基于生成對抗網絡的太陽輻照度預測模型

鹿晨東，許英朝*，張 帆，沈亞鋒

（1. 廈門理工學院光電與通信工程學院，福建 廈門 361024；2. 福建省光電技術與器件重點實驗室，福建 廈門 361024；3. 廈門華聯電子股份有限公司，福建 廈門 361101）

可再生能源取之不盡用之不竭，且幾乎不會對環境或氣候造成破壞，如太陽能量大且易于獲取，被視為最有前景的可再生能源［1-2］。地球表面接收的平均太陽輻照度為1 367 W·m-2，全年約為1.8×1017W［3］，如此巨大的能源能滿足全球對電力的所有需求。然而，太陽能發電受太陽光照、濕度、氣溶膠等多種自然特征因素的影響具有很強的波動性，這對維持電網的穩定安全造成了極大的影響［4］。因此，為了保障電網的安全經濟運行水平，需要進一步進行光伏精確預測［5］。太陽輻照度是光伏發電中最具影響力的因素，準確預測太陽輻照量變化對光伏電力預測、光伏電網整合、供應平衡和實時調度至關重要［6］。

目前，太陽輻照度預測的主流模型可以分為物理模型、經典統計模型和現代預測模型3類。物理模型模擬大氣的耦合物理方程，利用數值天氣預報來預測太陽輻照度［7］，它利用當前的天氣信息建立數學模型，用于建立太陽輻照度與物理條件（如與大氣有關的物理因素）之間的關系。然而，由于數值天氣預報模型過于復雜，計算資源消耗巨大，在用于短期預測時可能會造成較大的延遲［8］。統計模型根據太陽輻照度的歷史趨勢預測未來的太陽輻照度，經典的統計模型有自回歸移動平均［9］、多元線性回歸［10］、自回歸綜合移動平均［11］，這些模型結構簡單，通常采用只有少量隱藏層的淺網絡，難以擬合短期內外部環境變化引起的輻照度波動。

近年來，越來越多的現代預測模型正在被開發出來，其中最為流行的就是深度學習模型。深度學習模型具有足夠的信息提取能力和非線性表示能力，因此被用于預測太陽輻照度。文獻［12］總結了近20 a 來基于機器學習方法的輻照度預測的研究成果，并討論了現有的機器和深度學習模型，結果表明，基于深度學習模型的特征提取概念在現有的太陽輻射預測研究中已經普遍存在。當前最流行的深度學習模型主要包括卷積神經網絡（convolution neural network，CNN）、BP 神經網絡、門控循環單元（gate recurrent unit，GRU）、生成對抗網絡（generation adversarial networks，GAN）等。楊春熙等［13］將GRU應用在短期輻照度進行預測。Wen等［14］采用LSTM模型來預測太陽能負荷，預測結果存在一定的滯后問題。馬景奕等［15］研究了基于RNN 及其變體對短期太陽輻照度的預測性能。黃棋悅等［16］將GAN 應用在風電爬坡功率的預測中，并驗證了所提方法的可行性?？紤]到前人使用的單一模型通常采用包含少量隱藏層的淺網絡，其處理復雜非線性的能力有限，因此越來越多的學者開始使用綜合不同預測技術的混合方法，通過組合多個單結構模型應用于時序預測來提高測量精度。Zhou 等［17］提出了一種結合注意力機制的LSTM 模型來預測光伏發電量，考慮到溫度數據對光伏發電的影響，關注機制自適應地關注更重要的輸入特征，預測效果優于每個時間場的比較模型。Wang等［18］提出了一種基于GAN 和CNN 的天氣分類模型，由原始和生成的太陽輻照度數據組成的增強數據集訓練基于CNN 的天氣分類模型，結果表明，模型性能有所改進。牛宇童等［19］將WGAN和LSTM相結合應用于光伏發電預測研究中，將其預測準確性提升了33.4%。因此，多個模型組合可以發揮各自的能力，從而極大地提升預測精度。

本文延續多模型組合的預測研究，但區別于前人的組合方式，提出一種新的深度學習混合模型，將自編碼器（auto encoder，AE）與條件深度卷積生成對抗網絡（conditional-depth convolution generation adversarial networks，C-DCGAN）相結合，構成AE-C-DCGAN 模型。一方面，將AE 應用在太陽輻照度的預處理步驟中，通過降噪AE 提取原始數據有效特征，降低其存在的噪聲，保證數據的真實度并提高魯棒性；另一方面，將C-DCGAN 應用在輻照度的預測過程，將卷積網絡引入GAN 的結構中，在更好地學到輻照度數據的特征規律的同時，自主構造短期的歷史測量數據與預測數值間的映射關系，以更準確地生成接近真實場景的輻照度數據。

1 模型構建

本文所提出的短期太陽輻照度預測模型整體框架如圖1 所示。首先，使用AE 對輻照度數據進行預處理，然后將處理后的數據輸入到由卷積和反卷積層堆疊而成的生成對抗網絡中得到預測結果。

圖1 AE-C-DCGAN模型整體框架圖Fig.1 Overall framework of the AE-C-DCGAN model

1.1 自編碼器（AE）

圖2 AE結構Fig.2 AE structure

CNN 有著較強的特征提取能力，目前已經被廣泛應用到諸多領域中［20］。CNN 網絡層中的隱藏層單元是由卷積層、池化層、全連接層組成的。與傳統的完全連接的神經網絡相比，CNN 的明顯優勢是由于權重共享技術，要估計的參數數量減少。因此，本文使用一維卷積神經網絡作為基礎模型，將其嵌入到AE中，不僅精簡了混合神經網絡的結構，也提升了運行效率和預測性能。

AE主要包含編碼和解碼2個過程，編碼是將輸入的輻照度數據x通過內部層級映射到中間的隱含層，解碼則是將中間數據h 轉化為輸出的重構向量z。其通過最小化損失函數，以無監督訓練來提取原始數據的降維特征。AE網絡的編碼過程、解碼過程、損失函數的表達式為

式（1）～（3）中：sf、sg代表Sigmoid 函數；wf和wg為編碼器和解碼器的權重；bf和bg為編碼器和解碼器相對應的偏置；N為樣本總數；θ=｛wf，bf；wg，bg｝表示需要優化的參數集合；L(xi，zi)為損失函數。通過多次訓練，得到最小的L，使得模型獲取最多的特征信息以更好地重構高質量的原始數據。

1.2 條件深度卷積生成對抗網絡（C-DCGAN）

GAN 可以學習特定的數據分布，并從相同的分布中創建新的數據。GAN 的核心思想是受兩人零和博弈的啟發，通過對抗性學習，同時訓練生成器和判別器。生成器基于真實數據的學習分布從噪聲中生成新樣本，而判別器旨在區分輸入數據是來自生成器還是真實樣本。G 和D 在訓練過程中minmax二人博弈模型可表示為

式（4）中：E(?) 為期望值；D（G（z））為生成的數據，G（z）是D中判別為真的概率；D（x）為真實數據x在D 中判別為真的概率；噪聲數據z的分布為z～P(z)；P(x)為太陽輻照度的真實分布。由于原始GAN 生成目標不明確且可控性不強，有人提出了CGAN，其核心在于將條件信息y 融入生成器G 和判別器D中，y 可以是任何標簽信息?；诖?，本文將CGAN 的條件信息設定為歷史輻照度數據y(y ∈x)。生成網絡G 基于歷史數據訓練得到下一時刻的模擬數據，判別網絡D 以y為前提條件判斷輸入數據是否為真實數據。

此外，本文CGAN 模型的內部網絡結構參考了DCGAN 的網絡結構，它采用2 個CNN 來改善傳統GAN 的結構，這種結構可以通過使用矢量算術運算來降低數據處理的復雜性，不僅提高了數據樣本生成的質量，也加快了收斂的速度。因此，本文結合CGAN 與DCGAN 的主要思想，構建了預測模型C-DCGAN，該模型由生成器和判別器2個神經網絡組成，其訓練過程如圖3所示。

圖3 C-DCGAN模型的訓練過程Fig.3 Training process of C-DCGAN

C-DCGAN目標函數可表示為

一些離退休黨員思想松懈，認為自己在職在崗時為革命、為工作兢兢業業，無私奉獻是應該的，到了離退休以后，就認為自己什么都退了，不用接受思想政治教育了。思想出現老化，對在國家發展過程中出現的政治、經濟和社會問題不能以發展的眼光、包容的心態去面對，對社會分配不公、黨內腐敗等不良現象應對消極，對黨的活動和地方建設不關心、不熱情、不參與，有的甚至對黨和政府的領導產生悲觀、懷疑的態度。

1.3 AE-C-DCGAN模型

基于以上理論，本研究構建了一個深度混合預測模型，即AE-C-DCGAN，該模型的預測總體流程見圖4。由圖4 可見，數據在模型中訓練的具體流程為：1）輸入單變量的太陽輻照度數據X；2）使用最大-最小值方法對數據進行歸一化處理；3）使用AE對數據進行預處理；4）將經預處理的數據劃分為訓練集和測試集；5）將劃分后的數據放到搭建好的預測模型C-DCGAN 中進行訓練，并且通過反歸一化，得到最終預測結果；6）使用評價指標對預測結果進行評估。

圖4 基于AE-C-DCGAN模型的預測總體流程圖Fig.4 Overall flow of prediction based on AE-C-DCGAN model

2 實驗結果及分析

2.1 實驗數據

本文選擇了NSRDB公開網站的輻照度數據進行模型性能評估，其測量站位于西經119.32°，北緯33.68°。所采集的是美國德克薩斯州某地區的2019年1月1日至2019年12月31日的太陽輻照度數據，時間間隔為5 min。除了將原始數據集在訓練前進行預處理和歸一化處理外，還考慮到該地區的氣候四季分明、季節性特點顯著等，把一年的數據劃分為春、夏、秋、冬4 個季節的數據集分別進行實驗，其中每個數據集分別分為訓練集（包含72 d約10 368個樣本）和測試集（包含18 d約2 592個樣本）。

2.2 實驗裝置

本文所有實驗均基于高性能聯想臺式計算機，操作系統是Win10，CPU 為i5-13600K（5.1 GHz），GPU 為NVIDIA RTX4060Ti。程序所需的相關版本號有python3.8、torch1.12.0、torchvision0.13.0。此外，表1列出了AE-C-DCGAN模型的實驗相關參數。

表1 AE-C-DCGAN模型相關參數Table 1 Required parameters in AE-C-DCGAN

2.3 評估指標

為了考察AE-C-DCGAN 模型的預測性能，本研究采用平均絕對誤差（mean absolute error，MAE）、平均絕對百分比誤差（mean absolute percentage error，MAPE）和均方根誤差（root mean square error，RMSE）對實驗結果進行評估。這3個指標的計算公式分別為是模型預測的結果；n 是測試樣本的總數。以上3 個誤差指

式（6）～式（8）中：yi是實際測試樣本值；標的值越小，模型的效果越好，所得的預測值與真實值也就越接近。

2.4 實驗對比模型

本文分別選取了當前預測領域較流行的5 個單一模型（RNN、LSTM、GRU、Transformer、GAN）和2個混合模型（CEE-LSTM、CEE-GAN）與AE-C-DCGAN進行對比，由此來驗證本模型的預測性能。

1）RNN。RNN的結構十分簡單，它使用帶自反饋的神經元，能夠處理任意長度的時序數據。

2）LSTM。LSTM 是一種特殊的RNNs，為了解決RNN 長期記憶丟失的問題，LSTM 添加了門結構（遺忘門、輸入門、輸出門），為每個神經元提供反饋。

3）GRU。GRU是LSTM的優化結構，它由更新門和重置門組成，并混合了細胞狀態和隱藏狀態。

4）Transformer［21］。 Transformer 由編碼器和解碼器2 部分組成，是一個利用注意力機制來提訓練速度的模型。

5）GAN。GAN 主要由生成器和判別器2 部分組成，是一種優秀的生成式模型，也是本研究的基礎模型之一。

6）CEE-LSTM［22］。CEE-LSTM是基于CEEMDAN和LSTM結合的混合預測方法。

7）CEE-GAN。CEE-GAN是基于CEE-LSTM改進的混合方法，將LSTM換成GAN。

8）AE-C-DCGAN。AE-C-DCGAN 是本研究基于生成對抗網絡改進的混合方法，將AE 與CDCGAN相結合。

2.5 結果與分析

為了驗證本研究提出的AE-C-DCGAN 混合預測模型的預測能力，在同一個實驗平臺上與7種預測模型進行對比。所涉及的模型包括單個RNN 模型、單個GRU 模型、單個LSTM 模型、單個Transformer 模型、單個GAN 模型，以及混合CEEMDAN-LSTM（下文和圖表中用CEE-LSTM 代替）模型和混合CEEMDAN-GAN（下文和圖表中用CEE-GAN 代替）模型。實驗分別進行了4個季節的短期預測，實驗結果見圖5。圖5中，紅線代表本研究模型的預測結果的擬合曲線，黑線代表真實輻照度的走勢，其他顏色線條表示其他對比模型的擬合結果。需要特別說明的是，圖5中的a、b、c、d圖分別表示從春、夏、秋、冬4個季節中隨機選取一天測試數據集的太陽輻照度數據預測曲線圖。

圖5 四季數據在不同方法下的預測結果對比Fig.5 Prediction results of four seasons data by different methods

由圖5中曲線的走勢可以看出，太陽輻照度的變化很快，波動較大，數據中包含了較多高低頻噪聲信息。在輻照度不斷變化的情況下，單一模型明顯較難捕捉其變化趨勢，曲線很大程度上偏離了真實值曲線。而基于多模型組合的混合模型在這種情況下能取得相對較好的預測效果。從預測擬合圖可以看出，所提出的AE-C-DCGAN 模型對GHI數據的各種波動在4個季節都具有良好的學習能力，不僅在整體趨勢上與真實數據吻合，在數據的峰值、劇變、波動情況下也同樣有準確的預測效果。

此外，表2 給出了AE-C-DCGAN 與其他7 種模型的四季評價指標的量化對比。由表2 可見，單模型的誤差值較大，這表明單一模型預測效果不夠理想。相比之下，較為突出的單模型結構是GAN 模型，其各評價指標的誤差較低，這也是本文混合預測框架的主體預測網絡之一；反之，組合模型的評估值相對較小，這表明組合模型可綜合各單一模型的優勢來提高預測精度。將AE-C-DCGAN 與兩個組合模型相比，本文模型的評估指標仍是數值最低，效果最好。其中，將AE-C-DCGAN 和次優預測模型相比，四季的MAE、MAPE 和RMSE 分別平均降低了4.84%、8.49%、7.32%，這也進一步驗證了本文提出的混合方法的有效性。

表2 AE-C-DCGAN與其他7種模型的四季預測結果評價指標對比Table 2 Evaluation indicators for four season prediction results between AE-C-DCGAN and other seven models compared單位：%

綜上所述，結合圖5 和表2 的實驗結果，本文提出的AE-C-DCGAN 的方法能夠實現最準確的預測。通過3 種不同的統計驗證指標，本模型的性能優于其他基準測試模型。對比單一模型LSTM、RNN、GRU、TRANS、GAN 和混合模型CEE-LSTM、CEE-GAN、AE-C-DCGAN，可以看出，將數據經過降噪預處理再通過預測模型更有利于函數擬合和后續模型收斂。與CEE-LSTM 和CEE-GAN 相比，本文的改進混合框架有更好的預測性能。

3 結 論

為了提高太陽輻照度的預測精度，本文提出了AE-C-DCGAN 模型進行預測。該模型利用AE對單一的輻照度數據進行降噪預處理，然后將數據輸入到C-DCGAN中學習數據在時間維度上的特征關系，以此探究數據的分布規律來進行預測。與7種不同的模型的對比實驗結果表明，AE-C-DCGAN 模型的誤差最??；與次優預測模型相比，本文模型預測結果的MAE、MAPE 和RMSE 平均值分別降低了4.84%、8.49%、7.32%。后續研究工作將考慮多變量對輻照度預測的影響，以便得到預測準確率更高的模型。