模型构建过程
Fig.5Theprocess of building a prediction model based on
improved CNN
3.2预测模型参数设置及评估
本文预测模型的参数设置主要包括网络结构的设置、卷积层参数的设置、隐含层输出特征图数量的设置、全连接层激活函数和损失函数的选择。
预测模型评估主要是评估网络的误差和准确度。3.2.1预测网络结构设置
本文基于改进CNN建立的光热电场太阳DNI预测模型，是以时间(年份、月份、日期、小时)和其他影响DNI的参数作为输入向量，以DNI数据作为输出向量，对DNI进行较为准确地预测。其他影响DNI的参数
主要有太阳时角、气溶胶、水汽、臭氧和云量。上述9个参数中，太阳时角和时间(年份、月份、日期、小时)决定了DNI的基本变化趋势，对预测准确度的影响较大，这5个参数的影响权重从大到小依次为月份、太阳时角、小时、日期、年份。晴天条件下，气溶胶对DNI预测准确度的影响较大；多云和阴天条件下，云量对预测准确度的影响程度超过气溶胶。由于水汽和臭氧可以吸收太阳辐射，因此，它们会对DNI预测的准确度产生一定影响，磁响遁小于其他几个琢综上可知，输入向量的维数为9，即输入层神经元的个数为9；输出向量的维数为1，即输出层神经元的个数为1。
为解决上酬输入层的述和濟到的数据量不足的问题，本文删掉基于改进CNN建立的预测模型中的池化层，以避免丢失数据深层次的联系。由于输入层结构为3x3，因此，本文设置的卷积层为2层，每层为］维卷积，以此保证网络预测的准确性。CNN最后一层为利用激活函数构建的全连接层，该层最终得到的输出值即为本文模型反归一化前的最终输出。考虑到收敛速度和实际应用场景，本文模型选择双曲正切函数tanAG)作为全连接层的激活函数。圖(町的表达式为
tan^(%)=
sinA(%)l-e"21
cosfe(x)"l+e-2x
⑻本文模型选择均方误差函数(Mean-square Error,MSE)作为结构优化的损失函数。其中,MSE 表征所有样本误差的平均值£。£的表达式为
L=2/y~X ErG)-ne£.oG)『(9)
i=l
3.2.2输出特征图数量设置
隐含层输出特征图的数量会影响网络预测精度和训练所需时间個此，须要对隐含层输出特征图进行择优选择。本文选择均方根误差(Root Mean-square Error,RMSE)、平均相对误差(Mean Relative Error,MRE)和平均准确率(Mean Average, MA)作为预测模型的评价指标和参数选择的标
•185-
可冉圭能源2021,39(2)
准。RMSE,MRE,MA的表达式分别为
RMSE=]J詈^占⑴-唤。⑴Y(10)
MRE十£W)需・。(训(11)
MA=1-MRE(12)隐含层输出特征图的数量从集合A={100, 200,300,400,500}中择优选取。输出特征图数量(Num)不同时的损失函数收敛曲线见图6。不同网络参数对应的评价指标和训练时间见表lo
图6输出特征图数量不同时的损失函数收敛曲线
Fig.6The convergence curve of loss function when the
outputmaps take different values
Table1Evaluation indicators and training time
corresponding to different network parameters 表1不同网络参数对应的评价指标和训练时间
Num RMSE/W-m2MRE MA时间/s
10025.4620.202750.79724 1.19771
20025.4370.202470.79753 2.30171
30025.4270.202520.79748 3.60690
40025.4470.202580.79742 4.58752
50025.4370.202470.79753 5.91176
由图6可知，当Num=400时，损失函数收敛速度最快，但此时收敛效果不如其他取值；当Num=300时，无论是迭代开始时还是迭代结束时，损失函数均为最小值。由图6还可以看出，各损失函数有着收敛于同一数值的趋势，但是由于训练样本数量不足，因此，图中没能呈现出该效果。
综上可知，在训练样本数量足够庞大的情况下,Num的取值对损失函数的收敛结果不会产生较大的影响。由表1可知,Num的取值并不会对评价指标产生较大的影响，这是由于随着Num的增大稳定在25.4W/m2左右,MRE稳定在0.202左右，胚4稳定在0.797左右，上述各项评价指标均在第3或第4位有效数字才出现差别，但是，随着Num的增大，网络的训练时间逐渐增大。考虑到上述所有因素，本文设置隐含层输出特征
图的数量为300，此时，各项评价指标均满足一般预测的精度要求。
3.2.3预测网络性能评估
本文基于上述网络参数的设置和对应的评价
指标，对基于一般CNN的预测模型与基于改进CNN的预测模型的评价指标和训练时间进行对比，对比结果如表2所示。
表2基于一般CNN与基于改进CNN的预测模型的
评价指标和训练时间
Table2Evaluation index and training time of prediction model based on general CNN and improved CNN
RMSE/^-nr2MRE MA时间/s 一般CNN31.1260.274120.72588 4.21417改进CNN25.4270.202520.79748 3.60690
由表2可知，基于改进CNN的预测模型的RMSE和MRE均低于基于一般CNN的预测模型，即改进CNN的准确度更高；就训练时间而言，基于改进CNN的预测模型的训练时间明显少于基于一般CNN的预测模型，由此可知，改进CNN 的训练速度快于一般CNN，即改进CNN的训练效率较高。以上结果验证了改进CNN可以解决一般CNN存在的预测精度较低和训练速度较慢的问题，同时也验证了基于改进CNN的预测模型的可行性与高效性。
图7为改进CNN在训练完成后，进行测试时误差值随着测试样本数量的变化情况。
图7改进CNN在训练完成后，进行测试时误差值随
测试样本数量的变化情况
Fig.7The variation of the error value with the number of test samples when the improved CNN is tested after the training
is completed
由图7可知，改进CNN在训练完成后进行测试时，误差值稳定在1.8%~2.2%，且误差值处于1.8%~2.0%的测试样本数量较多。鉴于上述测试结果和评价指标可知，本文提出的预测模型满足对精度的要求。
为检测本文预测模型的实际性能，本文利用
•
186-
版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。
发表评论